CN119399648A 一种基于残差特征融合反演的积雪覆盖度估计方法 （无锡学院）

一种基于残差特征融合反演的积雪覆盖度为一种基于残差特征融合反演的积雪覆盖度估预处理和地理高程数据的拼接；生成二元积雪覆盖度估计结果再拼接成一张完整的积雪覆盖2步骤3：根据筛选后的陆地卫星数据与SNOWMAP算法生成资料，因此，FY_4A/AGRI遥感影像上的一个像素对应于Landsat8遥感影像上的67x67的窗;2.如权利要求1所述的一种基于残差特征融合反演的积雪覆盖度估计方法，其特征在3.如权利要求1所述的一种基于残差特征融合反演的积雪覆盖度估计方法，其特征在4.如权利要求3所述的一种基于残差特征融合反演的积雪覆盖度估计方法，其特征在3;;参数为y和p，则得到公式：o.分别为第c个通道的均值和标准差，i,j是特征图像素的二维坐标；。5.如权利要求3所述的一种基于残差特征融合反演的积雪覆盖度估计方法，其特征在所述改进协调注意力机制模块由特征矩阵经过X方向上的最大值池化和;4;;;;;;6.如权利要求3所述的一种基于残差特征融合反演的积雪覆盖度估计方法，其特征在与输入特征矩阵相乘给重要程度高于阈值的特征图分配高权重，随后通过1*1卷积调整通5;;7.如权利要求3所述的一种基于残差特征融合反演的积雪覆盖度估计方法，其特征在所述多尺度回归模块由3个尺度的特征图分别经过1*1卷积调整通道过上采样模块恢复分辨率得到多尺度融合特征，最后多尺度融合特征分别经过两次3*3卷行时实现如权利要求1_7中任一项所述的一种基于残差特征融合反演的积雪覆盖度估计方9.一种计算机设备，包括存储器、处理器及存储基于残差特征融合反演的积雪覆盖度估计方法中6建了深层次的积雪覆盖度估计方法并在北方某一区域取得了优于人工神经网络等方法的7[0007]本发明的目的在于提供基于一种基于残差特征融合反演所述根据定义法和气象卫星分辨率计算积雪覆盖度，获得积雪覆盖度标签过程;通过在USGS官网和风云卫星遥感数据服务网获取气象8;;一化参数为和β,则得到公式：G:分别为第c个通道的均值和标准差，i,j是特征图像素的二维坐标；所述改进协调注意力机制模块由特征矩阵经过X方向上的最大值池化和平均池f9;;;;;权重与输入特征矩阵相乘给重要程度高于阈值的特征图分配高权重，随后通过1*1卷积调上述的一种基于残差特征融合反演的积雪覆盖度估效果且医用简便，模型训练完成后单张卫星影像的积雪覆盖度估计时间只需要一至两秒，比于传统方法具有更高的估计精度；4.只需要在实验阶段调整少量深度学习模型的超参后误差不超过10分钟的Landset8陆地卫星影像下载，得到如图2所示的30米分辨率陆地卫后的FY4A气象卫星影像与研究区域的地理高程数据沿通道方[0026]步骤3：根据筛选后的陆地卫星第三波段与第六波段数据得到归一化积雪指数本实施例中使用FY4A2KM分辨率影像作为输入数据，因此根据积雪覆盖度定义计算2KM分[0027]步骤4：将拼接地理高程数据后的FY4A影像与积雪覆盖度标签叠加裁剪为相同大编码层由4个残差块组成，第一个残差块由一个下采样残差模块和两个基本残差下采样残差模块由主支路和残差支路组成，主支路由3*3卷积Conv1、批归一化、残差支路不进行任何运算直接将下采样模块原始输入与主支行最大值池化、平均值池化，随后将池化结果沿着通道方向拼接并通过1*1卷积Conv13、的气象卫星数据需要在经过预处理后与地理高程数据在通道方向上叠加，然后裁剪为64*进行特征提取后输出64*32*32的特征图，经过第二个残差块进行特征提取后输出128*16*随后将第二个残差块输出的特征图经过上采样模块输出128*32*32的特征图并沿着通道方向与第一个残差块输出的特征图进行拼接，并依次通过改进的协调注意力机制、上采样模块输出256*16*16的特征图并沿着通道方向与第二个残差块输出的特征图进行拼特征；将第四个残差块输出的特征图经过上采样模块输出512*8*8的特征图并沿着通道方模块得到384*8*8的第一级大尺度融合特征；将第一级中尺度融合特征经过上采样模块输出192*32*32的特征图并沿着通道方向与第一级小尺度融合特征进行拼接，并依次通过改尺度融合特征征经过上采样模块输出384*16*16的特征图并沿着通道方向与第一级中尺度二级中尺度融合特征；将第二级中尺度融合特征经过上采样模块输出288*32*32的特征图并沿着通道方向与第二级小尺度融合特征进行拼接，并依次通过改进的协调注意力机制、回归输出层的输入特征，分别经过1*1卷积调整特征通道数量为144*32*32、144*16*16、144*16*16的中尺度特征拼接得到216*16*16的特征图，将之通过上采样模块输出108*32*过上采样模块得到126*64*64的最终小尺度特征图，并分别经过1*1卷积、批归一化、[0030]本发明提出的积雪覆盖度估计方法中的改进注意力机制为强化了积雪与无雪像加突出的特征图；特征细化模块可以进一步提取和优化积雪覆盖区域的空间和光谱特征，与均方根误差RMSE分别达到了0.6744与0.通过基于卷积的特征提取方式扩大了感受野，提升了积雪覆盖度估计的准确率与稳定性，缓解了由于地质条件复杂而造成的精度干扰，增加了对于零星积雪的敏感性。通过利用时实现实施例1的一种基于残差特征融合反演的积雪[0035]本实施例的计算机可读存储介质用于存储计算机程序以及终端所需的其他程序运行的计算机程序，所述处理器执行所述程序时实现实施例1的一种基于残差特征融合反[0039]本方案是参照根据本方案实施例的方法、和计算机程序产品的流程图和/或方示流程图一个流程或多个流程和/或方示意图一个方框或多个方框中指定的[0040]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方示意图一个方框其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方示意图通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。