[发明专利]一种结合统计特征和卷积神经网络模型的NDVI预测方法

权利要求书

1.一种结合统计特征和卷积神经网络模型的NDVI预测方法，其特征在于，包括以下步骤：

步骤1，将原始遥感影像进行波段提取得到NDVI数据，将NDVI数据进行数据格式转换得到NDVI数据集；

步骤2，通过NDVI数据集构建统计特征；

步骤3，对NDVI数据集进行裁剪，结合统计特征构建样本集，将样本集根据一定比例划分为训练集和验证集；

步骤4，将训练集输入到特征卷积神经网络预测模型中，用于训练特征卷积神经网络预测模型，训练数据的损失函数为均方根误差，通过训练得到训练后特征卷积神经网络预测模型；

步骤3中所述对NDVI数据集进行裁剪为：

将NDVI数据集中data(x,y,p*,q*)根据一定比例对图像进行裁剪，得到裁剪后NDVI数据集为：

data(x*,y*,p*,q*)

x*∈[1,M/β],y*∈[1,N/β],p*∈[L+1,T],q*∈[1,12]

其中，β为裁剪的比例系数；

步骤3中所述结合统计特征构建样本集为：

{ID(x*,y*,p*,q*),data(x*,y*,p*,q*)}

x*∈[1,M/β],y*∈[1,N/β],p*∈[L+1,T],q*∈[1,12]

其中，ID(x*,y*,p*,q*)为裁剪后统计特征，data(x*,y*,p*,q*)为裁剪后NDVI数据；

所述样本集中样本的数量为12*(T-L)，将样本集根据α:1的比例划分为训练集和验证集；

步骤3中所述训练集为：

{train_ID(m,x*,y*,p*,q*),train_data(m,x*,y*,p*,q*)}m∈[(L+1)*12*α/(α+1),T*12*α/(α+1)],x*∈[1,M/β],y*∈[1,N/β],p*∈[(L+1)*α/(α+1),T*α/(α+1)],q*∈[1,12]

步骤3中所述验证集为：

{validation_ID(m,x*,y*,p*,q*),validation_data(m,x*,y*,p*,q*)}

num∈[(L+1)*12/(α+1),T*12/(α+1)],x*∈[1,M/β],y*∈[1,N/β],p*∈[(L+1)/(α+1),T/(α+1)],q*∈[1,12]；

步骤1中所述将原始遥感影像提取得到NDVI数据为：

data∈data1

其中，data1表示原始遥感影像，data表示从原始遥感影像获得的NDVI；

步骤1中所述对NDVI数据进行数据格式转换为：

data(x,y,p,q)x∈[1,M],y∈[1,N],p∈[1,T],q∈[1,12]

其中，data(x,y,p,q)表示NDVI数据集中第p年中第q个月数据中第x行第y列像素值；M表示原始遥感影像图像的行数，N表示原始遥感影像图像的列数,T为原始遥感影像采集的年份数量，即共计T年；

步骤2中所述构建统计特征具体为：

分别构建真值特征、总和特征、差值特征、均值特征、比例特征；

定义预测第p^*年中第q^*个月的NDVI数据，具体为：

data(x,y,p*,q*)x∈[1,M],y∈[1,N],p*∈[L+1,T],q*∈[1,12]

其中，L为根据前L年预测第p^*年中第q^*个月的NDVI数据；

取的NDVI数据月份是预测月份q^*的前一个月份和后一个月份；

所述构建真值特征为：

data(x,y,r*,q*-1)

data(x,y,r*,q*)

data(x,y,r*,q*+1)

x∈[1,M],y∈[1,N],r*∈[p^*-L,p^*-1],q*∈[1,12]

所述构建总和特征为：

data(x,y,r*,q*-1)+data(x,y,r*,q*)+data(x,y,r*,q*+1)

x∈[1,M],y∈[1,N],r*∈[p^*-L,p^*-1],q*∈[1,12]

所述构建差值特征为：

data(x,y,r*,q*)-data(x,y,r*,q*+1)

data(x,y,r*,q*)-data(x,y,r*,q*-1)

x∈[1,M],y∈[1,N],r*∈[p^*-L,p^*-1],q*∈[1,12]

所述构建均值特征为：

(data(x,y,r*,q*-1)+data(x,y,r*,q*)+data(x,y,r*,q*+1))/3

x∈[1,M],y∈[1,N],r*∈[p^*-L,p^*-1],q*∈[1,12]

所述构建比例特征为：

data(x,y,r*,q*-1)/data(x,y,r*,q*)

data(x,y,r*,q*+1)/data(x,y,r*,q*)

x∈[1,M],y∈[1,N],r*∈[p^*-L,p^*-1],q*∈[1,12]

所述预测第p^*年中第q^*个月的统计特征为：

ID(x,y,p*,q*)＝{data(x,y,r*,q*-1)，

data(x,y,r*,q*)，

data(x,y,r*,q*+1)，

data(x,y,r*,q*-1)+data(x,y,r*,q*)+data(x,y,r*,q*+1)，

data(x,y,r*,q*)-data(x,y,r*,q*+1)，

data(x,y,r*,q*)-data(x,y,r*,q*-1)，

(data(x,y,r*,q*-1)+data(x,y,r*,q*)+data(x,y,r*,q*+1))/3，

data(x,y,r*,q*-1)/data(x,y,r*,q*)，

data(x,y,r*,q*+1)/data(x,y,r*,q*)}

x∈[1,M],y∈[1,N],p*∈[L+1,T],q*∈[1,12]

ID(x,y,p*,q*)对应的NDVI数据为data(x,y,p*,q*)；

步骤4所述特征卷积神经网络预测模型为：

特征卷积神经网络预测模型包括:输入层、隐藏层、输出层；

所述隐藏层包括：卷积层、全连接层，其中，卷积核数量为num，卷积核大小为5×5，需要优化的模型参数包括权重向量和偏置向量；

步骤4中所述训练特征卷积神经网络预测模型为：

步骤4.1：对训练集的data(x*,y*,p*,q*)进行卷积操作，并将卷积结果和ID(x*,y*,p*,q*)进行全连接操作，通过向前传播算法得到预测值data(x,y,p*,q*)；

步骤4.2：通过损失函数计算预测值即train_data(p*,q*)与对应真值即data(p,q)之间的误差即RMSE_(1,k)，具体计算为:

其中，k表示迭代次数；data(p,q)表示NDVI数据集中第p年中第q个月数据，

train_data(p*,q*)表示预测第p^*年中第q^*个月的NDVI数据；

训练模型迭代l次后，计算模型在验证集上的误差RMSE_(2,k)，具体计算为:

其中，k表示迭代次数；data(p,q)表示NDVI数据集中第p年中第q个月数据；validation_data(p*,q*)表示预测第p^*年中第q^*个月的NDVI数据；

步骤4.3：特征卷积神经网络预测模型采用后向传播算法更新权重向量和偏置向量，优化器采用动量优化，通过优化模型的权重向量和偏置向量，完成对网络的参数微调；

重复步骤4.1-步骤4.3，直到RMSE_(1，k)降低而RMSE_(2，k)升高时停止训练，得到最优的预测模型。