(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210107317.X (22)申请日 2022.01.28 (71)申请人 自然资源部第一海 洋研究所 地址 266061 山东省青岛市崂山区仙霞岭 路6号 (72)发明人 马毅　陈琛　任广波　王建步　 (74)专利代理 机构 北京君琅知识产权代理有限 公司 16017 专利代理师 陈建 (51)Int.Cl. G01N 21/17(2006.01) G01N 21/01(2006.01) G01S 19/42(2010.01) (54)发明名称 滨海湿地植被地上生物 量GAN模型自学习遥 感反演方法 (57)摘要 滨海湿地植被地上生物 量GAN模型自学习遥 感反演方法， 涉及卫星遥感技术领域， 包括如下 步骤： 步骤1、 针对滨海湿地植被优选出GAN网络 的特征约束因子， 设计受特征约束因子约束的生 成对抗网络模型； 步骤2、 利用生成对抗网络模型 生成的生物量样本数据构建线性回归模型反演 植被地上生物 量。 本发明能够提高滨海湿地植被 生物量的反演精度， 解决因现场生物 量数据少导 致的滨海湿地植被生物量反演模型难构建和反 演精度不高的问题。 权利要求书3页 说明书8页 附图3页 CN 114460013 A 2022.05.10 CN 114460013 A 1.滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特 征为： 包括如下步骤： 步骤1、 针对滨海湿地植被优选出GAN网络的特征约束因子， 设计受特征约束因子约束 的生成对抗网络模型； 步骤2、 利用所设计的生成对抗网络模型生成的生物量样本数据构建线性回归模型反 演植被地上生物量。 2.如权利要求1所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特征 为： 所述的步骤1中， 包括如下 具体步骤： S1、 获取卫星 多光谱遥感图像数据； S2、 现场测量植被冠层光谱数据， 人工采集样本， 利用光谱处理软件View  Spec Pro对 所测的植被冠层光谱数据分析和处理， 从而得到植被的现场高光谱数据， 经实验室内烘干 称重处理， 计算出 单位面积的地上生物量 值； S3、 进行特征提取， 基于相关性分析筛 选特征变量、 确定特 征约束因子； S4、 遥感多光谱数据与现场高光谱数据的波段等效转换； S5、 获得基于特 征约束因子约束的生成对抗网络模型。 3.如权利要求2所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特征 为： 所述的S2中， 在 满足天气状况良好、 光谱采集时间合适的情况下， 进 行现场样本采集， 采 集的方法为： 记录现场数据采集站点的植被类型， 选取合适样方， 以手持GPS记录样方的经纬度坐 标， 记录样方内植被生长参数， 测量 植被冠层光谱， 采集现场样方内植被样本； 对于草本植被样本， 在植被生长均匀区域以0.5m ×0.5m为样方采集植物样本， 在植被 生长不均匀区域， 于10m ×10m内随机获取5个0.5m ×0.5m子样方内的植被样本； 对于灌丛植 被， 获取植被的冠幅宽度、 基直径， 并采集部分地上干、 枝样本； 将上述条件下 具有代表性的植被样方内的植株 齐地割下， 标记 站点信息； 所采集的植被样本装袋带回实验室， 使用烘箱将植物样本在80℃恒温下烘干24小时至 恒重后称其干 重， 并结合现场调查记录信息计算出 单位面积的生物量 值， 单位为kg/m2。 4.如权利要求3所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特征 为： 所述的S3包括如下步骤： S31、 将现场高光谱数据模拟的多光谱数据的光谱特征和植被指数特征作为待选变量， 通过相关性分析方法对这些特征进行筛选， 筛选出的优选变量与光谱特征和生物量构成 GAN模型的特 征约束因子， 用于对 模型生成的生物量样本进行约束。 5.如权利要求4所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特征 为： 所述的步骤S31中， 对光谱特征中10个光谱波段进行两两组合带入6种 植被指数计算得 到270个植被指数特征变量， 将10个光谱特征和270个植被指数特征变量共280个特征变量 作为待选变量， 6个植被指数指的是NDVI、 DVI、 RVI、 SAVI、 MSAVI和OSAVI； 基于皮尔逊相关系 数R的计算公式(1)计算出待选变量中的生物量特征强相关且特征内部之间弱相关的变量 作为优选变量； 其中R的绝对值越接近1为 强相关； R的绝对值越接近0为弱相关； 将优选变量 作为GAN生成样本的部分特 征约束因子， 并用于植被生物量反演模型的构建：权　利　要　求　书 1/3 页 2 CN 114460013 A 2式中， R为皮尔逊相关系数， xi和yi为自变量和因变量在各样点 i的值， n为样点个数。 6.如权利要求5所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特征 为： 所述的S4包括如下步骤： 通过植被的现场高光谱数据与卫星多光谱遥感图像数据之间的光谱转换模型， 制作模 拟卫星的光谱 ‑生物量样本数据集， 作为滨海湿地植被生物 量数据扩充的基础数据； 转换操 作如下： (1)卫星波段转换： 建立现场高光谱数据中的窄波段与卫星多光谱遥感图像数据中的 宽波段之间的转换， 采用公式(2)进行计算： 式中ρ 是模拟卫星宽波段的反射率， λmin、 λmax分别为卫星传感器光谱探测的起始和终止 波长， S( λ )为卫星传感器在λ波长的光谱响应函数值， ρ( λ )是湿地植被冠层光谱在λ波长的 反射率； (2)宽波段间线性转换： 建立模拟卫星光谱与卫星光谱的线性转换关系， 利用模拟卫星 数据与卫星数据构建线性回归 模型对两数据源的各对应波段进行反射 率转换。 7.如权利要求6所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特征 为： 所述的S5包括如下步骤： 针对基于模拟卫星的光谱 ‑生物量样本数据集， 设计GAN ‑FC模型， 在生成样本的过程中 加入特征约束因子， 使模型在生成伪样本集的同时控制其特征 的合理性； 各植被类型基于 GAN‑FC模型的样本集 生成方法为： 对真实样本数据进行 预处理： 按照规则(1)将 真实样本分为S组， 并将这S组样本分别输入GAN ‑FC模型； 基于输入的真 实样本以及随机噪声， GA N模型的生成器和判别器不断训练， 生 成了对应的S组新的样本； 基 于特征约束因子对新的样本进行筛 选； 选择满足规则(2)约束因子条件的新样本作为最终生成的样本数据， 从最终生成的样 本数据集中随机 选择一定数量的样本作为训练样本， 用于构建生物量反演模型； 所述的规则(1)指的是： 基于现有生物量数据范围0 ‑5.29kg/m2； 当生物量小于1kg/m2 时， 按0.1kg/m2的间隔分组； 当生物量大于1kg/m2时， 按0.5kg/m2的间隔分组； 少于3个样本 的组被合并到相邻的两组中样本数量较少的一组； 所述的规则(2)指的是： 根据真实样本的特征约束因子构建约束条件： 光谱反射阈值增 加Ps＝0.001， 植被指数阈值增加Pf＝0.003； 保留光谱和植被指数特征满足这2项特征约束 条件的生成样本作为输出样本， 即 GAN‑FC生成的样本数据。 8.如权利要求7所述的滨海湿地植被地上生物量GAN模型自学习遥感反演方法， 其特征 为： 所述的步骤2包括如下 具体步骤： 将优选变量作为自变量， 将植被地上生物量作为因变量， 建立多元线性回归 模型：权　利　要　求　书 2/3 页 3 CN 114460013 A 3