一种深度迁移学习估算大区域小麦植被覆盖度方法和系统技术方案

本发明专利技术提出一种深度迁移学习估算大区域小麦植被覆盖度方法和系统

【技术实现步骤摘要】
一种深度迁移学习估算大区域小麦植被覆盖度方法和系统


[0001]本专利技术属于植被覆盖度预估领域，尤其涉及一种深度迁移学习估算大区域小麦植被覆盖度方法和系统
。

技术介绍

[0002]小麦植被覆盖度
(fractional vegetation cover
，
FVC)
小麦覆盖度指的是发育期内小麦的冠层
、
枝叶在生长区域的垂直于地面的投影面积在研究统计区域面积的占比，它是描述地表作物分布随时间变化的重要指标，能够反映作物蒸腾作用和光合作用和作物发育过程中的动态变化，分析小麦分布的影响因素，是指示小麦生长发育和生物量的一个重要参数
。
[0003]FVC
的测量方法可以分为两类：一类传统的实地测量方法；另一类是基于遥感反演的
FVC
测量方法
。
其中，实地测量方法需要消耗大量人力和时间，不适合大面积小麦的植被覆盖度估算
。FVC
遥感反演方法分为四类：回归分析法
、
基于像元尺度分解法
、
基于物理模型的方法和机器学习方法已有研究通过辐射传输模型来模拟植被冠层反射率与
FVC
之间的物理关系
。
但是辐射传输模型的复杂性以及反演过程的不适定性，使得
FVC
的直接反演非常困难，通常还需要利用查找表或机器学习方法
(
比如：如神经网络
、
支持向量机
、
决策树和随机森林
)
来进行间接反演
。
[0004]基于机器学习进行
FVC
反演建模，其估算精度及健壮性受不同机器学习算法本身的特点有不同的限制性
。
另外，训练数据选取对此类方法反演精度影响较大，物理模型模拟的数据理论上可以模拟复杂的地表覆盖情况，但是物理模型本身的精度仍然会影响模拟样本的准确性；而野外实测数据大量获取较为困难，难以获得大量具代表性的实测样本，总体来说在大面积上实现准确的小麦覆盖度反演较为困难
。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种深度迁移学习估算大区域小麦植被覆盖度方法的技术方案，以解决上述技术问题
。
[0006]本专利技术第一方面公开了一种深度迁移学习估算大区域小麦植被覆盖度方法，所述方法包括：
[0007]步骤
S1、
收集研究区域卫星数据
、
实测小麦植被覆盖度数据
、PROSAIL
模型输入参数数据，全球土壤反射率数据；挑选与研究区的土壤光谱角在预定义范围的土壤反射率数据；
[0008]步骤
S2、
以
PROSAIL
模型输入参数数据和挑选的土壤反射率数据为
PROSAIL
模型输入，生成目标卫星对应波段的模拟反射率数据，使用
LAI
和
ALA
的间隙函数计算模拟数据标签，得到模型预训练的模拟训练数据集；
[0009]步骤
S3、
根据地面实测点对应影像上提取的小麦光谱，使用最大似然距离，对所述模拟训练数据集进行采样；
[0010]步骤
S4、
应用采样后的模拟训练数据集预训练基础的小麦植被覆盖度估算模型，然后冻结估算模型的网络的结构；
[0011]步骤
S5、
以研究区域卫星数据和实测小麦植被覆盖度测量数据作为目标域中实际训练数据集，进一步通过误差反向传播算法微调估算模型的网络的参数；
[0012]步骤
S6、
调用微调后的估算模型，预测小麦植被覆盖度，使用地面的实测小麦植被覆盖度数据验证模型精度
。
[0013]根据本专利技术第一方面的方法，在所述步骤
S1
中，收集卫星数据的方法包括：
[0014]首先需要使用
Sen2cor
工具对收集到的
Sentinel
‑2卫星数据进行大气校正；选择蓝
、
绿
、
红和近红外波段的校正后的卫星数据，并进行波段合成；然后使用
Sen2cor
工具进行这一步的预处理，并导出成
ENVI
标准格式的文件；最后，在
ENVI
标准格式的文件中对卫星影像进行镶嵌和裁剪的操作，提取研究区域的影像数据
。
[0015]根据本专利技术第一方面的方法，在所述步骤
S1
中，设置
PROSAIL
模型输入参数数据的方法包括：
[0016]参数
N
的值设置范围为1‑2；
[0017]参数
C
ab
的值设置范围为
20
‑
80
；
[0018]参数
C
brown
的值设置范围为0‑
0.5
；
[0019]参数
C
m
的值设置范围为
0.005
‑
0.015
；
[0020]参数
C
ar
的值设置范围为0；
[0021]参数
C
w
的值设置范围为
0.005
‑
0.015
；
[0022]参数
LAI
的值设置范围为0‑7；
[0023]参数
ALA
的值设置范围为
30
‑
70
；
[0024]参数
SZA
的值设置范围为
25
‑
55
；
[0025]参数
Hot
的值设置范围为
0.1
；
[0026]参数
VZA
的值设置范围为2和8；
[0027]参数
RAZ
的值设置范围为
100、180
和
280
；
[0028]其中，
N
表示结构参数，
C
ab
表示叶绿素含量，
C
brown
表示棕色素含量，
C
m
表示干物质含量，
C
ar
表示类胡萝卜素含量，
C
w
表示含水量，
LAI
表示叶面积指数，
ALA
表示平均叶倾角，
Hot
表示热点系数
(
叶子大小
/
宽度与冠层高度的比值
)
，
SZA
表示天顶角，
VZA
表示观测天顶角，
RAZ
表示
SZA...

【技术保护点】

【技术特征摘要】
1.
一种深度迁移学习估算大区域小麦植被覆盖度方法，其特征在于，所述方法包括：步骤
S1、
收集研究区域卫星数据
、
实测小麦植被覆盖度数据
、PROSAIL
模型输入参数数据，全球土壤反射率数据；挑选与研究区的土壤光谱角在预定义范围的土壤反射率数据；步骤
S2、
以
PROSAIL
模型输入参数数据和挑选的土壤反射率数据为
PROSAIL
模型输入，生成目标卫星对应波段的模拟反射率数据，使用
LAI
和
ALA
的间隙函数计算模拟数据标签，得到模型预训练的模拟训练数据集；步骤
S3、
根据地面实测点对应影像上提取的小麦光谱，使用最大似然距离，对所述模拟训练数据集进行采样；步骤
S4、
应用采样后的模拟训练数据集预训练基础的小麦植被覆盖度估算模型，然后冻结估算模型的网络的结构；步骤
S5、
以研究区域卫星数据和实测小麦植被覆盖度测量数据作为目标域中实际训练数据集，进一步通过误差反向传播算法微调估算模型的网络的参数；步骤
S6、
调用微调后的估算模型，预测小麦植被覆盖度，使用地面的实测小麦植被覆盖度数据验证模型精度
。2.
根据权利要求1所述的一种深度迁移学习估算大区域小麦植被覆盖度方法，其特征在于，在所述步骤
S1
中，收集卫星数据的方法包括：首先需要使用
Sen2cor
工具对收集到的
Sentinel
‑2卫星数据进行大气校正；选择蓝
、
绿
、
红和近红外波段的校正后的卫星数据，并进行波段合成；然后使用
Sen2cor
工具进行这一步的预处理，并导出成
ENVI
标准格式的文件；最后，在
ENVI
标准格式的文件中对卫星影像进行镶嵌和裁剪的操作，提取研究区域的影像数据
。3.
根据权利要求1所述的一种深度迁移学习估算大区域小麦植被覆盖度方法，其特征在于，在所述步骤
S1
中，设置
PROSAIL
模型输入参数数据的方法包括：参数
N
的值设置范围为1‑2；参数
C
ab
的值设置范围为
20
‑
80
；参数
C
brown
的值设置范围为0‑
0.5
；参数
C
m
的值设置范围为
0.005
‑
0.015
；参数
C
ar
的值设置范围为0；参数
C
w
的值设置范围为
0.005
‑
0.015
；参数
LAI
的值设置范围为0‑7；参数
ALA
的值设置范围为
30
‑
70
；参数
SZA
的值设置范围为
25
‑
55
；参数
Hot
的值设置范围为
0.1
；参数
VZA
的值设置范围为2和8；参数
RAZ
的值设置范围为
100、180
和
280
；其中，
N
表示结构参数，
C
ab
表示叶绿素含量，
C
brown
表示棕色素含量，
C
m
表示干物质含量，
C
ar
表示类胡萝卜素含量，
C
w
表示含水量，
LAI
表示叶面积指数，
ALA
表示平均叶倾角，
Hot
表示热点系数即叶子大小
/
宽度与冠层高度的比值，
SZA
表示天顶角，
VZA
表示观测天顶角，
RAZ
表示
SZA
与
VZA
间的相对方位角
。4.
...

【专利技术属性】
技术研发人员：李山山，陈勃，许殊，彭代亮，杨松林，吴业炜，陈俊，石璐，李宇，冯旭祥，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：