[发明专利]一种作物叶面积指数反演方法及装置

说明书

本发明公开了一种作物叶面积指数反演方法及装置，获取遥感影像数据；对遥感影像数据进行数据预处理，得到高光谱数据；将高光谱数据输入预先生成的目标基准反演模型，得到目标基准反演模型输出的叶面积指数，其中，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，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。通过对实采的高光谱数据和叶面积指数进行数据增强，解决神经网络对训练样本的数量需求问题，从而可利用神经网络的方法通过高光谱数据反演叶面积指数，实现基于实采小样本数据的高精度叶面积指数反演。

技术领域

本发明涉及遥感技术领域，特别是涉及一种作物叶面积指数反演方法及装置。

背景技术

叶面积指数(Leaf Area Index，LAI)为单位地表面积上叶子表面积总和的一半。用LAI来定量表征作物叶片的疏密程度，为植物群体和群落生长发育特征健康状况提供重要指标，定量获取区域时空连续的植被LAI对作物长势监测、产量估算具有重要意义。遥感技术在获取地面信息方面具有周期性观测和大面积覆盖的特点。在农业资源监测中发挥着重要作用。它能够在空间和时间上捕捉陆地植被关键生物物理参数的分布信息。因此，它可以提供一个切实可行的方法来观测宏观尺度上的叶面积指数。

现有的遥感反演法中统计模型通过线性、二次、指数、对数等经验公式建立各类植被指数与叶面积指数的关系，这些方法将冠层辐射传输过程简化为一些简单函数关系，反演精度有限；物理类模型建立在物理基础之上，光子在冠层中传输过程的物理模型可以模拟地表反射与叶面积指数的关系，由于物理模型十分复杂，通常采用建立查找表的方法通过迭代实现快速反演，但是在大区域反演LAI时，为了达到理想精度，查找表维度需要足够大，使得变量采样间隔必须足够小，适用性受到制约。也有利用深度学习可以提高LAI反演精度，但是在实际区域LAI定量反演中，采集数据较少，难以满足需求。因此，在仅有少量实采的高光谱数据和LAI数据情况下，通过深度学习方法提高LAI反演精度是存在缺陷的。

发明内容

针对上述问题，本发明提供一种作物叶面积指数反演方法及装置，实现了基于小样本数据提升叶面积指数反演精度的目的。

为了实现上述目的，本发明提供了如下技术方案：

一种作物叶面积指数反演方法，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。

可选地，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。

可选地，所述基于对偶学习的生成对抗网络对所述初始训练样本进行数据增强，将增强数据与初始训练样本混合得到目标训练样本，包括：