CN117197683A - 基于深度特征融合的乡村地区遥感影像碳排放估算系统 - Google Patents
基于深度特征融合的乡村地区遥感影像碳排放估算系统 Download PDFInfo
- Publication number
- CN117197683A CN117197683A CN202311137327.9A CN202311137327A CN117197683A CN 117197683 A CN117197683 A CN 117197683A CN 202311137327 A CN202311137327 A CN 202311137327A CN 117197683 A CN117197683 A CN 117197683A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- feature map
- fusion
- semantic
- 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.)
- Withdrawn
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 133
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 133
- 230000004927 fusion Effects 0.000 title claims abstract description 111
- 239000013598 vector Substances 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 36
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 20
- 230000000694 effects Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 229910002092 carbon dioxide Inorganic materials 0.000 description 10
- 239000001569 carbon dioxide Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000001272 nitrous oxide Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度特征融合的乡村地区遥感影像碳排放估算系统，其获取被监控乡村区域的遥感影像；对所述被监控乡村区域的遥感影像进行图像特征提取以得到多尺度语义融合遥感影像浅层特征图；以及，基于所述多尺度语义融合遥感影像浅层特征图，确定碳排放量估计值。这样，可以从遥感影像中捕捉关于碳排放量的特征分布，并以此实现自动化地估算该乡村区域的碳排放量值。
Description
技术领域
本发明涉及智能化估算技术领域，尤其涉及一种基于深度特征融合的乡村地区遥感影像碳排放估算系统。
背景技术
碳排放量是影响全球气候变化的重要因素之一。乡村地区的土地利用类型和空间分布复杂，导致碳排放的空间异质性很大，而地面测量的样点数量和分布往往不能充分覆盖这种异质性。也就是，传统的基于地面测量的碳排放估算方法难以准确反映乡村地区的碳排放状况。
因此，期待一种优化的乡村地区碳排放估算方案。
发明内容
本发明实施例提供一种基于深度特征融合的乡村地区遥感影像碳排放估算系统，其获取被监控乡村区域的遥感影像；对所述被监控乡村区域的遥感影像进行图像特征提取以得到多尺度语义融合遥感影像浅层特征图；以及，基于所述多尺度语义融合遥感影像浅层特征图，确定碳排放量估计值。这样，可以从遥感影像中捕捉关于碳排放量的特征分布，并以此实现自动化地估算该乡村区域的碳排放量值。
本发明实施例还提供了一种基于深度特征融合的乡村地区遥感影像碳排放估算系统，其包括：
影像获取模块，用于获取被监控乡村区域的遥感影像；
图像特征提取模块，用于对所述被监控乡村区域的遥感影像进行图像特征提取以得到多尺度语义融合遥感影像浅层特征图；以及
碳排放量估计模块，用于基于所述多尺度语义融合遥感影像浅层特征图，确定碳排放量估计值；
其中，所述图像特征提取模块，包括：
特征图提取单元，用于提取所述被监控乡村区域的遥感影像的浅层特征、中层特征和深层特征以得到遥感影像浅层特征图、遥感影像中层特征图和遥感影像深层特征图；
融合单元，用于融合所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图以得到所述多尺度语义融合遥感影像浅层特征图。
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。在附图中：
图1为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算系统的框图。
图2为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算方法的流程图。
图3为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算方法的系统架构的示意图。
图4为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
碳排放量是指在特定时间内，由人类活动或自然过程释放到大气中的二氧化碳(CO2)的总量，是衡量人类活动对全球气候变化的贡献程度的重要指标之一。人类活动是主要的碳排放源，包括燃烧化石燃料(如煤、石油和天然气)、工业生产、交通运输、森林砍伐和土地利用变化等。这些活动释放大量的二氧化碳到大气中，导致全球温室效应加剧，引起气候变化。
碳排放量的计量单位通常是以公吨(或千克)二氧化碳当量(CO2e)表示，即将其他温室气体的排放转换为与二氧化碳具有相同的温室效应的排放量。除了二氧化碳，其他常见的温室气体还包括甲烷(CH4)和氧化亚氮(N2O)等。
全球各国和国际组织通常会定期评估和报告各国的碳排放量，以监测和评估全球气候变化的趋势，并制定相应的政策和措施来减少碳排放量，以应对气候变化的挑战。减少碳排放量是实现全球减缓气候变化目标的关键措施之一。
乡村地区的土地利用类型和空间分布复杂，指的是农田、林地、草地、湿地等不同类型的土地在乡村地区的分布情况，这些土地利用类型的不同，导致了乡村地区碳排放的空间异质性很大。
不同土地利用类型对碳排放的贡献是不同的。例如，农田通常会通过农作物的生长和农业活动释放大量的二氧化碳，而林地和草地则可以吸收二氧化碳并储存大量的碳。湿地则在适宜条件下可以作为碳汇，吸收和储存大量的碳。然而，由于乡村地区土地利用类型的复杂性和空间分布的异质性，传统的基于地面测量的碳排放估算方法往往难以准确反映乡村地区的碳排放状况，这是因为地面测量的样点数量和分布有限，无法全面覆盖乡村地区的各种土地利用类型和空间变化。
传统的基于地面测量的碳排放估算方法在估算乡村地区的碳排放状况时面临一些挑战，难以准确反映实际情况。地面测量通常采用样点调查的方式，但在乡村地区，土地利用类型和空间分布复杂多样，样点的数量有限且分布不均匀，这导致了样点覆盖不足以充分反映乡村地区的碳排放异质性。乡村地区的土地利用类型经常发生变化，例如农田可能在不同季节有不同的农作物种植，林地和草地也可能受到人类活动的影响而发生变化，地面测量无法及时捕捉到这些变化，导致估算结果可能不准确。地面测量通常只能在有限的空间尺度上进行，无法全面覆盖乡村地区的大范围土地利用，这导致了估算结果在空间上的局限性，无法反映整个乡村地区的碳排放情况。地面测量过程中存在人为误差和不确定性，例如测量仪器的精度、采样点的选择和操作等，这些误差和不确定性可能影响估算结果的准确性。
为了克服这些挑战，可以采用遥感技术和模型估算方法来提高乡村地区碳排放的估算精度。遥感技术可以提供高分辨率的土地利用信息，包括不同土地利用类型的空间分布和变化情况。模型估算方法可以利用这些遥感数据和其他环境参数，通过建立统计模型或机器学习模型来估算乡村地区的碳排放量。这种方法可以更全面地考虑土地利用异质性和空间变化，提高估算结果的准确性。
因此，为了更准确地估算乡村地区的碳排放量，需要采用一种优化的方法，这种方法可以利用遥感技术和基于深度学习的人工智能技术，从遥感影像中捕捉关于碳排放量的特征分布，并以此实现自动化地估算乡村地区的碳排放量值。
通过遥感技术，可以获取高分辨率的卫星影像和航空影像，提供了大范围和多时相的土地利用信息。结合基于深度学习的人工智能技术，可以对这些影像进行分析和处理，识别不同土地利用类型，并推断出与碳排放相关的特征，如植被覆盖、土壤类型等。然后，可以利用这些特征来估算乡村地区的碳排放量。
这种基于遥感和深度学习的方法可以克服传统地面测量方法的局限性，提供更全面、准确的乡村地区碳排放估算结果，为制定碳减排政策和管理乡村地区的碳排放提供科学依据。
在本发明的一个实施例中，图1为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算系统的框图。如图1所示，根据本发明实施例的基于深度特征融合的乡村地区遥感影像碳排放估算系统100，包括：影像获取模块110，用于获取被监控乡村区域的遥感影像；图像特征提取模块120，用于对所述被监控乡村区域的遥感影像进行图像特征提取以得到多尺度语义融合遥感影像浅层特征图；以及，碳排放量估计模块130，用于基于所述多尺度语义融合遥感影像浅层特征图，确定碳排放量估计值；其中，所述图像特征提取模块120，包括：特征图提取单元121，用于提取所述被监控乡村区域的遥感影像的浅层特征、中层特征和深层特征以得到遥感影像浅层特征图、遥感影像中层特征图和遥感影像深层特征图；融合单元122，用于融合所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图以得到所述多尺度语义融合遥感影像浅层特征图。
在所述影像获取模块110中，确保获取到的遥感影像具有足够的空间分辨率和时间分辨率，以覆盖被监控乡村区域的土地利用类型和空间变化。通过获取高质量的遥感影像，可以提供详细的土地利用信息，为后续的碳排放估计提供准确的数据基础。在所述图像特征提取模块120中，采用适当的图像特征提取算法，例如卷积神经网络(CNN)，以从遥感影像中提取多尺度语义融合的浅层特征图。通过提取图像特征，可以捕捉到遥感影像中与碳排放相关的信息，包括植被覆盖、土地利用类型等，为后续的碳排放估计提供有用的特征表示。在所述碳排放量估计模块130中，利用多尺度语义融合遥感影像浅层特征图，结合地面测量数据或其他环境参数，建立合适的模型(如统计模型或机器学习模型)，以确定碳排放量的估计值。通过基于多尺度语义融合遥感影像浅层特征图的分析和建模，可以更准确地估计乡村地区的碳排放量。这种方法能够充分考虑土地利用异质性和空间变化，提高碳排放估计的精度和可靠性。
应可以理解，影像获取模块110确保获取到高质量的遥感影像数据，图像特征提取模块120提取遥感影像中的有用特征，而碳排放量估计模块130利用这些特征进行碳排放量的估计，这些模块的协同工作可以提高乡村地区碳排放估计的准确性和可行性。
进一步地，在所述特征图提取单元121中，使用适当的特征提取方法，例如卷积神经网络(CNN)，对被监控乡村区域的遥感影像进行处理，提取浅层特征、中层特征和深层特征，得到对应的特征图。通过提取不同层次的特征图，可以捕捉到遥感影像中不同尺度和语义信息的特征，有助于更全面地描述乡村地区的土地利用和碳排放情况。
在所述融合单元122中，采用适当的融合方法，例如特征图的加权融合或级联融合，将遥感影像的浅层特征图、中层特征图和深层特征图进行融合，得到多尺度语义融合的遥感影像浅层特征图。通过融合不同层次的特征图，可以综合利用不同尺度和语义信息的特征，提高对乡村地区土地利用和碳排放的理解能力。融合后的特征图可以更好地反映乡村地区的空间异质性和变化情况，为后续的碳排放估计提供更准确的特征表示。
针对上述技术问题，本申请的技术构思是利用遥感技术与基于深度学习的人工智能技术，从遥感影像中捕捉关于碳排放量的特征分布，并以此实现自动化地估算该乡村区域的碳排放量值。
基于此，在本申请的技术方案中，首先，获取被监控乡村区域的遥感影像。应可以理解，遥感影像可以提供乡村地区土地利用类型的空间分布信息。不同的土地利用类型对碳排放具有不同的影响，例如农田、森林、草地等。通过分析遥感影像中的土地利用类型，可以根据已知的碳排放系数估算各个土地利用类型的碳排放量。遥感影像还包含乡村地区的植被覆盖程度信息，植被是吸收和储存大气中二氧化碳的主要因素之一，因此通过遥感影像中的植被信息可以用于估算乡村地区的碳吸收量。此外，遥感影像可以提供土壤类型和质量的信息，而土壤是碳储存的重要组成部分。不同类型和质量的土壤对碳储存和释放有着不同的影响。通过遥感影像，可以了解土地的基本特征，从中估算乡村地区土壤中的碳含量。遥感影像还可以监测和识别乡村地区的人类活动，例如农田管理、农作物种植、畜牧业等。这些人类活动都会对碳排放产生影响，通过遥感影像可以获取这些活动的信息，并结合相应的碳排放系数，进行碳排放量的估算。也就是，遥感影像提供了大范围、高分辨率的数据，通过分析乡村地区的遥感影像，结合土地利用类型、植被信息、土壤信息和人类活动监测等多种因素，可以对该乡村区域的碳排放量进行估算。
然后，提取所述被监控乡村区域的遥感影像的浅层特征、中层特征和深层特征以得到遥感影像浅层特征图、遥感影像中层特征图和遥感影像深层特征图。这里，提取所述被监控乡村区域的遥感影像的浅层特征、中层特征和深层特征以获取多尺度的特征表示，可以更好地描述乡村地区的地物信息和碳排放相关的特征。
浅层特征通常包含局部细节和纹理信息，中层特征捕捉到更大范围的语义信息，而深层特征则捕捉到更高级别的抽象语义信息，通过提取并分析这些不同层次的特征，可以获得遥感影像在不同尺度上的信息，从而更全面地理解乡村地区的土地利用和碳排放情况。
浅层特征图反映了遥感影像中的局部细节和空间结构，中层特征图捕捉到不同地物之间的语义关系，而深层特征图则能够更好地理解整体的空间布局。通过提取这些特征图，可以更好地建模乡村地区的空间关系，例如土地利用类型之间的相邻性和相互影响，为碳排放量的估计提供更准确的空间上下文信息。
融合遥感影像的浅层特征图、中层特征图和深层特征图可以提供更丰富的语义信息。不同层次的特征图可以相互补充，弥补各自的不足，从而增强特征的表达能力。这种多尺度语义融合的特征图能够更好地反映乡村地区的综合特征，提高碳排放量估计的准确性。
提取遥感影像的浅层特征、中层特征和深层特征可以捕捉到多尺度的信息、建模空间关系并增强语义融合，从而提高乡村地区碳排放量估计的准确性和可行性。
在本申请的一个实施例中，所述特征图提取单元121，用于：将所述被监控乡村区域的遥感影像通过基于金字塔网络的遥感影像多尺度特征提取器以得到所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图。
具体来说，不同层次的特征提供了不同的语义信息和空间细节。浅层特征通常是指较低层次的特征表示，例如边缘、颜色、纹理等。在本申请的应用场景中，浅层特征可以提供一些基本的地物信息，如农田的形状、建筑物的分布等。中层特征通常是指在网络结构中较靠近输出层的特征表示。这些特征具有较高的语义信息，能够表示更抽象和语义丰富的地物特征。在乡村地区的碳排放估算中，中层特征可以捕捉到更高层次的语义信息，如不同土地利用类型的分布模式、植被覆盖的程度等。深层特征通常是指网络结构中较深层次的特征表示，具有更抽象和高级的语义信息。深层特征可以捕捉到更复杂和全局的地物特征，对于理解乡村地区的整体结构和空间关系非常重要。在乡村地区的碳排放估算中，深层特征可以帮助表达乡村地区的整体特征，如不同地块的连通性、碳排放的空间分布模式等。
其中，金字塔网络是一种用于多尺度特征提取的深度学习网络结构，通过在网络中引入多个并行的分支，每个分支处理不同尺度的输入图像或特征图，以获得多个尺度的特征表示。金字塔网络通常由多个并行的卷积层或池化层组成，每个分支负责处理一种特定尺度的输入。较浅的分支处理输入图像或特征图的较大尺度部分，而较深的分支处理较小尺度的部分。这种并行处理的方式使得网络能够在不同尺度上提取特征，从而更好地捕捉到图像中的细节和全局信息。
在遥感影像处理中，金字塔网络被广泛应用于多尺度特征提取。通过金字塔网络，可以同时提取遥感影像的浅层特征、中层特征和深层特征，浅层特征通常用于捕捉纹理和局部细节信息，中层特征用于捕捉语义信息和地物边界，而深层特征则更加抽象，用于表示整体的语义信息。
金字塔网络的优势在于它能够在不同尺度上有效地提取特征，从而提高了对乡村地区遥感影像的理解能力。通过使用金字塔网络进行多尺度特征提取，可以获得更全面、更准确的特征表示，有助于进一步的碳排放量估计和相关的分析任务。
在本申请的一个具体示例中，提取所述被监控乡村区域的遥感影像的浅层特征、中层特征和深层特征以得到遥感影像浅层特征图、遥感影像中层特征图和遥感影像深层特征图的编码过程，包括：将所述被监控乡村区域的遥感影像通过基于金字塔网络的遥感影像多尺度特征提取器以得到遥感影像浅层特征图、遥感影像中层特征图和遥感影像深层特征图。
在本申请的一个实施例中，所述融合单元122，包括：语义融合子单元，用于使用联合语义传播模块来融合所述遥感影像中层特征图和所述遥感影像深层特征图以得到语义融合遥感影像中层特征图；以及，多尺度融合子单元，用于使用所述联合语义传播模块来融合所述语义融合遥感影像中层特征图和所述遥感影像浅层特征图以得到所述多尺度语义融合遥感影像浅层特征图。
接着，融合所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图以得到多尺度语义融合遥感影像浅层特征图。也就是，综合利用遥感影像的浅层、中层和深层特征，以丰富所述多尺度语义融合遥感影像浅层特征图的特征表达。
在本申请的一个具体示例中，融合所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图以得到多尺度语义融合遥感影像浅层特征图的编码过程，包括：先使用联合语义传播模块来融合所述遥感影像中层特征图和所述遥感影像深层特征图以得到语义融合遥感影像中层特征图；再使用所述联合语义传播模块来融合所述语义融合遥感影像中层特征图和所述遥感影像浅层特征图以得到多尺度语义融合遥感影像浅层特征图。
具体地，在本申请的实施例中，使用联合语义传播模块来融合所述遥感影像中层特征图和所述遥感影像深层特征图以得到语义融合遥感影像中层特征图的实现过程为：先将所述遥感影像深层特征图进行上采样以得到分辨率重构特征图；接着，对由所述分辨率重构特征图进行全局均值池化后得到的全局均值特征向量进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到全局语义向量；然后，对所述分辨率重构特征图进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到局部语义向量；再将所述全局语义向量和所述局部语义向量进行点加以得到语义权重向量；接着，以所述语义权重向量为权重向量，对所述遥感影像中层特征图进行加权处理以得到语义联合特征图；随后，融合所述遥感影像中层特征图与所述语义联合特征图以得到所述语义融合遥感影像中层特征图。同样地，使用所述联合语义传播模块来融合所述语义融合遥感影像中层特征图和所述遥感影像浅层特征图以得到多尺度语义融合遥感影像浅层特征图的实现过程也于此类似。
在本申请的一个实施例中，所述碳排放量估计模块130，包括：优化单元，用于对所述多尺度语义融合遥感影像浅层特征图进行特征分布优化以得到优化多尺度语义融合遥感影像浅层特征图；以及，解码单元，用于将所述优化多尺度语义融合遥感影像浅层特征图通过解码器以得到解码值，所述解码值用于表示碳排放量估计值。
优化单元可以对多尺度语义融合遥感影像浅层特征图进行特征分布的优化，通过对特征图进行调整和重组，可以增强特征之间的相关性，减少噪声和冗余信息的影响，从而提高特征的表达能力和区分度。优化后的特征分布能够更好地反映乡村地区的地物特征和碳排放相关的信息。
解码单元通过解码器将优化后的多尺度语义融合遥感影像浅层特征图转化为解码值。解码值可以被用来表示乡村地区的碳排放量估计值。解码器可以是一个逆卷积网络或其他的解码结构，能够将特征图转换为具体的数值输出，通过解码单元，可以将优化后的特征图转化为对碳排放量的估计值，提供了对乡村地区碳排放的定量评估。
优化和解码后得到的解码值可以用于表示乡村地区的碳排放量估计值。通过对特征图的优化和解码，可以更准确地提取和表示与碳排放相关的信息，从而实现对乡村地区碳排放量的估计，有助于了解和监测碳排放的分布和变化趋势，为制定减排政策和管理决策提供科学依据。
在本申请的技术方案中，所述被监控乡村区域的遥感影像通过基于金字塔网络的遥感影像多尺度特征提取器后，所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图的各个特征矩阵可以表达基于金字塔网络的不同尺度下的不同深度的图像语义特征，由此，通过融合所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图得到的所述多尺度语义融合遥感影像浅层特征图的各个特征矩阵也具有尺度混合和深度混合的图像语义特征表示，从而在将所述多尺度语义融合遥感影像浅层特征图通过解码器进行解码回归时，会基于各个特征矩阵的混合图像语义特征表示来进行尺度启发式的回归概率映射，但是考虑到每个特征矩阵的局部通道维度特征分布均包含了混合图像语义特征分布表示，这会导致所述解码器的训练效率降低。
基于此，本申请的申请人在将所述多尺度语义融合遥感影像浅层特征图展开后得到的多尺度语义融合遥感影像浅层特征向量通过解码器进行解码时，对所述多尺度语义融合遥感影像浅层特征向量进行特征秩表达的语义信息均一化激活，具体表示为：以如下优化公式对所述多尺度语义融合遥感影像浅层特征图展开后得到的多尺度语义融合遥感影像浅层特征向量进行优化以得到优化多尺度语义融合遥感影像浅层特征图展开后得到的优化多尺度语义融合遥感影像浅层特征向量；其中，所述优化公式为：
其中，V是所述多尺度语义融合遥感影像浅层特征向量，vi是所述多尺度语义融合遥感影像浅层特征向量V的第i个特征值，||V||2表示所述多尺度语义融合遥感影像浅层特征向量的二范数，log是以2为底的对数函数，且α是权重超参数，v′i是所述优化多尺度语义融合遥感影像浅层特征向量的第i个特征值
这里，考虑到所述多尺度语义融合遥感影像浅层特征向量V的特征分布在高维特征空间到解码回归空间时的特征分布映射，在基于混合图像语义特征的不同的特征分布级别上会呈现不同的映射模式，导致基于尺度启发式的映射策略无法获得最优效率，因而基于特征向量范数的秩表达语义信息均一化而不是尺度进行特征匹配，可以将相似特征秩表达以类似方式激活，并降低差异较大的特征秩表达之间的相关性，从而解决所述多尺度语义融合遥感影像浅层特征向量V的特征分布在不同空间秩表达下的概率表达映射效率低下的问题，提升所述多尺度语义融合遥感影像浅层特征图通过解码器进行解码回归时的训练效率。
继而，将所述优化多尺度语义融合遥感影像浅层特征图通过解码器以得到解码值，所述解码值用于表示碳排放量估计值。
其中，解码器是一个用于将所述优化多尺度语义融合遥感影像浅层特征图转化为解码值的组件，在深度学习模型中扮演着重要的角色，用于恢复原始输入数据的表示或生成所需的输出。解码器通常由一系列反卷积层(也称为转置卷积层)和上采样操作组成，这些层和操作的目标是逐步将特征图的空间分辨率恢复到原始输入的大小，并生成与原始输入相对应的解码值。
在所述优化多尺度语义融合遥感影像浅层特征图的处理中，解码器的任务是将优化后的特征图转化为解码值，用于表示碳排放量的估计值。解码器通过反卷积和上采样操作，逐步恢复特征图的空间分辨率，并生成与原始输入相对应的解码值，这些解码值可以是像素级别的预测，用于表示不同地区的碳排放量。
解码器的设计可以根据具体任务和数据的特点进行调整。例如，可以在解码器中引入跳跃连接(skip connections)来融合不同尺度的特征，以提高解码的准确性和细节保留能力。此外，可以使用适当的激活函数和损失函数来确保解码值与实际碳排放量的匹配。
综上，基于本发明实施例的基于深度特征融合的乡村地区遥感影像碳排放估算系统100被阐明，利用遥感技术与基于深度学习的人工智能技术，从遥感影像中捕捉关于碳排放量的特征分布，并以此实现自动化地估算该乡村区域的碳排放量值。
如上所述，根据本发明实施例的基于深度特征融合的乡村地区遥感影像碳排放估算系统100可以实现在各种终端设备中，例如用于基于深度特征融合的乡村地区遥感影像碳排放估算的服务器等。在一个示例中，根据本发明实施例的基于深度特征融合的乡村地区遥感影像碳排放估算系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于深度特征融合的乡村地区遥感影像碳排放估算系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于深度特征融合的乡村地区遥感影像碳排放估算系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于深度特征融合的乡村地区遥感影像碳排放估算系统100与该终端设备也可以是分立的设备，并且该基于深度特征融合的乡村地区遥感影像碳排放估算系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本发明的一个实施例中，图2为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算方法的流程图。图3为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算方法的系统架构的示意图。如图2和图3所示，根据本发明实施例的基于深度特征融合的乡村地区遥感影像碳排放估算方法，其包括：210，获取被监控乡村区域的遥感影像；220，对所述被监控乡村区域的遥感影像进行图像特征提取以得到多尺度语义融合遥感影像浅层特征图；以及，230，基于所述多尺度语义融合遥感影像浅层特征图，确定碳排放量估计值；其中，220，对所述被监控乡村区域的遥感影像进行图像特征提取以得到多尺度语义融合遥感影像浅层特征图，包括：221，提取所述被监控乡村区域的遥感影像的浅层特征、中层特征和深层特征以得到遥感影像浅层特征图、遥感影像中层特征图和遥感影像深层特征图；222，融合所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图以得到所述多尺度语义融合遥感影像浅层特征图。
本领域技术人员可以理解，上述基于深度特征融合的乡村地区遥感影像碳排放估算方法中的各个步骤的具体操作已经在上面参考图1的基于深度特征融合的乡村地区遥感影像碳排放估算系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4为本发明实施例中提供的一种基于深度特征融合的乡村地区遥感影像碳排放估算系统的应用场景图。如图4所示，在该应用场景中，首先，获取被监控乡村区域的遥感影像(例如，如图4中所示意的C)；然后，将获取的遥感影像输入至部署有基于深度特征融合的乡村地区遥感影像碳排放估算算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于深度特征融合的乡村地区遥感影像碳排放估算算法对所述遥感影像进行处理，以确定碳排放量估计值。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (6)
1.一种基于深度特征融合的乡村地区遥感影像碳排放估算系统，其特征在于，包括：
影像获取模块，用于获取被监控乡村区域的遥感影像；
图像特征提取模块，用于对所述被监控乡村区域的遥感影像进行图像特征提取以得到多尺度语义融合遥感影像浅层特征图；以及
碳排放量估计模块，用于基于所述多尺度语义融合遥感影像浅层特征图，确定碳排放量估计值；
其中，所述图像特征提取模块，包括：
特征图提取单元，用于提取所述被监控乡村区域的遥感影像的浅层特征、中层特征和深层特征以得到遥感影像浅层特征图、遥感影像中层特征图和遥感影像深层特征图；
融合单元，用于融合所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图以得到所述多尺度语义融合遥感影像浅层特征图。
2.根据权利要求1所述的基于深度特征融合的乡村地区遥感影像碳排放估算系统，其特征在于，所述特征图提取单元，用于：
将所述被监控乡村区域的遥感影像通过基于金字塔网络的遥感影像多尺度特征提取器以得到所述遥感影像浅层特征图、所述遥感影像中层特征图和所述遥感影像深层特征图。
3.根据权利要求2所述的基于深度特征融合的乡村地区遥感影像碳排放估算系统，其特征在于，所述融合单元，包括：
语义融合子单元，用于使用联合语义传播模块来融合所述遥感影像中层特征图和所述遥感影像深层特征图以得到语义融合遥感影像中层特征图；以及
多尺度融合子单元，用于使用所述联合语义传播模块来融合所述语义融合遥感影像中层特征图和所述遥感影像浅层特征图以得到所述多尺度语义融合遥感影像浅层特征图。
4.根据权利要求3所述的基于深度特征融合的乡村地区遥感影像碳排放估算系统，其特征在于，所述语义融合子单元，用于：
将所述遥感影像深层特征图进行上采样以得到分辨率重构特征图；
对由所述分辨率重构特征图进行全局均值池化后得到的全局均值特征向量进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到全局语义向量；
对所述分辨率重构特征图进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到局部语义向量；
将所述全局语义向量和所述局部语义向量进行点加以得到语义权重向量；
以所述语义权重向量为权重向量，对所述遥感影像中层特征图进行加权处理以得到语义联合特征图；以及
融合所述遥感影像中层特征图与所述语义联合特征图以得到所述语义融合遥感影像中层特征图。
5.根据权利要求4所述的基于深度特征融合的乡村地区遥感影像碳排放估算系统，其特征在于，所述碳排放量估计模块，包括：
优化单元，用于对所述多尺度语义融合遥感影像浅层特征图进行特征分布优化以得到优化多尺度语义融合遥感影像浅层特征图；以及
解码单元，用于将所述优化多尺度语义融合遥感影像浅层特征图通过解码器以得到解码值，所述解码值用于表示碳排放量估计值。
6.根据权利要求5所述的基于深度特征融合的乡村地区遥感影像碳排放估算系统，其特征在于，所述优化单元，用于：以如下优化公式对所述多尺度语义融合遥感影像浅层特征图展开后得到的多尺度语义融合遥感影像浅层特征向量进行优化以得到优化多尺度语义融合遥感影像浅层特征图展开后得到的优化多尺度语义融合遥感影像浅层特征向量；
其中，所述优化公式为：
其中，V是所述多尺度语义融合遥感影像浅层特征向量，vi是所述多尺度语义融合遥感影像浅层特征向量V的第i个特征值，||V||2表示所述多尺度语义融合遥感影像浅层特征向量的二范数，log是以2为底的对数函数，且α是权重超参数，v′i是所述优化多尺度语义融合遥感影像浅层特征向量的第i个特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137327.9A CN117197683A (zh) | 2023-09-05 | 2023-09-05 | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137327.9A CN117197683A (zh) | 2023-09-05 | 2023-09-05 | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197683A true CN117197683A (zh) | 2023-12-08 |
Family
ID=88984443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311137327.9A Withdrawn CN117197683A (zh) | 2023-09-05 | 2023-09-05 | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197683A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575635A (zh) * | 2024-01-16 | 2024-02-20 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和系统 |
| CN117911880A (zh) * | 2024-03-20 | 2024-04-19 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
| CN118230175A (zh) * | 2024-05-23 | 2024-06-21 | 济南市勘察测绘研究院 | 基于人工智能的不动产测绘数据处理方法及系统 |
-
2023
- 2023-09-05 CN CN202311137327.9A patent/CN117197683A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575635A (zh) * | 2024-01-16 | 2024-02-20 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和系统 |
| CN117575635B (zh) * | 2024-01-16 | 2024-03-29 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和系统 |
| CN117911880A (zh) * | 2024-03-20 | 2024-04-19 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
| CN117911880B (zh) * | 2024-03-20 | 2024-05-31 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
| CN118230175A (zh) * | 2024-05-23 | 2024-06-21 | 济南市勘察测绘研究院 | 基于人工智能的不动产测绘数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117197683A (zh) | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 | |
| Xu et al. | Estimation of degraded grassland aboveground biomass using machine learning methods from terrestrial laser scanning data | |
| Cao et al. | Estimating canopy structure and biomass in bamboo forests using airborne LiDAR data | |
| Huang et al. | Analysis of NDVI data for crop identification and yield estimation | |
| Odebiri et al. | Predicting soil organic carbon stocks under commercial forest plantations in KwaZulu-Natal province, South Africa using remotely sensed data | |
| CN106372730B (zh) | 利用机器学习的植被净初级生产力遥感估算方法 | |
| CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
| Cabacinha et al. | Relationships between floristic diversity and vegetation indices, forest structure and landscape metrics of fragments in Brazilian Cerrado | |
| Xiang et al. | Integration of tillage indices and textural features of Sentinel-2A multispectral images for maize residue cover estimation | |
| Li et al. | Spatial prediction of soil nutrient in a hilly area using artificial neural network model combined with kriging | |
| Yin et al. | Chlorophyll content estimation in arid grasslands from Landsat-8 OLI data | |
| CN111879915A (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| Anderson et al. | Evaluating global land degradation using ground-based measurements and remote sensing | |
| Solórzano et al. | Predicting old-growth tropical forest attributes from very high resolution (VHR)-derived surface metrics | |
| Adjorlolo et al. | Integrating remote sensing and geostatistics to estimate woody vegetation in an African savanna | |
| CN115443889A (zh) | 作物精准灌溉方法及装置 | |
| Parreiras et al. | Using unmanned aerial vehicle and machine learning algorithm to monitor leaf nitrogen in coffee | |
| Houtmeyers et al. | Thinning responses of individual trees in mixed stands of Norway spruce and Scots pine | |
| Esse et al. | Effects of land use change on water availability and water efficiency in the temperate basins of south-central Chile | |
| CN118072178A (zh) | 基于分类后百分比数据同化的玉米产量估算方法及系统 | |
| An et al. | Using hyperspectral radiometry to predict the green leaf area index of turfgrass | |
| Jia et al. | Fractional vegetation cover estimation based on soil and vegetation lines in a corn-dominated area | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| Tripathi et al. | Site-specific nitrogen management in rice using remote sensing and geostatistics | |
| CN113269403B (zh) | 一种支持生境双向变化的景观连通度获取方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231208 |