1.一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,包括:
获取目标区域的遥感影像数据;所述遥感影像数据包括:高光谱遥感影像和高分辨率遥感影像;
对所述遥感影像数据进行预处理;所述预处理包括:辐射校正、大气校正、几何校正及裁剪;
对所述预处理后的所述遥感影像数据进行波基自适应选择、多尺度小波分解、低频分量及高频分量融合以及小波逆变换重构,得到最终融合图像;
对所述最终融合图像进行光谱分辨率细化处理和多带宽尺度模拟,得到多光谱分辨率影像数据;所述多光谱分辨率影像包括:若干组不同光谱分辨率的模拟影像;
对所述多光谱分辨率影像数据进行光谱特征提取,得到植被相关光谱特征;
对所述多光谱分辨率影像数据进行自适应谐波分解、扩展频域特征计算、空间邻域特征融合以及特征整合,得到最终频率特征;
对所述植被相关光谱特征和所述最终频率特征进行组合,得到输入特征集;
将所述输入特征集输入到预训练的生态变量反演估算模型中进行数据生成,得到目标生态变量预测值。
2.根据权利要求1所述的一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,对所述预处理后的所述遥感影像数据进行波基自适应选择、多尺度小波分解、低频分量及高频分量融合以及小波逆变换重构,得到最终融合图像,包括:预选定预备小波基集合;
利用所述预备小波基集合中每一种候选小波基对所述预处理后的所述遥感影像数据进行小波分解及融合,得到临时融合图像;
对所述临时融合图像进行光谱角映射数据计算,得到光谱相似度指标;所述光谱相似度指标的计算公式为:其中,SAM(p,q)为所述光谱相似度指标;p为所述预处理后的所述高光谱遥感影像的像元光谱向量;q为所述临时融合图像的像元光谱向量;arccos(·)表示反余弦函数;
对所述临时融合图像进行结构相似度计算,得到空间质量指标;所述空间质量指标的计算公式为:其中,SSIM(x,y)为所述空间质量指标;x、y分别为所述预处理后的所述高分辨率遥感影像和所述临时融合图像的待比较图像块;μx、μy分别为x和y的像素均值;分别为x和y的像素方差;σxy为x和y的协方差;C1和C2分别为第一常数项和第二常数项;
对所述光谱相似度指标和所述空间质量指标进行加权计算,得到波段评分;所述波段评分的计算公式为:其中,ω1+ω2=1;Score为所述波段评分;ω1、ω2分别为第一权重和第二权重;
对所述波段评分进行降序排列,得到评分顺序集,并顺序提取所述评分顺序集中目标数量的所述波段评分对应的所述候选小波基,得到最优小波基集合。
3.根据权利要求2所述的一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,利用所述预备小波基集合中每一种候选小波基对所述预处理后的所述遥感影像数据进行小波分解及融合,得到临时融合图像,包括:利用所述预备小波基集合中每一种候选小波基对所述预处理后的所述高光谱遥感影像和所述高分辨率遥感影像进行1层小波分解;
选取分解后的所述高光谱遥感影像的低频部分以及所述高分辨率遥感影像的高频部分,得到临时融合数据;
对所述临时融合数据进行1层小波逆变换,得到所述临时融合图像。
4.根据权利要求2所述的一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,对所述预处理后的所述遥感影像数据进行波基自适应选择、多尺度小波分解、低频分量及高频分量融合以及小波逆变换重构,得到最终融合图像,包括:利用所述最优小波基集合对所述预处理后的所述高光谱遥感影像和所述高分辨率遥感影像进行2层小波分解,得到高光谱分解结果和高分辨率分解结果;所述高光谱分解结果包括:高光谱低频分量、第一高光谱高频分量和第二高光谱高频分量;所述高分辨率分解结果包括:高分辨率低频分量、第一高分辨率高频分量和第二高分辨率高频分量;
计算所述预处理后的所述高分辨率遥感影像每个像素3×3领域内的局部方差并进行归一化处理,得到局部融合权重;
利用所述局部融合权重对所述高光谱分解结果和所述高分辨率分解结果内的高频部分进行加权融合,得到高频融合结果;
对所述高光谱低频分量和所述高分辨率低频分量进行相关度计算,得到相关系数;所述相关系数的计算公式为:其中,ρb为第b波段的所述相关系数;i、j分别为像元坐标的行号和列号;分别表示所述高光谱低频分量、所述高分辨率低频分量第b波段低频分量在(i,j)像元处的反射率值;分别表示所述高光谱低频分量、所述高分辨率低频分量第b波段的全局均值;
当所述相关系数大于预设光谱阈值时,保留所述高光谱低频分量,得到低频融合结果;
当所述相关系数小于预设光谱阈值时,计算所在波段的光谱角映射值,根据所述光谱角映射值计算光谱保真度权重,并利用所述光谱保真度权重对所述高光谱低频分量和所述高分辨率低频分量进行加权融合,得到所述低频融合结果;所述低频融合结果的计算公式为:其中,为所述低频融合结果;αb为所述光谱保真度权重;SAMb为所述光谱角映射值;minSAM表示全部波段中SAMb的最小值;
对所述高频融合结果和所述低频融合结果进行2层小波逆变换,得到所述最终融合图像。
5.根据权利要求4所述的一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,对所述最终融合图像进行光谱分辨率细化处理和多带宽尺度模拟,得到多光谱分辨率影像数据,包括:构建高斯光谱响应函数;所述高斯光谱响应函数的表达式为:
其中,Ra(i,j)为第a个波段在像元(i,j)处的反射率值;Aa为第a个波段的幅度;μa为第a个波段的中心波长;σa为标准差参数;
选定带宽范围;
计算所述带宽范围内每种带宽对应的标准差参数;所述标准差参数的计算公式为:其中,W为目标带宽;
将所述标准差参数更新到所述高斯光谱响应函数中,并根据所述最终融合图像利用更新后的所述高斯光谱响应函数生成和所述标准差参数对应的带宽下的光谱反射率数据,得到所述多光谱分辨率影像数据。
6.根据权利要求5所述的一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,对所述多光谱分辨率影像数据进行光谱特征提取,得到植被相关光谱特征,包括:计算所述多光谱分辨率影像数据的归一化植被指数、绿色植被指数、差异植被指数、改进型土壤调节植被指数、绿色归一化差异植被指数、土壤调整植被指数、光谱变异系数以及光谱凸包体积进行计算,得到所述植被相关光谱特征。
7.根据权利要求6所述的一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,对所述多光谱分辨率影像数据进行自适应谐波分解、扩展频域特征计算、空间邻域特征融合以及特征整合,得到最终频率特征,包括:对所述多光谱分辨率影像数据中每个像元光谱序列进行高斯低通滤波,并剔除信噪比小于20dB的波段数据,得到去噪光谱序列;
对所述去噪光谱序列进行傅里叶变换,并逐步计算每个阶次下的光谱重构误差,并记录所述光谱重构误差首次小于5%的阶数,得到最优阶数;
提取第一阶数到所述最优阶数中每个阶数对应的谐波系数和功率谱,并根据所述谐波系数对振幅和相位进行计算,得到谐波分解特征向量;
计算第一阶数到所述最优阶数的能量熵、最大频率能量占比以及相邻谐波互功率谱,得到基础频率特征向量;
利用3×3滑动窗口计算所述多光谱分辨率影像数据窗口内所有像元第一阶数到所述最优阶数的谐波系数均值和标准差,得到空间增强特征向量;
合并所述谐波分解特征向量、所述基础频率特征向量以及所述空间增强特征向量,得到所述最终频率特征。
8.根据权利要求7所述的一种基于多源遥感影像融合的生物多样性反演方法,其特征在于,所述生态变量反演估算模型的训练过程,包括:利用三维卷积替代基础DNN网络的二维卷积,将所述基础DNN网络的输出层替换为多任务输出头,得到改进型DNN网络;
采集研究区域不同子区域和时间段的所述遥感影像数据和若干生物指标数据,提取所述所述遥感影像数据的输入特征集,并将所述输入特征集和全部所述生物指标数据成对组合,得到包括若干组训练数据对的模型训练数据集;
将所述模型训练数据集输入到所述改进型DNN网络中进行前向传播,得到网络输出;
利用损失函数计算每个所述任务输出头的损失值,得到单指标误差,对全部所述单指标误差进行加和,得到整体误差;所述损失函数的表达式为:其中,为第k个所述任务输出头的所述单指标误差;为第k个所述任务输出头输出的预测值;yk为和第k个所述任务输出头对应的实际指标数据;
利用所述单指标误差对所述任务输出头的参数进行反向传播优化,利用所述整体误差对所述改进型DNN网络的隐藏层参数进行反向传播优化,并返回步骤“将所述模型训练数据集输入到所述改进型DNN网络中进行前向传播,得到网络输出”,得到训练完成的所述生态变量反演估算模型。
9.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述处理器通信连接的存储器;其中,所述存储器存储有能够被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行权利要求1至8中任一项所述的一种基于多源遥感影像融合的生物多样性反演方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1至8中任一项所述的一种基于多源遥感影像融合的生物多样性反演方法。