【技术实现步骤摘要】
本专利技术涉及大气，更具体地，涉及一种基于深度学习的高光谱遥感图像甲烷点源检测方法。
技术介绍
1、短波红外传感器对近地甲烷浓度变化的敏感度高于热红外传感器，现已广泛应用于多尺度甲烷监测。其中，多光谱数据的数据量与时间分辨率优势使其可应用于长时序点源监测，但其精度和对甲烷点源的检测极限与高光谱数据存在较大差距，多与高光谱数据结合使用。高光谱遥感图像得益于精细且近似连续的光谱分辨率优势，在甲烷点源检测及浓度反演中具有较高潜力。传统估算方法主要包括物理算法、co2代理法和匹配滤波法。物理算法以辐射传输方程为依据，受天气与地表光照影响较大。co2代理法是proxy算法的一种，由于co2和甲烷在1.6μm处均具有吸收特征，故可以使用co2在共同吸收带上进行浓度反演，以co2为参考消除散射引起的光路改变，修正甲烷浓度。匹配滤波法直接获取甲烷增强，而非整个区域的甲烷浓度，相较以上方法计算效率更高，适用于点源检测任务。深度学习已广泛应用于环境领域，包括太阳能预测、风能预测等，但其在甲烷排放检测中的应用相对缺乏。目前的甲烷检测深度网络多使用cnn以及其...
【技术保护点】
1.一种基于深度学习的高光谱遥感图像甲烷点源检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的高光谱遥感图像甲烷点源检测方法，其特征在于，所述可解释性甲烷点源检测深度网络模型包括ReLU激活函数层、拼接层、第一矩阵相乘层、第二矩阵相乘层、第三矩阵相乘层、第一Reshape层、第二Reshape层、第三Reshape层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、Leakey ReLU激活函数层、MST单元和第一softmax层；
3.根据权利要求2所述的基于深度学习的高光谱遥感图像甲烷点源检测方法，其特征在于，所述...
【技术特征摘要】
1.一种基于深度学习的高光谱遥感图像甲烷点源检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的高光谱遥感图像甲烷点源检测方法，其特征在于，所述可解释性甲烷点源检测深度网络模型包括relu激活函数层、拼接层、第一矩阵相乘层、第二矩阵相乘层、第三矩阵相乘层、第一reshape层、第二reshape层、第三reshape层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、leakey relu激活函数层、mst单元和第一softmax层；
3.根据权利要求2所述的基于深度学习的高光谱遥感图像甲烷点源检测方法，其特征在于，所述mst单元包括第一pixel unshuffle层、第二pixel unshuffle层、第一pixelshuffle层、第二pixel shuffle层、第一transformer子单元、第二transformer子单元、第三transformer子单元、第一skip connection层、第一元素相加层、第二元素相加层和第三元素相加层；
4.根据权利要求3所述的基于深度学习的高光谱遥感图像甲烷点源检测方法，其特征在于，所述第一transformer子单元、第二transformer子单元和第三trans...
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。