(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110719452.5 (22)申请日 2021.06.28 (65)同一申请的已公布的文献号 申请公布号 CN 113378476 A (43)申请公布日 2021.09.10 (73)专利权人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 马晗　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 王琪 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/06(2020.01) (56)对比文件 CN 108169161 A,2018.0 6.15 CN 106777757 A,2017.0 5.31 CN 110472281 A,2019.1 1.19 CN 10742385 0 A,2017.12.01 CN 10474870 3 A,2015.07.01 US 201725 5720 A1,2017.09.07 CN 108662991 A,2018.10.16 CN 102798 851 A,2012.1 1.28 审查员 夏容 (54)发明名称 一种全球250米 分辨率时空连续的叶面积指 数卫星产品生成方法 (57)摘要 本发明涉及一种全球250米 分辨率时空连续 的叶面积指数卫星产品生成方法， 包括如下步 骤： 步骤1， 基于现有叶面积指数和地表覆盖分类 产品， 利用聚类 分析和最小差规则创建可代表全 球主要土地覆 盖类型的训练样本； 步骤2， 通过训 练长短时记忆、 门控递归单元、 和双 向LSTM深度 学习模型， 确定最佳叶面积指数估算模型； 步骤 3， 通过将BiLSTM模型分别应用于MODIS  500米和 250米地表反射率， 生成分辨率为500米和250米 的叶面积指数中间产品； 步骤4， 利用时空加权平 均后处理合并两个250米和500米分辨率LAI中间 产品， 从而得到全球250米分辨率时空连续的叶 面积指数产品。 本发明可以填补目前产品在高纬 地区的空白， 是目前唯一可满足全球气候观测系 统模拟碳循环的叶面积指数产品。 权利要求书2页 说明书5页 附图1页 CN 113378476 B 2022.07.19 CN 113378476 B 1.一种全球250米分辨率 时空连续的叶面积指数卫星产品生成方法， 其特征在于， 包括 如下步骤： 步骤1， 基于现有叶面积指数和地表覆盖分类产品， 利用聚类分析和最小差规则创建可 代表全球主 要土地覆盖类型的训练样本； 步骤2， 通过训练长短时记忆LSTM、 门控递归单元GRU、 和双向LSTM深度学习模型， 确定 最佳叶面积指数估算模型为双向LSTM深度学习模型， 即Bi LSTM模型； 步骤3， 通过将BiLSTM模型分别应用于MODIS  500米和250米地表反射率， 生成分辨率为 500米和250米的叶面积指数中间产品； 步骤4， 利用时空加权平均后处理合并250米和500米分辨率LAI中间产品， 从而得到全 球250米分辨率时空连续的叶面积指数产品； 步骤4的具体实现方式如下； 以任意一年为例， 计算该年前一年及 该年的LAI序列1， 以及该年及后一年的LAI序列2， 对这2个LAI序列乘上时间加 权函数， 并在该年处相加， 得到该年500米分辨率的LAI时间序 列， 其中时间加权函数w设计为以下 形式， 其中t 代表时间序列的步数： 由于500米LAI的估算模型精度更高， 为保持500米LAI和250米LAI的一致性， 对250米 LAI中间产品采用空间加权， 即在每500米像素内， 四个250米LAI像元被标准化以匹配500米 LAI值： 最终得到空间分辨率为250米， 时间分辨率8天， 时间跨度从2000年至今的全球时空连 续叶面积指数。 2.如权利要求1所述的一种全球250米分辨率时空连续的叶面积指数卫星产品生成方 法， 其特征在于： 步骤1的具体实现方式如下， 首先， 通过对2000年之后的任意一年的时间序列GLASS  LAI曲线进行K均值聚类分析， 识别出不同类型的LA I时间曲线， 基于M ODIS土地覆盖产品分别对每种土地覆盖类型进 行聚 类； 为确保每个聚类代表真实的LAI时间序列， 利用三个LAI产品进行比较， 即GLASS第五 版、 MODIS第六版和PROBA ‑V第一版， 以生 成代表时间序列的连续LAI样 本， 时间采样为K1年， 每8天时间间隔， 时间步为： K1*365/8向上取整； 对于每个小类， 选择这三个LAI产品中差异 最小的像元作为该小类的代表像元； 由于MODIS  LAI比GLASS和PROBA ‑V LAI波动更大， 在每 个时间点， 如果GLASS和PROBA ‑V LAI的差值小于一个单位， 则取其平均值作为样本值， 否则 取MODIS、 GLASS和PROBA ‑V LAI的中值； 在此之后， 在全球每个4 ° ×4°的窗口中排查， 如果窗 口中没有选中的像元， 则按最小差规则添加一个代 表性像元； 选取代表性像元以后， 提取其对应的MODIS时间序列 地表反射率数据作为控制变量， 融 合后的时间序列LAI作为目标变量， 组成训练样本； 随机将样本分为三组， 分别 是用于获得权　利　要　求　书 1/2 页 2 CN 113378476 B 2深度学习模型的训练数据集、 用于选择最优模型的验证数据集和用于评估最 终模型的测试 数据集。 3.如权利要求2所述的一种全球250米分辨率时空连续的叶面积指数卫星产品生成方 法， 其特征在于： 利用最小差规则来选择代 表性像元的具体实现方式如下， 由于MODIS和PROBA ‑V时间序列LAI在时间上可能是不连续的， 因此这三种产品的LAI序 列的共同长度对于每个像素是不同的； 这里应用一个最小差规则来选择代表性像元： 当纬 度低于50 °， 共有LAI时间序列长度不小于70， 当纬度高于50 °且低于55 °， 共有LAI序列长度 不小于60， 其他情况下共有长度不小于45 。 4.如权利要求1所述的一种全球250米分辨率时空连续的叶面积指数卫星产品生成方 法， 其特征在于： 步骤2中， 对于三个深度学习模型： LSTM、 GRU和BiLSTM， 保持相同的训练算 法和参数： 使用Adam优化器， 初始学习率 为0.0001， 批次大小为10 0， 最大训练期数为20 0。 5.如权利要求1所述的一种全球250米分辨率时空连续的叶面积指数卫星产品生成方 法， 其特征在于： 步骤2中500米LAI模型采用BiLSTM模型， 利用MODIS  6个反射率波段以及3 个太阳和卫星观测角作为特征序列； 250米LAI模型除采用MODIS红和 近红外反射率波段组 合作为特征输入外， 其余设置与上述500米LAI模 型相同； 其中MODIS  6个反射率波段中不含 波段5， 太阳和卫星观测角的时间长度为K1， 间隔为8天。 6.如权利要求1所述的一种全球250米分辨率时空连续的叶面积指数卫星产品生成方 法， 其特征在于： 步骤3的具体实现方式如下； 利用步骤2中确定的BiLSTM模型和时间序列的MODIS地表反射率数据， 估算出空间分辨 率为500米、 时间分辨率为8天的全球时间序列LAI， 然后利用250米地表反射率， 采用红光和 近红外两波段Bi LSTM模型， 估算全球25 0米8天LAI。权　利　要　求　书 2/2 页 3 CN 113378476 B 3