一种基于深度学习的全球陆地蒸散发时空融合的方法技术

本发明专利技术提供一种基于深度学习的全球陆地蒸散发时空融合的方法，首先整合多源蒸散发产品和地表特征，以加权平均蒸散发产品作为训练目标；通过注意力机制融合特征，再经过空间、时间编码器和解码器进行模型预训练；然后在预训练模型基础上，以通量站点观测数据作为训练目标，进行模型微调。本发明专利技术将空间地理特征、时序特征、地表属性特征纳入全球陆地蒸散发产品的融合过程，提供了一个全球高分辨率连续多年陆地蒸散发的基准产品，具有良好的数据自适应性和鲁棒性、出色的回归预测能力和较强的泛化能力，显著提升全球陆地蒸散发估算的精度，降低产品的不确定性。该模型还可以方便地应用于其他遥感、水文、气象数据的时空估算和融合。气象数据的时空估算和融合。气象数据的时空估算和融合。

【技术实现步骤摘要】
一种基于深度学习的全球陆地蒸散发时空融合的方法


[0001]本专利技术属于遥感反演估算领域，涉及一种基于深度学习的全球陆地蒸散发时空融合的方法。

技术介绍

[0002]陆地蒸散发是陆地水分返回大气的主要途径，约相当于陆地降水量的三分之二，其方式主要包括植被蒸腾、土壤蒸发以及冠层截流蒸发。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。准确估计陆地蒸散发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。基于通量站点的观测提供了碳、水和能量通量的直接、精确和连续观测，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，但受限于通量站点的空间覆盖范围，而卫星衍生的全球陆地蒸散发产品由于复杂的反馈机制、地形和气候的异质性，表现出很大的差异和不确定性。
[0003]将基于地面通量站点和遥感卫星的观测系统与通量方程相结合，为估算多个时空尺度上的陆地蒸散发提供了可能。已有的文献和研究表明，全球陆地蒸散发产品在全球范围内表现出相对较好的一致性，但在区域范围内产生了显著差异。这些产品在空间和时间上具有很大不确定性，各自有自己的优势和局限性。与此同时，每种产品都能提供有价值的信息，但没有一种单独的全球陆地蒸散发产品能为所有生物群落提供最准确的估计值。这种情况在多种气候模式共存的地区更为明显。很自然地想到，可以将多种全球陆地蒸散发估算产品与地表通量站点观测相结合，并将陆地表面的特征作为辅助信息，建立具有全球陆地表面特征的多元时空融合模型，提供一个全球陆地蒸散发估算的基准产品，从而降低全球陆地蒸散发估算的不确定性。
[0004]深度学习算法可以精确拟合输入数据和给定目标之间的复杂非线性关系，提取多尺度、多层次的、受传感器类型和空间尺度等观测量影响较小的抽象特征，具有良好的数据自适应性和鲁棒性、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。自动编码器是深度学习中的重要组成部分，可以以无监督学习的方式学习数据编码，广泛应用于自然语言处理、语音信号处理和计算机视觉等领域。已有采用自动编码器模型的成功案例表明其在遥感领域具有前景。2015年有研究提出了一种基于稀疏自动编码器模型的水质评估方法，能够实现最佳识别率，适合未来的智能管理；2016年有研究将自动编码器模型引入到极化合成孔径雷达图像的地形分类中，并显著提高了分类精度；还有研究通过自动编码器模型识别地质灾害，发现自动编码器模型在效率和准确性方面优于最先进的分类器。总之，自动编码器模型适用于遥感领域高维数据的压缩和解缠任务。但在上述的卷积自动编码器模型中，中间层一般只起到特征传递的作用，即将编码器提取的空间抽象特征传递给解码器，对遥感图像在时序上前后相关特征的处理能力有限。

技术实现思路

[0005]本专利技术基于卷积自动编码器的特征提取能力和循环神经网络的时间建模能力，提
出一种基于深度学习的全球陆地蒸散发时空融合的方法，整合地面通量站点观测数据、遥感卫星衍生的全球陆地蒸散发产品、陆地表面属性的辅助信息，将空间地理特征、时序特征、地表属性特征等纳入全球陆地蒸散发的融合过程，建立一个时空融合模型（SpatioTemporal Fusion neural network model，以下简称STF）。实验结果表明，STF融合的全球陆地蒸散发产品，可以精确拟合特征参数与陆地蒸散发之间的复杂非线性关系，从多源数据中提取多尺度、多层次的、受传感器类型和空间尺度等观测量影响较小的抽象特征，具有良好的数据自适应性和鲁棒性、出色的分类回归预测能力和较强的泛化能力，显著提升了全球陆地蒸散发估算的精度，降低了产品的不确定性，提供了一个全球陆地蒸散发估算的基准产品。该模型可以方便有效地应用于其他遥感、水文、气象数据的时空估算和反演。
[0006]本专利技术所采用的技术方案是：一种基于深度学习的全球陆地蒸散发时空融合的方法。其特征在于，包括以下步骤：
[0007]步骤1：将不同的全球陆地蒸散发产品处理成时空分辨率一致的数据，分别根据简单平均方法和加权平均方法，生成两组全球尺度连续多年的陆地蒸散发产品。
[0008]步骤2：将与陆地蒸散发相关的多源陆地表面属性信息处理为同全球陆地蒸散发产品时空分辨率一致的数据，生成全球连续多年的地表属性辅助信息样本集合。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，用于多阶段训练、调整和评估STF模型参数。
[0009]步骤3：步骤3到步骤7为STF的预训练阶段。STF通过输入步骤3的训练样本集合进行预训练，将融合的全球尺度连续多年全球陆地蒸散发产品作为训练目标。地表属性辅助信息合被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，实现多维地表属性特征的筛选和融合，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。
[0010]步骤4：将步骤3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。
[0011]步骤5：将步骤4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。
[0012]步骤6：解码器是一个反卷积模块。将步骤5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4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。
[0013]步骤7：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。计算损失函数来测量模型预测值与训练目标之间的距离，将这个距离分数作为反馈信号，调整和更新各个隐藏层的权重。这个参数优化过程由反向传播算法实现。对于每个训练循环，损失分数随着权重的更新而降低。当输出尽可能接近训练网络的理想目标时，选择具有最小损失的STF模型。
[0014]步骤8：从步骤7获得预训练后的STF模型，将地面通量站点观测数据的训练集作为训练目标，进行模型微调。模型微调阶段与模型预训练阶段共享模型结构，即利用融合的全球陆地蒸散发产品预训练后的模型参数，来初始化模型微调阶段的模型，从而构建最终的STF模型。
[0015]步骤9：将地表属性辅助信息样本集合输入步骤8构建的STF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。
附图说明
[0016]图1为本专利技术实施例的流程图；
[0017]图2本专利技术实施例中应用的全球陆地蒸散发产品和两组融合产品信息图
[0018]图3为本专利技术实施例中应用的全球陆地蒸散发在站点的估算精度图
[0019]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的全球陆地蒸散发时空融合方法，其特征在于如下步骤：步骤1：将空间地理特征、时序特征、地表属性特征纳入全球陆地蒸散发的融合过程，提供一个全球陆地蒸散发估算的基准产品。步骤2：将多种全球陆地蒸散发估算产品和地表通量站点观测数据结合，以陆地表面特征作为辅助信息，利用全球陆地蒸散发样本集合对模型进行预训练，初始化模型参数。然后利用地表通量站点观测数据对模型进行微调，建立具有全球陆地表面特征的时空融合模型。2.根据权利要求1所述的基于深度学习的全球陆地蒸散发时空融合方法，其特征在于，步骤1进一步包括：所述融合方法基于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，在卷积自动编码网络的基础上引入注意力机制、门控循环单元、空洞卷积和残差连接，将空间地理特征、时序特征、地表属性特征纳入数据融合过程。具体流程如下:(1)将不同的全球陆地蒸散发产品处理成时空分辨率一致的数据，根据加权平均方法，生成全球连续多年的陆地蒸散发样本集合。(2)将多源陆地表面属性信息处理为同陆地蒸散发样本集合时空分辨率一致的数据，生成全球连...

【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：