【技术实现步骤摘要】
基于深度神经网络的MODIS LAI产品数据并行优化方法
[0001]本专利技术涉及遥感影像分类
，具体涉及基于深度神经网络的MODIS LAI产品数据并行优化方法。
技术介绍
[0002]目前卫星遥感技术已被证明是监测区域和半球/全球尺度LAI时空变化的有效和可靠的方法。遥感的快速发展为大范围LAI反演提供了有效的技术途径，地表遥感应用可以提供从局部区域到全球范围、实时、动态和同步的监测，并且极大减少了数据采集中的人力、物力成本，为不同尺度下叶面积指数的估算提供了重要依据。近年来，基于AVHRR、VEGETATION、MODIS、MISR等传感器数据生产了多个全球LAI产品。常用的LAI遥感产品包括MODIS LAI、GLASS LAI、CYCLOPES LAI产品等。其中多项研究表明MODIS LAI产品作为成熟的大尺度LAI数据，其数据稳定性更好，精度更高，能够获取全球大部分地区大范围、多时相的LAI分布。但是，由于植被生长、地表异质性、影像数据等方面的不同，它在应用到特定区域时，也会出现明显的低估或者高估现象。国内外学者对MODIS LAI产品的验证进行了一系列研究，青海湖流域LAI验证中，MODIS LAI产品对高寒草甸低估了10％，对草原高估了9％，对亚高山灌丛高估了51％。通过验证锡林郭勒地区MODIS LAI发现，研究区的MODIS LAI产品(即MOD15A2)被高估约为25％。多项研究证明MODIS LAI产品普遍存在上述问题，尤其在植被环境差异较大的地区，这些偏差问题表现更加明显。>[0003]目前，国内外学者对MODIS LAI产品进行了真实性检验与偏差分析，例如付立哲提出的MODIS_LAI产品真实性检验与偏差分析，但对于MODIS LAI产品存在的不确定性问题改进的研究很少。部分学者使用实测LAI与Landsat反射率数据建立经验模型进行高分辨率影像的LAI反演，随后将Landsat LAI结果重采样至MODIS尺度实现对MODIS LAI的验证与修正。但该方法更侧重于MODIS LAI产品的真实性验证，不适合大尺度的MODIS LAI的改进与修正。数据同化技术是一种可以同时结合多源数据与长时间序列数据实时获取叶面积指数的技术，基于几何卡尔曼滤波与LAI多年变化数据利用数据同化方法能够实时地估计叶面积指数，从而解决生长季节MODIS LAI缺失的问题，例如廖嫣然提出尺度效应的叶面积指数产品真实性检验方法。基于时间序列LAI能够对MODIS LAI缺失进行补充，多时序MODIS数据可以获取多角度及时序观测信息，可以用来修正观测几何条件差异所导致的辐射信号不确定性，提高MODIS LAI精度。以上研究都是从数据机理方面进行补充校正，利用植被叶面积指数的变化规律能够对缺失数据进行填补。但对于复杂地区MODIS LAI的不确定性是长期存在的，即利用LAI时序规律无法完全解决MODIS LAI本身所存在的质量问题，需要从产品生成过程中的本质问题入手。有研究表明MODIS LAI的质量问题主要与其生成过程中的不确定性因素有关，其中影响MODIS LAI产品质量的因素主要有3个方面，一是地表分类数据的不确定性，二是地表反射率数据的不确定性，三是查找表(LUT)反演算法的不确定性。目前，MODIS LAI产品中的不确定性已得到分析与证实，但对产品的具体质量问题的讨论与改进甚少。
[0004]随着PROSAIL辐射传输模型的发展以及深度学习方法在参数预测方面的有效应用，这为MODIS LAI产品的改进提供了可能。MODIS LAI产品的获取本质上是基于物理模型与LUT的反演过程，但由于数据、模型、算法三个方面存在不确定因素的影响，导致产品存在一定质量问题。
[0005]因此，提供基于深度神经网络的MODIS LAI产品数据并行优化方法，以解决上述技术问题。
技术实现思路
[0006]本专利技术的目的是提供基于深度神经网络的MODIS LAI产品数据并行优化方法。本专利技术针对地区MODIS LAI产品进行验证分析，揭示该地区质量问题出现的规律，并采用最新发展的辐射传输模型PROSAIL与DNN深度学习网络对MODIS LAI进行改进，以获得更高精度的LAI产品数据，用于分析与评估植被的生长与变化。
[0007]MOD15A2H版本6中的组合叶面积指数(LAI)和光合有效辐射分数(FPAR)产品。其数据生成原理是基于三维传输模型生成模拟数据，利用MODIS传感器的地表反射率数据与植被分类数据反演得到的LAI数据，像素大小为500m，4天一个周期。其算法包括一个基于主算法查找表(LUT)的程序，利用MODIS RED和NIR表面反射的光谱信息对叶面积指数进行预测，当主算法失效时使用归一化植被指数(NDVI)与冠层LAI和FPAR之间的经验关系的备份算法进行计算。改进方法使用的PROSAIL与DNN耦合模型作为更优的技术能够对其生产过程中的数据、模型、算法进行有效的改进，解决其不确定性问题。
[0008]本专利技术的目的是这样实现的：基于深度神经网络的MODIS LAI产品数据并行优化方法，包括以下步骤：步骤S1、遥感数据获取与预处理：获取研究区域范围内的MODIS反射率遥感数据，针对数据进行大气校正、图像裁剪拼接、去云处理的预处理过程；在Google earth engine平台使用相关javescript语言进行MODIS的MOD09A1反射率产品与MOD15A2产品数据的获取、处理、导出，其中包括大气校正、区域裁剪拼接、图像融合、时序选择过程；根据数据格式在pycharm平台使用python语言进行数据的标准化与去云处理。通过数据预处理去除遥感影像中的大气影响与噪声数据，使影像接近真实地表，能够有效预测真实LAI结果。步骤S2、PROSAIL改进数据集构建：构建PROSAIL辐射传输模型，对PROSAIL辐射传输模型进行敏感性分析、参数率定、光谱重采样、光谱修正的过程获取改进的模拟数据集；在pycharm平台使用python语言引入prosail模型，由于模型参数较多，计算复杂，需要通过Monte Carlo方法对植被冠层的主要参数进行随机采样，使用EFAST方法对随机组合参数模拟数据进行全局敏感性分析，以确定参数重要性以确定参数范围；根据参数输入得到PROSAIL辐射传输模型模拟的光谱数据，利用多元线性回归方法对其进行修正得到改进数据，由此有效改进MODIS LAI产品反演中物理模型与数据差异问题。步骤S3、DNN深度神经网络模型构建：通过tensorflow框架建立针对一维光谱数据的DNN深度神经网络模型，能够有效挖掘光谱数据中的特征信息；DNN深度神经网络模型包含四个隐藏层和一个输出层，层与层
之间通过全连接结构建立不同波段信息之间的权重连接；根据光谱数据和网络结构的特点，每一个隐藏层中会采用relu或softsign激活函数对光谱特征进行非线性拟合，由于网络模型较简单，单一的激活函数会使得拟合过程受激活函数影响较大；输出层采用linear激活函数对LAI预测结果与标签进行线性修本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于深度神经网络的MODIS LAI产品数据并行优化方法，其特征在于：包括以下步骤：步骤S1、遥感数据获取与预处理：获取研究区域范围内的MODIS反射率遥感数据，针对数据进行大气校正、图像裁剪拼接、去云处理的预处理过程；在Google earth engine平台使用相关javescript语言进行MODIS的MOD09A1反射率产品与MOD15A2产品数据的获取、处理、导出，其中包括大气校正、区域裁剪拼接、图像融合、时序选择过程；根据数据格式在pycharm平台使用python语言进行数据的标准化与去云处理；通过数据预处理去除遥感影像中的大气影响与噪声数据，使影像接近真实地表，能够有效预测真实LAI结果；步骤S2、PROSAIL改进数据集构建：构建PROSAIL辐射传输模型，对PROSAIL辐射传输模型进行敏感性分析、参数率定、光谱重采样、光谱修正的过程获取改进的模拟数据集；在pycharm平台使用python语言引入prosail模型，由于模型参数较多，计算复杂，需要通过Monte Carlo方法对植被冠层的主要参数进行随机采样，使用EFAST方法对随机组合参数模拟数据进行全局敏感性分析，以确定参数重要性以确定参数范围；根据参数输入得到PROSAIL辐射传输模型模拟的光谱数据，利用多元线性回归方法对其进行修正得到改进数据，由此有效改进MODIS LAI产品反演中物理模型与数据差异问题；步骤S3、DNN深度神经网络模型构建：通过tensorflow框架建立针对一维光谱数据的DNN深度神经网络模型，能够有效挖掘光谱数据中的特征信息；DNN深度神经网络模型包含四个隐藏层和一个输出层，层与层之间通过全连接结构建立不同波段信息之间的权重连接；根据光谱数据和网络结构的特点，每一个隐藏层中会采用relu或softsign激活函数对光谱特征进行非线性拟合，由于网络模型较简单，单一的激活函数会使得拟合过程受激活函数影响较大；输出层采用linear激活函数对LAI预测结果与标签进行线性修正；每一个网络层之前需经过batchnorm层对特征数据进行标准化处理，避免样本噪声导致DNN深度神经网络模型向错误方向更新，能够提高模型的稳健性；DNN网络有效提高产品中LUT算法的拟合能力，改进MODIS LAI反演中的算法不确定性；通过步骤S1、步骤S2与步骤S3方法分别对MODIS LAI产品中的数据、模型、算法不确定性进行改进，从而得到改进的MODIS LAI产品；步骤S4、改进模型并行训练与预测：结合步骤S1、步骤S2与步骤S3方法进行耦合，针对所在研究区域生成模拟PROSAIL数据并进行处理后输入DNN深度神经网络模型中进行模型训练，最终输入研究区域遥感影像进行LAI的反演预测，获取改进的MODIS LAI数据；使用改进MODIS LAI数据对网络模型进行训练，搜索最优模型参数，最优模型参数包括学习率、神经元大小、激活函数类型、机器学习模型相关参数，得到预训练的最优模型进行不同时间地区的改进MODIS LAI结果,模型训练过程中采用并行技术，提高模型训练效果。2.根据权利要求1所述的基于深度神经网络的MODIS LAI产品数据并行优化方法，其特征在于：所述步骤S1的具体过程如下：通过Google earth engine平台获取研究区域内的MODIS反射率数据与MODIS LAI产品用于产品的分析与处理；再获取MODIS平台的原始数据后需进行预处理工作；MODIS反射率
数据采用MOD09A1产品，地表反射率数据集提供了500米空间分辨率的地表反射率影像，地表反射率数据集包括7个波段，其中的红外波段、近红外波段和蓝光波段，能有效地描述地表植被生长状况；同时每8天能够获取全球地表反射数据，针对相关实地采集数据选取对应时间范围的影像数据进行获取与处理，以便进行本发明的有效验证过程；通过平台导入研究区域的矢量文件作为范围对MOD09A1数据进行裁剪，对影像1
‑
7波段进行叠加后导出为带有空间坐标信息的tif文件格式；同样的MODIS的叶面积指数产品使用MOD15A2H数据中的LAI波段以及质量控制波段，通过GEE平台进行获取、裁剪、拼接与导出；MOD15A2H作为LAI标签数据，其像元与MOD09A1像元一一对应，代表该产品在所在位置的植被LAI值，反射率数据与对应LAI数据作为对应的遥感特征与标签；MOD09A1遥感数据获取后需进行预处理工作，由于不同地区大气环境的影响，导致遥感传感器采集的地表反射率标准有所差异，需要进行统一的大气校正处理以得到真实地表反射；大气校正基于GEE平台提供的大气校正标准，根据所在时间的大气状况对影响进行校正处理，得到受大气影响较小的数据；由于获取的数据DN值非0～1范围内，需要进行标准化处理以使得数据值在同一标准水平，保证训练结果的可靠性；式中，μ表示均值，σ表示方差，x
i
为标准化前的数值，x
n
为标准化后的数值；MOD15A2H中的质量控制波段是提供各个像元LAI在计算过程中所存在的部分质量问题，其中该产品提供的质量控制分类通过二进制编码锁定，需要进行解码分类，划分为受饱和响应影响、因地表覆盖分类未检索、受云层遮挡影响以及质量较好未受影响四类不同的质量分类；根据不同质量问题对MODIS LAI质量进行分析，确定其产生原因以及改进方法；同时后续筛选质量好的像元构建优质训练数据集进行改进方法的训练与验证；每幅影像存在一定程度的云层遮挡问题，本发明以月为单位采用去云处理方法去除影像中的云层遮挡；完成影像数据预处理工作后，依据所附属的影像质量文件，从影像中提取质量好的像元作为补充数据；在月尺度上获取每个月内不同时间的MODIS影像，通过云层检测方法确定各个像元位置在每个时刻像元是否云层覆盖，如存在某一时刻影像在该位置像元不存在云层遮挡则保留该像元值，最终通过判断择优保留不存在云层遮挡的像元，输出结果代表该月度的MODIS影像进行LAI预测。3.根据权利要求1所述的基于深度神经网络的MODIS LAI产品数据并行优化方法，其特征在于：所述步骤S2的具体过程如下：PROSAIL辐射传输模型：采用的PROSAIL辐射传输模型是一种耦合PROSPECT
‑
5B叶片模型和SAILH冠层结构模型的辐射传输模型；其中PROSPECT
‑
5B通过叶片结构和生化参数模拟各种绿色单子叶和双子叶植物以及衰老叶片在400nm至2500nm太阳光谱范围内的反射和透射；PROSPECT
‑
5B模型包括5个结构和生化化学参数组成，分别是叶片结构参数(N)、叶绿素含量(Cab)、类胡萝卜素含量(Car)、干物质含量(Cm)和叶片等效厚度(Cw)；模型参数输入后模拟计算得到的叶片光谱信息...
【专利技术属性】
技术研发人员：赫晓慧，乔梦佳，李盼乐，程淅杰，张乐涵，田智慧，高亚军，刘飞，
申请(专利权)人：郑州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。