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: 2023107800100
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
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.基于迁移学习与半监督回归模型的湖泊叶绿素反演方法,其特征在于,该方法的具体步骤如下:

1)首先选取地点实测地面高光谱数据和叶绿素浓度数据;然后对Sentinel-2多光谱数据通过最邻近采样法重采样至10m分辨率,对采样后的研究区域的多组遥感影像进行拼接处理,之后裁剪选取实验区并依次对每张图像进行波段运算处理,最后提取指定点的Sentinel-2图像对应波段反射率;地面实测高光谱数据光谱范围为320-940nm,光谱分辨率为1nm,地面实测数据包括高光谱数据和对应点位的叶绿素浓度;

根据地面实测采样点位和日期,查找与地面实测日期间隔i天以内的Sentinel-2多光谱数据,并赋予相应的叶绿素浓度;选择与地面实测日期间隔大于i天,或者无叶绿素浓度的Sentinel-2多光谱数据的日期,根据该日期选择Sentinel-2多光谱数据,i=0~5;

2)使用TCA方法进行地面高光谱特征和对应的Sentinel-2多光谱特征的迁移;TCA方法的执行模块由HM-TCA模块和UHM-TCA模块组成,HM-TCA模块用于执行以下步骤:

选取位于443-705nm波长区间的6个Sentinel-2波段和6个经验公式,共12个特征分别构建Sentinel-2光谱特征数据和地面高光谱特征数据,地面高光谱特征数据为高光谱数据在对应波段处的值;其中6个经验公式分别为波段比值法、三波段法、增强三波段法、近红-红、归一化叶绿素指数和蓝绿比值法;

将地面高光谱特征数据和对应的有叶绿素浓度的Sentinel-2多光谱特征数据整理成相同数据维度m1×n,其中m1代表有叶绿素浓度的样本个数,n代表光谱特征个数;无叶绿素浓度数据维度为m2×n,其中m2代表无叶绿素浓度样本个数,n代表光谱特征个数;n=12,因此以12个地面高光谱特征数据作为源域,12个Sentinel-2光谱特征数据作为目标域,由此进行对应光谱特征数据的迁移;

地面高光谱特征数据Sentinel-2多光谱特征数据则最大均值差异:

其中,H是将不同边缘概率分布的源域和目标域数据映射到一个高维的再生核希尔伯特空间(RKHS),φ是使这个距离最小的映射;利用核函数转化为:Dist(Xsh,Xtm)=trace(KL)                      (2)其中,Ksh与Ktm分别为在地面高光谱特征数据和Sentinel-2多光谱

特征数据中定义的核矩阵;L矩阵的构成如公式(3)所示,1为全为1的矩阵;引入化简公式(3)求变换后的Sentinel-2多光谱特征数据:Dist(Xs,Xt)=trace((KWWTK)L)=tr(WTKLKW)                  (4)求其中μ为一个平衡参数,正则化项tr(WTW)的加入是为了控制W的复杂度;最终,变换矩阵W前n个特征值对应的特征向量即为解,将其输出得到TCA变换后的多光谱特征数据;完成对地面高光谱特征数据向有叶绿素浓度的Sentinel-2多光谱特征数据的迁移;

UHM-TCA模块用于执行以下步骤:

将经过HM-TCA模块处理得到的迁移后的地面高光谱特征数据和对应的有叶绿素浓度的Sentinel-2多光谱特征数据整合成为一个数据维度2m1×n的数据,并以其为源域;将无叶绿素浓度的Sentinel-2多光谱特征数据整理成一个数据维度m2×n的数据,以其为目标域;

保留变换矩阵进行迁移,完成对无叶绿素浓度的Sentinel-2多光谱特征数据的迁移:(Xtu')T=K'W                  (5)

其中,保留第一次迁移时的变换矩阵W,核矩阵K'对应的是HM-TCA后的地面数据Xsh'与Sentinel-2数据Xtm'组成的新的源域数据集;

3)构建Coreg协同回归算法模型,通过构建Coreg协同回归算法模型反演出叶绿素浓度,其中构建Coreg协同回归算法模型的步骤如下:输入模型的训练样本有两部分,一部分是通过HM-TCA模块进行迁移得到的有叶绿素浓度的Sentinel-2多光谱特征数据,另一部分是通过UHM-TCA模块进行迁移得到的无叶绿素浓度的Sentinel-2多光谱特征数据,输出为叶绿素浓度;采用10折交叉验证与网格搜索确定模型的最大学习迭代次数和两个KNN基学习器的k1和k2值。

2.根据权利要求1所述的基于迁移学习与半监督回归模型的湖泊叶绿素反演方法,其特征在于,步骤1)中影像预处理的方法为:(a)重采样:Sentinel-2数据在不同波段拥有不同的空间分辨率,利用SNAP软件的重采样工具,将图像通过最近邻法统一采样至10m分辨率,从而完成图像重采样工作;

(b)图像拼接的方法:利用遥感图像处理平台ENVI的融合Mosaicking工具来拼接研究区域的两组图像,覆盖实验区;

(c)图像剪裁用于获得感兴趣的研究区域ROI

(d)波段运算:由于输入机器学习模型中的各个特征中,既有单波段也有波段组合,因此对每一张影像的各个波段,通过遥感图像处理平台ENVI的波段运算Band Math工具箱进行波段运算处理,为后续反射率的提取做准备;

(e)反射率提取:通过遥感图像处理平台ENVI的曲线拟合Curve Fitting工具箱,提取对应实测点的指定经纬度点的像素值,也就是地表反射率的值。