【技術實現步驟摘要】
本專利技術涉及植被指數處理，具體是一種基于lstm模型的植被指數插值方法及系統。
技術介紹
1、lstm（long?short-term?memory，長短期記憶網絡）是一種特殊的遞歸神經網絡（rnn），專門設計用于解決長序列數據中的長期依賴性問題。與傳統的rnn不同，lstm通過引入“記憶單元”與“門控機制”來保留長期信息，有效地避免了梯度消失或梯度爆炸問題，使其在處理時間序列數據和序列預測任務中表現更優。
2、植被指數是一個隨時間變化的數據，每個時刻都有對應的植被指數，在實際應用中，有很多時候會存在數據缺失現象，比如某些時刻獲取到的數據明顯無效，又或者某些時刻的遙感數據獲取失敗，相應的，植被指數也無法計算，這些缺失的數據，影響了植被指數的完整度，如何對缺失的植被指數進行插值，提高數據完整度是本專利技術技術方案想要解決的技術問題。
技術實現思路
1、本專利技術的目的在于提供一種基于lstm模型的植被指數插值方法及系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于lstm模型的植被指數插值方法，所述方法包括：
4、根據預設的時間周期獲取植被區域的遙感數據，根據所述遙感數據計算植被指數；
5、根據時間順序排列計算得到的植被指數，根據植被指數的數量確定特征時間窗和標簽時間窗，基于特征時間窗選取特征，基于標簽時間穿選取標簽，構建樣本集；
6、在指數序列中根據預設的長
7、基于新的樣本集訓練lstm模型，基于lstm模型對數據缺失位置進行數據預測，得到預測值，將預測值插入所述數據缺失位置。
8、作為本專利技術進一步的方案：所述根據預設的時間周期獲取植被區域的遙感數據，根據所述遙感數據計算植被指數的步驟包括：
9、接收管理員設定的時間步長，每經過一次時間步長，獲取一次植被區域的遙感數據；
10、在遙感數據中提取反射率參數，基于反射率參數計算植被指數；
11、其中，所述植被指數的計算過程包括：
12、；
13、；
14、式中，表示第一植被指數，取值為表示近紅外光的反射率，表示紅光的反射率；
15、表示第二植被指數，表示藍光的反射率。
16、作為本專利技術進一步的方案：所述根據時間順序排列計算得到的植被指數，根據植被指數的數量確定特征時間窗和標簽時間窗，基于特征時間窗選取特征，基于標簽時間穿選取標簽，構建樣本集的步驟包括：
17、查詢植被指數對應的遙感數據的獲取時刻，基于獲取時刻對植被指數進行排列，得到指數序列；
18、獲取指數序列的元素總數，根據所述元素總數確定特征時間窗；所述特征時間窗采用數值進行表示，數值的取值為正整數，表示指數序列中的元素數量；
19、接收用戶輸入的時間跨度，作為標簽時間窗；所述標簽時間窗采用數值進行表示，數值的取值為正整數，表示指數序列中的元素數量；
20、基于特征時間窗在指數序列中選取子序列，作為特征；
21、基于標簽時間窗選取與每個特征的尾部相連的子序列，作為對應特征的標簽；
22、統計特征及其對應的標簽，得到樣本集。
23、作為本專利技術進一步的方案：所述在指數序列中根據預設的長度選取數據，對選取到的數據進行快速傅里葉變換，得到頻率分量信息，將頻率分量信息插入選取到的特征中，作為新的特征，得到新的樣本集的步驟包括：
24、在指數序列中根據預設的長度選取數據，對選取到的數據進行快速傅里葉變換，得到頻率分量信息；
25、基于幅值在頻率分量信息中選取頻率分量；
26、將頻率分量插入選取到的特征中，作為新的特征；
27、其中，選取頻率分量的過程為：
28、基于幅值在頻率分量信息中降序選取預設數量的頻率分量，同步計算選取到的頻率分量的差值比例，根據所述差值比例篩選頻率分量；
29、將頻率分量插入選取到的特征中的過程為：
30、假設指數序列為，選取到的頻率分量為，對應的幅值為，插入后的特征即為；其中，表示序列的元素總數，表示選取的頻率分量的總數，表示指數序列中第個指數。
31、作為本專利技術進一步的方案：所述基于新的樣本集訓練lstm模型，基于lstm模型對數據缺失位置進行數據預測，得到預測值，將預測值插入所述數據缺失位置的步驟包括：
32、基于新的樣本集訓練lstm模型；
33、當檢索到數據缺失位置時，確定含有數據缺失位置的標簽時間窗；
34、基于所述標簽時間窗查詢特征時間窗；
35、讀取特征時間窗內的數據，輸入訓練好的lstm模型，得到預測輸出；
36、計算所有預測輸出在數據缺失位置處的數值均值，作為預測值，插入所述數據缺失位置。
37、作為本專利技術進一步的方案：所述方法還包括：
38、根據植被區域的位置關系對植被區域進行歸類；
39、對同類植被區域，定時比對植被區域對應的訓練好的lstm模型；
40、根據比對結果確定異常模型，讀取異常模型對應的樣本集，發送到驗證端。
41、本專利技術技術方案還提供了一種基于lstm模型的植被指數插值系統，所述系統包括：
42、植被指數計算模塊，用于根據預設的時間周期獲取植被區域的遙感數據，根據所述遙感數據計算植被指數；
43、樣本集構建模塊，用于根據時間順序排列計算得到的植被指數，根據植被指數的數量確定特征時間窗和標簽時間窗，基于特征時間窗選取特征，基于標簽時間穿選取標簽，構建樣本集；
44、樣本集更新模塊，用于在指數序列中根據預設的長度選取數據，對選取到的數據進行快速傅里葉變換，得到頻率分量信息，將頻率分量信息插入選取到的特征中，作為新的特征，得到新的樣本集；
45、數據插入模塊，用于基于新的樣本集訓練lstm模型，基于lstm模型對數據缺失位置進行數據預測，得到預測值，將預測值插入所述數據缺失位置。
46、作為本專利技術進一步的方案：所述植被指數計算模塊包括：
47、數據獲取單元，用于接收管理員設定的時間步長，每經過一次時間步長，獲取一次植被區域的遙感數據；
48、計算執行單元，用于在遙感數據中提取反射率參數，基于反射率參數計算植被指數；
49、其中，所述植被指數的計算過程包括：
50、；
51、；
52、式中，表示第一植被指數，取值為表示近紅外光的反射率，表示紅光的反射率；
53、表示第二植被指數，表示藍光的反射率。
54、作為本專利技術進一步的方案：所述樣本集構建模塊包括：
5本文檔來自技高網...
【技術保護點】
1.一種基于LSTM模型的植被指數插值方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于LSTM模型的植被指數插值方法，其特征在于，所述根據預設的時間周期獲取植被區域的遙感數據，根據所述遙感數據計算植被指數的步驟包括：
3.根據權利要求1所述的基于LSTM模型的植被指數插值方法，其特征在于，所述根據時間順序排列計算得到的植被指數，根據植被指數的數量確定特征時間窗和標簽時間窗，基于特征時間窗選取特征，基于標簽時間穿選取標簽，構建樣本集的步驟包括：
4.根據權利要求3所述的基于LSTM模型的植被指數插值方法，其特征在于，所述在指數序列中根據預設的長度選取數據，對選取到的數據進行快速傅里葉變換，得到頻率分量信息，將頻率分量信息插入選取到的特征中，作為新的特征，得到新的樣本集的步驟包括：
5.根據權利要求1所述的基于LSTM模型的植被指數插值方法，其特征在于，所述基于新的樣本集訓練LSTM模型，基于LSTM模型對數據缺失位置進行數據預測，得到預測值，將預測值插入所述數據缺失位置的步驟包括：
6.根據權利要求1所述的基
7.一種基于LSTM模型的植被指數插值系統，其特征在于，所述系統包括：
8.根據權利要求7所述的基于LSTM模型的植被指數插值系統，其特征在于，所述植被指數計算模塊包括：
9.根據權利要求7所述的基于LSTM模型的植被指數插值系統，其特征在于，所述樣本集構建模塊包括：
10.根據權利要求7所述的基于LSTM模型的植被指數插值系統，其特征在于，所述樣本集更新模塊包括：
...【技術特征摘要】
1.一種基于lstm模型的植被指數插值方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于lstm模型的植被指數插值方法，其特征在于，所述根據預設的時間周期獲取植被區域的遙感數據，根據所述遙感數據計算植被指數的步驟包括：
3.根據權利要求1所述的基于lstm模型的植被指數插值方法，其特征在于，所述根據時間順序排列計算得到的植被指數，根據植被指數的數量確定特征時間窗和標簽時間窗，基于特征時間窗選取特征，基于標簽時間穿選取標簽，構建樣本集的步驟包括：
4.根據權利要求3所述的基于lstm模型的植被指數插值方法，其特征在于，所述在指數序列中根據預設的長度選取數據，對選取到的數據進行快速傅里葉變換，得到頻率分量信息，將頻率分量信息插入選取到的特征中，作為新的特征，得到新的樣本集的步驟包括：<...
【專利技術屬性】
技術研發人員：汪舜馨，崔玉環，劉琳，賈月筱，
申請(專利權)人：安徽農業大學，
類型：發明
國別省市：
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。