[发明专利]一种基于深度ISA数据融合的植被类型识别方法

说明书

本发明公开了一种基于深度ISA数据融合的植被类型识别方法，包括以下步骤：基于时间t获取MODIS数据和Landsat影像数据并进行预处理；构建时空适应性反射率融合模型融合MODIS数据和Landsat影像数据并生成时序遥感影像数据集；基于时序遥感影像数据集构建深度卷积ISA神经网络模型；根据构建的深度卷积ISA神经网络模型对预测影像进行分类，并生成植被类型遥感分布图；首先基于数据融合模型，生成中高时空分辨率遥感时间序列数据集，然后基于该数据，构建深度卷积ISA神经网络模型，进行植被类型分类，能够优化单时相遥感数据植被类型分类效果，同时提升中高时空分辨率遥感时序植被类型分类的自动化水平。

技术领域

本发明涉及林业信息技术领域，尤其涉及一种基于深度ISA数据融合的植被类型识别方法。

背景技术

在应用遥感手段提取植被类型的空间分布信息时，利用单时相遥感数据通常只能用到植被的光谱特征，没有考虑植被的季节变化和物候特征。时间序列遥感数据可有效利用植被的季相变化和物候特征，现已广泛用于植被类型分类研究中。但是，由于传感器的设计需要在时间分辨率和空间分辨率上进行权衡，限制了该类传感器的监测能力。为了同时获得中高空间分辨率和高时间分辨率的遥感影像，许多学者提出将中高空间分辨率和高时间分辨率影像进行数据融合形成高时空遥感数据。高时空遥感数据的实质是在遥感时序数据的基础上，提高其空间分辨率。然而高空间分辨率遥感时序数据通常具有噪音多，维度高，时间依赖性强，参与建模的特征表达较为复杂等特点。

针对该问题一般采用两种方法解决，第一种通过利用先验知识，人工提取相关特征，如在植被类型遥感时序数据分类中，提取遥感时序影像的植被指数特征，手动选取具有代表性的植被指数特征分层分类，但是通过此种方法进行特征设计必须基于很强的先验知识，人为不确定性较强；第二种是采取信号处理中的特征提取和特征降维方法，如主成分变换等，对输入的时序数据进行降维，这种方法的特点是特征参数需要大量时间调节才能达到预期效果。

发明内容

近年来，人工智能科学得到了普遍关注和大力发展，而人工神经网络作为一种以模拟人脑映射为原理的遥感图像分类处理算法，也更被遥感领域的专家和学者所关注，相对于传统的以统计学基础为原理的分类方法，人工神经网络分类算法具有强大的自学习能力、容错能力、无需事先假设概率模型等特点。

深度学习是2006年由多伦多大学的Geoffery Hinton教授及其同事提出的，起源于人工神经网络的，它是一种包含多个隐含层的感知器，使用低层特征形成高层特征，并使用更加抽象的高层特征表示地物的类别，进而得到数据的分布式特征表示。卷积神经网络因其局部子采样、全局训练、共享权值等特点，具有位移不变性等优势，在图像识别领域应用广泛。

目前，越来越多的研究聚焦于从无标签的输入数据中自动学习有效的特征表达。深度卷积ISA神经网络是多个“独立子空间分析(ISA)”，其模型正符合这一特点，首先，利用该类模型不需要手工设计特征，模型能够自动直接的从数据中提取特征；其次，大量试验已证明这种层次模型更能够提取到图像的本质信息。

MODIS是搭载在terra和aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用的星载仪器，全球许多国家和地区都在接收和使用modis数据。

MODIS的全称为中分辨率成像光谱仪(moderate-resolution imagingspectroradiometer)，它的多波段数据可以同时提供反映陆地表面状况、云边界、云特性、海洋水色、浮游植物、生物地理、化学、大气中水汽、气溶胶、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征的信息；可用于对地表、生物圈、固态地球、大气和海洋进行长期全球观测。

Landsat影像数据为陆地卫星获取的影像数据。