1.基于空谱融合与模型学习耦合的叶绿素a浓度反演方法,其特征在于,包括以下步骤:步骤一、获取定区域的MODIS与Sentinel-2数据并进行必要的预处理;
步骤二、在MODIS数据上对叶绿素a反演的敏感波段进行选择,并结合MODIS与Sentinel-2数据光谱响应函数将需要融合的MODIS波段进行分组;
敏感波段的选择及光谱响应函数分组的具体步骤为:
21)根据MODIS数据波段设置特点,敏感波段选择为近红外到可见光的波段范围,结合定区域MODIS卫星影像反射率数据部分波段缺失问题,最终选择MODIS反射率波段为B1~B4、B8~B12;Sentinel-2反射率波段为B1~B8及B8A;
其中,B*表示第*波段;
22)利用两种卫星传感器的光谱响应函数,将对应Sentinel-2同一波段光谱响应函数范围的MODIS波段划分为同一组;
若没有对应的Sentinel-2波段,则将该MODIS波段划分到与之光谱最邻近的Sentinel-2波段,最终将MODIS波段划分为五组,分别是B1为一组,B2为一组,B3、B10、B11为一组,B4、B12为一组,B8、B9为一组;
步骤三、构建MODIS和Sentinel-2训练数据集;
步骤四、引入影像退化过程,并通过损失函数进行物理约束,在卷积网络基础上,添加残差连接和注意力机制,构建耦合物理模型与深度学习的空谱融合框架;
步骤五、实测得到与卫星同期的叶绿素a浓度有效样点数据n个,随机选取其中m个样点作为训练数据,剩下n-m个样点作为验证数据,用于验证后续反演模型精度;
步骤六、根据步骤四得到的融合后反射率数据和Sentinel-2反射率数据波段设置特点,综合考量光谱分辨率、反射率数据与实测叶绿素a浓度的相关性,确定反演建模所需的有效反射率波段及其波段组合,然后利用融合出来的反射率波段与原Sentinel-2反射率波段进行协同反演,并结合实测叶绿素a浓度数据和机器学习中的梯度提升树算法,构建反射率数据与实测叶绿素a浓度的反演模型;
具体步骤为:
61)利用步骤四的耦合物理模型与深度学习的空谱融合框架,得到各波段反射率融合结果;
62)利用融合后反射率波段与原Sentinel-2反射率波段进行协同反演,构建波段反射率与步骤五获取的实测叶绿素a浓度训练数据集的反演模型;具体为:首先,根据融合后反射率波段和Sentinel-2反射率波段设置特点,综合考量光谱分辨率、反射率波段与实测叶绿素a浓度的相关性,进行反演建模的有效波段确定;其次,梯度提升树模型的输入是有效单波段及波段组合形式;具体为:FB8代表MODIS第八波段的融合结果,以此类推,在Sentinel-2没有该波段范围;FB3、FB10对应Sentinel-2的B2;FB4、FB12对应Sentinel-2的B3;FB2对应Sentinel-2的B8A;B1代表Sentinel-2的B1,以此类推B4~B8;B1/B3即蓝绿比、B4/B3即红绿比、FB2/B4即近红外红比;然后,基于上述构建叶绿素a浓度反演模型;结合输入的有效反射率数据及波段组合和步骤五的实测叶绿素a浓度训练数据集,通过梯度提升树模型得到协同反演精度;
63)利用步骤五获取的实测叶绿素a浓度数据集,验证反演模型的精度。
2.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法,其特征在于,步骤一中,定区域选择为巢湖区域;预处理包括拼接、裁剪、重采样、大气校正。
3.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法,其特征在于,步骤三中,构建训练数据集的具体步骤为:
31)利用MODIS各波段的相关性,选择与待融合的MODIS波段相关性最高的两个MODIS波段且这三个MODIS均位于步骤二所划分组的不同组,再选择这三个MODIS波段所对应的Sentinel-2波段,其中将与待融合的MODIS波段对应的Sentinel-2波段作为label,所有波段均重采样到20m空间分辨率,最终的网络输入是:两对MODIS-Sentinel-2高低分空间分辨率数据对以及待融合的MOIDS低空间分辨率波段;
32)为便于网络训练,在网络输入前将涉及影像均裁剪为80像素×80像素的小块影像,步长为40像素。
4.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法,其特征在于,步骤四中,构建耦合物理模型与深度学习的空谱融合框架的具体步骤为:
41)利用卷积神经网络构建三条支线:
一条支线用于输入Sentinel-2高空间分辨率图像,一条支线用于输入MODIS低空间分辨率图像,一条支线用于输入待融合的MODIS低空间分辨率图像与前两条支线高低分差值之和;
每条支线分别包含若干卷积池化,同时为了网络能更深层次的训练,还添加了残差连接,利用前两条支线获取不同维度的高低分差值特征,再用第三条支线将该特征映射到待融合的MODIS低空间分辨率图像中,最后在注意力机制的引导下实施反卷积操作;
42)网络的损失函数LOSS由两部分构成,即:LOSS=RMSE1+λ*RMSE2,其中,λ是正则化参数;
RMSE1为空间细节损失函数,其表达式为:
其中,yi表示空间信息的真实值,即Sentinel-2波段数据值,表示预测值;
RMSE2为光谱保真损失函数,考虑影像的物理退化过程,利用卷积网络提取待融合的MODIS波段和融合结果差值特征,将得到的融合结果退化到原先的MODIS尺度,并在网络中另添加一个损失函数进行物理约束,具体为:其中,yi'表示光谱信息的真实值,即MODIS波段数据值,表示经过退化后的预测值;与是通过由卷积神经网络组成的退化模型连接;
43)利用步骤三所得训练样本数据,采用Adam优化算法对网络进行训练,得到耦合物理模型与深度学习的空谱融合框架。
5.根据权利要求1所述的基于空谱融合与模型学习耦合的叶绿素a浓度反演方法,其特征在于,步骤五中,m=80%n,n-m=20%n。