CN116883785B - 一种森林碳密度数据集提取方法 - Google Patents
一种森林碳密度数据集提取方法 Download PDFInfo
- Publication number
- CN116883785B CN116883785B CN202310878032.0A CN202310878032A CN116883785B CN 116883785 B CN116883785 B CN 116883785B CN 202310878032 A CN202310878032 A CN 202310878032A CN 116883785 B CN116883785 B CN 116883785B
- Authority
- CN
- China
- Prior art keywords
- data set
- carbon density
- product
- model
- forest
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 62
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000012876 topography Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 claims description 4
- 102100027246 Protein EVI2A Human genes 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及碳密度数据提取技术领域,具体来说为一种森林碳密度数据集提取方法,包括数据收集,模型训练,模型验证和数据集制作,本发明通过数据集收集和模型训练的方式,得到了基于城市森林碳密度时空格局的动态变化数据集,并且达到了高度的时空格局上的统一,为城市森林碳密度数据的动态演变提供了支持。
Description
技术领域
本发明涉及碳密度数据提取技术领域,具体来说为一种森林碳密度数据集提取方法。
背景技术
森林生态系统具有重要的固碳功能,有效的森林管理是提升碳密度的重要方式。目前对于包括城市聚集区周边森林碳密度的数据集目前尚未有相关现有技术可以进行动态显示。
基于以上原因,本发明设计了一种森林碳密度数据集提取方法,通过数据集收集和模型训练的方式,得到了基于城市森林碳密度时空格局的动态变化数据集。
发明内容
本发明目的为通过克服现有技术的不足,提供一种森林碳密度数据集提取方法,通过数据集收集和模型训练的方式,得到了基于城市森林碳密度时空格局的动态变化数据集。
为了达到上述目的,本发明提供一种森林碳密度数据集提取方法,包括数据收集,模型训练,模型验证和数据集制作;
数据收集包括用于模型训练的地上碳密度数据集和MCD43A4产品,MCD43A4产品用来训练与收集的地上碳密度数据集之间的关系,以此来推演其他时间的MCD43A4产品所对应的地上碳密度,用于模型验证的SMOS-based passive microwave L-VOD产品,以及用于地类提取的土地利用/覆被数据集;
模型训练的步骤为:
S1,在地类提取中,根据土地利用/覆被数据集中的地类,选择“森林”这个类型,提取森林地表数据;
S2,使用地上碳密度数据集通过深度学习模型ResNet-18架构训练了一个深度学习算法,并将其应用于1公里分辨率的MODIS MCD43A4 BRDF校正图像,具体为:
S21,优化了第一个卷积层以适应地上碳密度数据集产品,并修改了最后一层以输出一个标量用于回归;
对第一卷积层的优化主要是阻止了从ImageNet上预训练的权重直接初始化;
ResNet的其余层被初始化为它们的ImageNet值,最后一层的权重从截断为±2的标准正态分布中随机初始化;
S22,ResNet-18架构用Adam优化器和平均平方误差损失函数训练的;批量大小为64,学习率在每个历时后衰减0.86倍;这些模型被训练了180个历时;在所有历时的验证集上具有最高r2的模型被作为最终模型进行比较;其中对学习率(1e-2,1e-3,1e-4,1e-5)和权重正则化(1e-0,1e-1,1e-2,1e-3)的超参数进行网格搜索,以找到在验证折上表现最佳的模型;为了防止过度拟合,图像通过随机的水平和垂直翻转进行增强;
S23,当使用MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据时,将不存在的波段的像素设置为全零;确保了第一层的权重在反向传播过程中不会被更新,因为相对于全部为零的频段的权重而言,损失的梯度成为零;在地上碳密度数据集和MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据上训练了两个ResNet-18模型,并在其最后的全连接层中用脊回归模型连接这些模型;
S24,使用训练好的模型规则,输入特定年份和范围的MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据,获知其森林碳密度,并绘制1km分辨率的森林碳密度图;
S3,使用MCD43A4产品的所有七个波段,加上EVI2、NDII和MCD43A3的短波反照率,以及SRTM高程模型来训练模型;
S4,用年平均图像的10%的像素来训练模型,剩下的90%用于验证;
模型验证的步骤为:
使用SMOS-based passive microwave L-VOD time series(2010–2020)对碳密度数据进行独立评估;
数据集制作的步骤为:
使用训练好的模型规则,应用估计年份和地区的森林碳密度,并绘制1km分辨率的森林碳密度图,具体为:
使用训练好的模型规则,输入特定年份和范围的MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据,可以其森林碳密度,并绘制1km分辨率的森林碳密度图。
土地利用/覆被数据集为全球30米地表覆盖精细分类产品GLC_FCS30-2020。
MCD43A4产品为天顶BRDF调整的反射率产品(MODIS/Terra Nadir BRDF-AdjustedReflectance Dai ly L3 Global 500m SIN Grid)。
SMOS-based passive microwave L-VOD产品为土壤水分和海洋盐度(SMOS)检索的L波段植被光学深度(L-VOD)。
EVI2为两波段增强型植被指数。
NDII为归一化红外指数。
MCD43A3为MODIS/Terra反照率日报L3全球500米SIN网格反照率产品(TheMCD43A3 Albedo Product(MODIS/Terra Albedo Dai ly L3 Global500m SIN Grid))。
SRTM为航天飞机雷达地形测绘使命(Shuttle Radar Topography Mission)。
SMOS-based passive microwave L-VOD time series(2010–2020)为土壤水分和海洋盐度(SMOS)检索的L波段植被光学深度(L-VOD)。
GLC_FCS30-2020为全球30米地表覆盖精细分类产品。
本发明同现有技术相比,通过数据集收集和模型训练的方式,得到了基于城市森林碳密度时空格局的动态变化数据集,并且达到了高度的时空格局上的统一,为城市森林碳密度数据的动态演变提供了支持。
附图说明
图1为本发明森林碳密度数据集收集方法示意图。
具体实施方式
现结合附图对本发明做进一步描述。
参见图1,本发明提供一种森林碳密度数据集提取方法,包括数据收集,模型训练,模型验证和数据集制作;
数据收集包括用于模型训练的地上碳密度数据集和MCD43A4产品,MCD43A4产品用来训练与收集的地上碳密度数据集之间的关系,以此来推演其他时间的MCD43A4产品所对应的地上碳密度,用于模型验证的SMOS-based passive microwave L-VOD产品,以及用于地类提取的土地利用/覆被数据集;
模型训练的步骤为:
S1,在地类提取中,根据土地利用/覆被数据集中的地类,选择“森林”这个类型,提取森林地表数据;
S2,使用地上碳密度数据集通过深度学习模型ResNet-18架构训练了一个深度学习算法,并将其应用于1公里分辨率的MODIS MCD43A4 BRDF校正图像,具体为:
S21,优化了第一个卷积层以适应地上碳密度数据集产品,并修改了最后一层以输出一个标量用于回归;
对第一卷积层的优化主要是阻止了从ImageNet上预训练的权重直接初始化;
ResNet的其余层被初始化为它们的ImageNet值,最后一层的权重从截断为±2的标准正态分布中随机初始化;
S22,ResNet-18架构用Adam优化器和平均平方误差损失函数训练的;批量大小为64,学习率在每个历时后衰减0.86倍;这些模型被训练了180个历时;在所有历时的验证集上具有最高r2的模型被作为最终模型进行比较;其中对学习率(1e-2,1e-3,1e-4,1e-5)和权重正则化(1e-0,1e-1,1e-2,1e-3)的超参数进行网格搜索,以找到在验证折上表现最佳的模型;为了防止过度拟合,图像通过随机的水平和垂直翻转进行增强;
S23,当使用MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据时,将不存在的波段的像素设置为全零;确保了第一层的权重在反向传播过程中不会被更新,因为相对于全部为零的频段的权重而言,损失的梯度成为零;在地上碳密度数据集和MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据上训练了两个ResNet-18模型,并在其最后的全连接层中用脊回归模型连接这些模型;
S24,使用训练好的模型规则,输入特定年份和范围的MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据,获知其森林碳密度,并绘制1km分辨率的森林碳密度图;
S3,使用MCD43A4产品的所有七个波段,加上EVI2、NDII和MCD43A3的短波反照率,以及SRTM高程模型来训练模型;
S4,用年平均图像的10%的像素来训练模型,剩下的90%用于验证;
模型验证的步骤为:
使用SMOS-based passive microwave L-VOD time series(2010–2020)对碳密度数据进行独立评估;
数据集制作的步骤为:
使用训练好的模型规则,应用估计年份和地区的森林碳密度,并绘制1km分辨率的森林碳密度图,具体为:
使用训练好的模型规则,输入特定年份和范围的MCD43A4天顶BRDF调整的反射率产品、两波段增强型植被指数、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据,可以其森林碳密度,并绘制1km分辨率的森林碳密度图。
土地利用/覆被数据集为全球30米地表覆盖精细分类产品GLC_FCS30-2020。
以上为本发明的优选实施方式,仅用于帮助理解本申请的方法及其核心思想,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本发明从整体上解决了现有技术中对于包括城市聚集区周边森林碳密度的数据集目前尚未有相关现有技术可以进行动态显示的问题,通过将各类数据集整合基于深度学习算法下的模型训练,得到了高度吻合的动态时空格局的碳密度的数据集,为森林管理提供了支撑。
Claims (2)
1.一种森林碳密度数据集提取方法,其特征在于,包括数据收集,模型训练,模型验证和数据集制作;
所述数据收集包括用于模型训练的地上碳密度数据集和MCD43A4产品,所述MCD43A4产品用来训练与收集的地上碳密度数据集之间的关系,以此来推演其他时间的MCD43A4产品所对应的地上碳密度,用于模型验证的SMOS-based passive microwave L-VOD产品,以及用于地类提取的土地利用/覆被数据集;
所述模型训练的步骤为:
S1,在地类提取中,根据土地利用/覆被数据集中的地类,选择“森林”这个类型,提取森林地表数据;
S2,使用所述地上碳密度数据集通过深度学习模型ResNet-18架构训练了一个深度学习算法,并将其应用于1公里分辨率的MODIS MCD43A4 BRDF校正图像,具体为:
S21,优化了第一个卷积层以适应地上碳密度数据集产品,并修改了最后一层以输出一个标量用于回归;
对第一卷积层的优化主要是阻止了从ImageNet上预训练的权重直接初始化;
ResNet的其余层被初始化为它们的ImageNet值,最后一层的权重从截断为±2的标准正态分布中随机初始化;
S22,所述ResNet-18架构用Adam优化器和平均平方误差损失函数训练的;批量大小为64,学习率在每个历时后衰减0.86倍;这些模型被训练了180个历时;在所有历时的验证集上具有最高r2的模型被作为最终模型进行比较;其中对学习率和权重正则化的超参数进行网格搜索,以找到在验证折上表现最佳的模型;为了防止过度拟合,图像通过随机的水平和垂直翻转进行增强;
S23,当使用MCD43A4 天顶BRDF调整的反射率产品、两波段增强型植被指数 、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据时,将不存在的波段的像素设置为全零;确保了第一层的权重在反向传播过程中不会被更新,因为相对于全部为零的频段的权重而言,损失的梯度成为零;在地上碳密度数据集和MCD43A4 天顶BRDF调整的反射率产品、两波段增强型植被指数 、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据上训练了两个ResNet-18模型,并在其最后的全连接层中用脊回归模型连接这些模型;
S24,使用训练好的模型规则,输入特定年份和范围的MCD43A4 天顶BRDF调整的反射率产品、两波段增强型植被指数 、归一化红外指数、MODIS/Terra反照率日报L3全球500米SIN网格反照率产品以及航天飞机雷达地形测绘使命高程数据,获知其森林碳密度,并绘制1km分辨率的森林碳密度图;
S3,使用MCD43A4产品的所有七个波段,加上EVI2、NDII和MCD43A3的短波反照率,以及SRTM高程模型来训练模型;
S4,用年平均图像的10%的像素来训练模型,剩下的90%用于验证;
所述模型验证的步骤为:
使用SMOS-based passive microwave L-VOD time series对碳密度数据进行独立评估;
所述数据集制作的步骤为:
使用训练好的模型规则,应用估计年份和地区的森林碳密度,并绘制1km分辨率的森林碳密度图。
2.根据权利要求1所述的森林碳密度数据集提取方法,其特征在于,所述土地利用/覆被数据集为全球30米地表覆盖精细分类产品GLC_FCS30-2020。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310878032.0A CN116883785B (zh) | 2023-07-17 | 2023-07-17 | 一种森林碳密度数据集提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310878032.0A CN116883785B (zh) | 2023-07-17 | 2023-07-17 | 一种森林碳密度数据集提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883785A CN116883785A (zh) | 2023-10-13 |
CN116883785B true CN116883785B (zh) | 2024-03-12 |
Family
ID=88265869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310878032.0A Active CN116883785B (zh) | 2023-07-17 | 2023-07-17 | 一种森林碳密度数据集提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883785B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN112597870A (zh) * | 2020-12-18 | 2021-04-02 | 清华大学 | 一种土地覆盖分类模型的构建方法 |
CN112906491A (zh) * | 2021-01-26 | 2021-06-04 | 山西三友和智慧信息技术股份有限公司 | 一种基于多模态融合技术的森林火灾检测方法 |
-
2023
- 2023-07-17 CN CN202310878032.0A patent/CN116883785B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN112597870A (zh) * | 2020-12-18 | 2021-04-02 | 清华大学 | 一种土地覆盖分类模型的构建方法 |
CN112906491A (zh) * | 2021-01-26 | 2021-06-04 | 山西三友和智慧信息技术股份有限公司 | 一种基于多模态融合技术的森林火灾检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116883785A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Mapping the rapid development of photovoltaic power stations in northwestern China using remote sensing | |
CN105118090A (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN106226212A (zh) | 基于深度残差网络的高光谱霾监测方法 | |
CN107330413A (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
CN103914678A (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN109285168A (zh) | 一种基于深度学习的sar图像湖泊边界提取方法 | |
Rendenieks et al. | The implications of stand composition, age and spatial patterns of forest regions with different ownership type for management optimisation in northern Latvia | |
Packalén et al. | Dynamic treatment units in eucalyptus plantation | |
CN116151610B (zh) | 一种非均质城市下垫面承灾体风险暴露空间模拟方法 | |
Liu et al. | Mapping abandoned cropland using Within-Year Sentinel-2 time series | |
CN107782700B (zh) | 一种avhrr地表反射率重建方法、系统与装置 | |
CN116883785B (zh) | 一种森林碳密度数据集提取方法 | |
CN110503283A (zh) | 一种县域高标准基本农田建设综合成效的评估方法 | |
CN116484712A (zh) | 植被区域地表温度重建方法、装置、电子设备及存储介质 | |
Zhu et al. | Research on deep learning method recognition and a classification model of grassland grass species based on unmanned aerial vehicle hyperspectral remote sensing | |
CN113534083A (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
CN117114147A (zh) | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 | |
CN116090674B (zh) | 草地退化早期预警方法、装置及系统 | |
CN117372194A (zh) | 农业气象灾害的监测方法、装置、设备及存储介质 | |
CN116258869B (zh) | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 | |
CN109885586A (zh) | 支持遥感影像和数据产品检索的本体模型构建方法及装置 | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
CN115271343A (zh) | 一种缺水区作物种植结构监测和调整决策的方法及系统 | |
JIA | Plant species classification of coastal wetlands based on UAV images and object-oriented deep learning | |
Smart | User guide for Land use of Australia 2010–11 |
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 |