[发明专利]基于深度学习的超分辨率土地覆被分类图的获取方法

权利要求书

1.一种基于深度学习的超分辨率土地覆被分类图的获取方法，其特征在于，包括：

确定低时空分辨率的土地覆盖图；

将所述低时空分辨率的土地覆盖图输入超分辨率提取模型，输出对应于所述低时空分辨率的土地覆盖图的超分辨率土地覆被分类图；

其中，所述超分辨率提取模型是基于样本低时空分辨率的土地覆盖图和对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签进行训练后得到的，所述超分辨率提取模型采用卷积运算单元与LSTM网络级联后建立的网络进行训练，所述卷积运算单元使用的卷积核是X*1矩形卷积核，X为大于0的整数；

所述样本低时空分辨率的土地覆盖图，具体包括：

由GLASS-LAI特征参量、GLASS-FAPAR特征参量、GLASS-GPP特征参量、GLASS-albedo特征参量、GLASS-ET特征参量和GLASS-FVC特征参量构成所述样本低时空分辨率的土地覆盖图；

所述由GLASS-LAI特征参量、GLASS-FAPAR特征参量、GLASS-GPP特征参量、GLASS-albedo特征参量、GLASS-ET特征参量和GLASS-FVC特征参量构成所述样本低时空分辨率的土地覆盖图，具体包括：

所述样本低时空分辨率的土地覆盖图Y包含T个帧，第t个帧y^t对应第t个采样时间上的低时空分辨率的土地覆盖图，如下式表示：

Y＝{y¹，y²，y³，……，y^t，……，y^T}

其中，分别对应第t个采样时间上的GLASS-LAI特征参量、第t个采样时间上的GLASS-FAPAR特征参量、第t个采样时间上的GLASS-GPP特征参量、第t个采样时间上的GLASS-albedo特征参量、第t个采样时间上的GLASS-ET特征参量和第t个采样时间上的GLASS-FVC特征参量。

2.根据权利要求1所述的基于深度学习的超分辨率土地覆被分类图的获取方法，其特征在于，对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签的获取，具体包括：

采用人工插值对各样本低时空分辨率的土地覆盖图进行上采样，得到对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签，

其中，土地覆被分类类别为基于CNLUCC类别合并而成的10种大类别。