一种基于IEDSR的Landsat影像湖冰厚度反演方法及系统

技术领域

本发明涉及湖冰厚度反演技术领域，尤其是一种基于IEDSR的Landsat影像湖冰厚度反演方法及系统。

背景技术

湖冰是受气候变化影响最直接的湖泊物理特征之一，其周期性的冻结和消融时间，以及由季风性与年际气候变化所引起的冻结-消融周期的变化被称作湖冰物候。2006年，湖冰被世界气象组织宣布为最重要的气候变量之一。湖冰物候与气候变化联系密切，其长时间序列的变化可作为研究气候变化的替代资料，是评估气候变化的重要指标。

光学遥感是确定冰盖存在的重要工具，特别是对于五大湖等大型中纬度水体。通过美国国家航空航天局的Worldview网站(https://worldview.earthdata.nasa.gov/)等网络应用程序，无需外部处理即可轻松访问大量光学图像。其他大型光学图像数据库，例如美国地质调查局的地球探索者(https://earthexplorer.usgs.gov/)，允许免费下载一致的图像时间序列。Landsat系列卫星是目前应用最广泛的光学遥感卫星，其长期连续，全球覆盖及分辨率适中等优点使其在湖冰物候信息反演方面具有显著优势。

发明内容

本发明所要解决的技术问题在于，提供一种基于IEDSR的Landsat影像湖冰厚度反演方法及系统，采用基于单图像超分辨率的增强深残差网络，进一步提高了Landsat影像数据的分辨率，对后续反演湖冰厚度有重要意义。

为解决上述技术问题，本发明提供一种基于IEDSR的Landsat影像湖冰厚度反演方法，包括如下步骤：

(1)筛选并下载卫星图像；

(2)对年度云量处于0～8％的卫星图像作预处理；

(3)训练IEDSR模型；

(4)将预处理后的卫星图像作为IEDSR模型的输入；

(5)IEDSR模型输出结果；

(6)反照率反演湖冰厚度。

优选的，步骤(2)中，预处理操作包括输入图像、辐射定标、拼接、裁剪、几何校正和大气校正。对landsat影像的上述预处理利用谷歌地球引擎(Google Earth Engin e,GEE)来预处理。输入图像选择USGS Landsat 8Collection 1Tier 1TOA Reflecta nce数据集，利用filter(ee.Filter.lte('CLOUD_COVER',8))屏蔽阈值超过8的像素；利用image.select().multiply().add()函数进行辐射定标；利用clipToCollection()函数对影像进行裁剪获得研究区域影像。

优选的，步骤(3)中，IEDSR模型是一种改进的增强型深度超分辨率网络(Improved Enhanced Deep Super Resolution Network,IEDSR)。该网络在增强型深度残差网络(Enhanced Deep Super Resolution Network,EDSR)的基础上，在每个残差块上引入通道注意力块，训练时更加专注于影像的高频信息部分，减少模型的复杂度。为进一步缩短运行时间，将亚像素卷积网络添加到网络末端，用于上采样操作，由此构成一种基于亚像素卷积的增强型通道注意力深度残差超分辨网络。训练IEDSR模型具体为：对输入的特征图进行卷积，经过通道注意力块的处理，再输出到级联的下一个基本单元提取更深层次的图像特征；ECAR(Enhanced Deep Residual Networks for Single Image Supe r Resolution)的网络基本单元由2个级联的卷积层、ReLU激活函数和一个通道注意力模块构成，并增加局部跳连结构；通道注意力块中的降维和升维均利用1×1的卷积实现，降维卷积层使用ReLU激活函数，升维卷积层使用Sigmoid激活函数，

亚像素卷积分解为两步：(a)对低分辨率特征图作卷积，将它的特征通道数转化为r

亚像素卷积操作用下式的数学形式表示：

I

I

其中，x和y表示高分辨率空间中的输出像素坐标，C为图像的通道数量，

优选的，步骤(4)中，将预处理后的卫星图像作为IEDSR模型的输入具体为：把图像90度旋转以及翻转，总共有8种不同的图像，分别进训练完毕的IEDSR网络再变换回原始位置，8张图像再取平均。

优选的，步骤(6)中，反照率反演湖冰厚度具体为：Landsat TM/ETM传感器反射率计算方法如下：

α＝0.356α1+0.130α2+0.373α4+0.085α5+0.072α7-0.0018

其中，α

将上式代入湖冰厚度计算公式中，

α(H)＝α

式中，H是湖冰厚度，α(H)是湖冰厚度为H时所对应的太阳短波反射率，α

相应的，一种基于IEDSR的Landsat影像湖冰厚度反演系统，包括：数据处理模块、数据存储模块和数据输出模块；数据处理模块用于对卫星图像进行筛选、预处理和IED SR模型训练，数据存储模块用于对筛选、预处理和IEDSR模型训练后的卫星图像进行存储，数据输出模块用于从数据存储模块提取卫星图像并输出，然后反演湖冰厚度。

本发明的有益效果为：本发明采用基于单图像超分辨率的增强深残差网络，采用深度学习的方法对遥感影像的所有波段的图像都进行了重建，这样能更好地保留遥感影像的光谱特征，使得后续利用landsat影像的光谱特征反演湖冰厚度具有更高的精度；利用遥感影像反演湖冰厚度是一种低成本高时效的湖泊气候变化观测的手段，对于进一步研究某地特别是气候恶劣难以长期观测的地区的气候变化具有重要意义。

附图说明

图1为本发明的方法流程示意图。

图2为本发明的IEDSR网络结构示意图。

具体实施方式

如图1所示，一种基于IEDSR的Landsat影像湖冰厚度反演方法，包括如下步骤：

(1)从美国国家航空航天局的Worldview网站筛选并下载2020年12月份包含纳木错的Landsat图像；

(2)对下载好的年度云量处于0～8％的包含纳木错原始Landsat图像作预处理，包括输入图像、辐射定标、裁剪、几何校正、大气校正等步骤；

(3)IEDSR模型的训练：将通道注意力块融入增强型残差网络，使模型训练过程更集中于图像高频成分，减少模型复杂度。在网络末端进行亚像素卷积，缩短运行时间，同时更加专注图像细节部分；

(4)将上述步骤(2)中预处理完毕的纳木错Landsat图像作为步骤(3)中得到的IEDSR模型的输入；

(5)得到的(4)中IEDSR模型的输出结果即为分辨率提高后的纳木错Landsat图像；

(6)计算经过IEDSR处理的纳木错Landsat图像的反射率，根据公式计算湖冰厚度。

对步骤(2)中对年度云量处于0～8％的包含纳木错原始Landsat图像作预处理的具体步骤如下：

(2.1)对低云量Landsat影像做辐射定标处理；

(2.2)对步骤(2.1)所得影像作大气校正；

(2.3)对步骤(2.2)所得影像进行拼接和裁剪，得到训练样本湖泊即纳木错的Landsat预处理影像。

对步骤(3)中对IEDSR模型训练的具体步骤如下：

(3.1)实验数据的准备：本实验所用计算机CPU为Intel(R)Core(TM)i7-9750H,GPU为NVIDIA GeForce GTX 1650。在tensorflow_gpu-1.13.1学习环境下，使用Pyth on3.6.5进行处理。将预处理后的Landsat影像降采样，构建训练样本。为了增加样本数，对图像进行水平与垂直翻折，由120张影像构成训练集。

(3.2)模型训练：IEDSR模型结构如图2所示，先对输入的特征图进行卷积，从而获得更为深层的特征表示，然后经过通道注意力块的处理，再输出到级联的下一个基本单元提取更深层次的图像特征。IEDSR的网络基本单元由2个级联的卷积层、ReLU激活函数和一个通道注意力模块构成，并增加局部跳连结构。通道注意力块中的降维和升维均利用1×1的卷积实现，降维卷积层使用ReLU激活函数，升维卷积层使用Sigmoi d激活函数。现有的SRCNN算法对原始低分辨率图像作双3次插值来得到1张与目标重建结果尺寸相同的低分辨率图像，再将其作为重建算法的输入图像，这样大大降低了算法的整体训练速度。本实验去掉用双3次插值的上采样预处理操作，在网络的末端添加亚像素卷积，实现上采样操作。亚像素卷积可分解为两步：(1)对低分辨率特征图作卷积，将它的特征通道数转化为r

(3.3)重建效果评价：本实验选用L1范数作为网络的损失函数。该函数以最小化估计值和目标值之间的绝对值为目标，其定义为：

其中，n表示数据集中样本数量，F(i)与X

步骤(6)的具体步骤如下：

(6.1)计算反射率；

α＝0.356α1+0.130α2+0.373α4+0.085α5+0.072α7-0.0018

其中，α

(6.2)计算湖冰厚度；

α(H)＝α

式中，H是湖冰厚度，α(H)是湖冰厚度为H时所对应的太阳短波反照率，α