CN116563716A - 用于森林碳汇数据采集的gis数据处理系统 - Google Patents
用于森林碳汇数据采集的gis数据处理系统 Download PDFInfo
- Publication number
- CN116563716A CN116563716A CN202310826712.8A CN202310826712A CN116563716A CN 116563716 A CN116563716 A CN 116563716A CN 202310826712 A CN202310826712 A CN 202310826712A CN 116563716 A CN116563716 A CN 116563716A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- forest
- pixel point
- image
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 241000208140 Acer Species 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000489438 Cinchona pubescens Species 0.000 description 1
- 241001487832 Cupressus duclouxiana Species 0.000 description 1
- 235000018782 Dacrydium cupressinum Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 240000000793 Pinus armandii Species 0.000 description 1
- 235000011612 Pinus armandii Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 240000007263 Pinus koraiensis Species 0.000 description 1
- 235000011615 Pinus koraiensis Nutrition 0.000 description 1
- 241000018650 Pinus massoniana Species 0.000 description 1
- 235000013697 Pinus resinosa Nutrition 0.000 description 1
- 241000534656 Pinus resinosa Species 0.000 description 1
- 235000011610 Pinus tabuliformis Nutrition 0.000 description 1
- 235000003417 Plumeria rubra f acutifolia Nutrition 0.000 description 1
- 244000040691 Plumeria rubra f. acutifolia Species 0.000 description 1
- 241000219492 Quercus Species 0.000 description 1
- 241001480058 Quercus glauca Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- G06V20/188—Vegetation
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及用于森林碳汇数据采集的GIS数据处理系统,包括:获取不同分辨率的森林遥感图像和标签图像,获得每个像素点的第一分类偏差影响程度;根据每个森林遥感图像的参考图像集和对比遥感图像获得每个像素点的第二分类偏差影响程度;结合每个像素点的碳储量表现、第一分类偏差影响程度和第二分类偏差影响程度,获得每个像素点的最终分类偏差影响程度,获得每个森林遥感图像的关注图;将关注图融合到卷积神经网络的输入层和前两个卷积层中,构建损失函数,训练得到用于植被分类的卷积神经网络。本发明通过获得更能反应真实分类偏差的损失函数,使神经网络从不同感受野全面地提取和学习关注图所具有的特征信息。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及用于森林碳汇数据采集的GIS数据处理系统。
背景技术
森林碳汇是指森林植物吸收大气中的二氧化碳并将其固定在植被或土壤中,从而减少该气体在大气中的浓度。森林碳汇数据表示可以用一定时间内上述所有碳库碳储量的变化量之和来表示,而森林碳储量一般利用GIS中地理信息与遥感信息进行表示,此时不同种类的植被具有不同的碳储量表现,所以遥感图像中进行不同种类植被的分割识别是森林碳汇数据采集中GIS数据处理关键步骤。
对于遥感图像植被进行分类,由于遥感图像信息比较复杂,一般选用神经网络进行分类。分类神经网络模型的训练所需的损失函数一般指分类结果与分类标签存在差异的点的数量,但是在当前训练集中,光谱分辨率的差异导致一些点的分类标签存在差异,即不同分辨率图像具有不同的分类表现,此时不同点相对于高分辨率分类标签差异反应其标签的准确关系,此时不同点分类标签的准确关系反应其训练过程标签偏差的接受关系。同时不同点在训练过程中分类标签的偏差具有不同碳储量表现差异,所以训练集中不同点对损失函数具有不同的影响关系。所以神经网络训练过程中,数据结果分类偏差的数量无法直接反应实际损失。
发明内容
本发明提供用于森林碳汇数据采集的GIS数据处理系统,以解决现有的问题。
本发明的用于森林碳汇数据采集的GIS数据处理系统采用如下技术方案:
本发明提供了用于森林碳汇数据采集的GIS数据处理系统,所述系统包括:
图像获取模块,获取不同分辨率的森林遥感图像,每个森林遥感图像包括对应的光谱分辨率、空间分辨率、拍摄时间和地理区域;
样本集获取模块,通过人为标注获取每个森林遥感图像的标签图像,获得每个森林遥感图像上每个区域的边界像素点;
关注图获取模块,根据每个像素点与森林遥感图像中不同区域的位置关系,获得每个森林遥感图像上每个像素点的第一分类偏差影响程度;
根据所有森林遥感图像的光谱分辨率和地理区域的关系,获得每个森林遥感图像的参考图像集;
将任意一张森林遥感图像为目标遥感图像,根据目标遥感图像中每个像素点与目标遥感图像的参考图像集中每个森林遥感图像对应的像素点的分类标签的差异性,获得目标遥感图像的所有对比遥感图像;
根据每个森林遥感图像的对比遥感图像的数量,以及对比遥感图像与森林遥感图像的空间分辨率的差异和拍摄时间的差异,获得每个森林遥感图像上每个像素点的第二分类偏差影响程度;
结合每个像素点的碳储量表现、第一分类偏差影响程度和第二分类偏差影响程度,获得每个森林遥感图像上每个像素点的最终分类偏差影响程度,根据所有像素点的最终分类偏差影响程度获得每个森林遥感图像的关注图;
神经网络构建模块,将关注图融合到卷积神经网络的输入层、第一卷积层以及第二卷积层中,结合每个森林遥感图像的关注图和标签图像,构建卷积神经网络的损失函数,训练得到用于植被分类的卷积神经网络。
进一步地,所述获得每个森林遥感图像上每个像素点的第一分类偏差影响程度,包括的具体步骤如下:
将任意一张森林遥感图像为目标遥感图像,目标遥感图像中每个像素点的第一分类偏差影响程度的计算公式为:
式中,表示目标遥感图像中第i个像素点的第一分类偏差影响程度,/>表示目标遥感图像中第i个像素点与所有边界像素点的距离的最小值,/>表示目标遥感图像中第i个像素点与第i个像素点所属的区域中所有边界像素点的距离的最小值。
进一步地,所述获得每个森林遥感图像的参考图像集,包括的具体步骤如下:
将任意一张森林遥感图像为目标遥感图像,将拍摄目标遥感图像时,在地理位置上对应的地理区域记为目标地理区域,将目标遥感图像的光谱分辨率记为目标分辨率;在所有比目标分辨率更高的森林遥感图像中,获取在地理位置上对应的地理区域和目标地理区域的重合区域的面积最大的N个森林遥感图像,将获得的这N个森林遥感图像组成的集合记为目标遥感图像的参考图像集,其中,如果所有比目标分辨率更高的森林遥感图像的数量小于N,将所有比目标分辨率更高的森林遥感图像组成的集合记为目标遥感图像的参考图像集,N表示预设数量。
进一步地,所述获得目标遥感图像的所有对比遥感图像,包括的具体步骤如下:
将任意一张森林遥感图像为目标遥感图像,对于目标遥感图像中第i个像素点,获得目标遥感图像的参考图像集中,森林遥感图像中第i个像素点与目标遥感图像中第i个像素点的分类标签不相同的森林遥感图像,记为目标遥感图像的对比遥感图像。
进一步地,所述获得每个森林遥感图像上每个像素点的第二分类偏差影响程度,包括的具体步骤如下:
目标遥感图像中的每个像素点的第二分类偏差影响程度的计算公式为:
式中,表示目标遥感图像的第i个像素点的第二分类偏差影响程度,M表示目标遥感图像的对比遥感图像的数量,N表示目标遥感图像的参考图像集中森林遥感图像的数量,/>表示目标遥感图像的第v个对比遥感图像的空间分辨率,/>表示目标遥感图像的第v个对比遥感图像的拍摄时间,/>表示目标遥感图像的第v个对比遥感图像与目标遥感图像的空间分辨率的差值的绝对值,/>表示目标遥感图像的第v个对比遥感图像与目标遥感图像的时间差值的绝对值。
进一步地,所述获得每个森林遥感图像上每个像素点的最终分类偏差影响程度,包括的具体步骤如下:
将任意一张森林遥感图像为目标遥感图像,目标遥感图像中的每个像素点的最终分类偏差影响程度的计算公式为:
式中,表示目标遥感图像中第i个像素点的最终分类偏差影响程度,/>表示目标遥感图像中第i个像素点的第一分类偏差影响程度,/>表示目标遥感图像的第i个像素点的第二分类偏差影响程度,M表示目标遥感图像的对比遥感图像的数量,/>表示目标遥感图像的第v个对比遥感图像中第i个像素点与目标遥感图像中第i个像素点的碳储量表现的差值的绝对值。
进一步地,所述将关注图融合到卷积神经网络的输入层、第一卷积层以及第二卷积层中,包括的具体步骤如下:
设计一个卷积神经网络,包括卷积层,将森林遥感图像和对应的关注图叠加在一起构成一个四通道的图像,将该四通道的图像输入到卷积神经网络中,将卷积神经网络的第一个卷积层输出的特征图记为特征图F1,将特征图F1和关注图叠加在一起构成一个n1+1通道的特征图,将该特征图输入到卷积神经网络的第二个卷积层,将卷积神经网络的第二个卷积层输出的特征图记为特征图F2,将特征图F2和关注图叠加在一起构成一个n2+1通道的特征图,将该特征图输入卷积神经网络的下一个卷积层中。
进一步地,所述构建卷积神经网络的损失函数,包括的具体步骤如下:
对于每个森林遥感图像的标签图像,将每种植被类型的标签转换为one-hot编码,标签图像中的第i个像素点的标签对应的one-hot编码记为,/>表示第i个像素点的标签在one-hot编码后的第j个数据;
将森林遥感图像输入到卷积神经网络且将关注图融合进卷积神经网络后,卷积神经网络输出一个结果图像,结果图像有8个通道,将结果图像上的第i个像素点的灰度值记为,/>表示第i个像素点在第j个通道的灰度值,根据结果图像上的第i个像素点的灰度值/>获得第i个像素点的输出标签;
卷积神经网络的损失函数为:
式中,Q表示森林遥感图像中像素点的数量,表示森林遥感图像的关注图上第i个像素点的关注度,/>表示森林遥感图像的标签图像上第i个像素点的标签对应的one-hot编码,/>表示结果图像上的第i个像素点的灰度值,/>表示/>与/>的交叉熵,表示森林遥感图像上第i个像素点的植被标签与输出标签的碳储量表现的差值的绝对值;
其中,表示/>与/>的交叉熵,具体为:
式中,表示结果图像中第i个像素点在第j个通道的灰度值,/>表示第i个像素点的标签在one-hot编码后的第j个数据。
本发明的技术方案的有益效果是:本发明通过对训练样本集中不同森林遥感图像上同一位置的像素点的分类标签差异关系,判断不同像素点的分类差异对衡量分类准确性的损失函数的影响程度的影响,避免了训练样本集中森林遥感图像的分类误差较大的像素点对神经网络训练的影响,提高神经网络的损失函数对分类明确的像素点的响应速度,从而获得更能反应真实分类偏差的损失函数;在利用训练样本集中不同分辨率的森林遥感图像的分类标签差异关系反映不同像素点对损失函数的影响基础上,结合分类标签对应的碳储量表现,利用不同像素点的分类标签差异对应的碳储量表现的差异,反应低分辨率图像不同点分类标签差异对衡量分类准确性的影响程度,使得分类标签差异所反映的像素点对损失函数的影响更加符合本实施例进行植被分类目的,提高了分类标签差异分析的准确性;相比于直接将森林遥感图像输入到神经网络,本发明通过将关注图融合进了神经网络的输入层、第一卷积层和第二卷积层中,能够保证神经网络可以全面的从不同感受野来提取和学习关注图所具有的特征信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的用于森林碳汇数据采集的GIS数据处理系统的系统框图;
图2为卷积神经网络的结构图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于森林碳汇数据采集的GIS数据处理系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于森林碳汇数据采集的GIS数据处理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于森林碳汇数据采集的GIS数据处理系统,该系统包括以下模块:
图像获取模块S101,用于获取不同分辨率的森林遥感图像。
具体的,根据实际需求在Landsat卫星系统存储的数据中,获取不同分辨率的森林遥感图像,每个森林遥感图像包括对应的光谱分辨率、空间分辨率和拍摄时间,将拍摄每个森林遥感图像时,在地理位置上对应的地理区域记为每个森林遥感图像对应的地理区域。
样本集获取模块S102,用于获得所森林遥感图像的标签图像,进而获得训练样本集。
需要说明的是,对森林遥感图像中进行不同种类植被的分割识别是森林碳汇数据采集中,对GIS数据进行数据处理关键步骤,由于森林遥感图像中包含的信息比较复杂,一般选用神经网络对森林遥感图像进行植被分类。分类神经网络的损失函数是分类结果与分类标签存在差异的数量,但是在对森林遥感图像进行植被分类训练时,不同分辨率的森林遥感图像的差异导致一些像素点的分类标签存在差异,即不同分辨率图像具有不同的分类表现,此时不同像素点相对于高分辨率分类标签差异反应其标签的准确关系,此时不同像素点分类标签的准确关系反应其训练过程分类标签偏差的接受关系;同时不同像素点在训练过程中分类标签的偏差具有不同碳储量表现的差异,所以训练样本集中不同像素点对损失函数具有不同的影响关系。所以神经网络训练过程中,数据结果分类偏差的数量无法直接反应实际损失。本实施例结合分类标签偏差对应的碳储量表现的差异构建损失函数。
具体的,获取每个森林遥感图像的标签图像,具体为:人为的将森林遥感图像中属于同一个植被类型的像素点分配一个标签,在本实施例中,需要进行区分的植被类型包括:华山松、冷杉、红皮松、水松、青冈、柞树、槐树和枫树共8种,不同的植被类型对应不同的碳储量表现;将属于华山松的像素点标记为1,属于冷杉的像素点标记为2,属于红皮松的像素点标记为3,以此类推,将属于枫树的像素点标记为8,至此,获得所有植被标签1、2、3、……、8,即训练样本集中的所有森林遥感图像总共可以分为8类植被。标签图像和森林遥感图像大小一样。
进一步,对每个森林遥感图像的标签图像进行连通域分析,获得每个森林遥感图像的标签图像上的若干个连通域;获得标签图像上的每个连通域在森林遥感图像上对应的区域,将每个区域的边界上的像素点记为每个区域的边界像素点。
至此,获得所有森林遥感图像和对应的标签图像组成的训练样本集。
关注图获取模块S103,用于根据每个森林遥感图像中每个像素点的第一分类偏差影响程度和第二分类偏差影响程度,获得每个森林遥感图像中每个像素点的最终分类偏差影响程度。
需要说明的是,在采集森林碳汇数据时,想要准确地获得森林碳汇数据,需要对森林遥感图像进行不同种类植被的分割识别;由于森林遥感图像中包含的信息比较复杂,一般选用神经网络对森林遥感图像进行植被分类,在利用CNN神经网络进行植被分类时,分类效果受神经网络训练效果的影响,此时损失函数的好坏影响训练效果。一般分类神经网络模型损失函数主要指神经网络输出分类结果与训练集分类标签之间存在差异的数量,即分类偏差的点的数量。但是本实施例用到的训练样本集是不同分辨率的森林遥感图像,每个地理位置上特征在多个不同分辨率的森林遥感图像中均有所体现,所有每个地理位置的分类结果准确性体现在多个不同分辨率的森林遥感图像的分类结果准确性上。
进一步需要说明的是,因此,本实施例结合不同分辨率的森林遥感图像上的不同位置的像素点的分类结果对损失函数的影响不同,以及森林遥感图像上不同位置的像素点的分类结果准确性对损失函数的影响不同,根据像素点与森林遥感图像中不同区域的位置关系,获得每个像素点的第一分类偏差影响程度,根据分类标签存在差异的更高分辨率的森林遥感图像的数量,以及更高分辨率的森林遥感图像的空间分辨率的差异和拍摄时间的差异,获得每个像素点的第二分类偏差影响程度,进而获得每个像素点的最终分类偏差影响程度。
1.获得每个森林遥感图像中每个像素点的第一分类偏差影响程度。
需要说明的是,在森林遥感图像中,不同类型植被对应的区域之间的边界不是绝对的,所有边界上的像素点的分类偏差对最终植被分类结果的影响较小,同时森林遥感图像中植被分类是区域性的,所以像素点在分类过程中偏差位置与不同区域之间的位置关系,影响着植被分类效果,分类存在偏差的像素点与其他分类区域的越重叠,对整体分类结果的影响越大。
具体的,根据像素点与森林遥感图像中不同区域的位置关系,获得每个像素点的第一分类偏差影响程度;将任意一张森林遥感图像为目标遥感图像,目标遥感图像中每个像素点的第一分类偏差影响程度的计算公式为:
式中,表示目标遥感图像中第i个像素点的第一分类偏差影响程度,/>表示目标遥感图像中第i个像素点与所有边界像素点的距离的最小值,/>表示目标遥感图像中第i个像素点与第i个像素点所属的区域中所有边界像素点的距离的最小值;/>越小,第i个像素点距离边界越近,第i个像素点越靠近区域的边界,因此,第i个像素点被错误分类的概率越大,则越不需要关注第i个像素点的分类结果的准确性,相应的如果第i个像素点的分类存在偏差,对衡量分类准确性的影响程度越小,第i个像素点的第一分类偏差影响程度/>越小;/>越大,第i个像素点距离第i个像素点所属的区域的边界越远,越可能属于所属的区域的核心区域中的像素点,所属的区域的核心区域中的像素点被错误分类时,对所属的区域的分类结果的影响越大,第i个像素点的第一分类偏差影响程度/>越大。
2.获得每个森林遥感图像的参考图像集。
需要说明的是,森林遥感图像中对植被波谱细节信息的分辨能力体现为光谱分辨率,所以训练样本集中不同分辨率的森林遥感图像上的不同位置的像素点的分类结果对损失函数的影响不同,从而影响神经网络的训练,因此,而高分辨率的森林遥感图像上植被波谱细节信息的分辨能力越强,因此,高分辨率的森林遥感图像上像素点的分类结果更具有参考意义,因此,对于任意一个森林遥感图像,将更高分辨率且重合区域的面积越大的若干个森林遥感图像,作为该森林遥感图像参考图像。
具体的,将任意一张森林遥感图像为目标遥感图像,将拍摄目标遥感图像时,在地理位置上对应的地理区域记为目标地理区域,将目标遥感图像的光谱分辨率记为目标分辨率;在所有比目标分辨率更高的森林遥感图像中,获取在地理位置上对应的地理区域和目标地理区域的重合区域的面积最大的N个森林遥感图像,将获得的这N个森林遥感图像组成的集合记为目标遥感图像的参考图像集,其中,如果所有比目标分辨率更高的森林遥感图像的数量小于N,将所有比目标分辨率更高的森林遥感图像组成的集合记为目标遥感图像的参考图像集。
预设一个数量N,其中本实施例以N=20为例进行叙述,本实施例不进行具体限定,其中N可根据具体实施情况而定。
3.获得每个森林遥感图像上每个像素点的第二分类偏差影响程度。
需要说明的是,由于高分辨率的森林遥感图像上植被波谱细节信息的分辨能力越强,因此,高分辨率的森林遥感图像上像素点的分类结果更具有参考意义,因此,对于任意一个森林遥感图像,根据分类标签存在差异的更高分辨率的参考图像的数量,以及更高分辨率的参考图像与森林遥感图像的空间分辨率的差异和拍摄时间的差异,获得该森林遥感图像上每个像素点的第二分类偏差影响程度。
进一步需要说明的是,对于任意一个森林遥感图像,与该森林遥感图像的分类标签存在差异的更高分辨率的参考图像的数量越多,该森林遥感图像的分类标签的可信度越低,对损失函数的影响越小;对于任意一个森林遥感图像上的任意一个像素点,该像素点的分类标签差异对分类结果的影响受到更高分辨率的参考图像与森林遥感图像的空间分辨率的差异和拍摄时间的差异的影响:空间分辨率的差异越大,像素点的分类标签存在差异的可能性越大,所反映的分类标签的可信度越低,像素点的分类偏差对损失函数的影响越大;时间分辨率的差异越大,两个森林遥感图像中同一个像素点的植被表现差异越大,分类标签存在差异的可能性越大,像素点的分类偏差对损失函数的影响越小。
具体的,将任意一张森林遥感图像为目标遥感图像,对于目标遥感图像中第i个像素点,获得目标遥感图像的参考图像集中,森林遥感图像中第i个像素点与目标遥感图像中第i个像素点的分类标签不相同的森林遥感图像,记为目标遥感图像的对比遥感图像。
进一步,根据分类标签存在差异的较高分辨率的森林遥感图像的数量,以及较高分辨率的森林遥感图像的空间分辨率的差异和拍摄时间的差异,获得每个像素点的第二分类偏差影响程度,目标遥感图像中的每个像素点的第二分类偏差影响程度的计算公式为:
式中,表示目标遥感图像的第i个像素点的第二分类偏差影响程度,M表示目标遥感图像的对比遥感图像的数量,N表示目标遥感图像的参考图像集中森林遥感图像的数量,/>表示目标遥感图像的第v个对比遥感图像的空间分辨率,/>表示目标遥感图像的第v个对比遥感图像的拍摄时间,/>表示目标遥感图像的第v个对比遥感图像与目标遥感图像的空间分辨率的差值的绝对值,/>表示目标遥感图像的第v个对比遥感图像与目标遥感图像的时间差值的绝对值;
越大,目标遥感图像的第i个像素点与分类阈值的关系越模糊,相应的如果第i个像素点的分类存在偏差,对衡量分类准确性的影响程度越小,第i个像素点的第二分类偏差影响程度/>越小;/>和/>分别表示第v个对比遥感图像的空间分辨率和拍摄时间,/>和/>越大,第v个对比遥感图像上像素点的分类结果越具有参考意义,相应的如果第i个像素点的分类存在偏差,对衡量分类准确性的影响程度越大,第i个像素点的第二分类偏差影响程度/>越大;/>越大,目标遥感图像的第v个对比遥感图像与目标遥感图像的空间分辨率的差异越大,则第i个像素点的分类偏差对衡量分类准确性的影响程度越大,第i个像素点的第二分类偏差影响程度/>越大;/>越大,则第i个像素点的分类偏差对衡量分类准确性的影响程度越小,第i个像素点的第二分类偏差影响程度/>越小;/>即表示第v个更高分辨率的对比遥感图像与目标遥感图像关于第i个像素点的分类差异关系对衡量分类准确性的影响程度;/>表示第v个更高分辨率的对比遥感图像的分类差异对衡量分类准确性的影响程度。
需要说明的是,通过对训练样本集中不同森林遥感图像上同一位置的像素点的分类标签差异关系,判断不同像素点的分类差异对衡量分类准确性的影响程度的影响,避免了训练样本集中森林遥感图像的分类误差较大的像素点对神经网络训练的影响,提高神经网络的损失函数对分类明确的像素点的响应速度,从而获得更能反应真实分类偏差的损失函数。
4.结合碳储量表现,根据第一分类偏差影响程度和第二分类偏差影响程度,获得每个森林遥感图像上每个像素点的最终分类偏差影响程度。
需要说明的是,上述过程利用对训练样本集中不同森林遥感图像上同一位置的像素点的分类标签差异关系,判断不同像素点的分类差异对衡量分类准确性的影响程度,本实施例中,对不同植被进行分类的目的是进行森林碳汇采集,考虑到不同类型植被之间的碳储量表现存在差异,且差异类型不同时,碳储量表现差异不同,所以当分类标签存在差异时,其差异所对应的碳储量表现的差异对最终的森林碳汇储量表现的分析产生不同的影响,因此,需要在训练样本集中的森林遥感图像的分类标签差异的基础上,判断分类标签差异所引起的碳储量表现的差异对损失函数的影响。
具体的,将任意一张森林遥感图像为目标遥感图像,结合碳储量表现,根据第一分类偏差影响程度和第二分类偏差影响程度,获得目标遥感图像上每个像素点的最终分类偏差影响程度,目标遥感图像中的每个像素点的最终分类偏差影响程度的计算公式为:
式中,表示目标遥感图像中第i个像素点的最终分类偏差影响程度,/>表示目标遥感图像中第i个像素点的第一分类偏差影响程度,/>表示目标遥感图像的第i个像素点的第二分类偏差影响程度,M表示目标遥感图像的对比遥感图像的数量,/>表示目标遥感图像的第v个对比遥感图像中第i个像素点与目标遥感图像中第i个像素点的碳储量表现的差值的绝对值;/>越大,碳储量表现的差异越小,则第i个像素点的分类偏差对衡量分类准确性的影响程度越小,第i个像素点的最终分类偏差影响程度/>越小;/>表示所有对比遥感图像相对于目标遥感图像的碳储量表现的差异,其值越大,则第i个像素点的分类偏差对衡量分类准确性的影响程度越大,第i个像素点的最终分类偏差影响程度/>越大。
需要说明的是,在利用训练样本集中不同分辨率的森林遥感图像的分类标签差异关系反映不同像素点对损失函数的影响基础上,结合分类标签对应的碳储量表现,利用不同像素点的分类标签差异对应的碳储量表现的差异,反应低分辨率图像不同点分类标签差异对衡量分类准确性的影响程度,使得分类标签差异所反映的像素点对损失函数的影响更加符合本实施例进行植被分类目的,提高了分类标签差异分析的准确性。
5.将每个像素点的最终分类偏差影响程度作为每个像素点的关注度,将每个森林遥感图像中所有像素点的关注度按照顺序组成的图像,记为每个森林遥感图像的关注图,关注图与森林遥感图像大小相同。
神经网络构建模块S104,用于构建卷积神经网络的损失函数,训练得到用于植被分类的卷积神经网络。
1.构建卷积神经网络。
需要说明的是,本实施例根据训练样本集中的森林遥感图像,以及森林遥感图像的标签图像和关注图来训练一个卷积神经网络,最后用训练完成的神经网络获取新采集的森林遥感图像的植被类型。
具体的,设计一个卷积神经网络,请参阅图2,其示出了本实施例采用的卷积神经网络,图中的每个立方体块代表一个卷积层,本实施例中的卷积成使用的是ResNet网络结构,在实施中是可以添加更多的卷积层,由于卷积神经网络结构的设计是公知技术,例如MaskRCNN网络、DeepLabV3网络都是现有的网络结果,均可以用于本实施例,因此本实施例不对网络结构进行具体赘述和限定。
本实施例中森林遥感图像是三通道的RGB图像,关注图是与森林遥感图像大小相同的单通道图像,将森林遥感图像和对应的关注图叠加在一起构成一个四通道的图像,将该四通道的图像输入到卷积神经网络中,卷积神经网络的第一个卷积层输出的特征图记为特征图F1,其大小和森林遥感图像相同,通道数记为n1,将特征图F1和关注图叠加在一起构成一个n1+1通道的特征图,该特征图输入到卷积神经网络的第二个卷积层,卷积神经网络的第二个卷积层输出的特征图记为特征图F2,其大小和森林遥感图像相同,通道数记为n2,将特征图F2和关注图叠加在一起构成一个n2+1通道的特征图,然后该特征图输入卷积神经网络的下一个卷积层中。
需要说明的是,本实施例将关注图融合进了神经网络的输入层、第一卷积层和第二卷积层中;相比于直接将森林遥感图像输入到神经网络,本实施例提供的将关注图融入神经网络的方法能够保证神经网络可以全面的从不同感受野来提取和学习关注图所具有的特征信息。
需要说明的是,上述所提及的特征图是神经网络中公知的概念,本实施例不进行具体赘述,且n1和n2的取值由特征图决定,也是公知技术,本实施例也不再对现有技术进行赘述。
2.构建卷积神经网络的损失函数。
对于森林遥感图像的标签图像,将每种植被类型的标签转换为one-hot编码,标签图像中的第i个像素点的标签对应的one-hot编码记为,本实施例将/>表示为,/>表示第i个像素点的标签在one-hot编码后的第j个数据。例如属于华山松的像素点标记为1,转换为one-hot编码后为[1,0,0,0,0,0,0,0],长度为8,第1个数据为1,其他数据为0;属于冷杉的像素点标记为2,转换为one-hot编码后为[0,1,0,0,0,0,0,0],长度为8,第2个数据为1,其他数据为0;红皮松的像素点标记为3,转换为one-hot编码后为[0,0,1,0,0,0,0,0],长度为8,第3个数据为1,其他数据为0;以此类推,属于枫树的像素点标记为8,转换为one-hot编码后为[0,0,0,0,0,0,0,1],长度为8,第8个数据为1,其他数据为0;具体的one-hot编码是公知技术,本实施例不在进行赘述。
将森林遥感图像输入到卷积神经网络且将关注图融合进卷积神经网络后,卷积神经网络输出一个结果图像,请参阅图2,其示出了卷积神经网络输出的结果图像,结果图像和森林遥感图像大小一样,但是结果图像有8个通道,将结果图像上的第i个像素点的灰度值记为,其中,/>的长度为8,/>表示第i个像素点在第j个通道的灰度值,根据结果图像上的第i个像素点的灰度值/>获得第i个像素点的输出标签。
卷积神经网络的损失函数为:
式中,Q表示森林遥感图像中像素点的数量,表示森林遥感图像的关注图上第i个像素点的关注度,/>表示森林遥感图像的标签图像上第i个像素点的标签对应的one-hot编码,/>表示结果图像上的第i个像素点的灰度值,/>表示/>与/>的交叉熵,表示森林遥感图像上第i个像素点的植被标签与输出标签的碳储量表现的差值的绝对值。
其中,表示/>与/>的交叉熵,具体为:
与/>的交叉熵为公知公式,本实施例不在对该公式进行额外解释和说明。
训练得到用于植被分类的卷积神经网络。
本发明的系统包括图像获取模块、样本集获取模块、关注图获取模块和神经网络构建模块。本发明通过对训练样本集中不同森林遥感图像上同一位置的像素点的分类标签差异关系,判断不同像素点的分类差异对衡量分类准确性的损失函数的影响程度的影响,避免了训练样本集中森林遥感图像的分类误差较大的像素点对神经网络训练的影响,提高神经网络的损失函数对分类明确的像素点的响应速度,从而获得更能反应真实分类偏差的损失函数;在利用训练样本集中不同分辨率的森林遥感图像的分类标签差异关系反映不同像素点对损失函数的影响基础上,结合分类标签对应的碳储量表现,利用不同像素点的分类标签差异对应的碳储量表现的差异,反应低分辨率图像不同点分类标签差异对衡量分类准确性的影响程度,使得分类标签差异所反映的像素点对损失函数的影响更加符合本实施例进行植被分类目的,提高了分类标签差异分析的准确性;相比于直接将森林遥感图像输入到神经网络,本实施例通过将关注图融合进了神经网络的输入层、第一卷积层和第二卷积层中,能够保证神经网络可以全面的从不同感受野来提取和学习关注图所具有的特征信息。
以上所述仅为本发明的较佳实施例而已,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述系统包括:
图像获取模块,获取不同分辨率的森林遥感图像,每个森林遥感图像包括对应的光谱分辨率、空间分辨率、拍摄时间和地理区域;
样本集获取模块,通过人为标注获取每个森林遥感图像的标签图像,获得每个森林遥感图像上每个区域的边界像素点;
关注图获取模块,根据每个像素点与森林遥感图像中不同区域的位置关系,获得每个森林遥感图像上每个像素点的第一分类偏差影响程度;
根据所有森林遥感图像的光谱分辨率和地理区域的关系,获得每个森林遥感图像的参考图像集;
将任意一张森林遥感图像为目标遥感图像,根据目标遥感图像中每个像素点与目标遥感图像的参考图像集中每个森林遥感图像对应的像素点的分类标签的差异性,获得目标遥感图像的所有对比遥感图像;
根据每个森林遥感图像的对比遥感图像的数量,以及对比遥感图像与森林遥感图像的空间分辨率的差异和拍摄时间的差异,获得每个森林遥感图像上每个像素点的第二分类偏差影响程度;
结合每个像素点的碳储量表现、第一分类偏差影响程度和第二分类偏差影响程度,获得每个森林遥感图像上每个像素点的最终分类偏差影响程度,根据所有像素点的最终分类偏差影响程度获得每个森林遥感图像的关注图;
神经网络构建模块,将关注图融合到卷积神经网络的输入层、第一卷积层以及第二卷积层中,结合每个森林遥感图像的关注图和标签图像,构建卷积神经网络的损失函数,训练得到用于植被分类的卷积神经网络。
2.根据权利要求1所述的用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述获得每个森林遥感图像上每个像素点的第一分类偏差影响程度,包括的具体步骤如下:
将任意一张森林遥感图像为目标遥感图像,目标遥感图像中每个像素点的第一分类偏差影响程度的计算公式为:
式中,表示目标遥感图像中第i个像素点的第一分类偏差影响程度,/>表示目标遥感图像中第i个像素点与所有边界像素点的距离的最小值,/>表示目标遥感图像中第i个像素点与第i个像素点所属的区域中所有边界像素点的距离的最小值。
3.根据权利要求1所述的用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述获得每个森林遥感图像的参考图像集,包括的具体步骤如下:
将任意一张森林遥感图像为目标遥感图像,将拍摄目标遥感图像时,在地理位置上对应的地理区域记为目标地理区域,将目标遥感图像的光谱分辨率记为目标分辨率;在所有比目标分辨率更高的森林遥感图像中,获取在地理位置上对应的地理区域和目标地理区域的重合区域的面积最大的N个森林遥感图像,将获得的这N个森林遥感图像组成的集合记为目标遥感图像的参考图像集,其中,如果所有比目标分辨率更高的森林遥感图像的数量小于N,将所有比目标分辨率更高的森林遥感图像组成的集合记为目标遥感图像的参考图像集,N表示预设数量。
4.根据权利要求1所述的用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述获得目标遥感图像的所有对比遥感图像,包括的具体步骤如下:
对于目标遥感图像中第i个像素点,获得目标遥感图像的参考图像集中,森林遥感图像中第i个像素点与目标遥感图像中第i个像素点的分类标签不相同的森林遥感图像,记为目标遥感图像的对比遥感图像。
5.根据权利要求1所述的用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述获得每个森林遥感图像上每个像素点的第二分类偏差影响程度,包括的具体步骤如下:
目标遥感图像中的每个像素点的第二分类偏差影响程度的计算公式为:
式中,表示目标遥感图像的第i个像素点的第二分类偏差影响程度,M表示目标遥感图像的对比遥感图像的数量,N表示目标遥感图像的参考图像集中森林遥感图像的数量,/>表示目标遥感图像的第v个对比遥感图像的空间分辨率,/>表示目标遥感图像的第v个对比遥感图像的拍摄时间,/>表示目标遥感图像的第v个对比遥感图像与目标遥感图像的空间分辨率的差值的绝对值,/>表示目标遥感图像的第v个对比遥感图像与目标遥感图像的时间差值的绝对值。
6.根据权利要求1所述的用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述获得每个森林遥感图像上每个像素点的最终分类偏差影响程度,包括的具体步骤如下:
将任意一张森林遥感图像为目标遥感图像,目标遥感图像中的每个像素点的最终分类偏差影响程度的计算公式为:
式中,表示目标遥感图像中第i个像素点的最终分类偏差影响程度,/>表示目标遥感图像中第i个像素点的第一分类偏差影响程度,/>表示目标遥感图像的第i个像素点的第二分类偏差影响程度,M表示目标遥感图像的对比遥感图像的数量,/>表示目标遥感图像的第v个对比遥感图像中第i个像素点与目标遥感图像中第i个像素点的碳储量表现的差值的绝对值。
7.根据权利要求1所述的用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述将关注图融合到卷积神经网络的输入层、第一卷积层以及第二卷积层中,包括的具体步骤如下:
设计一个卷积神经网络,包括卷积层,将森林遥感图像和对应的关注图叠加在一起构成一个四通道的图像,将该四通道的图像输入到卷积神经网络中,将卷积神经网络的第一个卷积层输出的特征图记为特征图F1,将特征图F1和关注图叠加在一起构成一个n1+1通道的特征图,将该特征图输入到卷积神经网络的第二个卷积层,将卷积神经网络的第二个卷积层输出的特征图记为特征图F2,将特征图F2和关注图叠加在一起构成一个n2+1通道的特征图,将该特征图输入卷积神经网络的下一个卷积层中。
8.根据权利要求1所述的用于森林碳汇数据采集的GIS数据处理系统,其特征在于,所述构建卷积神经网络的损失函数,包括的具体步骤如下:
对于每个森林遥感图像的标签图像,将每种植被类型的标签转换为one-hot编码,标签图像中的第i个像素点的标签对应的one-hot编码记为,表示第i个像素点的标签在one-hot编码后的第j个数据;
将森林遥感图像输入到卷积神经网络且将关注图融合进卷积神经网络后,卷积神经网络输出一个结果图像,结果图像有8个通道,将结果图像上的第i个像素点的灰度值记为,/>表示第i个像素点在第j个通道的灰度值,根据结果图像上的第i个像素点的灰度值/>获得第i个像素点的输出标签;
卷积神经网络的损失函数为:
式中,Q表示森林遥感图像中像素点的数量,表示森林遥感图像的关注图上第i个像素点的关注度,/>表示森林遥感图像的标签图像上第i个像素点的标签对应的one-hot编码,/>表示结果图像上的第i个像素点的灰度值,/>表示/>与/>的交叉熵,/>表示森林遥感图像上第i个像素点的植被标签与输出标签的碳储量表现的差值的绝对值;
其中,表示/>与/>的交叉熵,具体为:
式中,表示结果图像中第i个像素点在第j个通道的灰度值,/>表示第i个像素点的标签在one-hot编码后的第j个数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826712.8A CN116563716B (zh) | 2023-07-07 | 2023-07-07 | 用于森林碳汇数据采集的gis数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826712.8A CN116563716B (zh) | 2023-07-07 | 2023-07-07 | 用于森林碳汇数据采集的gis数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563716A true CN116563716A (zh) | 2023-08-08 |
CN116563716B CN116563716B (zh) | 2023-09-08 |
Family
ID=87496840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310826712.8A Active CN116563716B (zh) | 2023-07-07 | 2023-07-07 | 用于森林碳汇数据采集的gis数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563716B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN112884088A (zh) * | 2021-04-08 | 2021-06-01 | 兰州交通大学 | 一种基于神经网络模型的森林碳储量计算方法 |
CN113762137A (zh) * | 2021-09-02 | 2021-12-07 | 甘肃同兴智能科技发展有限责任公司 | 一种基于深度学习的遥感图像森林区域碳汇的计算方法 |
CN114563402A (zh) * | 2022-02-21 | 2022-05-31 | 国家林业和草原局华东调查规划院 | 一种林业碳汇测算和计量方法 |
CN114648705A (zh) * | 2022-03-28 | 2022-06-21 | 王大成 | 一种基于卫星遥感的碳汇监测系统及方法 |
CN114821349A (zh) * | 2022-03-01 | 2022-07-29 | 南京林业大学 | 顾及谐波模型系数和物候参数的森林生物量估算方法 |
CN114937029A (zh) * | 2022-06-21 | 2022-08-23 | 西南林业大学 | 森林碳储量抽样估测方法、装置、设备及存储介质 |
CN115829118A (zh) * | 2022-11-29 | 2023-03-21 | 深圳市宇驰检测技术股份有限公司 | 森林碳汇遥感监测方法、装置、设备及存储介质 |
CN115952702A (zh) * | 2022-08-30 | 2023-04-11 | 中国气象科学研究院 | 一种基于forcchn模型和遥感数据的森林nep的计算方法 |
WO2023095039A1 (en) * | 2021-11-24 | 2023-06-01 | Dendra Systems Ltd. | Generating an above ground biomass density prediction model |
-
2023
- 2023-07-07 CN CN202310826712.8A patent/CN116563716B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
CN112884088A (zh) * | 2021-04-08 | 2021-06-01 | 兰州交通大学 | 一种基于神经网络模型的森林碳储量计算方法 |
CN113762137A (zh) * | 2021-09-02 | 2021-12-07 | 甘肃同兴智能科技发展有限责任公司 | 一种基于深度学习的遥感图像森林区域碳汇的计算方法 |
WO2023095039A1 (en) * | 2021-11-24 | 2023-06-01 | Dendra Systems Ltd. | Generating an above ground biomass density prediction model |
CN114563402A (zh) * | 2022-02-21 | 2022-05-31 | 国家林业和草原局华东调查规划院 | 一种林业碳汇测算和计量方法 |
CN114821349A (zh) * | 2022-03-01 | 2022-07-29 | 南京林业大学 | 顾及谐波模型系数和物候参数的森林生物量估算方法 |
CN114648705A (zh) * | 2022-03-28 | 2022-06-21 | 王大成 | 一种基于卫星遥感的碳汇监测系统及方法 |
CN114937029A (zh) * | 2022-06-21 | 2022-08-23 | 西南林业大学 | 森林碳储量抽样估测方法、装置、设备及存储介质 |
CN115952702A (zh) * | 2022-08-30 | 2023-04-11 | 中国气象科学研究院 | 一种基于forcchn模型和遥感数据的森林nep的计算方法 |
CN115829118A (zh) * | 2022-11-29 | 2023-03-21 | 深圳市宇驰检测技术股份有限公司 | 森林碳汇遥感监测方法、装置、设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
JIN‑E LIU 等: "Changes in the chemical composition of the organic carbon in Spartina alterniflora litter during decomposition in saltmarsh sediments", 《JOURNAL OF SOILS AND SEDIMENTS》 * |
WENHAI HONG 等: "Spatiotemporal Changes in Supply–Demand Patterns of Carbon Sequestration Services in an Urban Agglomeration under China’s Rapid Urbanization", 《REMOTE SENSING》 * |
张立民 等: "吉林省森林土壤碳汇功能研究", 《吉林林业科技》, vol. 49, no. 1 * |
张立民 等: "基于IPCC 法估算森林植被储碳量技术研究", 《山西农经》 * |
箩筐技术: "如何用遥感AI,计量森林碳汇?", 《HTTPS://BAIJIAHAO.BAIDU.COM/S?ID=1733940991556037397&WFR=SPIDER&FOR=PC》 * |
胡蝶 等: "在林业碳汇量估算中遥感方法的应用分析", 《林业世界》, vol. 11, no. 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563716B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
CN110097044A (zh) | 基于深度学习的一阶段车牌检测识别方法 | |
CN110717493B (zh) | 一种基于深度学习的含堆叠字符的车牌识别方法 | |
CN114821342B (zh) | 一种遥感影像道路提取方法及系统 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN113807278A (zh) | 一种基于深度学习的土地利用分类及变化预测方法 | |
CN115527119A (zh) | 一种基于深度学习的农作物遥感图像语义分割方法 | |
CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN116563716B (zh) | 用于森林碳汇数据采集的gis数据处理系统 | |
CN111340001B (zh) | 一种基于遥感影像深度学习的交通拥堵识别方法 | |
CN113837166A (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN117349784A (zh) | 遥感数据的处理方法、装置及设备 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
CN115620150B (zh) | 基于孪生Transformer的多模态图像地面建筑识别方法及装置 | |
CN113807357B (zh) | 一种基于室内地标文本与轮廓的室内定位方法 | |
CN112215229B (zh) | 基于轻量网络端到端的车牌识别方法及装置 | |
CN115205704A (zh) | 高分辨率遥感影像小样本高精度建筑分割提取方法及装置 | |
CN112348030A (zh) | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 | |
CN113421258A (zh) | 一种基于高分辨率遥感影像的自动云检测方法 | |
CN112233079A (zh) | 多传感器图像融合的方法及系统 | |
CN117115566B (zh) | 利用全季节遥感影像的城市功能区识别方法及系统 | |
CN113221643B (zh) | 一种采用级联网络的车道线分类方法及系统 | |
CN117392572B (zh) | 一种基于无人机巡检的输电杆塔鸟巢检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |