[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

本發明涉及水質參數遙感反演領域，公開了基于空譜融合與模型學習耦合的葉綠素a濃度反演方法，通過獲取相同日期MODIS和Sentinel?2數據，經過預處理，得到樣本數據集；構建面向葉綠素a濃度反演的MODIS和Sentinel?2空?譜融合深度學習網絡，并耦合光譜響應函數、影像退化模型等物理約束，從而獲得具有MODIS光譜分辨率和Sentinel?2空間分辨率的融合數據，為葉綠素a濃度反演提供高空譜分辨率數據源；結合實地采樣數據與融合的高空譜分辨率數據，在梯度提升樹等機器學習的水質反演算法下驗證融合的有效性，結果表明本處理方法有效提高了葉綠素a濃度的反演精度。

技術領域

本發明涉及水質遙感反演領域，尤其是涉及一種基于空譜融合與模型學習耦合的葉綠素a濃度反演方法。

背景技術

葉綠素a(chlorophyll-a，chl-a)是水體藻類的共有色素，是評估水體富營養化程度的重要指標。傳統chl-a濃度監測方法雖然具有較高的精度，但費時費力且難以應用于大范圍；隨著對地觀測技術的發展，遙感技術已成為湖泊等水質監測的重要手段，豐富的衛星遙感數據和不斷改進的反演模型促進了chl-a濃度遙感監測的應用。

然而在chl-a濃度遙感監測過程中，遙感傳感器獲取的衛星數據還存在著空間分辨率和光譜分辨率相互制約的問題，如MODIS數據等具有較高光譜分辨率，但空間分辨率低增加了地面驗證采樣點布設的難度，限制了其在中小型湖泊、河流監測中的應用；Sentinel-2數據等具有高空間分辨率，但光譜信息不足，影響chl-a濃度的反演精度。

為解決衛星傳感器空譜分辨率制約的問題，獲取兼具高空譜分辨率的遙感數據來提高反演精度，近年來發展了許多深度學習框架下的空譜融合方法，其主要原理是利用深度學習顯著的非線性表征能力，對不同遙感圖像所具備的空間、光譜信息進行整合，即在保留光譜信息的同時提高其空間分辨率，最終獲得一幅綜合了多幅圖像有效信息的融合圖像。一方面，目前深度學習空譜融合方法并不是針對chl-a濃度反演的，融合的譜段及其參數設計并不具有針對性；另一方面，現有深度學習方法缺乏物理模型的考慮。因此本發明提出基于空譜融合與模型-學習耦合的葉綠素a濃度反演方法。

發明內容

(一)解決的技術問題

本發明目的在于解決葉綠素a濃度反演所用衛星數據的空間分辨率與光譜分辨率無法兼顧的問題，而提出了基于空譜融合與模型學習耦合的葉綠素a濃度反演方法。

(二)技術方案

基于空譜融合與模型學習耦合的葉綠素a濃度反演方法，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。