[發明專利]基于空譜融合與模型學習耦合的葉綠素a濃度反演方法

在審

• 申請號: 202111597460.3
• 申請日: 2021-12-24
• 公開（公告）號: CN114330530A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 吳鵬海;吳艷蘭;楊輝;王彪
• 申請（專利權）人: 安徽大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01N21/3577
• 代理公司: 安徽順超知識產權代理事務所(特殊普通合伙) 34120
• 代理人: 賀湘君

1.基于空譜融合與模型學習耦合的葉綠素a濃度反演方法，其特征在于，包括以下步驟:

步驟一、獲取定區域的MODIS與Sentinel-2數據并進行必要的預處理；

步驟二、在MODIS數據上對葉綠素a反演的敏感波段進行選擇，并結合MODIS與Sentinel-2數據光譜響應函數將需要融合的MODIS波段進行分組；

步驟三、構建MODIS和Sentinel-2訓練數據集；

步驟四、引入影像退化過程，并通過損失函數進行物理約束，在卷積網絡基礎上，添加殘差連接和注意力機制，構建耦合物理模型與深度學習的空譜融合框架；

步驟五、實測得到與衛星同期的葉綠素a濃度有效樣點數據n個，隨機選取其中m個樣點作為訓練數據，剩下n-m個樣點作為驗證數據，用于驗證后續反演模型精度；

步驟六、根據步驟四得到的融合后反射率數據和Sentinel-2反射率數據波段設置特點，綜合考量光譜分辨率、反射率數據與實測葉綠素a濃度的相關性，確定反演建模所需的有效反射率波段及其及波段組合，然后利用融合出來的反射率波段與原Sentinel-2反射率波段進行協同反演，并結合實測葉綠素a濃度數據和機器學習中的梯度提升樹算法，構建反射率數據與實測葉綠素a濃度的反演模型。

2.根據權利要求1所述的基于空譜融合與模型學習耦合的葉綠素a濃度反演方法，其特征在于，步驟一中，定區域選擇為巢湖區域；預處理包括拼接、裁剪、重采樣、大氣校正。

3.根據權利要求1所述的基于空譜融合與模型學習耦合的葉綠素a濃度反演方法，其特征在于，步驟二中，敏感波段的選擇及光譜響應函數分組的具體步驟為：

21)根據MODIS數據波段設置特點，敏感波段選擇為近紅外到可見光的波段范圍，結合定區域MODIS衛星影像反射率數據部分波段缺失問題，最終選擇MODIS反射率波段為B1～B4、B8～B12；Sentinel-2反射率波段為B1～B8及B8A；

其中，B*表示第*波段；

22)利用兩種衛星傳感器的光譜響應函數，將對應Sentinel-2同一波段光譜響應函數范圍的MODIS波段劃分為同一組；

若沒有對應的Sentinel-2波段，則將該MODIS波段劃分到與之光譜最鄰近的Sentinel-2波段，最終將MODIS波段劃分為五組，分別是B1為一組，B2為一組，B3、B10、B11為一組，B4、B12為一組，B8、B9為一組。

4.根據權利要求1所述的基于空譜融合與模型學習耦合的葉綠素a濃度反演方法，其特征在于，步驟三中，構建訓練數據集的具體步驟為：

31)利用MODIS各波段的相關性，選擇與待融合的MODIS波段相關性最高的兩個MODIS波段且這三個MODIS均位于步驟二所劃分組的不同組，再選擇這三個MODIS波段所對應的Sentinel-2波段，其中將與待融合的MODIS波段對應的Sentinel-2波段作為label，所有波段均重采樣到20m空間分辨率，最終的網絡輸入是：兩對MODIS-Sentinel-2高低分空間分辨率數據對以及待融合的MOIDS低空間分辨率波段；

32)為便于網絡訓練，在網絡輸入前將涉及影像均裁剪為80像素×80像素的小塊影像，步長為40像素。