CN109919990B - 利用深度感知网络和视差遥感影像进行森林高度预测方法 - Google Patents
利用深度感知网络和视差遥感影像进行森林高度预测方法 Download PDFInfo
- Publication number
- CN109919990B CN109919990B CN201910124985.1A CN201910124985A CN109919990B CN 109919990 B CN109919990 B CN 109919990B CN 201910124985 A CN201910124985 A CN 201910124985A CN 109919990 B CN109919990 B CN 109919990B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- parallax
- perception network
- forest
- forest height
- 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.)
- Expired - Fee Related
Links
- 230000008447 perception Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了利用深度感知网络和视差遥感影像进行森林高度预测的方法,首先需要在两幅具有视差的遥感影像基础上获取一定窗口大小的区域遥感影像,同时提取样地森林高度数据,之后将区域遥感影像转换为行向量,与森林高度数据对应作为深度感知网络模型的输入数据,对深度感知网络模型进行训练,最后通过相关系数和均方根误差评估预测效果,保存深度感知网络模型,利用保存的深度感知网络模型对感兴趣区域的森林高度进行预测,输出区域森林高度数据,并生成相应的森林高度图。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种利用深度感知网络和视差遥感影像进行森林高度预测的方法。
背景技术
传统的进行森林高度预测的方法主要在实地利用标杆、测高器等工具结合相似三角形、三角函数等理论进行测量,进而计算林分平均树高。但这种方法工作量大、效率低、测量范围小。由于激光雷达具有估测树高的能力,在对森林高度这种垂直结构的探测方面具备很大优势,在近年发展应用很快。但激光雷达存在很难提供大范围全覆盖连续区域数据的不足,因此可以考虑将遥感数据与其他技术方法相结合获取森林高度。
已有研究利用森林冬夏差异、纹理因子等信息,采用立体相对、回归模型法、Hough变化算法、随机森林、人工神经网络等方法获得区域森林高度。针对落叶林的特点,采用立体相对信息获取两季节(夏季和冬季)的地面和森林表面高度,由此推算森林冠层高度。利用面向对象的方法对影像先分类再建立树高估测回归模型,精度可以达到74.89%。利用Hough变换算法探测树干形态特征,垂直检测提取树高,天然林树高估测结果显示为R2=0.77,RMSE=1.46m。研究分别利用随机森林、人工神经网络的方法构建1km空间分辨率的全球森林冠层高度图,其决定系数分别为0.5和0.68,误差分别为6.1m和4.15m
深度学习的发展表明,采用深层结构的神经网络有望取得更好的预测效果。本发明通过深度感知网络对森林高度进行预测,得到区域连续的森林高度预测结果;本发明可操作性较强、计算效率高,适用于区域连续的森林高度预测任务。
发明内容
本发明要解决的技术问题是,提供一种利用深度感知网络进行森林高度预测的方法,用于两幅具有视差的遥感影像的森林高度预测,通过算法自动生成区域连续的森林高度图。
为实现上述目的,本发明采用如下的技术方案:
利用深度感知网络和视差遥感影像进行森林高度预测的方法,包括以下步骤:
步骤1:将两幅具有视差、大小为W×H的遥感影像Is、Iw,分别在样地点按r×r窗口大小批量裁剪,r=3,5,9,13;得到不同窗口大小的区域遥感影像X,其与激光雷达森林高度数据Y组成输入数据对(X,Y);W为遥感影像的宽度,H为遥感影像的高度。
步骤2:选择深度学习框架(如TensorFlow),建立深度感知网络;
步骤3:将不同窗口大小的区域遥感影像X转化为模型可识别数据,以进行深度感知网络模型训练;
步骤4:选择合适的优化算法、损失函数调参,设置学习率、迭代次数、隐含层神经元个数等参数,利用准备好的数据对(X,Y)对深度感知网络模型进行训练,并保存模型;
步骤5:滑动提取需要进行高度预测的感兴趣区域遥感影像,输入已保存的深度感知网络模型,输出区域森林高度数据,并生成相应的森林高度图;
作为优选,所采用的深度感知网络采用六层结构,权重非常小(w<10-4)的节点被隐藏以减少内存消耗和计算量。
附图说明
图1(a)为实验数据第一幅具有视差的遥感影像;
图1(b)为实验数据第二幅具有视差的遥感影像;
图1(c)为实验数据标签区域;
图2为本发明森林高度预测的方法流程图;
图3(a)为感兴趣区域遥感影像;
图3(b)为本发明测试感兴趣区域森林高度结果图;
具体实施方式
本发明实例提供一种利用深度感知网络和视差遥感影像进行森林高度预测的方法,下面结合相关附图对本发明进行解释和阐述:
本发明是在深度感知网络的基础上,数据集为某地区两幅具有视差的遥感影像(通道数=1,像素值∈[0,1670],大小为16000×4000),选择TensorFlow框架,采用共六层的深度感知网络结构。
本发明的实施方案流程如下:
步骤1:使用GDAL分别对两幅具有视差的遥感影像(见附图1(a)、图1(b))进行批量裁剪,裁剪窗口大小为3×3、5×5、9×9、13×13,将不同窗口大小的区域遥感影像与激光雷达森林平均高度数据(见附图1(c))组成输入数据对(X,Y);
步骤2:基于TensorFlow框架,搭建共六层的深度感知网络,隐含层每层神经元个数通过输出模型每层的权重,将权重非常小(w<10-4)的节点隐藏,以此确实节点个数;
步骤3:使用GDAL读取两幅具有视差的遥感影像裁剪分别得到的不同窗口大小的区域遥感影像,将其分别转换图向量,并按先后顺序拼接为行向量,由此将影像转化为模型可识别的数据;
步骤4:选择均方误差作为损失函数,使用Adam优化算法调整更新深度感知网络模型参数,使均方误差迅速收敛并且最小,设置迭代次数,将数据对(X,Y)输入深度感知网络模型进行训练,通过R2和均方根误差评估深度感知网络模型的预测效果,保存预测效果较好的深度感知网络模型用于测试;
步骤5:使用GDAL获取感兴趣区域遥感影像,并编写测试代码,通过保存的深度感知网络模型,对感兴趣区域,见附图3(a),进行森林高度预测,输出区域森林高度预测结果,并生成相应的森林高度图,见附图3(b);
以上实例仅用于描述本发明,而非限制本发明所描述的技术方案。因此,一切不脱离本发明精神和范围的技术方案及其改进,均应涵盖在本发明的权利要求范围中。
Claims (2)
1.利用深度感知网络和视差遥感影像进行森林高度预测的方法,其特征在于:包括以下步骤,
步骤1:将两幅具有视差、大小为W×H的遥感影像Is、Iw,分别在样地点按r×r窗口大小批量裁剪,r=3,5,9,13;得到不同窗口大小的区域遥感影像X,其与激光雷达森林高度数据Y组成输入数据对(X,Y);W为遥感影像的宽度,H为遥感影像的高度;
步骤2:选择深度学习框架,建立深度感知网络;
步骤3:将不同窗口大小的区域遥感影像X转化为模型可识别数据,以进行深度感知网络模型训练;使用GDAL读取两幅具有视差的遥感影像裁剪分别得到的不同窗口大小的区域遥感影像,将其分别转换图向量,并按先后顺序拼接为行向量,由此将影像转化为模型可识别的数据;
步骤4:选择优化算法、损失函数调参,设置学习率、迭代次数、隐含层神经元个数参数,利用准备好的数据对(X,Y)对深度感知网络模型进行训练,并保存模型;
步骤5:滑动提取需要进行高度预测的感兴趣区域遥感影像,输入已保存的深度感知网络模型,输出区域森林高度数据,并生成相应的森林高度图。
2.根据权利要求1所述的利用深度感知网络和视差遥感影像进行森林高度预测的方法,其特征在于:所采用的深度感知网络采用六层结构,权重w<10-4的节点被隐藏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124985.1A CN109919990B (zh) | 2019-02-19 | 2019-02-19 | 利用深度感知网络和视差遥感影像进行森林高度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124985.1A CN109919990B (zh) | 2019-02-19 | 2019-02-19 | 利用深度感知网络和视差遥感影像进行森林高度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919990A CN109919990A (zh) | 2019-06-21 |
CN109919990B true CN109919990B (zh) | 2021-03-16 |
Family
ID=66961805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910124985.1A Expired - Fee Related CN109919990B (zh) | 2019-02-19 | 2019-02-19 | 利用深度感知网络和视差遥感影像进行森林高度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919990B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898740B (zh) * | 2020-07-31 | 2021-07-20 | 北京达佳互联信息技术有限公司 | 预测模型的模型参数更新方法及装置 |
CN113139661B (zh) * | 2021-04-19 | 2023-05-30 | 中山大学 | 一种基于深度学习和多目遥感影像的地物深度预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913410A (zh) * | 2016-03-03 | 2016-08-31 | 华北电力大学(保定) | 一种基于机器视觉的远距离运动物体高度测量的装置与方法 |
CN107783106A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 无人机与障碍物之间的数据融合方法 |
CN107957246A (zh) * | 2017-11-29 | 2018-04-24 | 北京伟景智能科技有限公司 | 基于双目视觉的传送带上物体几何尺寸测量方法 |
CN109269430A (zh) * | 2018-08-12 | 2019-01-25 | 浙江农林大学 | 基于深度提取模型的多株立木胸径被动测量方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013012034A (ja) * | 2011-06-29 | 2013-01-17 | Kyoto Univ | 領域抽出方法、領域抽出プログラム及び領域抽出装置 |
CN105975973A (zh) * | 2016-04-29 | 2016-09-28 | 连云港职业技术学院 | 一种用于森林生物量的遥感影像特征选择方法和装置 |
CN109142679B (zh) * | 2018-08-13 | 2021-10-26 | 中国科学院东北地理与农业生态研究所 | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 |
-
2019
- 2019-02-19 CN CN201910124985.1A patent/CN109919990B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913410A (zh) * | 2016-03-03 | 2016-08-31 | 华北电力大学(保定) | 一种基于机器视觉的远距离运动物体高度测量的装置与方法 |
CN107783106A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 无人机与障碍物之间的数据融合方法 |
CN107957246A (zh) * | 2017-11-29 | 2018-04-24 | 北京伟景智能科技有限公司 | 基于双目视觉的传送带上物体几何尺寸测量方法 |
CN109269430A (zh) * | 2018-08-12 | 2019-01-25 | 浙江农林大学 | 基于深度提取模型的多株立木胸径被动测量方法 |
Non-Patent Citations (3)
Title |
---|
A New Method based on the BP Neural Network to Improve the Accuracy of Inversion of the Vegetation Height;Li Tingwei et al.;《IEEE》;20121231;第1-4页 * |
双目立体视觉的测距技术研究;吴保烁 等;《电视技术》;20181231;第42卷(第7期);第100-103页 * |
基于BP神经网络的泉州湾红树株高预测模型;郭晓君 等;《江苏林业科技》;20120630;第1-3、30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919990A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092870B (zh) | 一种高分辨率影像语义信息提取方法 | |
CN103363962B (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
CN109376606B (zh) | 一种电力巡检图像杆塔基础故障检测方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN106408011B (zh) | 基于深度学习的激光扫描三维点云树木自动分类方法 | |
CN113538391A (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
CN110619282A (zh) | 一种无人机正射影像建筑物自动提取方法 | |
CN102750702B (zh) | 基于优化bp神经网络模型的单目红外图像深度估计方法 | |
CN109409261B (zh) | 一种农作物分类方法及系统 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN114862871B (zh) | 一种基于SE-UNet深度学习网络的遥感影像小麦种植区域提取方法 | |
CN111079835B (zh) | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN117115063B (zh) | 一种多源数据融合应用方法 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
CN109919990B (zh) | 利用深度感知网络和视差遥感影像进行森林高度预测方法 | |
CN116258608A (zh) | 融合gis和bim三维技术的水利实时监测信息管理系统 | |
CN112148820A (zh) | 一种基于深度学习的水下地形数据识别和服务方法及系统 | |
CN118918482B (zh) | 基于遥感图像的自然资源测量方法及系统 | |
CN109033181B (zh) | 一种复杂地形地区风场地理数值模拟方法 | |
CN115393712A (zh) | 基于动态混合池化策略的sar图像道路提取方法及系统 | |
CN119516195A (zh) | 基于神经辐射场的果园三维重建与果树语义分割方法 | |
CN108898527B (zh) | 一种基于有损测量的生成模型的交通数据填充方法 | |
CN114414090B (zh) | 基于遥感影像和多层感知的地表温度预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |