[发明专利]参考数据非敏感的遥感影像时空融合模型构建方法

说明书

本发明涉及参考数据非敏感的遥感影像时空融合模型构建方法，基于条件对抗生成网络架构进行模型构建，以预测日期低空间分辨率遥感影像及同一区域不同于预测日期的任意参考日期高空间分辨率影像作为生成器的输入；在生成器的残差主干网络中使用自适应标准化层从参考日期的高空间分辨率影像中提取样本高频特征，与来自残差分支网络从低空间分辨率遥感影像中提取的低频特征相加，合成预测日期的高空间分辨率影像；在判别器中以预测日期地表真实低空间分辨率观测影像为约束条件对输入预测高空间分辨率影像和地表高空间分辨率真实观测影像进行判别。本发明构建的模型减少了输入影像个数，降低了对参考影像的敏感度，从而显著降低了采集模型输入数据的难度。

技术领域

本发明属于遥感地理信息领域，特别涉及一种基于条件对抗生成网络的对于输入参考影像非敏感的光学遥感影像时空融合方法。

背景技术

随着遥感技术精细化程度的提高，实际遥感应用越来越趋向于使用高时间和高空间分辨率遥感影像序列。利用高时空分辨率影像序列在获取地物变化信息的同时也可以获得地表纹理细节特征，细粒度的地表时空信息可以为高层次分析决策提供更加准确的数据支持。然而，由于硬件技术和研发成本的限制，现阶段很难通过单一卫星传感器获得同时具有高时间和高空分辨率的遥感数据，现有卫星观测系统往往会选择性地在两者之间做出平衡。针对遥感数据时空精细度对于遥感应用的制约问题，遥感影像时空融合方法通过结合两种或多种传感器数据源，以多源数据信息互补融合的方式，生成具备其中最高时间与空间分辨率的数据序列，为细粒度高精度遥感应用提出一种可行的解决方案。

一般地，时空融合模型通过从一组给定日期的高时间低空间分辨率数据源(如MODIS影像，以下简称低空间分辨率影像)和至少一组光谱信息相对应的辅助参考日期的低时间高空间分辨率数据源(如Landsat影像，以下简称高空间分辨率影像)进行信息提取。然后从给定预测日期的低空间分辨率数据中获取该时刻的地物光谱信息，从临近预测日期的高空间分辨率参考数据中获取地表纹理细节信息，最后综合光谱和纹理信息重建生成该预测日期的高空间分辨率影像^[1]。

现有时空融合模型建立的基础大都是假设输入数据完全无云雾覆盖，而光学遥感卫星在成像过程中易受云雨天气的影响，在某些研究区域还存在数据缺失的情况。此外，有些高—低空间分辨率的影像数据源日期不完全匹配，所以在实际应用中根据数据质量要求对研究区域的数据进行筛选过滤以后很难找到合适的临近预测日期的无云高质量参考影像进行时空融合^[2][3]。

发明内容

本发明为了降低传统时空融合方法对输入影像的高度敏感性，提出了一种参考数据非敏感的遥感影像时空融合模型构建方法，基于条件对抗生成网络构建深度时空融合模型GAN-STFM，减少了模型输入影像个数，降低了模型对参考影像的敏感度。

为实现上述目的，本发明采用如下技术方案，

参考数据非敏感的遥感影像时空融合模型构建方法，基于条件对抗生成网络架构进行模型构建，以预测日期低空间分辨率遥感影像及同一区域不同于预测日期的任意参考日期高空间分辨率影像作为生成器的输入；

在生成器的残差分支网络中使用自适应标准化层从参考日期的高空间分辨率影像中提取样本高频特征，与来自残差主干网络从低空间分辨率遥感影像中提取的低频特征相加，合成预测日期的高空间分辨率影像

在判别器中以预测日期地表真实低空间分辨率观测影像为约束条件对预测的高空间分辨率影像和地表高空间分辨率真实观测影像进行判别。

作为本发明的进一步改进，本发明采用基于图像本身特性的损失和对抗损失形成的复合损失函数进行模型优化求解。

进一步地，采用如下所示的复合损失函数进行模型优化求解：