CN117079130B - 一种基于红树林生境的智能信息管理方法及系统 - Google Patents

Abstract

本发明公开了一种基于红树林生境的智能信息管理方法及系统，涉及监测系统技术领域，通过卫星实时获取红树林的遥感数据；通过小型气象站获取空气的温湿度数据、有效光合辐射数据；通过海康相机获取实时红树林的生长情况数据，通过物候相机获取红树林的物候参数数据；根据所获取的数据建立红树林生境模型，提取红树林的株数并确定红树林长势及成活率数据；将通过红树林生境模型获取的红树林长势及成活率数据定期发送至管理部门。本发明公开的一种基于红树林生境的智能信息管理方法及系统解决了目前红树林生境监测不全面的问题，通过综合监测完成了对于红树林生长环境的定时监测与评估。

Description

一种基于红树林生境的智能信息管理方法及系统

技术领域

本发明涉及监测系统技术领域，更具体的说是涉及一种基于红树林生境的智能信息管理方法及系统。

背景技术

目前，红树林指生长在热带、亚热带低能海岸潮间带上部，受周期性潮水淹没，以红树植物为主体的常绿灌木或乔木组成的潮滩湿地土木生物群落。现有技术中，利用遥感技术对红树林进行监测。

但是，通过遥感监测技术，监测的数据不够全面，不能正确反映红树林的状态；红树林的监测采用传统的监测模式，不仅监测的内容较少，而且监测的准确度较低，导致养护部门在养护的过程中存在较多的障碍。

因此，如何更加全面的监测红树林生境是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于红树林生境的智能信息管理方法及系统，通过多角度收集红树林生境内的数据，完成了对于红树林生境的综合监测，使得养护部门能够更好地对红树林生境进行养护。

为了实现上述目的，本发明采用如下技术方案：

一种基于红树林生境的智能信息管理方法，包括：

步骤1：通过卫星实时获取红树林的遥感数据；

步骤2：通过小型气象站获取空气的温湿度数据、有效光合辐射数据；

步骤3：通过海康相机获取实时红树林的生长情况数据，通过物候相机获取红树林的物候参数数据；

步骤4：根据步骤1-3所获取的数据建立红树林生境模型，提取红树林的株数并确定红树林长势及成活率数据；

步骤5：将通过所述红树林生境模型获取的红树林长势及成活率数据定期发送至管理部门。

优选的，所述遥感数据具体包括植被温度数据、水温数据。

优选的，所述物候参数数据具体包括植被覆盖度和归一化植被指数。

优选的，所述提取红树林的株数具体包括：

对所述生长情况数据进行图像块分割，对所述图像块提取Harr特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标快速识别分类器；其次对图像块提取颜色特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标精确识别分类器；最后将得到的快速识别分类器与精确识别分类器进行级联，得到最终联合分类器，对图像块中红树林的主干进行识别；

初始化各个图像块中红树林检测值与主干数量密度估计值的权重；

对每个图像块进行红树林检测和主干数量密度估计，得到红树林检测值和主干数量密度估计值；

对于每个图像块，将红树林检测值和主干数量密度估计值根据所述权重进行计算，得出主干数量值，将每个图像块中主干数量值进行叠加，获取红树林的株数；其中，对所述红树林检测值和主干数量密度估计值进行计算时,先对所述红树林检测值和主干数量密度估计值进行判断，以避免出现错误或重复；

所述权重设置有一种或多种分配方式，所述权重分配方式通过设置主干数量密度估计值的阈值来进行选取。

优选的，所述对图像块中红树林的主干进行识别之后包括：

获取被测红树林植株图像，并在预设的植株种类图片库内获取对照红树林植株图像；其中，所述植株种类图片库是多种红树林植株图像组成的数据库；

提取所述被测红树林植株图像中植株的主干、树叶；

分别计算所述被测红树林植株图像与对照红树林植株图片中植株的主干、树叶的相似度，并确定最大相似度；

根据所述植株种类图片库中的对照红树林植株图像主干、树叶的相似度建立主干置信度模型与树叶置信度模型，将主干的最大相似度、树叶的最大相似度代入相应的置信度模型，得到所述被测红树林植株图像的主干置信度与树叶置信度，并进行加权融合，置信度最高的即为对应红树林植株种类；

同时对该红树林植株标注种类及位置，以固定时间为期限，获取多期红树林数据，对比获取成活率与长势。

优选的，还包括计算需要补种的红树林数量和品种。

优选的，所述步骤3中还包括记录涨落潮的时间和潮水的高度。

一种基于红树林生境的智能信息管理方法，包括：

遥感数据获取模块，通过卫星实时获取红树林的遥感数据；

空气与光合数据获取模块，通过小型气象站获取空气的温湿度数据、有效光合辐射数据；

相机数据获取模块，通过海康相机获取实时红树林的生长情况数据，通过物候相机获取红树林的物候参数数据；

模型建立模块，根据遥感数据、空气的温湿度数据、有效光合辐射数据、生长情况数据、物候参数数据建立红树林生境模型，提取红树林的株数并确定红树林长势及成活率数据；

管理模块，将通过所述红树林生境模型获取的红树林长势及成活率数据定期发送至管理部门。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于红树林生境的智能信息管理方法及系统，与现有技术相比，克服了现有技术中对红树林生境监测较为片面的问题，通过多角度收集红树林生境内的数据，完成了对于红树林生境的综合监测，使得养护部门能够更好地对红树林生境进行养护。

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，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的流程示意图。

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。

本发明实施例公开了一种基于红树林生境的智能信息管理方法，如图1所示，包括：

步骤1：通过卫星实时获取红树林的遥感数据；

步骤2：通过小型气象站获取空气的温湿度数据、有效光合辐射数据；

步骤3：通过海康相机获取实时红树林的生长情况数据，通过物候相机获取红树林的物候参数数据；

步骤4：根据步骤1-3所获取的数据建立红树林生境模型，提取红树林的株数并确定红树林长势及成活率数据；

步骤5：将通过红树林生境模型获取的红树林长势及成活率数据定期发送至管理部门。

在一个具体实施例中，遥感数据具体包括植被温度数据、水温数据。

在一个具体实施例中，物候参数数据具体包括植被覆盖度和归一化植被指数。

在一个具体实施例中，提取红树林的株数具体包括：

对生长情况数据进行图像块分割，对图像块提取Harr特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标快速识别分类器；其次对图像块提取颜色特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标精确识别分类器；最后将得到的快速识别分类器与精确识别分类器进行级联，得到最终联合分类器，对图像块中红树林的主干进行识别；

其中，利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标精确识别分类器，具体包括：

S1：输入若干某类目标的训练样本图像RGB_n，n＝1,2,...,trainsum，其中，trainsum为训练样本数量，同时输入一幅含有该类目标的训练图像I；

S2：针对每一幅目标的训练样本图像RGB_n，将其转换成HIS颜色模型；

S3：利用颜色特征模板窗口去遍历每一个色调图H_n，通过修改色调直方图特征在窗口中的作用范围，可以得到相应的色调统计特征，遍历整张色调图可以得到全局颜色特征，遍历局部色调图就可以得到局部颜色特征；确定色调直方图特征的作用范围以后，通过修改色调直方图特征在窗口的初始位置就可以得到不同的色调统计局部特征，遍历哪个部分色调图就可以得到哪个部分的颜色特征；

因此设得到的每一个色调图H_n的颜色特征为其中，/>为对应于H_n的一个颜色特征矩阵值，/>为该色调图得到的特征值的总数量值；

S4：将所有训练样本的颜色特征值重新组成下列形式：其中，

S5：对训练图像I，划分成与训练样本图像尺寸大小相同的图像；

S6：针对每一个子图像，采用与S2、S3步相同的处理，得到它们的色调图以及每个色调图所对应的颜色特征值矩阵/>

S7：针对训练图像I中的子图像，基于颜色特征依次进行判断，求出满足下列约束的最优解：

通过求取最优解，即可以判断训练图像I中的每一个子图像是否为目标图像；

S8：首先赋予每一个子图像相同的权重，赋予每一个特征相同的重要性系数；其次训练图像I与所用特征的类别皆为已知，判断结果也就已知是否正确，通过计算分类错误样本的权重就可以知道其误差率，误差率最低的特征自然精确率最高，针对此轮精确率最高的特征，增加其重要性系数；针对分错的子图像，增加其权重；接着，在每次挑选完最小误差的特征过后，用挑选出来的特征对训练图像进行判定，然后把判定为目标的窗口作为下一轮待判定的窗口，在下一轮中利用没被挑选出来的特征进行进一步判定，然后再挑选此轮最小误差的特征，从而使得误差比上一轮更小，在迭代过程中不断降低误差，直至误差率降至阈值以内；最后挑选出精确性高的若干个特征，将特征与相应的重要性系数相乘，然后线性相加组合生成相应的强分类器，在强分类器判定结果出来以后，判定为目标以后再进行第二个强分类器的进一步判定，强分类器如此级联在一起就可以形成精确识别分类。

初始化各个图像块中红树林检测值与主干数量密度估计值的权重；

对每个图像块进行红树林检测和主干数量密度估计，得到红树林检测值和主干数量密度估计值；

对于每个图像块，将红树林检测值和主干数量密度估计值根据权重进行计算，得出主干数量值，将每个图像块中主干数量值进行叠加，获取红树林的株数；其中，对红树林检测值和主干数量密度估计值进行计算时,先对红树林检测值和主干数量密度估计值进行判断，以避免出现错误或重复；

权重设置有一种或多种分配方式，权重分配方式通过设置主干数量密度估计值的阈值来进行选取。

在一个具体实施例中，对图像块中红树林的主干进行识别之后包括：

获取被测红树林植株图像，并在预设的植株种类图片库内获取对照红树林植株图像；其中，植株种类图片库是多种红树林植株图像组成的数据库；

提取被测红树林植株图像中植株的主干、树叶；

分别计算被测红树林植株图像与对照红树林植株图片中植株的主干、树叶的相似度，并确定最大相似度；

根据植株种类图片库中的对照红树林植株图像主干、树叶的相似度建立主干置信度模型与树叶置信度模型，将主干的最大相似度、树叶的最大相似度代入相应的置信度模型，得到被测红树林植株图像的主干置信度与树叶置信度，并进行加权融合，置信度最高的即为对应红树林植株种类；

其中，植株种类图片库中的对照红树林植株图像主干、树叶的相似度建立主干置信度模型与树叶置信度模型包括：

计算被测图片与对照图片中植株的主干或树叶的相似度的平均值和方差；

根据平均值和方差获取相似度的概率分布；

根据概率分布建立相应的置信度模型。

同时对该红树林植株标注种类及位置，以固定时间为期限，获取多期红树林数据，对比获取成活率与长势。

在一个具体实施例中，还包括计算需要补种的红树林数量和品种。

在一个具体实施例中，步骤3中还包括记录涨落潮的时间和潮水的高度。

在一个具体实施例中，通过以固定时间间隔计算红树林的植株高度，并进行标注，根据所标注的红树林植株高度获取潮水高度。

一种基于红树林生境的智能信息管理方法，包括：

遥感数据获取模块，通过卫星实时获取红树林的遥感数据；

空气与光合数据获取模块，通过小型气象站获取空气的温湿度数据、有效光合辐射数据；

相机数据获取模块，通过海康相机获取实时红树林的生长情况数据，通过物候相机获取红树林的物候参数数据；

模型建立模块，根据遥感数据、空气的温湿度数据、有效光合辐射数据、生长情况数据、物候参数数据建立红树林生境模型，提取红树林的株数并确定红树林长势及成活率数据；

管理模块，将通过红树林生境模型获取的红树林长势及成活率数据定期发送至管理部门。

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。对于实施例公开的装置而言，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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于红树林生境的智能信息管理方法，其特征在于，包括：

步骤1：通过卫星实时获取红树林的遥感数据；

步骤2：通过小型气象站获取空气的温湿度数据、有效光合辐射数据；

步骤3：通过海康相机获取实时红树林的生长情况数据，通过物候相机获取红树林的物候参数数据；

步骤4：根据步骤1-3所获取的数据建立红树林生境模型，提取红树林的株数并确定红树林长势及成活率数据；

所述提取红树林的株数具体包括：

对所述生长情况数据进行图像块分割，对所述图像块提取Harr特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标快速识别分类器；其次对图像块提取颜色特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标精确识别分类器；最后将得到的快速识别分类器与精确识别分类器进行级联，得到最终联合分类器，对图像块中红树林的主干进行识别；

初始化各个图像块中红树林检测值与主干数量密度估计值的权重；

对每个图像块进行红树林检测和主干数量密度估计，得到红树林检测值和主干数量密度估计值；

对于每个图像块，将红树林检测值和主干数量密度估计值根据所述权重进行计算，得出主干数量值，将每个图像块中主干数量值进行叠加，获取红树林的株数；其中，对所述红树林检测值和主干数量密度估计值进行计算时,先对所述红树林检测值和主干数量密度估计值进行判断，以避免出现错误或重复；

所述权重设置有一种或多种分配方式，所述权重分配方式通过设置主干数量密度估计值的阈值来进行选取；

所述对图像块中红树林的主干进行识别之后包括：

获取被测红树林植株图像，并在预设的植株种类图片库内获取对照红树林植株图像；

其中，所述植株种类图片库是多种红树林植株图像组成的数据库；

提取所述被测红树林植株图像中植株的主干、树叶；

分别计算所述被测红树林植株图像与对照红树林植株图片中植株的主干、树叶的相似度，并确定最大相似度；

根据所述植株种类图片库中的对照红树林植株图像主干、树叶的相似度建立主干置信度模型与树叶置信度模型，将主干的最大相似度、树叶的最大相似度代入相应的置信度模型，得到所述被测红树林植株图像的主干置信度与树叶置信度，并进行加权融合，置信度最高的即为对应红树林植株种类；

同时对该红树林植株标注种类及位置，以固定时间为期限，获取多期红树林数据，对比获取成活率与长势；

还包括计算需要补种的红树林数量和品种；

步骤5：将通过所述红树林生境模型获取的红树林长势及成活率数据定期发送至管理部门。

2.根据权利要求1所述的一种基于红树林生境的智能信息管理方法，其特征在于，所述遥感数据具体包括植被温度数据、水温数据。

3.根据权利要求1所述的一种基于红树林生境的智能信息管理方法，其特征在于，所述物候参数数据具体包括植被覆盖度和归一化植被指数。

4.根据权利要求1所述的一种基于红树林生境的智能信息管理方法，其特征在于，所述步骤3中还包括记录涨落潮的时间和潮水的高度。

5.一种基于红树林生境的智能信息管理系统，其特征在于，包括：

遥感数据获取模块，通过卫星实时获取红树林的遥感数据；

空气与光合数据获取模块，通过小型气象站获取空气的温湿度数据、有效光合辐射数据；

相机数据获取模块，通过海康相机获取实时红树林的生长情况数据，通过物候相机获取红树林的物候参数数据；

模型建立模块，根据遥感数据、空气的温湿度数据、有效光合辐射数据、生长情况数据、物候参数数据建立红树林生境模型，提取红树林的株数并确定红树林长势及成活率数据；

所述提取红树林的株数具体包括：

对所述生长情况数据进行图像块分割，对所述图像块提取Harr特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标快速识别分类器；其次对图像块提取颜色特征，然后利用Adaboost进行特征挑选、重组，以特征的线性组合作为目标精确识别分类器；最后将得到的快速识别分类器与精确识别分类器进行级联，得到最终联合分类器，对图像块中红树林的主干进行识别；

初始化各个图像块中红树林检测值与主干数量密度估计值的权重；

对每个图像块进行红树林检测和主干数量密度估计，得到红树林检测值和主干数量密度估计值；

对于每个图像块，将红树林检测值和主干数量密度估计值根据所述权重进行计算，得出主干数量值，将每个图像块中主干数量值进行叠加，获取红树林的株数；其中，对所述红树林检测值和主干数量密度估计值进行计算时,先对所述红树林检测值和主干数量密度估计值进行判断，以避免出现错误或重复；

所述权重设置有一种或多种分配方式，所述权重分配方式通过设置主干数量密度估计值的阈值来进行选取；

所述对图像块中红树林的主干进行识别之后包括：

获取被测红树林植株图像，并在预设的植株种类图片库内获取对照红树林植株图像；

其中，所述植株种类图片库是多种红树林植株图像组成的数据库；

提取所述被测红树林植株图像中植株的主干、树叶；

分别计算所述被测红树林植株图像与对照红树林植株图片中植株的主干、树叶的相似度，并确定最大相似度；

根据所述植株种类图片库中的对照红树林植株图像主干、树叶的相似度建立主干置信度模型与树叶置信度模型，将主干的最大相似度、树叶的最大相似度代入相应的置信度模型，得到所述被测红树林植株图像的主干置信度与树叶置信度，并进行加权融合，置信度最高的即为对应红树林植株种类；

同时对该红树林植株标注种类及位置，以固定时间为期限，获取多期红树林数据，对比获取成活率与长势；

还包括计算需要补种的红树林数量和品种；

管理模块，将通过所述红树林生境模型获取的红树林长势及成活率数据定期发送至管理部门。