【技術實現步驟摘要】
本專利技術涉及大氣，更具體地，涉及一種基于深度學習的高光譜遙感圖像甲烷點源檢測方法。
技術介紹
1、短波紅外傳感器對近地甲烷濃度變化的敏感度高于熱紅外傳感器，現已廣泛應用于多尺度甲烷監測。其中，多光譜數據的數據量與時間分辨率優勢使其可應用于長時序點源監測，但其精度和對甲烷點源的檢測極限與高光譜數據存在較大差距，多與高光譜數據結合使用。高光譜遙感圖像得益于精細且近似連續的光譜分辨率優勢，在甲烷點源檢測及濃度反演中具有較高潛力。傳統估算方法主要包括物理算法、co2代理法和匹配濾波法。物理算法以輻射傳輸方程為依據，受天氣與地表光照影響較大。co2代理法是proxy算法的一種，由于co2和甲烷在1.6μm處均具有吸收特征，故可以使用co2在共同吸收帶上進行濃度反演，以co2為參考消除散射引起的光路改變，修正甲烷濃度。匹配濾波法直接獲取甲烷增強，而非整個區域的甲烷濃度，相較以上方法計算效率更高，適用于點源檢測任務。深度學習已廣泛應用于環境領域，包括太陽能預測、風能預測等，但其在甲烷排放檢測中的應用相對缺乏。目前的甲烷檢測深度網絡多使用cnn以及其他基礎架構。例如，有學者使用unet對圖像先做二值分類確定羽流區域，后在羽流掩膜區域進行甲烷柱增強預測，實現了甲烷點源排放定位與量化。以及methanet利用一組不同大小和形狀的羽流在不同氣象條件(風速等)和背景噪聲下的圖像，特定的背景風速下從羽流中學習特征，可用于預測不同風速驅動的羽流。
2、綜上，探測傳感器在甲烷監測中的發展趨勢呈現高空間、高光譜、高時間分辨率以及多源遙感結合研究，
技術實現思路
1、本專利技術為克服上述當前甲烷點源檢測模型精度不高、可解釋性差的缺陷，提供一種基于深度學習的高光譜遙感圖像甲烷點源檢測方法。
2、為解決上述技術問題，本專利技術的技術方案如下：
3、本專利技術提出一種基于深度學習的高光譜遙感圖像甲烷點源檢測方法，包括以下步驟：
4、獲取原始甲烷高光譜圖像，從原始甲烷高光譜圖像分離獲得甲烷點源背景子空間和甲烷點源目標子空間；
5、將所述原始甲烷高光譜圖像、甲烷點源背景子空間和甲烷點源目標子空間輸入到構建的基于深度學習的高光譜遙感圖像甲烷點源檢測模型中，獲得重構甲烷高光譜圖像和甲烷點源檢測位置；
6、基于原始甲烷高光譜圖像、重構甲烷高光譜圖像和甲烷點源檢測位置建立總損失函數，對構建的基于深度學習的高光譜遙感圖像甲烷點源檢測模型進行優化，當總損失函數值達到最小時，獲得訓練好的基于深度學習的高光譜遙感圖像甲烷點源檢測模型；
7、獲得待檢測甲烷高光譜圖像，輸入到訓練好的基于深度學習的高光譜遙感圖像甲烷點源檢測模型，獲得對應甲烷點源檢測位置。
8、優選地，所述可解釋性甲烷點源檢測深度網絡模型包括relu激活函數層、拼接層、第一矩陣相乘層、第二矩陣相乘層、第三矩陣相乘層、第一reshape層、第二reshape層、第三reshape層、第一卷積層、第二卷積層、第三卷積層、第四卷積層、leakey?relu激活函數層、mst單元和第一softmax層；
9、relu激活函數層的輸入端和第一卷積層的輸入端分別作為所述基于深度學習的高光譜遙感圖像甲烷點源檢測模型的第一輸入端和第三輸入端，拼接層的第二輸入端和第二矩陣相乘層的第一輸入端均作為所述基于深度學習的高光譜遙感圖像甲烷點源檢測模型的第二輸入端；
10、甲烷點源背景子空間與relu激活函數層的輸入端連接，relu激活函數層的輸出端與拼接層的第一輸入端連接，拼接層的輸出端與第一矩陣相乘層的第一輸入端連接，第一矩陣相乘層的第二輸入端與第二reshape層的第一輸出端連接，第一矩陣相乘層的輸出端和第一reshape層的輸入端連接；
11、原始甲烷高光譜圖像與第一卷積層的輸入端連接，第一卷積層、leakey?relu激活函數層、mst單元、第二卷積層、第一softmax層、第二reshape層依次連接；
12、甲烷點源目標子空間分別與拼接層的第二輸入端和第二矩陣相乘層的第一輸入端連接，第二reshape層的第二輸出端與第二矩陣相乘層的第二輸入端連接，第二矩陣相乘層的輸出端與第三reshape層的輸入端連接，第三reshape層的輸出端分別與第三卷積層、第四卷積層的輸入端連接，第三卷積層、第四卷積層的輸出端分別與第三矩陣相乘層的第一、第二輸入端連接；
13、第一reshape層的輸出端和第三矩陣相乘層的輸出端分別作為所述基于深度學習的高光譜遙感圖像甲烷點源檢測模型的第一輸出端和第二輸出端。
14、優選地，所述mst單元包括第一pixel?unshuffle層、第二pixel?unshuffle層、第一pixel?shuffle層、第二pixel?shuffle層、第一transformer子單元、第二transformer子單元、第三transformer子單元、第一skip?connection層、第一元素相加層、第二元素相加層和第三元素相加層；
15、第一skip?connection層的輸入端作為mst單元的第一輸入端，第一skipconnection層的輸出端與第三元素相加層的第二輸入端連接；
16、第一pixel?unshuffle層的輸入端作為mst單元的第二輸入端，第一pixelunshuffle層的輸出端與第一transformer子單元的輸入端連接，第一transformer子單元的輸出端與第一元素相加層的第一輸入端連接，第一元素相加層的輸出端與第一pixelshuffle層的輸入端連接，第一pixel?shuffle層的輸出端與第二元素相加層的第二輸入端連接，第二元素相加層的輸出端與第三元素相加層的第一輸入端連接；
17、第二transformer子單元的輸入端作為mst單元的第三輸入端，第二transformer子單元的輸出端與第二元素相加層的第一輸入端連接；
18、第二pixel?unshuffle層的輸入端作為mst單元的第四輸入端，第二pixelunshuffle層、第三transformer子單元和第二pixel?shuffle層依次連接，第二pixelshuffle層的輸出端與第一元素相加層的第二輸入端連接；
19、第三元素相加層的輸出端作為mst單元的輸出端。
20、優選地，所述第一transformer子單元、第二transformer子單元和第三transformer子單元結構相同，包括層歸一化層、第五卷積層、第六卷積層、第七卷積層、第八卷積層，第四矩陣相乘層、本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述可解釋性甲烷點源檢測深度網絡模型包括ReLU激活函數層、拼接層、第一矩陣相乘層、第二矩陣相乘層、第三矩陣相乘層、第一Reshape層、第二Reshape層、第三Reshape層、第一卷積層、第二卷積層、第三卷積層、第四卷積層、Leakey?ReLU激活函數層、MST單元和第一softmax層；
3.根據權利要求2所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述MST單元包括第一Pixel?Unshuffle層、第二Pixel?Unshuffle層、第一Pixelshuffle層、第二Pixel?shuffle層、第一Transformer子單元、第二Transformer子單元、第三Transformer子單元、第一Skip?connection層、第一元素相加層、第二元素相加層和第三元素相加層；
4.根據權利要求3所述的基于深度學習的高光譜遙感圖像甲烷點源檢
5.根據權利要求2-4任一項所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述第一卷積層、第二卷積層、第三卷積層、第五卷積層、第六卷積層、第七卷積層、第八卷積層的卷積核為1×1，第四卷積層的卷積核為3×3。
6.根據權利要求2所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述總損失函數的確定方法包括：
7.根據權利要求6所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述重建損失的確定方法包括：
8.根據權利要求6所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述稀疏損失的確定方法包括：
9.根據權利要求6所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述CEM損失的確定方法包括：
10.一種基于深度學習的高光譜遙感圖像甲烷點源檢測系統，用于實現權利要求1-9任一項所述方法，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述可解釋性甲烷點源檢測深度網絡模型包括relu激活函數層、拼接層、第一矩陣相乘層、第二矩陣相乘層、第三矩陣相乘層、第一reshape層、第二reshape層、第三reshape層、第一卷積層、第二卷積層、第三卷積層、第四卷積層、leakey?relu激活函數層、mst單元和第一softmax層；
3.根據權利要求2所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述mst單元包括第一pixel?unshuffle層、第二pixel?unshuffle層、第一pixelshuffle層、第二pixel?shuffle層、第一transformer子單元、第二transformer子單元、第三transformer子單元、第一skip?connection層、第一元素相加層、第二元素相加層和第三元素相加層；
4.根據權利要求3所述的基于深度學習的高光譜遙感圖像甲烷點源檢測方法，其特征在于，所述第一transformer子單元、第二transformer子單元和第三trans...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。