申请/专利权人：吉林大学

申请日：2024-01-22

公开（公告）日：2024-04-19

公开（公告）号：CN117911894A

主分类号：G06V20/13

分类号：G06V20/13;G01W1/10;G01S13/95;G01S7/41;G06V20/10;G06V10/62;G06V10/764;G06V10/82;G06N3/0442;G06N3/045;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于ADC‑GRU网络和FF‑DNN模型的SAR卫星遥感积雪深度时空预测方法，属于卫星遥感图像处理与应用的技术领域。本发明针对已有积雪深度产品无法同时满足高空间分辨率和高时间分辨率的需求，结合气象站的历史监测数据和其他辅助数据，提出了基于ADC‑GRU网络异常数据检测与校正‑门循环单元网络的时间序列雪深预测模型；进一步将基于ADC‑GRU网络的时间序列雪深预测模型和基于FF‑DNN模型的SAR卫星遥雪深反演结果相结合，联合地面时序算法模型的时序性及雷达卫星遥感大范围观测积雪深度的优势，建立基于ADC‑GRU网络和FF‑DNN模型的SAR卫星遥感积雪深度时空预测方法，获取逐日高时空分辨率的积雪深度结果。

主权项：1.基于ADC-GRU网络和FF-DNN模型的SAR卫星遥感积雪深度时空预测方法，其特征在于，该方法包括以下步骤：步骤一、数据预处理：利用土地分类数据，对研究地区按照农田和森林地物类型分别划分；同时对积雪反演和积雪预测需要使用到的数据进行预处理，数据主要包含哨兵1号SAR数据、气象数据、地理信息数据及森林特征数据；哨兵1号SAR数据主要包括研究地区内的雷达局部入射角LIA、产品局部入射角PLIA、椭球入射角IAFE，不同极化方式的后向散射系数SigmaVH、GammaVH、BetaVH、SigmaVV、GammaVV、BetaVV，以及在原始特征上进行数据扩充获取的SigmaVHSigmaVV、GammaVHGammaVV、BetaVHBetaVV、SigmaVH-SigmaVV、GammaVH-GammaVV、BetaVH-BetaVV、SigmaVH+SigmaVV、GammaVH+GammaVV、BetaVH+BetaVV、SigmaVH-SigmaVVSigmaVH+SigmaVV、GammaVH-GammaVVGammaVH+GammaVV和BetaVH-BetaVVBetaVH+BetaVV；气象数据采用ERA5气候再分析数据集，处理后获得研究地区内逐天逐像素的气象数据，包括2m温度、雪密度、雪反照率、2m露点温度和大气压力；地理信息数据采用SRTMDEM90M数据，处理获得研究地区内逐像素的地理信息数据，包括高程、坡度和坡向；森林特征数据包括森林覆盖数据和森林冠层高度数据，其中森林覆盖数据由MOD44BVCF的年产品处理后得到逐像素的森林覆盖度，森林冠层高度数据由国家森林冠层高度数据处理得到逐像素的森林冠层高度；步骤二、基于历史气象站点数据建立网络异常数据检测与校正-门循环单元网络ADC-GRU时间序列雪深预测模型；a输入数据：针对森林和农田研究地区，获取农田气象站和森林气象站对应的气象数据、地理信息数据及时间辅助数据作为输入数据；所述的气象数据为2m温度、2m露点温度和大气压力；地理信息数据为经度、纬度、高程、坡度和坡向数据；时间辅助数据为日期数据；其中，气象数据采用Rp5数据，地理信息数据采用步骤一处理后的SRTMDEM90M数据；b积雪深度异常数据检测与校正处理模块ADC：首先，根据研究地区积雪深度变化确定积雪深度经验阈值SDthd，当观测点邻近时间的雪深数据差值ΔSDSDthd时，则认为存在异常数据；ΔSD＝SDt-1-SDt+11其中，SDt–1为异常发生前一天的雪深值，SDt+1为异常发生后一天的雪深值；然后利用当前观测邻近时间的雪深数据对异常数据进行校正； 其中，SD’为校正结果；c时间序列雪深预测GRU网络：经校正后的历史积雪深度数据进一步输入到GRU网络，构建基于气象站点数据的时序雪深预测模型，模型训练过程使用后向误差传播算法来更新参数，并依次迭代，直到损失函数收敛；GRU模型具体单元的计算公式3-6所示；Zt＝σWzxxt+Wzhht-1+bz3rt＝σWrxxt+Wrhht-1+br4 其中Zt是t时刻的更新门向量，rt是t时刻的复位门向量；是更新后的候选向量，Ct是隐层在时刻t的输出向量；σ是符号函数，Wzx、Wzh、Wrh、Wrh、Wch、Wcx是每个连接向量之间的权重矩阵，ht是隐层在时刻t的输出状态，也是下一时刻的输入状态；xt是当前时刻的输入特征；bz、br、bc分别为与其相对应的偏置参数；步骤三、以哨兵1号SAR数据和辅助数据为输入数据，构建FF-DNN模型；FF-DNN模型构建由以下三个步骤组成：a数据预处理：针对农田、森林土地覆盖类型，获取研究地区对应的步骤一处理后的哨兵1号SAR数据、ERA5气象数据、SRTMDEM90M地理信息数据、森林覆盖度和森林冠层高度数据。农田类型的原始特征包括：基于哨兵1号数据获得的雷达局部入射角LIA、产品局部入射角PLIA、椭球入射角IAFE，不同极化方式的后向散射系数SigmaVH、GammaVH、BetaVH、SigmaVV、GammaVV、BetaVV，以及在原始特征上进行数据扩充获取的SigmaVHSigmaVV、GammaVHGammaVV、BetaVHBetaVV、SigmaVH-SigmaVV、GammaVH-GammaVV、BetaVH-BetaVV、SigmaVH+SigmaVV、GammaVH+GammaVV、BetaVH+BetaVV、SigmaVH-SigmaVVSigmaVH+SigmaVV、GammaVH-GammaVVGammaVH+GammaVV和BetaVH-BetaVVBetaVH+BetaVV；基于ERA5气象数据获取的2m温度、雪密度和雪反照率；基于SRTMDEM90M获取的高程、坡度、和坡向；森林类型的原始特征包括：基于哨兵1号数据获得雷达局部入射角LIA、产品局部入射角PLIA、椭球入射角IAFE，不同极化方式的后向散射系数SigmaVH、GammaVH、BetaVH、SigmaVV、GammaVV、BetaVV，以及在原始特征上进行数据扩充获取的SigmaVHSigmaVV、GammaVHGammaVV、BetaVHBetaVV、SigmaVH-SigmaVV、GammaVH-GammaVV、BetaVH-BetaVV、SigmaVH+SigmaVV、GammaVH+GammaVV、BetaVH+BetaVV、SigmaVH-SigmaVVSigmaVH+SigmaVV、GammaVH-GammaVVGammaVH+GammaVV和BetaVH-BetaVVBetaVH+BetaVV；基于ERA5气象数据获取的2m温度、雪密度和雪反照率；基于SRTMDEM90M获取的高程、坡度、和坡向；基于国家森林冠层高度数据获取的森林冠层高度数据；基于MOD44BVCF数据获取的森林覆盖度。b采用公式7对每个特征维度的所有输入数据进行标准化处理； 其中，x*为标准化特征数据，x为输入的特征数据，μ和σ分别为每个特征数据的均值和方差；c利用基于皮尔逊相关系数的特征筛选方法对输入的全部特征进行优化，选择最佳的特征输入，保留与雪深特征相关性最强但相互相关性最弱的特征，避免特征冗余；皮尔逊相关系数可以度量数据之间的相关性，其绝对值越接近1，数据之间的相关性越强，具体的筛选流程如下：1利用公式计算两个变量X和Y之间皮尔逊相关系数的公式如下， 其中X,Y为特征变量，为特征变量的平均值，n为各变量所取值的个数；首先，令Y为积雪深度SD，X为输入特征，将所有结果构成集合P1＝{PSD-X1，PSD-X2，...，PSD-XM}；2将集合P1中的特征值按降序排序，并保留前K值的特征作为集合P2；P2＝{PSD-X1',PSD-X2',...,PSD-Xk'}，具体阈值K通过经验和实验精度确定；3计算集合P2中任意两个变量的皮尔逊相关系数值，并保留两变量皮尔逊相关系数值小于0.9并与积雪深度相关性更高的特征作为最终优化特征；d将优化后的特征输入至深度神经网络DNN，构建雪深反演模型，获取研究地区哨兵1号SAR数据对应的积雪深度值；在训练过程中，输入特征首先随信息进行前向传播，同时进行误差的反向传播，并计算损失函数，不断调整网络中的权值和偏差以减少损失，最终减少输出结果的误差；步骤四、基于网络异常数据检测与校正-门循环单元网络和FF-DNN模型，利用SAR卫星遥感数据进行积雪深度时空预测：针对不同土地覆盖类型，结合基于ADC-GRU网络的时间序列雪深预测模型和基于FF-DNN模型的SAR卫星遥感雪深反演结果，将气象站数据的时间序列雪深预测模型的应用到SAR遥感数据的时空雪深预测模型中，获取高时间分辨率、高空间分辨率的积雪时空预测结果；具体实现由以下a和b两个部分组成：a利用步骤三构建好的FF-DNN模型和SAR卫星遥感影像进行研究地区积雪深度反演，以研究地区初期T0和末期Tk的哨兵1号SAR数据、ERA5气象数据，SRTMDEM90M地理信息数据及森林覆盖度和森林冠层高度数据作为FF-DNN模型的输入数据，经过FF-DNN模型获取研究地区初期T0和末期Tk的积雪深度值；其中，初期T0积雪深度值作为雪深时空预测模块的输入数据，末期Tk积雪深度值作为雪深时空预测模块的输出验证数据；研究地区为农田类型时：FF-DNN模型选用的特征包括基于哨兵1号数据获得的雷达局部入射角LIA、BetaVV、GammaVH和BetaVHBetaVV；利用ERA5气象数据获取的2m温度、雪密度和雪反照率；利用SRTMDEM90M数据获取的高程和坡度。研究地区为森林类型时：FF-DNN模型选用的特征包括基于哨兵1号数据获得雷达局部入射角LIA、椭球入射角IAFE、不同极化方式的后向散射系数GammaVH、BetaVV，以及SigmaVHSigmaVV、BetaVHBetaVV、SigmaVH-SigmaVV、BetaVH+BetaVV、SigmaVH-SigmaVVSigmaVH+SigmaVV；利用ERA5气象数据获取的2m温度、雪密度和雪反照率；利用SRTMDEM90M数据获取的的高程、坡度和坡向；以及利用国家森林冠层高度数据获取的森林冠层高度数据；利用MOD44BVCF数据获取的森林覆盖度。b实现基于ADC-GRU网络和FF-DNN模型SAR卫星遥感雪深时空预测，具体实现过程如下：1输入数据准备：数据主要包括基于FF-DNN模型获取的SAR卫星遥感影像初期T0的积雪深度、气象数据、地理信息数据及时间数据；气象数据采用步骤一中ERA5数据处理得到的2m温度、2m露点温度和大气压力；地理信息数据采用SRTMDEM90M经步骤一处理得到的高程、坡度和坡向数据；时间数据选择人工标注信息的日期、年、月、日数据；2针对不同土地覆盖类型，利用步骤二提出的ADC-GRU模型进行研究地区积雪深度时序预测，将初期T0积雪深度值送入已训练好的ADC-GRU模型，预测第二天T1的积雪深度值，同时将此预测结果返回，作为下一预测过程的输入信息；3对步骤2不断进行迭代，获取从初期T0至末期Tk的研究地区逐日积雪深度预测结果。

全文数据：

权利要求：

百度查询： 吉林大学 基于ADC-GRU网络和FF-DNN模型的SAR卫星遥感积雪深度时空预测方法

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