[發明專利]一種基于數據增廣和深度學習的玉米生長參數主被動遙感反演方法

有效

• 申請號: 202011265251.4
• 申請日: 2020-11-13
• 公開（公告）號: CN112487879B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 廖靜娟;雒培磊
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/80;G06V10/764;G06V10/82;G06N3/045;G06N3/08;G06T7/62
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 許天易;王躍交

本發明提供了一種基于數據增廣和深度學習的玉米生長參數主被動遙感反演方法，包括：數據預處理，其包括分別對光學和雷達影像進行預處理得到輸入數據，以及對輸入數據進行歸一化處理；利用Beta數據混合方法對有限的實測葉面積指數和生物量數據及其對應遙感數據同時進行混合處理，以建立大量虛擬訓練樣本來進行數據增廣；通過基于門控機制的孿生深度網絡結合光學與雷達遙感數據構建葉面積指數和生物量反演模型。該方法通過提出一種數據增廣來擴充野外實測樣本數量，并構建一種門控機制的孿生神經網絡模型，從而將具有更好的非線性擬合能力的深度學習方法應用于玉米LAI和生物量的主被動反演，提高反演精度。

技術領域

本發明涉及遙感反演領域，具體地，涉及一種基于數據增廣和深度學習的 玉米生長參數主被動遙感反演方法。

背景技術

葉面積指數(LAI)和生物量是重要的玉米生長參數，能夠為玉米生長狀況 評估、溫度脅迫、水分脅迫、病蟲害防治、早期估產等提供重要信息，目前被 廣泛用于田間管理決策和早期估產。傳統的獲取LAI和生物量的方法主要依靠 田間采樣和人工測量，耗時耗力。而遙感反演法依靠少量實測數據和遙感數據 構建反演模型，便能實現大區域測量。目前遙感反演方法有基于光學遙感數據、 雷達遙感數據以及光學和雷達數據結合的反演方法。目前光學遙感反演方法由 于受到光學遙感影像限制，反演玉米生長參數容易出現飽和現象，并且光學傳 感器易受云雨影響，難以獲得高質量的光學影像，僅依靠光學影像提高生長參數的反演精度較為困難。雷達遙感具有穿透性，能夠反映玉米冠層結構特征， 有助于克服光學遙感中出現的飽和現象，但雷達遙感影像易受土壤背景和地形 因素等影響，導致估算LAI和生物量依然存在誤差。因此，利用光學和雷達遙 感影像結合反演玉米LAI和生物量是目前的研究熱點，為此，國內外學者針對 光學與雷達遙感數據結合反演生長參數的方法進行了初步探索，結果表明二者 結合能夠為LAI和生物量的反演提供更多信息。

依據光學和雷達遙感數據結合方法的不同，光學和雷達數據結合反演生長 參數的常用的方法可以歸結為4類：(1)根據植被生長參數(如LAI、生物量) 隨生長期的變化特點，分段研究：將LAI分為兩段，當0LAI3時，用光學數 據反演，當LAI＝3時，用雷達數據反演。(2)融合植被指數法：首先分別從光 學和雷達數據中提取光學植被指數和雷達植被指數，然后將二者相乘得到包含 光學與雷達特征的融合植被指數，然后建立融合植被指數與生長參數之間的反 演模型。(3)輔助參數法：利用光學影像提取植被覆蓋度，然后將植被覆蓋度 輸入雷達反演模型，反演生長參數。(4)利用數據同化的方法：將光學數據與 雷達數據作為輸入參數，借助作物生長模型反演生長參數。從第(1)類和第(3) 類方法可以看出，光學與雷達數據在生長參數反演過程中并未得到充分利用， 第(2)類方法只是用植被指數(僅用了遙感數據的部分波段)做了簡單乘法運 算，忽略了其他波段信息的應用，第(4)類方法雖然將光學與雷達數據結合作 為參數輸入生長模型，但是由于農業生態系統的復雜性，生長模型需輸入的參 數也較為復雜，導致該方法存在很大不確定性。綜上，目前關于光學與雷達遙 感數據的結合方法研究還不深入，光學和雷達遙感數據依然未實現高效和深度 融合，導致該方法反演生長參數的精度依然偏低。

另外，光學和雷達數據結合反演生長參數時，基于統計學習(經驗模型) 方法構建反演模型占據重要地位，物理模型和半經驗模型不便于進行光學和雷 達數據的結合。常用的統計學習方法主要有線性和非線性兩種方法，而在結合 光學和雷達數據的生長參數反演中，基于傳統的機器學習算法(如支持向量回 歸、隨機森林)、指數回歸等構建的反演模型比基于多元線性回歸方法構建的反 演模型具有更好反演效果，說明復雜的非線性模型更適用于植被生長參數反演。 近年來，深度學習方法依靠其強大的自主學習能力，被證明在對多尺度多層次 遙感特征提取及低層次到高層次遙感特征融合方面具有很大優勢，但在定量遙 感反演中，深度學習方法卻較少應用，這主要緣于構建深度學習模型時，需要 大量訓練樣本。而遙感反演中獲取的實測樣本數據量遠遠不能滿足深度學習的 需求。盡管深度學習能夠利用多層神經網絡學習遙感數據隱含的深層特征，同 時被證明在擬合非線性關系中有很大潛力，但受訓練樣本的限制，目前在遙感 反演方面的研究鮮有報道。

發明內容