CN113567369A - 一种基于多光谱遥感的森林环境监测方法及系统 - Google Patents
一种基于多光谱遥感的森林环境监测方法及系统 Download PDFInfo
- Publication number
- CN113567369A CN113567369A CN202110819050.2A CN202110819050A CN113567369A CN 113567369 A CN113567369 A CN 113567369A CN 202110819050 A CN202110819050 A CN 202110819050A CN 113567369 A CN113567369 A CN 113567369A
- Authority
- CN
- China
- Prior art keywords
- region
- remote sensing
- forest
- data set
- obtaining
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多光谱遥感的森林环境监测方法及系统,其中,所述方法包括:获得第一森林区域的第一历史环境特征;依据所述第一历史环境特征,并分别从第一维度和第二维度对第一森林区域进行区域划分;分别获得各区域的多光谱遥感数据,构建第一遥感数据集;对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;获得所述第一森林区域的第一地面特征参数;结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。解决了现有技术中基于多光谱遥感技术对森林环境的监测过程中,监测数据的层次性较差,导致监测结果不够理想的技术问题。
Description
技术领域
本发明涉及多光谱遥感领域,尤其涉及一种基于多光谱遥感的森林环境监测方法及系统。
背景技术
多光谱分辨率遥感,是利用具有两个以上波谱通道的传感器对地物进行同步成像的一种遥感技术,它将物体反射辐射的电磁波信息分成若干波谱段进行接收和记录。遥感技术在林业中的应用非常广泛,主要包括以下几个方面:森林资源遥感调查、森林火灾遥感监测、森林病虫灾害遥感监测及林业资源遥感动态监测等。通过遥感技术,可实现森林资源的遥感调查、森林火灾遥感监测等。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
基于多光谱遥感技术对森林环境的监测过程中,监测数据的层次性较差,导致监测结果不够理想。
发明内容
本申请实施例通过提供一种基于多光谱遥感的森林环境监测方法及系统,解决了现有技术基于多光谱遥感技术对森林环境的监测过程中,监测数据的层次性较差,导致监测结果不够理想的技术问题,实现了通过多维度对森林区域进行区域划分,分区域获取多光谱遥感数据集,并对数据集进行降维处理,从而提高了森林环境数据调查和监测的精确程度,提高了数据处理的效率的技术目的。
鉴于上述问题,本申请实施例提供一种基于多光谱遥感的森林环境监测方法及系统。
本申请提供了一种基于多光谱遥感的森林环境监测方法,其中,所述方法包括:获得第一森林区域的第一历史环境特征;依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;获得所述第一森林区域的第一地面特征参数;结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
第二方面,本申请提供了一种基于多光谱遥感的森林环境监测系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得第一森林区域的第一历史环境特征;第二获得单元,所述第二获得单元用于依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;第三获得单元,所述第三获得单元用于分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;第四获得单元,所述第四获得单元用于对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;第五获得单元,所述第五获得单元用于获得所述第一森林区域的第一地面特征参数;第六获得单元,所述第六获得单元用于结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
另一方面,本申请实施例还提供了一种基于多光谱遥感的森林环境监测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种基于多光谱遥感的森林环境监测方法,其中,所述方法包括:获得第一森林区域的第一历史环境特征;依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;获得所述第一森林区域的第一地面特征参数;结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。实现了通过多维度对森林区域进行区域划分,分区域获取多光谱遥感数据集,并对数据集进行降维处理,从而提高了森林环境数据调查和监测的精确程度,提高了数据处理的效率的技术目的。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于多光谱遥感的森林环境监测方法的流程示意图;
图2为本申请实施例一种基于多光谱遥感的森林环境监测方法中进行森林区域划分的流程示意图;
图3为本申请实施例一种基于多光谱遥感的森林环境监测方法中进行数据降维的流程示意图;
图4为本申请实施例一种基于多光谱遥感的森林环境监测系统的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供一种基于多光谱遥感的森林环境监测方法及系统,解决了现有技术基于多光谱遥感技术对森林环境的监测过程中,监测数据的层次性较差,导致监测结果不够理想的技术问题,实现了通过多维度对森林区域进行区域划分,分区域获取多光谱遥感数据集,并对数据集进行降维处理,从而提高了森林环境数据调查和监测的精确程度,提高了数据处理的效率的技术目的。
下面,将参考附图详细的描述本申请的示例实施例,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
多光谱分辨率遥感,是利用具有两个以上波谱通道的传感器对地物进行同步成像的一种遥感技术,它将物体反射辐射的电磁波信息分成若干波谱段进行接收和记录。遥感技术在林业中的应用非常广泛,主要包括以下几个方面:森林资源遥感调查、森林火灾遥感监测、森林病虫灾害遥感监测及林业资源遥感动态监测等。通过遥感技术,可实现森林资源的遥感调查、森林火灾遥感监测等。现有技术中还存在着基于多光谱遥感技术对森林环境的监测过程中,监测数据的层次性较差,导致监测结果不够理想的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:本申请提供了一种基于多光谱遥感的森林环境监测方法,其中,所述方法包括:获得第一森林区域的第一历史环境特征;依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;获得所述第一森林区域的第一地面特征参数;结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于多光谱遥感的森林环境监测方法,其中,所述方法包括:
步骤S100:获得第一森林区域的第一历史环境特征;
具体而言,森林生态系统是森林所有生物及其生活环境共同构成的整体。森林生态系统一旦遭受破坏,就会引起一系列环境问题。如温室效应加剧、气候失调、生物多样性锐减等,建立和完善森林生态监测系统是保障现有森林资源的可持续发展关键。现有技术中,已将遥感多光谱监测技术应用到森林环境的监测中,通过获得森林区域的多光谱遥感数据,对森林资源的各项特征进行动态监测。而在监测过程中,遥感数据的获取区域分布对最终森林环境的分析监测具有重要影响,而不同地理、自然特征的森林区域,可能具有的森林环境特惠总能也不同。所述第一历史环境特征包括目标森林的地质特征、气候特征等历史自然特征。因此,基于大数据信息处理技术,通过获取该森林区域的历史遥感数据获取目标森林区域的历史环境特征,继而依据所述第一历史环境特征确定对所述第一森林区域的区域划分标准。从而进一步提高了遥感数据获取的准确度。
步骤S200:依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;
具体而言,要想提高林业资源调查和监测的精确程度和速度,就必须利用抽样技术,建立林业遥感技术不同高度的遥感平台,获得多层次遥感资料,在配合多阶抽样技术的前提下,有效提高林业资源调查和监测的速度和精度。因此,依据所述第一历史环境特征,依据所述第一森林区域各区域的历史环境特征的不同,从所述第一维度、所述第二维度对所述第一森林区域进行区域划分。所述第一维度是垂直高度,所述第二维度为水平广度,分别从所述第一维度、所述第二维度对所述第一森林区域进行区域划分之后,即可获得多层次森林遥感数据,从而实现了从多维度进行数据获取,提高了对森林资源进行遥感监测的准确度。
步骤S300:分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;
步骤S400:对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;
具体而言,对所述第一森林区域进行区域划分之后,对各个区域分别进行多光谱遥感数据采集,从而构建所述第一遥感数据集,所述第一遥感数据集包括所述第一区域、所述第二区域直至所述第N区域的遥感数据,且依据不同区域对数据进行分类存储。由于所述第一遥感数据集包括各区域的遥感数据,可能出现数据冗余,从而降低数据处理的效率,因此对所述第一遥感数据集进行数据降维处理,通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大(方差最大),以此使用较少的数据维度,同时保留住较多的原数据点,从而获得所述第二遥感数据集,从而降低数据冗余,提高了数据处理效率。
步骤S500:获得所述第一森林区域的第一地面特征参数;
步骤S600:结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
具体而言,所述第一地面特征参数包括所述第一森林区域的地面植被类别、地面物质类别等地面影响因子。对所述第一森林区域的遥感数据监测过程中,首先通过野外调查和卫星图像的对照判读,进行森林类型的判别,继而结合所述第二遥感数据与所述第一地面特征参数建立模型的定量表达,从而实现获取所述第一森林区域各检测类别的环境监测信息。举例而言,所述第一环境监测信息包括森林覆盖率监测、火灾监测等信息。实现基于多光谱遥感技术,对森林区域进行有效环境监测的技术目的。
进一步而言,如图2所示,本申请实施例步骤S200还包括:
步骤S210:构建所述第一森林区域的历史遥感数据库;
步骤S220:获得第一特征提取模型,以所述历史遥感数据库为输入数据输入至所述第一特征提取模型,获得所述第一历史环境特征;;
步骤S230:获得第一映射关系,所述第一映射关系为所述历史环境特征与第一区域划分标准的映射关系,所述第一区域划分标准包括所述第一维度的区域划分标准与所述第二维度的区域划分标准;
步骤S240:依据所述第一映射关系对所述第一森林区域进行区域划分,获得第一区域划分结果,所述第一区域划分结果包括所述第一区域、所述第二区域直至所述第N区域。
具体而言,在对所述第一森林区域进行区域划分时,首先基于大数据信息处理技术,获取所述第一森林区域的历史遥感数据,并构建所述历史遥感数据库,继而通过所述第一特征提取模型对所述历史遥感数据库中的森林环境特征进行提取,获得所述第一历史环境特征。所述第一特征提取模型为一神经网络模型,具有不断学习、获取经验来处理数据的特征,通过以所述历史遥感数据库为输入数据输入至所述第一特征提取模型,可获得准确的所述第一历史环境特征。以所述第一历史环境特征为基础,构建所述第一历史环境特征与所述第一区域划分标准的映射关系,规定不同历史环境特征的区域划分类型,从而实现对所述第一森林区域的区域划分。通过基于神经网络模型进行数据处理,提高了数据获取的准确率。
进一步而言,如图3所示,本申请实施例步骤S400还包括:
步骤S410:由所述第一遥感数据集获得第一特征数据集;
步骤S420:对所述第一特征数据集进行中心化处理,获得第二特征数据集;
步骤S430:获得所述第二特征数据集的第一协方差矩阵;
步骤S440:对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
步骤S450:将所述第一特征数据集投影到所述第一特征向量,获得第二遥感数据集,其中所述第二遥感数据集为所述第一遥感数据集降维之后获得的特征数据集。
具体而言,由所述第一遥感数据集获得第一特征数据集,对提取到的特征数据进行数值化处理,并构建特征数据集矩阵,获得所述第一特征数据集。继而对所述第一特征数据集中的各特征数据进行中心化处理,首先求解所述第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征值构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式:
对所述第二特征数据集进行运算,获得所述第二特征数据集的第一协方差矩阵。其中,为所述第二特征数据集中的特征数据;为该特征数据的平均值;M为所述第二特征数据集中的样本数据总量。继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的所述第一特征数据集。通过主成分分析法对数据库中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。
进一步而言,本申请实施例步骤S600还包括:
步骤S610:将所述第一环境监测信息输入至所述森林环境监测平台,获得第一可视化环境监测信息;
步骤S620:获得所述第一环境监测信息的信息类别;
步骤S630:获得所述信息类别中各信息类别的关注度集合;
步骤S640:依据所述关注度集合获得第一信息显示方案;
步骤S650:依据所述第一信息显示方案对所述第一可视化环境监测信息进行信息显示。
具体而言,将所述第一环境监测信息输入至所述森林环境监测平台,由所述森林环境监测平台对森林数据进行可视化显示,包括对所述信息类别各类别信息的可视化显示。所述信息类别的确定通过对所述第一森林区域的环境监测需求确定,举例而言,若该森林区域为火灾高发地带,则所述信息类别可包括森林分布火点位置监测、过火面积监测等等。对所述信息类别中各类别信息进行关注度评估,关注度越高,对该项数据的预警需求越高,因此依据所述关注度集合确定可视化信息显示方案中信息显示的类型及方式,如,可将预警需求较高的信息类别进行突出显示,以提高预警效果。
进一步而言,本申请实施例步骤S650还包括:
步骤S651:对所述关注度集合进行降序排列,获得第一关注度排序;
步骤S652:获得第一关注度阈值;
步骤S653:依据所述第一关注度阈值,对所述第一关注度排序中关注度低于所述第一关注度阈值的第一信息类别进行静默显示。
具体而言,获得所述信息类别的各项信息的关注度之后,依据各项关注度对信息类别进行降序排列,将关注度最高的信息类别排在首位。继而以所述第一关注度阈值对各信息类别进行筛选,将所述第一关注度排序中关注度低于所述第一关注度阈值的第一信息类别在所述第一可视化环境监测信息中进行静默显示,从而通过将关注度的数据进行优先显示,提高了数据监测效率。
进一步而言,本申请实施例步骤S300还包括:
步骤S310:对所述第一地面特征参数进行实时监测,获得所述第一地面特征参数的第一动态变化信息;
步骤S320:依据所述第一动态变化信息获得第一变化时间节点;
步骤S330:依据所述第一变化时间节点获得第一信息更新指令;
步骤S340:依据所述第一信息更新指令,对所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据进行数据更新,构建第三遥感数据集。
具体而言,由于林业资源具有再生性和周期性的特点,因此林业遥感技术必须保证林业资源信息监控和调查的动态性,实现多时相遥感和动态遥感。因此通过分析所述第一地面特征参数的动态变化信息,以地面特征参数的变化时间节点为遥感监测节点,对所获取的所述第一遥感数据集进行更新,从而获得所述第三遥感数据集。由于森林资源地面参数如水质、地质情况的变化,会引起基于遥感技术所获得的森林资源的各项数据发生变化,因此通过依据地面情况定时更新遥感数据,提高遥感数据获取的动态、实时性,使得对于森林环境的各项数据的遥感监测更为精准。
进一步而言,本申请实施例步骤S220还包括:
步骤S221:将所述历史遥感数据库输入至所述第一特征提取模型,所述第一特征提取模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述历史遥感数据库和用来标识所述第一历史环境特征的标识信息;
步骤S222:获得所述第一特征提取模型的第一输出结果,其中,所述第一输出结果为所述第一历史环境特征。
具体而言,所述第一特征提取模型为一神经网络模型,所述神经网络模型通过多组训练数据训练获得,所述神经网络模型通过训练数据训练的过程本质上为监督学习的过程。所述多组中的训练数据中的每一组训练数据均包括所述历史遥感数据库和用来标识所述第一历史环境特征的标识信息;利用所述历史遥感数据库和用来标识所述第一历史环境特征的标识信息,组建多组训练数据,在获得所述历史遥感数据库的情况下,神经网络模型会输出所述第一历史环境特征的标识信息来对神经网络模型输出的所述第一历史环境特征进行校验,如果输出的所述第一历史环境特征同标识的所述第一历史环境特征相一致,则本数据监督学习完成,则进行下一组数据监督学习;如果输出的所述第一历史环境特征同标识的所述第一历史环境特征不一致,则神经网络模型自身进行调整,直到神经网络模型达到预期的准确率后,进行下一组数据的监督学习。通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述数据的准确性,进而使得所述第一历史环境特征更加准确。
综上所述,本申请实施例所提供的一种基于多光谱遥感的森林环境监测方法具有如下技术效果:
1、本申请提供了一种基于多光谱遥感的森林环境监测方法,其中,所述方法包括:获得第一森林区域的第一历史环境特征;依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;获得所述第一森林区域的第一地面特征参数;结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
解决了现有技术基于多光谱遥感技术对森林环境的监测过程中,监测数据的层次性较差,导致监测结果不够理想的技术问题,实现了通过多维度对森林区域进行区域划分,分区域获取多光谱遥感数据集,并对数据集进行降维处理,从而提高了森林环境数据调查和监测的精确程度,提高了数据处理的效率的技术目的。
2、通过将所述历史遥感数据库作为输入数据集,输入所述第一特征提取模型,通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述数据的准确性,进而使得所述第一历史环境特征更加准确。
3、通过主成分分析法对数据库中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。
实施例二
基于与前述实施例中一种基于多光谱遥感的森林环境监测方法同样发明构思,本发明还提供了一种基于多光谱遥感的森林环境监测系统,如图4所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一森林区域的第一历史环境特征;
第二获得单元12,所述第二获得单元12用于依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;
第三获得单元13,所述第三获得单元13用于分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;
第四获得单元14,所述第四获得单元14用于对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;
第五获得单元15,所述第五获得单元15用于获得所述第一森林区域的第一地面特征参数;
第六获得单元16,所述第六获得单元16用于结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于构建所述第一森林区域的历史遥感数据库;
第八获得单元,所述第八获得单元用于获得第一特征提取模型,以所述历史遥感数据库为输入数据输入至所述第一特征提取模型,获得所述第一历史环境特征;
第九获得单元,所述第九获得单元用于获得第一映射关系,所述第一映射关系为所述历史环境特征与第一区域划分标准的映射关系,所述第一区域划分标准包括所述第一维度的区域划分标准与所述第二维度的区域划分标准;
第十获得单元,所述第十获得单元用于依据所述第一映射关系对所述第一森林区域进行区域划分,获得第一区域划分结果,所述第一区域划分结果包括所述第一区域、所述第二区域直至所述第N区域。
进一步的,所述系统还包括:
第十一获得单元,所述第十一获得单元用于由所述第一遥感数据集获得第一特征数据集;
第十二获得单元,所述第十二获得单元用于对所述第一特征数据集进行中心化处理,获得第二特征数据集;
第十三获得单元,所述第十三获得单元用于获得所述第二特征数据集的第一协方差矩阵;
第十四获得单元,所述第十四获得单元用于对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;;
第十五获得单元,所述第十五获得单元用于将所述第一特征数据集投影到所述第一特征向量,获得第二遥感数据集,其中所述第二遥感数据集为所述第一遥感数据集降维之后获得的特征数据集。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于将所述第一环境监测信息输入至所述森林环境监测平台,获得第一可视化环境监测信息;
第十七获得单元,所述第十七获得单元用于获得所述第一环境监测信息的信息类别;
第十八获得单元,所述第十八获得单元用于获得所述信息类别中各信息类别的关注度集合;
第十九获得单元,所述第十九获得单元用于依据所述关注度集合获得第一信息显示方案;
第二十获得单元,所述第二十获得单元用于依据所述第一信息显示方案对所述第一可视化环境监测信息进行信息显示。
进一步的,所述系统还包括:
第二十一获得单元,所述第二十一获得单元用于对所述关注度集合进行降序排列,获得第一关注度排序;
第二十二获得单元,所述第二十二获得单元用于获得第一关注度阈值;
第二十三获得单元,所述第二十三获得单元用于依据所述第一关注度阈值,对所述第一关注度排序中关注度低于所述第一关注度阈值的第一信息类别进行静默显示。
进一步的,所述系统还包括:
第二十四获得单元,所述第二十四获得单元用于对所述第一地面特征参数进行实时监测,获得所述第一地面特征参数的第一动态变化信息;
第二十五获得单元,所述第二十五获得单元用于依据所述第一动态变化信息获得第一变化时间节点;
第二十六获得单元,所述第二十六获得单元用于依据所述第一变化时间节点获得第一信息更新指令;
第二十七获得单元,所述第二十七获得单元用于依据所述第一信息更新指令,对所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据进行数据更新,构建第三遥感数据集。
进一步的,所述系统还包括:
第一输入单元,所述第一输入单元用于将所述历史遥感数据库输入至所述第一特征提取模型,所述第一特征提取模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述历史遥感数据库和用来标识所述第一历史环境特征的标识信息;
第二十八获得单元,所述第二十八获得单元用于获得所述第一特征提取模型的第一输出结果,其中,所述第一输出结果为所述第一历史环境特征。
前述图1实施例一中的一种基于多光谱遥感的森林环境监测方法和具体实例同样适用于本实施例的一种基于多光谱遥感的森林环境监测系统,通过前述对一种基于多光谱遥感的森林环境监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于多光谱遥感的森林环境监测系统,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备,
基于与前述实施例中一种基于多光谱遥感的森林环境监测方法相同的发明构思,本申请实施例还提供了一种基于多光谱遥感的森林环境监测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于多光谱遥感的森林环境监测方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于多光谱遥感的森林环境监测方法,其中,所述方法包括:获得第一森林区域的第一历史环境特征;依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;获得所述第一森林区域的第一地面特征参数;结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。实现了通过多维度对森林区域进行区域划分,分区域获取多光谱遥感数据集,并对数据集进行降维处理,从而提高了森林环境数据调查和监测的精确程度,提高了数据处理的效率的技术目的。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于多光谱遥感的森林环境监测方法,其中,所述方法包括:
获得第一森林区域的第一历史环境特征;
依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;
分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;
对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;
获得所述第一森林区域的第一地面特征参数;
结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
2.如权利要求1所述的方法,其中,所述方法包括:
构建所述第一森林区域的历史遥感数据库;
获得第一特征提取模型,以所述历史遥感数据库为输入数据输入至所述第一特征提取模型,获得所述第一历史环境特征;
获得第一映射关系,所述第一映射关系为所述历史环境特征与第一区域划分标准的映射关系,所述第一区域划分标准包括所述第一维度的区域划分标准与所述第二维度的区域划分标准;
依据所述第一映射关系对所述第一森林区域进行区域划分,获得第一区域划分结果,所述第一区域划分结果包括所述第一区域、所述第二区域直至所述第N区域。
3.如权利要求1所述的方法,其中,所述方法包括:
由所述第一遥感数据集获得第一特征数据集;
对所述第一特征数据集进行中心化处理,获得第二特征数据集;
获得所述第二特征数据集的第一协方差矩阵;
对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
将所述第一特征数据集投影到所述第一特征向量,获得第二遥感数据集,其中所述第二遥感数据集为所述第一遥感数据集降维之后获得的特征数据集。
4.如权利要求1所述的方法,所述方法应用于一森林环境监测平台,所述方法包括:
将所述第一环境监测信息输入至所述森林环境监测平台,获得第一可视化环境监测信息;
获得所述第一环境监测信息的信息类别;
获得所述信息类别中各信息类别的关注度集合;
依据所述关注度集合获得第一信息显示方案;
依据所述第一信息显示方案对所述第一可视化环境监测信息进行信息显示。
5.如权利要求4所述的方法,其中,所述方法包括:
对所述关注度集合进行降序排列,获得第一关注度排序;
获得第一关注度阈值;
依据所述第一关注度阈值,对所述第一关注度排序中关注度低于所述第一关注度阈值的第一信息类别进行静默显示。
6.如权利要求1所述的方法,其中,所述方法包括:
对所述第一地面特征参数进行实时监测,获得所述第一地面特征参数的第一动态变化信息;
依据所述第一动态变化信息获得第一变化时间节点;
依据所述第一变化时间节点获得第一信息更新指令;
依据所述第一信息更新指令,对所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据进行数据更新,构建第三遥感数据集。
7.如权利要求2所述的方法,其中,所述方法包括:
将所述历史遥感数据库输入至所述第一特征提取模型,所述第一特征提取模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述历史遥感数据库和用来标识所述第一历史环境特征的标识信息;
获得所述第一特征提取模型的第一输出结果,其中,所述第一输出结果为所述第一历史环境特征。
8.一种基于多光谱遥感的森林环境监测系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一森林区域的第一历史环境特征;
第二获得单元,所述第二获得单元用于依据所述第一历史环境特征对所述第一森林区域进行区域划分,获得第一区域、第二区域直至第N区域,其中,分别从第一维度和第二维度对所述第一森林区域进行区域划分;
第三获得单元,所述第三获得单元用于分别获得所述第一区域、所述第二区域直至所述第N区域的多光谱遥感数据,构建第一遥感数据集;
第四获得单元,所述第四获得单元用于对所述第一遥感数据集进行数据降维处理,获得第二遥感数据集;
第五获得单元,所述第五获得单元用于获得所述第一森林区域的第一地面特征参数;
第六获得单元,所述第六获得单元用于结合所述第二遥感数据集与所述第一地面特征参数获得所述第一森林区域的第一环境监测信息。
9.一种基于多光谱遥感的森林环境监测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819050.2A CN113567369A (zh) | 2021-07-20 | 2021-07-20 | 一种基于多光谱遥感的森林环境监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819050.2A CN113567369A (zh) | 2021-07-20 | 2021-07-20 | 一种基于多光谱遥感的森林环境监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113567369A true CN113567369A (zh) | 2021-10-29 |
Family
ID=78165784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110819050.2A Pending CN113567369A (zh) | 2021-07-20 | 2021-07-20 | 一种基于多光谱遥感的森林环境监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567369A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958838A (zh) * | 2023-07-21 | 2023-10-27 | 广州方圆生态科技有限公司 | 一种基于无人机航测技术的森林资源监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN105760678A (zh) * | 2016-02-24 | 2016-07-13 | 中国林业科学研究院森林生态环境与保护研究所 | 一种森林生态效益分布式测算方法及系统 |
WO2018165530A1 (en) * | 2017-03-09 | 2018-09-13 | Cytovas Llc | Method of constructing a reusable low-dimensionality map of high-dimensionality data |
CN109885808A (zh) * | 2018-12-26 | 2019-06-14 | 西安建筑科技大学 | 一种近地表气象要素计算方法 |
CN111398182A (zh) * | 2020-02-17 | 2020-07-10 | 华北理工大学 | 一种基于像元三分模型的地表热环境时空分异效应定量评价方法 |
CN111445011A (zh) * | 2020-04-01 | 2020-07-24 | 成都思晗科技股份有限公司 | 一种基于气象和遥感数据的山火预警方法 |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
-
2021
- 2021-07-20 CN CN202110819050.2A patent/CN113567369A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093233A (zh) * | 2012-12-03 | 2013-05-08 | 中国环境科学研究院 | 一种基于面向对象的高分辨率遥感影像森林分类方法 |
CN105760678A (zh) * | 2016-02-24 | 2016-07-13 | 中国林业科学研究院森林生态环境与保护研究所 | 一种森林生态效益分布式测算方法及系统 |
WO2018165530A1 (en) * | 2017-03-09 | 2018-09-13 | Cytovas Llc | Method of constructing a reusable low-dimensionality map of high-dimensionality data |
CN109885808A (zh) * | 2018-12-26 | 2019-06-14 | 西安建筑科技大学 | 一种近地表气象要素计算方法 |
CN111398182A (zh) * | 2020-02-17 | 2020-07-10 | 华北理工大学 | 一种基于像元三分模型的地表热环境时空分异效应定量评价方法 |
CN111445011A (zh) * | 2020-04-01 | 2020-07-24 | 成都思晗科技股份有限公司 | 一种基于气象和遥感数据的山火预警方法 |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
Non-Patent Citations (2)
Title |
---|
任冲;鞠洪波;张怀清;黄建文;郑应选;: "多源数据林地类型的精细分类方法", 林业科学, vol. 52, no. 06, pages 54 - 65 * |
杨小波 等: "海南植被分类体系与植被分布图", 《中国科学:生命学》, vol. 51, no. 3, pages 321 - 333 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958838A (zh) * | 2023-07-21 | 2023-10-27 | 广州方圆生态科技有限公司 | 一种基于无人机航测技术的森林资源监测方法及系统 |
CN116958838B (zh) * | 2023-07-21 | 2024-03-12 | 广州方圆生态科技有限公司 | 一种基于无人机航测技术的森林资源监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN111976389B (zh) | 轮胎磨损程度辨识方法及装置 | |
JP2002543538A (ja) | 実験データの分布状階層的発展型モデリングと可視化の方法 | |
CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
Haynes et al. | Efficient penalty search for multiple changepoint problems | |
CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
US11790410B2 (en) | System and method for natural capital measurement | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN111048214A (zh) | 外来畜禽疫病传播态势的预警方法及装置 | |
CN113378785A (zh) | 森林类型识别方法及装置 | |
CN111932146A (zh) | 污染成因的分析方法、装置、计算机设备和可读存储介质 | |
CN113567369A (zh) | 一种基于多光谱遥感的森林环境监测方法及系统 | |
CN115240018A (zh) | 一种火焰图像特征的降维定量识别方法、装置及设备 | |
Gowtham Sethupathi et al. | Efficient rainfall prediction and analysis using machine learning techniques | |
CN109448842B (zh) | 人体肠道微生态失衡的确定方法、装置及电子设备 | |
Qu et al. | Boundary detection using a Bayesian hierarchical model for multiscale spatial data | |
CN110852322A (zh) | 感兴趣区域的确定方法及装置 | |
US20240104804A1 (en) | System for clustering data points | |
CN114118306B (zh) | Sds凝胶电泳实验数据的分析方法、装置及sds凝胶试剂 | |
CN113239815B (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 | |
Sumalatha et al. | Real Time Big Data Analytics for Agricultural Land Hotspot Prediction | |
CN113449382B (zh) | 一种整车排放结果的仿真方法及系统 | |
CN115691669B (zh) | 一种基于量子卷积神经网络的蛋白质结构分类系统 | |
CN113192557B (zh) | 一种染色体变异检测方法、装置、电子设备及介质 | |
US20240160696A1 (en) | Method for Automatic Detection of Pair-Wise Interaction Effects Among Large Number of Variables |
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 |