CN113128134A - 一种矿区生态环境演变驱动因子权重量化分析方法 - Google Patents

一种矿区生态环境演变驱动因子权重量化分析方法 Download PDF

Info

Publication number
CN113128134A
CN113128134A CN202110669285.8A CN202110669285A CN113128134A CN 113128134 A CN113128134 A CN 113128134A CN 202110669285 A CN202110669285 A CN 202110669285A CN 113128134 A CN113128134 A CN 113128134A
Authority
CN
China
Prior art keywords
data
ecological
factor
cube
weight
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.)
Granted
Application number
CN202110669285.8A
Other languages
English (en)
Other versions
CN113128134B (zh
Inventor
李军
张成业
郭添玉
郑慧玉
秦婷婷
李飞跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110669285.8A priority Critical patent/CN113128134B/zh
Publication of CN113128134A publication Critical patent/CN113128134A/zh
Application granted granted Critical
Publication of CN113128134B publication Critical patent/CN113128134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种矿区生态环境演变驱动因子权重量化分析方法，对植被、土壤、水体、大气以及生态功能进行长时间尺度上高频次定量反演，获取连续空间的生态因子及气候气象、地理地貌、人类活动三类驱动因子数据集，然后结合统计再分析数据、土地利用分类数据，在高维度空间对参量数据进行叠加构建生态演变大数据立方体，接着以纯数据驱动的角度建立矿区生态演变的地理时空加权人工神经网络对各参量之间的驱动关系进行模拟，最后采用高维数据下的矿区生态驱动因子定权法来量化各因子的权重，从而计算出驱动因子权重立方体，得到了矿区生态环境演变过程中在不同空间位置下的主导驱动因子及其权重，为探索矿区生态环境演变机理提供了客观的数据。

Description

一种矿区生态环境演变驱动因子权重量化分析方法
技术领域
本发明涉及生态学领域、遥感及地理信息领域，尤其涉及一种矿区生态环境演变驱动因子权重量化分析方法。
背景技术
由于矿区生态系统的驱动机理或辨识模型的预先不可知性，很难从简单线性逻辑推理中获取生态演变模型，需要从纯数据驱动角度进行复杂建模。常见的驱动因子建模方法有普通的多元线性回归、地理加权回归等，然而普通的多元线性回归没有考虑空间异质性（非平稳性），将驱动因子与生态结果之间的关系简单预定义为线性相关模式，也没有考虑各驱动因子随地理距离的不同而具有不同的作用，地理加权回归（GWR）解决了普通多元线性回归的前两个问题，即参数的空间异质性、距离影响权重，在一些领域取得了较好的应用效果。但是GWR仍然预定义了驱动因子与生态结果的线性相关模式，因此目前常见方法都不能准确发现并量化刻画生态环境驱动规律。
发明内容
针对现有技术存在的不足之处，本发明的目的在于提供一种矿区生态环境演变驱动因子权重量化分析方法，首先对植被、土壤、水体、大气的各类理化参数以及生态系统功能进行长时间尺度上高分辨率、高频次定量反演，根据遥感反演、统计数据再分析等获取的矿区长时间尺度、连续空间的生态因子及气候气象、地理地貌、人类活动三类驱动因子数据集，然后在高维度空间对参量数据进行叠加构建生态演变大数据立方体，接着以纯数据驱动的角度建立地理时空加权人工神经网络对多种参量之间的驱动关系进行模拟，最后采用高维数据下的因子定权法来量化各影响因子的权重，从而计算出生态演变的驱动因子权重立方体，得到了矿区生态环境演变过程中在不同空间位置下的主导驱动因子及其权重，为发掘矿区生态环境演变机理、矿区生态累积效应、矿区生态环境影响范围量化等提供了客观的数据。
本发明的目的通过下述技术方案实现：
一种矿区生态环境演变驱动因子权重量化分析方法，其方法如下：
A、面向矿区场景的生态环境参数一体化同步反演：建立长时序、高分辨率、高频次定量遥感反演模型，反演模型包括PROSAIL植被辐射传输模型、随机森林算法模型、像元二分模型、kriging模型和归一化植被指数模型；收集包括多光谱遥感影像、土壤参数产品影像、地面实测数据在内的原始数据，通过反演模型对原始数据的生态环境参数进行一体化同步反演并得到参数反演数据，生态环境参数包括植被、土壤、大气、水体，植被包括植被覆盖度、叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量，土壤包括表层含水量，大气包括PM2.5，水体包括叶绿素浓度、悬浮物浓度；
B、构建生态演变大数据立方体：根据包括植被、土壤、大气、水体的参数反演数据进行统计、分析并得到长时序、高分辨率、高频次的生态因子及驱动因子集合，生态因子及驱动因子集合包括矿区生态因子集合与驱动因子数据集合，矿区生态因子集合中的矿区生态因子包括植被、土壤、大气、水体，驱动因子数据集合的驱动因子包括气候气象、地理地貌、人类活动，在三维空间上进行上述数据的空间维度叠加及高维度拓展，高维度拓展包括时间维度拓展，并将以栅格影像格式展现的低维数据转换为高维数据立方体，最终构成生态演变大数据立方体；
C、矿区生态演变的地理时空加权人工神经网络建模：采用滑动立方体法对生态演变大数据立方体进行数据提取，将生态演变大数据立方体中的驱动因子与驱动因子按照研究需求划分为自变量参数集合和因变量参数集合两个集合；通过地理时空加权人工神经网络模型进行模型训练，在每个时空节点上都构筑出自变量与因变量间的非线性复杂定量关系；
D、基于高维数据下构筑生态演变驱动因子的权重立方体：构建高维数据下的驱动因子定权法量化各影响因子的权重，并首先对每个年份、每个空间位置的驱动因子计算其在高维神经网络传播中的放大率，然后对所有量化因子权重进行归一化，并构筑生态演变驱动因子的权重立方体。
根据本发明的一个优选实施例，本发明步骤A包括如下方法：
A1、植被参数反演：归一化植被指数计算公式如下：
Figure DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE004
为近红外波段地表反射率，
Figure DEST_PATH_IMAGE006
为红波段地表反射率；
植被覆盖度采用像元二分模型计算，其计算公式如下：
Figure DEST_PATH_IMAGE008
，其中，
Figure DEST_PATH_IMAGE010
为像元的
Figure DEST_PATH_IMAGE012
值，
Figure DEST_PATH_IMAGE014
为研究区内完全为裸土的像元
Figure 580323DEST_PATH_IMAGE010
值，
Figure DEST_PATH_IMAGE016
为研究区纯植被像元的
Figure 633860DEST_PATH_IMAGE010
值；
面向矿区小尺度的Landsat和Sentinel多源数据，包含叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量的植被参数采用PROSAIL植被辐射传输模型耦合多光谱遥感卫星传感器光谱响应函数，结合地面实测光谱和参数数据，基于随机森林算法建立植被参数反演模型，其中冠层叶绿素含量可由叶片叶绿素含量及叶面积指数相乘计算获得；
A2、土壤参数反演：通过土壤含水量影像产品在多光谱遥感卫星数据的辅助下进行降尺度研究，获取矿区长时间序列的中小空间尺度土壤含水量产品；面向矿区场景，通过Sentinel水云模型对矿区土壤含水量反演进行优化；通过降尺度和Sentinel水云模型优化组合实现表层含水量的长时序、高分辨率反演；
A3、大气参数反演：获取地表PM2.5数据，通过kriging模型对其进行克里金插值得到连续的栅格影像数据；
A4、水体参数反演：对水体中的叶绿素浓度和悬浮物浓度进行反演，其公式如下：
水体叶绿素浓度
Figure DEST_PATH_IMAGE018
，其中，B3为红波段地表反射率，B4为近红外波段地表反射率；a、b、c分别为模型的系数；
水体悬浮物浓度
Figure DEST_PATH_IMAGE020
，其中，B3为红波段地表反射率；B2为绿波段地表反射率；a、b分别为模型的系数。
根据本发明的一个优选实施例，本发明步骤B中低维数据转换为高维数据立方体方法包括如下：
B1、在统一空间位置下，将矿区多年份不同驱动因子的栅格影像数据和矢量数据在三维空间的Z轴方位上，进行数据的空间维度叠加与高维度拓展，完成由低维空间数据至高维数据立方体的转换，其中栅格影像数据和矢量数据可视为在空间直角系统的X轴与Y轴上拓展的二维平面，最终构成此空间位置下的生态演变大数据立方体；
B2、在生态演变大数据立方体的三维空间中，每一层代表一个生态环境参数因子，单层生态环境参数因子的厚度代表该生态环境参数因子的时间序列数据，查询生态演变大数据立方体上的某一点时，可以获取到该生态环境参数因子的时间序列数据变化趋势。
根据本发明的一个优选实施例，本发明步骤C中的滑动立方体法如下：
C1、在生态演变大数据立方体的栅格影像上建立一个滑动窗口，滑动窗口的带宽长度为L,滑动窗口的步长为S，滑动窗口的步长S≤滑动窗口的带宽长度L，然后对滑动窗口进行高维拓展，增加一个时间维度构建三维的滑动立方体，滑动立方体的时间窗口宽度为T，滑动立方体将会对时间序列所有的整幅栅格影像进行逐像元遍历，根据建立滑动立方体的栅格影像所属的集合不同，滑动立方体单次覆盖的范围内提取的像元将被化分成单位自变量样本和单位因变量样本，当滑动立方体对整幅栅格影像遍历完成，单位样本将分别组合成为自变量参数集合与因变量参数集合。
根据本发明的一个优选实施例，本发明步骤C中的地理时空加权人工神经网络模型方法如下：
C2、地理时空加权人工神经网络模型构筑自变量与因变量之间的关系网络，该关系网络包括输入层、隐藏层、输出层三层结构，自变量样本从输入层进行数据输入，然后在输入层传导进入隐藏层时，计算公式如下式所示：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为神经元i和j之间的连接权值，
Figure DEST_PATH_IMAGE026
为神经元i的输出，
Figure DEST_PATH_IMAGE028
为与神经元j有外向连接的神经元集合；
神经元i的输出计算如下所示：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE032
为激活函数，在神经元内进行激活函数的运算，神经元中采用的激活函数为非线性的双曲正切函数，其公式如下式所示：
Figure DEST_PATH_IMAGE034
其中
Figure DEST_PATH_IMAGE036
为神经元激活后的传递值，x为神经元激活前的参数值；
以对应自变量样本的样本值作为目标值
Figure DEST_PATH_IMAGE038
与神经网络输出值
Figure DEST_PATH_IMAGE040
进行误差计算，计算公式如下所示：
Figure DEST_PATH_IMAGE042
其中
Figure DEST_PATH_IMAGE044
是目标值，
Figure DEST_PATH_IMAGE046
是输出神经元i的输出，n是目标值的数目，
Figure DEST_PATH_IMAGE048
为时空权重值；其中时空权重值计算如下所示：
Figure DEST_PATH_IMAGE050
其中
Figure DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE056
为滑动立方体范围内中心像元的三维坐标值，L为滑动立方体的带宽长度，T为滑动立方体的时间窗口宽度；
误差计算完成后，后向传播的误差信号计算公式如下所示：
Figure DEST_PATH_IMAGE058
其中
Figure DEST_PATH_IMAGE060
是神经元j的输出，
Figure DEST_PATH_IMAGE062
是神经元j的目标值，
Figure DEST_PATH_IMAGE064
是神经元j和k之间的连接权重，
Figure DEST_PATH_IMAGE066
是神经元k的误差信号，
Figure DEST_PATH_IMAGE068
是神经元j的网络输入，并且
Figure DEST_PATH_IMAGE070
是激活函数的导数；在上述集合公式中，若j是一个输出神经元，则采用
Figure DEST_PATH_IMAGE072
公式，其他，则采用
Figure DEST_PATH_IMAGE074
。
根据本发明的一个优选实施例，本发明步骤C还包括如下方法C11：
C11、CV交叉验证法：采用K倍折叠交叉验证法将生态演变大数据立方体的数据集分成K份，循环抽取1份作为验证数据集，其他K-1份作为训练集，进行K次循环，取K次训练的平均MSE作为损失函数，如下式所示，以损失函数值最小的滑动窗口带宽值作为最优带宽值，滑动窗口的带宽长度L取最优带宽值；
Figure DEST_PATH_IMAGE076
Figure DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE080
与
Figure DEST_PATH_IMAGE082
分别代表模型的预测值与标签。
根据本发明的一个优选实施例，本发明步骤D中生态演变驱动因子的权重立方体是指某个生态因子在某一时期受各类驱动因子的影响权重组合；生态演变驱动因子的权重立方体中的一层称为权重面，其内涵是某个驱动因子的权重在空间上的分布；生态演变驱动因子的权重立方体中的一列称为权重柱，其内涵是某个位置不同驱动因子的权重组合。
根据本发明的一个优选实施例，本发明步骤A中的原始数据来源包括如下：Landsat系列遥感影像、Sentinel-2A遥感影像、GLDAS土壤参数产品、AMSR土壤参数产品。
根据本发明的一个优选实施例，本发明步骤A中还包括对原始数据进行多源数据一致性校正与精度检验，方法如下：
对于植被参数，采用传感器配准的方法将所有反演结果都以Landsat7为基准；首先选择日期最为接近的Landsat5、Landsat7和Landsat8的一天的影像，分别计算植被参数；然后选择一个小块研究区，将小块研究区域内的像元值提取到点，运用最小二乘原理，分别构建不同影像对应像元之间的线性模型；基于回归线性模型实现不同传感器之间的配准，最后都以Landsat8为基准；多源结果的一致性校正完成之后，再与地面实测数据进行检验；
对于土壤参数，将反演结果与地面实测数据进行精度检验；
对于水体参数，多源结果的一致性校正方法采用植被参数相同的校正方法，校正之后再与地面实测数据进行检验。
根据本发明的一个优选实施例，本发明步骤D中驱动因子定权法如下：
D1、从训练时所用自变量参数集合随机选取其中1个自变量因子，给其的训练数据添加一个偏置增量
Figure DEST_PATH_IMAGE084
构建一个待定权自变量因子
Figure DEST_PATH_IMAGE086
，与其他自变量因子作为已经训练好的地理时空加权人工神经网络模型的输入层，通过模型计算得到对应空间位置下的因变量因子
Figure DEST_PATH_IMAGE088
；
D2、根据步骤D1所计算得到的待定权因子
Figure 408001DEST_PATH_IMAGE086
，与对应因变量因子
Figure 759347DEST_PATH_IMAGE088
，计算网络传播放大率D，其计算公式为：
Figure DEST_PATH_IMAGE090
；
D3、进行N次循环，重复步骤D1，直至所有自变量因子权重都已计算，将所有自变量因子的权重进行求和，最终得到一张因子权重之和的栅格影像，然后进行权重的归一化计算，如下式所示：
Figure DEST_PATH_IMAGE092
其中，
Figure DEST_PATH_IMAGE094
为自变量因子i的权重值，
Figure DEST_PATH_IMAGE096
为自变量因子i归一化后的权重。
本发明较现有技术相比，具有以下优点及有益效果：
（1）本发明依据电磁波与各类地物的作用机理和统计特性，构建了矿区生态环境全要素参数定量遥感反演一体化模型，反演了植被、土壤、大气、水体等的各类理化参数，核心在于提出了针对矿区小尺度的长时序、高分辨率、高频次的全要素参数一体化反演方案；可以满足小范围研究区30年长时间尺度上的高分辨率参数需求，反演要素多且齐全，并达到了“体系化定量”，实现了矿区生态环境遥感研究属性的质变，为构建矿区生态演变大数据立方体提供数据基础，也为小尺度的矿区生态环境定量评价提供了科学数据。
（2）本发明提出了矿区地理时空加权人工神经网络与矿区多源遥感大数据相结合，通过以纯数据驱动方式建立矿区生态环境演变驱动机理模型，模拟多种生态参量间具有复杂性、空间异质性的定量关系，打破了以往仅以简单统计模型与经验模型概括生态参量间联系的模式，形成了一种无先验知识、无预定义模式、以大数据驱动的矿区场景下生态环境演变驱动机理推演的技术方法。
（3）本发明在所提出的矿区地理时空加权人工神经网络的基础上，进一步发明了高维神经网络数据的矿区生态驱动因子定权法，对矿区生态环境高分辨率时空连续演变大数据立方体进行大数据挖掘，定义并构建生态环境演变驱动因子权重立方体，在无预定义生态驱动模式的条件下，量化各类驱动因子在矿区生态环境演变中的影响权重，突破了以往生态环境评价中无法精确定量表达各生态参量影响程度的局限，为矿区生态环境演变机理探索提供了可靠数据。
（4）本发明定义并构建了矿区生态环境演变数据立方体(EE-Cube)和生态环境演变驱动因子权重立方体(EW-Cube)两种核心数据产品。生态环境演变大数据立方体储存和表达了由遥感反演、统计数据再分析等获取的矿区长时间尺度、连续空间的生态因子及气候气象、地理地貌、人类活动三类驱动因子数据集，为研究矿区生态环境演变机理提供数据基础；生态环境演变驱动因子权重立方体储存和表达了某个生态因子在某一时期受各类驱动因子的影响权重组合，为解决矿区生态演变规律量化问题提供解答依据。
附图说明
图1为本发明的流程原理图；
图2为本发明中矿区生态演变大数据立方体示意图；
图3为实施例二中生态演变大数据立方体的计算机可视化示意图一；
图4为实施例二中生态演变大数据立方体的计算机可视化示意图二；
图5为实施例二中生态演变大数据立方体的计算机可视化示意图三；
图6为实施例二中地理时空加权人工神经网络模型的计算机可视化表达示意图；
图7为实施例二中生态演变驱动因子的权重立方体的权重面示意图；
图8为实施例二中生态演变驱动因子的权重立方体的权重柱示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明：
实施例一
如图1所示，一种矿区生态环境演变驱动因子权重量化分析方法，其方法如下：
A、面向矿区场景的生态环境参数长时序、高分辨率、高频次定量遥感一体化同步反演：建立长时序、高分辨率、高频次定量遥感反演模型（其具有多源数据融合，数据具有长时序、高分辨率、高频次、定量等特点），反演模型包括PROSAIL植被辐射传输模型（即图1中的PROSAIL）、随机森林算法模型（即图1中的Random Forest）、像元二分模型、kriging模型（即图1中的Ordinary Kriging）和归一化植被指数模型；收集包括多光谱遥感影像、土壤参数产品影像、地面实测数据在内的原始数据（优选地，原始数据来源包括如下：Landsat系列遥感影像、Sentinel-2A遥感影像、GLDAS土壤参数产品、AMSR土壤参数产品），通过反演模型对原始数据的生态环境参数进行一体化同步反演并得到参数反演数据，生态环境参数包括植被、土壤、大气、水体，植被包括植被覆盖度、叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量，土壤包括表层含水量，大气包括PM2.5，水体包括叶绿素浓度、悬浮物浓度；
在本实施例中的一个实施例，步骤A包括如下方法：
A1、植被参数反演：归一化植被指数计算公式如下：
Figure DEST_PATH_IMAGE097
，其中，
Figure DEST_PATH_IMAGE098
为近红外波段地表反射率，
Figure DEST_PATH_IMAGE099
为红波段地表反射率；
植被覆盖度采用像元二分模型计算，其计算公式如下：
Figure DEST_PATH_IMAGE100
，其中，
Figure DEST_PATH_IMAGE101
为像元的
Figure DEST_PATH_IMAGE102
值，
Figure DEST_PATH_IMAGE103
为研究区内完全为裸土的像元
Figure 407104DEST_PATH_IMAGE101
值，
Figure DEST_PATH_IMAGE104
为研究区纯植被像元的
Figure 395658DEST_PATH_IMAGE101
值；
面向矿区小尺度的Landsat和Sentinel多源数据，包含叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量的植被参数采用PROSAIL植被辐射传输模型耦合多光谱遥感卫星传感器光谱响应函数，结合地面实测光谱和参数数据，基于随机森林算法建立植被参数反演模型，其中冠层叶绿素含量可由叶片叶绿素含量及叶面积指数相乘计算获得；
A2、土壤参数反演：通过土壤含水量影像产品在多光谱遥感卫星数据的辅助下进行降尺度研究，获取矿区长时间序列的中小空间尺度土壤含水量产品；面向矿区场景，通过Sentinel水云模型对矿区土壤含水量反演进行优化；通过降尺度和Sentinel水云模型优化组合实现表层含水量的长时序、高分辨率反演；
A3、大气参数反演：获取地表PM2.5数据（使用时，可通过AtmosphericComposition Analysis Group系统或网站获取），通过kriging模型对其进行克里金插值得到连续的栅格影像数据；
A4、水体参数反演：对水体中的叶绿素浓度和悬浮物浓度进行反演，其公式如下：
水体叶绿素浓度
Figure DEST_PATH_IMAGE105
，其中，B3为红波段地表反射率，B4为近红外波段地表反射率；a、b、c分别为模型的系数，由遥感影像像元值与地面实测数据建立关系获得；
水体悬浮物浓度
Figure DEST_PATH_IMAGE106
，其中，B3为红波段地表反射率；B2为绿波段地表反射率；a、b分别为模型的系数，由遥感影像像元值与地面实测数据建立关系获得。
在本实施例中的一个实施例，步骤A中还包括对原始数据进行多源数据一致性校正与精度检验，其实现方法如下：
对于植被参数，采用传感器配准的方法将所有反演结果都以Landsat7为基准；首先选择日期最为接近的Landsat5、Landsat7和Landsat8的一天的影像，分别计算植被参数；然后选择一个小块研究区，将小块研究内的像元值提取到点，运用最小二乘原理，分别构建不同影像对应像元之间的线性模型；基于回归线性模型实现不同传感器之间的配准，最后都以Landsat8为基准；多源结果的一致性校正完成之后，再与地面实测数据进行检验；
对于土壤参数，将反演结果与地面实测数据进行精度检验；
对于水体参数，多源结果的一致性校正方法采用植被参数相同的校正方法，校正之后再与地面实测数据进行检验。
B、构建生态演变大数据立方体：根据包括植被、土壤、大气、水体的参数反演数据进行统计、分析并得到长时序、高分辨率、高频次的生态因子及驱动因子集合，生态因子及驱动因子集合包括矿区生态因子集合与驱动因子数据集合，矿区生态因子集合中的矿区生态因子包括植被、土壤、大气、水体，驱动因子数据集合的驱动因子包括气候气象、地理地貌、人类活动，在三维空间上进行上述数据的空间维度叠加及高维度拓展，高维度拓展包括时间维度拓展，并将以栅格影像格式展现的低维数据转换为高维数据立方体，最终构成生态演变大数据立方体；
在本实施例中的一个实施例，步骤B中低维数据转换为高维数据立方体方法可以通过如下方法实现：
B1、在统一空间位置下，将矿区多年份不同驱动因子的栅格影像数据和矢量数据在三维空间的Z轴方位上，进行数据的空间维度叠加与高维度拓展，完成由低维空间数据至高维数据立方体的转换，其中栅格影像数据和矢量数据可视为在空间直角系统的X轴与Y轴上拓展的二维平面，Z轴为垂直于二维平面的高程轴，最终构成此空间位置下的生态演变大数据立方体；
B2、在生态演变大数据立方体的三维空间中，每一层代表一个生态环境参数因子，该生态环境参数因子包括生态环境参数、驱动因子，单层生态环境参数因子的厚度代表该生态环境参数因子的时间序列数据(如从x年到x + n年)，查询生态演变大数据立方体上的某一点时，可以获取到该生态环境参数因子的时间序列数据变化趋势。
C、矿区生态演变的地理时空加权人工神经网络建模：采用滑动立方体法对生态演变大数据立方体进行数据提取，将生态演变大数据立方体中的驱动因子与驱动因子按照研究需求划分为自变量参数集合和因变量参数集合两个集合；通过地理时空加权人工神经网络模型（Geographically Temporally Weighted Artificial Neural Network,英文简称GTWANN，即图1中的GTWANN）进行模型训练，在每个时空节点上都构筑出自变量与因变量间的非线性复杂定量关系；
在本实施例中的一个实施例，步骤C中的滑动立方体法具体实现方法如下：
C1、在生态演变大数据立方体的栅格影像上建立一个滑动窗口，滑动窗口的带宽长度为L(在实施例中，滑动窗口的带宽长度L可以为定值，通过指定带宽长度或者临近栅格像元数目指定相应大小的滑动窗口，也可以为自适应值，通过输入带宽范围采用CV交叉验证法来决定最佳带宽),滑动窗口的步长为S(在实施例中，滑动窗口的带宽长度S为定值)，滑动窗口的步长S≤滑动窗口的带宽长度L，然后对滑动窗口进行高维拓展，增加一个时间维度构建三维的滑动立方体，滑动立方体的时间窗口宽度为T(在实施例中，时间窗口宽度为一个定值T，其定值可取决于栅格影像时间序列的时间长度)，滑动立方体将会对时间序列所有的整幅栅格影像进行逐像元遍历，根据建立滑动立方体的栅格影像所属的集合不同，滑动立方体单次覆盖的范围内提取的像元将被化分成单位自变量样本和单位因变量样本(例如栅格影像属于自变量参数集合，则在此栅格影像上建立的滑动立方体单次覆盖的范围提取的像元将成为自变量样本)，当滑动立方体对整幅栅格影像遍历完成，单位样本将分别组合成为自变量参数集合与因变量参数集合。
在本实施例中的一个实施例，在步骤C中的滑动窗口的带宽长度L可以采用如下CV交叉验证法确定：
C11、CV交叉验证法：采用K倍折叠交叉验证法将生态演变大数据立方体的数据集分成K份(此处k值根据实际情况设定，比如设定为10)，循环抽取1份作为验证数据集，其他K-1份作为训练集，进行K次循环，取K次训练的平均MSE作为损失函数，如下式所示，以损失函数值最小的滑动窗口带宽值作为最优带宽值，滑动窗口的带宽长度L取最优带宽值；
Figure 974538DEST_PATH_IMAGE076
Figure 863996DEST_PATH_IMAGE078
其中，
Figure 664462DEST_PATH_IMAGE080
与
Figure 246753DEST_PATH_IMAGE082
分别代表模型的预测值与标签。
在本实施例中的一个实施例，步骤C中的地理时空加权人工神经网络模型方法可以采用如下方法步骤实现：
C2、地理时空加权人工神经网络模型构筑自变量与因变量之间的关系网络，该关系网络包括输入层、隐藏层、输出层三层结构，自变量样本从输入层进行数据输入，然后在输入层传导进入隐藏层时，计算公式如下式所示：
Figure DEST_PATH_IMAGE107
其中，
Figure DEST_PATH_IMAGE108
为神经元i和j之间的连接权值，
Figure DEST_PATH_IMAGE109
为神经元i的输出，
Figure DEST_PATH_IMAGE110
为与神经元j有外向连接的神经元集合；
神经元i的输出计算如下所示：
Figure DEST_PATH_IMAGE111
其中，
Figure DEST_PATH_IMAGE112
为激活函数，在神经元内进行激活函数的运算，神经元中采用的激活函数为非线性的双曲正切函数，其公式如下式所示：
Figure DEST_PATH_IMAGE113
其中
Figure DEST_PATH_IMAGE114
为神经元激活后的传递值，x为神经元激活前的参数值；
以对应自变量样本的样本值作为目标值
Figure DEST_PATH_IMAGE116
与神经网络输出值
Figure DEST_PATH_IMAGE118
进行误差计算，计算公式如下所示：
Figure 201677DEST_PATH_IMAGE113
其中
Figure DEST_PATH_IMAGE119
是目标值，
Figure DEST_PATH_IMAGE120
是输出神经元i的输出，n是目标值的数目，
Figure 799887DEST_PATH_IMAGE048
为时空权重值；其中时空权重值计算如下所示：
Figure 782755DEST_PATH_IMAGE050
其中
Figure 395002DEST_PATH_IMAGE052
，
Figure 276370DEST_PATH_IMAGE054
，
Figure 117419DEST_PATH_IMAGE056
为滑动立方体范围内中心像元的三维坐标值，L为滑动立方体的带宽长度，T为滑动立方体的时间窗口宽度；
误差计算完成后，后向传播的误差信号计算公式如下所示：
Figure DEST_PATH_IMAGE121
其中
Figure 95739DEST_PATH_IMAGE060
是神经元j的输出，
Figure 128155DEST_PATH_IMAGE062
是神经元j的目标值，
Figure 621453DEST_PATH_IMAGE064
是神经元j和k之间的连接权重，
Figure 656405DEST_PATH_IMAGE066
是神经元k的误差信号，
Figure 36702DEST_PATH_IMAGE068
是神经元j的网络输入，并且
Figure 866118DEST_PATH_IMAGE070
是激活函数的导数；在上述集合公式中，若j是一个输出神经元，则采用
Figure 846712DEST_PATH_IMAGE072
公式，其他，则采用
Figure 419776DEST_PATH_IMAGE074
。
D、基于高维数据下构筑生态演变驱动因子的权重立方体：构建高维数据下的驱动因子定权法（英文简称GTWANN-W）量化各影响因子的权重，并首先对每个年份、每个空间位置的驱动因子计算其在高维神经网络传播中的放大率，然后对所有量化因子权重进行归一化，并构筑生态演变驱动因子的权重立方体(英文简称EW-Cube)。如图1所示，本实施例可以通过生态演变驱动因子的权重立方体来回答生态演变规律量化范围问题或回答生态演变规律量化规律问题或回答生态演变规律量化分区问题。
根据本实施例的一个实施例，步骤D中的驱动因子定权法（英文简称GTWANN-W）可以如下方法实现：
D1、从训练时所用自变量参数集合（自变量参数集合的自变量数目N>=1）随机选取其中1个自变量因子，给其的训练数据添加一个偏置增量
Figure 442131DEST_PATH_IMAGE084
(在发明中，即给该因子栅格影像的每一个像元都要加上一个偏置增量
Figure 567082DEST_PATH_IMAGE084
)构建一个待定权自变量因子
Figure 644759DEST_PATH_IMAGE086
，与其他自变量因子作为已经训练好的地理时空加权人工神经网络模型的输入层，通过模型计算得到对应空间位置下的因变量因子
Figure 162459DEST_PATH_IMAGE088
；
D2、根据步骤D1所计算得到的待定权因子
Figure 641982DEST_PATH_IMAGE086
，与对应因变量因子
Figure 203414DEST_PATH_IMAGE088
，计算网络传播放大率D(即待定权因子的权重值)，其计算公式为：
Figure 502808DEST_PATH_IMAGE090
；
D3、进行N次循环，重复步骤D1，直至所有自变量因子权重都已计算，将所有自变量因子的权重进行求和，最终得到一张因子权重之和的栅格影像，然后进行权重的归一化计算，如下式所示：
Figure DEST_PATH_IMAGE122
其中，
Figure 260417DEST_PATH_IMAGE094
为自变量因子i的权重值，
Figure 984660DEST_PATH_IMAGE096
为自变量因子i归一化后的权重。
步骤D中生态演变驱动因子的权重立方体是指某个生态因子在某一时期受各类驱动因子的影响权重组合；生态演变驱动因子的权重立方体(英文简称EW-Cube)中的一层称为权重面(英文简称EW-Surface)，其内涵是某个驱动因子的权重在空间上的分布；生态演变驱动因子的权重立方体中的一列称为权重柱(英文简称EW-Column)，其内涵是某个位置不同驱动因子的权重组合。对于某一年来说，驱动因子的个数等于权重立方体的层数。
实施例二
如图1所示，一种矿区生态环境演变驱动因子量化分析的方法，其方法如下：
A、收集分析区域内来源包括Landsat系列遥感影像（包括Landsat-5、Landsat-7、Landsat-8卫星影像产品）、Sentinel-2A遥感影像、GLDAS土壤参数产品、AMSR土壤参数产品等长时序、高分辨率、高频次的原始数据，地表PM2.5统计数据(影像及统计数据可通过NASA地球科学数据平台Earthdata以及Atmospheric Composition Analysis Group网站等进行获取)，地面实测光谱数据(可通过手持式或背带式地面测量光谱仪如SVC系列对分析区域内的观测样本进行光谱采集)。通过反演模型对原始数据的生态环境参数进行一体化同步反演并得到参数反演数据，生态环境参数包括植被、土壤、大气、水体，植被包括植被覆盖度、叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量，土壤包括表层含水量，大气包括PM2.5，水体包括叶绿素浓度、悬浮物浓度。
A1、在Google Earth Engine平台，加载Landsat-5、Landsat-7、Landsat-8卫星影像产品，采用归一化植被指数模型
Figure 592358DEST_PATH_IMAGE097
，选取公式中对应影像波段，进行计算归一化植被指数；其中
Figure DEST_PATH_IMAGE124
为近红外波段地表反射率，在Landsat-5和Landsat-7中为波段4，在Landsat-8中为波段5；
Figure DEST_PATH_IMAGE126
为红波段地表反射率，在Landsat-5和Landsat-7中为波段3，在Landsat-8中为波段4。最后获取分析区域内的归一化植被指数栅格影像数据。
A2、在ArcGIS平台，加载步骤A1获取的NDVI数据，再利用分区域统计脚本提取
Figure 316732DEST_PATH_IMAGE104
与
Figure 143611DEST_PATH_IMAGE103
，然后采用栅格计算器构建像元二分模型
Figure 597727DEST_PATH_IMAGE100
，其中，
Figure 500960DEST_PATH_IMAGE101
为像元的
Figure 40526DEST_PATH_IMAGE101
值，
Figure 172561DEST_PATH_IMAGE103
为研究区内完全为裸土的像元
Figure 605817DEST_PATH_IMAGE101
值，
Figure 555318DEST_PATH_IMAGE104
为研究区纯植被像元的
Figure 424923DEST_PATH_IMAGE101
值。最后输出获取分析区域内的植被覆盖度栅格影像数据。
A3、在欧洲气象卫星组织（EUMETSAT）采集Landsat-5、Landsat-7、Landsat-8 和sentinel 2卫星的光谱响应函数，转换成txt格式的文件，利用MATLAB读取光谱响应函数，然后调用PROSAIL植被辐射传输模型的函数，随机生成模拟光谱，再结合Landsat-5、Landsat-7和Landsat-8 和sentinel 2的光谱响应函数，分别将其模拟光谱重采样到对应四个卫星传感器的波段上，从而形成针对四个传感器的基于PROSAIL植被辐射传输模型的植被参数反演训练数据集，用于进行除NDVI-FVC之外的植被参数反演。随后在GoogleEarth Engine上确定合成影像的月份信息和选取的卫星，采用随机森林算法模型（又称随机森林机器学习模型，英文简称Random Forest）进行参数的反演，模型的输入为绿光、红光、近红外和短波红外波段的冠层反射率，模型的输出为植被参数。对于Landsat-5和Landsat-7，具体输入为B2、B3、B4、B5和B7波段反射率，对于Landsat-8，输入为B3、B4、B5、B6和B7波段反射率，对于Sentinel 2，输入为B3、B4、B8、B11和B12。最后输出获取分析区域内的叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量栅格影像数据。其中，冠层叶绿素含量可由叶片叶绿素含量及叶面积指数相乘计算获得。
PROSAIL植被辐射传输模型的输入参数包括叶片尺度参数、冠层尺度参数、背景土壤参数以及观测几何等信息。为了尽可能广的涵盖研究区不同植被类型（灌木、草地），研究在模拟时对大多数参数给出了一定的数值分布范围。其中，叶片叶绿素含量、干物质含量与等效水厚度的数值范围满足截短的高斯正态分布，叶面积指数和平均叶倾角给定的数值范围满足均匀分布，土壤背景光谱采用PROSEPCT-D模型内置的干湿土壤线性混合的方式获得，干土壤所占比例服从0.7-1的均匀分布。太阳天顶角和观测天顶角数值分布同样设置为均匀分布。
A4、进行土壤参数反演，第一步，通过目视解译的方式对矿区与主要城区进行识别提取，得到其矢量边界，将分辨率较高的土壤含水量产品数据作为训练数据，将分辨率较低的土壤含水量产品数据作为辅助数据，将辅助数据重采样至训练数据分辨率，并于训练数据的差作为标签数据。在首次降尺度过程中辅助数据为原始产品数据，训练数据通过python平台中的最近邻插值函数实现。第二步，将Landsat遥感影像各波段的空值用均值替换，并进行标准化，接着将其分别重采样至与辅助数据、训练数据相同分辨率。再将与辅助数据相同分辨率的Landsat遥感影像重采样至训练数据分辨率。这两个训练数据分辨率的Landsat遥感影像作为特征数据。第三步是RF模型训练，在python中，输入标签数据与训练数据，训练RF模型。然后将Landsat遥感影像重复第二步中的过程重采样至目标预测数据分辨率，作为第三步中RF模型的输入，得到预测数据与训练数据的差值。将差值数据与训练数据做和运算得到预测的土壤含水量数据。重复上述步骤直降至目标分辨率的土壤含水量数据
A5、进行大气参数反演，在ArcGIS平台加载地表PM2.5数据，对地表PM2.5的间断点数据进行空间化，然后采用克里金插值法（kriging模型），得到连续的地表PM2.5栅格影像数据。
A6、进行水体参数反演，在ArcGIS平台加载Landsat-5、Landsat-7、Landsat-8影像产品，利用栅格计算器选取影像对应波段，按照公式计算水体叶绿素浓度
Figure 750862DEST_PATH_IMAGE105
和水体悬浮物浓度
Figure 773045DEST_PATH_IMAGE106
，其中，B3为红波段地表反射率，在Landsat-5和Landsat-7中为波段3，在Landsat-8中为波段4；B4为近红外波段地表反射率，在Landsat-5和Landsat-7中为波段4，在Landsat-8中为波段5；B2为绿波段地表反射率，在Landsat-5和Landsat-7中为波段2，在Landsat-8中为波段3；a、b、c分别为模型的系数，由遥感影像像元值与地面实测数据建立关系获得。最后输出获取分析区域内的水体参数栅格影像数据。
B、据步骤A所提供的以栅格影像作为基本存储单元的生态参数定量遥感反演数据和统计再分析数据以及土地利用分类数据，构成矿区长时间尺度、高分辨率、高频次、时空连续的生态因子及气候气象、地理地貌、人类活动三类驱动因子数据集。
B1、在统一空间位置下，将多年份不同驱动因子的栅格影像数据和矢量数据(可视为在空间直角系统的X与Y轴上拓展的二维平面)，在三维空间的Z轴方位上(垂直于二维平面的高程轴)，进行数据的空间维度叠加与高维度拓展（包括时间维度），完成由低维空间数据至高维数据立方体的转换，最终构成此空间位置下的生态演变大数据立方体（参见图2），本实施例图3-图5分别举例列出三个生态演变大数据立方体可视化示意图来举例说明。
B2、在生态数据立方体三维空间中，每一层代表一个生态参数因子(本实例包括叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量、水体叶绿素浓度、水体悬浮物浓度、地表PM2.5、土壤含水量、植被归一化指数、植被覆盖度等，如图3所示)，单层生态参数因子的厚度代表该生态参数因子的时间序列数据(如从x年到x + n年，每一年该生态参数因子的栅格影像数据，如图4所示)，查询生态立方体上的某一点时，可以获取到该生态参数因子的时间序列数据变化趋势，如图5所示。
C、根据步骤A、B提供的生态演变大数据立方体，提取自变量参数集合与因变量参数集合。
C1、基于python环境，提出一种滑动立方体法，首先在栅格影像上建立一个滑动窗口，滑动窗口的带宽长度为L(本实例中的滑动窗口的带宽长度L可以为定值，通过指定带宽长度或者临近栅格像元数目的方式，获取相应大小的滑动窗口，也可以为自适应值，通过输入带宽范围采用CV交叉验证法来决定最佳带宽),滑动窗口的步长为S(本实例中的滑动窗口的带宽长度S可以为定值)，本发明设定的滑动窗口步长S≤滑动窗口长度L，然后对滑动窗口进行高维拓展，增加一个时间维度构建三维的滑动立方体，滑动立方体的时间窗口宽度为T(本实例中的时间窗口宽度为一个定值T，取决于栅格影像时间序列的时间长度)，滑动立方体将会对时间序列所有的整幅栅格影像进行逐像元遍历，根据建立滑动立方体的栅格影像所属的集合不同，滑动立方体单次覆盖的范围内提取的像元将被化分成单位自变量样本和单位因变量样本(例如栅格影像属于自变量参量集合，则在此栅格影像上建立的滑动立方体单次覆盖的范围提取的像元将成为自变量样本)，当滑动立方体对整幅栅格影像遍历完成，单位样本将分别组合成为自变量样本集合与因变量样本集合。
C2、在python环境下，本实例基于pytorch搭建三层人工神经网络结构-输入层、隐藏层、输出层三层结构(如图6所示)构筑自变量与因变量之间的关系，组成本发明所提出的GTWANN模型（即地理时空加权人工神经网络模型，参见图6，图6举例说明地理时空加权人工神经网络模型的可视化表达示意），其中隐藏层包含三层，第一隐藏层包括15个神经元，第二隐藏层包含30个神经元，第三隐藏层包含10个神经元，自变量样本(由各驱动因子组成)从输入层进行数据输入，输入层到隐藏层间的计算公式如下式所示：
Figure 768814DEST_PATH_IMAGE107
；其中
Figure DEST_PATH_IMAGE127
为神经元i和j之间的连接权值，
Figure DEST_PATH_IMAGE128
为神经元i的输出，
Figure DEST_PATH_IMAGE129
为与神经元j有外向连接的神经元集合。神经元i的输出计算如下所示：
Figure 922452DEST_PATH_IMAGE111
；其中
Figure 786503DEST_PATH_IMAGE112
为激活函数，在神经元内进行激活函数的运算，神经元中采用的激活函数为非线性的双曲正切函数，其公式如下式所示：
Figure 928771DEST_PATH_IMAGE113
；其中
Figure 95442DEST_PATH_IMAGE114
为神经元激活后的传递值，x为神经元激活前的参数值。
以对应自变量样本值作为目标值
Figure DEST_PATH_IMAGE131
与神经网络输出值
Figure DEST_PATH_IMAGE133
进行误差计算，计算公式如下所示：
Figure 798693DEST_PATH_IMAGE042
；其中
Figure 935277DEST_PATH_IMAGE119
是目标值，
Figure 948363DEST_PATH_IMAGE120
是输出神经元i的输出，n是目标值的数目，
Figure 676148DEST_PATH_IMAGE048
为时空权重值。时空权重值计算如下所示：
Figure 492794DEST_PATH_IMAGE050
；其中
Figure 338128DEST_PATH_IMAGE052
，
Figure 330355DEST_PATH_IMAGE054
，
Figure 88095DEST_PATH_IMAGE056
为滑动立方体范围内中心像元的三维坐标值，L为滑动立方体的带宽长度，T为滑动立方体的时间窗口宽度。
误差计算完成后，后向传播的误差信号计算公式如下所示：
Figure DEST_PATH_IMAGE134
其中
Figure 877191DEST_PATH_IMAGE060
是神经元j的输出，
Figure 745790DEST_PATH_IMAGE062
是神经元j的目标值，
Figure 592523DEST_PATH_IMAGE064
是神经元j和k之间的连接权重，
Figure 36011DEST_PATH_IMAGE066
是神经元k的误差信号，
Figure 702616DEST_PATH_IMAGE068
是神经元j的网络输入，并且
Figure 374906DEST_PATH_IMAGE070
是激活函数的导数；在上述集合公式中，若j是一个输出神经元，则采用
Figure 217091DEST_PATH_IMAGE072
公式，其他，则采用
Figure 192000DEST_PATH_IMAGE074
。
本实施例步骤C1还包括C3；
C3、CV交叉验证法：本发明中采用K倍折叠交叉验证法(此处k值可变，按照经验模型一般定义为10)，将数据集分成K份，循环抽取1份作为验证数据集，其他K-1份作为训练集，进行K次循环，取K次训练的平均MSE作为损失函数，如下式所示，以损失函数值最小的滑动窗口带宽值作为最优带宽值。
Figure 1693DEST_PATH_IMAGE076
Figure 87461DEST_PATH_IMAGE078
其中，
Figure 282688DEST_PATH_IMAGE080
与
Figure 428498DEST_PATH_IMAGE082
分别代表模型的预测值与标签。
经过迭代训练，反向传播修正连接权重之后，得到了一个描述由若干自变量与单个因变量关系的地理时空加权神经网络模型GWANN。
D、基于高维数据下的矿区生态驱动因子定权法（又称驱动因子定权法，英文简称GTWANN-W）计算因子权重：根据步骤C可以得到由数据驱动训练完成的地理时空加权神经网络模型GTWANN。
D1、首先，从训练时所用自变量因子集合(自变量数目N根据研究需求决定，N>=1)，随机选取其中1个自变量因子，给其的训练数据添加一个偏置增量
Figure 194329DEST_PATH_IMAGE084
(在发明中，即给该因子栅格影像的每一个像元都要加上一个偏置增量
Figure DEST_PATH_IMAGE136
)构建一个待定权自变量因子
Figure 21471DEST_PATH_IMAGE086
，与其他自变量因子作为已经训练好的地理时空加权神经网络模型GTWANN的输入层，通过模型计算得到对应空间位置下的因变量因子
Figure 697303DEST_PATH_IMAGE088
。
D2、根据步骤D1所计算得到的待定权因子
Figure 653495DEST_PATH_IMAGE086
，与对应因变量因子
Figure 47567DEST_PATH_IMAGE088
，计算网络传播放大率D(即待定权因子的权重值)，其计算公式为：
Figure 599771DEST_PATH_IMAGE090
D3、进行N次循环，重复步骤D1，直至所有自变量因子权重都已计算，将所有自变量因子的权重进行求和，最终得到一张驱动因子权重和的栅格影像，然后进行权重的归一化计算，如下式所示：
Figure 271055DEST_PATH_IMAGE122
；其中
Figure 24248DEST_PATH_IMAGE094
为自变量因子i的权重值，
Figure 499091DEST_PATH_IMAGE096
为自变量因子i归一化后的权重。
D4、按照步骤B的流程，将生态参数遥感反演数据更换为驱动因子归一化权重数据，其它流程与步骤B类似，此处不再赘述，最终得到以驱动因子归一化权重数据为主体的生态演变驱动因子的权重立方体EW-Cub。
本发明中的生态演变驱动因子的权重立方体是指某个生态因子在某一时期受各类驱动因子的影响权重组合；生态演变驱动因子的权重立方体(英文简称EW-Cube)中的一层称为权重面(英文简称EW-Surface，参见图7，生态演变驱动因子的权重立方体及权重面进行举例说明)，其内涵是某个驱动因子的权重在空间上的分布；生态演变驱动因子的权重立方体中的一列称为权重柱(英文简称EW-Column，参见图8，生态演变驱动因子的权重立方体及权重柱进行举例说明)，其内涵是某个位置不同驱动因子的权重组合；对于某一年来说，驱动因子的个数等于权重立方体的层数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：其方法如下：
A、面向矿区场景的生态环境参数一体化同步反演：建立长时序、高分辨率、高频次定量遥感反演模型，反演模型包括PROSAIL植被辐射传输模型、随机森林算法模型、像元二分模型、kriging模型和归一化植被指数模型；收集包括多光谱遥感影像、土壤参数产品影像、地面实测数据在内的原始数据，通过反演模型对原始数据的生态环境参数进行一体化同步反演并得到参数反演数据，生态环境参数包括植被、土壤、大气、水体，植被包括植被覆盖度、叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量，土壤包括表层含水量，大气包括PM2.5，水体包括叶绿素浓度、悬浮物浓度；
B、构建生态演变大数据立方体：根据包括植被、土壤、大气、水体的参数反演数据进行统计、分析并得到长时序、高分辨率、高频次的生态因子及驱动因子集合，生态因子及驱动因子集合包括矿区生态因子集合与驱动因子数据集合，矿区生态因子集合中的矿区生态因子包括植被、土壤、大气、水体，驱动因子数据集合的驱动因子包括气候气象、地理地貌、人类活动，在三维空间上进行上述数据的空间维度叠加及高维度拓展，高维度拓展包括时间维度拓展，并将以栅格影像格式展现的低维数据转换为高维数据立方体，最终构成生态演变大数据立方体；
C、矿区生态演变的地理时空加权人工神经网络建模：采用滑动立方体法对生态演变大数据立方体进行数据提取，将生态演变大数据立方体中的矿区生态因子与驱动因子按照研究需求划分为自变量参数集合和因变量参数集合两个集合；通过地理时空加权人工神经网络模型进行模型训练，在每个时空节点上都构筑出自变量与因变量间的非线性复杂定量关系；
D、基于高维数据下构筑生态演变驱动因子的权重立方体：构建高维数据下的驱动因子定权法量化各影响因子的权重，并首先对每个年份、每个空间位置的驱动因子计算其在高维神经网络传播中的放大率，然后对所有量化因子权重进行归一化，并构筑生态演变驱动因子的权重立方体。
2.按照权利要求1所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤A包括如下方法：
A1、植被参数反演：归一化植被指数计算公式如下：
Figure 731218DEST_PATH_IMAGE001
，其中，
Figure 248787DEST_PATH_IMAGE002
为近红外波段地表反射率，
Figure 289555DEST_PATH_IMAGE003
为红波 段地表反射率；
植被覆盖度采用像元二分模型计算，其计算公式如下：
Figure 58928DEST_PATH_IMAGE004
，其中，
Figure 203339DEST_PATH_IMAGE005
为像元的
Figure 32755DEST_PATH_IMAGE006
值，
Figure 747770DEST_PATH_IMAGE007
为研究区内完全为裸土的像元
Figure 461779DEST_PATH_IMAGE005
值，
Figure 821217DEST_PATH_IMAGE008
为研究区纯植被像 元的
Figure 211747DEST_PATH_IMAGE005
值；
面向矿区小尺度的Landsat和Sentinel多源数据，包含叶面积指数、叶片叶绿素含量、叶片等效水厚度、叶片类胡萝卜素含量、叶片花青素含量、叶片干物质含量、冠层叶绿素含量的植被参数采用PROSAIL植被辐射传输模型耦合多光谱遥感卫星传感器光谱响应函数，结合地面实测光谱和参数数据，基于随机森林算法建立植被参数反演模型，其中冠层叶绿素含量可由叶片叶绿素含量及叶面积指数相乘计算获得；
A2、土壤参数反演：通过土壤含水量影像产品在多光谱遥感卫星数据的辅助下进行降尺度研究，获取矿区长时间序列的中小空间尺度土壤含水量产品；面向矿区场景，通过Sentinel水云模型对矿区土壤含水量反演进行优化；通过降尺度和Sentinel水云模型优化组合实现表层含水量的长时序、高分辨率反演；
A3、大气参数反演：获取地表PM2.5数据，通过kriging模型对其进行克里金插值得到连续的栅格影像数据；
A4、水体参数反演：对水体中的叶绿素浓度和悬浮物浓度进行反演，其公式如下：
水体叶绿素浓度
Figure 289424DEST_PATH_IMAGE009
，其中，B3为红波段 地表反射率，B4为近红外波段地表反射率；a、b、c分别为模型的系数；
水体悬浮物浓度
Figure 40080DEST_PATH_IMAGE010
，其中，B3为红波段地表反射率；B2为绿波 段地表反射率；a、b分别为模型的系数。
3.按照权利要求1所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤B中低维数据转换为高维数据立方体方法包括如下：
B1、在统一空间位置下，将矿区多年份不同驱动因子的栅格影像数据和矢量数据在三维空间的Z轴方位上，进行数据的空间维度叠加与高维度拓展，完成由低维空间数据至高维数据立方体的转换，其中栅格影像数据和矢量数据可视为在空间直角系统的X轴与Y轴上拓展的二维平面，最终构成此空间位置下的生态演变大数据立方体；
B2、在生态演变大数据立方体的三维空间中，每一层代表一个生态环境参数因子，单层生态环境参数因子的厚度代表该生态环境参数因子的时间序列数据，查询生态演变大数据立方体上的某一点时，可以获取到该生态环境参数因子的时间序列数据变化趋势。
4.按照权利要求2所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤C中的滑动立方体法如下：
C1、在生态演变大数据立方体的栅格影像上建立一个滑动窗口，滑动窗口的带宽长度为L,滑动窗口的步长为S，滑动窗口的步长S≤滑动窗口的带宽长度L，然后对滑动窗口进行高维拓展，增加一个时间维度构建三维的滑动立方体，滑动立方体的时间窗口宽度为T，滑动立方体将会对时间序列所有的整幅栅格影像进行逐像元遍历，根据建立滑动立方体的栅格影像所属的集合不同，滑动立方体单次覆盖的范围内提取的像元将被化分成单位自变量样本和单位因变量样本，当滑动立方体对整幅栅格影像遍历完成，单位样本将分别组合成为自变量参数集合与因变量参数集合。
5.按照权利要求4所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤C中的地理时空加权人工神经网络模型方法如下：
C2、地理时空加权人工神经网络模型构筑自变量与因变量之间的关系网络，该关系网络包括输入层、隐藏层、输出层三层结构，自变量样本从输入层进行数据输入，然后在输入层传导进入隐藏层时，计算公式如下式所示：
Figure 519603DEST_PATH_IMAGE011
其中，
Figure 81034DEST_PATH_IMAGE012
为神经元i和j之间的连接权值，
Figure 255795DEST_PATH_IMAGE013
为神经元i的输出，
Figure 436240DEST_PATH_IMAGE014
为与神经元j有 外向连接的神经元集合；
神经元i的输出计算如下所示：
Figure 629324DEST_PATH_IMAGE015
其中，
Figure 237023DEST_PATH_IMAGE016
为激活函数，在神经元内进行激活函数的运算，神经元中采用的激活函数为 非线性的双曲正切函数，其公式如下式所示：
Figure 663194DEST_PATH_IMAGE017
其中
Figure 381752DEST_PATH_IMAGE018
为神经元激活后的传递值，x为神经元激活前的参数值；
以对应自变量样本的样本值作为目标值
Figure DEST_PATH_IMAGE019
与神经网络输出值
Figure 944189DEST_PATH_IMAGE020
进行误差计算，计算公 式如下所示：
Figure DEST_PATH_IMAGE021
其中
Figure 801417DEST_PATH_IMAGE022
是目标值，
Figure 465617DEST_PATH_IMAGE023
是输出神经元i的输出，n是目标值的数目，
Figure 96187DEST_PATH_IMAGE024
为时空权重值；其 中时空权重值计算如下所示：
Figure 404809DEST_PATH_IMAGE025
其中
Figure 478944DEST_PATH_IMAGE026
，
Figure 974648DEST_PATH_IMAGE027
，
Figure 175953DEST_PATH_IMAGE028
为滑动立方体范围内中心像元的三维坐标值，L为滑动立方体的带宽 长度，T为滑动立方体的时间窗口宽度；
误差计算完成后，后向传播的误差信号计算公式如下所示：
Figure 339081DEST_PATH_IMAGE029
其中
Figure 584118DEST_PATH_IMAGE030
是神经元j的输出，
Figure 230035DEST_PATH_IMAGE031
是神经元j的目标值，
Figure 94086DEST_PATH_IMAGE032
是神经元j和k之间的连 接权重，
Figure 236354DEST_PATH_IMAGE033
是神经元k的误差信号，
Figure 793238DEST_PATH_IMAGE034
是神经元j的网络输入，并且
Figure 138899DEST_PATH_IMAGE035
是激活函 数的导数。
6.按照权利要求4所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤C还包括如下方法C11：
C11、CV交叉验证法：采用K倍折叠交叉验证法将生态演变大数据立方体的数据集分成K份，循环抽取1份作为验证数据集，其他K-1份作为训练集，进行K次循环，取K次训练的平均MSE作为损失函数，如下式所示，以损失函数值最小的滑动窗口带宽值作为最优带宽值，滑动窗口的带宽长度L取最优带宽值；
Figure 806641DEST_PATH_IMAGE036
Figure 803416DEST_PATH_IMAGE037
其中，
Figure 373943DEST_PATH_IMAGE038
与
Figure 597114DEST_PATH_IMAGE039
分别代表模型的预测值与标签。
7.按照权利要求1或4所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤D中生态演变驱动因子的权重立方体是指某个生态因子在某一时期受各类驱动因子的影响权重组合；生态演变驱动因子的权重立方体中的一层称为权重面，其内涵是某个驱动因子的权重在空间上的分布；生态演变驱动因子的权重立方体中的一列称为权重柱，其内涵是某个位置不同驱动因子的权重组合。
8.按照权利要求1或4所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤A中的原始数据来源包括如下：Landsat系列遥感影像、Sentinel-2A遥感影像、GLDAS土壤参数产品、AMSR土壤参数产品。
9.按照权利要求1或4所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤A中还包括对原始数据进行多源数据一致性校正与精度检验，方法如下：
对于植被参数，采用传感器配准的方法将所有反演结果都以Landsat7为基准；首先选择日期最为接近的Landsat5、Landsat7和Landsat8的一天的影像，分别计算植被参数；然后选择一个小块研究区，将小块研究区域内的像元值提取到点，运用最小二乘原理，分别构建不同影像对应像元之间的线性模型；基于回归线性模型实现不同传感器之间的配准，最后都以Landsat8为基准；多源结果的一致性校正完成之后，再与地面实测数据进行检验；
对于土壤参数，将反演结果与地面实测数据进行精度检验；
对于水体参数，多源结果的一致性校正方法采用植被参数相同的校正方法，校正之后再与地面实测数据进行检验。
10.按照权利要求5所述的一种矿区生态环境演变驱动因子权重量化分析方法，其特征在于：步骤D中驱动因子定权法如下：
D1、从训练时所用自变量参数集合随机选取其中1个自变量因子，给其的训练数据添加 一个偏置增量
Figure 662022DEST_PATH_IMAGE040
构建一个待定权自变量因子
Figure 529615DEST_PATH_IMAGE041
，与其他自变量因子作为已 经训练好的地理时空加权人工神经网络模型的输入层，通过模型计算得到对应空间位置下 的因变量因子
Figure 428301DEST_PATH_IMAGE042
；
D2、根据步骤D1所计算得到的待定权因子
Figure 997823DEST_PATH_IMAGE041
，与对应因变量因子
Figure 7367DEST_PATH_IMAGE042
， 计算网络传播放大率D，其计算公式为：
Figure 228002DEST_PATH_IMAGE043
；
D3、进行N次循环，重复步骤D1，直至所有自变量因子权重都已计算，将所有自变量因子的权重进行求和，最终得到一张因子权重之和的栅格影像，然后进行权重的归一化计算，如下式所示：
Figure 32010DEST_PATH_IMAGE044
其中，
Figure 88827DEST_PATH_IMAGE045
为自变量因子i的权重值，
Figure 511850DEST_PATH_IMAGE046
为自变量因子i归一化后的权重。
CN202110669285.8A 2021-06-17 2021-06-17 一种矿区生态环境演变驱动因子权重量化分析方法 Active CN113128134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110669285.8A CN113128134B (zh) 2021-06-17 2021-06-17 一种矿区生态环境演变驱动因子权重量化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110669285.8A CN113128134B (zh) 2021-06-17 2021-06-17 一种矿区生态环境演变驱动因子权重量化分析方法

Publications (2)

Publication Number Publication Date
CN113128134A true CN113128134A (zh) 2021-07-16
CN113128134B CN113128134B (zh) 2021-09-14

Family

ID=76782979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110669285.8A Active CN113128134B (zh) 2021-06-17 2021-06-17 一种矿区生态环境演变驱动因子权重量化分析方法

Country Status (1)

Country Link
CN (1) CN113128134B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766222A (zh) * 2019-10-22 2020-02-07 太原科技大学 基于粒子群参数优化和随机森林的pm2.5浓度预测方法
CN113591759A (zh) * 2021-08-09 2021-11-02 中国矿业大学(北京) 一种矿区长时序地表土壤含水量遥感数据生产方法及系统
CN113919227A (zh) * 2021-10-15 2022-01-11 中国矿业大学(北京) 一种矿区生态时间累积效应点与空间累积范围识别方法
CN113919226A (zh) * 2021-10-15 2022-01-11 中国矿业大学(北京) 基于权重的采矿植被生态累积效应扰动范围识别方法
CN114090714A (zh) * 2021-11-22 2022-02-25 中国矿业大学(北京) 基于地理格网模型矿区生态演变大数据多尺度查询方法
CN114943142A (zh) * 2022-04-29 2022-08-26 中国科学院空天信息创新研究院 高光谱地表反射率和大气参数一体化反演方法及装置
CN115270386A (zh) * 2022-04-22 2022-11-01 水利部交通运输部国家能源局南京水利科学研究院 一种滩槽演变主控因子权重的定量评价方法及系统
CN115526098A (zh) * 2022-09-14 2022-12-27 国家能源投资集团有限责任公司 一种矿区地表植被叶面积指数遥感计算方法及电子设备
CN116306811A (zh) * 2023-02-28 2023-06-23 苏州亿铸智能科技有限公司 一种针对ReRAM部署神经网络的权重分配方法
CN116522252A (zh) * 2023-04-26 2023-08-01 中国气象局公共气象服务中心(国家预警信息发布中心) 太阳辐射校准方法、装置、电子设备及存储介质
CN116842351A (zh) * 2023-09-01 2023-10-03 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 滨海湿地碳汇评估模型构建方法、评估方法和电子设备
CN117573953A (zh) * 2024-01-16 2024-02-20 成都云祺科技有限公司 一种页面大数据可视化渲染方法、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472357A (zh) * 2019-08-21 2019-11-19 华北理工大学 评估矿业开发密集区地表热环境分异效应的遥感综合生态模型rsiei的构建方法及应用
US20200225075A1 (en) * 2019-01-14 2020-07-16 Wuhan University Method and system for optical and microwave synergistic retrieval of aboveground biomass
CN111582575A (zh) * 2020-05-06 2020-08-25 宁波大学 一种多时空尺度下城市热环境形成发展主导因素识别方法
CN112001650A (zh) * 2020-08-27 2020-11-27 中国矿业大学(北京) 煤矿区生态累积效应评价方法、装置、设备及存储介质
CN112712437A (zh) * 2021-01-18 2021-04-27 河南工业大学 一种矿区环境变化综合评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200225075A1 (en) * 2019-01-14 2020-07-16 Wuhan University Method and system for optical and microwave synergistic retrieval of aboveground biomass
CN110472357A (zh) * 2019-08-21 2019-11-19 华北理工大学 评估矿业开发密集区地表热环境分异效应的遥感综合生态模型rsiei的构建方法及应用
CN111582575A (zh) * 2020-05-06 2020-08-25 宁波大学 一种多时空尺度下城市热环境形成发展主导因素识别方法
CN112001650A (zh) * 2020-08-27 2020-11-27 中国矿业大学(北京) 煤矿区生态累积效应评价方法、装置、设备及存储介质
CN112712437A (zh) * 2021-01-18 2021-04-27 河南工业大学 一种矿区环境变化综合评价方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766222B (zh) * 2019-10-22 2023-09-19 太原科技大学 基于粒子群参数优化和随机森林的pm2.5浓度预测方法
CN110766222A (zh) * 2019-10-22 2020-02-07 太原科技大学 基于粒子群参数优化和随机森林的pm2.5浓度预测方法
CN113591759B (zh) * 2021-08-09 2022-03-25 中国矿业大学(北京) 一种矿区长时序地表土壤含水量遥感数据生产方法及系统
CN113591759A (zh) * 2021-08-09 2021-11-02 中国矿业大学(北京) 一种矿区长时序地表土壤含水量遥感数据生产方法及系统
CN113919227B (zh) * 2021-10-15 2022-04-15 中国矿业大学(北京) 一种矿区生态时间累积效应点与空间累积范围识别方法
CN113919226A (zh) * 2021-10-15 2022-01-11 中国矿业大学(北京) 基于权重的采矿植被生态累积效应扰动范围识别方法
CN113919227A (zh) * 2021-10-15 2022-01-11 中国矿业大学(北京) 一种矿区生态时间累积效应点与空间累积范围识别方法
CN114090714A (zh) * 2021-11-22 2022-02-25 中国矿业大学(北京) 基于地理格网模型矿区生态演变大数据多尺度查询方法
CN114090714B (zh) * 2021-11-22 2022-04-29 中国矿业大学(北京) 基于地理格网模型矿区生态演变大数据多尺度查询方法
CN115270386B (zh) * 2022-04-22 2023-09-12 水利部交通运输部国家能源局南京水利科学研究院 一种滩槽演变主控因子权重的定量评价方法及系统
CN115270386A (zh) * 2022-04-22 2022-11-01 水利部交通运输部国家能源局南京水利科学研究院 一种滩槽演变主控因子权重的定量评价方法及系统
CN114943142A (zh) * 2022-04-29 2022-08-26 中国科学院空天信息创新研究院 高光谱地表反射率和大气参数一体化反演方法及装置
CN114943142B (zh) * 2022-04-29 2023-11-28 中国科学院空天信息创新研究院 高光谱地表反射率和大气参数一体化反演方法及装置
CN115526098A (zh) * 2022-09-14 2022-12-27 国家能源投资集团有限责任公司 一种矿区地表植被叶面积指数遥感计算方法及电子设备
CN116306811B (zh) * 2023-02-28 2023-10-27 苏州亿铸智能科技有限公司 一种针对ReRAM部署神经网络的权重分配方法
CN116306811A (zh) * 2023-02-28 2023-06-23 苏州亿铸智能科技有限公司 一种针对ReRAM部署神经网络的权重分配方法
CN116522252A (zh) * 2023-04-26 2023-08-01 中国气象局公共气象服务中心(国家预警信息发布中心) 太阳辐射校准方法、装置、电子设备及存储介质
CN116522252B (zh) * 2023-04-26 2024-01-05 中国气象局公共气象服务中心(国家预警信息发布中心) 太阳辐射校准方法、装置、电子设备及存储介质
CN116842351A (zh) * 2023-09-01 2023-10-03 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 滨海湿地碳汇评估模型构建方法、评估方法和电子设备
CN116842351B (zh) * 2023-09-01 2023-11-10 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 滨海湿地碳汇评估模型构建方法、评估方法和电子设备
CN117573953A (zh) * 2024-01-16 2024-02-20 成都云祺科技有限公司 一种页面大数据可视化渲染方法、系统及存储介质
CN117573953B (zh) * 2024-01-16 2024-03-22 成都云祺科技有限公司 一种页面大数据可视化渲染方法、系统及存储介质

Also Published As

Publication number Publication date
CN113128134B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
CN108985238B (zh) 联合深度学习和语义概率的不透水面提取方法及系统
Sun et al. Satellite data cloud detection using deep learning supported by hyperspectral data
CN107688003B (zh) 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法
CN113553697B (zh) 基于长时序多源数据的煤炭开采植被扰动分析方法
Deng et al. M2H-Net: A reconstruction method for hyperspectral remotely sensed imagery
CN113919226B (zh) 基于权重的采矿植被生态累积效应扰动范围识别方法
Kozoderov et al. A system for processing hyperspectral imagery: application to detecting forest species
CN115471437A (zh) 一种基于卷积神经网络的影像融合方法以及遥感影像融合方法
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN112464745A (zh) 一种基于语义分割的地物识别与分类方法和装置
Xiao et al. A review of remote sensing image spatiotemporal fusion: Challenges, applications and recent trends
CN113919227B (zh) 一种矿区生态时间累积效应点与空间累积范围识别方法
Muthukumar et al. Satellite image atmospheric air pollution prediction through meteorological graph convolutional network with deep convolutional LSTM
Björk et al. On the potential of sequential and nonsequential regression models for Sentinel-1-based biomass prediction in Tanzanian Miombo forests
CN112446256A (zh) 一种基于深度isa数据融合的植被类型识别方法
Sun et al. Leaf area index remote sensing based on Deep Belief Network supported by simulation data
CN112052720B (zh) 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型
Herold An evolutionary approach to adaptive image analysis for retrieving and long-term monitoring historical land use from spatiotemporally heterogeneous map sources
Zhou et al. Estimation of aboveground biomass of senescence grassland in China's arid region using multi-source data
CN113505833A (zh) 基于多视角可变卷积神经网络的雷达自动目标识别方法
Fayad et al. Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights
Srivastava et al. Correlation Between Built-Up and Land Surface Temperature Using Sentinel-2 and Landsat-8 Images through Semi-Supervised Deep Learning Model for Efficient Land Surface Monitoring
CN117115566B (zh) 利用全季节遥感影像的城市功能区识别方法及系统
CN113779863B (zh) 一种基于数据挖掘的地表温度降尺度方法

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
GR01 Patent grant
GR01 Patent grant