本发明属于遥感植被指数预测建模领域，涉及一种基于注意力与convlstm主干网络的遥感植被指数预测方法。
背景技术：
1、植被指数是生态系统健康监控的重要指标，在物质与能量循环、调节碳平衡、缓解温室气体浓度增加以及减少水土流失等方面具有非常重要的作用。良好的植被指数数值及其合理的地理分布代表着自然与城市系统对自然灾害如泥石流、沙尘暴的抵御能力较强；反之，则会使得生态系统功能弱化，恶劣气候逐渐增加。预测植被趋势变化空间格局能够为陆地生态系统变化提供早期预警。因此，植被指数变化预测是生态规划的重点，这对人类社会的可持续发展非常重要。
2、传统植被指数测量基于陆地观测方法，其覆盖面小而分布不均匀，同时，其指数的预测基本基于专家经验和线性回归等方法，这使得预测结果不可扩展及粗糙。随着空天遥感平台的建立与遥感图像处理技术的发展，遥感植被指数的观测和预测都得到了极大的提升。其观测面积扩展为全球尺度，分辨率根据传感器的差异而多有不同，这促进了植被指数在全局层面的研究与应用。遥感植被指数(ndvi)是通过传感器获取到的红波段red图像和近红外波段nir图像反演而来，能够合理的显示地表植被覆盖情况。同时，其衍生植被指数——植被覆盖度(fvc)能够更好的反应干旱地区的植被生长情况，所以在黄土高原等地广泛使用。
3、在植被指数预测领域，最初的预测方法是通过简单线性回归对未来某一时间段的植被情况进行预测，其将植被指数如ndvi值作为因变量，将影响植被的可能因素(降雨、温度)作为自变量进行拟合。进一步的工作是通过选取更多的特征因子来增加拟合的精细度。这样做过于简单的假设植被指数的变化和影响因子是线性关系，不适用于植被变化的复杂环境。后续的科研工作者采用两方面的工作来进行预测，一种是对生态学进行建模，一种是通过统计学习来进行预测。前者通过对全球生态或植被建模，考虑地球上植被、气候、水文以及其他因素的相互关系，得出了诸如全球植被动态模型、地中海气候模型等对未来植被指数进行预测。后者使用地理加权回归(gwr)、增强回归树、随机森林、自动元胞机-马尔可夫模型(cv-markov)、人工神经网络等方法对植被指数数据进行建模。此两种方法都解决了植被的影响因素种类多样，以及植被指数对这些因素的非线性响应，均得到了不错的结果。目前，神经网络以及发展的十分强大，但其在植被预测领域的研究还远不可及。
4、植被指数预测研究在深度学习领域中，可以看作时空图像序列预测任务中的一个子集。时空图像序列预测是深度学习中备受关注的任务之一，已经出现众多方法对其进行解决。目前的时空预测学习方法大多使用卷积神经网络(cnn)和循环神经网络(rnn)的混合架构，分别来学习空间特征和时间特征。rnn首次利用迭代继承的方法来记录时间信息，而长短期记忆网络(lstm)是对rnn的梯度消失的优化结构。得益于lstm在时间序列建模上的优秀结果，卷积长短期记忆网络是时空序列预测的开创性工作，它将lstm的全连接计算扩展到卷积计算，实现了降水临近预报。后续还有predrnn、st-lstm、phydnet等优秀的网络架构，均有着不错的表现。但这些工作都是基于单纯的图像序列来进行预测，即仅使用连续10张的过去图像来预测下一张未来图像，这样的方式符合基本的时空预测学习任务的背景需求。但在地理环境背景下，植被的生长情况即植被指数的变化情况受到复杂的地球环境影响，例如传统的统计方法均会使用多种影响因子对预测进行辅助。值得注意的是，注意力机制的产生能够使得多数网络更加聚焦于感兴趣区域，从而提升预测的精度，因此若能将注意力机制与上述网络相结合，有望实现精度的进一步提升。此外，以往的网络结构均使用网络中的标准数据集进行实验与验证，未能在实际的工程环境中进行使用，而真实生产环境中使用的图像，如ndvi图像，相较于标准数据集，其大小、尺度、范围要求等均有一定的差距，这对模型的泛化能力提出了更高的要求。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种耦合卷积长短期记忆网络和注意力机制的遥感植被指数预测方法，能够处理真实ndvi图像，以应用于实际植被指数预测研究。
2、为达到上述目的，本发明提供如下技术方案：
3、一种耦合卷积长短期记忆网络与注意力的遥感植被指数预测方法，其包括：
4、s1、构建用于预测遥感植被指数的预测模型，该模型包括预测模块、时空注意力模块、辅助数据处理模块和融合模块。其中预测模块用于预测未来时刻的遥感图像；时空注意力模块用于对输入的遥感图像计算时间和空间上的权重；辅助数据处理模块用于产生未来时刻的辅助数据以辅助所述预测模块进行遥感图像的遥感植被指数的预测；融合模块将预测模块和辅助数据模块的输出进行融合得到预测模型最终的预测结果。
5、s2、获取遥感数据图像，并计算遥感数据图像的ndvi和fvc；准备与遥感数据图像相同时间段同尺度的辅助数据图像，包括对植被有明显影响的降水、温度等其他自然因素的图像；分别对遥感数据和辅助数据进行划分得到训练数据和验证数据。
6、s3、使用所述训练数据训练预测模型，并优化模型超参数。
7、s4、基于步骤s3训练得到的模型，对遥感植被指数数据进行模拟预测，并使用决定系数r2、均方根误差rmse、结构相似指标ssim和平均绝对误差mae评估模型精度。
8、s5、使用训练好的预测模型进行遥感植被指数预测。
9、进一步的，步骤s1中，预测模块为双convlstm分支结构，其中一个convlstm分支前设置时空注意力模块，另一个convlstm分支则直接接收时序输入的遥感图像；两个分支输出的特征图像进行拼接后得到所述预测模块的输出。
10、其中，时空注意力模块用于对输入的遥感图像计算时间和空间上的注意力权重。时间注意力权重的计算过程为，将输入的遥感图像分别经过最大池化层和平均池化层得到两个向量，将两个向量拼接后输入到mlp块，然后再经过sigmoid层后得到时间注意力权重；空间注意力权重的计算过程为，将输入的遥感图像分别经过最大池化层和平均池化层，再经过多尺度卷积块和sigmoid层后通过一个卷积块得到空间注意力权重；
11、在时空注意力模块中，将时间注意力权重和空间注意力权重与时空注意力模块的输入相乘后即得到convlstm分支的输入。
12、进一步的，步骤s1中，在融合模块中，预测模块和辅助数据处理模块的输出首先被拼接，拼接后的特征图像经过一次通道注意力，与原来的拼接的特征图像相乘后，再经过卷积块和反卷积块得到所有特征维度融合后的预测图象；其中，在每个卷积块和反卷积块后均设置有bn层和激活层。
13、进一步的，步骤s2中，辅助数据图像的选取方式为，选取与遥感数据图像相同数量的辅助数据图像，再使用皮尔逊相关系数法计算整体相关度，若相关系数大于0.8，则保留这些辅助数据图像。
14、进一步的，步骤s4中，进行精度验证的方式为，计算每一个时间步预测结果与实际数据间的平均绝对误差mae、均方根误差rmse、决定系数r2和结构相似指标ssim，根据这些参数判断模型的预测精度。其中，平均绝对误差mae、均方根误差rmse越小，表示两幅图像越接近；决定系数r2在0到1之间，越接近1表示两者相似度越高；结构相似指标ssim在-1到1之间，越接近1表示两者相似度越高。精度验证时，若模型预测精度低，则通过调整模型结构或者改变模型超参数等方式来提高预测精度。
15、进一步的，精度验证可在循环预测的过程中对每一个时间步的预测结果进行验证，也可以使用实际遥感植被指数数据进行单次的精度验证。
16、其中，循环预测的过程具体为：将预测模型预测得到的遥感图像与原训练数据进行拼接，并输入到预测模型中来预测下一时刻的遥感图像；此外，循环预测过程中，辅助数据图像的获取方式为：将辅助数据处理模块的预测结果经过融合模块把通道数调整为原数据通道数，或者可直接使用现有预测数据集。
17、本发明的有益效果在于：本发明提出了一种耦合了卷积长短期记忆网络与注意力机制的遥感植被指数预测模型——aconvlstm模型，将遥感植被指数的影响因素(即辅助数据图像)同时进行预测，以提高植被指数的预测精度，相较于现有的深度学习预测方法，更符合生态环境的客观事实。此外，本发明能够拟合更加复杂的函数，且对辅助数据的数量不做要求，可在无辅助因素下利用convlstm的特性直接预测，也可容纳较多的辅助因素进行预测，更加的灵活。相较于单纯的convlstm预测模型，本发明将注意力机制加入，使得预测模型能够对空间权重和时间权重以及影响因子的权重进行计算，相较于地理信息常用的地理加权(gw)计算方法，本发明的计算量更小、速度更快。另外，本发明更注重于实际遥感图像反演的植被指数预测，具有更好的泛用性。
18、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.一种耦合卷积长短期记忆网络与注意力的遥感植被指数预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的遥感植被指数预测方法，其特征在于：步骤s1中，所述预测模块为双convlstm分支结构，其中一个convlstm分支前设置所述时空注意力模块，另一个convlstm分支则直接接收时序输入的遥感图像；两个分支输出的特征图像进行拼接后得到所述预测模块的输出。
3.根据权利要求1或2所述的遥感植被指数预测方法，其特征在于：所述时空注意力模块用于对输入的遥感图像计算时间和空间上的注意力权重；其中时间注意力权重的计算过程为，将输入的遥感图像分别经过最大池化层和平均池化层得到两个向量，将两个向量拼接后输入到mlp块，然后再经过sigmoid层后得到时间注意力权重；空间注意力权重的计算过程为，将输入的遥感图像分别经过最大池化层和平均池化层，再经过多尺度卷积块和sigmoid层后通过一个卷积块得到空间注意力权重；
4.根据权利要求1所述的遥感植被指数预测方法，其特征在于：步骤s1中，在所述融合模块中，预测模块和辅助数据处理模块的输出首先被拼接，拼接后的特征图像经过一次通道注意力，与原来的拼接的特征图像相乘后，再经过卷积块和反卷积块得到所有特征维度融合后的预测图象；在每个卷积块和反卷积块后均设置有bn层和激活层。
5.根据权利要求1所述的遥感植被指数预测方法，其特征在于：步骤s2中，所述辅助数据图像的选取方式为，选取与遥感数据图像相同时间段相同尺度的辅助数据图像，再使用皮尔逊相关系数法计算整体相关度，若相关系数大于0.8，则保留这些辅助数据图像。
6.根据权利要求5所述的遥感植被指数预测方法，其特征在于：所述辅助数据图像先按时刻拼接得到n通道的图像，n表示辅助数据图像的种类，再将拼接后的辅助数据图像按时序输入到辅助数据处理模块中预测未来时刻的辅助数据图像。
