CN113343809A - 一种特征选择的热带森林参数遥感估测方法 - Google Patents
一种特征选择的热带森林参数遥感估测方法 Download PDFInfo
- Publication number
- CN113343809A CN113343809A CN202110583338.4A CN202110583338A CN113343809A CN 113343809 A CN113343809 A CN 113343809A CN 202110583338 A CN202110583338 A CN 202110583338A CN 113343809 A CN113343809 A CN 113343809A
- Authority
- CN
- China
- Prior art keywords
- data
- database
- estimation
- remote sensing
- forest
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011835 investigation Methods 0.000 claims abstract description 8
- 238000007670 refining Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000002028 Biomass Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 abstract description 3
- 238000005192 partition Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及森林参数遥感定量估测技术领域，且公开了一种特征选择的热带森林参数遥感估测方法，包括以下步骤：从热带森林中调查得到相应的数据，对于在热带森林中的调查采取区域划分。该特征选择的热带森林参数遥感估测方法，通过采用三种方式进行估测，相较于传统单一估测方式而言，本发明估测数据更加精准，同时其适用范围更加广泛，其次，将各种数据进行阶梯式存储，利用第一数据库和第二数据库进行数据存储，所有估测的数据来源由第二数据库提供，而第二数据库提供的数据基础源于第一数据库的扫描、整合以及精炼，事先就将无用数据排出在外，相比于传统估测方式，本发明极大程度上优化了数据来源，使得数据冗杂小，分析处理更加简单。
Description
技术领域
本发明涉及森林参数遥感定量估测技术领域，具体为一种特征选择的热带森林参数遥感估测方法。
背景技术
基于遥感的森林参数(如生物量、蓄积量、叶面积指数等)估测是指通过数学手段，在遥感、计算机技术和数学或物理模型驱动下，利用遥感影像特征判读数据，结合少量的地面调查资料或地面临时样地资料，建立森林调查数据和遥感影像之间的数学或物理机理模型，此领域已有大量研究表明，结合多源遥感数据及其派生的纹理、植被指数等遥感特征因子可以提高森林参数定量估测精度。
但随着遥感特征因子数据维度的提升，会带来信息冗余进而产生维度灾难，使分析和处理变得复杂，若不通过一定的方法进行特征选择，甚至会降低森林结构参数定量估测精度，同时传统估测大都采用单一的估测方式，其数据不够全面，且适用范围较低，只适合一时一地一事的情况，因此，解决如何从海量的遥感特征组合中高效选取优化的特征进行建模成为森林参数估测的首要问题，即特征选择问题，故此本发明提出了一种特征选择的热带森林参数遥感估测方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种特征选择的热带森林参数遥感估测方法，具备数据冗杂小，分析处理简单，多种方式估测，适用范围广等优点，解决了现有技术存在的问题。
(二)技术方案
为实现上述数据冗杂小，分析处理简单，多种方式估测，适用范围广的目的，本发明提供如下技术方案：一种特征选择的热带森林参数遥感估测方法，包括以下步骤：
1)从热带森林中调查得到相应的数据，并将其上传至第一数据库；
2)从热带森林中拍摄不同植被以及非植被的遥感影像，并将其上至第一传数据库；
3)对第一数据库中的各项数据进行扫描，将残缺不全的信息、重复的信息删除；
4)对第一数据库中的各项数据进行整合、提取出精炼数据；
5)将所有精炼数据另存到第二数据库；
6)调取第二数据库中数据集通过循环迭代法选取遥感特征，从而得到最优特征数据集；
7)通过最优特征数据集优化区域森林参数的k-NN估测模型以实现森林参数遥感估测。
8)调取第二数据库中的数据集建立神经网络人工神经网络模型，并通过神经网络人工神经网络模型进行第二次遥感估测；
9)调取第二数据库中的数据集，通过KNN算法对数据集进行第三磁估测；
10)将步骤7)、步骤8)以及步骤9)中得到的三种估测结果整合，留同存异，将相同的部分的数据和不同部分的数据分别展示出来。
优选的，所述第一数据库和第二数据库均采用MySQL数据库。
优选的，所述对于在热带森林中的调查采取区域划分，将整个热带森林安装英文字母顺序划分出A、B、C、D…Z等二十六个采样调查区域，调查数据包含有生物种类、生物具体形状、生物具体结构、区域环境、生物量。
优选的，所述第一数据库内部设立有纵向分割表以及横向分割表，且第一数据库内部数据定期自我扫描，对冗杂数据进行暂时性清除，其具体方式采用条件数据循环检索模式。
(三)有益效果
与现有技术相比，本发明提供了一种特征选择的热带森林参数遥感估测方法，具备以下有益效果：
该特征选择的热带森林参数遥感估测方法，通过采用三种方式进行估测，相较于传统单一估测方式而言，本发明估测数据更加精准，同时其适用范围更加广泛，其次，将各种数据进行阶梯式存储，利用第一数据库和第二数据库进行数据存储，所有估测的数据来源由第二数据库提供，而第二数据库提供的数据基础源于第一数据库的扫描、整合以及精炼，事先就将无用数据排出在外，相比于传统估测方式，本发明极大程度上优化了数据来源，使得数据冗杂小，分析处理更加简单，另外对于第一数据库进行了分库分表的操作，使得数据不再集中，让数据调取更加方便，快速，且第一数据库内部数据定期自我扫描，对冗杂数据进行暂时性清除，进一步提升了估测速度，故此本发明提出了一种特征选择的热带森林参数遥感估测方法。
具体实施方式
下面将结合本发明的实施例，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。
实施例一：一种特征选择的热带森林参数遥感估测方法，包括以下步骤：
1)从热带森林中调查得到相应的数据，对于在热带森林中的调查采取区域划分，将整个热带森林安装英文字母顺序划分出A、B、C、D…Z等二十六个采样调查区域，调查数据包含有生物种类、生物具体形状、生物具体结构、区域环境、生物量，并将其上传至第一数据库；
2)从热带森林中拍摄不同植被以及非植被的遥感影像，并将其上至第一传数据库；
3)对第一数据库中的各项数据进行扫描，将残缺不全的信息、重复的信息删除，第一数据库内部设立有纵向分割表以及横向分割表，且第一数据库内部数据定期自我扫描，对冗杂数据进行暂时性清除，其具体方式采用条件数据循环检索模式；
4)对第一数据库中的各项数据进行整合、提取出精炼数据；
5)将所有精炼数据另存到第二数据库，第一数据库和第二数据库均采用MySQL数据库；
6)调取第二数据库中数据集通过循环迭代法选取遥感特征，从而得到最优特征数据集；
7)通过最优特征数据集优化区域森林参数的k-NN估测模型以实现森林参数遥感估测。
8)调取第二数据库中的数据集建立神经网络人工神经网络模型，并通过神经网络人工神经网络模型进行第二次遥感估测；
9)将步骤7)和步骤8)中得到的两种估测结果整合，留同存异，将相同的部分的数据和不同部分的数据分别展示出来。
实施例二：一种特征选择的热带森林参数遥感估测方法，包括以下步骤：
1)从热带森林中调查得到相应的数据，对于在热带森林中的调查采取区域划分，将整个热带森林安装英文字母顺序划分出A、B、C、D…Z等二十六个采样调查区域，调查数据包含有生物种类、生物具体形状、生物具体结构、区域环境、生物量，并将其上传至第一数据库；
2)从热带森林中拍摄不同植被以及非植被的遥感影像，并将其上至第一传数据库；
3)对第一数据库中的各项数据进行扫描，将残缺不全的信息、重复的信息删除，第一数据库内部设立有纵向分割表以及横向分割表，且第一数据库内部数据定期自我扫描，对冗杂数据进行暂时性清除，其具体方式采用条件数据循环检索模式；
4)对第一数据库中的各项数据进行整合、提取出精炼数据；
5)将所有精炼数据另存到第二数据库，第一数据库和第二数据库均采用MySQL数据库；
6)调取第二数据库中数据集通过循环迭代法选取遥感特征，从而得到最优特征数据集；
7)通过最优特征数据集优化区域森林参数的k-NN估测模型以实现森林参数遥感估测。
本发明的有益效果是：该特征选择的热带森林参数遥感估测方法，通过采用三种方式进行估测，相较于传统单一估测方式而言，本发明估测数据更加精准，同时其适用范围更加广泛，其次，将各种数据进行阶梯式存储，利用第一数据库和第二数据库进行数据存储，所有估测的数据来源由第二数据库提供，而第二数据库提供的数据基础源于第一数据库的扫描、整合以及精炼，事先就将无用数据排出在外，相比于传统估测方式，本发明极大程度上优化了数据来源，使得数据冗杂小，分析处理更加简单，另外对于第一数据库进行了分库分表的操作，使得数据不再集中，让数据调取更加方便，快速，且第一数据库内部数据定期自我扫描，对冗杂数据进行暂时性清除，进一步提升了估测速度，故此本发明提出了一种特征选择的热带森林参数遥感估测方法。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种特征选择的热带森林参数遥感估测方法，其特征在于，包括以下步骤：
1)从热带森林中调查得到相应的数据，并将其上传至第一数据库；
2)从热带森林中拍摄不同植被以及非植被的遥感影像，并将其上至第一传数据库；
3)对第一数据库中的各项数据进行扫描，将残缺不全的信息、重复的信息删除；
4)对第一数据库中的各项数据进行整合、提取出精炼数据；
5)将所有精炼数据另存到第二数据库；
6)调取第二数据库中数据集通过循环迭代法选取遥感特征，从而得到最优特征数据集；
7)通过最优特征数据集优化区域森林参数的k-NN估测模型以实现森林参数遥感估测。
8)调取第二数据库中的数据集建立神经网络人工神经网络模型，并通过神经网络人工神经网络模型进行第二次遥感估测；
9)调取第二数据库中的数据集，通过KNN算法对数据集进行第三磁估测；
10)将步骤7)、步骤8)以及步骤9)中得到的三种估测结果整合，留同存异，将相同的部分的数据和不同部分的数据分别展示出来。
2.根据权利要求1所述的一种特征选择的热带森林参数遥感估测方法，其特征在于：所述第一数据库和第二数据库均采用MySQL数据库。
3.根据权利要求1所述的一种特征选择的热带森林参数遥感估测方法，其特征在于：所述对于在热带森林中的调查采取区域划分，将整个热带森林安装英文字母顺序划分出A、B、C、D…Z等二十六个采样调查区域，调查数据包含有生物种类、生物具体形状、生物具体结构、区域环境、生物量。
4.根据权利要求1所述的一种特征选择的热带森林参数遥感估测方法，其特征在于：所述第一数据库内部设立有纵向分割表以及横向分割表，且第一数据库内部数据定期自我扫描，对冗杂数据进行暂时性清除，其具体方式采用条件数据循环检索模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110583338.4A CN113343809A (zh) | 2021-05-27 | 2021-05-27 | 一种特征选择的热带森林参数遥感估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110583338.4A CN113343809A (zh) | 2021-05-27 | 2021-05-27 | 一种特征选择的热带森林参数遥感估测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343809A true CN113343809A (zh) | 2021-09-03 |
Family
ID=77471774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110583338.4A Pending CN113343809A (zh) | 2021-05-27 | 2021-05-27 | 一种特征选择的热带森林参数遥感估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343809A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106844362A (zh) * | 2015-12-04 | 2017-06-13 | 上海沃月信息科技有限公司 | 一种基于互联网的数据提取方法 |
| CN107085705A (zh) * | 2017-03-28 | 2017-08-22 | 中国林业科学研究院资源信息研究所 | 一种高效特征选择的森林参数遥感估测方法 |
| CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
-
2021
- 2021-05-27 CN CN202110583338.4A patent/CN113343809A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106844362A (zh) * | 2015-12-04 | 2017-06-13 | 上海沃月信息科技有限公司 | 一种基于互联网的数据提取方法 |
| CN107085705A (zh) * | 2017-03-28 | 2017-08-22 | 中国林业科学研究院资源信息研究所 | 一种高效特征选择的森林参数遥感估测方法 |
| CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐新良 等: "森林生物量遥感估算与应用分析", 《地球信息科学》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114742272A (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
| CN113946700A (zh) | 一种时空索引构建方法、装置、计算机设备及存储介质 | |
| CN112215169B (zh) | 基于无人机被动遥感的作物株高及生物量自适应解算方法 | |
| CN113434623A (zh) | 一种基于多源异构空间规划数据的融合方法 | |
| KR20090065130A (ko) | 시그니처 파일을 이용한 고차원 데이터 색인 및 검색방법과 그 시스템 | |
| CN106291764A (zh) | 基于大数据和气象分析场的气象预报方法和系统 | |
| CN109491994B (zh) | Landsat-8卫星精选遥感数据集最简化筛选方法 | |
| CN112579677B (zh) | 一种卫星遥感影像自动处理方法 | |
| CN113486005A (zh) | 异构结构下的空间科学卫星大数据组织及查询方法 | |
| CN115374303A (zh) | 基于用户需求理解的卫星影像推荐方法 | |
| CN111144239B (zh) | 一种利用词汇树引导的无人机倾斜影像特征匹配方法 | |
| CN113343809A (zh) | 一种特征选择的热带森林参数遥感估测方法 | |
| CN112817545A (zh) | 在线即分析影像与格网立方体数据存储管理方法及系统 | |
| CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
| CN115858797A (zh) | 一种基于ocr技术生成中文近义词的方法及系统 | |
| CN214011534U (zh) | 一种节点地震仪海量数据提取系统 | |
| CN114879281A (zh) | 一种基于深度学习的降水量预测方法 | |
| CN109344188B (zh) | 遥感卫星效能人工智能统计方法 | |
| CN113792709A (zh) | 快速大规模人脸识别方法及系统 | |
| KR20220099745A (ko) | 지리공간 블록체인 데이터 검색을 위한 공간 분할 기반의 트리 인덱싱 및 질의어 처리 방법 및 장치 | |
| JP2004310492A (ja) | プロセスの状態類似事例検索方法及び状態予測方法、並びにコンピュータ読み取り可能な記憶媒体 | |
| CN115292388B (zh) | 一种基于历史数据的方案自动挖掘系统 | |
| CN118538290B (zh) | 一种基于农作物育种平台的效价表型数据重组方法 | |
| CN117932480B (zh) | 生成式人工智能错题分析系统 | |
| KR102621258B1 (ko) | 다중 시계열 데이터의 특징점 추출을 통한 시계열 데이터 검색 시스템 및 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |