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：郑州大学

摘要：本发明公开了基于深度神经网络的MODISLAI产品数据并行优化方法，本发明的PROSAIL模型是从光学物理角度模拟植被生长特征，建立植被反射光谱与参数之间的物理机制，模拟过程不易受植被类型不确定的影响。同时该模型能够精确模拟冠层内光学辐射和热辐射的多重散射，用于更好描述植被稀疏地区非均匀冠层的特征。本发明改进后的模型能够在不考虑植被类别的基础上，避免了低覆盖植被因地表分类不确定导致的LAI无法检索问题；本发明使用学习能力更强的DNN算法可以更好的对复杂数据进行非线性拟合，能够在光谱特征中准确发现植被叶面积指数与光谱之间的饱和过程。

主权项：1.基于深度神经网络的MODISLAI产品数据并行优化方法，其特征在于：包括以下步骤：步骤S1、遥感数据获取与预处理：获取研究区域范围内的MODIS反射率遥感数据，针对数据进行大气校正、图像裁剪拼接、去云处理的预处理过程；在Googleearthengine平台使用相关javescript语言进行MODIS的MOD09A1反射率产品与MOD15A2产品数据的获取、处理、导出，其中包括大气校正、区域裁剪拼接、图像融合、时序选择过程；根据数据格式在pycharm平台使用python语言进行数据的标准化与去云处理；通过数据预处理去除遥感影像中的大气影响与噪声数据，使影像接近真实地表，能够有效预测真实LAI结果；步骤S2、PROSAIL改进数据集构建：构建PROSAIL辐射传输模型，对PROSAIL辐射传输模型进行敏感性分析、参数率定、光谱重采样、光谱修正的过程获取改进的模拟数据集；在pycharm平台使用python语言引入prosail模型，由于模型参数较多，计算复杂，需要通过MonteCarlo方法对植被冠层的主要参数进行随机采样，使用EFAST方法对随机组合参数模拟数据进行全局敏感性分析，以确定参数重要性以确定参数范围；根据参数输入得到PROSAIL辐射传输模型模拟的光谱数据，利用多元线性回归方法对其进行修正得到改进数据，由此有效改进MODISLAI产品反演中物理模型与数据差异问题；步骤S3、DNN深度神经网络模型构建：通过tensorflow框架建立针对一维光谱数据的DNN深度神经网络模型，能够有效挖掘光谱数据中的特征信息；DNN深度神经网络模型包含四个隐藏层和一个输出层，层与层之间通过全连接结构建立不同波段信息之间的权重连接；根据光谱数据和网络结构的特点，每一个隐藏层中会采用relu或softsign激活函数对光谱特征进行非线性拟合，由于网络模型较简单，单一的激活函数会使得拟合过程受激活函数影响较大；输出层采用linear激活函数对LAI预测结果与标签进行线性修正；每一个网络层之前需经过batchnorm层对特征数据进行标准化处理，避免样本噪声导致DNN深度神经网络模型向错误方向更新，能够提高模型的稳健性；DNN网络有效提高产品中LUT算法的拟合能力，改进MODISLAI反演中的算法不确定性；通过步骤S1、步骤S2与步骤S3方法分别对MODISLAI产品中的数据、模型、算法不确定性进行改进，从而得到改进的MODISLAI产品；步骤S4、改进模型并行训练与预测：结合步骤S1、步骤S2与步骤S3方法进行耦合，针对所在研究区域生成模拟PROSAIL数据并进行处理后输入DNN深度神经网络模型中进行模型训练，最终输入研究区域遥感影像进行LAI的反演预测，获取改进的MODISLAI数据；使用改进MODISLAI数据对网络模型进行训练，搜索最优模型参数，最优模型参数包括学习率、神经元大小、激活函数类型、机器学习模型相关参数，得到预训练的最优模型进行不同时间地区的改进MODISLAI结果,模型训练过程中采用并行技术，提高模型训练效果。

全文数据：

权利要求：

百度查询： 郑州大学 基于深度神经网络的MODIS LAI产品数据并行优化方法