欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021106334896
申请人: 郑州大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述反演方法包括如下步骤:

S1、获取T1时刻高分二号卫星影像,并同时获取T1、T2时刻哨兵二号卫星影像,在T1时刻的目标水域中的采样点采集水质数据,并导出水质数据矢量其中T1时刻高分二号卫星影像为高空间分辨率4m、低时间分辨率30天,T1、T2时刻的哨兵二号卫星影像为低空间分辨率

10m,高时间分辨率5天;

S2、将步骤S1得到的三幅卫星影像分别进行预处理;

S3、将步骤S2中进行预处理后的三幅卫星影像进行重采样,使得三者具备2m分辨率,且像素一致,并利用时空融合模型生成T2时刻高分二号卫星影像;

S4、将步骤S3中生成的T2时刻高分二号卫星影像利用卷积神经网络模型进行T2时刻的水质反演,得到T2时刻高空间分辨率的水质反演结果;

S5、利用全连接神经网络模型对T2时刻哨兵二号卫星影像进行反演,得到T2时刻哨兵二号卫星影像低空间分辨率的水质反演结果;

S6、利用像元分解法将步骤S5得到的T2时刻哨兵二号卫星影像低空间分辨率的水质反演结果对步骤S4中得到的T2时刻高空间分辨率的水质反演结果进行修正;

S7、将步骤S3中得到的T2时刻高分二号卫星影像进行水体提取,得到水体提取的矢量,并利用此水体提取的矢量对步骤S6得到的修正后的水质反演结果进行裁剪,得到水质反演最终结果。

2.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S1中的仪器包括便携水质光谱仪、海达RTK定位设备。

3.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S2中的预处理方式包括辐射定标、大气校正、几何校正、裁剪、以及波段合成。

4.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S3中的利用时空融合模型得到高分辨率影像的具体步骤为:X1、利用最大似然法分别将T1时刻高分二号卫星影像和T1、T2时刻哨兵二号卫星影像进行分类,并计算哨兵二号卫星的T1、T2时刻相对应的类别的时间差异;

X2、根据步骤X1得到的时间差异预测T2时刻的高分二号卫星影像分类结果,并计算预测得到的T2时刻的高分二号卫星影像分类结果与T2时刻哨兵二号卫星分类结果间的残差;

X3、将T2时刻哨兵二号卫星影像数据使用反距离加权插值函数预测T2时刻高分二号卫星影像数据;

X4、反距离加权插值函数将步骤X2得到的残差分配给T2时刻预测的高分二号影像数据,经以下公式生成T2时刻高分二号卫星影像:ΔRhigh(xij,yij,b)=εhigh(xij,yij,b)+ΔRhigh(a,b)            (1)其中xij、yij、b依次表示单个像元在卫星影像中的的行、列、波段,εhigh(xij,yij,b)表示第i个低空间分辨率像元分配给第j个高空间分辨率像元的残差,Rhigh1(xij,yij,b)为T1时刻高分二号卫星影像数据,ΔRhigh(xij,yij,b)为哨兵二号卫星在T1与T2时刻间的像元空间分辨率变化值,ΔRhigh(a,b)为T1与T2时刻间高空间分辨率数据对应类别a在波段b上的改变量为预测的T2时刻高分二号卫星影像数据,ωk为第k个相似像元的权重。

5.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S4中的卷积神经网络模型的构建包括以下步骤:Y1、将步骤S1中的采样点分割为正方形,利用正方形将T1时刻高分二号卫星影像的4个波段进行裁剪,形成数据集,将数据集进行扩充,得到训练集;

Y2、将80%的训练集中的数据导入卷积神经网络模型进行训练;

Y3、对卷积神经网络模型进行调整,并将卷积神经网络模型进行保存。

6.如权利要求1所述的一种结合时空融合与深度学习的遥感水质反演方法,其特征在于,所述步骤S5中的全连接神经网络模型的构建包括以下步骤:W1、利用步骤S1中的水质数据矢量来提取哨兵二号卫星影像的波段,并将波段作为全连接神经网络模型的数据集;

W2、将步骤W1中的数据集随机的80%来构建结构为4‑10‑1的全连接神经网络模型,使用此数据集剩余的20%来验证全连接神经网络模型,并将此全连接神经网络模型进行保存。