[发明专利]基于时空双向注意力机制的水库地表温度预测方法

权利要求书

1.基于时空双向注意力机制的水库地表温度预测方法，其特征在于，包括以下步骤，

S1：数据预处理；

S2：对研究区域经过步骤S1中预处理操作之后得到的LST时序进行时序分析，与邻近的气象站气温对比，提取时序特征；

S3：采用PCAN网络提取研究区域的小气候边界特征图；

S4：在LSTM的基础上构建基于LSTM+Attention的时空双向注意力预测模型，计算预测结果。

2.根据权利要求1所述的基于时空双向注意力机制的水库地表温度预测方法，其特征在于，步骤S1中所述的数据包括Landsat 7数据和Landsat8数据；

所述数据预处理的具体操作包括以下步骤，

S101：利用空间邻域滤波和傅里叶变换频域滤波对Landsat7和Landsat8数据进行带噪滤波；

S102：将带噪滤波后的Landsat 8所有图像的3、4、5和6波段，以及带噪滤波后的Landsat7所有图像的2、3、4和5波段校准到大气顶部反射率，然后计算地表温度LST；

S103：基于季节因素和临近月份的月份变化幅度情况，将步骤S102中得到的LST序列按照每月上、中、下旬进行时间映射，缺失值进行插补，形成一个新的LST时间序列。

3.根据权利要求2所述的基于时空双向注意力机制的水库地表温度预测方法，其特征在于，步骤S2的具体操作包括以下步骤，

S201：对研究区域经过步骤S1中预处理操作之后得到的LST时序进行时序分析可得，以水体覆盖为主的研究区域，其地表温度LST相对较为稳定，跟气温类似，呈现非常明显的时间周期变化规律；

S202：为定量描述LST的时间周期变化特征，使用谐波模型来估计研究区域的LST序列，也即LST(x)＝a₀+a₁*cos(x*w)+b₁*sin(x*w)，式中，a₀为LST的总体情况，简称概值；a₁和b₁分别为模拟物候和太阳角变化引起的年内变化；x是时间变量，w为周期系数，w＝2π/T。

4.根据权利要求3所述的基于时空双向注意力机制的水库地表温度预测方法，其特征在于，步骤S3的具体操作包括以下步骤，

S301：利用高清谷歌卫星影像中实际地物进行学习分类，获取研究区域的小气候边界特征；

S302：采用PCAN网络对步骤S301中获取的小气候边界特征进行特征提取；

S303：针对多尺度图像描述问题，引入金字塔池化模块得到不同尺度的特征图，并双线性插值的方法将其融合成满足需求的特征图。

5.根据权利要求4所述的基于时空双向注意力机制的水库地表温度预测方法，其特征在于，步骤S302中所述得PCAN网络的主干网络采用Res-Net，共包含四个阶段，且在每个阶段的输出后引入通道级注意力模块。

6.根据权利要求4所述的基于时空双向注意力机制的水库地表温度预测方法，其特征在于，步骤S4中所述的基于LSTM+Attention的时空双向注意力预测模型包括一个输入层、两个conv2dlstm层和一个输出层，两个所述conv2dlstm分别对应空间注意力的输入预测和时间注意力的输入预测。

7.根据权利要求6所述的基于时空双向注意力机制的水库地表温度预测方法，其特征在于：所述输入层采用加法或乘法时间序列模型，对输入的LST时间序列进行分解，采用BatchNormalization(·)初始化，并根据当前输入y_t-1、先前隐藏状态h_t-1和内存状态m_t-1更新内部隐藏状态，也即h₀，m₀＝BatchNormalization(·)，h_t，m_t＝LSTM(y_t-1，h_t-1，m_t-1)。