一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法技术

本发明专利技术提供一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法。首先统一多源遥感监测数据的时空分辨率并将其作为输入特征，将地面通量站点观测的陆地蒸散发作为训练目标；通过注意力机制融合特征，然后经空间、时间编码器提取高维深度特征和时序特征；再由解码器解码，将解码的特征和高维深度特征进行残差拼接得到最终输出。本发明专利技术能够精确拟合多源特征参数与陆地蒸散发之间的复杂非线性时空关系，生成全球连续多年陆地蒸散发数据集。通过评估该数据集和7个广泛使用的陆地蒸散发数据集的性能，表明该模型具有出色的回归预测能力和泛化能力，由模型反演得到的陆地蒸散发数据集，其精度和不确定性优于其他7个陆地蒸散发数据集。数据集。数据集。

【技术实现步骤摘要】
一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法


[0001]本专利技术属于遥感反演估算领域，涉及一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法。

技术介绍

[0002]陆地蒸散发是水通过蒸发和蒸腾作用从陆地表面流向大气的所有过程的总和，主要包括植被叶片内部的蒸腾作用、裸露土壤的蒸发、冠层截留降水的蒸发以及陆地水体、冰雪覆盖表面的蒸发。陆地蒸散发在全球生态系统水循环、碳循环、能量循环中承担着重要的连接作用，陆地表面吸收的太阳能量有一半以上用于蒸散发，蒸散发将大约60%的降水返回大气。气候变化将加剧水文循环并改变陆地蒸散发，从而影响生态系统对全球气候的反馈。准确估计蒸散量的时空分布对于理解全球陆地水循环、碳循环、能量循环和环境变化至关重要。全球陆地表面空间尺度大，地形、气候千差万别，土壤、植被种类各异，土地覆盖类型多变，全球陆地蒸散发估算表现出很大的差异和不确定性，准确估计其时空变化仍然具有挑战性。
[0003]按照模型驱动力可以将陆地蒸散发遥感估算方法归为基于过程驱动方法和基于数据驱动方法两大类。基于过程驱动方法有坚实的理论基础，可以有效地表示从环境参数到遥感观测的形成过程，这类模型在很大程度上依赖模型参数的先验知识。由于物理过程的高度复杂性，这种先验知识具有很大的不确定性，在不同时期和区域可能有所不同，导致模型准确性有限。基于数据驱动方法是指由观测通量或已有的蒸散发产品及与其密切相关的特征参量等数据驱动，建立数据之间的关系来获取蒸散发估算的方法。机器学习算法可以精确拟合地表参数和陆地蒸散发的复杂非线性关系，捕捉地表参数和陆地蒸散发之间的潜在关联，具有良好的数据自适应性、出色的分类回归预测能力和预测精度，在遥感反演估算领域具有巨大的潜力。
[0004]涡度相关技术在地面通量站点上提供了碳、水和能量通量的直接、连续和精确的观测，是在生态尺度上揭示陆地生物圈和大气之间相互作用的最有效方法。目前已经建立了区域和全球范围的通量观测网络，几乎覆盖了地球上每一种具有代表性的陆地生态系统。将基于地面通量站点观测数据和遥感卫星反演数据与通量方程相结合，为估算全球连续多年的陆地蒸散发提供了可能。目前已经出现许多使用机器学习方法来估算全球陆地蒸散发，比如支持向量机（SVM）、广义回归神经网络（GRNN）、随机森林（RF）、集成树算法（MTE）、长短期记忆效应（LSTM）等。特征参数和陆地蒸散发的非线性关系在全球机器学习模型中得到了充分的建模，但特征参数和陆地蒸散发的关系在时空上还存在相关性和变异性，现有的估算陆地蒸散发算法很少将时序特征和空间地理特征同时作为模型训练的依据，不能同时解决非线性、时间和空间变化的问题。

技术实现思路

[0005]为了分析近三十年全球陆地蒸散发的时空格局和变化规律，本专利技术提出一种深度
时空编解码网络（Deep SpatialTemporal encoder
‑
decoder network，以下简称DST），基于深度学习卷积神经网络的特征提取能力和循环神经网络的时间建模能力，建立遥感卫星数据、气象数据以及土壤、植被等多源特征参数与陆地蒸散发之间的复杂非线性时空关系，生成全球连续多年的陆地蒸散发数据集。并评估和比较该数据集和7个广泛使用的陆地蒸散发数据集的性能。
[0006]本专利技术所采用的技术方案是：一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法，其特征在于，包括以下步骤：
[0007]步骤1：将全球连续多年的特征参数序列样本作为输入特征，将全球连续多年的陆地蒸散发作为训练目标。首先通过数据预处理，将与陆地蒸散发相关的多源遥感监测数据处理成时空分辨率一致的数据，生成全球尺度连续多年的特征参数序列样本集合。然后将地面通量站点观测数据拆分为训练样本集合和验证样本集合，用于调整和评估DST模型参数。
[0008]步骤2：DST模型通过输入多维特征参数序列样本进行训练。将多维特征参数序列样本集合看作多维特征子空间，通过注意力机制对各个特征子空间进行加权，实现多维特征信息筛选和融合，再对融合后的特征进行非线性变换和批量归一化变换，增强特征表达力。
[0009]步骤3：将步骤2的结果输入空间编码器。空间编码器是一个卷积模块，包含卷积操作、激活函数、门控结构和批量归一化变换，能够将输入特征中包含的地理临近效应纳入建模过程，较好保留空间结构、从局部到全局逐步提取和融合特征。空间编码器用于减小输入的高维特征，输出低维编码特征。
[0010]步骤4：将步骤3得到的低维编码特征作为时间编码器的输入。时间编码器是一种带有门控循环单元的循环神经网络（Gate Recurrent Unit，以下简称GRU），这种轻量级的时序网络结构，通过更新门和重置门选择性地存储和传递信息，从而有效地挖掘序列数据中的时序信息。
[0011]步骤5：解码器是一个反卷积模块。将步骤4的结果输入解码器，通过反卷积进行维度提升操作，经激活函数非线性变换后，通过跳跃连接和步骤3空间编码器中的特征进行残差拼接，然后经过门控结构和批量归一化变换，获得与模型输入具有相同维数的输出结果。
[0012]步骤6：空间编码器、时间编码器和解码器可以被看作输入层和输出层之间的几个隐藏层。计算损失函数，由反向传播算法实现模型参数优化，得到最终的DST模型。
[0013]步骤7：将全球尺度连续多年的特征参数序列样本集合输入步骤6的DST模型进行预测，得到全球尺度连续多年的陆地蒸散发数据集，用验证样本集合评估模型精度，并比较该陆地蒸散发数据集和7个广泛使用的陆地蒸散发数据集的性能。
附图说明
[0014]图1为本专利技术实施例的流程图；
[0015]图2为本专利技术实施例中7个常用陆地蒸散发数据集信息图；
[0016]图3为本专利技术实施例的全球陆地蒸散发产品和DST估算结果精度图；
[0017]图4为本专利技术实施例的DST估算结果在训练集和验证集的精度图；
[0018]图5为本专利技术实施例中DST全球陆地蒸散发多年异常折线图；
[0019]图6为本专利技术实施例中DST全球陆地蒸散发纬度分布折线图；
[0020]图7为本专利技术实施例中DST全球陆地蒸散发变化趋势折线图；
具体实施方式
[0021]下面将结合附图对本专利技术作进一步的详细描述，所描述的实例仅旨在便于对本专利技术的理解，并不用于限定本专利技术。
[0022]本专利技术提供了一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法，利用卷积神经网络的特征提取能力和循环神经网络的时间建模能力，将全球连续多年的特征参数序列样本作为输入，将地表通量观测站点的陆地蒸散发观测值作为训练目标。请见图1，特征参数序列样本输入DST模型后，首先经过注意力机制进行特征融合，然后被空间编码器编码为高维深度特征，经时间编码器提取时序特征后，再由解码器解码，最后将经过解码器解码的特征和经过空间编码器编码的特征通过跳跃连接进行残差拼接，得到最终输出。本专利技术实施例的具体步骤如下：
[0023]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法，其特征在于如下步骤：步骤1：构建一种深度时空编解码网络，该网络将门控循环单元作为卷积编解码网络的中间层，引入注意力机制、空洞卷积和残差连接，提取数据中的非线性、时间和空间特征。步骤2：将时序特征和空间地理特征同时作为建立遥感特征参数和陆地蒸散发之间复杂非线性关系的依据，生成全球连续多年具有高分辨率、高精度、低不确定性的陆地蒸散发数据集。2.根据权利要求1所述的基于深度时空编解码网络的陆地蒸散发遥感估算的方法，其特征在于，步骤1进一步包括：所述方法构建了一种深度时空编解码网络，在卷积编解码网络的基础上引入注意力机制、空洞卷积、门控循环单元和残差连接，将空间地理特征、时序特征、地表属性特征纳入建模和预测过程。具体流程如下:(1)将与陆地蒸散发相关的多源遥感监测数据处理成时空分辨率一致的数据，生成全球尺度连续多年的特征参数序列样本集合。(2)将地面通量站点观测数据拆分为训练样本集合和验证样本集合。(3)训练样本集合输...

【专利技术属性】
技术研发人员：周贵云，赵蓉，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：