CN114330530B 基于空谱融合与模型学习耦合的叶绿素a浓度反演方法 （安徽大学）

基于空谱融合与模型学习耦合的叶绿素a浓基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，通过获取相同日期MODIS和Sentinel-2绿素a浓度反演的MODIS和Sentinel-2空-谱融合模型等物理约束，从而获得具有MODIS光谱分辨素a浓度反演提供高空谱分辨率数据源；结合实提升树等机器学习的水质反演算法下验证融合21.基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，其特征在于，包括以下步骤:步骤二、在MODIS数据上对叶绿素a反演的敏感波段进行选择，并结合MODIS与敏感波段的选择及光谱响应函数分组的具体21)根据MODIS数据波段设置特点，敏感波段定区域MODIS卫星影像反射率数据部分波段缺失问题，最终选择MODIS反射率波段为B1~22)利用两种卫星传感器的光谱响应函数，将对应Sentinel-2同一波段光谱响应函数若没有对应的Sentinel-2波段，则将该MODIS波段划分到与之光谱最邻步骤六、根据步骤四得到的融合后反射率数据和Sentinel-2反射率数据波段设置特61)利用步骤四的耦合物理模型与深度学习的空谱融合框架，得到各波段反射率融合62)利用融合后反射率波段与原Sentinel-2反射率波段进行协同反演，构建波段反射单波段及波段组合形式；具体为：FB8代表MODIS第八波段的融合结果，以此类推，在入的有效反射率数据及波段组合和步骤五的实测叶绿素a浓度训练数据集，通过梯度提升32.根据权利要求1所述的基于空谱融合与模型学习3.根据权利要求1所述的基于空谱融合与31)利用MODIS各波段的相关性，选择与待融合的MO段且这三个MODIS均位于步骤二所划分组的不同组，再选择这三个MODIS波段所对应的率数据对以及待融合的MOIDS低空间分4.根据权利要求1所述的基于空谱融合与模型学习耦合一条支线用于输入Sentinel-2高空间分辨率图像，一条支线用于输入MODIS低空间分辨率图像，一条支线用于输入待融合的MODIS低空间分辨率图像与前两条支线高低分差值每条支线分别包含若干卷积池化，同时为了网络能更深层次的RMSE2为光谱保真损失函数，考虑影像的物理退化过程，利用卷积网络提取待融合的与:'是通过由卷积神经网络组成的退化模型连接；5.根据权利要求1所述的基于空谱融合与4遥感数据和不断改进的反演模型促进了chl-a浓度遥感监测的应[0003]然而在chl-a浓度遥感监测过程中，遥感传感器获取的卫星数据还存在着空间分增加了地面验证采样点布设的难度，限制了其在中小型湖泊、河流监测中的应用；留光谱信息的同时提高其空间分辨率，最终获得一幅综合了多幅图像有效信息的融合图出基于空谱融合与模型-学习耦合的叶绿素a浓度[0006]本发明目的在于解决叶绿素a浓度反演所用卫星数据的空间分辨率与光谱分辨率[0010]步骤二、在MODIS数据上对叶绿素a反演的敏感波段进行选择，并结合MODIS与5[0020]1)利用MODIS各波段的相关性，选择与待融合的MODIS波段相关性最高的两个MODIS波段且这三个MODIS均位于步骤二所划分组的不同组，再选择这三个MODIS波段所对分辨率数据对以及待融合的MOIDS低空间分辨6:'表示经过退化后的预测Ji与是通过由卷积神经网络组成的退化模型连接。率与步骤五获取的实测叶绿素a浓度训练数据集的反演模型；结合输入的有效反射率数据及波段组合和步骤五的实测叶绿素a浓度训练数据集，通过梯度提升树模型得到协同反演[0041]本发明公开了基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，改进之处[0043]2)由基于误差的自适应系数负反馈神经网络修正了有些ZNN模型在噪声干扰下无法稳定的缺陷，即修正的ZNN模型在噪声干扰的情况仍然可以精确地求解时变李雅普诺夫[0045]4)本方法有效提高了叶绿素a浓度的反演精度，并克服了传统水色卫星难以观测7[0050]步骤一、获取巢湖区域的MODIS与Sentinel-2反射率数据并进行预处理，包括拼[0051]其中，MODIS所涉及数据是MOD09反射率数据和MODISL1B数据，前者包括16个波利用ENVI中MCTK插件进行预处理；Sentinel-2是L1C数据产品，包含13个波段，涉及10m、[0052]步骤二、对叶绿素a反演的敏感波段进行选择，并引入光谱响应函数将待融合的B8A；利用两种传感器的光谱响应函数，将对应Sentinel-2同一波段光谱响应函数范围的[0054]若没有对应的Sentinel-2波段，则将该MODIS波段划分到与之光谱最邻近的择这三个MOD09波段所对应的Sentinel-2波段，其中将与待融合的MOD09波段对应的8[0061]其中，近红外B2波段与各波段相关性均较低，从融合结果考虑，选择利用MODIS9:'表示经过退化后的预测