一种基于二维卷积神经网络的土壤水分产品降尺度方法技术

本发明专利技术公开了一种基于二维卷积神经网络的土壤水分产品降尺度方法，其步骤包括：1)获取目标区域的被动微波土壤水分产品影像以及相应的辅助数据影像；并建立辅助数据影像与被动微波土壤水分产品影像之间的对应关系；2)根据所述对应关系，构建训练数据；然后利用所述训练数据对CNN网络进行训练；3)利用训练后的CNN网络对该目标区域的待处理被动微波土壤水分产品影像进行降尺度处理，得到目标降尺度产品。本发明专利技术考虑了辅助影像中像元与像元之间的信息，从而显著地提高了降尺度后土壤水分产品的精度。的精度。的精度。

【技术实现步骤摘要】
一种基于二维卷积神经网络的土壤水分产品降尺度方法


[0001]本专利技术属于遥感
，具体涉及一种基于二维卷积神经网络的土壤水分产品降尺度方法。

技术介绍

[0002]土壤水分(Soil Moisture,SM)是水文学、气象学、农业应用中的重要参数，其时空分布对于研究气候变化、农业干旱、水资源管理等都有着重要的作用。传统的通过站点来监测SM的手段难以获得大面积的SM数据，其应用十分有限。而研究者们发现微波遥感数据与SM有着良好的关系，因此提出了利用微波遥感数据来对SM进行反演。
[0003]到目前为止，利用被动微波遥感数据反演SM的研究已经取得了很大的突破，相应的SM产品也陆续被发布，例如SMAP(Soil Moisture Active Passive)，SMOS(Soil Moisture and Ocean Salinity)全球SM产品。但是，这些产品的空间分辨率大多在数十公里级，难以满足更为精细化的应用需求，因此需要对这些产品进行降尺度，以提升其空间分辨率。
[0004]关于SM降尺度方法的研究已十分众多，总结起来，可以分为：(1)基于经验模型的降尺度方法；(2)基于物理模型的降尺度方法；(3)基于空间插值的降尺度方法；(4)基于机器学习的降尺度方法。方法(1)
‑
(3)虽然也可以通过辅助数据引入新的信息，但一般来说它们用到的辅助数据较少，并且依赖的是辅助数据影像中单个像元与降尺度之后的目标影像中单个像元的一一对应关系，也即“像元
‑
像元”的思想。方法(4)虽然可以利用机器学习的方法，加入大量辅助数据进行训练，但目前所使用的机器学习模型依然只是基于“像元
‑
像元”的思想，而忽略了同一景影像中像元与像元之间的内在联系。但显然，一景影像中的每个像元并不是相互独立的。例如，由于坡度与坡向的影响，导致地表所接受的太阳能量有所不同，从而影响地表的蒸散；同时，地表的高度差还会影响土壤微粒的分布和土壤水的渗漏，不同的土壤微粒对SM不同的吸附作用，又会进一步导致SM的空间变异。因此，传统的降尺度方法在本质上丢失了一些有用的信息。
[0005]二维卷积神经网络(Convolutional Neural Networks,CNN)最初用于图像识别与分类，其可以设置一定大小(例如3*3，5*5，7*7等)的感受野(也即卷积核)，来对整景图像进行学习，如此一来不仅仅可以学习到每个像元包含的信息，而且可以考虑到每个感受野中像元与像元之间的相互作用，这恰恰可以弥补传统的SM降尺度方法的不足。但是，二维CNN却很难应用于遥感反演领域，最主要的原因是，二维CNN网络需要使用大量空间连续的数据来进行训练，而在遥感中这样的数据是难以获取的。
[0006]因此，本专利技术旨在针对传统SM降尺度方法无法考虑一景影像中像元与像元之间的信息的不足之处，以及充分考虑了将二维CNN应用于遥感反演中的问题的解决办法，提出了一种基于二维CNN技术的新的SM降尺度方法，并以SMAP SM产品为例进行说明。
[0007]检索国内外专利和文献显示，目前尚无同样的降尺度方法专利技术或发表。

技术实现思路

[0008]本专利技术针对上述传统SM降尺度方法无法考虑一副影像中像元与像元之间信息的不足之处，以及充分考虑了将二维CNN应用于遥感反演中的问题的解决办法，提出了一种基于二维CNN的SM降尺度方法。
[0009]本专利技术的技术方案为：
[0010]一种基于二维卷积神经网络的土壤水分产品降尺度方法，其步骤包括：
[0011]1)获取目标区域的被动微波土壤水分产品影像以及相应的辅助数据影像；并建立辅助数据影像与被动微波土壤水分产品影像之间的对应关系；
[0012]2)根据所述对应关系，构建训练数据；然后利用所述训练数据对CNN网络进行训练；
[0013]3)利用训练后的CNN网络对该目标区域的待处理被动微波土壤水分产品影像进行降尺度处理，得到目标降尺度产品。
[0014]进一步的，建立辅助数据影像与被动微波土壤水分产品影像之间的对应关系的方法为：首先将辅助数据影像重采样到被动微波土壤水分产品影像的空间分辨率，使得辅助数据影像的像元与被动微波土壤水分产品影像的像元一一对应；设置一个大小为m
×
m的窗口，用以裁剪辅助数据影像，其中m为奇数；然后取辅助数据影像每一窗口作为“图”，将该“图”的中心像元所对应的被动微波土壤水分产品影像作为“像元”，以此建立起“图
‑
像元”的关系作为所述对应关系。
[0015]进一步的，空间变异性越大的地区对应的被动微波土壤水分产品影像所采用的窗口越大；对于辅助数据影像边缘的像元，在该辅助数据影像边缘周围引入新的像元，并将新像元的值都设为该辅助数据影像中所有像元的平均值；然后对辅助数据影像边缘的像元进行裁剪。
[0016]进一步的，对引入新像元后的辅助数据影像设置一权重层，该权重层中该辅助数据影像的原始像元权重设为H，引入的新像元的权重为h；其中H大于h；然后将该权重层与引入新像元后的辅助数据影像组合在一起，作为特征层。
[0017]进一步的，构建所述训练数据的方法为：根据每一“图
‑
像元”关系确定一训练数据，其中所述训练数据中的“像元”为标签，“图”对应的特征层作为特征数据。
[0018]进一步的，构建所述训练数据的方法为：
[0019]11)将根据每一“图
‑
像元”关系确定的训练数据中的“像元”对应的被动微波土壤水分产品影像下采样，得到低分辨率的被动微波土壤水分产品影像；
[0020]12)将低分辨率的被动微波土壤水分产品影像中的每个像元进行复制扩充，再次得到与被动微波土壤水分产品影像相同分辨率的影像；
[0021]13)将“像元”对应的被动微波土壤水分产品影像与步骤12)得到的影像进行相减，得到ΔSM影像，并以此作为训练数据的标签；
[0022]14)将“图
‑
像元”关系确定的训练数据中的“图”对应的辅助数据影像分别重采样，得到被动微波土壤水分产品影像的分辨率下的辅助数据影像T和所述低分辨率下的辅助数据影像t；
[0023]15)将辅助数据影像t进行复制扩充，使其分辨率与辅助数据影像T分辨率相同；
[0024]16)将步骤15)处理后的辅助数据影像t中的像元设置权重生成对应的特征层，作
为特征数据。
[0025]进一步的，利用第i张被动微波土壤水分产品影像前后相邻的共n张被动微波土壤水分产品影像，对该第i张被动微波土壤水分产品影像进行空值点消除。
[0026]进一步的，依据被动微波土壤水分产品影像随时间变化的快慢确定n值；对于第i张被动微波土壤水分产品影像的每一空值点，取该n张被动微波土壤水分产品影像中该空值点位置对应的像元平均值，作为第i张被动微波土壤水分产品影像中该空值点位置的像元值。
[0027]进一步的，利用所述训练数据对C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二维卷积神经网络的土壤水分产品降尺度方法，其步骤包括：1)获取目标区域的被动微波土壤水分产品影像以及相应的辅助数据影像；并建立辅助数据影像与被动微波土壤水分产品影像之间的对应关系；2)根据所述对应关系，构建训练数据；然后利用所述训练数据对CNN网络进行训练；3)利用训练后的CNN网络对该目标区域的待处理被动微波土壤水分产品影像进行降尺度处理，得到目标降尺度产品。2.如权利要求1所述的方法，其特征在于，建立辅助数据影像与被动微波土壤水分产品影像之间的对应关系的方法为：首先将辅助数据影像重采样到被动微波土壤水分产品影像的空间分辨率，使得辅助数据影像的像元与被动微波土壤水分产品影像的像元一一对应；设置一个大小为m
×
m的窗口，用以裁剪辅助数据影像，其中m为奇数；然后取辅助数据影像每一窗口作为“图”，将该“图”的中心像元所对应的被动微波土壤水分产品影像作为“像元”，以此建立起“图
‑
像元”的关系作为所述对应关系。3.如权利要求2所述的方法，其特征在于，空间变异性越大的地区对应的被动微波土壤水分产品影像所采用的窗口越大；对于辅助数据影像边缘的像元，在该辅助数据影像边缘周围引入新的像元，并将新像元的值都设为该辅助数据影像中所有像元的平均值；然后对辅助数据影像边缘的像元进行裁剪。4.如权利要求3所述的方法，其特征在于，对引入新像元后的辅助数据影像设置一权重层，该权重层中该辅助数据影像的原始像元权重设为H，引入的新像元的权重为h；其中H大于h；然后将该权重层与引入新像元后的辅助数据影像组合在一起，作为特征层。5.如权利要求4所述的方法，其特征在于，构建所述训练数据的方法为：根据每一“图
‑
像元”关系确定一训练数据，其中所述训练数据中的“像元”为标签，“图”对应的特征层作为特征数据。6.如权利要求5所述的方法，其特征在于，构建所述训练数据的方法为：11)将根据每一“图
‑
像元”关系确定的训练数据中的“像元”对应的被动微波土壤水分产品影像下采样，得到低分辨率的被动微波土壤...

【专利技术属性】
技术研发人员：秦其明，许伟，张兆旭，吴自华，赵聪，龙泽昊，
申请(专利权)人：北京大学，
类型：发明
国别省市：