CN115661661B 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 （安徽大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115661661B(45)授权公告日2025.07.04

(21)申请号202211398590.9

(22)申请日2022.11.09

(65)同一申请的已公布的文献号申请公布号CN115661661A

(43)申请公布日2023.01.31

(73)专利权人安徽大学

地址230000安徽省合肥市经济技术开发

区九龙路111号

(72)发明人吴鹏海何雨挺汪燕妮马晓双

(74)专利代理机构安徽顺超知识产权代理事务所(特殊普通合伙)34120

专利代理师韩为梁

(51)Int.CI.

GO6V20/10(2022.01)

GO6V20/13(2022.01)

GO6V10/764(2022.01)

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN107014763A,2017.08.04

CN107561022A,2018.01.09审查员贾云杰

权利要求书2页说明书7页附图2页

(54)发明名称

一种针对稀疏站点数据的叶绿素a浓度遥感反演方法

(57)摘要

CN115661661B本发明属于水质遥感反演技术领域，具体涉及一种针对稀疏站点数据的叶绿素a浓度遥感反演方法，有效解决了叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限；增加了稀疏站点数据的利用率，同时提高了叶绿素a浓度反演精度。本发明获取相同日期MSI-MODIS数据对，经过预处理得到样本数据集；构建面向叶绿素a浓度反演的MSI和MODIS时空融合深度残差学习网络，从而获得所需时间具有MSI传感器空间分辨率的时序数据；在此基础上结合对应时序站点叶绿素a浓度观测数据，通过极限梯度提升树(XGBoost)的机器学习算法构建反演模型，实

CN115661661B

据辅卡F反制非监期与I层H率层直H座口图屈病础监情度脑证

据

辅卡F反制非监期与I层

H率层直H座口图

屈病础监情度脑证

MS数

断断用

残差连接

叔者4

CN115661661B权利要求书1/2页

2

1.一种针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在于，包括以下步骤：

S1、获取区域的MSI与MODIS数据并进行必要的预处理，预处理包括拼接、裁剪、重采样、大气校正；

S2、在MSI数据上对叶绿素a反演的敏感波段进行选择；

S3、结合MSI与MODIS数据对应的波段范围，构建MSI-MODIS训练数据集；

S4、在卷积网络的基础上添加残差连接构建深度学习的时-空融合模型，在模拟实验得到最优参数基础上开展真实实验，从而获得所需时间具有MSI数据传感器空间分辨率的时序数据，该数据包括融合后反射率数据和原MSI反射率数据；

构建深度学习的时-空融合模型，并进行模拟实验和真实实验的具体步骤为：

1)利用卷积神经网络构建三条支线，支线一用于输入T1、T3时刻的MSI高空间分辨率图像，支线二用于输入T1、T3时刻的MODIS低空间分辨率图像，支线三用于输入T2时刻的MODIS低空间分辨率图像与前两条支线差值之和；每条支线分别包含若干卷积池化；

2)网络的损失函数由Huber构成，其表达式为：

其中，y;表示真实值，即MSI波段数据值，y;表示预测值，δ为超参数；

3)利用步骤S3所得训练样本数据，采用Adam优化算法对网络进行训练，得到基于深度学习的时-空融合模型；

4)利用构建的基于深度学习的时-空融合模型，进行模拟实验获取最优参数，得到对应日期的真实MSI的反射率影像融合结果，并进行评价；在模拟实验的基础上，进行真实实验，得到没有对应各日期的真实MSI的融合结果，与原MSI反射率共同构成后续联合反演的时序数据；

S5、根据MSI传感器波段设置特点及叶绿素a浓度反演敏感波段，确定反演建模所需的波段及波段组合；利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展后续联合反演；

S6、基于上述时序数据及同期区域站点叶绿素a浓度数据，构建有效样点对n+p个，随机选取其中m+p个样点对作为训练数据集，通过极限梯度提升树的机器学习算法构建联合反演模型；剩