买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：自然资源部国土卫星遥感应用中心

摘要：本发明公开了一种特征优选的自注意力机制高光谱卫星LAI反演方法，耦合PROSAIL辐射传输模型与特征优选的自注意力机制，实现区域尺度上高光谱影像叶面积指数反演。该方法包括如下步骤：1使用PROSAIL辐射传输模型模拟植被冠层光谱；2对模拟光谱进行重采样和高斯噪声添加；3使用随机森林进行特征波段筛选；4基于自注意力机制模型进行叶面积指数反演模型构建；5分别对地面实测光谱和高光谱影像进行叶面积指数反演模型精度评价。该方法相较于传统方法有效提高了反演速度、增强了模型稳定性和泛化能力，减少了对地面调查数据的依赖性，适应于区域尺度高光谱影像叶面积指数反演。

主权项：1.一种特征优选的自注意力机制高光谱卫星LAI反演方法，其特征在于：包括如下步骤：步骤1，使用PROSAIL辐射传输模型，通过对输入的模型参数进行多种组合，模拟得到不同步长叶面积指数下的植被冠层光谱，需组合的参数为：观测天顶角平均叶倾角LIDFa，LIDFb、土壤反射率rsoil、叶片结构参数N、叶绿素含量Cab、等效水厚度Cw、干物质含量Cm；步骤2，对模拟植被冠层光谱重采样，结合高光谱卫星的光谱响应函数，将模拟光谱卷积到与高光谱卫星相同的波谱分辨率；步骤3，添加高斯噪声，对步骤2卷积后的植被冠层光谱随机添加高斯噪声，模拟因在成像过程中受到卫星平台、姿态以及传感器周期性偏移、载荷元器件间电磁干扰的影响；步骤4，使用随机森林进行特征波段筛选，构建决策树评估模拟的不同步长叶面积指数下的冠层光谱对叶面积指数的敏感波段，筛选出累计贡献率达到80％以上的波段；步骤5，使用自注意力机制模型对生成的庞大模拟数据进行反演回归，对步骤4中筛选出来的特征波段利用自注意力机制进一步减少波段冗余，捕获关键信息，构建适应于叶面积指数反演的模型；步骤6，对野外实测冠层光谱数据进行步骤2、3中的操作，并筛选出步骤4中对应的特征波段，使用步骤5中自注意力机制模型进行预测，结合野外实测叶面积指数进行模型精度评价检验；步骤7，对高光谱影像进行预处理，同时针对步骤6中野外实测光谱数据的反演结果进行模型参数优化，基于优化后的参数使用步骤5中的模型进行叶面积指数反演，结合地面调查数据对反演结果进行评价，实现模拟数据到真实影像数据的迁移；在步骤1中，进一步包括：根据PROSAIL辐射传输模型需要组合的参数，以10为步长在0～50°范围内设置观测天顶角参数；以10为步长在30～70°范围内设置平均叶倾角参数；根据不同土壤类型设置参考土壤反射率参数；在1.215～3范围内设置叶片结构参数；在1.326～98.8μgcm2范围内设置叶绿素含量参数；在0.0003659～0.05249gcm2范围内设置等效水厚度参数；在0.0084～0.0547gcm2范围内设置干物质含量参数；最后以0.1为步长在0～7范围内设置叶面积指数，通过参数组合累计模拟得到了310000条植被冠层光谱曲线，光谱范围为400～2500nm；在步骤2中，进一步包括：将模拟植被冠层数据转换为高光谱卫星波段范围的反射率，转换表达式如下： 其中，ρλ为光谱卷积后的高光谱卫星的波段反射率；λmax、λmin分别为不同波段的最大、最小波长范围；ρλi为PROSAIL模型模拟的植被冠层高光谱反射率；为对应的高光谱卫星的光谱响应函数；在步骤3中，进一步包括：受大气辐射传输、传感器自身特性的影响，模拟光谱与真实影像光谱存在一定的差距，需随机添加高斯噪声消除影响，高斯噪声表达式如下：Gx，y＝fx，y+nx，y 其中，Gx，y为添加随机高斯噪声后的植被光谱曲线；fx，y为原始植被光谱曲线；nx，y为高斯噪声，其符合Fx；μ，σ的正态概率分布，μ为均值，σ2为方差，x为波段范围，y为对应的波段范围下的光谱反射率；在步骤4中，进一步包括：使用随机森林构建决策树进行叶面积指数特征波段筛选，剔除共线性高的波段，减少“维数灾难”；对输入的所有波段采用袋外数据OOB错误率来评估各波段的特征重要性VI，特征重要性计算表达式如下： 其中，errOOB1为随机森林的初始袋外数据错误率；errOOB2为对所有输入样本特征添加随机噪声后的袋外数据错误率；N为随机森林模型中构建的树的数量，若添加随机噪声后错误率发生大变化说明该特征波段的重要程度高；在步骤5中，进一步包括：使用自注意力机制模型对特征波段进行训练学习，模型更聚焦于对叶面积指数高相关性的特征信息；自注意力机制模型的表达式如下： Q＝X×WQK＝X×WKV＝X×WV其中，Self-AttentionQ，K，V为自注意力机制的输出结果；Q为查询向量；K为键向量；V为值向量；Q、K、V通过三个不用权值的矩阵由嵌入向量X分别乘以WQ、WK、WV得到；KT为对键向量K进行转置；dk为查询向量Q的维度；softmax为归一化指数函数，用来对结果进行分类；查询匹配相应的键，在通过键索引对应的值，完成模型学习训练；在步骤6中，进一步包括：使用自注意力机制模型对地面实测光谱数据进行叶面积反演模型精度评价，验证模型在野外实测光谱上的适宜性；在步骤7中，进一步包括：对高光谱影像进行了辐射定标、大气校正、几何校正预处理；同时将提出的自注意力机制模型对高光谱影像上的像元点进行叶面积指数反演，验证模型在区域尺度高光谱影像上反演叶面积指数的可行性；对叶面积指数在地面实测光谱和高光谱影像的反演，采取决定系数R2和均方根误差RMSE进行精度评价，精度评价表达式如下： 其中，m为输入的样本数；yi为真实的像元叶面积指数值；为模型训练反演得到的预测像元叶面积指数值；输入样本的真实像元叶面积指数的平均值。

全文数据：

权利要求：

百度查询： 自然资源部国土卫星遥感应用中心 一种特征优选的自注意力机制高光谱卫星LAI反演方法