[發(fā)明專利]一種基于二維卷積神經(jīng)網(wǎng)絡(luò)的土壤水分產(chǎn)品降尺度方法

在審

• 申請?zhí)枺?/td>: 202011622851.1
• 申請日: 2020-12-31
• 公開（公告）號: CN114694033A
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計）人: 秦其明;許偉;張兆旭;吳自華;趙聰;龍澤昊
• 申請（專利權(quán)）人: 北京大學(xué)
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/40;G06V10/82;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 北京君尚知識產(chǎn)權(quán)代理有限公司 11200
• 代理人: 司立彬

本發(fā)明公開了一種基于二維卷積神經(jīng)網(wǎng)絡(luò)的土壤水分產(chǎn)品降尺度方法，其步驟包括：1)獲取目標(biāo)區(qū)域的被動微波土壤水分產(chǎn)品影像以及相應(yīng)的輔助數(shù)據(jù)影像；并建立輔助數(shù)據(jù)影像與被動微波土壤水分產(chǎn)品影像之間的對應(yīng)關(guān)系；2)根據(jù)所述對應(yīng)關(guān)系，構(gòu)建訓(xùn)練數(shù)據(jù)；然后利用所述訓(xùn)練數(shù)據(jù)對CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練；3)利用訓(xùn)練后的CNN網(wǎng)絡(luò)對該目標(biāo)區(qū)域的待處理被動微波土壤水分產(chǎn)品影像進(jìn)行降尺度處理，得到目標(biāo)降尺度產(chǎn)品。本發(fā)明考慮了輔助影像中像元與像元之間的信息，從而顯著地提高了降尺度后土壤水分產(chǎn)品的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于遙感技術(shù)領(lǐng)域，具體涉及一種基于二維卷積神經(jīng)網(wǎng)絡(luò)的土壤水分產(chǎn)品降尺度方法。

背景技術(shù)

土壤水分(Soil Moisture,SM)是水文學(xué)、氣象學(xué)、農(nóng)業(yè)應(yīng)用中的重要參數(shù)，其時空分布對于研究氣候變化、農(nóng)業(yè)干旱、水資源管理等都有著重要的作用。傳統(tǒng)的通過站點(diǎn)來監(jiān)測SM的手段難以獲得大面積的SM數(shù)據(jù)，其應(yīng)用十分有限。而研究者們發(fā)現(xiàn)微波遙感數(shù)據(jù)與SM有著良好的關(guān)系，因此提出了利用微波遙感數(shù)據(jù)來對SM進(jìn)行反演。

到目前為止，利用被動微波遙感數(shù)據(jù)反演SM的研究已經(jīng)取得了很大的突破，相應(yīng)的SM產(chǎn)品也陸續(xù)被發(fā)布，例如SMAP(Soil Moisture Active Passive)，SMOS(SoilMoisture and Ocean Salinity)全球SM產(chǎn)品。但是，這些產(chǎn)品的空間分辨率大多在數(shù)十公里級，難以滿足更為精細(xì)化的應(yīng)用需求，因此需要對這些產(chǎn)品進(jìn)行降尺度，以提升其空間分辨率。

關(guān)于SM降尺度方法的研究已十分眾多，總結(jié)起來，可以分為：(1)基于經(jīng)驗(yàn)?zāi)Ｐ偷慕党叨确椒ǎ?2)基于物理模型的降尺度方法；(3)基于空間插值的降尺度方法；(4)基于機(jī)器學(xué)習(xí)的降尺度方法。方法(1)-(3)雖然也可以通過輔助數(shù)據(jù)引入新的信息，但一般來說它們用到的輔助數(shù)據(jù)較少，并且依賴的是輔助數(shù)據(jù)影像中單個像元與降尺度之后的目標(biāo)影像中單個像元的一一對應(yīng)關(guān)系，也即“像元-像元”的思想。方法(4)雖然可以利用機(jī)器學(xué)習(xí)的方法，加入大量輔助數(shù)據(jù)進(jìn)行訓(xùn)練，但目前所使用的機(jī)器學(xué)習(xí)模型依然只是基于“像元-像元”的思想，而忽略了同一景影像中像元與像元之間的內(nèi)在聯(lián)系。但顯然，一景影像中的每個像元并不是相互獨(dú)立的。例如，由于坡度與坡向的影響，導(dǎo)致地表所接受的太陽能量有所不同，從而影響地表的蒸散；同時，地表的高度差還會影響土壤微粒的分布和土壤水的滲漏，不同的土壤微粒對SM不同的吸附作用，又會進(jìn)一步導(dǎo)致SM的空間變異。因此，傳統(tǒng)的降尺度方法在本質(zhì)上丟失了一些有用的信息。

二維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)最初用于圖像識別與分類，其可以設(shè)置一定大小(例如3*3，5*5，7*7等)的感受野(也即卷積核)，來對整景圖像進(jìn)行學(xué)習(xí)，如此一來不僅僅可以學(xué)習(xí)到每個像元包含的信息，而且可以考慮到每個感受野中像元與像元之間的相互作用，這恰恰可以彌補(bǔ)傳統(tǒng)的SM降尺度方法的不足。但是，二維CNN卻很難應(yīng)用于遙感反演領(lǐng)域，最主要的原因是，二維CNN網(wǎng)絡(luò)需要使用大量空間連續(xù)的數(shù)據(jù)來進(jìn)行訓(xùn)練，而在遙感中這樣的數(shù)據(jù)是難以獲取的。

因此，本發(fā)明旨在針對傳統(tǒng)SM降尺度方法無法考慮一景影像中像元與像元之間的信息的不足之處，以及充分考慮了將二維CNN應(yīng)用于遙感反演中的問題的解決辦法，提出了一種基于二維CNN技術(shù)的新的SM降尺度方法，并以SMAP SM產(chǎn)品為例進(jìn)行說明。

檢索國內(nèi)外專利和文獻(xiàn)顯示，目前尚無同樣的降尺度方法發(fā)明或發(fā)表。

發(fā)明內(nèi)容

本發(fā)明針對上述傳統(tǒng)SM降尺度方法無法考慮一副影像中像元與像元之間信息的不足之處，以及充分考慮了將二維CNN應(yīng)用于遙感反演中的問題的解決辦法，提出了一種基于二維CNN的SM降尺度方法。

本發(fā)明的技術(shù)方案為：

一種基于二維卷積神經(jīng)網(wǎng)絡(luò)的土壤水分產(chǎn)品降尺度方法，其步驟包括：