【技术实现步骤摘要】
本专利技术属于遥感，特别涉及一种遥感图像去云的时空融合模型方法。
技术介绍
1、遥感技术在地球观测领域中起到了至关重要的作用，但其在实际应用中常常受到云层和雾霾的干扰。这些自然现象使得光学卫星图像中的地表信息被遮挡，特别是西南地区，从而影响了对地表的精确监测。为了解决这一问题，研究者们开发了多种云去除方法。
2、其中，深度学习技术近年来受到了广泛关注，因为它可以隐式地学习如何识别和去除图像中的云层。但是，仅依赖深度学习可能不足以处理所有的遮挡情况，特别是在标注数据有限的情况下。
3、因此，显式的云去除预处理步骤变得尤为重要，它不仅可以提高模型的鲁棒性，还可以帮助研究者更好地解释和理解模型的工作原理。
4、然而，由于云层的形态和密度各异，从薄雾到厚云，云去除仍然是遥感领域的一个技术挑战。成功解决遥感云去除问题将极大地提高卫星图像的清晰度和准确性，从而在农业、环境保护、城市规划、灾害应对、气候研究、军事、能源勘探、科学研究和商业应用等多个领域中发挥关键作用，推动各行各业的科技进步和创新。
5、为了应对这一挑战，研究者们采用了多种策略和技术。首先，多光谱和多极化技术被广泛应用于云检测和去除。这些技术可以捕捉到不同波长和极化状态下的地表和云层的反射信息，从而更准确地区分它们。此外，时间序列分析也是一种有效的方法，通过对连续的卫星图像进行分析，可以识别和去除短时间内出现的云层。
6、目前，与传统方法相结合的深度学习方法也逐渐受到关注。例如，结合卷积神经网络（cnn）和长短时记忆网
7、然而，云去除仍然难以有效的解决，这使得如何能够基于高效、准确的算法和技术，并结合大数据处理、计算机视觉和地理信息科学以实现遥感云去除效果是当前亟待解决的技术问题。
技术实现思路
1、本专利技术提供一种遥感图像去云的时空融合模型方法，方法较为精确地去除云的影响，以便对于卫星图像的清晰度和准确性进行评估。
2、方法包括以下步骤：
3、s101：基于多云观测的sentinel-2卫星、多云观测的sentinel-1卫星及多云观测的葵花8号卫星获取图像，并对图像进行预处理；
4、s102：构建uncrtaints模型，并对多云观测的sentinel-2卫星和sentinel-1卫星中预测无云图像，预测出无云图像的不确定性；
5、s103：构建第一时空融合模型，使用预测的无云图像作为预设图像，将两副多云的葵花8号图像作为未处理图像，基于第一时空融合模型得到无云且分辨率大于10m的sentinel-2图像，并解析分辨率2000m到10m的极限分辨率融合的效果；
6、s104：通过比较同一时间的sentinel-2图像，对预测结果进行评价。
7、进一步需要说明的是，步骤s101中，基于所述sentinel-2卫星分别获取t1时间的多云观测图像和t2时间观测的目标图像；
8、所述sentinel-1卫星获取图像的时间与t1时间相近，且图像为双极化c波段图像。
9、进一步需要说明的是，步骤s101中，所述葵花8号卫星获取图像的时间分别包括t1时间和t2时间。
10、进一步需要说明的是，步骤 s102中，使用的uncrtaints模型采用神经网络架构对多云观测的sentinel-2卫星和sentinel-1卫星无云图像时间序列映射到单个无云光学图像，并估计了预测的任意不确定性。
11、进一步需要说明的是，步骤 s102还包括：
12、调取uncrtaints模型训练集所使用的数据集，在数据集中定义多个每个感兴趣区域，且每个感兴趣区域均具有多个重复度量，每个感兴趣区域均在预设时间段内采集多副sentinel-2卫星、多云观测的sentinel-1卫星及多云观测的葵花8号卫星图像；所有图像的云覆盖率为50%。
13、进一步需要说明的是，方法中，图像包含双极化c波段sentinel-1卫星数据以及正射校正且具有亚像元级几何精校正后的1c级大气顶部反射率sentinel-2光学数据；将sentinel-1卫星数据和sentinel-2光学数据进行预处理。
14、进一步需要说明的是，方法中，预处理包括如下步骤：
15、定义每个波段分辨率重采样为10m，将图像被分割成256*256的尺寸；
16、定义sentinel-1卫星的图像边界，对热噪声进行去除，对辐射进行校准，实现正射校正，并进行分贝变换处理；
17、基于t1时间和t2时间的sentinel-2图像进行辐射定标和大气校正处理；
18、葵花8号卫星获取的图像进行如下预处理：大气校正，使用双三次卷积进行重采样到10m，将图像分割成256*256的尺寸。
19、进一步需要说明的是，所述数据集中，每个样本i由一对（xi，yi）组成，其中xi=[x1i，···，xti] 是包含云像素的大小 [t×cin×h×w] 的输入时间序列，yi是形状 [k×h×w]的目标无云图像；
20、t表示输入序列中的日期数量，cin和k表示输入和输出通道的数量，h×w表示图像的两个空间维度；
21、设置t=3，cin=15，k=13，h=w=256, sentinel-1卫星观测被用作附加输入；
22、将每个像素重构表示为，将相应的地面实况表示为，两个向量的维数均为k；
23、预测在l2损失的情况下进行监督：
24、
25、预测任意不确定性假设具有似然函数的参数噪声分布，使用负对数似然成本函数，将观测图像的似然性作为输入和分布参数的函数进行优化，对重建像素上的任意不确定性进行建模，该建模像素具有以预测值为中心的k变量正态分布，并具有正定协方差矩阵，继而将正定协方差矩阵定义为具有对角元素2=（,…，）的对角矩阵，对每个通道进行不同的方差预测，全协方差矩阵的对角项用作相应输出通道的任意不确定性预测。
26、进一步需要说明的是，方法中，第一时空融合模型利用偏最小二乘法回归方法，来实现多变量多元回归。
27、进一步需要说明的是，步骤s104之后，执行精度验证；
28、精度验证采用如下三个指标：决定系数r2、皮尔逊相关系数r、均方根误差rmse。
29、从以上技术方案可以看出，本专利技术具有以下优点：
30、本专利技术提供的遥感图像去云的时空融合模型方法中，首先进行数据收集与预处理，使用成对的双极化c波段sentinel-1雷达数据和正射校正且亚像元级几何精校正后的1c级大气顶部反射率sentinel-2光学数据数据，代入相关数据对uncrtaints深度学习模型进行训练和测试。再预处理同一本文档来自技高网...
【技术保护点】
1.一种遥感图像去云的时空融合模型方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的遥感图像去云的时空融合模型方法，其特征在于，步骤S101中，
3.根据权利要求1所述的遥感图像去云的时空融合模型方法，其特征在于，步骤S101中，
4.根据权利要求1所述的遥感图像去云的时空融合模型方法，其特征在于，步骤 S102中，使用的UnCRtainTS模型采用神经网络架构对多云观测的Sentinel-2卫星和Sentinel-1卫星无云图像时间序列映射到单个无云光学图像，并估计了预测的任意不确定性。
5.根据权利要求2所述的遥感图像去云的时空融合模型方法，其特征在于，步骤 S102还包括：
6.根据权利要求5所述的遥感图像去云的时空融合模型方法，其特征在于，方法中，图像包含双极化C波段Sentinel-1卫星数据以及正射校正且具有亚像元级几何精校正后的1C级大气顶部反射率Sentinel-2光学数据；
7.根据权利要求6所述的遥感图像去云的时空融合模型方法，其特征在于，方法中，预处理包括如下步骤：
<...【技术特征摘要】
1.一种遥感图像去云的时空融合模型方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的遥感图像去云的时空融合模型方法，其特征在于，步骤s101中，
3.根据权利要求1所述的遥感图像去云的时空融合模型方法，其特征在于，步骤s101中，
4.根据权利要求1所述的遥感图像去云的时空融合模型方法，其特征在于，步骤 s102中，使用的uncrtaints模型采用神经网络架构对多云观测的sentinel-2卫星和sentinel-1卫星无云图像时间序列映射到单个无云光学图像，并估计了预测的任意不确定性。
5.根据权利要求2所述的遥感图像去云的时空融合模型方法，其特征在于，步骤 s102还包括：
6.根据权利要求5所述的遥感图像去云的时空融合模型方法，其特征在于，方法中，图像包含双极化c波段sentin...
【专利技术属性】
技术研发人员：张文倩，全兴文，行敏锋，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。