[发明专利]不同生活型水生植物的遥感监测方法

权利要求书

1.不同生活型水生植物的遥感监测方法，其特征在于，包括：

基于野外实测数据，利用高空间分辨率的卫星数据进行水生植物遥感监测，以通过精度验证的遥感监测结果作为建模真值数据，放入建模真值数据集；

选用Landsat 系列数据全波段遥感反射率数据及MODIS Aqua b1-b7波段的遥感反射率数据作为建模输入参数，建模真值数据集作为输出，训练卷积神经网络模型；

获取待测水体的Landsat和MODIS数据，输入所述卷积神经网络模型，获得待测时间的不同生活型水生植物的分布。

2.根据权利要求1所述的方法，其特征在于，所述高空间分辨率的卫星数据指分辨率达到10m以下的遥感数据。

3. 根据权利要求1或2所述的方法，其特征在于，所述高空间分辨率的卫星数据选用Sentinel-2 MSI 数据。

4. 根据权利要求1所述的方法，其特征在于，所述高空间分辨率的卫星数据、Landsat系列数据全波段遥感反射率数据及MODIS Aqua b1-b7波段的遥感反射率数据为经辐射定标、几何纠正和精确大气校正的数据。

5. 根据权利要求1所述的方法，其特征在于，将所述的MODIS Aqua b1-b7波段的遥感反射率数据重采样到30m后与Landsat系列数据全部波段共同作为输入参量。

6.根据权利要求1所述的方法，其特征在于，所述建模真值数据的获取方式是，基于高空间分辨率的卫星数据采用极大似然估计法，进行水生植物遥感监测，并利用野外实测数据对该结果进行验证，通过验证后的数据作为训练模型的真值。

7.根据权利要求1所述的方法，其特征在于，以野外实测数据对应调查时间为中心，选择前后一周内的卫星数据进行水生植物遥感监测，忽略时间差异范围内水生植物的变化。

8.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的损失函数选用交叉熵损失函数，优化器选用Adam优化算法。

9.根据权利要求1或7所述的方法，其特征在于，所述卷积神经网络模型的参数设置为迭代次数=100，学习率=0.01。

10.根据权利要求1所述的方法，其特征在于，将训练好的卷积神经网络模型嵌入GEE云计算平台，基于云平台上Landsat和MODIS的遥感反射率数据，在去云、最大水边界裁剪以及水体边界提取后，运行模型，获取该监测时间上不同生活型研究区域内的水生植物的空间分布结果。