CN116935238B - 基于深度学习的森林扰动监测方法、系统、设备及介质 - Google Patents
基于深度学习的森林扰动监测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116935238B CN116935238B CN202310826794.6A CN202310826794A CN116935238B CN 116935238 B CN116935238 B CN 116935238B CN 202310826794 A CN202310826794 A CN 202310826794A CN 116935238 B CN116935238 B CN 116935238B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- feature
- forest
- data
- features
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013135 deep learning Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000007637 random forest analysis Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000012937 correction Methods 0.000 description 14
- 230000003595 spectral effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 8
- 239000002689 soil Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06V20/13—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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开一种深度学习的森林扰动监测方法、系统、设备及介质,涉及森林监测领域,该方法包括:对待监测区域的历史遥感影像进行特征提取获得遥感特征集;遥感特征集中包括历史遥感影像中各像元的特征;基于遥感特征集构建随机森林模型,并基于基尼系数法确定遥感特征集中各特征的重要性;根据各特征的重要性从多个特征中筛选出优选特征;基于历史遥感影像和优选特征构建数据集,数据集中每个样本包括输入数据和标签数据,输入数据为遥感影像样本中各像元的各优选特征,标签数据为各像元真实地表数据;根据数据集训练深度学习网络,将训练好的深度学习网络作为森林扰动监测模型。本发明实现了大范围、精细化且准确的森林扰动实时监测。
Description
技术领域
本发明涉及森林监测技术领域,特别是涉及一种深度学习的森林扰动监测方法、系统、设备及介质。
背景技术
森林是最大的陆地生态系统,对维护地球环境具有重要作用。森林扰动会改变森林的种群结构,影像森林水源涵养与土壤保护功能,建立完善适用于区域森林扰动的监测方法具有重要意义。
传统的森林扰动监测多采取人工实地调查方式,耗时耗力、效率较低,难以满足大范围森林扰动监测的需要。随着卫星技术的发展,遥感影像逐渐成为森林扰动监测的主要手段,遥感监测的方法可以节省大量的人力、物力、财力,缩短调查周期,有效避免了人为因素和环境因素的影响。对于不同的研究区域,遥感数据的选取会对森林扰动的监测结果产生一定程度的影响,目前应用较为广泛的遥感数据为Landsat数据和MODIS数据,MODIS数据的覆盖范围较大,时间分辨率较高,但是其空间分辨率较低,其监测结果的精度不能保证;Landsat数据有较高的空间分辨率,但是其覆盖范围有限,易受天气条件的影响,难以进行大范围的森林扰动遥感监测。
发明内容
本发明的目的是提供一种深度学习的森林扰动监测方法、系统、设备及介质,实现了大范围、精细化且准确的森林扰动实时监测。
为实现上述目的,本发明提供了如下方案:
一种深度学习的森林扰动监测方法,包括:
对待监测区域的历史遥感影像进行特征提取,获得所述历史遥感影像的遥感特征集;所述遥感特征集中包括所述历史遥感影像中各像元的特征;
基于所述遥感特征集构建随机森林模型,并基于基尼系数法确定所述遥感特征集中各特征的重要性;所述随机森林模型用于对输入的像元进行森林和非森林的分类;
根据各特征的重要性从多个特征中筛选出优选特征;
基于所述历史遥感影像和所述优选特征构建数据集,所述数据集中每个样本包括输入数据和标签数据,所述输入数据为遥感影像样本中各像元的各优选特征,所述标签数据为各像元真实地表数据,各像元的类别包括非森林和森林;
根据所述数据集训练深度学习网络,将训练好的深度学习网络作为森林扰动监测模型;
将实时采集的待监测区域的遥感影像的优选特征输入所述森林扰动监测模型,得到森林扰动监测结果;实时采集的遥感影像为GF-6WFV卫星数据。
本发明还公开了一种深度学习的森林扰动监测系统,包括:
遥感特征集提取模块,用于对待监测区域的历史遥感影像进行特征提取,获得所述历史遥感影像的遥感特征集;所述遥感特征集中包括所述历史遥感影像中各像元的特征;
重要性确定模块,用于基于所述遥感特征集构建随机森林模型,并基于基尼系数法确定所述遥感特征集中各特征的重要性;所述随机森林模型用于对输入的像元进行森林和非森林的分类;
特征优选模块,用于根据各特征的重要性从多个特征中筛选出优选特征;
数据集构建模块,用于基于所述历史遥感影像和所述优选特征构建数据集,所述数据集中每个样本包括输入数据和标签数据,所述输入数据为遥感影像样本中各像元的各优选特征,所述标签数据为各像元真实地表数据,各像元的类别包括非森林和森林;
森林扰动监测模型确定模块,用于根据所述数据集训练深度学习网络,将训练好的深度学习网络作为森林扰动监测模型;
森林扰动监测模型,用于根据实时采集的待监测区域的遥感影像的优选特征得到森林扰动监测结果;实时采集的遥感影像为GF-6WFV卫星数据。
本发明还公开了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的深度学习的森林扰动监测方法。
本发明还公开了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的深度学习的森林扰动监测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明从GF-6WFV卫星数据中获得待监测区域的遥感影像,GF-6WFV卫星数据具有监测大范围且分辨率高的特点,结合深度学习模型确定待监测区域的当前扰动森林区域,实现了大范围、精细化且准确的森林扰动实时监测。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种深度学习的森林扰动监测方法流程示意图;
图2为本发明实施例提供了2020年和2021年关于地物1的影像配准比较示意图;
图3为本发明实施例提供了2020年和2021年关于地物2的影像配准比较示意图;
图4为本发明实施例提供了2020年和2021年关于地物3的影像配准比较示意图;
图5为本发明实施例提供了待监测区域不同地物光谱曲线示意图;
图6为本发明实施例提供了光谱指数特征和植被红边波段特征对应的特征图;其中,(a)表示归一化植被指数特征图,(b)表示比值植被指数特征图,(c)表示差值植被指数特征图,(d)表示土壤调整植被指数特征图,(e)表示红边指数特征图,(f)表示红边近红外归一化植被指数特征图,(g)表示将NDVI中的近红外波段替换成红边1波段的归一化植被指数特征图,(h)表示将NDVI中的近红外波段替换成红边2波段的归一化植被指数特征图;
图7为本发明实施例提供了纹理特征对应的特征图;其中,(a)表示均值特征图,(b)表示熵特征图,(c)表示同质性特征图,(d)表示方差特征图,(e)表示相异性特征图,(f)表示角二阶距特征图;
图8为本发明实施例提供了2020年特征重要性得分和分类精度示意图;
图9为本发明实施例提供了2021年特征重要性得分和分类精度示意图;
图10为本发明实施例提供了坡度提取示意图一;
图11为本发明实施例提供了坡度提取示意图二;
图12为本发明实施例提供了坡向提取示意图;
图13为本发明实施例提供了数据集中遥感影像样本和标签样本示意图,其中,(a)、(c)和(e)为遥感影像样本,(b)、(d)和(f)分别为与(a)、(c)和(e)对应的标签样本;。
图14为本发明实施例提供了3种数据增强方式示意图,其中,(a)为原始样本,(b)为水平翻转,(c)为垂直翻转,(d)为旋转90°;
图15为本发明实施例提供了2020年Unet模型迭代训练过程示意图;
图16为本发明实施例提供了2021年Unet模型迭代训练过程示意图;
图17为本发明实施例提供了2020年Unet网络模型分类结果示意图;
图18为本发明实施例提供了2021年Unet网络模型分类结果示意图;
图19为本发明实施例提供了基于Unet网络模型的森林扰动监测结果图示意图;
图20为本发明一种深度学习的森林扰动监测系统结构示意图。
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,本领域普通技术人员在没有做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。
本发明的目的是提供一种深度学习的森林扰动监测方法、系统、设备及介质,实现了大范围、精细化且准确的森林扰动实时监测。
为使本发明的上述目的、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。
实施例1
如图1所示,本实施例提供了一种深度学习的森林扰动监测方法,具体包括如下步骤:
步骤101:对待监测区域的历史遥感影像进行特征提取,获得所述历史遥感影像的遥感特征集;所述遥感特征集中包括所述历史遥感影像中各像元的特征。
历史遥感影像为待监测区域的GF-6WFV卫星数据。
其中,步骤101具体包括:
对所述历史遥感影像依次进行辐射定标、大气校正、正射校正、影像配准以及影像拼接与裁剪,获得预处理后的历史遥感影像。
遥感影像的预处理是能够较好应用遥感影像的前提条件。遥感成像会受到大气、地形、获取角度等多种因素的影响,使获取的影像与地表真实影像之间存在部分的变形、噪声和模糊等现象,对信息提取的质量和精度都有较大影响。鉴于本发明构建的植被指数以及分类结果对森林扰动监测结果有一定的影响,因此,本发明对GF-6WFV数据的处理过程主要包括辐射定标、大气校正、正射校正、图像配准、图像拼接和裁剪等。
步骤1011:辐射定标。
不同时期影像获得时的太阳高度角、气象条件、拍摄时间等因素会对遥感成像产生影响,通常在进行森林扰动监测之前需要进行辐射校正。辐射定标就是将传感器记录的DN值转化为绝对辐射亮度或地表反射率的过程,这一过程可以消除传感器本身引起的误差,得到真实的传感器入口处的辐射值。本发明采用从中国资源卫星应用中心获取的2020年和2021年GF-6WFV传感器的定标参数对数据(历史遥感影像)进行辐射定标,基于ENVI5.3扩展工具China Satellites加载GF-6WFV.til文件,自动会把三个影像文件虚拟镶嵌,选择ENVI5.3中的Radiometric Calibration辐射定标工具,将影像DN值转化为辐射亮度值。公式为:
L=Gain*DN+Offset;
式中,L为辐射亮度值,单位为W·(m2·sr-1·μm-1);DN值为卫星载荷观测值,Gain和Offset分别为传感器增益值和偏移,单位为W·(m2·sr-1·μm-1)。
步骤1012:大气校正。
大气校正是消除大气在反射、吸收和散射过程中的辐射误差,将大气顶层的表观反射率转化为地表真实反射率的过程,本发明采用ENVI5.3中的FLAASH大气校正模块,该模块是在美国空军研究实验室(U.S.Air Force Research Laboratory)支持下,采用MODTRAN辐射传输计算方法开发的。输入数据为辐射定标后的数据,影像的中心经纬度和日期可以通过头文件自动识别,其他参数需要手动添加。传感器类型为UNKNOWN-MSI,传感器高度为645km,成像区域的平均高度通过DEM数据统计均值得到,像元大小为16m,大气模型根据经纬度和影像区域选择,可对照经纬度和成像时间表,气溶胶模型选择Rural,由于GF-6WFV数据缺少短波红外波段,因此气溶胶反演方法为None,初始能见度为40km。
步骤1013:正射校正。
遥感影像在成像的过程中会受到传感器因素和地形因素的影响导致几何变形,几何变形影响遥感影像的质量以及实际应用,所以对遥感影像进行正射校正来消除几何变形。本发明利用ENVI中的正射校正工具,通过对经过大气校正的GF-6WFV影像,选择30m分辨率的DEM数据,使用91卫图中0.5m分辨率的无偏移天地图影像,均匀选择标志性强的控制点进行正射校正,校准误差控制在0.6个像元以内。
步骤1014:影像配准。
在进行森林扰动监测前,要保证各期影像之间有足够高的配准精度,这样才能减少伪变化信息。影像配准就是通过对多时相影像之间相同位置的地面控制点像元进行校正,从而消除不同时相影像间的几何位置误差。本发明以2020年影像为基准影像来配准2021年的影像,重采样方法为最近邻,校正模型为多项式模型。选择同名控制点数量为530个,每个控制点的均方根(RMS)控制在0.6个像元以内,总的配准总误差(RMSE)为0.4个像元,部分控制点的信息见表 1,配准效果见图2-图 4,图2-图4中(a)为2020年遥感影像,图2-图4中(b)为2021年遥感影像。
表1影像配准控制点信息统计表
步骤1015:影像拼接与裁剪.
为得到完整的研究区遥感影像,本发明分别对2020年和2021年的两景影像利用ENVI5.3的无缝镶嵌工具(Seamless Mosaic)进行影像拼接,利用研究区行政矢量边界分别对拼接好的两期影像进行裁剪,最终得到2020年和2021年的待监测区域历史遥感影像。
提取预处理后的历史遥感影像的光谱指数特征、植被红边波段特征、纹理特征和地形特征。
步骤1016:光谱指数特征提取与分析。
在遥感影像分类中,光谱是最基本的特征,遥感影像信息提取中大部分需要从地物信息中获取的光谱特征,不同地物在相应的光谱范围内对太阳的反射率不同。本发明采用GF-6WFV数据的B1-B8波段即蓝、绿、红、近红外、红边1、红边2、紫波段,黄波段共8个原始波段作为森林信息提取的光谱特征。根据选择的植被、土壤、水体、建设用地的样本绘制了不同地物光谱曲线,如图5所示。
从图5中可以看出植被与非植被样本在不同的波段上差异较大,因此可以通过不同的波段构建相关的植被指数提取森林。本发明引入了四种常用的植被指数,分别为归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、土壤调整植被指数(SAVI)。4种植被指数的描述和计算公式如下:
(1)归一化植被指数(Normalized Difference Vegetation Index,NDVI)是表示植被生长变化和空间分布的有效指标,与植被覆盖度密切相关。NDVI是由近红外波段和红波段的差与和的比值得到的,其值的范围一般在[-1,1]之间,植被覆盖度越大,NDVI值越高。其计算公式如下:
NDVI=(NIR-R)/(NIR+R);
式中,NIR表示近红外波段的反射率值,R表示红波段的反射率值。
(2)比值植被指数(Ratio Vegetation Index,RVI)是利用植被对近红外波段有较强的反射能力,对红波段有较强的吸收能力,通过比值方式增强植被信息。其计算公式如下:
RVI=NIR/R;
(3)差值植被指数(Vegetation Index,DVI)为遥感图像中两个光谱波段反射率的差值。该指数对土壤的变化更加敏感,对水体和植被有较好的识别能力。其计算公式如下:
DVI=(NIR-R);
(4)土壤调整植被指数(Soil-AdjustedVegetation Index,SAVI)能够在高密度植被区域减少土壤的变化对植被覆盖的影响,在一定程度上可以减少高密度植被区NDVI趋于饱和的问题,SAVI值的范围一般在[-1,1]之间,随着植被覆盖度的增加而增大。其计算公式如下:
其中,L表示为土壤亮度指数,其值的大小随之植被密度的变化而变化,其值在[0,1]之间变化,一般情况下L的最佳取值为0.5,本发明选择最佳值0.5进行计算。
步骤1017:植被红边波段特征提取与分析。
红边是绿色植被光谱反射率中增高最快的波段范围,红边包括红边的位置和斜率。在高分卫星数据中,GF-6WFV是唯一含有红边波段的遥感影像,对植被的监测具有显著的效果。红边波段与植被的各种参数都具有相关性,能够很好的监测植被的生长状况,因此红边波段可以用来提取植被信息。本发明借鉴哨兵2号的红边指数计算方式,利用GF-6WFV数据的红边波段计算4种红边指数,分别为红边指数NDREI,红边近红外归一化植被指数REDNDVI,归一化植被指数NDVIRe1,归一化植被指数NDVIRe2。4种红边指数的描述和计算公式如下:
(1)红边指数(NDREI),用红边波段的波峰和波谷替代NDVI中的近红外波段和红波段。
NDREI=(Re2-Re1)/(Re2+Re1);
式中,Re2和Re1分别代表GF-6WFV的红边2波段和红边1波段。
(2)红边近红外归一化植被指数(REDNDVI)与植被的叶绿素含量有关。
REDNDVI=(NIR-Re1)/(NIR+Re1);
式中,NIR和Re1分别代表GF-6WFV的近红外波段和红边1波段。
(3)归一化植被指数(NDVIRe1)是将NDVI中的近红外波段替换成红边1波段,值的范围在[-1,1]之间,它对叶冠层的细小变化、衰老较为敏感。
NDVIRe1=(Re1-R)/(Re1+R);
式中,Re1和R分别代表GF-6WFV的红边1波段和红波段。
(4)归一化植被指数(NDVIRe2)是将NDVI中的近红外波段替换成红边2波段,可用于森林监测、精细农业等方面。
NDVIRe2=(Re2-R)/(Re2+R);
式中,Re2和R分别代表GF-6WFV的红边2波段和红波段。
图6为基于2020年遥感影像构建的植被指数,亮度较高的部分为森林植被区域,非植被区域的亮度较暗。
步骤1018:纹理特征提取与分析。
随着遥感影像分析技术的快速发展,在遥感影像分析中,空间结构信息也得到了广泛的应用。纹理是一种内部结构特征,表示图像空间拓扑关系和图像灰度的性质。在遥感影像中纹理可以解释为影像内色调有规则的结构,影像处理中不依赖于光照和色彩,但能较好的展示影像的同质性特征。国内外有较多的纹理特征分析方法,目前较为常用的、效果较好的方法为灰度共生矩阵法(gray level co-ocurrence matrix,GLCM),该方法在1973年由Haralick首次提出的,具有较强的鲁棒性和适应能力,它主要是计算影像中两点灰度之间在一定方向和一定距离之间的相关性,反映影像在方向、变化幅度及间隔上的综合信息。方向一般取0°,45°,90°和135°。已有研究表明,纹理特征可以提高图像分类的精度。
本发明主要对两期GF-6WFV影像分别利用ENVI5.3中的主成分分析(PCA)工具将原始的8波段数据进行降维,然后选择信息量在92%以上的第一波段进行纹理特征,选取8个纹理特征统计量对纹理特征进行表示。纹理特征主要为均值(Mean,ME)、熵(Entropy,ENT)、同质性(Homogencity,HOM)、方差(Variance,VAR)、相异性(Dissimilarity,DIS)、角二阶距(Angular Second Moment,ASM)、对比度(Contrast,CON)、自相关(Correlation,COR),如图7所示。
(1)均值(Mean,ME)常用来计算窗口内的像元值分布是否均匀,表示纹理的规则程度。公式如下:
其中,i表示矩阵的行数,j表示矩阵的列数,N表示像素个数,P(i,j)表示第i行、第j列对应的两个灰度值同时出现的概率。
(2)熵(Entropy,ENT)常用来表示图像所包含的信息量。公式如下:
(3)同质性(Homogencity,HOM)用来表示图像纹理的均匀程度,纹理的沟纹越深,特征值越小;纹理的沟纹越浅,特征值越大。公式如下:
(4)方差(Variance,VAR)表示图像纹理的变化波动程度,局部纹理变化越大,方差越大;局部纹理变化越小,方差越小。公式如下:
其中,μ表示行和列的均值。
(5)相异性(Dissimilarity,DIS)用来表示图像纹理信息的清晰程度,纹理沟纹越深,相异性越大;纹理沟纹越浅,相异性越小。公式如下:
(6)角二阶距(Angular SecondMoment,ASM)表示图像纹理的粗糙程度和均匀性,纹理越粗糙,图像越均匀时角二阶距值越大;纹理越精细,图像均匀程度越差时角二阶距值越小。公式如下:
(7)对比度(Contrast,CON)是通过对比相邻像元的灰度值,从而反映图像纹理信息的强弱,对比度越大表示图像中的纹理信息差异越大,影像越清晰;对比度越小则表示图像中的纹理信息差异越小,影像越模糊。公式如下:
(8)自相关(Correlation,COR)是图像中相邻像元灰度值存在的线性关系,表示图像中纹理信息的方向。公式如下:
本发明经过反复的实现发现,在GLCM所设置的窗口大小中,3×3窗口相较于5×5、7×7以及9×9窗口更能清晰的提取图像中的均值、熵、同质性、方差、相异性、角二阶距、对比度、自相关这8种纹理特征,以2020年遥感影像为例,分别对比了0°方向上3×3、5×5、7×7和9×9这4种不同窗口所提取的纹理均值特征信息,随着窗口的不断增大,均值特征越模糊,窗口越小,均值特征的信息越丰富。因此,本发明选择3×3窗口,步长为1,角度为0°方向进行纹理特征提取。
步骤1019:地形特征提取与分析。
由于不同地形的区域,太阳的入射角不同,植被所受的太阳辐射能量也有所差异,在高海拔的地区,这种现象更加明显。因此,地形特征逐渐应用到图像分类中。已有研究表明地形特征的加入可以提高土地利用类型、森林、植被等的分类精度。本发明通过下载的DEM数据进行地形因子提取,利用ArcGIS软件,提取坡度和坡向信息,参与到森林资源的提取中,局部区域提取效果如图10-12所示。
步骤102:基于所述遥感特征集构建随机森林模型,并基于基尼系数法确定所述遥感特征集中各特征的重要性;所述随机森林模型用于对输入的像元进行森林和非森林的分类。
其中,步骤102具体包括:本发明基于光谱特征、指数特征、纹理特征以及地形特征构建特征集,但是过多的特征参与到分类中,容易造成信息的冗余进而影响分类的精度。随机森林算法不仅可以运用在影像分类中,在特征的选择和降维方面也发挥着重要的作用。本发明对特征重要性进行评判的方法为基尼(Gini)系数法,随机森林算法中每棵树的生成都离不开各个节点的分裂,分裂前后的Gini系数的减少度可作为分裂的依据,例如对于特征m,将每棵树按m进行分裂的Gini系数减少量的总和作为判断特征m重要性的依据,Gini系数越大表示特征的重要性越强。Gini系数的相关公式如下:
GIm表示Gini系数,K为训练样本的总类别数,类别包括森林与非森林两类,pmk表示节点m处属于第k类的概率值。特征Xj在m节点上的重要性为:
GVIjm=(GIm-GIl-GIr);
式中,GIl和GIr分别表示分枝后两个新节点的Gini系数。特征Xj在第i棵树的重要性为:
GVIij=∑m∈MGVIjm;
式中,M为特征Xj在决策树i中出现的节点集合。假设随机森林中共有n棵树,则特征Xj在所有类别中的重要性评分即可通过以下公式获得:
步骤103:根据各特征的重要性从多个特征中筛选出优选特征。
其中,步骤103具体包括:
将各特征的重要性从大到小进行排序。
初始化优选特征集和随机森林模型。
按照各特征的重要性从大到小的顺序,依次将遥感特征集中特征放入优选特征集:每放入一个特征后,利用当前优选特征集训练随机森林模型,并确定训练后的随机森林模型的分类精度,若当前分类精度与上一次放入特征后的分类精度之差小于设定值,则将上一次放入特征后的优选特征集中特征记为优选特征。
作为具体实施方式:随机森林算法可以计算出每次参与运算特征的重要性,本发明使用10折交叉验证的方式计算27个特征在10次实验中重要性的均值。为确定最优特征的数量,对特征重要性的均值从大到小进行排序,依次加入实验,计算每次实验的总体精度,结果如图8-图9所示,27个特征变量的重要性得分均不相同,在2020年结果中,NDREI、NDVIRe2和SAVI这三种指数的得分较高均超过了0.1,在所有的27个特征中,当前13个特征加入时总体分类精度达到最大为94.05%,在第13个特征之后,分类精度在最大值附近呈现波动的情况。在2021年结果中,蓝波段的特征重要性评分略高于其他特征,当前15个特征加入到分类中时,总体分类精度达到最大为92.23%,在第15个特征后,分类精度在最大值附近波动。结合2020和2021年的特征重要性评分可以看出,光谱特征、指数特征以及地形特征高程和坡向的得分相对较高,而纹理特征的得分相对较低,这可能与影像的分辨率有关,本发明使用的遥感影像的分辨率为16m,纹理特征往往在分辨率较高的影像中影响较大。
步骤104:基于所述历史遥感影像和所述优选特征构建数据集,所述数据集中每个样本包括输入数据和标签数据,所述输入数据为遥感影像样本中各像元的各优选特征,所述标签数据为各像元真实地表数据,各像元的类别包括非森林和森林。
其中,步骤104具体包括:本发明主要利用GF-6WFV影像进行数据集制作,目前并没有基于GF-6WFV影像的公开数据集,由于2020年和2021年构建的特征集维度不同,因此,本发明分别对2020和2021年影像构建样本数据集,基于ArcGIS、91卫图以及python工具,对GF-6WFV影像进行人工标注森林和非森林信息。首先利用ArcGIS软件打开研究区域的2020年遥感影像,然后绘制森林矢量数据,由于影像的分辨率为16m,只能大致的矢量化森林范围,因此,将绘制的大致森林范围矢量导入到91卫图中,选择与影像时间相近的影像,91卫图的最大分辨率可达0.5m,根据91卫图内森林目视解译效果,进行森林矢量数据的修改。将经过91卫图修改后的森林矢量导入到ArcGIS中,通过ArcGIS中的擦除工具可以得到非森林矢量,将森林的属性字段设为 1,非森林的属性字段设为 2,利用ArcGIS中的更新工具将非森林信息更新到森林信息中,即可以得到一个包含森林和非森林的矢量数据。通过ArcGIS中的面转栅格数据,将包含森林与非森林的矢量图层转换为TIFF栅格数据,栅格数据中value字段的1代表森林信息,2代表非森林信息。2021年遥感影像所对应标签在2020年森林矢量数据的基础上修改得到,操作流程一致。在卷积神经网络训练过程中,输入的影像一般为一张正方形的影像,因此,本发明基于python语言将制作的标签栅格图像和相对应的遥感影像进行批量裁剪,由于卷积神经网络在训练中需要设置众多参数,对计算机配置要求较高,所以分别裁剪成128×128大小的尺度。最后基于python编程语言,裁剪获取1504张128×128大小的遥感影像样本和标签样本,部分样本如图13所示。
步骤105:根据所述数据集训练深度学习网络,将训练好的深度学习网络作为森林扰动监测模型。
所述数据集中每张遥感影像样本的尺寸为128×128。
所述深度学习网络为Unet网络。
数据归一化是深度学习数据预处理中的一个步骤,起到防止小数据丢失,统一量纲的作用。归一化就是把数据转化为[0,1]或[-1,1]之间的数值,目的是避免因输入和输出数据量级差距较大,造成网络预测较大,常用的归一化方法为线性归一化。线性归一化是对原始数据进行线性变化,将数值转化为[0,1]之间,并且保留了数据中存在的关系。
所述数据集中样本图像为对像元进行数据归一化处理后的图像,数据归一化处理的公式为:
其中,x'表示归一化后的像元值,x表示归一化前的像元值,min(x)表示样本图像中最小的像元值,max(x)表示表示样本图像中最大的像元值。
在深度学习网络训练过程中需要大量的样本作为支撑,为了防止因为样本不足而出现过拟合的情况,通过数据增强实现样本扩充是一种有效方式,故通过数据增强的方式扩充训练样本数量,因此,本发明还对数据集进行数据增强。常用的图像增强方法包括裁剪、几何变换和颜色变换。遥感影像在成像的过程中会因传感器角度的不同而对同一目标拍摄会出现不同的位置和形态,所以,本发明通过水平翻转、垂直翻转和旋转90°三种几何变换方式进行数据增强,使得样本数据扩增到6016个,将数据样本按照训练集与测试集7:3的比例进行分配。数据增强效果如图14所示。
步骤106:将实时采集的待监测区域的遥感影像的优选特征输入所述森林扰动监测模型,得到森林扰动监测结果;实时采集的遥感影像为GF-6WFV卫星数据。
本发明进行模型训练与结果分析如下。
第一、模型训练。
(1)实验环境
本发明使用了由安徽省高分辨率对地观测系统数据产品与应用软件研发中心提供的计算机硬件,其中GPU为NVIDIAQuadro RTX4000,CPU为i7-10700 CPU@2.90GHz2.90GHz,该计算机拥有12G内存,可以快速访问本发明实验的临时存储,在软件方面,本发明使用了Windows10操作系统,编程语言选择Python 3.1.11,深度学习框架选择Pytorch1.6.0。本实验所使用的框架版本及软硬件配置如表2所示。
表2实验环境配置参数
(2)实验参数设置
深度学习网络训练前,为了确保实验效率,需设定大量参数。本发明所涉及到的主要参数是学习率(Learning Rate,LR)、梯度下降算法、以及对每次训练选择的样本数Batchsize,迭代次数Epoch等。学习率作为深度学习的重要超参数,它决定了目标函数是否能收敛于局部区域内的最小值,何时收敛于最小值。当学习率设置过高时,网络训练初期,将加快训练参数迭代优化更新速度,使网络模型更易向局部或者全局最优解逼近,但是后期网络训练学习率太高,使参数的更新起伏很大,无法收敛,难以达到最优值。当学习率设置过小时,训练时的网络模型收敛的速度会很慢,经过多次实验后,本发明设置初始学习率为0.01。梯度下降算法是一种常用的求解无约束最优化问题的方法,目的是通过迭代寻找目标函数的最小值,首先选取合适的梯度,沿梯度方向移动相同的步长并且不断重复这个过程直到满足收敛的条件,找到目标函数的最小值则停止迭代,本发明使用最广泛的梯度下降算法—Adam优化器,在实际应用中Adam方法效果较好,相对于其他自适应学习率算法,该算法的收敛速度更快,学习效果更好。学习率策略为poly即多项式衰减,定义一个初始学习率和一个最低学习率,学习率从初始学习率降到最低学习率后,一方面可以一直使用这个最低学习率,也可以选择升高到一定值后再下降到最低学习率并重复这个过程,设置学习率往复升降的目的是为了防止训练后期学习率较小,导致参数陷入某个局部最优解中。step_size设置为10,gamma设置为0.1,意味着每经过10次迭代,学习率缩小为原来的0.1倍。
由于计算机性能受限,若一次输入较多数据,会影响计算机GPU的内存使用,将会导致内存溢出。所以需要将数据多批次输入模型,本发明经多次试验,设定Batch Size为32,也就是每次经过训练数据生成器时,产生大小为M×M的32幅图像,并将其输入模型中进行训练。迭代次数Epoch表示训练数据集在经历一次完整的遍历后的迭代次数,当该参数设置过小时易出现欠拟合情况,当该参数设置过大时会出现过拟合情况,经过反复的实验,本发明最终将Epoch设置为200,具体参数设置见表3。
表3深度学习网络训练参数
第二、分类结果与精度评价。
本发明基于构建的Unet网络模型进行模型训练,由于2020年和2021年构建的特征集维度不同,因此对基于两种特征集构建的模型分别进行训练,其训练过程如图15和图16所示,图15和图16中(a)表示准确度,(b)表示损失(Loss)值,由图15和图16中的训练精度曲线(train),测试精度曲线(val)可知,在200次迭代训练后,其模型参数已经基本保持不变,2020年总体精度稳定在93.78%左右,2021年总体精度稳定在93.87%左右,已达到较好的训练效果。图17和图18为基于Unet网络模型的2020年以及2021年的森林资源信息提取结果,其中黑色区域表示森林,白色区域表示非森林,同时测试样本对两时相森林资源信息提取结果进行精度评价,结果如表4,表5所示,2020年森林资源信息提取精度总体精度为95.97%,Kappa系数为0.917,错分误差为6.16%,漏分误差为3.67%。2021年森林资源信息提取精度总体精度为95.94%,Kappa系数为0.916,错分误差为7.25%,漏分误差为2.47%。
表42020年Unet网络模型森林资源提取结果精度评价
表52021年Unet网络模型森林资源提取结果精度评价
基于Unet网络模型的森林扰动监测结果如图19和表6所示,灰色区域为非森林区域,红色区域表示森林扰动区域,绿色部分表示为森林未扰动区域。监测结果总体精度为91.23%,Kappa系数为0.817,错分误差为9.54%,漏分误差为12.63%,该方法由于森林资源信息提取的精度更高,从而减少了大量“伪扰动”事件的发生,监测效果较好。
表6基于Unet网络模型的森林扰动监测结果精度评价
实施例2
如图20所示,本实施例提供了一种深度学习的森林扰动监测系统,包括:
遥感特征集提取模块201,用于对待监测区域的历史遥感影像进行特征提取,获得所述历史遥感影像的遥感特征集;所述遥感特征集中包括所述历史遥感影像中各像元的特征;
重要性确定模块202,用于基于所述遥感特征集构建随机森林模型,并基于基尼系数法确定所述遥感特征集中各特征的重要性;所述随机森林模型用于对输入的像元进行森林和非森林的分类;
特征优选模块203,用于根据各特征的重要性从多个特征中筛选出优选特征;
数据集构建模块204,用于基于所述历史遥感影像和所述优选特征构建数据集,所述数据集中每个样本包括输入数据和标签数据,所述输入数据为遥感影像样本中各像元的各优选特征,所述标签数据为各像元真实地表数据,各像元的类别包括非森林和森林;
森林扰动监测模型确定模块205,用于根据所述数据集训练深度学习网络,将训练好的深度学习网络作为森林扰动监测模型;
森林扰动监测模型206,用于根据实时采集的待监测区域的遥感影像的优选特征得到森林扰动监测结果;实时采集的遥感影像为GF-6WFV卫星数据。
实施例3
本实施例提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行实施例1所述的深度学习的森林扰动监测方法。
本实施例还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如实施例1所述的深度学习的森林扰动监测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明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装置及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种深度学习的森林扰动监测方法,其特征在于,包括:
对待监测区域的历史遥感影像进行特征提取,获得所述历史遥感影像的遥感特征集;所述遥感特征集中包括所述历史遥感影像中各像元的特征;
基于所述遥感特征集构建随机森林模型,并基于基尼系数法确定所述遥感特征集中各特征的重要性;所述随机森林模型用于对输入的像元进行森林和非森林的分类;
根据各特征的重要性从多个特征中筛选出优选特征;
基于所述历史遥感影像和所述优选特征构建数据集,所述数据集中每个样本包括输入数据和标签数据,所述输入数据为遥感影像样本中各像元的各优选特征,所述标签数据为各像元真实地表数据,各像元的类别包括非森林和森林;
根据所述数据集训练深度学习网络,将训练好的深度学习网络作为森林扰动监测模型;
将实时采集的待监测区域的遥感影像的优选特征输入所述森林扰动监测模型,得到森林扰动监测结果;实时采集的遥感影像为GF-6WFV卫星数据;
根据各特征的重要性从多个特征中筛选出优选特征,具体包括:
将各特征的重要性从大到小进行排序;
初始化优选特征集和随机森林模型;
按照各特征的重要性从大到小的顺序,依次将遥感特征集中特征放入优选特征集:每放入一个特征后,利用当前优选特征集训练随机森林模型,并确定训练后的随机森林模型的分类精度,若当前分类精度与上一次放入特征后的分类精度之差小于设定值,则将上一次放入特征后的优选特征集中特征记为优选特征。
2.根据权利要求1所述的深度学习的森林扰动监测方法,其特征在于,所述数据集中每张遥感影像样本的尺寸为128×128。
3.根据权利要求1所述的深度学习的森林扰动监测方法,其特征在于,所述深度学习网络为Unet网络。
4.根据权利要求1所述的深度学习的森林扰动监测方法,其特征在于,所述数据集中样本图像为对像元进行数据归一化处理后的图像,数据归一化处理的公式为:
其中,x'表示归一化后的像元值,x表示归一化前的像元值,min(x)表示样本图像中最小的像元值,max(x)表示表示样本图像中最大的像元值。
5.一种深度学习的森林扰动监测系统,其特征在于,包括:
遥感特征集提取模块,用于对待监测区域的历史遥感影像进行特征提取,获得所述历史遥感影像的遥感特征集;所述遥感特征集中包括所述历史遥感影像中各像元的特征;
重要性确定模块,用于基于所述遥感特征集构建随机森林模型,并基于基尼系数法确定所述遥感特征集中各特征的重要性;所述随机森林模型用于对输入的像元进行森林和非森林的分类;
特征优选模块,用于根据各特征的重要性从多个特征中筛选出优选特征;
数据集构建模块,用于基于所述历史遥感影像和所述优选特征构建数据集,所述数据集中每个样本包括输入数据和标签数据,所述输入数据为遥感影像样本中各像元的各优选特征,所述标签数据为各像元真实地表数据,各像元的类别包括非森林和森林;
森林扰动监测模型确定模块,用于根据所述数据集训练深度学习网络,将训练好的深度学习网络作为森林扰动监测模型;
森林扰动监测模型,用于根据实时采集的待监测区域的遥感影像的优选特征得到森林扰动监测结果;实时采集的遥感影像为GF-6WFV卫星数据;
根据各特征的重要性从多个特征中筛选出优选特征,具体包括:
将各特征的重要性从大到小进行排序;
初始化优选特征集和随机森林模型;
按照各特征的重要性从大到小的顺序,依次将遥感特征集中特征放入优选特征集:每放入一个特征后,利用当前优选特征集训练随机森林模型,并确定训练后的随机森林模型的分类精度,若当前分类精度与上一次放入特征后的分类精度之差小于设定值,则将上一次放入特征后的优选特征集中特征记为优选特征。
6.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至4中任一项所述的深度学习的森林扰动监测方法。
7.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的深度学习的森林扰动监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826794.6A CN116935238B (zh) | 2023-07-07 | 2023-07-07 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826794.6A CN116935238B (zh) | 2023-07-07 | 2023-07-07 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935238A CN116935238A (zh) | 2023-10-24 |
CN116935238B true CN116935238B (zh) | 2024-02-23 |
Family
ID=88387189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310826794.6A Active CN116935238B (zh) | 2023-07-07 | 2023-07-07 | 基于深度学习的森林扰动监测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935238B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689964B (zh) * | 2024-02-02 | 2024-05-03 | 湖南省第二测绘院 | 一种基于多源影像的城市森林分类方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476170A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种结合深度学习和随机森林的遥感影像语义分割方法 |
CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
CN112712275A (zh) * | 2021-01-07 | 2021-04-27 | 南京大学 | 基于Maxent和GIS的森林火灾风险评估方法 |
CN113095303A (zh) * | 2021-06-04 | 2021-07-09 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN113255427A (zh) * | 2021-02-09 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113705454A (zh) * | 2021-08-30 | 2021-11-26 | 北京理工大学 | 一种包含红外光谱遥感影像的有林地提取方法 |
CN114005040A (zh) * | 2021-06-24 | 2022-02-01 | 闽江学院 | 一种基于di的森林扰动变化遥感监测方法及装置 |
CN114091613A (zh) * | 2021-11-26 | 2022-02-25 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
CN114444791A (zh) * | 2022-01-19 | 2022-05-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于机器学习的洪涝灾害遥感监测评估方法 |
CN114694036A (zh) * | 2022-03-18 | 2022-07-01 | 南京农业大学 | 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法 |
CN115346134A (zh) * | 2022-08-16 | 2022-11-15 | 中国科学院西北生态环境资源研究院 | 基于特征优选随机森林的冰川表碛遥感识别方法 |
CN115424136A (zh) * | 2022-08-31 | 2022-12-02 | 中国林业科学研究院资源信息研究所 | 一种遥感和林相图相结合的林冠健康评价方法及系统 |
CN116188793A (zh) * | 2022-11-09 | 2023-05-30 | 江苏省农业科学院 | 一种基于卫星遥感影像的紫云英种植面积监测方法 |
KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021090324A1 (en) * | 2019-11-06 | 2021-05-14 | Migal Applied Research Ltd. | Remote measurement of crop stress |
US20230091677A1 (en) * | 2021-09-17 | 2023-03-23 | 6th Grain Corporation | Monitoring and intelligence generation for farm field |
US20230102406A1 (en) * | 2021-09-27 | 2023-03-30 | Rezatec Limited | System and method for automated forest inventory mapping |
CN114037911B (zh) * | 2022-01-06 | 2022-04-15 | 武汉大学 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
-
2023
- 2023-07-07 CN CN202310826794.6A patent/CN116935238B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476170A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种结合深度学习和随机森林的遥感影像语义分割方法 |
CN111814671A (zh) * | 2020-07-08 | 2020-10-23 | 三亚中科遥感研究所 | 一种基于遥感协同的林地动态变化监测方法 |
CN112712275A (zh) * | 2021-01-07 | 2021-04-27 | 南京大学 | 基于Maxent和GIS的森林火灾风险评估方法 |
CN113255427A (zh) * | 2021-02-09 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113095303A (zh) * | 2021-06-04 | 2021-07-09 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN114005040A (zh) * | 2021-06-24 | 2022-02-01 | 闽江学院 | 一种基于di的森林扰动变化遥感监测方法及装置 |
CN113705454A (zh) * | 2021-08-30 | 2021-11-26 | 北京理工大学 | 一种包含红外光谱遥感影像的有林地提取方法 |
CN114091613A (zh) * | 2021-11-26 | 2022-02-25 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
CN114444791A (zh) * | 2022-01-19 | 2022-05-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于机器学习的洪涝灾害遥感监测评估方法 |
CN114694036A (zh) * | 2022-03-18 | 2022-07-01 | 南京农业大学 | 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法 |
CN115346134A (zh) * | 2022-08-16 | 2022-11-15 | 中国科学院西北生态环境资源研究院 | 基于特征优选随机森林的冰川表碛遥感识别方法 |
CN115424136A (zh) * | 2022-08-31 | 2022-12-02 | 中国林业科学研究院资源信息研究所 | 一种遥感和林相图相结合的林冠健康评价方法及系统 |
KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
CN116188793A (zh) * | 2022-11-09 | 2023-05-30 | 江苏省农业科学院 | 一种基于卫星遥感影像的紫云英种植面积监测方法 |
Non-Patent Citations (4)
Title |
---|
Early identification of Cotton fields based on GF-6 images in Arid and semiarid regions(China);Chen zou 等;《remote sensing》;第15卷(第5326期);1-16 * |
The classification method study of Crops remote sensing with deep learning, machine learning, and Google earth engine;Jinxi Yao 等;《remote sensing》;第14卷(第2758期);1-22 * |
基于GF-6WFV数据的林地非林地快速提取技术研究;刘代超;《中国优秀硕士学位论文全文数据库基础科学辑》(2021年第01期);A008-342 * |
森林扰动遥感影像检测方法研究进展;王宁 等;《世界林业研究》;第35卷(第04期);40-46 * |
Also Published As
Publication number | Publication date |
---|---|
CN116935238A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Houborg et al. | A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data | |
CN106023133B (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
Chen et al. | Compact Airborne Spectrographic Imager (CASI) used for mapping biophysical parameters of boreal forests | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN116935238B (zh) | 基于深度学习的森林扰动监测方法、系统、设备及介质 | |
Liang et al. | Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery | |
Dutta et al. | Characterizing vegetation canopy structure using airborne remote sensing data | |
CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN111723711A (zh) | 基于Pléiades和面向对象的地膜信息提取方法及系统 | |
CN115271217A (zh) | 一种基于无人机多源遥感数据的小麦产量预测方法 | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
CN116844049A (zh) | 基于图像差值法的森林扰动监测方法、系统、设备及介质 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
Cui et al. | Optimal spatial resolution of remote-sensing imagery for monitoring cantaloupe greenhouses | |
Kozoderov et al. | Cognitive technologies for processing optical images of high spatial and spectral resolution | |
CN117576596B (zh) | 基于无人机多光谱遥感的薇甘菊智能检测方法 | |
CN116363523B (zh) | 基于遥感信息的松材线虫疫木监测方法、终端及介质 | |
Kozoderov et al. | Recognition of natural and man-made objects in airborne hyperspectral images | |
Atzberger et al. | Geostatistical regularization of inverse models for the retrieval of vegetation biophysical variables | |
CN117571625A (zh) | 一种基于遥感影像的罂粟非法种植检测方法及系统 |
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 |