【技术实现步骤摘要】
本专利技术涉及定量遥感技术，具体涉及一种modis积雪面积产品缺失信息时空重建方法。
技术介绍
1、目前，随着“大数据时代”的到来以及数据密集型科学发现第四范式的确立，基于数据驱动的机器学习(包括深度学习)技术已成为地球系统科学数据挖掘与知识发现的重要工具。传统的机器学习算法，如人工神经网络(ann)、支持向量机(svm)、随机森林(rf)以及极限梯度提升算法(xgboost)等已被广泛应用于局部、区域以及全球尺度上的积雪覆盖信息估算研究。已有研究表明，机器学习算法可以方便地引入各种辅助信息，替代经验、半经验以及基于物理的积雪信息反演模型，更好地描述遥感观测、辅助环境因子与积雪变量之间的非线性关系，获得更准确的积雪信息估计。深度学习使用相互连接的神经元网络直接从大量数据中学习复杂的非线性动态响应，为更准确、更全面地量化和建模积雪覆盖信息时空动态演变提供前所未有的新机会。深度学习通过在模型中添加更多的“深度”(复杂性)以及分层特征表示/学习来实现对复杂数据从低级到高级的自动特征抽象，在大数据知识挖掘中独占鳌头。近年来，已有学者将卷积神经网络(cnn)、深度置信网络(dbn)以及长短时记忆网络(lstm)等深度学习技术应用于积雪信息遥感反演研究，结果证实深度学习在积雪信息时空建模中较传统机器学习有显著的优势。
2、由于大气干扰、随机误差、传感器故障等因素，modis积雪面积产品中通常存在近乎一半的信息缺失，大量研究表明modis积雪覆盖产品中云遮挡造成的数据缺失在39-70％之间，使得在所有天气条件下，modis逐日积雪
技术实现思路
1、本专利技术的主要目的在于提供一种modis积雪面积产品缺失信息时空重建方法，以改进现有modis积雪面积产品缺失信息重建方法的不足，达到高精度、高可靠、高可用的目的。。
2、本专利技术采用的技术方案是：一种modis积雪面积产品缺失信息时空重建方法，包括：
3、s1，对上午星terra/modis和下午星aqua/modis积雪面积产品的逐日合成，合成时为terra/modis积雪面积产品赋予更高的优先级；
4、s2，对逐日合成后的modis积雪面积产品进行临近时间滤波，利用线性或非线性插值法对前后临近时间均有有效信息的缺失像元积雪覆盖情况进行估算；
5、s3，基于样本的质量和数量同样重要的原则，从样本量、样本的多样性、准确性及平衡性这些维度出发，采用分层分类和掩膜方法，选择有代表性影像块，
6、生成训练样本；
7、s4，构建基于部分卷积的端到端式u-net网络模型的缺失信息重建模型，从有效像元中逐层抽象积雪覆盖特征，利用学习到的特征，对缺失像元的积雪覆盖情况进行预测；
8、s5，将待重建modis积雪面积产品缺失信息的区域划分为有重叠区域的影像块，利用所构建的pu-net积雪面积缺失信息重建模型应用于每个影像块，并使用边缘重叠的图像融合方法拼接所有影像块，得到区域尺度上时空连续的modis积雪面积产品。
9、进一步地，所述步骤s1包括：
10、对modis双星，包括terra/modis和aqua/modis积雪面积产品的逐日合成，合成的规则如下：
11、
12、当terra/modis是有效像元时，取其值；
13、当terra/modis是缺失像元而aqua/modis是有效像元时，取aqua/modis的像元值；
14、其中，(x,y)是像元s的行列号，t是像元s的时间索引，st和sa分别代表terra/modis和aqua/modis积雪面积产品像元。
15、更进一步地，所述步骤s2包括：
16、对缺失像元前、后三天的地表覆盖信息进行线性或非线性拟合，估算缺失像元的积雪覆盖情况，方法如下：
17、s(x,y,t)＝f([s(x,y,t-3),s(x,y,t-2),s(x,y,t-1),s(x,y,t+1),s(x,y,t+2),s(x,y,t+3)])
18、其中，s(x,y,t-3),s(x,y,t-2),s(x,y,t-1)中至少两天有有效像元，s(x,y,t+1),s(x,y,t+2),s(x,y,t+3)中至少两天有有效像元，f(·)表示线性或非线性拟合。
19、更进一步地，所述步骤s3包括：
20、将待重建区域按32km×32km的渔网切片；
21、其次，以森林覆盖度、地表起伏度和地理位置为特征向量，利用ward凝聚层次聚类算法将待重建区域划分为一般区域、林区以及复杂山区3个子区域，在每个子区域上，对影像块的地表覆盖类型、地表起伏度、地形等特征进行统计分析，筛选出每个二级子区域上有代表性的影像块；
22、再次，遍历代表性影像块的时间序列，选出无信息缺失的影像块，按影像块中积雪覆盖比0-10％，10-20％，…，90-100％排序，从每种范围内选择一定数量的影像块，以保持样本的分布平衡，作为目标样本影像块ti(i＝1,2,…n)；
23、最后，随机选择有缺失信息的影像块，利用缺失信息对筛选出的目标样本影像块进行掩膜，得到模拟的有信息缺失的不完整影像块ti'；提取无信息缺失目标样本影像块前后n天对应的影像块，并与模拟的不完整影像块组成时空影像块组pi(i＝1,2,…n)，作为属性信息，无信息缺失的目标影像块ti作为参考真值，形成训练样本。
24、更进一步地，所述步骤s4包括：
25、构建基于部分卷积的端到端式u-net网络模型的缺失信息重建模型，搭建的pu-net包含四层编码层和四层解码层；每个编码层包含一层部分卷积操作，一次掩膜更新操作，以及一次批标准化操作；每个部分卷积层的卷积核大小为3×3，步长为2，激活函数为relu；pu-net使用的优化器为adam；
26、pu-net使用的损失函数包含三部分：掩膜内损失lin，掩膜外损失lout，以及掩膜边缘损失lmb；lin表示重建的modis积雪面积和modis参本文档来自技高网...
【技术保护点】
1.一种MODIS积雪面积产品缺失信息时空重建方法，其特征在于，包括：
2.根据权利要求1所述的MODIS积雪面积产品缺失信息时空重建方法，其特征在于，所述步骤S1包括：
3.根据权利要求1所述的MODIS积雪面积产品缺失信息时空重建方法，其特征在于，所述步骤S2包括：
4.根据权利要求1所述的MODIS积雪面积产品缺失信息时空重建方法，其特征在于，所述步骤S3包括：
5.根据权利要求1所述的MODIS积雪面积产品缺失信息时空重建方法，其特征在于，所述步骤S4包括：
6.根据权利要求1所述的MODIS积雪面积产品缺失信息时空重建方法，其特征在于，所述步骤S5包括：
【技术特征摘要】
1.一种modis积雪面积产品缺失信息时空重建方法，其特征在于，包括：
2.根据权利要求1所述的modis积雪面积产品缺失信息时空重建方法，其特征在于，所述步骤s1包括：
3.根据权利要求1所述的modis积雪面积产品缺失信息时空重建方法，其特征在于，所述步骤s2包括：
4.根据...
【专利技术属性】
技术研发人员：黄春林，侯金亮，邢德，张莹，
申请(专利权)人：中国科学院西北生态环境资源研究院，
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。