CN108647889A - 森林净初级生产力估计及认知方法 - Google Patents
森林净初级生产力估计及认知方法 Download PDFInfo
- Publication number
- CN108647889A CN108647889A CN201810447170.2A CN201810447170A CN108647889A CN 108647889 A CN108647889 A CN 108647889A CN 201810447170 A CN201810447170 A CN 201810447170A CN 108647889 A CN108647889 A CN 108647889A
- Authority
- CN
- China
- Prior art keywords
- primary productivity
- forest
- net primary
- cognitive
- cognitive approach
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 36
- 238000013459 approach Methods 0.000 title claims abstract description 26
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 19
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 19
- 238000010521 absorption reaction Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000019771 cognition Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种森林净初级生产力估计及认知方法。本发明通过云平台直接在线获取森林净初级生产力估计所需的有关参数时序，同时利用带有注意力机制的深度神经网络建立认知模型，在拟合不同参数与森林碳吸收之间复杂的非线性关系的同时，通过可视化注意力机制权重理解不同参数对森林碳吸收的作用，以实现进一步的机制机理认知。
Description
技术领域
本发明涉及森林碳动态分析领域，具体涉及一种森林净初级生产力估计及认知方法。
背景技术
森林是主要的陆地碳汇，在全球碳平衡中扮演重要角色。理解森林与大气之间的碳交换机制对预测全球气候变化、制定相应的应对策略至关重要。目前森林净初级生产力估计模型主要包含生态过程模型和统计模型：前者建立在人类对森林碳吸收的认知基础上，包含大量主观假设，难以促进进一步的知识发现和机理分析；后者通常利用机器学习方法，传统机器学习对碳吸收不同影响因子之间的复杂交互拟合能力较弱，而机器学习的黑箱操作性使得模型难以被人类理解，从而对森林碳吸收的认知促进意义不大。此外，森林净初级生产力估计需要大量时序参数，给数据下载和数据处理带来挑战。
发明内容
为了解决上述问题，本发明公开一种森林净初级生产力估计及认知方法，包括以下步骤：通过云平台在线获取森林净初级生产力估计所需的有关参数时序；利用带有注意力机制的深度神经网络建立森林净初级生产力估计及认知模型；以及获得高精度净初级生产力估计值，并对森林碳吸收关键因子和关键时段进行认知。
本发明的森林净初级生产力估计及认知方法中，优选为，所述森林净初级生产力估计所需的有关参数时序包括，归一化植被指数、光和有效辐射、日间地表温度、夜间地表温度和降水率。
本发明的森林净初级生产力估计及认知方法中，优选为，所述森林净初级生产力估计及认知模型包括预处理模块、预测模块和认知模块。
本发明的森林净初级生产力估计及认知方法中，优选为，所述预处理模块将获取的参量重采样为统一的时间和空间分辨率并组成参数时序矩阵，然后进行标准化。
本发明的森林净初级生产力估计及认知方法中，优选为，所述标准化的方法为标准差标准化方法。
本发明的森林净初级生产力估计及认知方法中，优选为，所述预测模块基于标准化的参数时序矩阵得到最终的净初级生产力估计值。
本发明的森林净初级生产力估计及认知方法中，优选为，所述预测模块由注意力权值矩阵、长短时记忆网络和全连接层构成。
本发明的森林净初级生产力估计及认知方法中，优选为，所述注意力权值矩阵用于对参数时序矩阵进行加权，对重要的参数及其关键时间段赋予较高的权值，对于参数时序矩阵中不重要的部分赋予较低的权值。
本发明的森林净初级生产力估计及认知方法中，优选为，所述长短时记忆网络用于对加权后的参数时序矩阵进行编码。
本发明的森林净初级生产力估计及认知方法中，优选为，所述认知模块通过对所述注意力权值矩阵进行可视化，并分别在参数维度和月份维度进行统计，探知与净初级生产力估计最为相关的参数和时段。
本发明基于带有注意力机制的循环神经网络设计了森林净初级生产力估计及认知模型，在获得高精度NPP估计值的同时，实现森林碳吸收关键因子和关键时段的认知。该模型的输入参数全部通过云平台在线获取，省去了大量的数据下载工作，使其具有很高的灵活性和运行速度。其预测模块可考虑多种参数的复杂时序特征，较传统方法具有更好的自适应性和鲁棒性。其认知模块可促进人类对森林碳吸收机理的进一步理解。
附图说明
图1本发明的森林净初级生产力估计及认知方法的流程图。
图2是采用MODIS NPP数据对模型训练100个回合的结果:(a)训练和检验精度变化情况；(b)在检验过程中模型预测NPP值与MODISNPP值的符合情况。
图3是认知模块的输出结果:(a)二维注意力矩阵可视化结果；(b)特征维度统计结果；(c)月份维度统计结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明的森林净初级生产力估计及认知方法的流程图。如图1所示，本发明的森林净初级生产力估计及认知方法包括如下步骤：
在步骤S1中，通过云平台在线获取森林净初级生产力估计所需的有关参数时序。其中，森林净初级生产力估计所需的有关参数时序包括归一化植被指数(NDVI)、光和有效辐射(FPAR)、日间地表温度(LSTD)、夜间地表温度(LSTN)和降水率(Rain)。上述全部参数例如可以通过谷歌地球引擎的云平台进行获取。
在步骤S2中，利用带有注意力机制的深度神经网络建立森林净初级生产力估计及认知模型。该森林净初级生产力估计及认知模型包括预处理模块、预测模块和认知模块。
其中，预处理模块将获取的参量重采样为统一的时间和空间分辨率并组成参数时序矩阵，然后进行标准化。标准化的方法例如为标准差标准化(Z-score)方法。
预测模块基于标准化的参数时序矩阵得到最终的净初级生产力(Net PrimaryProduction,NPP)估计值。预测模块由注意力权值矩阵、长短时记忆网络和全连接层构成。其中，注意力权值矩阵用于对参数时序矩阵进行加权，对重要的参数及其关键时间段赋予较高的权值，对于参数时序矩阵中不重要的部分赋予较低的权值。长短时记忆网络用于对加权后的参数时序矩阵进行编码，并通过全连接层得到最终的NPP估计值。
认知模块通过对注意力权值矩阵进行可视化，并分别在参数维度和月份维度进行统计，探知与NPP估计最为相关的参数和时段。
在步骤S3中，获得高精度NPP估计值，并对森林碳吸收关键因子和关键时段进行认知。利用基于云数据及注意力循环神经网络的森林净初级生产力估计及认知模型在拟合不同参数与森林碳吸收之间复杂的非线性关系的同时，通过可视化注意力机制权重理解不同参数对森林碳吸收的作用。
该森林净初级生产力估计及认知模型需先基于实际样本进行训练，而后可对大范围区域进行NPP估计，并对森林碳吸收的关键因子及时段进行认知。采用中分辨率成像光谱仪净初级生产力估计值(MODISNPP)数据作为NPP的真值进行NPP估算模型的训练、验证和评估。训练以MODIS NPP为输出，优化方法为均方根反向传播算法(rmsprop)，损失为平均均方误差，训练样本3万个，检验样本1万个，块大小为256。在图2中示出了采用MODIS NPP数据作为NPP的真值对模型进行100个回合训练的结果，其中图2中的(a)显示了训练和检验精度变化情况，其中训练精度下降过程较为平滑，而检验精度下降过程存在一定幅度的波动，并从第30个回合开始不再继续下降并且波动幅度越来越小，标志着模型性能基本达到稳定。最终检验平均绝对误差(MAE)为0.27。图2中的(b)显示了在检验过程中模型预测NPP值与MODISNPP值(此处视为真值)的符合情况。其中,每个点代表一个检验样本，直线代表真实值与预测值完全相符的情况。散点排列越接近该直线代表真实值与预测值的符合程度越高。在图3中示出了认知模块输出结果：(a)二维注意力矩阵可视化结果，(b)特征维度统计结果，(c)月份维度统计结果。可以看出模型关注度较高的是北半球夏秋季(6-10月)的归一化植被指数和北半球生长季(5-9月)的夜间温度，分别对应于光合作用和呼吸作用的主要表征，其中对夏季日间温度的关注较低，对归一化植被指数和夜间地表温度关注的时间差说明森林在生长季初期对生产力贡献较少,而呼吸作用的强度则主要与温度较高的月份有关(样本以北半球的为主)。
本发明基于带有注意力机制的循环神经网络设计了森林净初级生产力估计及认知模型，在获得高精度NPP估计值的同时，实现森林碳吸收关键因子和关键时段的认知。该模型的输入参数全部通过云平台在线获取，省去了大量的数据下载工作，使其具有很高的灵活性和运行速度。其预测模块可考虑多种参数的复杂时序特征，较传统方法具有更好的自适应性和鲁棒性。其认知模块可促进人类对森林碳吸收机理的进一步理解。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种森林净初级生产力估计及认知方法，其特征在于，
包括以下步骤：
通过云平台在线获取森林净初级生产力估计所需的有关参数时序；
利用带有注意力机制的深度神经网络建立森林净初级生产力估计及认知模型；以及
获得高精度净初级生产力估计值，并对森林碳吸收关键因子和关键时段进行认知。
2.根据权利要求1所述的森林净初级生产力估计及认知方法，其特征在于，
所述森林净初级生产力估计所需的有关参数时序包括，归一化植被指数、光和有效辐射、日间地表温度、夜间地表温度和降水率。
3.根据权利要求1所述的森林净初级生产力估计及认知方法，其特征在于，
所述森林净初级生产力估计及认知模型包括预处理模块、预测模块和认知模块。
4.根据权利要求3所述的森林净初级生产力估计及认知方法，其特征在于，
所述预处理模块将获取的参量重采样为统一的时间和空间分辨率并组成参数时序矩阵，然后进行标准化。
5.根据权利要求4所述的森林净初级生产力估计及认知方法，其特征在于，
所述标准化的方法为标准差标准化方法。
6.根据权利要求4所述的森林净初级生产力估计及认知方法，其特征在于，
所述预测模块基于标准化的参数时序矩阵得到最终的净初级生产力估计值。
7.根据权利要求6所述的森林净初级生产力估计及认知方法，其特征在于，
所述预测模块由注意力权值矩阵、长短时记忆网络和全连接层构成。
8.根据权利要求7所述的森林净初级生产力估计及认知方法，其特征在于，
所述注意力权值矩阵用于对参数时序矩阵进行加权，对重要的参数及其关键时间段赋予较高的权值，对于参数时序矩阵中不重要的部分赋予较低的权值。
9.根据权利要求7所述的森林净初级生产力估计及认知方法，其特征在于，
所述长短时记忆网络用于对加权后的参数时序矩阵进行编码。
10.根据权利要求7所述的森林净初级生产力估计及认知方法，其特征在于，
所述认知模块通过对所述注意力权值矩阵进行可视化，并分别在参数维度和月份维度进行统计，探知与净初级生产力估计最为相关的参数和时段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810447170.2A CN108647889A (zh) | 2018-05-11 | 2018-05-11 | 森林净初级生产力估计及认知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810447170.2A CN108647889A (zh) | 2018-05-11 | 2018-05-11 | 森林净初级生产力估计及认知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108647889A true CN108647889A (zh) | 2018-10-12 |
Family
ID=63754531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810447170.2A Pending CN108647889A (zh) | 2018-05-11 | 2018-05-11 | 森林净初级生产力估计及认知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108647889A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11481904B1 (en) | 2022-01-04 | 2022-10-25 | Natural Capital Exchange, Inc. | Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156549A1 (en) * | 2012-11-19 | 2014-06-05 | Syracuse University | Method for estimating carbon sequestration in grasslands |
| CN104166782A (zh) * | 2014-06-05 | 2014-11-26 | 刘健 | 一种林地土壤有机碳遥感估测的方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
| CN107766894A (zh) * | 2017-11-03 | 2018-03-06 | 吉林大学 | 基于注意力机制和深度学习的遥感图像自然语言生成方法 |
-
2018
- 2018-05-11 CN CN201810447170.2A patent/CN108647889A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156549A1 (en) * | 2012-11-19 | 2014-06-05 | Syracuse University | Method for estimating carbon sequestration in grasslands |
| CN104166782A (zh) * | 2014-06-05 | 2014-11-26 | 刘健 | 一种林地土壤有机碳遥感估测的方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
| CN107766894A (zh) * | 2017-11-03 | 2018-03-06 | 吉林大学 | 基于注意力机制和深度学习的遥感图像自然语言生成方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11481904B1 (en) | 2022-01-04 | 2022-10-25 | Natural Capital Exchange, Inc. | Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023213142A1 (zh) | 基于改进遥感生态指数的生态质量评价与分区方法及装置 | |
| US20170184393A1 (en) | Method for identifying air pollution sources based on aerosol retrieval and glowworm swarm algorithm | |
| Mulia et al. | Hybrid ANN–GA model for predicting turbidity and chlorophyll-a concentrations | |
| Zhao et al. | Combining LPJ-GUESS and HASM to simulate the spatial distribution of forest vegetation carbon stock in China | |
| Kirchner-Bossi et al. | A long-term perspective of wind power output variability | |
| CN104142142A (zh) | 全球植被覆盖度估算方法 | |
| CN116580308B (zh) | 一种土壤修复的监测方法及监测装置 | |
| Dai et al. | Drought-modulated allometric patterns of trees in semi-arid forests | |
| CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
| CN117095290A (zh) | 一种基于卫星遥感的碳汇监测方法 | |
| CN116257792B (zh) | 一种智慧城市碳中和数据分析系统 | |
| CN114219847A (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
| Kamal et al. | Comparison of Google Earth Engine (GEE)-based machine learning classifiers for mangrove mapping | |
| CN108647889A (zh) | 森林净初级生产力估计及认知方法 | |
| CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
| CN116485174B (zh) | 一种臭氧污染对作物减产风险评估方法和装置 | |
| Loga et al. | Probability of misclassifying biological elements in surface waters | |
| CN114965300B (zh) | 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法 | |
| Mao et al. | Predictive anisotropy of surface winds by linear statistical prediction | |
| CN113642629B (zh) | 一种基于随机森林提高谱学分析可信度的可视化方法及装置 | |
| CN115471724A (zh) | 一种基于自适应归一化的细粒度鱼类疫病识别融合算法 | |
| CN114878427A (zh) | 基于Trident-net的火焰中碳烟多参数场同时测量的方法和系统 | |
| CN113222452A (zh) | 一种基于北斗导航的天然草地质量评价方法、系统及存储介质 | |
| CN110889550A (zh) | 基于迁移学习的不同水域溶解氧预测方法 | |
| CN116821589B (zh) | 促进生态服务功能提升的植被覆盖度恢复上限计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |
|
| RJ01 | Rejection of invention patent application after publication |