申请/专利权人：重庆邮电大学

申请日：2024-01-22

公开（公告）日：2024-04-19

公开（公告）号：CN117909662A

主分类号：G06F18/15

分类号：G06F18/15;G06F18/214;G06N3/0442;G06N3/045;G06N3/0475;G06N3/094;G06F123/02

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：本发明涉及一种基于深度学习改进的NDVI时间序列重建方法，属于遥感影像领域。所述方法包括：得到初始化NDVI时间序列；其次经过生成对抗网络中生成器和判别器的对抗训练深度挖掘遥感图像中植被群落潜在的空间关联性得到模拟生成的NDVI数据，完成初步填补；然后将生成的模拟数据与真实数据输入长短期记忆网络中学习可能存在的时间相关性，通过预测缺失值的方法来填补缺失的NDVI时间序列；最后在此基础上开展时空加权的S‑G迭代滤波以重建高质量的NDVI时间序列数据。该方法能够有效处理多云地区NDVI时间序列数据长时间缺失的问题，能为NDVI时间序列重建提供重要参考。

主权项：1.基于深度学习改进的NDVI时间序列重建方法，其特征在于：该方法包括以下步骤：S1：采用中分辨率成像光谱仪Moderate-resolutionImagingSpectroradiometer，MODIS提供的数据集编号为MOD13Q1的数据集，根据所选实验区域对原始归一化植被指数NormalizedDifferenceVegetationIndex，NDVI产品进行投影转换和图像裁剪，得到实验区域的NDVI时间序列数据；S2：将NDVI时间序列数据和MODIS所提供的植被指数质量控制VIQuality数据组合成初始的时间序列数据，VIQuality数据代表的是数据的质量，表示数据有没有受到云、雾的影响，能够作为辅助数据来标识有效、低质量、无效或缺失像元；S3：利用生成对抗网络GenerativeAdversarialNetwork，GAN络的生成器与判别器对抗训练生成逼真的合成数据，填补原始数据中的无效缺失部分；S4：将生成的数据集和原始数据集按照不同权重形成完整的训练数据集，划分为训练集、验证集和测试集输入到长短期记忆网络Longshort-termmemory，LSTM模型中进行训练，利用已知的数据对模型进行迭代优化，最终将VIQuality数据所标识的无效缺失数据进行填补S5：将填补后的NDVI时间序列进行基于时空权重的Savitzky-Golay滤波器迭代滤波，在平滑时间曲线的同时进一步去除仍然存在的少部分椒盐噪声，从而得到高质量的NDVI时间序列数据。

全文数据：

权利要求：

百度查询： 重庆邮电大学 基于深度学习改进的NDVI时间序列重建方法

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