CN116563718B - 一种基于遥感测绘的碳储量估算方法 - Google Patents

一种基于遥感测绘的碳储量估算方法 Download PDF

Info

Publication number
CN116563718B
CN116563718B CN202310844470.5A CN202310844470A CN116563718B CN 116563718 B CN116563718 B CN 116563718B CN 202310844470 A CN202310844470 A CN 202310844470A CN 116563718 B CN116563718 B CN 116563718B
Authority
CN
China
Prior art keywords
input end
vegetation
output end
image processing
layer
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.)
Active
Application number
CN202310844470.5A
Other languages
English (en)
Other versions
CN116563718A (zh
Inventor
李国明
靳旭
陈勇
李晓娟
陆博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sixth Topographic Survey Team Of Ministry Of Natural Resources
Chengdu Yuanjing Technology Co ltd
University of Electronic Science and Technology of China
Original Assignee
Sixth Topographic Survey Team Of Ministry Of Natural Resources
Chengdu Yuanjing Technology Co ltd
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sixth Topographic Survey Team Of Ministry Of Natural Resources, Chengdu Yuanjing Technology Co ltd, University of Electronic Science and Technology of China filed Critical Sixth Topographic Survey Team Of Ministry Of Natural Resources
Priority to CN202310844470.5A priority Critical patent/CN116563718B/zh
Publication of CN116563718A publication Critical patent/CN116563718A/zh
Application granted granted Critical
Publication of CN116563718B publication Critical patent/CN116563718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • 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
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于遥感测绘的碳储量估算方法，属于图像处理技术领域，本发明对待测植被覆盖区进行分区处理，得到多个植被覆盖子区，实现待测植被覆盖区的细分，再通过采集每个植被覆盖子区的遥感图像，对遥感图像进行特征提取，得到植被特征，达到减少数据量，并提取出有效特征的目的，将植被特征输入分类模型，得到植被种类，将植被特征输入植被量预测模型，得到植被量，根据每个植被覆盖子区的植被种类和植被量，从而估算出待测植被覆盖区的碳储量，本发明对待测植被覆盖区进行细分，从而实现分区测算，提高估算精度，再根据植被种类和植被量综合评估碳储量，进一步地提高估算精度。

Description

一种基于遥感测绘的碳储量估算方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于遥感测绘的碳储量估算方法。
背景技术
植被生态系统是维护生态稳定性，保护生态安全的重要资源，是生物赖以生存的环境，碳储量的分布情况决定生态系统的健康情况。
现有碳储量估算方法通过采集遥感图像，并对遥感图像进行分类处理，得到所拍摄区域的土地利用类型，再根据抽样调查数据，确定区域的植被碳储量，从而估算出整个地区的碳储量。现有碳储量估算方法通过抽样调查确定区域的植被碳储量，但抽样调查次数受限于人力成本，较难准确获取区域的植被碳储量，造成碳储量估算精度不高。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于遥感测绘的碳储量估算方法解决了现有碳储量估算方法存在碳储量估算精度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于遥感测绘的碳储量估算方法，包括以下步骤：
S1、对待测植被覆盖区进行分区处理，得到植被覆盖子区；
S2、对每个植被覆盖子区采集遥感图像；
S3、采用特征提取模型对遥感图像进行特征提取，得到植被特征；
S4、将植被特征输入分类模型，得到每个植被覆盖子区的植被种类；
S5、将植被特征输入植被量预测模型，得到每个植被覆盖子区的植被量；
S6、根据每个植被覆盖子区的植被种类和植被量，估算待测植被覆盖区的碳储量。
进一步地，所述特征提取模型包括：切片单元、第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元、第四切片图像处理单元和Concat层；
所述切片单元的输入端作为特征提取模型的输入端，其输出端分别与第一切片图像处理单元的输入端、第二切片图像处理单元的输入端、第三切片图像处理单元的输入端和第四切片图像处理单元的输入端连接；所述Concat层的输入端分别与第一切片图像处理单元的输出端、第二切片图像处理单元的输出端、第三切片图像处理单元的输出端和第四切片图像处理单元的输出端连接，其输出端作为特征提取模型的输出端。
上述进一步地方案的有益效果为：本发明中切片单元实现对遥感图像进行间隔像素值采样，将一张遥感图像分成四张切片图像，从而将每张切片图像输入一个切片图像处理单元中进行特征提取，再通过Concat层实现特征的汇集，通过切分的方式，避免信息丢失，实现分层特征提取。
进一步地，所述第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元和第四切片图像处理单元的结构相同，均包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一类注意力计算层、第二类注意力计算层、乘法器U1、乘法器U2和加法器A1；
所述第一卷积层的输入端作为第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元或第四切片图像处理单元的输入端；所述第一卷积层的输出端分别与第一类注意力计算层的输入端、第二类注意力计算层的输入端和第二卷积层的输入端连接；所述乘法器U1的第一输入端与第二卷积层的输出端连接，其第二输入端与第一类注意力计算层的输出端连接，其输出端分别与第三卷积层的输入端和加法器A1的第一输入端连接；所述乘法器U2的第一输入端与第三卷积层的输出端连接，其第二输入端与第二类注意力计算层的输出端连接，其输出端与第四卷积层的输入端连接；所述第五卷积层的输入端与第四卷积层的输出端连接，其输出端与加法器A1的第二输入端连接；所述加法器A1的输出端作为第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元或第四切片图像处理单元的输出端。
上述进一步地方案的有益效果为：本发明中通过第一卷积层对切片图像进行特征提取后，分别通过两种计算方式计算出注意力，将第一类注意力施加到乘法器U1，实现对浅层特征施加自适应的关注度，将第二类注意力施加到乘法器U2，实现对较深层特征施加自适应的关注度，在加法器A1中将乘法器U1输出的浅层特征和第五卷积层输出的深层特征进行相加，从而实现浅层和深层特征的融合，同时避免特征消失的问题，并增强各阶段特征的表达。
进一步地，所述第一类注意力计算层包括：第一特征计算模块、第二特征计算模块、第三特征计算模块和注意力计算模块；
所述第一特征计算模块的输入端分别与第二特征计算模块的输入端和第三特征计算模块的输入端连接，并作为第一类注意力计算层的输入端；所述注意力计算模块的输入端分别与第一特征计算模块的输出端、第二特征计算模块的输出端和第三特征计算模块的输出端连接，其输出端作为第一类注意力计算层的输出端。
进一步地，所述注意力计算模块的表达式为：
，
其中，为第一类注意力值，/>为自然常数，/>为注意力计算模块的第一权重，/>为注意力计算模块的第二权重，/>为注意力计算模块的第三权重，/>为第一特征计算模块的输出，/>为第二特征计算模块的输出，/>为第三特征计算模块的输出。
上述进一步地方案的有益效果为：本发明中分别将三个特征计算模块的输出进行加权处理，从而综合评估出第一卷积层输出特征数据的情况。
进一步地，所述第一特征计算模块输出的表达式为：
，
其中，为第一卷积层输出的第/>个特征值，/>为第一卷积层输出的特征值的数量；
所述第二特征计算模块输出的表达式为：
，
所述第三特征计算模块输出的表达式为：
。
上述进一步地方案的有益效果为：本发明中的第一特征计算模块、第二特征计算模块和第三特征计算模块的输出均是表达第一卷积层输出特征数据的分布情况，表达整体的特征数据的平均大小，/>表达整体数据与平均值的差距，体现数据的波动情况，/>通过计算特征值/>的4次方与/>的比值，在特征值/>越大时，/>越大，特征越明显，因此，本发明中/>的大小对第一卷积层的输出特征数据的变化情况更敏感，能充分体现数据的变化情况。
进一步地，所述第二类注意力计算层的表达式为：
，
，
其中，为第二类注意力值，/>为自然常数，/>为指数系数，/>为第一卷积层输出特征的第/>个特征值，/>为第一卷积层输出的特征值的数量，/>为第二类注意力计算层的权重。
上述进一步地方案的有益效果为：本发明中通过第一卷积层的输出特征数据的加权值，从而计算得到第二类注意力值，通过第一类注意力值和第二类注意力值交替对不同特征进行施加注意力，从而实现在不同阶段对特征进行增强。
进一步地，所述S4中分类模型包括：第一分类单元、第二分类单元和全连接层；
所述第一分类单元的输入端作为分类模型的输入端，其输出端与第二分类单元的输入端连接；所述全连接层的输入端与第二分类单元的输出端连接，其输出端作为分类模型的输出端；
所述S5中植被量预测模型采用BP神经网络。
进一步地，所述第一分类单元和第二分类单元包括：第一卷积块、第二卷积块、残差块、第六卷积层、第七卷积层和加法器A2；
所述第一卷积块的输入端与第七卷积层的输入端连接，并作为第一分类单元或第二分类单元的输入端；所述第一卷积块的输出端与残差块的输入端连接；所述第六卷积层的输入端与残差块的输出端连接，其输出端与加法器A2的第一输入端连接；所述加法器A2的第二输入端与第七卷积层的输出端连接，其输出端与第二卷积块的输入端连接；所述第二卷积块的输出端作为第一分类单元或第二分类单元的输出端。
上述进一步地方案的有益效果为：本发明中在特征提取模型充分对遥感图像进行特征提取后，实现数据量减少，且特征突出，再通过分类模型中两个分类单元进一步地缩减特征，再通过全连接层进行分类处理，得到植被种类。
进一步地，所述S6中估算待测植被覆盖区的碳储量的表达式为：
，
其中，为估算待测植被覆盖区的碳储量，/>为植被覆盖子区的数量，/>为第/>个植被覆盖子区的植被量，/>为第/>个植被覆盖子区的植被种类量化系数，/>为比例系数，/>为修正系数，植被种类量化系数包括：草本落叶植被量化系数、草本常绿植被量化系数、灌木落叶植被量化系数和灌木常绿植被量化系数。
上述进一步地方案的有益效果为：本发明中将植被种类划分为四个类型，将植被种类进行量化处理，从而得到量化系数，根据各个植被覆盖子区的植被种类量化系数和植被量情况，进行加权求和处理，再采用比例系数和修正系数调整精度，通过将待测植被覆盖区进行分区的方式，以及在每个子区中获取植被种类和植被量情况，能最大程度提高碳储量的估算精度。
本发明的有益效果为：本发明对待测植被覆盖区进行分区处理，得到多个植被覆盖子区，实现待测植被覆盖区的细分，再通过采集每个植被覆盖子区的遥感图像，对遥感图像进行特征提取，得到植被特征，达到减少数据量，并提取出有效特征的目的，将植被特征输入分类模型，得到植被种类，将植被特征输入植被量预测模型，得到植被量，根据每个植被覆盖子区的植被种类和植被量，从而估算出待测植被覆盖区的碳储量，本发明对待测植被覆盖区进行细分，从而实现分区测算，提高估算精度，再根据植被种类和植被量综合评估碳储量，进一步地提高估算精度。
附图说明
图1为一种基于遥感测绘的碳储量估算方法的流程图；
图2为特征提取模型的结构示意图；
图3为切片图像处理单元的结构示意图；
图4为第一类注意力计算层的结构示意图；
图5为分类模型的结构示意图；
图6为分类单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于遥感测绘的碳储量估算方法，包括以下步骤：
S1、对待测植被覆盖区进行分区处理，得到植被覆盖子区；
S2、对每个植被覆盖子区采集遥感图像；
S3、采用特征提取模型对遥感图像进行特征提取，得到植被特征；
如图2所示，所述特征提取模型包括：切片单元、第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元、第四切片图像处理单元和Concat层；
所述切片单元的输入端作为特征提取模型的输入端，其输出端分别与第一切片图像处理单元的输入端、第二切片图像处理单元的输入端、第三切片图像处理单元的输入端和第四切片图像处理单元的输入端连接；所述Concat层的输入端分别与第一切片图像处理单元的输出端、第二切片图像处理单元的输出端、第三切片图像处理单元的输出端和第四切片图像处理单元的输出端连接，其输出端作为特征提取模型的输出端。
如图3所示，所述第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元和第四切片图像处理单元的结构相同，均包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一类注意力计算层、第二类注意力计算层、乘法器U1、乘法器U2和加法器A1；
所述第一卷积层的输入端作为第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元或第四切片图像处理单元的输入端；所述第一卷积层的输出端分别与第一类注意力计算层的输入端、第二类注意力计算层的输入端和第二卷积层的输入端连接；所述乘法器U1的第一输入端与第二卷积层的输出端连接，其第二输入端与第一类注意力计算层的输出端连接，其输出端分别与第三卷积层的输入端和加法器A1的第一输入端连接；所述乘法器U2的第一输入端与第三卷积层的输出端连接，其第二输入端与第二类注意力计算层的输出端连接，其输出端与第四卷积层的输入端连接；所述第五卷积层的输入端与第四卷积层的输出端连接，其输出端与加法器A1的第二输入端连接；所述加法器A1的输出端作为第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元或第四切片图像处理单元的输出端。
如图4所示，所述第一类注意力计算层包括：第一特征计算模块、第二特征计算模块、第三特征计算模块和注意力计算模块；
所述第一特征计算模块的输入端分别与第二特征计算模块的输入端和第三特征计算模块的输入端连接，并作为第一类注意力计算层的输入端；所述注意力计算模块的输入端分别与第一特征计算模块的输出端、第二特征计算模块的输出端和第三特征计算模块的输出端连接，其输出端作为第一类注意力计算层的输出端。
所述注意力计算模块的表达式为：
，
其中，为第一类注意力值，/>为自然常数，/>为注意力计算模块的第一权重，/>为注意力计算模块的第二权重，/>为注意力计算模块的第三权重，/>为第一特征计算模块的输出，/>为第二特征计算模块的输出，/>为第三特征计算模块的输出。
所述第一特征计算模块输出的表达式为：
，
其中，为第一卷积层输出的第/>个特征值，/>为第一卷积层输出的特征值的数量；
所述第二特征计算模块输出的表达式为：
，
所述第三特征计算模块输出的表达式为：
，
所述第二类注意力计算层的表达式为：
，
，
其中，为第二类注意力值，/>为自然常数，/>为指数系数，/>为第一卷积层输出特征的第/>个特征值，/>为第一卷积层输出的特征值的数量，/>为第二类注意力计算层的权重。
S4、将植被特征输入分类模型，得到每个植被覆盖子区的植被种类；
如图5所示，所述S4中分类模型包括：第一分类单元、第二分类单元和全连接层；
所述第一分类单元的输入端作为分类模型的输入端，其输出端与第二分类单元的输入端连接；所述全连接层的输入端与第二分类单元的输出端连接，其输出端作为分类模型的输出端。
如图6所示，所述第一分类单元和第二分类单元包括：第一卷积块、第二卷积块、残差块、第六卷积层、第七卷积层和加法器A2；
所述第一卷积块的输入端与第七卷积层的输入端连接，并作为第一分类单元或第二分类单元的输入端；所述第一卷积块的输出端与残差块的输入端连接；所述第六卷积层的输入端与残差块的输出端连接，其输出端与加法器A2的第一输入端连接；所述加法器A2的第二输入端与第七卷积层的输出端连接，其输出端与第二卷积块的输入端连接；所述第二卷积块的输出端作为第一分类单元或第二分类单元的输出端。
在本实施例中，卷积块包括卷积层、ReLU层和BN层。
S5、将植被特征输入植被量预测模型，得到每个植被覆盖子区的植被量；
所述S5中植被量预测模型采用BP神经网络。
在本发明中特征提取模型和分类模型构成分类系统，特征提取模型和植被量预测模型构成植被量预测系统，在训练时分类系统和植被量预测系统所采用的训练集不同。对于分类系统，采用的训练集中样本包括遥感图像和植被种类标签，对于植被量预测系统，采用的训练集中样本包括遥感图像和植被量标签。
在采用训练集分别对分类系统和植被量预测系统进行训练时，采用的损失函数包括：均方误差损失函数和交叉熵损失函数，采用梯度下降方法处理分类系统和植被量预测系统中权重，训练过程中分类系统和植被量预测系统中权重更新的表达式为：
，
其中，为第/>次训练时的权重，/>为第/>次训练时的权重，/>为第/>次训练时通过损失函数计算的损失值，/>为最大权重，/>为损失函数，/>为偏导运算，/>损失阈值，/>为双曲正切函数。
本发明在训练前期选择和当前的损失值共同控制权重下降的步长，通过/>加快权重训练速度，在后期仅根据当前损失值的情况控制权重下降的步长，在后期损失值逐步变小，因此，权重下降的速度变缓，使得分类系统和植被量预测系统的输出逐步逼近标签。
S6、根据每个植被覆盖子区的植被种类和植被量，估算待测植被覆盖区的碳储量。
所述S6中估算待测植被覆盖区的碳储量的表达式为：
，
其中，为估算待测植被覆盖区的碳储量，/>为植被覆盖子区的数量，/>为第/>个植被覆盖子区的植被量，/>为第/>个植被覆盖子区的植被种类量化系数，/>为比例系数，/>为修正系数，植被种类量化系数包括：草本落叶植被量化系数、草本常绿植被量化系数、灌木落叶植被量化系数和灌木常绿植被量化系数。
灌木常绿植被量化系数大于灌木落叶植被量化系数，灌木落叶植被量化系数大于草本常绿植被量化系数，草本常绿植被量化系数大于草本落叶植被量化系数。
本发明落叶为植被的落叶期，常绿为植被的绿叶期。
本发明对待测植被覆盖区进行分区处理，得到多个植被覆盖子区，实现待测植被覆盖区的细分，再通过采集每个植被覆盖子区的遥感图像，对遥感图像进行特征提取，得到植被特征，达到减少数据量，并提取出有效特征的目的，将植被特征输入分类模型，得到植被种类，将植被特征输入植被量预测模型，得到植被量，根据每个植被覆盖子区的植被种类和植被量，从而估算出待测植被覆盖区的碳储量，本发明对待测植被覆盖区进行细分，从而实现分区测算，提高估算精度，再根据植被种类和植被量综合评估碳储量，进一步地提高估算精度。

Claims (4)

1.一种基于遥感测绘的碳储量估算方法，其特征在于，包括以下步骤：
S1、对待测植被覆盖区进行分区处理，得到植被覆盖子区；
S2、对每个植被覆盖子区采集遥感图像；
S3、采用特征提取模型对遥感图像进行特征提取，得到植被特征；
S4、将植被特征输入分类模型，得到每个植被覆盖子区的植被种类；
S5、将植被特征输入植被量预测模型，得到每个植被覆盖子区的植被量；
S6、根据每个植被覆盖子区的植被种类和植被量，估算待测植被覆盖区的碳储量；
所述特征提取模型包括：切片单元、第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元、第四切片图像处理单元和Concat层；
所述切片单元的输入端作为特征提取模型的输入端，其输出端分别与第一切片图像处理单元的输入端、第二切片图像处理单元的输入端、第三切片图像处理单元的输入端和第四切片图像处理单元的输入端连接；所述Concat层的输入端分别与第一切片图像处理单元的输出端、第二切片图像处理单元的输出端、第三切片图像处理单元的输出端和第四切片图像处理单元的输出端连接，其输出端作为特征提取模型的输出端；
所述切片单元用于对遥感图像进行间隔像素值采样，得到四张切片图像；
所述第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元和第四切片图像处理单元的结构相同，均包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一类注意力计算层、第二类注意力计算层、乘法器U1、乘法器U2和加法器A1；
所述第一卷积层的输入端作为第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元或第四切片图像处理单元的输入端；所述第一卷积层的输出端分别与第一类注意力计算层的输入端、第二类注意力计算层的输入端和第二卷积层的输入端连接；所述乘法器U1的第一输入端与第二卷积层的输出端连接，其第二输入端与第一类注意力计算层的输出端连接，其输出端分别与第三卷积层的输入端和加法器A1的第一输入端连接；所述乘法器U2的第一输入端与第三卷积层的输出端连接，其第二输入端与第二类注意力计算层的输出端连接，其输出端与第四卷积层的输入端连接；所述第五卷积层的输入端与第四卷积层的输出端连接，其输出端与加法器A1的第二输入端连接；所述加法器A1的输出端作为第一切片图像处理单元、第二切片图像处理单元、第三切片图像处理单元或第四切片图像处理单元的输出端；
所述第一类注意力计算层包括：第一特征计算模块、第二特征计算模块、第三特征计算模块和注意力计算模块；
所述第一特征计算模块的输入端分别与第二特征计算模块的输入端和第三特征计算模块的输入端连接，并作为第一类注意力计算层的输入端；所述注意力计算模块的输入端分别与第一特征计算模块的输出端、第二特征计算模块的输出端和第三特征计算模块的输出端连接，其输出端作为第一类注意力计算层的输出端；
所述注意力计算模块的表达式为：
，
其中，为第一类注意力值，/>为自然常数，/>为注意力计算模块的第一权重，/>为注意力计算模块的第二权重，/>为注意力计算模块的第三权重，/>为第一特征计算模块的输出，为第二特征计算模块的输出，/>为第三特征计算模块的输出；
所述第一特征计算模块输出的表达式为：
，
其中，为第一卷积层输出的第/>个特征值，/>为第一卷积层输出的特征值的数量；
所述第二特征计算模块输出的表达式为：
，
所述第三特征计算模块输出的表达式为：
；
所述第二类注意力计算层的表达式为：
，
，
其中，为第二类注意力值，/>为自然常数，/>为指数系数，/>为第一卷积层输出特征的第/>个特征值，/>为第一卷积层输出的特征值的数量，/>为第二类注意力计算层的权重。
2.根据权利要求1所述的基于遥感测绘的碳储量估算方法，其特征在于，所述S4中分类模型包括：第一分类单元、第二分类单元和全连接层；
所述第一分类单元的输入端作为分类模型的输入端，其输出端与第二分类单元的输入端连接；所述全连接层的输入端与第二分类单元的输出端连接，其输出端作为分类模型的输出端；
所述S5中植被量预测模型采用BP神经网络。
3.根据权利要求2所述的基于遥感测绘的碳储量估算方法，其特征在于，所述第一分类单元和第二分类单元包括：第一卷积块、第二卷积块、残差块、第六卷积层、第七卷积层和加法器A2；
所述第一卷积块的输入端与第七卷积层的输入端连接，并作为第一分类单元或第二分类单元的输入端；所述第一卷积块的输出端与残差块的输入端连接；所述第六卷积层的输入端与残差块的输出端连接，其输出端与加法器A2的第一输入端连接；所述加法器A2的第二输入端与第七卷积层的输出端连接，其输出端与第二卷积块的输入端连接；所述第二卷积块的输出端作为第一分类单元或第二分类单元的输出端。
4.根据权利要求1所述的基于遥感测绘的碳储量估算方法，其特征在于，所述S6中估算待测植被覆盖区的碳储量的表达式为：
，
其中，为估算待测植被覆盖区的碳储量，/>为植被覆盖子区的数量，/>为第/>个植被覆盖子区的植被量，/>为第/>个植被覆盖子区的植被种类量化系数，/>为比例系数，/>为修正系数，植被种类量化系数包括：草本落叶植被量化系数、草本常绿植被量化系数、灌木落叶植被量化系数和灌木常绿植被量化系数。/>
CN202310844470.5A 2023-07-11 2023-07-11 一种基于遥感测绘的碳储量估算方法 Active CN116563718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310844470.5A CN116563718B (zh) 2023-07-11 2023-07-11 一种基于遥感测绘的碳储量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310844470.5A CN116563718B (zh) 2023-07-11 2023-07-11 一种基于遥感测绘的碳储量估算方法

Publications (2)

Publication Number Publication Date
CN116563718A CN116563718A (zh) 2023-08-08
CN116563718B true CN116563718B (zh) 2023-09-05

Family

ID=87488349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310844470.5A Active CN116563718B (zh) 2023-07-11 2023-07-11 一种基于遥感测绘的碳储量估算方法

Country Status (1)

Country Link
CN (1) CN116563718B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994214B (zh) * 2023-09-25 2023-12-08 南京华琨信息科技有限公司 一种公路道路安全评价方法及系统
CN118097441B (zh) * 2024-04-28 2024-06-18 四川省川建勘察设计院有限公司 一种光伏电站对区域碳储量影响评价方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408258A (zh) * 2014-12-01 2015-03-11 四川农业大学 融合环境因素的大尺度土壤有机碳空间分布模拟方法
CN108647623A (zh) * 2018-05-04 2018-10-12 中国科学院遥感与数字地球研究所 一种基于资源约束条件的森林潜在碳储量遥感估算方法
CN111523459A (zh) * 2020-04-22 2020-08-11 中科三清科技有限公司 遥感影像裸地识别方法、装置、电子设备及存储介质
CN112836610A (zh) * 2021-01-26 2021-05-25 平衡机器科技(深圳)有限公司 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
CN114429591A (zh) * 2022-01-26 2022-05-03 中国农业科学院草原研究所 一种基于机器学习的植被生物量自动监测方法及系统
KR20220066534A (ko) * 2020-11-16 2022-05-24 경북대학교 산학협력단 산림의 탄소 저장량 추정 시스템
CN115630567A (zh) * 2022-09-29 2023-01-20 天津大学 一种海岸带土壤有机碳储量模拟及预测方法
CN115796712A (zh) * 2023-02-07 2023-03-14 北京师范大学 区域陆地生态系统碳储量估算方法、装置、电子设备
CN115830001A (zh) * 2022-12-22 2023-03-21 抖音视界有限公司 肠道图像处理方法、装置、存储介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884664B (zh) * 2019-01-14 2022-12-02 武汉大学 一种城市地上生物量光学微波协同反演方法及系统
CN110174506B (zh) * 2019-06-28 2020-07-07 中国科学院地球化学研究所 一种喀斯特地区土壤有机碳估算方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408258A (zh) * 2014-12-01 2015-03-11 四川农业大学 融合环境因素的大尺度土壤有机碳空间分布模拟方法
CN108647623A (zh) * 2018-05-04 2018-10-12 中国科学院遥感与数字地球研究所 一种基于资源约束条件的森林潜在碳储量遥感估算方法
CN111523459A (zh) * 2020-04-22 2020-08-11 中科三清科技有限公司 遥感影像裸地识别方法、装置、电子设备及存储介质
KR20220066534A (ko) * 2020-11-16 2022-05-24 경북대학교 산학협력단 산림의 탄소 저장량 추정 시스템
CN112836610A (zh) * 2021-01-26 2021-05-25 平衡机器科技(深圳)有限公司 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
CN114429591A (zh) * 2022-01-26 2022-05-03 中国农业科学院草原研究所 一种基于机器学习的植被生物量自动监测方法及系统
CN115630567A (zh) * 2022-09-29 2023-01-20 天津大学 一种海岸带土壤有机碳储量模拟及预测方法
CN115830001A (zh) * 2022-12-22 2023-03-21 抖音视界有限公司 肠道图像处理方法、装置、存储介质及电子设备
CN115796712A (zh) * 2023-02-07 2023-03-14 北京师范大学 区域陆地生态系统碳储量估算方法、装置、电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石羊河流域土壤有机碳变化特征及其对气候与土地利用变化的响应;冯炜;《中国优秀硕士学位论文全文数据库基础科学辑》(第1期);A009-113 *

Also Published As

Publication number Publication date
CN116563718A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN116563718B (zh) 一种基于遥感测绘的碳储量估算方法
CN111985543B (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN115987295B (zh) 基于物联网的农作物监控数据高效处理方法
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN104361414B (zh) 一种基于相关向量机的输电线路覆冰预测方法
CN110517311A (zh) 基于叶片病斑面积的病虫害监测方法
CN117011555B (zh) 一种基于遥感图像识别的红树林生态检测方法
CN113221282B (zh) 基于贝叶斯残差卷积网络的航空发动机寿命预测方法
CN111415752A (zh) 一种融合气象因素和搜索指数的手足口病预测方法
CN104156768B (zh) 一种模糊c均值聚类小数据量识别混沌的方法
CN117370329A (zh) 基于工业物联网的设备数据智能化管理方法及系统
CN112147474A (zh) Xlpe电力电缆典型缺陷局部放电类型识别系统及方法
CN114732424B (zh) 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法
CN117315380B (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
CN116843725B (zh) 一种基于深度学习光流法的河流表面流速测量方法及系统
CN117010971B (zh) 一种基于人像识别的智能健康险提供方法及系统
CN107292340A (zh) 基于卷积神经网络的侧线鳞识别方法
JP4711355B2 (ja) 時系列データの解析装置
Vasanthi Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN
CN114358502A (zh) 一种基于优化elm的食用油风险评估方法
Isaksson Reduction of Temperature Forecast Errors with Deep Neural Networks
Tasya et al. Breast Cancer Detection Using Convolutional Neural Network with EfficientNet Architecture
CN114545066A (zh) 一种非侵入式负荷监测模型聚合方法和系统
CN112380984A (zh) 一种基于遥感的盐沼植被缓流能力空间评价方法
CN110840459A (zh) 人体平衡能力获取方法及系统、计算机设备及介质

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