CN115063688A - 生态环境质量评估方法及装置 - Google Patents
生态环境质量评估方法及装置 Download PDFInfo
- Publication number
- CN115063688A CN115063688A CN202210667947.2A CN202210667947A CN115063688A CN 115063688 A CN115063688 A CN 115063688A CN 202210667947 A CN202210667947 A CN 202210667947A CN 115063688 A CN115063688 A CN 115063688A
- Authority
- CN
- China
- Prior art keywords
- index
- ecological
- remote sensing
- band
- normalized
- 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000010606 normalization Methods 0.000 claims abstract description 39
- 230000001186 cumulative effect Effects 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 230000005457 Black-body radiation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 201000007773 alcohol-related birth defect Diseases 0.000 claims description 4
- 201000007794 fetal alcohol syndrome Diseases 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 37
- 238000013441 quality evaluation Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种生态环境质量评估方法及装置，生态环境质量评估方法包括：利用传统遥感生态指数方法计算遥感生态归一化指数，并根据该遥感生态归一化指数构造遥感生态指数训练集；构建生态指数CNN网络；利用遥感生态指数训练集训练生态指数CNN网络，使得生态指数CNN网络能够自动学习传统遥感生态指数方法需要的模型参数；基于训练得到的生态指数CNN网络对生态环境的遥感生态指数进行直接推理预测。本申请提供的生态环境质量评估方法开创性地将深度卷积神经网络CNN应用在生态环境质量评估中，评估结果准确性高，鲁棒性高，自适应性强。
Description
技术领域
本申请属于遥感影像应用领域，具体涉及一种生态环境质量评估方法及装置。
背景技术
近年来，在城市化进程的发展过程中，人类活动空间的扩增、不合理的自然资源开发以及大面积建筑的兴建，导致生态环境恶化的现象愈加严重。如地表不透水面积增加、施工用地的裸露等造成绿地覆被降低，同时森林植被水涵养下降，生物多样性下降。针对此类问题，对各个地区的生态环境状况进行准确地评估并掌握其变化趋势，将便于人们因地制宜地采取生态环境保护措施、进行区域规划决策，进一步实现地区可持续发展。
目前，国内外学者对区域生态环境评估开展了大量技术研究，也提出很多的评价方法。其中，RSEI(Remote Sensing Ecological Index，遥感生态指数)基于遥感技术，将植被指数、湿度指数、地表温度和建筑物-裸土指数进行组合分析，对区域环境进行监测和评价，对区域生态环境变化的可视化、时空分析及变化趋势进行预测。虽然RSEI在生态质量评估中是主流技术之一，其存在如下不足：计算过程复杂，计算量大；计算生态因子需要大量的先验知识超参数；泛化能力弱、鲁棒性差；对待研究区域的位置、遥感卫星数据的来源以及数据成像时间很敏感；算法不可复制，对于不同时间不同地点需求，需要重新进行超参数的设计和计算。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供了一种生态环境质量评估方法及装置。
根据本申请实施例的第一方面，本申请提供了一种生态环境质量评估方法，其包括以下步骤：
利用传统遥感生态指数方法计算遥感生态归一化指数，并根据该遥感生态归一化指数构造遥感生态指数训练集；
构建生态指数CNN网络；所述生态指数CNN网络包括输入模块、骨干网络、编码模块和预测头模块；
利用遥感生态指数训练集训练生态指数CNN网络，使得生态指数CNN 网络能够自动学习传统遥感生态指数方法需要的模型参数；
基于训练得到的生态指数CNN网络对生态环境的遥感生态指数进行直接推理预测。
上述生态环境质量评估方法中，还包括以下步骤：
按照[0，0.2]、[0.2，0.4]、[0.6，0.8]和[0.8，1.0]区间对预测得到的生态环境的遥感生态指数进行统计划分，并对统计划分的各个区域进行标示，以区分生态质量的好坏程度。
上述生态环境质量评估方法中，还包括以下步骤：对推理预测得到的生态环境的遥感生态指数进行评测，其具体过程为，
构造遥感生态指数测试集；
利用传统遥感生态指数方法计算遥感生态指数RSEI，并根据实际场景对遥感生态指数RSEI进行错误数据校准，得到校准后的遥感生态指数 RSEIold；
将遥感生态指数测试集中的网络输入数据输入训练得到的生态指数 CNN网络中，得到生态环境的遥感生态指数RSEIcnn；
计算校准后的遥感生态指数RSEIold和生态环境的遥感生态指数RSEIcnn的均值误差，并根据均值误差判断训练得到的生态指数CNN网络的可靠性和准确性。
上述生态环境质量评估方法中，所述利用传统遥感生态指数方法计算遥感生态归一化指数并根据该遥感生态归一化指数构造遥感生态指数训练集的具体过程为：
获取Landsat8遥感数据并对该遥感数据进行预处理，预处理后的数据Datapreprocess包括Band27-15m和Band10-15m，其中，Band27-15m表示对 Band2～Band7波段数据预处理后的分辨率为15m的波段数据，Band10-15m表示对热红外Band10波段数据预处理后的分辨率为15m的波段数据；
根据预处理后的数据Datapreprocess计算归一化遥感生态因子；其中，归一化遥感生态因子包括归一化绿度、归一化湿度、归一化干度和归一化温度；
根据归一化遥感生态因子计算遥感生态归一化指数；
根据遥感生态归一化指数构造遥感生态指数训练集。
进一步地，所述归一化绿度的计算过程为：
根据预处理后的数据Band27-15m，利用归一化差分植被指数的计算公式：
NDVI＝(NIR-Red)/(NIR+Red)，
计算得到归一化差分植被指数NDVI，NIR表示预处理后的数据Band27-15m中的近红外波段反射率，Red表示预处理后的数据Band27-15m中的红外波段反射率；
对归一化差分植被指数NDVI做直方图累积概率统计，并将直方图累积概率值0～Pr对应的归一化差分植被指数NDVI以及直方图累积概率值(1-Pr) ～1对应的归一化差分植被指数NDVI作为噪声数据进行去除；
将直方图累积概率值Pr对应的归一化差分植被指数NDVI作为归一化差分植被指数NDVI的最小值，记为NDVImin；将直方图累积概率值(1-Pr) 对应的归一化差分植被指数NDVI作为归一化差分植被指数NDVI的最大值，记为NDVImax；
利用归一化差分植被指数NDVI的最小值NDVImin和归一化差分植被指数NDVI的最大值NDVImax对归一化差分植被指数NDVI进行归一化，得到归一化绿度NDVInorm：
进一步地，所述归一化湿度的计算过程为：
根据预处理后的数据Band27-15m，利用Tasselled Cap-wetness公式：
Wetness＝0.1509*Bandλ∈[450，520]+0.1973*Bandλ∈[520，600]+0.3279 *Bandλ∈[630，690]+0.3406*Bandλ∈[760，900]-0.7112 *Bandλ∈[1550，1750]-0.4572*Bandλ∈[2080，2350]
计算湿度Wetness，λ表示波长；
对湿度Wetness做直方图累积概率统计，并将直方图累积概率值0～Pr 对应的湿度Wetness以及直方图累积概率值(1-Pr)～1对应的湿度Wetness 作为噪声数据进行去除；
将直方图累积概率值Pr对应的湿度Wetness作为湿度Wetness的最小值，记为Wetnessmin；将直方图累积概率值(1-Pr)对应的湿度Wetness作为湿度Wetness的最大值，记为Wetnessmax；
利用湿度Wetness的最小值Wetnessmin和湿度Wetness的最大值 Wetnessmax对湿度Wetness进行归一化，得到归一化湿度Wetnessnorm：
进一步地，所述归一化干度的计算过程为：
根据预处理后的数据Band27-15m，利用干度指数NDBSI的计算公式：
NDBSI＝0.5*(SI+IBI)，
计算得到干度指数NDBSI，其中，干度指数NDBSI的范围为[-1，1]，其值越大表示越干燥；SI表示裸土指数，IBI表示城市建筑指数：
其中，Band2表示蓝波段，Band3表示绿波段，Band4表示红波段、Band5表示近红外波段，Band6表示短红外一波段；
对干度指数NDBSI做直方图累积概率统计，并将直方图累积概率值0～Pr 对应的干度指数NDBSI以及直方图累积概率值(1-Pr)～1对应的干度指数 NDBSI作为噪声数据进行去除；
将直方图累积概率值Pr对应的干度指数NDBSI作为干度指数NDBSI 的最小值，记为NDBSImin；将直方图累积概率值(1-Pr)对应的干度指数 NDBSI作为干度指数NDBSI的最大值，记为NDBSImax；
利用干度指数NDBSI的最小值NDBSImin和干度指数NDBSI的最大值 NDBSImax对干度指数NDBSI进行归一化，得到归一化干度NDBSInorm：
进一步地，所述归一化温度的计算过程为：
根据热红外波段数据，利用温度计算公式：
计算得到地表温度；式中，LST表示地表温度，K1和K2均表示系数，BRB 表示黑体辐射亮度；
黑体辐射亮度BRB为：
式中，ARBD表示大气向下辐射亮度，ARBU表示大气向上辐射亮度，α表示大气在热红外的透过率；Band10-15m表示热红外数据预处理后的数据； LSE表示地表辐射率；LSE表示地表辐射率；
地表辐射率LSE为：
LSE＝0.004*PV+0.986，
式中，PV表示植被覆盖度：
式中，NDVIv表示纯植被系数，NDVIs表示无植被系数。
进一步地，所述根据归一化遥感生态因子计算遥感生态归一化指数的过程为：
按照波段将归一化绿度、归一化湿度、归一化干度和归一化温度组成一个四通道的数据RSEIlayerstack；
对数据RSEIlayerstack进行PCA主成分分析，计算得到四个特征值，将这四个特征值按照从大到小的顺序排列，得到λ1＞λ2＞λ3＞λ4；
选取最大的特征值λ1对应的成分并将该成分作为第一主成分
对第一主成分
进行归一化处理，得到遥感生态归一化指数 RSEInorm，其范围为[0，1]；
遥感生态归一化指数RSEInorm为：
式中，
表示第一主成分
的最大值，
表示第一主成分
的最小值。
根据本申请实施例的第二方面，本申请还提供了一种生态环境质量评估装置，其包括存储器以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行上述任一项所述的生态环境质量评估方法中的步骤。
根据本申请实施例的第三方面，本申请还提供了一种存储介质，其上存储有可执行程序，当可执行程序被调用时，执行上述任一项所述的生态环境质量评估方法中的步骤。
根据本申请的上述具体实施方式可知，至少具有以下有益效果：本申请提供的生态环境质量评估方法开创性地将深度卷积神经网络CNN应用在生态环境质量评估中，利用遥感生态指数训练集训练生态指数CNN网络，并基于训练得到的生态指数CNN网络对生态环境的遥感生态指数进行直接推理预测，评估结果准确性高，鲁棒性高，自适应性强。
应了解的是，上述一般描述及以下具体实施方式仅为示例性及阐释性的，其并不能限制本申请所欲主张的范围。
附图说明
下面的所附附图是本申请的说明书的一部分，其示出了本申请的实施例，所附附图与说明书的描述一起用来说明本申请的原理。
图1为本申请具体实施方式提供的一种生态环境质量评估方法的流程图之一。
图2为本申请具体实施方式提供的一种生态环境质量评估方法中对遥感数据进行预处理的流程图。
图3为本申请具体实施方式提供的一种生态环境质量评估方法的流程图之二。
图4为本申请具体实施方式提供的一种生态环境质量评估方法中生态指数CNN网络的处理流程图。
图5(a)为本申请具体实施方式提供的一种生态环境质量评估方法中通过生态指数CNN网络预测得到的生态环境的遥感生态指数RSEIcnn的结果示意图。
图5(b)为本申请具体实施方式提供的一种生态环境质量评估方法中遥感生态指数RSEIcnn的可视化结果示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面将以附图及详细叙述清楚说明本申请所揭示内容的精神，任何所属技术领域技术人员在了解本申请内容的实施例后，当可由本申请内容所教示的技术，加以改变及修饰，其并不脱离本申请内容的精神与范围。
本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。另外，在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。
关于本文中所使用的“第一”、“第二”、…等，并非特别指称次序或顺位的意思，也非用以限定本申请，其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
关于本文中所使用的“及/或”，包括所述事物的任一或全部组合。
关于本文中的“多个”包括“两个”及“两个以上”；关于本文中的“多组”包括“两组”及“两组以上”。
某些用以描述本申请的用词将于下或在此说明书的别处讨论，以提供本领域技术人员在有关本申请的描述上额外的引导。
目前，CNN(Convolutional Neural Network，卷积神经网络)主要应用在传统的图像领域，例如，手机移动拍照摄像得到的图像或者地面监控设备得到的图像，而在遥感影像领域应用偏少。
与传统图像提取方法相比，CNN网络具有提取特征能力强、性能稳定、泛化能力强、鲁棒性强、没有大量超参数和自适应能力强等特点。
本申请提供的生态环境质量评估方法基于深度学习CNN网络自适应地对生态环境的质量进行评估，以解决传统RSEI方法在生态质量评估中存在的问题，提高评估准确度。
如图1所示，本申请实施例提供的生态环境质量评估方法包括以下步骤：
S1、利用传统遥感生态指数方法计算遥感生态归一化指数，并根据该遥感生态归一化指数构造遥感生态指数训练集，其具体过程为：
S11、获取Landsat8遥感数据并对该遥感数据进行预处理，预处理后的数据Datapreprocess包括Band27-15m和Band10-15m，其中，Band27-15m表示对 Band2～Band7波段数据预处理后的分辨率为15m的波段数据，Band10-15m表示对热红外Band10波段数据预处理后的分辨率为15m的波段数据。
如图2所示，下面对Band2～Band7波段数据预处理的过程进行具体说明：
首先，对Landsat8遥感数据中分辨率为30m的Band2～Band7波段数据进行辐射标定与大气校正；其次，利用Gram-Schmidt Pan Sharpening图像融合方法对辐射标定与大气校正后的数据和分辨率为15m的Band8全色波段数据做高分辨率融合，得到分辨率为15m的Band2～Band7波段数据；最后，利用研究区域矢量数据ROI对分辨率为15m的波段数据进行矢量裁剪，得到感兴趣区域的数据Band27-15m，感兴趣区域的数据Band27-15m即为对 Band2～Band7波段数据预处理后的数据。
如图2所示，下面对热红外Band10波段数据预处理的过程进行具体说明：
首先，对Landsat8热红外Band10波段数据进行辐射标定，得到辐射亮度图像；其次，由于对于热红外Band10波段数据，Landsat8只提供100m分辨率的波段数据，因此为了统一分辨率处理，将得到的辐射亮度图像重采样成分辨率为15m的辐射亮度图像；最后，利用研究区域矢量数据ROI对分辨率为15m的辐射亮度图像进行矢量裁剪，得到热红外数据预处理后的数据 Band10-15m。
S12、根据预处理后的数据Datapreprocess计算归一化遥感生态因子。其中，归一化遥感生态因子包括归一化绿度、归一化湿度、归一化干度和归一化温度，其具体过程为：
S121、根据预处理后的数据Band27-15m计算归一化绿度，其具体过程为：
首先，根据预处理后的数据Band27-15m，利用归一化差分植被指数的计算公式：
NDVI＝(NIR-Red)/(NIR+Red) (1)
计算得到归一化差分植被指数NDVI(Normalized Difference VegetationIndex，归一化差分植被指数)。式(1)中，NIR表示预处理后的数据Band27-15m中的近红外波段反射率，Red表示预处理后的数据Band27-15m中的红外波段反射率。
其次，对归一化差分植被指数NDVI做直方图累积概率统计，并将直方图累积概率0～Pr对应的归一化差分植被指数NDVI以及直方图累积概率 (1-Pr)～1对应的归一化差分植被指数NDVI作为噪声数据进行去除。
再次，将直方图累积概率值Pr对应的归一化差分植被指数NDVI作为归一化差分植被指数NDVI的最小值，记为NDVImin；将直方图累积概率值 (1-Pr)对应的归一化差分植被指数NDVI作为归一化差分植被指数NDVI 的最大值，记为NDVImax。
最后，利用归一化差分植被指数NDVI的最小值NDVImin和归一化差分植被指数NDVI的最大值NDVImax对归一化差分植被指数NDVI进行归一化，得到归一化绿度NDVInorm：
S122、根据预处理后的数据Band27-15m计算归一化湿度，其具体过程为：
首先，根据预处理后的数据Band27-15m，利用Tasselled Cap-wetness公式：
Wetness＝0.1509*Bandλ∈[450，520]+0.1973*Bandλ∈[520，600]+ 0.3279*Bandλ∈[630，690]+0.3406*Bandλ∈[760，900]-0.7112* Bandλ∈[1550，1750]-0.4572*Bandλ∈[2080，2350] (3)
计算湿度Wetness。式(3)中，λ表示波长，其单位为nm(纳米)。
其次，对湿度Wetness做直方图累积概率统计，并将直方图累积概率值 0～Pr对应的湿度Wetness以及直方图累积概率值(1-Pr)～1对应的湿度 Wetness作为噪声数据进行去除。
再次，将直方图累积概率值Pr对应的湿度Wetness作为湿度Wetness的最小值，记为Wetnessmin；将直方图累积概率值(1-Pr)对应的湿度Wetness 作为湿度Wetness的最大值，记为Wetnessmax。
最后，利用湿度Wetness的最小值Wetnessmin和湿度Wetness的最大值 Wetnessmax对湿度Wetness进行归一化，得到归一化湿度Wetnessnorm：
S123、根据预处理后的数据Band27-15m计算归一化干度，其具体过程为：
首先，根据预处理后的数据Band27-15m，利用干度指数的计算公式：
NDBSI＝0.5*(SI+IBI) (5)
计算得到干度指数NDBSI，其中，干度指数NDBSI的范围为[-1，1]，其值越大表示越干燥。式(5)中，SI表示裸土指数，IBI表示城市建筑指数：
其中，Band2表示蓝波段，Band3表示绿波段，Band4表示红波段、Band5表示近红外波段，Band6表示短红外一波段。
其次，对干度指数NDBSI做直方图累积概率统计，并将直方图累积概率值0～Pr对应的干度指数NDBSI以及直方图累积概率值(1-Pr)～1对应的干度指数NDBSI作为噪声数据进行去除。
再次，将直方图累积概率值Pr对应的干度指数NDBSI作为干度指数 NDBSI的最小值，记为NDBSImin；将直方图累积概率值(1-Pr)对应的干度指数NDBSI作为干度指数NDBSI的最大值，记为NDBSImax。具体地，直方图累积概率值Pr可以为2％～3％。
最后，利用干度指数NDBSI的最小值NDBSImin和干度指数NDBSI的最大值NDBSImax对干度指数NDBSI进行归一化，得到归一化干度NDBSInorm：
S124、根据热红外Band10波段数据计算归一化温度，其具体过程为：
首先，根据热红外波段数据，利用温度计算公式：
计算得到地表温度。
式(7)中，LST表示地表温度，K1和K2均表示系数，其中，对于Landsat8 热红外Band10波段数据K1＝774.89，K2＝1321.08；BRB表示黑体辐射亮度 (Blackbody RadiationBrightness)。
黑体辐射亮度BRB为：
式(8)中，ARBD表示大气向下辐射亮度(Atmospheric Radiation BrightnessDown)，ARBU表示大气向上辐射亮度(Atmospheric Radiation Brightness Up)，α表示大气在热红外的透过率；Band10-15m表示热红外数据预处理后的数据；LSE表示地表辐射率。具体地，可以通过NASA(美国航天局)网址计算获取各参数ARBD＝1.60，ARBU＝0.95，α＝0.88。
式(8)中，地表辐射率LSE为：
LSE＝0.004*PV+0.986 (9)
式(9)中，PV表示植被覆盖度：
式(10)中，NDVIv表示纯植被系数，其值为直方图累积概率95％对应的归一化差分植被指数NDVI；NDVIs表示无植被系数，其值为直方图累积概率5％对应的归一化差分植被指数NDVI。
S13、如图3所示，根据归一化遥感生态因子计算遥感生态归一化指数，其具体过程为：
S131、按照波段将归一化绿度、归一化湿度、归一化干度和归一化温度组成一个四通道的数据RSEIlayerstack。
S132、对数据RSEIlayerstack进行PCA(Principal Component Analysis)主成分分析，计算得到四个特征值，将这四个特征值按照从大到小的顺序排列，得到λ1＞λ2＞λ3＞λ4。其中，特征值表示成分的重要性，特征值越大，成分的重要性越大；反之，成分的重要性越小。
S133、选取最大的特征值λ1对应的成分并将该成分作为第一主成分
S134、为了便于指标的度量和比较，对第一主成分
进行归一化处理，得到遥感生态归一化指数RSEInorm，其范围为[0，1]。遥感生态归一化指数RSEInorm的值越大表示生态越好，反之，表示生态越差。
遥感生态归一化指数RSEInorm为：
式(11)中，
表示第一主成分
的最大值，
表示第一主成分
的最小值。
S14、根据遥感生态归一化指数构造遥感生态指数训练集，其具体过程为：
根据计算到的遥感生态归一化指数构造多份遥感生态指数训练集。遥感生态指数训练集中每份训练样本包括网络输入数据X和网络监督数据Y样本对。其中，网络输入数据X可以为步骤S11得到的预处理后的分辨率为 15m的波段数据Band27-15m和预处理后的分辨率为15m的热红外Band10波段数据组成的7通道数据。
需要说明的是，由于遥感影像数据很大，即使经过裁剪后还是会很大，对网络训练计算资源会吃紧。因此，综合考虑网络性能及资源消耗，需要对输入的X-Y数据对进行重采样，使其统一大小为[512，512]，即重采样后的 X-Y数据对表示的图像的宽度为512个像素，高度为512个像素。每个样本对中的样本满足Xi∈R512×512×7、Yi∈R512×512×1，其中，R表示实数空间， i表示样本的索引号。
S2、构建生态指数CNN网络；
具体地，如图4所示，构建的生态指数CNN网络包括输入模块(input module)、骨干网络(backbone module)、编码模块(encode module)和预测头模块(Predict Header)。
输入模块：用于将重采样后的网络输入数据X统一张量大小为[1×7× 512×512]，并对该张量进行数据归一化，每个元素的值在[0，1]区间范围内；还用于将重采样后的网络监督数据Y统一张量为[1×1×512×512]。
骨干网络：由于训练样本偏少，大的神经网络容易过拟合，因此，选择ShufflentV2-x1.0网络作为本申请的骨干网络，同时满足精度和运算时间要求。取网络输出C5层的特征作为骨干网络的特征提取输出，C5表示步长 stride＝32的下采样特征输出，所以最后C5层输出的特征(feature)张量(tensor) 大小为[1×1024×16×16]。
编码模块：对骨干网络(backbone)输出的[1×1024×16×16]特征张量进行四次反卷积操作(ConvTranspose2d)，相当于步长stride＝16的上采样，最终得到[1×256×512×512]大小的编码特征张量。
预测头模块：本申请采用3x3的卷积和1x1的卷积组成预测头模块，这个模块用于遥感生态指数RSEI预测。
S3、利用遥感生态指数训练集训练生态指数CNN网络，使得生态指数 CNN网络能够自动学习传统遥感生态指数方法需要的模型参数，其具体过程为：
在如图4所示的生态指数CNN网络中的RSEI输出后设置损失函数 focal-loss，初始学习率lr＝0.00025，最大训练次数100次，batch-size＝2，1 个gpu，优化器为Adam；训练次数为60时的学习率在初始学习率的基础上衰减0.1；训练次数为80时的学习率在训练次数为60时的学习率的基础上再次衰减0.1，进行模型训练。
S4、基于训练得到的生态指数CNN网络对生态环境的遥感生态指数进行直接推理预测，其具体过程为：
对步骤S11得到的预处理后的分辨率为15m的波段数据和预处理后的分辨率为15m的热红外波段数据组成的7通道数据进行归一化，并将归一化后的数据统一为形状尺度为[1×7×512×512]的张量。
将形状尺度为[1×7×512×512]的张量输入训练得到的生态指数 CNN网络中进行预测，得到生态环境的遥感生态指数RSEIcnn。
为便于对预测得到的生态环境的遥感生态指数RSEIcnn进行可视化展示，本申请实施例提供的生态环境质量评估方法还包括以下步骤：
S5、如图5(a)和5(b)所示，按照[0，0.2]、[0.2，0.4]、[0.6，0.8]和 [0.8，1.0]区间对预测得到的生态环境的遥感生态指数RSEIcnn进行统计划分，并对统计划分的各个区域进行标示，以区分生态质量的好坏程度。具体地，可以采用不同深度的绿色对统计划分的各个区域进行标示。
为便于对本申请实施例提供的生态环境质量评估方法中训练得到的生态指数CNN网络的可靠性和准确性进行评测，本申请实施例提供的生态环境质量评估方法还包括以下步骤：
S6、对推理预测得到的生态环境的遥感生态指数进行评测，其具体过程为：
S61、根据计算到的遥感生态归一化指数构造多份遥感生态指数测试集。其中，遥感生态指数测试集中每份训练样本包括网络输入数据X和网络监督数据Y样本对。其中，网络输入数据X可以为步骤S11得到的预处理后的分辨率为15m的波段数据Band27-15m和预处理后的分辨率为15m的热红外 Band10波段数据组成的7通道数据。
需要说明的是，由于遥感影像数据很大，即使经过裁剪后还是会很大，对网络训练计算资源会吃紧。因此，综合考虑网络性能及资源消耗，需要对输入的X-Y数据对进行重采样，使其统一大小为[512，512]，每个样本对中的样本满足Xi∈R512×512×7、Yi∈R512×512×1，其中，R表示实数空间，i 表示样本的索引号。
S62、利用传统遥感生态指数方法计算遥感生态指数RSEI，并根据实际场景对遥感生态指数RSEI进行错误数据校准，得到校准后的遥感生态指数 RSEIold。
S63、将遥感生态指数测试集中的网络输入数据X输入训练得到的生态指数CNN网络中，得到生态环境的遥感生态指数RSEIcnn。
S64、计算校准后的遥感生态指数RSEIold和生态环境的遥感生态指数 RSEIcnn的均值误差MSER，并根据均值误差判断训练得到的生态指数CNN 网络的可靠性和准确性。
在一个具体的实施例中，本申请提供的生态环境质量评估方法以海南省保亭黎族苗族自治县区域作为研究区域，可以选取43份原始遥感影像，并对其进行样本随机抽取。将其中30份原始遥感影像作为训练集，13份原始遥感影像作为测试集。然后，采用步骤S1的方法对30份原始遥感影像分别进行处理得到遥感生态归一化指数，根据计算得到的遥感生态归一化指数对应得到30份遥感生态指数训练集；采用步骤S1的方法对13份原始遥感影像分别进行处理得到遥感生态归一化指数，根据计算得到的遥感生态归一化指数对应得13份遥感生态指数测试集。
根据上述遥感生态指数训练集和遥感生态指数测试集，得到均值误差 MSER为0.02173，从而得出本申请训练得到的生态指数CNN网络输出的RSEI的准确率为0.9727。从数据预处理到网络自动一体化输出RSEI的时间为2s。而采用传统方法则需要多个复杂过程同时需要人工参与，时间漫长，最少也得专业人员30分钟左右才能得出结果。与传统方法相比，本申请提供的生态环境质量评估方法只需要对生态指数CNN网络训练一次即可，且其对于不同场景生态评估也有很强的泛化能力。
与传统遥感生态指数方法相比，本申请提供的生态环境质量评估方法具有以下优点：算法流程简明、构思新颖简洁；计算流程一体化，方便部署服务；泛化能力强，可移植性强，一次训练多次部署使用；运算速度快，省时， 2s左右；开创性地将深度卷积神经网络CNN应用在生态环境质量评估中，准确性高，鲁棒性高，自适应性强。
在示例性实施例中，本申请实施例还提供了一种生态环境质量评估装置，其包括存储器以及耦接至该存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行本申请中任一个实施例中的生态环境质量评估方法。
其中，存储器可以为系统存储器或固定非易失性存储介质等，系统存储器可以存储有操作系统、应用程序、引导装载程序、数据库以及其他程序等。
在示例性实施例中，本申请实施例还提供了一种计算机存储介质，是计算机可读存储介质，例如，包括计算机程序的存储器，上述计算机程序可由处理器执行，以完成本申请中任一个实施例中的生态环境质量评估方法。
以上所述仅为本申请示意性的具体实施方式，在不脱离本申请的构思和原则的前提下，任何本领域的技术人员所做出的等同变化与修改，均应属于本申请保护的范围。
Claims (11)
1.一种生态环境质量评估方法，其特征在于，包括以下步骤：
利用传统遥感生态指数方法计算遥感生态归一化指数，并根据该遥感生态归一化指数构造遥感生态指数训练集；
构建生态指数CNN网络；所述生态指数CNN网络包括输入模块、骨干网络、编码模块和预测头模块；
利用遥感生态指数训练集训练生态指数CNN网络，使得生态指数CNN网络能够自动学习传统遥感生态指数方法需要的模型参数；
基于训练得到的生态指数CNN网络对生态环境的遥感生态指数进行直接推理预测。
2.根据权利要求1所述的生态环境质量评估方法，其特征在于，还包括以下步骤：
按照[0，0.2]、[0.2，0.4]、[0.6，0.8]和[0.8，1.0]区间对预测得到的生态环境的遥感生态指数进行统计划分，并对统计划分的各个区域进行标示，以区分生态质量的好坏程度。
3.根据权利要求2所述的生态环境质量评估方法，其特征在于，还包括以下步骤：对推理预测得到的生态环境的遥感生态指数进行评测，其具体过程为，
构造遥感生态指数测试集；
利用传统遥感生态指数方法计算遥感生态指数RSEI，并根据实际场景对遥感生态指数RSEI进行错误数据校准，得到校准后的遥感生态指数RSEIold；
将遥感生态指数测试集中的网络输入数据输入训练得到的生态指数CNN网络中，得到生态环境的遥感生态指数RSEIcnn；
计算校准后的遥感生态指数RSEIold和生态环境的遥感生态指数RSEIcnn的均值误差，并根据均值误差判断训练得到的生态指数CNN网络的可靠性和准确性。
4.根据权利要求1或2或3所述的生态环境质量评估方法，其特征在于，所述利用传统遥感生态指数方法计算遥感生态归一化指数并根据该遥感生态归一化指数构造遥感生态指数训练集的具体过程为：
获取Landsat8遥感数据并对该遥感数据进行预处理，预处理后的数据Datapreprocess包括Band27-15m和Band10-15m，其中，Band27-15m表示对Band2～Band7波段数据预处理后的分辨率为15m的波段数据，Band10-15m表示对热红外Band10波段数据预处理后的分辨率为15m的波段数据；
根据预处理后的数据Datapreprocess计算归一化遥感生态因子；其中，归一化遥感生态因子包括归一化绿度、归一化湿度、归一化干度和归一化温度；
根据归一化遥感生态因子计算遥感生态归一化指数；
根据遥感生态归一化指数构造遥感生态指数训练集。
5.根据权利要求4所述的生态环境质量评估方法，其特征在于，所述归一化绿度的计算过程为：
根据预处理后的数据Band27-15m，利用归一化差分植被指数的计算公式：
NDVI＝(NIR-Red)/(NIR+Red)，
计算得到归一化差分植被指数NDVI，NIR表示预处理后的数据Band27-15m中的近红外波段反射率，Red表示预处理后的数据Band27-15m中的红外波段反射率；
对归一化差分植被指数NDVI做直方图累积概率统计，并将直方图累积概率值0～Pr对应的归一化差分植被指数NDVI以及直方图累积概率值(1-Pr)～1对应的归一化差分植被指数NDVI作为噪声数据进行去除；
将直方图累积概率值Pr对应的归一化差分植被指数NDVI作为归一化差分植被指数NDVI的最小值，记为NDVImin；将直方图累积概率值(1-Pr)对应的归一化差分植被指数NDVI作为归一化差分植被指数NDVI的最大值，记为NDVImax；
利用归一化差分植被指数NDVI的最小值NDVImin和归一化差分植被指数NDVI的最大值NDVImax对归一化差分植被指数NDVI进行归一化，得到归一化绿度NDVInorm：
6.根据权利要求4所述的生态环境质量评估方法，其特征在于，所述归一化湿度的计算过程为：
根据预处理后的数据Band27-15m，利用Tasselled Cap-wetness公式：
Wetness＝0.1509*Bandλ∈[450，520]+0.1973*Bandλ∈[520，600]+0.3279*Bandλ∈[630，690]+0.3406*Bandλ∈[760，900]-0.7112*Bandλ∈[1550，1750]-0.4572*Bandλ∈[2080，2350]
计算湿度Wetness，其中，λ表示波长；
对湿度Wetness做直方图累积概率统计，并将直方图累积概率值0～Pr对应的湿度Wetness以及直方图累积概率值(1-Pr)～1对应的湿度Wetness作为噪声数据进行去除；
将直方图累积概率值Pr对应的湿度Wetness作为湿度Wetness的最小值，记为Wetnessmin；将直方图累积概率值(1-Pr)对应的湿度Wetness作为湿度Wetness的最大值，记为Wetnessmax；
利用湿度Wetness的最小值Wetnessmin和湿度Wetness的最大值Wetnessmax对湿度Wetness进行归一化，得到归一化湿度Wetnessnorm：
7.根据权利要求4所述的生态环境质量评估方法，其特征在于，所述归一化干度的计算过程为：
根据预处理后的数据Band27-15m，利用干度指数的计算公式：
NDBSI＝0.5*(SI+IBI)，
计算得到干度指数NDBSI，其中，干度指数NDBSI的范围为[-1，1]，其值越大表示越干燥；SI表示裸土指数，IBI表示城市建筑指数：
其中，Band2表示蓝波段，Band3表示绿波段，Band4表示红波段、Band5表示近红外波段，Band6表示短红外一波段；
对干度指数NDBSI做直方图累积概率统计，并将直方图累积概率值0～Pr对应的干度指数NDBSI以及直方图累积概率值(1-Pr)～1对应的干度指数NDBSI作为噪声数据进行去除；
将直方图累积概率值Pr对应的干度指数NDBSI作为干度指数NDBSI的最小值，记为NDBSImin；将直方图累积概率值(1-Pr)对应的干度指数NDBSI作为干度指数NDBSI的最大值，记为NDBSImax；
利用干度指数NDBSI的最小值NDBSImin和干度指数NDBSI的最大值NDBSImax对干度指数NDBSI进行归一化，得到归一化干度NDBSInorm：
8.根据权利要求4所述的生态环境质量评估方法，其特征在于，所述归一化温度的计算过程为：
根据热红外波段数据，利用温度计算公式：
计算得到地表温度；式中，LST表示地表温度，K1和K2均表示系数，BRB表示黑体辐射亮度；
黑体辐射亮度BRB为：
式中，ARBD表示大气向下辐射亮度，ARBU表示大气向上辐射亮度，α表示大气在热红外的透过率；Band10-15m表示热红外数据预处理后的数据；LSE表示地表辐射率；LSE表示地表辐射率；
地表辐射率LSE为：
LSE＝0.004*PV+0.986，
式中，PV表示植被覆盖度：
式中，NDVIv表示纯植被系数，NDVIs表示无植被系数。
9.根据权利要求4所述的生态环境质量评估方法，其特征在于，所述根据归一化遥感生态因子计算遥感生态归一化指数的过程为：
按照波段将归一化绿度、归一化湿度、归一化干度和归一化温度组成一个四通道的数据RSEIlayerstack；
对数据RSEIlayerstack进行PCA主成分分析，计算得到四个特征值，将这四个特征值按照从大到小的顺序排列，得到λ1＞λ2＞λ3＞λ4；
选取最大的特征值λ1对应的成分并将该成分作为第一主成分
对第一主成分
进行归一化处理，得到遥感生态归一化指数RSEInorm，其范围为[0，1]；
遥感生态归一化指数RSEInorm为：
式中，
表示第一主成分
的最大值，
表示第一主成分
的最小值。
10.一种生态环境质量评估装置，其特征在于，包括存储器以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-9任一项所述的生态环境质量评估方法中的步骤。
11.一种存储介质，其特征在于，其上存储有可执行程序，当可执行程序被调用时，执行如权利要求1-9中任一项所述的生态环境质量评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210667947.2A CN115063688A (zh) | 2022-06-14 | 2022-06-14 | 生态环境质量评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210667947.2A CN115063688A (zh) | 2022-06-14 | 2022-06-14 | 生态环境质量评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115063688A true CN115063688A (zh) | 2022-09-16 |
Family
ID=83200438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210667947.2A Pending CN115063688A (zh) | 2022-06-14 | 2022-06-14 | 生态环境质量评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063688A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN112541613A (zh) * | 2020-11-08 | 2021-03-23 | 上海海洋大学 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
| CN113553907A (zh) * | 2021-06-21 | 2021-10-26 | 山东建筑大学 | 一种基于遥感技术的森林生态环境状况评价方法 |
| CN114120147A (zh) * | 2021-11-30 | 2022-03-01 | 上海交通大学 | 铁路隧道涌水流径沿线区域生态环境评价系统 |
-
2022
- 2022-06-14 CN CN202210667947.2A patent/CN115063688A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN112541613A (zh) * | 2020-11-08 | 2021-03-23 | 上海海洋大学 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
| CN113553907A (zh) * | 2021-06-21 | 2021-10-26 | 山东建筑大学 | 一种基于遥感技术的森林生态环境状况评价方法 |
| CN114120147A (zh) * | 2021-11-30 | 2022-03-01 | 上海交通大学 | 铁路隧道涌水流径沿线区域生态环境评价系统 |
Non-Patent Citations (1)
| Title |
|---|
| 魏雨涵 等: "基于RSEI的漓江流域生态环境质量动态监测", 《中国水土保持科学》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
| US20200250428A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| Mohammadi et al. | Possibility investigation of tree diversity mapping using Landsat ETM+ data in the Hyrcanian forests of Iran | |
| CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
| WO2019176879A1 (ja) | 栽培作物選定支援装置、栽培作物選定支援方法、及びコンピュータ読み取り可能な記録媒体 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
| CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
| CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| Liu et al. | Interaction of climate, topography and soil properties with cropland and cropping pattern using remote sensing data and machine learning methods | |
| Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
| CN114965501A (zh) | 基于冠层参数处理的花生病害检测与产量预测方法 | |
| CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
| CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
| Lin et al. | A model for forest type identification and forest regeneration monitoring based on deep learning and hyperspectral imagery | |
| Osmond | Hemispherical photography as a tool for urban sustainability evaluation and design | |
| Yang et al. | Estimation of rice aboveground biomass by UAV imagery with photosynthetic accumulation models | |
| CN115203624B (zh) | 一种基于时序遥感的任意时刻地表环境综合评估方法 | |
| CN115063688A (zh) | 生态环境质量评估方法及装置 | |
| CN115661677A (zh) | 一种基于暗通道特征引导的轻量级卫星影像云检测方法 | |
| Andreev et al. | Cloud detection from the Himawari-8 satellite data using a convolutional neural network | |
| CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
| Moumtzidou et al. | Flood detection with Sentinel-2 satellite images in crisis management systems. |
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: 20220916 |