当前位置: 首页 > 专利查询>无锡学院专利>正文

一种基于深度学习的积雪覆盖度反演方法技术

技术编号:42409087 阅读:38 留言:0更新日期:2024-08-16 16:27
本发明专利技术公开了一种基于深度学习的积雪覆盖度反演方法,属于遥感图像处理的技术领域。本方法通过设计一种基于深度学习的积雪覆盖度反演模型,根据反演积雪覆盖度的标签和输入数据,深度学习模型自动学习不同范围积雪覆盖度的特征,并保存最佳的模型参数。本发明专利技术方法可在实时风云卫星数据发布以后快速得到积雪覆盖度反演结果,同时可以结合前后时相卫星数据有效滤除云遮蔽干扰,因此具有更高的时间分辨率和可靠性。

【技术实现步骤摘要】

本专利技术涉及一种基于深度学习的积雪覆盖度反演方法,属于遥感图像处理的。


技术介绍

1、近年来随着图像处理技术的不断发展,机器学习技术已经成功应用于遥感图像检测,并显著提高了气象预测精度。其中,图像分割技术能够将图片中各像素划分到所属类别中,回归技术可以通过拟合明确每个像元的具体数值,利用这些技术可以帮助提升气象要素检测效率与检测的准确率,有效缓解其他积雪覆盖度反演方法在青藏高原地区容易受复杂地形和下垫面干扰而出现精度不高的现象,并提高积雪覆盖度反演的时间分辨率,从而具有广泛的应用前景和较高的使用价值。

2、基于线性回归与多光谱分解的方法作为反演积雪覆盖度的传统方法,在地质条件不复杂的环境下能够较为准确的反演积雪覆盖度参数。但是线性回归算法适用性差,对于不同数据、不同地区的检测结果往往存在较大差异。多光谱分解算法假设像元的相同分量具有相同的光谱特征并且光谱是线性相加的,基于此假设光谱分解方法可以有效反演积雪覆盖度,容易产生大量无意义负值。此外,以上两种方法在地形复杂、土地覆盖类型多样和零散的积雪分布环境下,容易受到较大的干扰。在积雪融化与积雪堆本文档来自技高网...

【技术保护点】

1.一种基于深度学习的积雪覆盖度反演方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的积雪覆盖度反演方法,其特征在于,所述空间-通道特征提取模块由主分支和残差分支组成,所述主分支由空间特征提取支路和通道特征提取支路组成,分别由两个3*3卷积层Conv1、Conv2和两个1*1卷积层Conv3、Conv4,以及批归一化、Relu激活函数组成,所述残差分支由1*1卷积核Conv5组成,输入特征经过主分支的空间特征提取支路和通道特征提取支路后进行特征图的相加,再经过一个1*1卷积核Conv6进行特征整合后与残差分支相加;最后通过3*3卷积核Conv7完成下采样并连接下一级特...

【技术特征摘要】

1.一种基于深度学习的积雪覆盖度反演方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的积雪覆盖度反演方法,其特征在于,所述空间-通道特征提取模块由主分支和残差分支组成,所述主分支由空间特征提取支路和通道特征提取支路组成,分别由两个3*3卷积层conv1、conv2和两个1*1卷积层conv3、conv4,以及批归一化、relu激活函数组成,所述残差分支由1*1卷积核conv5组成,输入特征经过主分支的空间特征提取支路和通道特征提取支路后进行特征图的相加,再经过一个1*1卷积核conv6进行特征整合后与残差分支相加;最后通过3*3卷积核conv7完成下采样并连接下一级特征提取模块。

3.根据权利要求2所述的积雪覆盖度反演方法,其特征在于,所述主分支由两个1*1卷积层、批归一化、relu激活函数组成的分支和两个3*3卷积层、批归一化、relu激活函数组成的分支并行得到。

4.根据权利要求2或3所述的积雪覆盖度反演方法,其特征在于,所述解码层由解码模块叠加而成,所述解码模块由上采样模块和间-通道特征提取模块叠加组成,所述上采样模块由2倍上采样、1*1卷积核conv8、批归一化、relu激活函数组成。

5.根据权利要求4所述的积雪覆盖度反演方法,其特征在于,所述改进的注意力机制由特征矩阵经过x方向上的最大值池化和h*1卷积核conv9、y方向上的最大值池化、1*w卷积核conv10后进行拼接,再经过3*3卷积核conv11、批归一化以及h-swish激活函数进行编码后分离为水平和垂直两个方向上的向量,然后水平和垂直两个方向...

【专利技术属性】
技术研发人员:阚希刘旭张永宏朱灵龙周舟曹海啸张红燕
申请(专利权)人:无锡学院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1