[发明专利]一种基于多尺度遥感的非均质地表叶面积指数反演方法有效
| 申请号: | 202310793690.X | 申请日: | 2023-06-30 |
| 公开(公告)号: | CN116503747B | 公开(公告)日: | 2023-09-15 |
| 发明(设计)人: | 徐保东;金文捷;胡琼;王聪 | 申请(专利权)人: | 华中农业大学 |
| 主分类号: | G06V20/10 | 分类号: | G06V20/10;G06V10/52;G06V10/774;G06V10/82;G06N3/09;G06N20/00 |
| 代理公司: | 武汉宇晨专利事务所(普通合伙) 42001 | 代理人: | 李鹏 |
| 地址: | 430070 湖*** | 国省代码: | 湖北;42 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 一种 基于 尺度 遥感 质地 叶面积 指数 反演 方法 | ||
1.一种基于多尺度遥感的非均质地表叶面积指数反演方法,其特征在于,包括以下步骤:
步骤一、获取研究区的Sentinel-2 L2A数据、MODIS的MOD09A1反射率数据、MCD12Q1土地覆盖数据和ImagineS的高分参考图数据;
步骤二、基于Sentinel-2 L2A数据生成Sentinel-2LAI数据;
步骤三、基于Sentinel-2 LAI数据获得实际的Sentinel-2 LAI聚合值,实际的Sentinel-2 LAI聚合值与匹配的MOD09A1反射率数据以及MCD12Q1土地覆盖数据构成一个样本点,各个样本点构成LAI-reflectance数据集;
步骤四、基于先验知识对LAI-reflectance数据集进行代表性样本点进行选取;
步骤五、利用代表性样本点对预测模型进行训练,获得训练完成的预测模型,输入待预测的MOD09A1反射率数据到预测模型,获得预测的Sentinel-2 LAI聚合值,对预测的Sentinel-2 LAI聚合值进行反演得到非均质地表的叶面积指数,
所述步骤三中实际的Sentinel-2 LAI聚合值基于以下步骤获得:
将Sentinel-2 LAI数据转换为Sinusoidal投影,根据研究区的范围,对转换为Sinusoidal投影的Sentinel-2 LAI数据进行裁剪,将裁剪后的20米分辨率的Sentinel-2LAI数据利用简单平均法,聚合到500米分辨率的 MODIS像素格网上,得到实际的Sentinel-2 LAI聚合值,
所述将裁剪后的20米分辨率的Sentinel-2 LAI数据利用简单平均法,聚合到500米分辨率的 MODIS像素格网上具体包括以下步骤:
将裁剪后的Sentinel-2 LAI数据对应到每一个MODIS像素格网内部取平均,
如果每一个Sentinel-2 LAI 亚像元值在0-10之间,则判定Sentinel-2 LAI 亚像元值为有效值,否则判定Sentinel-2 LAI 亚像元值为无效值,
计算每一个MODIS像素格网中Sentinel-2 LAI亚像元的有效值比例,若有效值比例大于等于90%,则计算MODIS像素格网中的Sentinel-2 LAI亚像元平均值,获得实际的Sentinel-2 LAI聚合值,
索引得到MODIS像素格网对应的MODIS 像元反射率,若有效值比例小于90%,则掩膜该500米分辨率的MODIS像素格网对应的像元。
2.根据权利要求1所述一种基于多尺度遥感的非均质地表叶面积指数反演方法,其特征在于,所述步骤四包括以下步骤:
首先抽取设定个数样本点作为待确定样本点,计算待确定样本点的目标函数
其次,迭代置换若干待确定样本点,比较优化前后待确定样本点的目标函数,若迭代置换后的目标函数小于迭代置换前的目标函数,则接受待确定样本点迭代置换,否则拒绝放弃上一次待确定样本点的迭代置换;
最后,目标函数小于阈值或达到预设迭代次数,则输出各个待确定样本点作为代表性样本点。
3.根据权利要求2所述一种基于多尺度遥感的非均质地表叶面积指数反演方法,其特征在于,所述目标函数
其中,是反射率平均偏差,是植被类型平均偏差,是最近邻指数,i1为MOD09A1反射率数据中反射率波段序号,
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中农业大学,未经华中农业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310793690.X/1.html,转载请声明来源钻瓜专利网。





