CN112381426A - 基于分阶段时间趋势特征的森林退化遥感监测方法及系统 - Google Patents
基于分阶段时间趋势特征的森林退化遥感监测方法及系统 Download PDFInfo
- Publication number
- CN112381426A CN112381426A CN202011291634.9A CN202011291634A CN112381426A CN 112381426 A CN112381426 A CN 112381426A CN 202011291634 A CN202011291634 A CN 202011291634A CN 112381426 A CN112381426 A CN 112381426A
- Authority
- CN
- China
- Prior art keywords
- trend
- remote sensing
- points
- sensing data
- point
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 99
- 230000015556 catabolic process Effects 0.000 title claims abstract description 98
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 64
- 230000035772 mutation Effects 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000011161 development Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分阶段时间趋势特征的森林退化遥感监测方法及系统。该方法包括：获取监测地块若干类型的时间序列遥感数据；检测时间序列遥感数据的突变点；选取前后线性拟合趋势发生变化的突变点，记为趋势变化点；以所有类型的时间序列遥感数据中的趋势变化点为最终趋势变化点，并以最终趋势变化点为分界点，对各类型的时间序列遥感数据进行分段，得到若干趋势段；确定各趋势段的线性拟合参数，记为趋势特征；在任一趋势段的线性拟合系数小于设定阈值时，确定监测地块为退化地块；获取监测地块在各趋势段内的退化程度指标；基于趋势特征和退化程度指标，结合机器学习确定该监测地块的退化等级。本发明提高了森林退化程度的遥感监测精度。
Description
技术领域
本发明涉及森林退化监测领域，特别是涉及一种基于分阶段时间趋势特征的森林退化遥感监测方法及系统。
背景技术
森林退化可以理解为森林提供产品和服务能力的降低，包括维持生态系统结构和功能的能力降低，具体指森林面积减少、结构丧失、质量降低、功能下降、林地生产力下降等方面。森林退化已成为全球及区域气候变化的主要原因之一，全球约10％～40％的温室气体排放来源于森林退化。由于森林类型、区域气候特征、森林经营和管理措施的差异，监测大范围的森林退化难度和不确定性均较大。因此，研发一种高效的森林退化监测方法，对于探究森林质量、结构的退化过程，理解区域和全球气候变化和碳排放均具有重要意义。
遥感技术可大范围、动态监测森林状况，为森林退化监测提供了新途径。不同分辨率的遥感数据，如MODIS、Landsat ETM+/OLI、IKONOS数据等，已经运用在森林退化监测中。现有的基于时间序列遥感数据的森林退化监测方法大多如图1所示：首先基于遥感数据，获取时间序列的森林退化评价指标，如植被指数(NDVI、EVI等)；然后对时间序列的植被指数进行线性拟合，获取植被指数的变化趋势，通常认为线性拟合的一次项系数小于零的像元为森林退化像元。但是，这种趋势分析方法具有一定的局限性，只能反映出评价指标总体变化趋势，容易出现退化像元误分、漏分的问题，而且，森林生态系统对气候变化具有敏感性、适应性等特征，其结构、功能等健康程度均与所在气候区关系密切，而现有的退化监测方法并没有考虑森林所在的气候区(如干旱区、半干旱区、湿润区、半湿润区等)对退化的影响。
发明内容
本发明的目的是提供一种基于分阶段时间趋势特征的森林退化遥感监测方法及系统。
为实现上述目的，本发明提供了如下方案：
一种基于分阶段时间趋势特征的森林退化遥感监测方法，包括：
步骤1：获取监测地块的时间序列遥感数据，所述时间序列遥感数据包括若干类型；
步骤2：检测时间序列遥感数据的突变点；
步骤3：以所述突变点为分界点对所述时间序列遥感数据进行分段；
步骤4：对各阶段进行线性拟合；
步骤5：选取前后阶段的线性拟合趋势发生变化的突变点，记为趋势变化点；
步骤6：以所有类型的时间序列遥感数据中的趋势变化点为最终趋势变化点，并以所述最终趋势变化点为分界点，对各类型的时间序列遥感数据进行分段，得到若干趋势段；
步骤7：对各所述趋势段进行线性拟合，得到各所述趋势段的线性拟合参数，记为趋势特征；
步骤8：在任一趋势段的线性拟合系数小于设定阈值时，确定所述监测地块为退化地块；
步骤9：获取所述监测地块在各所述趋势段内的退化程度指标，所述退化程度指标包括气候指标、土地类型、优势树种以及立地类型中的一种或多种；
步骤10：采用训练好的机器学习模型，确定各所述趋势段对应的森林退化程度，所述训练好的机器学习模型的输入包括所述趋势特征和所述退化程度指标。
可选的，所述方法还包括：根据各所述趋势段对应的森林退化程度以及各所述趋势变化点的位置，确定所述监测地块森林退化的发生、发展、结束时间。
可选的，所述检测所述时间序列遥感数据的突变点，具体包括：
获取所述时间序列遥感数据的波峰点和波谷点；
将相邻的波峰点和波谷点做连线，并计算相邻波峰点和波谷点之间的点到所述连线的垂直距离；
将到所述连线的垂直距离大于距离阈值的点以及波峰点和波谷点记为转点；
计算相邻所述转点的遥感数据的差值；
将所述差值的绝对值降序排列，并按排序依次加入对应转点进行分段并拟合，计算BIC；
将BIC值最小时，参与计算的转点记为所述突变点。
可选的，所述选取前后阶段的线性拟合趋势发生变化的突变点，具体包括：
判断所述突变点前后阶段的线性拟合系数的变化值是否大于变化阈值；
如果是，则所述突变点为所述趋势变化点。
可选的，各类型的时间序列遥感数据对应有各自训练好的机器学习模型。
可选的，时间序列遥感数据的类型包括以下一种或多种：NPP遥感数据、NDVI遥感数据、EVI遥感数据、LAI遥感数据。
可选的，在步骤1之前，还包括：基于森林调查规划设计时划分的斑块，对监测区域进行分块，得到若干所述监测地块。
本发明还提供了一种基于分阶段时间趋势特征的森林退化遥感监测系统，包括：
时间序列遥感数据获取模块，用于获取监测地块的时间序列遥感数据；
突变点检测模块，用于检测所述时间序列遥感数据的突变点；
趋势变化点确定模块，用于以所述突变点为分界点对所述时间序列遥感数据进行分段，并对各阶段进行线性拟合，选取前后阶段的线性拟合趋势发生变化的突变点，记为趋势变化点；
趋势段确定模块，用于以所有类型的时间序列遥感数据中的趋势变化点为最终趋势变化点，并以所述最终趋势变化点为分界点，对各类型的时间序列遥感数据进行分段，得到若干趋势段；
趋势特征确定模块，用于对各所述趋势段进行线性拟合，得到各所述趋势段的线性拟合参数，记为趋势特征；
退化地块确定模块，用于在任一趋势段的线性拟合系数小于设定阈值时，确定所述监测地块为退化地块；
退化程度指标获取模块，用于获取所述监测地块在各所述趋势段内的退化程度指标，所述退化程度指标包括气候指标、土地类型、优势树种以及立地类型中的一种或多种；
退化程度确定模块，用于采用训练好的机器学习模型，确定各所述趋势段对应的森林退化程度，所述训练好的机器学习模型的输入包括所述趋势特征和所述退化程度指标。
可选的，所述系统还包括：发展过程分析模块，用于根据各所述趋势段对应的森林退化程度以及各所述趋势变化点的位置，确定所述监测地块森林退化的发生、发展、结束时间。
可选的，各类型的时间序列遥感数据对应有各自训练好的机器学习模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的森林退化遥感监测方法及系统基于时间序列遥感数据的变化趋势，分阶段分析监测地块的森林退化程度，解决了现有方法依据总体变化趋势确定森林退化程度所造成的退化像元误分、漏分的不足，提高了森林退化监测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有的基于时间序列遥感数据的森林退化监测方法流程图；
图2为本发明实施例1提供的基于分阶段时间趋势特征的森林退化遥感监测方法的流程示意图；
图3为本发明实施例1中的转点检测示意图；
图4为本发明实施例1中的趋势变化点检测示意图；
图5为本发明实施例2提供的基于分阶段时间趋势特征的森林退化遥感监测系统结构示意图。
具体实施方式
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，显然，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他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
森林调查规划设计时将森林按不同的权属、土地类型、起源、森林类别、林种、优势树种(组)、龄组、郁闭度等级、立地类型、经济林产期和林业工程类别等划成不同的斑块，即地块，并生成森林资源小班分布图。森林经营与管理通常以地块为单元，退化的发生通常也与地块相关，因此，本实施例提供的森林退化遥感监测方法将年度时间序列遥感数据聚合到地块尺度，即计算森林资源小班地块内的评价指标(NDVI、EVI、LAI、NPP等)的所有遥感像元的均值。在此基础上，参见图2，本实施例提供的基于分阶段时间趋势特征的森林退化遥感监测方法包括以下步骤：
步骤1：获取监测地块的时间序列遥感数据，其中，时间序列遥感数据可以包括但不限于以下类型中的一种或多种：净初级生产力(Net Primary Productivity，NPP)遥感数据、植被指数(NDVI、EVI)遥感数据、叶面积指数(Leaf Area Index，LAI)遥感数据。
对各类型的时间序列遥感数据，分别执行步骤2至步骤9：
步骤2：检测时间序列遥感数据的突变点，具体可采用以下方法：
采用DBSET算法检测时间序列遥感数据(NDVI、EVI、LAI、NPP)的突变点。具体步骤为：
①获取时间序列遥感数据的波峰、波谷点：
式中，EI表示遥感数据值，i表示第i年，ΔEI(i-1，i)＝EI(i)-EI(i-1)，ΔEI(i，i+1)＝EI(i+1)-EI(i)，sign为符号函数，f＝1的点为时间序列中的波峰、波谷点(如图3，B点为波峰点，E点为波谷点)，f＝0的点非波峰波谷点和可能的转点(A点、C点、D点、F点)。
②将相邻的波峰点(B点)和波谷点(E点)作连线(BE)，计算这一对相邻波峰点和波谷点之间的点(C点、D点)到该连线(BE)的垂直距离，与设置的距离阈值(ε1)进行比较。距离阈值为DBEST算法的输入项，可根据实际情况设置。若垂直距离大于等于阈值，则认为该点为转点(如C点)，记该点的值为1；若距离小于阈值，则认为该点不是转点(如D点)，记该点的值为0。数学表达式为：
式中，d(i)为相邻波峰、波谷之间的连线和数据点间的垂直距离，ε1为设定的距离阈值，f(i)＝0即表示为非波峰、波谷点，i表示第i年。
③获取局部的趋势变化：
式中，h(i)为相邻的两个转点之间的差值(如C点和E点的差值)，非转点之间h(i)的值为0，i和z表示第i、z年。
④突变点确定：将步骤③中计算的h(i)的绝对值降序排列，依次加入对应转点，进行原趋势序列分段的拟合，以及BIC(Bayesian Informaiton Criterion，BIC)的计算。当BIC的值最小时，参与计算的所有转点即为突变点。对于所有类型的时间序列遥感数据(NPP、NDVI、EVI、LAI)均按此方法寻找突变点。
对于无突变点的地块，可以利用最小二乘法对整个时间序列内的遥感数据进行整体趋势分析，提取趋势特征(一次项系数k，决定系数R2，方差δ)。对所有类型的遥感数据中没有突变点的遥感数据均按此方法提取趋势特征，其中至少有一个类型的遥感数据的线性拟合系数小于零且通过显著性检验，则判定该地块为退化地块。
对于有突变点的情况继续进行以下步骤：
步骤3：以所述突变点为分界点对所述时间序列遥感数据进行分段。步骤4：对各阶段进行线性拟合。步骤5：选取前后阶段的线性拟合趋势发生变化的突变点，记为趋势变化点。步骤6：以所有类型的时间序列遥感数据中的趋势变化点为最终趋势变化点，并以所述最终趋势变化点为分界点，对各类型的时间序列遥感数据进行分段，得到若干趋势段。步骤7：对各趋势段进行线性拟合，得到各趋势段的线性拟合参数，记为趋势特征。步骤8：在任一趋势段的线性拟合系数小于设定阈值时，确定所述监测地块为退化地块。步骤9：获取所述监测地块在各所述趋势段内的退化程度指标，该退化程度指标包括但不限于气候指标、土地类型、优势树种以及立地类型中的一种或多种。步骤10：采用训练好的机器学习模型，确定各所述趋势段对应的森林退化程度，所述训练好的机器学习模型的输入包括所述趋势特征以及所述退化程度指标，其中，各类型的时间序列遥感数据对应有各自训练好的机器学习模型。
突变点代表时间序列中数据点最明显的变化位置，趋势变化点表示时间序列中数据趋势发生变化的位置。但是，由DBEST算法得出的突变点前后阶段的线性拟合趋势并不一定发生变化。因此，对于有突变点的地块，还需分析突变点前后阶段的线性拟合趋势的差异，以判断该突变点是否为趋势变化点。然后结合机器学习方法，建立分阶段趋势变化特征的森林退化监测模型。步骤3至步骤9可以具体采用以下方式进行：
(1)突变点将连续时间序列遥感数据分为若干个时间段，在各个时间阶段内，可以利用最小二乘法对地块遥感数据进行线性拟合，参见图4(y1＝k1x+b1,y2＝k2x+b2，y3＝k3x+b3)，比较该突变点前后线性拟合趋势的一致性：若该突变点前后，线性拟合系数的差(如|k2-k1|)大于设定的变化阈值ε2，则认为该突变点是趋势变化点(如突变点2)；若该突变点前后，线性拟合系数的差(如|k3-k2|)小于设定的变化阈值ε2，则认为该突变点不是趋势变化点(如突变点3)。对所有类型的遥感数据均按此方法选择趋势变化点。然后，对所有趋势变化点取并集，即至少有一个类型的遥感数据出现趋势变化，则认为该点为趋势变化点。
(2)步骤(1)中确定的趋势变化点再次将时间连续的遥感数据分为若干个时间段，在每个时间段内，可以利用最小二乘法对数据点进行线性拟合。
(3)根据分段线性拟合结果，提取森林退化地块的趋势特征(一次项系数ki,决定系数R2，方差δi)。所有类型的遥感数据中至少有一个趋势段的线性拟合系数小于零且通过显著性检验的地块，判定为退化地块。依据趋势变化点的位置判定森林退化发生、发展、结束的时间。
(4)建立森林地块退化程度机器学习模型：样本库的输入因子包括地块各类型遥感数据的每个趋势段的趋势特征(一次项系数k，决定系数R2，方差δ)、土地类型、优势树种、立地类型、气候区指标，输出因子为地块在该趋势段的退化程度。样本数据中土地类型、优势树种、立地类型来源于森林资源调查数据，退化程度依据国家林业局印发的《退化防护林修复技术规定(试行)》中相关规定地面调查获取。采用随机森林模型通过机器学习建立森林退化监测模型，并对模型进行优化和验证。
实施例2
参见图5，本实施例提供了一种基于分阶段时间趋势特征的森林退化遥感监测系统，该系统包括：
时间序列遥感数据获取模块501，用于获取监测地块的时间序列遥感数据；
突变点检测模块502，用于检测所述时间序列遥感数据的突变点；
趋势变化点确定模块503，用于以所述突变点为分界点对所述时间序列遥感数据进行分段，并对各阶段进行线性拟合，选取前后阶段的线性拟合趋势发生变化的突变点，记为趋势变化点；
趋势段确定模块504，用于以所有类型的时间序列遥感数据中的趋势变化点为最终趋势变化点，并以所述最终趋势变化点为分界点，对各类型的时间序列遥感数据进行分段，得到若干趋势段；
趋势特征确定模块505，用于对各所述趋势段进行线性拟合，得到各所述趋势段的线性拟合参数，记为趋势特征；
退化地块确定模块506，用于在任一趋势段的线性拟合系数小于设定阈值时，确定所述监测地块为退化地块；
退化程度指标获取模块507，用于获取所述监测地块在各所述趋势段内的退化程度指标，所述退化程度指标包括气候指标、土地类型、优势树种以及立地类型中的一种或多种；
退化程度确定模块508，用于采用训练好的机器学习模型，确定各所述趋势段对应的森林退化程度，所述训练好的机器学习模型的输入包括所述趋势特征和所述退化程度指标。
发展过程分析模块509，用于根据各所述趋势段对应的森林退化程度以及各所述趋势变化点的位置，确定所述监测地块森林退化的发生、发展、结束时间。
本实施例与实施例1相对应，其中各个模块的具体工作方式参见实施例1。
本发明具有以下优势：
1)相比于现有的对时间趋势进行整体拟合的森林退化监测方法，本发明考虑了突变点前后的趋势变化的差异，能够更精细的选择出趋势变化点，反映出各个阶段的遥感数据变化趋势。
2)相比于现有技术中像元级的森林退化遥感监测方法，本发明考虑到森林经营与管理以地块为单元，退化的发生通常与地块的特征相关，构建地块级的森林退化遥感监测模型，能够降低基于单个遥感像元评价的不确定性。
3)本发明应用突变点检测算法，并结合突变点前后的变化趋势，有助于分析森林退化发生、发展、结束的整个过程。
4)本发明在建立机器学习模型时，考虑了不同气候区对森林退化遥感监测模型的影响，能够提升森林退化程度的监测精度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于分阶段时间趋势特征的森林退化遥感监测方法，其特征在于，包括：
步骤1：获取监测地块的时间序列遥感数据，所述时间序列遥感数据包括若干类型；
步骤2：检测时间序列遥感数据的突变点；
步骤3：以所述突变点为分界点对所述时间序列遥感数据进行分段；
步骤4：对各阶段进行线性拟合；
步骤5：选取前后阶段的线性拟合趋势发生变化的突变点，记为趋势变化点；
步骤6：以所有类型的时间序列遥感数据中的趋势变化点为最终趋势变化点，并以所述最终趋势变化点为分界点，对各类型的时间序列遥感数据进行分段，得到若干趋势段；
步骤7：对各所述趋势段进行线性拟合，得到各所述趋势段的线性拟合参数，记为趋势特征；
步骤8：在任一趋势段的线性拟合系数小于设定阈值时，确定所述监测地块为退化地块；
步骤9：获取所述监测地块在各所述趋势段内的退化程度指标，所述退化程度指标包括气候指标、土地类型、优势树种以及立地类型中的一种或多种；
步骤10：采用训练好的机器学习模型，确定各所述趋势段对应的森林退化程度，所述训练好的机器学习模型的输入包括所述趋势特征和所述退化程度指标。
2.根据权利要求1所述的森林退化遥感监测方法，其特征在于，所述方法还包括：根据各所述趋势段对应的森林退化程度以及各所述趋势变化点的位置，确定所述监测地块森林退化的发生、发展、结束时间。
3.根据权利要求1所述的森林退化遥感监测方法，其特征在于，所述检测时间序列遥感数据的突变点，具体包括：
获取所述时间序列遥感数据的波峰点和波谷点；
将相邻的波峰点和波谷点做连线，并计算相邻波峰点和波谷点之间的点到所述连线的垂直距离；
将到所述连线的垂直距离大于距离阈值的点以及波峰点和波谷点记为转点；
计算相邻所述转点的遥感数据的差值；
将所述差值的绝对值降序排列，并按排序依次加入对应转点进行分段并拟合，计算BIC；
将BIC值最小时，参与计算的转点记为所述突变点。
4.根据权利要求1所述的森林退化遥感监测方法，其特征在于，所述选取前后阶段的线性拟合趋势发生变化的突变点，具体包括：
判断所述突变点前后阶段的线性拟合系数的变化值是否大于变化阈值；
如果是，则所述突变点为所述趋势变化点。
5.根据权利要求1所述的森林退化遥感监测方法，其特征在于，各类型的时间序列遥感数据对应有各自训练好的机器学习模型。
6.根据权利要求5所述的森林退化遥感监测方法，其特征在于，时间序列遥感数据的类型包括以下一种或多种：NPP遥感数据、NDVI遥感数据、EVI遥感数据、LAI遥感数据。
7.根据权利要求1所述的森林退化遥感监测方法，其特征在于，在步骤1之前，还包括：基于森林调查规划设计时划分的斑块，对监测区域进行分块，得到若干所述监测地块。
8.一种基于分阶段时间趋势特征的森林退化遥感监测系统，其特征在于，包括：
时间序列遥感数据获取模块，用于获取监测地块的时间序列遥感数据；
突变点检测模块，用于检测所述时间序列遥感数据的突变点；
趋势变化点确定模块，用于以所述突变点为分界点对所述时间序列遥感数据进行分段，并对各阶段进行线性拟合，选取前后阶段的线性拟合趋势发生变化的突变点，记为趋势变化点；
趋势段确定模块，用于以所有类型的时间序列遥感数据中的趋势变化点为最终趋势变化点，并以所述最终趋势变化点为分界点，对各类型的时间序列遥感数据进行分段，得到若干趋势段；
趋势特征确定模块，用于对各所述趋势段进行线性拟合，得到各所述趋势段的线性拟合参数，记为趋势特征；
退化地块确定模块，用于在任一趋势段的线性拟合系数小于设定阈值时，确定所述监测地块为退化地块；
退化程度指标获取模块，用于获取所述监测地块在各所述趋势段内的退化程度指标，所述退化程度指标包括气候指标、土地类型、优势树种以及立地类型中的一种或多种；
退化程度确定模块，用于采用训练好的机器学习模型，确定各所述趋势段对应的森林退化程度，所述训练好的机器学习模型的输入包括所述趋势特征和所述退化程度指标。
9.根据权利要求8所述的森林退化遥感监测系统，其特征在于，所述系统还包括：发展过程分析模块，用于根据各所述趋势段对应的森林退化程度以及各所述趋势变化点的位置，确定所述监测地块森林退化的发生、发展、结束时间。
10.根据权利要求8所述的森林退化遥感监测系统，其特征在于，各类型的时间序列遥感数据对应有各自训练好的机器学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011291634.9A CN112381426A (zh) | 2020-11-18 | 2020-11-18 | 基于分阶段时间趋势特征的森林退化遥感监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011291634.9A CN112381426A (zh) | 2020-11-18 | 2020-11-18 | 基于分阶段时间趋势特征的森林退化遥感监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112381426A true CN112381426A (zh) | 2021-02-19 |
Family
ID=74584195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011291634.9A Pending CN112381426A (zh) | 2020-11-18 | 2020-11-18 | 基于分阶段时间趋势特征的森林退化遥感监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381426A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763455A (zh) * | 2021-09-14 | 2021-12-07 | 中科三清科技有限公司 | 一种温室气体排放的溯源方法、装置、计算机设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1924611A (zh) * | 2005-08-29 | 2007-03-07 | 王长耀 | 土地退化(荒漠化)评价参数遥感反演与监测技术方法 |
| CN101201927A (zh) * | 2006-12-14 | 2008-06-18 | 中国科学院东北地理与农业生态研究所 | 区域土地退化的动态评价及分区预警系统 |
| CN101788664A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 面向土地退化响应单元的高光谱土地退化信息提取方法 |
| CN106228610A (zh) * | 2016-07-25 | 2016-12-14 | 环境保护部南京环境科学研究所 | 结合主导生态功能与生态退化程度的生态修复分区方法 |
| CN107229715A (zh) * | 2017-05-31 | 2017-10-03 | 福州大学 | 时序数值型遥感专题数据变化过程的地图可视化表达方法 |
| CN109472318A (zh) * | 2018-11-27 | 2019-03-15 | 阿里巴巴集团控股有限公司 | 为构建的机器学习模型选取特征的方法及装置 |
| CN110175537A (zh) * | 2019-05-10 | 2019-08-27 | 深圳大学 | 一种融合多源遥感指标评估土地退化状况的方法及系统 |
| CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
-
2020
- 2020-11-18 CN CN202011291634.9A patent/CN112381426A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1924611A (zh) * | 2005-08-29 | 2007-03-07 | 王长耀 | 土地退化(荒漠化)评价参数遥感反演与监测技术方法 |
| CN101201927A (zh) * | 2006-12-14 | 2008-06-18 | 中国科学院东北地理与农业生态研究所 | 区域土地退化的动态评价及分区预警系统 |
| CN101788664A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 面向土地退化响应单元的高光谱土地退化信息提取方法 |
| CN106228610A (zh) * | 2016-07-25 | 2016-12-14 | 环境保护部南京环境科学研究所 | 结合主导生态功能与生态退化程度的生态修复分区方法 |
| CN107229715A (zh) * | 2017-05-31 | 2017-10-03 | 福州大学 | 时序数值型遥感专题数据变化过程的地图可视化表达方法 |
| CN109472318A (zh) * | 2018-11-27 | 2019-03-15 | 阿里巴巴集团控股有限公司 | 为构建的机器学习模型选取特征的方法及装置 |
| CN110175537A (zh) * | 2019-05-10 | 2019-08-27 | 深圳大学 | 一种融合多源遥感指标评估土地退化状况的方法及系统 |
| CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
Non-Patent Citations (3)
| Title |
|---|
| SADEGH JAMALI ET AL.: "Detecting changes in vegetation trends using time series segmentation", 《REMOTE SENSING OF ENVIRONMENT》, vol. 156, 16 October 2014 (2014-10-16), pages 182 * |
| 李辉霞;刘淑珍;: "基于ETM+影像的草地退化评价模型研究――以西藏自治区那曲县为例", 中国沙漠, no. 03, 15 May 2007 (2007-05-15) * |
| 薛存芳等: "基于MODIS数据的内蒙古草地植被退化动态监测研究", 《国土资源遥感》, no. 02, 15 June 2009 (2009-06-15), pages 97 - 101 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763455A (zh) * | 2021-09-14 | 2021-12-07 | 中科三清科技有限公司 | 一种温室气体排放的溯源方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3408825B1 (en) | System and method for earth observation and analysis | |
| CN111126680A (zh) | 一种基于时间卷积神经网络的道路断面交通流量预测方法 | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN117172509B (zh) | 基于装修施工进度分析的施工项目分配系统 | |
| CN109597757B (zh) | 一种基于多维时间序列熵的软件网络间相似度的度量方法 | |
| CN108038211A (zh) | 一种基于上下文的无监督关系数据异常检测方法 | |
| CN115935283A (zh) | 一种基于多元非线性因果分析的干旱成因溯源方法 | |
| CN117235510A (zh) | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 | |
| CN117688313A (zh) | 一种网络协同处理测绘数据的方法 | |
| CN112381426A (zh) | 基于分阶段时间趋势特征的森林退化遥感监测方法及系统 | |
| CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
| CN118070120A (zh) | 一种基于植被指数和干旱耦合关系的干旱监测分析方法 | |
| CN113269464A (zh) | 一种生态恢复评估方法和生态恢复评估装置 | |
| CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
| CN115797501A (zh) | 一种结合森林干扰与恢复事件的时间序列林龄制图方法 | |
| CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
| CN111325384B (zh) | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 | |
| CN111768101A (zh) | 一种顾及物候特征的遥感耕地变化检测方法及系统 | |
| CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
| CN118313173B (zh) | 一种湿地规划设计优化方法及系统 | |
| CN118228005B (zh) | 森林树种多样性监测方法及装置 | |
| 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 | |
| CN117937438A (zh) | 一种电网调度控制系统异常数据辨识和校正的方法及系统 | |
| CN117636065A (zh) | 考虑裂缝影响的混凝土坝位移深度学习预测方法及系统 |
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 |