【技术实现步骤摘要】
本专利技术涉及水资源遥感监测，特别涉及流域叶面积指数(lai)的重建方法。
技术介绍
1、叶面积指数(lai)是表征地表植被生长状态的重要指标，是开展流域水循环和能量循环模拟的基础参数。随着遥感技术的发展，现有技术中出现了一系列可通过遥感监测得到lai数据的产品，如modis、globmap等。但受限于遥感影像的非连续性，多数卫星监测的数据产品为合成产品，如modis发布的lai为8天合成产品，其难以直接应用于如流域水文过程分析或陆面过程模拟等更需要逐月或逐日的时空连续的流域lai数据的场景中。
2、为获取时空连续的lai数据序列，现有技术中提出了多种基于遥感监测产品的lai数据重建方法。如通过gansg和s-g联合滤波方法对modis的lai进行重建(huang a q,shenrp,di w l,et al.a methodology to reconstruct lai time series data basedon generative adversarial and improved savitzky-golay filter[j].internationaljournal ofapplied earth observations and geoinformation)；通过集合经验模式分解(eemd)对gimms的lai变化过程进行分析(yin yh,mad y,wu s h,et al.nonlinearvariations of forest leaf area index over china d
3、另一方面，随着水资源管理对气候变化和人类活动的水文效应的关注度不断提升，开展长时间序列的水文过程或陆面过程模拟成为愈发重要的研究手段，因此如何对长时间序列特别是无遥感监测时期下的时空连续的lai数据进行准确重建成为了亟待解决的问题。
技术实现思路
1、针对现有技术的缺陷，本专利技术的目的在于提出一种基于深度学习的无遥感监测期流域叶面积指数的重建方法，该方法可基于流域已有的lai遥感监测数据，通过深度学习及s-g滤波算法获得流域在无遥感监测时期下的长序列的lai逐日数据。
2、本专利技术的技术方案如下：
3、基于深度学习的无遥感监测期流域叶面积指数的重建方法，其包括：
4、s1根据lai的变化规律筛选出lai的主要影响因子，包括气象因子及地面地形，通过遥感数据和/或再分析数据获取流域的气象因子的月尺度数据及lai的月尺度数据，并将其转换为同一空间分辨率即第一空间分辨率，获得转换后的气象因子的月尺度数据及lai的月尺度数据；通过流域的数字高程模型及其静态数据表征所述地面地形；
5、s2对获得的流域的数字高程模型进行重采样，使其转换至所述第一空间分辨率，得到转换后的数字高程模型，将所述转换后的数字高程模型进行矢量化分区，获得其分区模型，在各分区模型中随机设置若干采样点，提取所述采样点根据s1得到的所述转换后的气象因子的月尺度数据及lai的月尺度数据，由各采样点的所述转换后的气象因子的月尺度数据及lai的月尺度数据及其所述转换后的数字高程模型的静态数据组成深度学习样本库；
6、s3以所述转换后的气象因子的月尺度数据及所述转换后的数字高程模型的静态数据作为输入，所述转换后的lai的月尺度数据作为输出，构建lai深度学习模型，通过由所述深度学习样本库训练和验证后的所述lai深度学习模型对流域无遥感监测时段的lai进行预测，获得其无遥感监测时段的lai月尺度预测数据；
7、s4通过修正的s-g滤波算法对所述无遥感监测时段的lai月尺度预测数据或由所述无遥感监测时段的lai月尺度预测数据与遥感监测得到的lai月尺度数据组成的长序列月尺度lai数据进行滤波处理，得到无遥感监测时段的逐日lai数据序列或长序列逐日lai数据序列；
8、其中，所述修正的s-g滤波算法为在原始s-g滤波算法的基础上，以次年1月份的lai值作为当年12月滤波处理后的lai结束值，优化12月至次年1月间的lai滤波结果得到。
9、根据本专利技术的一些优选实施方式，所述气象因子包括降雨量和气温。
10、根据本专利技术的一些优选实施方式，所述第一空间分辨率为0.005°空间分辨率。
11、根据本专利技术的一些优选实施方式，所述s1包括：
12、(1)采集所述气象因子的月尺度，根据地理位置，通过重采样将采集到的数据转换为0.005°空间分辨率的逐月数据；
13、(2)采集流域的遥感lai数据，并通过数据拼接、转投影、重采样中的一种或多种方式，将采集到的遥感lai数据的空间分辨率转换至0.005°空间分辨率；
14、(3)将所得0.005°空间分辨率的遥感lai数据进行月尺度上的合成，得到0.005°空间分辨率的lai月度合成数据。
15、根据本专利技术的一些优选实施方式，所述月尺度上的合成通过最大值合成法实现。
16、根据本专利技术的一些优选实施方式，所述s2中，所述矢量化分区包括按高程将所述转换后的数字高程模型进行分区，其后进行矢量化转换。
17、根据本专利技术的一些优选实施方式，所述s2中，各分区模型中的采样点的数量与该分区模型的分区面积正相关。
18、根据本专利技术的一些优选实施方式，所述lai深度学习模型基于lstm模型建立。
19、根据本专利技术的一些优选实施方式，所述lai深度学习模型的训练和验证包括：将所述深度学习样本库以8:2的比例划分为训练集和验证集，并进行归一化处理后分别进行训练和验证。
20、根据本专利技术的一些优选实施方式，所述逐日lai数据序列通过以下计算模型得到：
21、
22、其中，n为修正的s-g滤波算法的滤波窗口大小、m为窗口半径，cj为修正的s-g滤波算法的多项式系数，表示修正后的日期i的lai的滤波值即其在日期i的逐日lai数据，j表示滤波窗口中的数据序号，laij+i表示lai的原始值。
23、本专利技术具备以下有益效果：
24、本专利技术可基于月尺度的气象要素和dem对lai进行深度学习建模，实现对无遥感监测期的lai的预测，再通过滤波算法将月尺度lai重建到日尺度上，根据本专利技术可以得到相对可靠的无遥感监测期高时间频次的lai序列。
本文档来自技高网...【技术保护点】
1.基于深度学习的无遥感监测期流域叶面积指数的重建方法，其特征在于，其包括：
2.根据权利要求1所述的重建方法，其特征在于，所述气象因子包括降雨量和气温。
3.根据权利要求1所述的重建方法，其特征在于，所述第一空间分辨率为0.005°空间分辨率。
4.根据权利要求1所述的重建方法，其特征在于，所述S1包括：
5.根据权利要求4所述的重建方法，其特征在于，所述月尺度上的合成通过最大值合成法实现。
6.根据权利要求1所述的重建方法，其特征在于，所述S2中，所述矢量化分区包括按高程将所述转换后的数字高程模型进行分区，其后进行矢量化转换。
7.根据权利要求1所述的重建方法，其特征在于，所述S2中，各分区模型中的采样点的数量与该分区模型的分区面积正相关。
8.根据权利要求1所述的重建方法，其特征在于，所述LAI深度学习模型基于LSTM模型建立。
9.根据权利要求1所述的重建方法，其特征在于，所述LAI深度学习模型的训练和验证包括：将所述深度学习样本库以8:2的比例划分为训练集和验证集，并进行归一
10.根据权利要求1所述的重建方法，其特征在于，所述逐日LAI数据序列通过以下计算模型得到：
...【技术特征摘要】
1.基于深度学习的无遥感监测期流域叶面积指数的重建方法，其特征在于，其包括：
2.根据权利要求1所述的重建方法，其特征在于，所述气象因子包括降雨量和气温。
3.根据权利要求1所述的重建方法，其特征在于，所述第一空间分辨率为0.005°空间分辨率。
4.根据权利要求1所述的重建方法，其特征在于，所述s1包括：
5.根据权利要求4所述的重建方法，其特征在于，所述月尺度上的合成通过最大值合成法实现。
6.根据权利要求1所述的重建方法，其特征在于，所述s2中，所述矢量化分区包括按高程将所述转换后的数字高程模...
【专利技术属性】
技术研发人员：段浩，李秋菊，徐浩玮，韩成昕，秦韬，赵红莉，杜军凯，冶运涛，张双虎，仇亚琴，李豪，朱浩，周逸凡，甘甜，
申请(专利权)人：中国水利水电科学研究院，
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。