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;
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;剩下n‑m个样点对作为验证数据集,用于验证所构建反演模型的精度。
2.根据权利要求1所述的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,步骤S2中,敏感波段选择的具体步骤为:根据MSI数据波段设置特点,敏感波段选择为可见光到近红外的波段范围,最终选择MSI反射率波段为B1~B8及B8A。
3.根据权利要求1所述的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,步骤S3中,构建训练数据集的具体步骤为:
1)根据MSI波段范围,选择与其波段对应的MODIS波段,若在该MSI波段范围内无对应的MODIS波段,则选择与其波段范围最邻近的MODIS波段;选择的波段作为中间时刻T2的MSI‑MODIS数据对,再选择其前后时间T1、T3的两对MSI‑MODIS高低空间分辨率数据对,其中T2时刻对应的MSI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:T1和T3时刻的两对MSI‑MODIS高低分空间分辨率数据对以及T2时刻的MODIS波段;
2)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,步骤S4中,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,yi表示真实值,即MSI波段数据值,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,得到对应该日期的真实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。
5.根据权利要求4所述的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,步骤S4的分步骤1)中,每条支线分别包含若干卷积池化,为了网络能更深层次的训练,还添加了残差连接,并通过反卷积过程实现。
6.根据权利要求5所述的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,步骤S5中,确定反演建模所需的波段及波段组合的具体步骤为:
1)利用步骤S4的分步骤4)中的融合后反射率数据与MSI反射率数据所构成的时序数据开展后续联合反演;
2)根据MSI反射率波段设置特点及叶绿素a浓度反演敏感波段,确定输入反演建模的波段;
3)极限梯度提升树模型的输入是单波段及波段组合形式,具体为:对于MSI来说,使用的波段为SB1~SB8,其中SB1代表Sentinel‑2MSI的B1,以此类推;对于融合的影像来说,使用的是对应于上述MSI波段范围的融合波段,即FB1~FB8,其中FB1代表对应MSIB1的融合波段,以此类推。
7.根据权利要求1所述的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,步骤S6中,获取联合反演模型的训练和验证数据集的具体步骤为:
1)根据步骤S4所提供的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;
2)在原有MSI数据及同期站点的n个样点对中,随机m个样点对作为训练数据集,剩余n‑m个为测试数据集的基础上,新增融合数据及同期站点的p个样点对,将m+p个样点对作为联合反演的训练数据集,通过极限梯度提升树的机器学习算法构建联合反演模型;
3)保持原有n‑m个样点对的测试数据集不变,用于验证所构建联合反演模型的精度。
8.根据权利要求7所述的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,步骤S6的分步骤2)中,n、m、p均为正整数,且m/n的比值控制在0.7~0.9之间。