CN119494944A 基于多源知识与深度学习模型的遥感水体数据集填补方法 （河海大学）

基于多源知识与深度学习模型的遥感水体本发明公开了基于多源知识数据和深度学感数据平台获取目标区域目标历史年份内各目用动态阈值法对各幅遥感影像中信息缺失像元卷积神经网络CNN与长短期记忆网络LSTM相串联历史年份内各目标月份下无水体信息缺失的遥2步骤二、获取目标区域各目标历史年份内各目标月份步骤三、基于动态阈值法对步骤一获取的各幅遥感影像步骤四、对目标区域目标历史年份段内的知识性产步骤五、构建卷积神经网络CNN模型结构和长短期记忆网络LSTM模型结构串联的混合步骤六、基于训练数据集，以各目标历史年份内各目步骤七、使用水体填补混合模型对初步水体填标区域目标历史年份内各目标月份下无水体信息缺失2.根据权利要求1所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，3.根据权利要求2所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，4.根据权利要求3所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，根据目标区域季节性降水特征，采用动态阈值法，对步骤一获①首先依据目标区域气候特征，针对目标区域所划3②在此基础上，根据目标区域季节性降水特征值对所①如果水体占比超过调整后的水体阈值，则将对应遥感②如果非水体占比超过调整后的非水体阈值，则将对应③如果两者占比均未达到各自的调整后的阈值，则保持5.根据权利要求4所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，所述河网产品数据为矢量数据，所述数字高程模型数据为栅格数据，6.根据权利要求5所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，;将CNN模型结构输出的空间特征展平并输入到LSTM模型结构中进行时间特征提取，所O:=o(w,[hz-1,aH]+b)4遗忘门和输入门进行结合，获得当前时刻的细胞状态，当前时刻细胞状cr=ft*izt-1+it*tanh(wc·[hz-1,az在当前时刻细胞状态的基础上结合输出门，获得当前时刻隐hr=orxtanh(c)所述LSTM模型结构的输出连接全连接层，通过全连接层组合输7.根据权利要求6所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，i8.根据权利要求7所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，59.根据权利要求8所述的基于多源知识与深度学习模型的遥感水体数据集填补方法，区域关于水体信息的哨兵卫星影像以及同期水文实测数据进行对比，使用包括均方误差67步骤一、获取目标区域各目标历史年份内各目标月份下关于水体识别的遥感影步骤五、构建卷积神经网络CNN模型结构和长短期记忆网络LSTM模型结构串联的得目标区域目标历史年份内各目标月份下无水体信息[0009]根据目标区域目标历史年份内各个目标月份下的降水数据，计算降水距平百分Pavg,j为目标历史年份段内对应各个目标月份的长期平均8③如果两者占比均未达到各自的调整后的阈值，则保持该像元为信息缺失像元，f将CNN模型结构输出的空间特征展平并输入到LSTM模型结构中进行时间特征提输入门和输出门，遗忘门、输入门和输出门的控制系数的表达式分别为：O:=o(w,[hz-1,aH]+b)9cr=ft*izt-1+it*tanh(wc·[hz-1,ahr=o:*tanh(c)i[0021]如图1所示，本发明提供的基于多源知识数据和深度学习模型的遥感水体数据集步骤一、获取目标区域各目标历史年份内各目标月份下关于水体识别的遥感影步骤五、构建卷积神经网络CNN模型结构和长短期记忆网络LSTM模型结构串联的得目标区域目标历史年份内各目标月份下无水体信息根据目标区域目标历史年份内各个目标月份下的降水数据，计算降水距平百分Pavg,j为目标历史年份段内对应各个目标月份的长期平均③如果两者占比均未达到各自的调整后的阈值，则保持该像元为信息缺失像元，f将CNN模型结构输出的空间特征展平并输入到LSTM模型结构中进行时间特征提O:=o(w,[hz-1,aH]+b)cr=ft*izt-1+it*tanh(wc·[hz-1,ahr=o:*tanh(c)i[0030]现有目标区域空间分辨率为30m的1990_2021年各月份关于水体识别的遥感影像、目标区域1990_2021年各月份的降水数据、目标区域相应年份内的河网产品数据和数字高步骤二、以目标区域1990_2021年各月份的降水数据为基础，计算降水距平百分步骤四、所述知识性产品数据包括目标区域的河网产品数据和数字高程模型网产品数据和数字高程模型数据进行预处理，预处理过程包括将河网产品矢量数据转换为混合模型结构能够充分利用目标区域的空间和[0031]最后，通过