CN115688955A - 植被长势预测方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种植被长势预测方法、装置及存储介质，所述方法包括：获取与当前目标植被的长势相关联的数据；对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；以及对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。本发明通过物联监测设备结合高分影像数据获取与目标植被长势相关联的数据，并将其输入预先训练完成的目标植被长势预测模型获得未来某一时期的目标植被长势预测结果，并根据此预测结果辅助制定目标植被的间伐抚育作业计划。

Description

植被长势预测方法、装置及存储介质

技术领域

本发明涉及植被长势预测技术领域，具体涉及一种植被长势预测方法、装置及存储介质。

背景技术

在森林林木幼小时期到发育成熟时期，需要根据植物生长情况进行合理的森林抚育间伐措施，从而更好的促进林木成长。但从当前的林场管理来看，现有的间伐抚育任务大部分需要有经验的管理人员巡山后制定，由于没有很多数据支撑，间伐抚育措施制定不合理，导致林木生长不理想，造成森林更新速度缓慢，甚至有些地方出现乱采乱伐现象，无法达到预期效果，因此，如何通过数字化手段为林业建设者提供科学合理及时的森林生长数据支撑，辅助制定间伐抚育措施任务，变的极其重要。

现有的间伐抚育措施任务的制定主要是根据人工巡山查看结合高分影像分析所获取的植被生长数据。例如，现在大部分林场管理人员，会安排护林员定期巡山查看，发现需要做间伐抚育的区域后，会进行现场任务上报，管理部门接收到现场情况后，进行任务预算的编制，安排森林施工队伍进行林场作业，任务完成后进行工作验收及资金付款。同时，林业部门会每隔5年做一次卫星高分影像的森林数据分析，根据影像数据划分林班林分，结合每年一次的森林调查数据(主要通过巡山采集)，制定森林间伐抚育措施任务，然后制定方案实施。

现有方式的缺陷主要包括以下方面：

1、制定任务速度慢，对数据的整理，大部分需要人员手工完成，数据处理慢，从发现任务区域到任务完成，往往需要几个月时间。

2、前期基础数据不准确，对高分影像数据的数据更新间隔时间长达5年一次，且图像分辨率有限，更新速度缓慢导致基础数据不准确。

3、不能形象化表达，很多数据均以二维电子表格或二维图片表述，无法形象描述植被生长的现场情况，沟通效率不高。

发明内容

针对以上现有技术的缺陷，本发明提供一种植被长势预测方法、装置及存储介质，通过物联监测设备结合高分影像数据获取与目标植被长势相关联的数据，并将其输入预先训练完成的目标植被长势预测模型获得未来某一时期的目标植被长势预测结果，并根据此预测结果辅助制定目标植被的间伐抚育作业计划。

为实现上述目的，本发明的实施例提供了一种植被长势预测方法，所述方法包括：获取与当前目标植被的长势相关联的数据；对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；以及对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。

本发明的实施例还提供了一种植被长势预测装置，所述装置包括：获取单元，用于获取与当前目标植被的长势相关联的数据；处理单元，用于对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；计算单元；用于将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；以及模拟单元；用于对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。

本发明的实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以上任一实施例所述的植被长势预测方法的步骤。

本发明的优点在于，通过物联监测设备结合高分影像数据获取与目标植被长势相关联的数据能够准确反映当前目标植被的长势情况；同时通过将所述数据输入预先训练完成的目标植被长势预测模型获得未来某一时期的目标植被长势预测结果，并对该结果进行图像化处理，能够形象地描述植被在未来某一时期的长势情况和长势变化过程；另外，根据上述长势预测结果能够进一步辅助相关管理部门制定目标植被的间伐抚育作业计划，缩短任务制定周期。

附图说明

下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。

图1示出了本发明实施例所提供的植被长势预测方法的流程示意图。

图2示出了本发明实施例所提供的植被长势预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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，本领域技术人员在没有作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。

本发明的说明书和权利要求书以及附图中的术语“第一”“第二”“第三”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应当理解，这样描述的对象在适当情况下可以互换。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体地限定。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排它的包含。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件电路或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1示出了本发明实施例所提供的植被长势预测方法的流程示意图。本实施例提供的植被长势预测方法可以适用于计算机设备中。所述计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有显示功能的电子设备，本实施例对计算机设备的具体形式不做限定。

参考图1，本发明实施例所提供的植被长势预测方法包括以下步骤：

步骤S10，获取与当前目标植被的长势相关联的数据；

步骤S20，对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；

步骤S30，将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；

步骤S40，对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。

以下将进一步描述本实施例所述方法的每一步骤。

在步骤S10，获取由物联监测设备采集的与当前目标植被的长势相关联的第一数据；以及获取由遥感卫星采集的与当前目标植被的长势相关联的第二数据；其中所述第一数据和所述第二数据各自至少包括环境气象数据、土壤数据，以及目标植被长势数据。

具体地，在目标植被种植的相关森林管理区域部署相应的物联监测设备，用于获取森林管理区域的实时数据，即上述第一数据，该第一数据主要包含环境气象监测数据、土壤监测数据以及目标植被长势数据。

其中，通过环境气象监测设备获取环境气象监测数据，该环境气象监测设备可以部署在森林管理区域内，24小时不间断的对区域环境进行数据采集，其数据采集更新频率高、准确性强、采集数据密度大，该环境气象监测数据至少包含气象温度、湿度、降水量、蒸发量、日照时长、光合有效辐射、风速、风向、风力、气压、PM2.5、二氧化碳浓度、氧气含量，以及负氧离子指数等。

通过土壤监测设备获取土壤监测数据，该土壤监测设备采取实时监测和定期取样方式，主要监测森林土壤相关数据，主要包含地下水位、土壤含盐量、土壤质地、土层厚度、腐殖质层厚度、土壤PH值、电导、氮磷钾含量、含水量、土壤温度等。

通过无人机设备获取目标植被长势数据，无人机设备可以在不与目标植被直接接触的情况下，通过传感器低空飞行，并通过发射电磁波信息获取植物长势数据，无人机采集数据分辨率高，也可以快速在野外飞行，主要采集植物叶片形态、颜色、郁闭度、高度、胸径等信息。

另外，获取由遥感卫星采集的与当前目标植被的长势相关联的第二数据可以包含高分系列卫星GF-1、GF-4卫星数据，GF-1是国家高分辨率多地观测系统重大专项天基系统中的首发卫星，GF-4是中国第一颗地球同步轨道遥感卫星，可提供50m空间尺度数据，该卫星数据可以从国家卫星资源网站获取，也可以从森林管理机构结合二调数据获取。

应当理解，通过以上环境监测设备、土壤监测设备、无人机设备低空飞行三者结合，形成了一套实时动态的遥感监控系统。通过低空飞行，可以弥补遥感卫星数据低分辨率的问题，通过各种设备监控，可以弥补人员野外采集困难、数据更新不及时的问题。

在步骤S20，将由物联监测设备采集的第一数据与由遥感卫星采集的第二数据进行比对，以校验由物联监测设备采集的第一数据。当由物联监测设备采集的第一数据与由遥感卫星采集的第二数据之间的误差超过预设范围时，通过所述物联监测设备在指定区域重新采集与当前目标植被的长势相关联的数据以修正所述第一数据。在对所述第一数据进行修正后，按预设规则对所获取的与当前目标植被的长势相关联的所述第一数据和所述第二数据进行清洗与加工，以将其转换成用于目标植被长势预测的基础数据集。

具体地，在将由物联监测设备采集的第一数据与由遥感卫星采集的第二数据进行比对之前，对该第一数据和第二数据进行数据处理，形成可以用于数据比对和应用的数据信息。其中所述处理至少包括对该第一数据和第二数据进行图像处理和数据校正，例如将获取的影像和图片转换为结构化数据信息，以及对无人机数据和遥感影像数据进行校正。

具体的，无人机遥感所需的数据主要包括无人机影像数据及地面采样数据，与影像相关联的数据还包括：无人机自带辐射计或通过铺设定标板在航拍前后获取的辐射定标数据；无人机定位定姿系统所获取的定位定姿系统(POS)数据(用于影像的拼接与正射校正)；以及通过差分GPS测量研究区内均匀布控的地面参考点数据(用于影像拼接后的几何精校正)。地面采样数据按用途有两个方面：一是通过地面采集无人机遥感无法直接获取的参数信息，辅助参与植物长势推演计算；二是作为真实验证数据对反演结果进行精度评价。数据处理主要包括影像的辐射定标、影像拼接、正射校正、几何校正、数据分析计算等部分。受云阴影的影响，传感器所获取的地物辐射亮度或光谱反射率会出现不一致及失真的现象。因此需要对无人机遥感影像进行辐射定标处理。由于影像在拼接过程中，航拍区域外缘往往存在拼接结果缺损的现象，故航拍时的影像覆盖范围需适当大于研究区范围，避免影像的拼接结果出现边缘缺失的问题。正射校正能够降低地物影像的几何畸变，这对植物生长参数的准确性具有重要作用。虽然无人机遥感影像的空间分辨率能达到厘米级，但由于无人机自带GPS精度有限，加之受风力、飞行高度、飞行速度、飞行器震动等因素的影响，导致无人机影像的地理坐标存在一定的误差，需要通过地面控制点的高精度GPS坐标数据对影像作几何精校正。

针对遥感数据大气校正，可以选取绝对大气校正方法中的大气校正模块(例如，FLAASH模型)进行大气校正，模型也是目前最常用的大气校正模型。针对遥感影像几何校正，在遥感成像的时候，由于飞行器的运行方式以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，这种畸变导致影像和实际位置发生偏差，需要针对几何畸变进行误差校正。

随后，在将由物联监测设备采集的第一数据与由遥感卫星采集的第二数据进行比对时，当由物联监测设备采集的第一数据与由遥感卫星采集的第二数据之间的偏差值超过预设范围时，再次通过相关的物联监测设备在指定的采集区域内重新采集与当前目标植被的长势相关联的数据，以修正所述第一数据，并进行二次比对，其中该指定的采集区域一般为缩小后的采集范围。

具体地，在本实施例中，对不同的植物生长数据，其数据误差范围均有相关要求，在数据被使用之前，对采集处理好的数据进行初步数据比对验证，通过参数误差的判断，能够确定误差区域，将结果反馈给实施人员，从而对此指定区域重新进行数据采集和确认。

其中，在采用物联监测设备重新采集数据时，会针对误差点位置缩小采集范围，例如，通过无人机多次低空飞行，多次现场采集数据，结合数字孪生底层图像比对分析算法，对采集的数据进行再次校验，将修正后的正确数据在源数据中进行跟踪替换，保证后续输入预测模型中的数据在允许的误差范围内，从而确保输出结果的准确性。

在对所述第一数据进行修正后，按预设规则对所获取的与当前目标植被的长势相关联的修正后的第一数据和所述第二数据进行清洗与加工，以将其转换成用于目标植被长势预测的基础数据集。具体地，所述预设规则至少包括对修正后的第一数据和所述第二数据中的重复数据进行过滤和筛选，以及对数据进行加工。其中，过滤和筛选处理包括当所述第一数据与所述第二数据包括相同类型的数据且存在预设范围内的偏差值时，保留第一数据，并删除第二数据。数据加工处理包括根据本领域技术人员熟知的经验模型和生理生态模型对数据进行转化处理以获得能够输入至预测模型中的基础数据。

在步骤S30，将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果，其中，所述目标植被长势预测模型是基于目标植被长势的历史数据和实测数据对预设的原始模型进行训练而获得的。

具体的，所述预设的原始模型可以是三层神经网络模型，例如BP(Back-propagation，反向传播)神经网络模型，包括输入层、隐藏层和输出层。通过目标植被长势的历史数据和实测数据中的环境气象监测数据、土壤监测数据以及目标植被长势数据构成训练集，对该三层申请网络模型进行训练，能够获得预测未来某一特定时期的目标植被长势的预测模型。其中该特定时期可以根据不同项目的具体要求进行设定。应当理解，植被生长发育的过程和环境条件有着密切的关系，通过将环境数据、土壤数据加入训练集与植被长势数据一同进行训练，能够反映环境条件对植被生长的影响。

其中，BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐藏层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐藏层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐藏层节点的联接强度和隐藏层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

训练完成的目标植被长势预测模型可以接收与当前目标植被的长势相关联的不同类别的输入数据，并输出目标植被长势预测结果。例如，输入至预测模型的数据可以是与当前目标植被的长势相关联的数据，包括当前的环境气象监测数据、土壤监测数据以及目标植被长势数据，其中所述目标植被长势数据可以包括胸径、树高、冠幅、冠高一级树冠叶密度等与植物长势有关的数据。应当理解，对于不同的植被，其长势数据可以包括不同的参数信息。因此，可以针对不同的植被建立不同的长势预测模型。预测模型的输出数据可以是预设的未来某一时期(例如两年、四年或六年后)的目标植被长势预测结果。

在步骤S40，对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。同时，根据所获得的目标植被长势预测结果以及预设的间伐抚育任务要求，输出对应于目标植被的间伐抚育作业计划。还可以根据某一历史时期的目标植被长势的实测数据，对通过所述目标植被长势预测模型计算获得的在同一历史时期的目标植被长势预测结果进行验证，用于更新所述目标植被长势预测模型。

具体的，在本实施例中，通过数字孪生引擎，将获得的预测结果转换为具体的参数化数据，可以根据参数化数据所在范围选择对应的3D图像显示，例如，当通过查表判断该数据结果为第一阶段、或者树龄1-3年时，直接选择并调用对应的3D图像或动画进行展示，从而模拟该目标植被的生长情况。

在本实施例中，根据所获得的目标植被长势预测结果以及通过上述3D仿真模拟分析，为林业管理人员输出相应的森林间伐抚育任务，包括任务区域、相关任务工作量、预期指标等等，供林业管理人员制定间伐抚育措施进行数据参考。

在本实施例中，还需要根据目标植被长势的反演结果与当日之前已经发生的历史实测数据进行模拟数据与现实数据的结果比对，对超出预设范围的数据组进行数据分析，为预测模型的训练提供改进意见。应当理解，在模型训练及验证过程中，通过多种手段对模型算法进行验证和训练，形成自愈闭环，不断提高算法准确性，不断接近植被真实生长情况。

图2示出了本发明实施例所提供的植被长势预测装置100的结构示意图。所述装置100包括：获取单元10，用于获取与当前目标植被的长势相关联的数据；处理单元20，用于对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；计算单元30；用于将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；以及模拟单元40；用于对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。

应当理解，对上述装置100中的各个单元的具体限定和实现方式具体可参见上述实施例的内容，在此不再赘述。

在另一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现以下植被长势预测方法的步骤：

获取与当前目标植被的长势相关联的数据；对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；以及对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。

对上述步骤的具体限定和实现方式可以参看上述实施例，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上对本发明实施例所提供的一种三植被长势预测方法、装置及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例的技术方案的范围。

Claims (10)

1.一种植被长势预测方法，其特征在于，所述方法包括：

获取与当前目标植被的长势相关联的数据；

对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；

将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；以及

对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。

2.如权利要求1所述的植被长势预测方法，其特征在于，所述获取与当前目标植被的长势相关联的数据的步骤包括：

获取由物联监测设备采集的与当前目标植被的长势相关联的第一数据；以及

获取由遥感卫星采集的与当前目标植被的长势相关联的第二数据；

其中所述第一数据和所述第二数据各自至少包括环境气象数据、土壤数据，以及目标植被长势数据。

3.如权利要求2所述的植被长势预测方法，其特征在于，所述对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集的步骤包括：

将由物联监测设备采集的第一数据与由遥感卫星采集的第二数据进行比对，以校验由物联监测设备采集的第一数据。

4.如权利要求3所述的植被长势预测方法，其特征在于，当由物联监测设备采集的第一数据与由遥感卫星采集的第二数据之间的误差超过预设范围时，通过所述物联监测设备在指定区域重新采集与当前目标植被的长势相关联的数据以修正所述第一数据。

5.如权利要求4所述的植被长势预测方法，其特征在于，在对所述第一数据进行修正后，按预设规则对所获取的与当前目标植被的长势相关联的修正后的第一数据和所述第二数据进行清洗与加工，以将其转换成用于目标植被长势预测的基础数据集。

6.如权利要求1所述的植被长势预测方法，其特征在于，基于目标植被长势的历史数据和实测数据对预设的原始模型进行训练，以获得所述目标植被长势预测模型。

7.如权利要求1所述的植被长势预测方法，其特征在于，所述方法还包括：根据所获得的目标植被长势预测结果以及预设的间伐抚育任务要求，输出对应于目标植被的间伐抚育作业计划。

8.如权利要求1所述的植被长势预测方法，其特征在于，所述方法还包括：根据某一历史时期的目标植被长势的实测数据，对通过所述目标植被长势预测模型计算获得的在同一历史时期的目标植被长势预测结果进行验证，用于更新所述目标植被长势预测模型。

9.一种植被长势预测装置，其特征在于，所述装置包括：

获取单元，用于获取与当前目标植被的长势相关联的数据；

处理单元，用于对所获取的数据进行处理，以产生用于目标植被长势预测的基础数据集；

计算单元；用于将所述基础数据集中的数据输入至已训练完成的目标植被长势预测模型中，以获得目标植被长势预测结果；以及

模拟单元；用于对所述目标植被长势预测结果进行图像化操作，以模拟目标植被的长势情况。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1至8任一项所述的植被长势预测方法中的步骤。

Images