申请/专利权人：西南交通大学

申请日：2024-01-12

公开（公告）日：2024-04-16

公开（公告）号：CN117893919A

主分类号：G06V20/13

分类号：G06V20/13;G06V20/10;G06V10/82;G06N3/0464;G06N3/0442;G01B11/28

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明涉及定量遥感卫星产品生成技术领域,具体地说是一种多云多雾地区高时空分辨率叶面积指数产品生成方法，本发明集成时空融合、数据同化与深度学习技术，其中时空融合技术为深度学习技术提供更多的学习信息，数据同化技术为深度学习技术提供高精度的学习目标，而深度学习技术有效解决多云多雾地区数据缺失问题，这三种技术相辅相成，填补了多云多雾地区高时空分辨率LAI产品的空白。

主权项：1.一种多云多雾地区高时空分辨率叶面积指数产品生成方法,其特征在于,包括以下步骤:S1：S1-1,针对云污染的Landsat目标影像前后三年时间的影像,使用GLASS叶面积指数计算结构相似性指数，寻找与其空间结构最相似的基准Landsat影像,具体为结构相似性指数高于0.85的Landsat影像被认为与目标影像结构较为相似，完全晴空且结构相似性指数最高的Landsat影像被选为最适基准影像；S1-2，当所述目标影响受云污染时，若具备所述S1-1的最适基准影像时，则使用FSDAF时空技术融合Landsat与MODIS地表反射率预测目标日期的Landsat地表反射率密度；若不具备符合所述S1-1的最适基准影像时，则保留目标日期原始的Landsat地表反射率；S2,选择可用Landsat地表反射率密度高于60％的像元作为样点,借助Globalland30地表分类数据，为每种地表覆盖类型均匀选择样点，从GLASS叶面积指数构建动态模型和以Landsat地表反射率为观测，对每个样点使用集合卡尔曼滤波技术同化出8天时间分辨率的Landsat叶面积指数参考序列；S3,对所有样点提取以样点为中心1.5km×1.5km区域内2年Landsat地表反射率时间序列矩阵作为输入,所述矩阵维度为46×50×50，缺失值赋值为0；根据时空融合后Landsat数据真实缺失情况,重新分配Landsat地表反射率时间序列矩阵中有效值的比例,以样点Landsat叶面积指数参考序列为输出,构建CNN-BiGRU模型；S4,在多云多雾地区，对所有所述S2中的像元进行估算，先后应用FSDAF技术和CNN-BiGRU模型,估算多云多雾地区高时空分辨率叶面积指数。

全文数据：

权利要求：

百度查询： 西南交通大学 一种多云多雾地区高时空分辨率叶面积指数产品生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD