[发明专利]一种作物叶面积指数反演方法及装置

权利要求书

1.一种作物叶面积指数反演方法，其特征在于，所述方法包括：

获取遥感影像数据；

对所述遥感影像数据进行数据预处理，得到高光谱数据；

将所述高光谱数据输入预先生成的目标基准反演模型，得到所述目标基准反演模型输出的叶面积指数，其中，所述目标基准反演模型为通过目标训练样本对基准反演模型进行优化得到的模型，所述目标训练样本为对初始训练样本利用对偶学习的生成式对抗网络进行数据增强得到的样本；

所述方法还包括：

利用对偶学习的生成对抗网络对所述初始训练样本进行处理，得到增强数据；

其中，所述利用对偶学习的生成对抗网络对所述初始训练样本进行处理，得到增强数据，包括：

确定阈值数据，所述阈值数据包括叶面积指数相对误差的阈值和高光谱所有波段的相对平方误差和阈值；

获取在所述阈值数据对应的范围内的生成数据，并依据所述生成数据确定叶面积指数的相对误差数据集和高光谱的相对均方根误差数据集；

将所述叶面积指数的相对误差数据集和所述高光谱的相对均方根误差数据集转换为服从标准正态分布的数据集；

基于所述标准正态分布的数据集，从所述初始训练样本中确定增强数据。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取遥感影像数据和叶面积指数产品；

对所述遥感影像数据和叶面积指数产品分别进行预处理，得到高光谱数据和对应的叶面积指数，从预处理后的数据中随机选取作为初始训练样本，所述初始训练样本包括高光谱数据集和叶面积指数数据集；

对所述初始训练样本利用对偶学习的生成式对抗网络进行数据增强，将增强数据与所述初始训练样本混合得到目标训练样本；

利用所述目标训练样本训练预先给定的基准反演模型，得到目标基准反演模型。

3.根据权利要求2所述的方法，其特征在于，所述对所述初始训练样本 利用 对偶学习的生成式 对抗网络进行数据增强，将增强数据与初始训练样本混合得到目标训练样本，包括：

确定目标对偶学习的生成对抗网络，所述目标对偶学习的生成对抗网络包括第一生成器、第二生成器、第一判别器和第二判别器，所述第一生成器通过所述高光谱数据集生成叶面积指数，所述第二生成器通过所述叶面积指数数据集生成高光谱数据，所述第一判别器用于判断生成的叶面积指数来自真实叶面积指数的概率，所述第二判别器用于判断生成的高光谱数据来自真实高光谱数据的概率；

通过所述第一生成器和所述第一判别器、所述第二生成器和所述第二判别器迭代优化，使得生成的所述叶面积指数和所述高光谱数据满足预设条件，得到增强数据，所述增强数据包括生成的叶面积指数和高光谱数据；

将所述增强数据与初始训练样本混合得到目标训练样本。

4.根据权利要求3所述的方法，其特征在于，所述第一生成器为残差网络，包括若干个基础残差模块，所述基础残差模块主径是两个卷积层堆叠，其中一维卷积核尺寸为3，卷积核默认步长为1，经过ReLU函数激活。

5.根据权利要求4所述的方法，其特征在于，所述第二生成器用于实现从低维数据映射到高维数据，所述第二生成器的第一层为全连接层，包括16个神经元，所述第二生成器将其上采样数据与第一生成器网络卷积提取的特征进行叠加。