【技術實現步驟摘要】
本專利技術涉及遙感影像時序插值預測，尤其涉及一種基于lstm預測的遙感影像時序插值方法及裝置。
技術介紹
1、隨著遙感技術的快速發展，遙感影像在環境監測、資源管理和災害評估等領域發揮著越來越重要的作用。遙感影像通過周期性獲取地表信息，為區域生態環境的動態監測和趨勢分析提供了寶貴的數據支持。然而，由于各種因素的影響，如氣候條件、傳感器故障、衛星過境頻率限制等，導致遙感影像的時序數據往往不完整，存在缺失。這種數據缺失嚴重影響了時序分析的連續性和準確性，從而限制了遙感影像在實際應用中的潛力。
2、傳統的解決方案是采用時序插值方法如線性插值、樣條插值和克里金插值等，上述方法在處理簡單的時間序列數據時具有一定的有效性，但在面對復雜的時空依賴性時，其效果顯著下降。這是因為這些方法通常無法充分利用影像數據中的時間和空間特征，從而難以生成高精度的插值結果。
3、近年來，深度學習模型，特別是卷積神經網絡（cnn）和循環神經網絡（rnn）的模型得到應用，在圖像時序預測領域取得了顯著進展；長短期記憶網絡（lstm）因其在捕捉時間依賴性方面的優勢，廣泛應用于氣象預測、金融時間序列分析等領域；然而，lstm在處理遙感影像時，單純依賴時間維度的特征提取，往往忽略了圖像中的空間結構信息。
4、視覺變換器（vision?transformer,?vit）模型，通過自注意力機制有效捕捉圖像中的全局空間依賴關系，展現出優異的圖像處理能力；其中swin?transformer是vit的一種改進版本，其通過引入基于窗口的自注意機制（
5、申請號202410833210.2的專利技術申請公開一種時間序列遙感影像缺失區域重建方法、裝置和電子設備，通過獲取待重建的時間序列遙感影像，對時間序列遙感影像進行預處理，對預處理后的時間序列遙感影像進行本征正交分解，確定目標空間模態集合和對應的目標時間模態集合，根據時間序列遙感影像缺失區域的位置，對一維目標時間模態集合進行插值或預測，將插值結果集合或預測結果集合與目標空間模態集合相結合，得到對應的缺失影像，可以有效捕捉地物變化，有效利用空間和時間模態的信息，可解釋性強，避免了直接對二維空間數據的計算，計算快速而準確。但其方案存在難以準確捕捉復雜時間序列變化的問題。
技術實現思路
1、針對上述存在的問題，本專利技術的目的在于提供一種基于lstm預測的遙感影像時序插值方法及裝置，解決現有技術在處理遙感影像時序數據缺失時，傳統插值方法難以準確捕捉復雜時間序列變化的問題，通過深度學習模型有效學習時序數據中的長期依賴關系，能夠更精確地預測并插值缺失的影像數據，從而提升遙感影像時序分析的完整性和精度。
2、本專利技術實施例提供一種基于lstm預測的遙感影像時序插值方法及裝置。
3、第一方面：一種基于lstm預測的遙感影像時序插值方法，包括：
4、s1、獲取目標區域歷史時序遙感影像數據，并進行預處理；
5、s2、將預處理后的數據劃分為訓練集、驗證集和測試集；
6、s3、構建swin-lstm模型并進行訓練驗證；
7、s4、利用訓練驗證后的swin-lstm模型生成時序插值影像預測。
8、作為本專利技術更進一步地方案，所述s1中區域歷史時序遙感影像為目標區域的sentinel-2遙感影像，采用l2a級影像產品。
9、作為本專利技術再進一步地方案，所述s1中預處理包括，對獲取到的遙感影像數據重采樣，進行真彩色波段組合可視化處理，并合成轉化為geotiff格式。
10、作為本專利技術更進一步地方案，所述訓練集、驗證集和測試集為，時序遙感影像經過裁剪、直方圖均衡化處理后獲取的灰度影像。
11、作為本專利技術再進一步地方案，所述構建swin-lstm模型，關鍵方程為：
12、(1)
13、(2)
14、(3)
15、其中，ft為濾波門，表示哈達瑪積，stb表示swin?transformer模塊，lp表示線性投影。
16、作為本專利技術再進一步地方案，所述swin?transformer模塊，關鍵方程為：
17、(4)
18、(5)
19、(6)
20、(7)
21、其中，zl-1和zl表示殘差連接，?w-msa為基于窗口的自注意機制，?sw-msa為基于移位窗口的自注意機制，mlp為多層感知機，ln為歸一化。
22、作為本專利技術再進一步地方案，所述s4中使用swin-lstm模型生成時序插值影像預測，利用前兩幅影像預測下一時刻的影像時，利用模型輸出影像作為模型下一次預測的輸入影像進行動態迭代更新。
23、第二方面：一種應用于上述方法的裝置，包括：
24、輸入模塊，輸入選擇的遙感影像；
25、swin-lstm模塊，依據選擇的遙感影像素，利用訓練驗證的swin-lstm模型進行時序插值影像預測；
26、輸出模塊，輸出時序插值影像預測結果。
27、第三方面：一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如第一方面所提供的方法的步驟。
28、第四方面：一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如第一方面所提供的方法的步驟。
29、本專利技術的有益效果：
30、1、本專利技術結合了swin?transformer模塊和lstm模型，組合成為swin-lstm模型，通過融合時間和空間特征，該模型能夠更準確地預測和插值缺失的遙感影像數據，通過動態更新的推理機制，提升了預測結果的連續性和精度。
31、2、本專利技術基于swin-lstm的雙時相遙感影像生成插值影像，針對目前遙感影像在復雜環境下的時序數據缺失和插值精度不足的難題，為遙感影像的時序插值提供了新思路，提升了在復雜場景下高精度影像插值的潛力，為農業監測、環境評估等任務提供了新的解決方案，提高了時序遙感數據處理的準確性和可靠性。
本文檔來自技高網...【技術保護點】
1.一種基于LSTM預測的遙感影像時序插值方法，其特征在于，包括：
2.根據權利要求1所述的基于LSTM預測的遙感影像時序插值方法，其特征在于，所述S1中區域歷史時序遙感影像為目標區域的Sentinel-2遙感影像，采用L2A級影像產品。
3.根據權利要求2所述的基于LSTM預測的遙感影像時序插值方法，其特征在于，所述S1中預處理包括，對獲取到的遙感影像數據重采樣，進行真彩色波段組合可視化處理，并合成轉化為GeoTIFF格式。
4.根據權利要求1所述的基于LSTM預測的遙感影像時序插值方法，其特征在于，所述訓練集、驗證集和測試集為，時序遙感影像經過裁剪、直方圖均衡化處理后獲取的灰度影像。
5.根據權利要求1所述的基于LSTM預測的遙感影像時序插值方法，其特征在于，所述構建Swin-LSTM模型，關鍵方程為：
6.根據權利要求5所述的基于LSTM預測的遙感影像時序插值方法，其特征在于，所述Swin?Transformer模塊，關鍵方程為：
7.根據權利要求1所述的基于LSTM預測的遙感影像時序插值方法，其特征在
8.基于權利要求1至7任一項所述方法的裝置，其特征在于，包括：
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7中任一項所述基于LSTM預測的遙感影像時序插值方法的步驟。
10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至7中任一項所述基于LSTM預測的遙感影像時序插值方法的步驟。
...【技術特征摘要】
1.一種基于lstm預測的遙感影像時序插值方法，其特征在于，包括：
2.根據權利要求1所述的基于lstm預測的遙感影像時序插值方法，其特征在于，所述s1中區域歷史時序遙感影像為目標區域的sentinel-2遙感影像，采用l2a級影像產品。
3.根據權利要求2所述的基于lstm預測的遙感影像時序插值方法，其特征在于，所述s1中預處理包括，對獲取到的遙感影像數據重采樣，進行真彩色波段組合可視化處理，并合成轉化為geotiff格式。
4.根據權利要求1所述的基于lstm預測的遙感影像時序插值方法，其特征在于，所述訓練集、驗證集和測試集為，時序遙感影像經過裁剪、直方圖均衡化處理后獲取的灰度影像。
5.根據權利要求1所述的基于lstm預測的遙感影像時序插值方法，其特征在于，所述構建swin-lstm模型，關鍵方程為：
6.根據權利要求5所述的基于lstm預...
【專利技術屬性】
技術研發人員：王芷曉，孫嗣文，劉繼東，李雁飛，史經業，何新宇，范禹靜，豐得闖，
申請(專利權)人：中科星圖數字地球合肥有限公司，
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。