CN113762137A - 一种基于深度学习的遥感图像森林区域碳汇的计算方法 - Google Patents
一种基于深度学习的遥感图像森林区域碳汇的计算方法 Download PDFInfo
- Publication number
- CN113762137A CN113762137A CN202111026477.3A CN202111026477A CN113762137A CN 113762137 A CN113762137 A CN 113762137A CN 202111026477 A CN202111026477 A CN 202111026477A CN 113762137 A CN113762137 A CN 113762137A
- Authority
- CN
- China
- Prior art keywords
- forest region
- remote sensing
- deep learning
- sensing image
- carbon sink
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 32
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的遥感图像森林区域碳汇的计算方法,涉及森林区域碳汇计算领域。该方法包括:(1)采用深度学习神经网络模型提取原始遥感图像中的森林区域;(2)根据步骤(1)中得到的森林区域,再按照原始图像中的比例尺数据,计算出森林区域的实际面积;(3)根据森林区域的实际面积,计算出该森林区域的实际碳汇总量。本发明利用基于深度学习的图像分割算法快速准确提取遥感图像中森林区域的空间分布和占地面积等信息,提高了森林区域识别的准确率,并进一步的计算出其碳汇总量,能够为有效管理生态系统碳汇,实现碳达峰、碳中和提供科学依据。
Description
技术领域
本发明涉及遥感图像处理领域,具体涉及一种基于深度学习的遥感图像森林区域碳汇的计算方法。
背景技术
森林固碳是减缓气候变化的重要途径之一,林业碳汇将在实现碳达峰目标与碳中和愿景过程中持续扮演重要角色。近年来我国开展了大规模国土绿化行动,取得突出成效。据统计,“十三五”期间,我国完成造林5.29亿亩,森林抚育6.38亿亩,全民义务植树累计达28亿人次,义务植树116亿株。我国的森林覆盖率已经提高到23.04%,森林蓄积量超过175亿立方米。然而,随着林业技术的发展,快速准确进行植被识别的需求日益增加,但现有的基于卫星和无人机遥感数据的植被识别方法,存在人工筛选特征复杂、识别精度低和运行速度慢等问题,很难满足现阶段森林碳汇计算分析的需要。
为了提高植被遥感数据的识别精度,在现有技术中,有研究采用卷积神经网络进行图像特征的提取及识别,该技术包括:(1)基于经典频谱信息的分类来验证堆叠式自动编码的标准,提出空间主导信息分类的方法,并创建了集主成分分析(PCA)、深度学习体系结构和逻辑回归特点的新框架;(2)将堆叠式自动编码器与所需数量的自动编码器和softmax分类器组合的深度神经网络;(3)针对土地覆盖和作物类型识别,设计的以神经网络为核心集成的多层深度学习框架,在像素级别上对多源多时相的Landsat-8和Sentinel-1A时间序列影像进行作物分类;(4)通过设计多层卷积神经网络并基于像素级别来提取多光谱遥感图像的作物种植面积。上述现有技术虽然都能够提高识别精度,但仍存在许多不足,在卷积神经网络学习过程中丢失很多空间位置信息、对小目标识别精度不高,以及没有实现端到端的学习与识别,计算效率低下。因而,需要设计一种快速且准确识别遥感图像中的森林区域,并能快速计算出其碳汇量的方法。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提供一种基于深度学习的遥感图像森林区域碳汇的计算方法,该方法能够快速且准确识别遥感图像中的森林区域,并统计植被的空间分布和面积,以及进一步计算出其碳汇量,定量评估森林等生态系统活动在减排增汇中的作用,为有效管理生态系统碳汇,实现碳达峰、碳中和提供科学依据。
为了实现上述目的,本发明采用的技术方案如下:
一种基于深度学习的遥感图像森林区域碳汇的计算方法,包括:
(1)采用深度学习神经网络模型提取原始遥感图像中的森林区域;
(2)根据步骤(1)中得到的森林区域,再按照原始图像中的比例尺数据,计算出森林区域的实际面积;
(3)根据森林区域的实际面积,计算出该森林区域的实际碳汇总量。
进一步的,所述深度学习神经网络为全卷积神经网络,该网络输入的是一张原始遥感图像经过缩放后的图像,特征提取时采用自底向上的多特征融合的方式,卷积的步长为2,无池化层,提取的特征图不直接进行解码,而是经过不同的最大值池化后进行特征拼接的方式得到新的特征图,解码时,并不是直接上采样,而是采用自顶向下融合的方式。
进一步的,所述全卷积神经网络采用的激活函数为LeakyReLU。
综上所述,由于采用了上述技术方案,本发明的有益技术效果是:本发明利用基于深度学习的图像分割算法快速准确提取遥感图像中森林区域的空间分布和占地面积等信息,提高了森林区域识别的准确率,并进一步的计算出其碳汇总量,能够为有效管理生态系统碳汇,实现碳达峰、碳中和提供科学依据。
附图说明
图1为本发明一实施例的基于深度学习的遥感图像森林区域碳汇的计算方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例
请参阅附图1所示,本实施例提供了一种基于深度学习的遥感图像森林区域碳汇的计算方法,包括:
(1)采用深度学习神经网络模型提取原始遥感图像中的森林区域;
所述深度学习神经网络为全卷积神经网络,该网络输入的是一张原始遥感图像经过缩放后的图像,特征提取时采用自底向上的多特征融合的方式,卷积的步长为2,无池化层,提取的特征图不直接进行解码,而是经过不同的最大值池化后进行特征拼接的方式得到新的特征图,解码时,并不是直接上采样,而是采用自顶向下融合的方式;该全卷积神经网络采用的激活函数为LeakyReLU;
(2)根据步骤(1)中得到的森林区域,再按照原始图像中的比例尺数据,计算出森林区域的实际面积;
(3)根据森林区域的实际面积,计算出该森林区域的实际碳汇总量。
以上所述仅为本发明的较佳实施例,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 (3)
1.一种基于深度学习的遥感图像森林区域碳汇的计算方法,其特征在于,包括:
(1)采用深度学习神经网络模型提取原始遥感图像中的森林区域;
(2)根据步骤(1)中得到的森林区域,再按照原始图像中的比例尺数据,计算出森林区域的实际面积;
(3)根据森林区域的实际面积,计算出该森林区域的实际碳汇总量。
2.根据权利要求1所述的方法,其特征在于:所述深度学习神经网络为全卷积神经网络,该网络输入的是一张原始遥感图像经过缩放后的图像,特征提取时采用自底向上的多特征融合的方式,卷积的步长为2,无池化层,提取的特征图不直接进行解码,而是经过不同的最大值池化后进行特征拼接的方式得到新的特征图,解码时,并不是直接上采样,而是采用自顶向下融合的方式。
3.根据权利要求2所述的方法,其特征在于:所述全卷积神经网络采用的激活函数为LeakyReLU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026477.3A CN113762137A (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度学习的遥感图像森林区域碳汇的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026477.3A CN113762137A (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度学习的遥感图像森林区域碳汇的计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762137A true CN113762137A (zh) | 2021-12-07 |
Family
ID=78792627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111026477.3A Pending CN113762137A (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度学习的遥感图像森林区域碳汇的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762137A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169792A (zh) * | 2021-12-15 | 2022-03-11 | 重庆地质矿产研究院 | 一种矿区生态碳汇的计算方法 |
CN116563716A (zh) * | 2023-07-07 | 2023-08-08 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 用于森林碳汇数据采集的gis数据处理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105319322A (zh) * | 2014-07-22 | 2016-02-10 | 上海高家庄园农业发展有限公司 | 一种森林碳汇量的检测方法 |
CN112731925A (zh) * | 2020-12-21 | 2021-04-30 | 浙江科技学院 | 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法 |
CN112949498A (zh) * | 2021-03-04 | 2021-06-11 | 北京联合大学 | 一种基于异构卷积神经网络的目标关键点检测方法 |
-
2021
- 2021-09-02 CN CN202111026477.3A patent/CN113762137A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105319322A (zh) * | 2014-07-22 | 2016-02-10 | 上海高家庄园农业发展有限公司 | 一种森林碳汇量的检测方法 |
CN112731925A (zh) * | 2020-12-21 | 2021-04-30 | 浙江科技学院 | 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法 |
CN112949498A (zh) * | 2021-03-04 | 2021-06-11 | 北京联合大学 | 一种基于异构卷积神经网络的目标关键点检测方法 |
Non-Patent Citations (3)
Title |
---|
QINGQIANG CHEN等: "Garbage Classification Detection Based on Improved YOLOV4", 《JOURNAL OF COMPUTER AND COMMUNICATIONS》 * |
王勇等: "基于BP神经网络的森林碳汇量估测方法研究", 《四川林业科技》 * |
高广磊等: "基于遥感技术的森林健康研究综述", 《生态学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169792A (zh) * | 2021-12-15 | 2022-03-11 | 重庆地质矿产研究院 | 一种矿区生态碳汇的计算方法 |
CN114169792B (zh) * | 2021-12-15 | 2023-09-29 | 重庆地质矿产研究院 | 一种矿区生态碳汇的计算方法 |
CN116563716A (zh) * | 2023-07-07 | 2023-08-08 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 用于森林碳汇数据采集的gis数据处理系统 |
CN116563716B (zh) * | 2023-07-07 | 2023-09-08 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 用于森林碳汇数据采集的gis数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN110298266B (zh) | 基于多尺度感受野特征融合的深度神经网络目标检测方法 | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN108197538A (zh) | 一种基于局部特征和深度学习的卡口车辆检索系统及方法 | |
Junos et al. | An optimized YOLO‐based object detection model for crop harvesting system | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN105528575B (zh) | 基于上下文推理的天空检测方法 | |
CN112836713A (zh) | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 | |
CN113762137A (zh) | 一种基于深度学习的遥感图像森林区域碳汇的计算方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN107704878B (zh) | 一种基于深度学习的高光谱数据库半自动化建立方法 | |
CN110334724B (zh) | 基于lstm的遥感对象自然语言描述及多尺度矫正方法 | |
CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN109977802A (zh) | 强噪音背景下作物分类识别方法 | |
CN112836657B (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
CN115223063A (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
Gleason et al. | A fusion approach for tree crown delineation from lidar data. | |
CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
CN114049572A (zh) | 识别小目标的检测方法 | |
CN114882351B (zh) | 一种基于改进YOLO-V5s的多目标检测与跟踪方法 | |
CN114299286A (zh) | 一种异常天气下基于类别分组的道路场景语义分割方法 | |
Lin et al. | A novel approach for estimating the flowering rate of litchi based on deep learning and UAV images | |
CN117079195B (zh) | 一种基于图像视频的野生动物识别方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211207 |