申请/专利权人：北京林业大学

申请日：2023-09-06

公开（公告）日：2024-04-19

公开（公告）号：CN117216444B

主分类号：G06F17/10

分类号：G06F17/10;G06N3/0442;G06N3/0464;G06N3/048;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明涉及基于深度学习的植被物候参数提取领域，特别涉及一种基于深度学习的植被物候参数提取方法、装置、计算机设备以及存储介质，采用深度学习的方法，训练基于深度学习的植被物候参数提取模型，通过在样本区域，以若干个栅格作为植被物候参数样本点，构建若干个栅格对应的植被指数时间序列，并利用空间信息以及时间信息，从若干个栅格中提取若干个目标栅格，作为高质量植被物候参数样本点，并确定各个目标栅格对应的植被物候参数，获得各个目标栅格对应的植被物候参数的植被指数时间序列，构建训练数据集，采用深度学习的方法，训练基于深度学习的植被物候参数提取模型，以对待测区域进行基于深度学习的植被物候参数提取，解决了高质量物候计算时间过长等缺点，提高了植被物候参量提取的精准性以及效率性。

主权项：1.一种基于深度学习的植被物候参数提取方法，其特征在于，包括以下步骤：获得样本区域在样本时间段内的植被指数数据集，其中，所述植被指数数据集包括若干个日期的植被指数数据；根据所述植被指数数据集以及预设的栅格参数，构建所述样本区域的若干个栅格对应的植被指数时间序列，其中，所述植被指数时间序列包括所述栅格对应的若干个日期的植被指数数据；分别将各个所述栅格对应的植被指数时间序列输入至预设的双逻辑函数模型，获得各个所述栅格对应的平滑处理后的植被指数时间序列，其中，所述双逻辑函数模型为： 式中，fi为平滑处理后的植被指数时间序列中第i个日期的植被指数数据，α1为年度背景参数、α2为季前背景参数、α3为季后背景参数、β1为返青期位置参数、β2为枯黄期位置参数、为返青期速率参数以及为枯黄期速率参数；根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用动态阈值法，获得各个所述栅格对应第一生长季起始日期以及第一生长季结束日期；根据各个所述栅格对应的平滑处理后的植被指数时间序列，采用三阶导函数极值法，获得各个所述栅格对应的第二生长季起始日期以及第二生长季结束日期；将所述第一生长季起始日期、第一生长季结束日期、第二生长季起始日期以及第二生长季结束日期作为初步植被物候参数，确定各个所述栅格对应的初步植被物候参数，根据各个所述栅格对应的初步植被物候参数，从若干个所述栅格中提取若干个目标栅格；根据各个所述目标栅格对应的初步植被物候参数以及预设的目标植被物候参数计算算法，获得各个所述目标栅格对应的目标植被物候参数，其中，所述目标植被物候参数包括目标生长季起始日期以及目标生长季结束日期，所述目标植被物候参数计算算法为： 式中，SOS为目标生长季起始日期，SOST为第一生长季起始日期，SOSR为第二生长季起始日期，EOS为目标生长季结束日期，EOST为第一生长季结束日期，EOSR为第二生长季结束日期；根据各个所述目标栅格对应的目标植被物候参数以及植被指数数据，构建各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列；将各个所述目标栅格对应的目标植被物候参数对应的植被指数时间序列进行组合，构建训练数据集，将所述训练数据集输入至预设的深度学习模型中进行训练，获得目标深度学习模型；其中，所述深度学习模型包括第一卷积层、Bi-LSTM层、第二卷积层以及全连接层，其中，第一卷积层用于扩增时间序列通道，所述第二卷积层用于收束时间序列通道收束；响应于基于深度学习的植被物候参数提取指令，获得待测区域的若干个栅格对应的植被指数时间序列，将所述待测区域的若干个栅格对应的植被指数时间序列输入至所述目标深度学习模型，获得所述待测区域的若干个栅格对应的植被物候参数，作为所述待测区域的基于深度学习的植被物候参数提取结果。

全文数据：

权利要求：

百度查询： 北京林业大学 一种基于深度学习的植被物候参数提取方法以及装置

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