(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910333471.7
(22)申请日 2019.04.24
(71)申请人 中国科学院遥感与数字地球研究所
地址 100101 北京市朝阳区大屯路甲20号
北
申请人 首都师范大学
(72)发明人 董莹莹 李雪玲 朱溢佞 叶回春
黄文江
(74)专利代理机构 北京集佳知识产权代理有限
公司 11227
代理人 杨华 王宝筠
(51)Int.Cl.
G01N 21/552(2014.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
一种叶面积指数反演方法及装置
(57)摘要
本申请公开了一种叶面积指数反演方法及
装置，其中，方法包括：获取遥感植被冠层光谱反
射率数据，将遥感植被冠层光谱反射率数据输入
预先训练的深度神经网络模型，得到深度神经网
络模型输出的叶面积指数，深度神经网络模型至
少包括卷积层，卷积层的采样步幅大于1，并且取
不大于卷积层使用的滤波器的尺度的数值中的
最大值。
通过本申请，可以反演出具有较高精度
的叶面积指数。
权利要求书2页 说明书12页 附图2页CN 109975250 A 2019.07.05
C N 109975250
A
权 利 要 求 书1/2页CN 109975250 A
1.一种叶面积指数反演方法，其特征在于，包括：
获取遥感植被冠层光谱反射率数据；
将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺度的数值中的最大值。
2.根据权利要求1所述的方法，其特征在于，所述预设的神经网络模型是采用训练样本训练得到；所述训练样本包括预设的植被光谱发射率数据，以及与所述预设的植被光谱反射率数据对应的叶面积指数；
所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14％的数据。
3.根据权利要求1所述的方法，其特征在于，所述卷积层包括：第一个卷积层与第二个卷积层，所述第一个卷积层与所述第二个卷积层连接；
所述第一卷积层的滤波器尺寸为1*3，采样步幅为3，所述第二个卷积层的滤波器尺寸为1*3，采样步幅为3。
4.根据权利要求3所述的方法，其特征在于，所述深度神经网络模型还包括：一个池化层；所述第二个卷积层与所述池化层连接。
5.根据权利要求4所述的方法，其特征在于，所述深度神经网络模型还包括：三个全连接层，分别为第一个全连接层，第二个全连接层与第三个全连接层；所述池化层与所述第一个全连接层连接，所述第一个全连接层输出的数据，输入随机失活(Dropout)，所述Dropout 输出的数据输入所述第二个全连接层，所述第二个全连接层与所述第三个全连接层连接。
6.根据权利要求5所述的方法，其特征在于，所述第二个卷积层输出的数据输入预设的第一ReLU激活函数，所述第一ReLU激活函数输出的数据输入所述池化层，所述池化层输出的数据输入所述第一个全连接层，所述第一个全连接层输出的数据输入预设的第二ReLU激活函数，所述第二ReLU激活函数输出的数据输入所述Dropout，所述Dropout输出的数据输入所述第二个全连接层，所述第二个全连接层输出的数据输入预设的第三ReLU激活函数，所述第三ReLU激活函数输出的数据输入所述第三个全连接层，所述第三个全连接层输出的数据输入预设的Sigmoid函数。
7.一种叶面积指数反演装置，其特征在于，包括：
获取模块，用于获取遥感植被冠层光谱反射率数据；
输入模块，用于将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型，得到所述深度神经网络模型输出的叶面积指数，所述深度神经网络模型至少包括卷积层，所述卷积层的采样步幅大于1，并且取不大于所述卷积层使用的滤波器的尺度的数值中的最大值。
8.根据权利要求7所述的装置，其特征在于，所述预先训练的神经网络模型采用训练样本训练得到；所述训练样本包括预设的植被光谱发射率数据，以及与所述预设的植被光谱反射率数据对应的叶面积指数；
所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14％的数据。
9.根据权利要求7所述的装置，其特征在于，所述卷积层包括：第一个卷积层与第二个
2。
