CN117218533A - 油茶林碳汇的监测系统及其方法 - Google Patents

Abstract

本申请涉及智能监测领域，其具体地公开了一种油茶林碳汇的监测系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取油茶林的遥感图像，将图像预处后通过目标检测网络提取出植被覆盖区域再通过混合卷积层的卷积网络和空间注意力机制进一步进行植被覆盖特征增强，以得到用于表示油茶林的碳吸收能力的解码值。进而，为油茶林的碳汇管理和环境保护提供科学依据。

Description

油茶林碳汇的监测系统及其方法

技术领域

本申请涉及智能监测领域，且更为具体地，涉及一种油茶林碳汇的监测系统及其方法。

背景技术

油茶林作为一种重要的碳汇，可以对大气中的二氧化碳进行吸收和固定。了解油茶林的碳吸收能力，从而更好地评估和监测碳汇的规模和变化，有助于了解气候变化的趋势，从而制定相应的保护方案来保护、维持生态系统多样性。但由于现有技术很难准确地评估出油茶林的碳吸收能力，不能指定相应的措施，从而优化资源配置，进而推动绿色发展和生态保护。

因此，期待一种优化的油茶林碳汇的监测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种油茶林碳汇的监测系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取油茶林的遥感图像，将图像预处后通过目标检测网络提取出植被覆盖区域再通过混合卷积层的卷积网络和空间注意力机制进一步进行植被覆盖特征增强，以得到用于表示油茶林的碳吸收能力的解码值。进而，为油茶林的碳汇管理和环境保护提供科学依据。

根据本申请的一个方面，提供了一种油茶林碳汇的监测系统，其包括：

遥感图像获取模块，用于获取油茶林的遥感图像；

预处理图像模块，用于将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪；

植被覆盖提取模块，用于将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；

混合卷积模块，用于将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；

空间增强模块，用于将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；

优化特征模块，用于对所述解码特征图进行特征流形调制以得到优化解码特征图；

解码回归模块，用于将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

在上述油茶林碳汇的监测系统中，所述植被覆盖提取模块，用于：所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。

在上述油茶林碳汇的监测系统中，所述混合卷积模块，用于：将所述油茶林植被覆盖感兴趣区域输入所述包含混合卷积层的卷积神经网络模型的多个混合卷积层以由所述多个混合卷积层中的最后一个混合卷积层输出所述油茶林植被覆盖感兴趣区域特征图。

在上述油茶林碳汇的监测系统中，所述多个混合卷积层，包括:第一尺度卷积单元，用于使用具有第一尺寸的第一卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第一尺度特征图；第二尺度卷积单元，用于使用具有第一空洞率的第二卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第二尺度特征图；第三尺度卷积单元，用于使用具有第二空洞率的第三卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第三尺度特征图；第四尺度卷积单元，用于使用具有第三空洞率的第四卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率；多尺度聚合单元，用于将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；特征图池化单元，用于对所述聚合特征图进行池化处理以生成池化特征图；以及，特征图激活单元，用于对所述池化特征图进行激活处理以生成激活特征图。

在上述油茶林碳汇的监测系统中，所述空间增强模块，包括：深度卷积编码单元，用于使用所述空间注意力机制模块的卷积编码部分对所述油茶林植被覆盖感兴趣区域特征图进行深度卷积编码以得到检测卷积特征图；空间注意力单元，用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算单元，用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到解码特征图。

在上述油茶林碳汇的监测系统中，所述解码回归模块，用于：使用所述解码器以如下解码公式对所述优化解码特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中X是所述优化解码特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。

根据本申请的另一方面，提供了一种油茶林碳汇的监测方法，其包括：

获取油茶林的遥感图像；

将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪；

将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；

将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；

将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；

对所述解码特征图进行特征流形调制以得到优化解码特征图；

将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

与现有技术相比，本申请提供的一种油茶林碳汇的监测系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取油茶林的遥感图像，将图像预处后通过目标检测网络提取出植被覆盖区域再通过混合卷积层的卷积网络和空间注意力机制进一步进行植被覆盖特征增强，以得到用于表示油茶林的碳吸收能力的解码值。进而，为油茶林的碳汇管理和环境保护提供科学依据。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的油茶林碳汇的监测系统的框图。

图2为根据本申请实施例的油茶林碳汇的监测系统的架构示意图。

图3为根据本申请实施例的油茶林碳汇的监测系统中空间增强模块的框图。

图4为根据本申请实施例的油茶林碳汇的监测系统中优化特征模块的框图。

图5为根据本申请实施例的油茶林碳汇的监测方法的流程图。

图6为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上所述，油茶林作为一种重要的碳汇，具有吸收和储存大量二氧化碳的能力。碳汇监测提供了关于油茶林碳循环和生态系统功能的重要信息，管理者可以了解油茶林的生长状态、碳储量变化等关键指标，从而制定针对性的管理策略，如合理的种植密度、施肥措施等，以优化油茶林的碳吸收能力。但由于现有技术很难精准地评估出油茶林的碳吸收能量，并针对相应的措施，来保护生态，推动生态发展。因此，期待一种优化的油茶林碳汇的监测方案。

针对上述技术问题，本申请的申请人通过获取油茶林的遥感图像，将图像预处后通过目标检测网络特征植被覆盖区域再通过混合卷积层和卷积网络和空间注意力机制进一步的特征增强，以得到用于表示油茶林的碳吸收能力的解码值。

相应地，在本申请的技术方案中，考虑到遥感图像可以覆盖较大的地理区域，提供全面的油茶林信息。相比于传统的野外调查和样点测量，遥感图像可以更高效地获取大范围的数据，节省时间和人力成本。具体地，在本技术方案中，通过遥感图像，可以获取油茶林的植被分布情况和覆盖度信息。植被覆盖度是评估植被生长状况和碳吸收能力的重要指标之一，可以反映油茶林的生态系统健康状况和碳汇潜力。另外，遥感图像可以提供丰富的空间信息，包括植被结构、土地类型、地形等。这些信息可以用于提取油茶林的特征，如植被高度、植被指数等，进一步分析油茶林的生长状态和碳吸收能力。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像解码、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

具体地，在本申请的技术方案中，首先，获取油茶林的遥感图像。考虑到遥感图像可能受到传感器噪声、大气干扰、云层遮挡等因素的影响，导致图像中存在噪点或伪影。去噪处理可以减少这些干扰，提高图像的清晰度和可读性，从而更准确地提取油茶林的信息。具体地，遥感图像在获取过程中可能存在不同的光照条件、角度偏移等问题，导致图像中的色彩、亮度、对比度等不一致。图像校正可以对图像进行调整，使其符合一致的色彩和亮度标准，以减少不必要的变异，保证后续分析的准确性。另外，遥感图像可能是由不同时间、不同传感器或不同平台获取的，因此可能存在位置偏移或几何变形等问题。图像配准可以将不同图像对齐，使它们在相同空间坐标下具有一致的位置和尺度，方便进行准确的空间分析和比较。此外，遥感图像通常具有较大的空间范围，而实际关注的是油茶林区域。通过图像裁剪，可以将感兴趣的油茶林区域提取出来，减少数据量和处理复杂度，同时专注于油茶林的特征提取和分析。因此，通过进行图像预处理，可以提高遥感图像的质量和可用性，消除干扰因素，使得后续的数据分析和处理更加准确和可靠。这有助于获取准确的油茶林信息，评估其碳吸收能力和生态效益。

接着，考虑到目标检测网络可以识别图像中的植被目标，通过标定植被的边界框或像素级掩膜，从而提取油茶林的植被覆盖感兴趣区域。这样可以精确地确定油茶林的范围和分布，为后续的碳吸收能力评估和生态效益分析提供基础。另外，目标检测网络可以提取植被目标的形状、大小、高度等结构参数。这些参数对于评估植被生长状况和碳吸收能力非常重要。通过目标检测网络提取的结构参数，可以量化油茶林的生长状态和植被结构特征，为碳汇能力的评估和监测提供依据。因此，通过目标检测网络可以实现对油茶林遥感图像中植被目标的自动识别和定位，提取植被覆盖感兴趣区域和植被结构参数，监测目标变化。

然后，考虑到混合卷积层可以同时捕捉不同尺度的特征信息。在油茶林植被覆盖感兴趣区域中，植被的大小和形状可能会有所变化，因此需要能够处理不同尺度的特征。通过混合卷积层，网络可以在不同的感受野下提取特征，从而更全面地捕捉到植被的细节。在油茶林植被覆盖感兴趣区域中，植被的外观和纹理可能会有所差异，通过融合不同类型的卷积核，网络可以更好地捕捉到这些多样性的特征，提高对植被的识别和解码准确性。因此，通过包含混合卷积层的卷积神经网络模型可以有效地提取油茶林植被覆盖感兴趣区域的特征图。

接着，考虑到在油茶林植被覆盖感兴趣区域中，不同位置的特征可能对于判断和描述植被的重要性不同。通过空间注意力机制，可以学习到每个位置的权重，使网络能够重点关注对植被识别和解码最有帮助的区域。这样可以提高解码特征的质量和表达能力，减少不相关的信息对于后续任务的干扰。具体地，在油茶林植被覆盖感兴趣区域中，植被的分布和排列方式可能对于植被类型和生长状态的判断有重要影响。通过空间注意力机制，可以更好地理解植被特征之间的关联性，提高对植被的理解和表达能力。另外，在油茶林植被覆盖感兴趣区域的特征提取过程中，不同的任务可能对于不同位置的特征有不同的需求。通过空间注意力机制，可以根据任务的要求自动调整特征的权重分配，提高模型的灵活性和适应性。因此，通过空间注意力机制可以对油茶林植被覆盖感兴趣区域的特征图进行加权，突出重要性和代表性的解码特征。

进一步地，将所述解码特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。考虑到解码器可以将抽象的解码特征图还原为更具实际意义的解码值。在油茶林碳吸收能力的评估中，解码值可以表示油茶林的碳吸收量、碳储量或其他与碳汇相关的指标。通过解码器的解码过程，可以将抽象的特征转化为具体的数值，更直观地表示油茶林的碳吸收能力。解码器可以通过解码过程进一步提取和利用特征信息。在解码过程中，解码器可以通过逐层解码的方式，逐渐还原原始图像或数据的细节。这有助于提取更丰富和准确的特征表示，从而更好地描述油茶林的碳吸收能力。通过解码器的回归过程，可以将特征图与碳吸收能力之间建立起映射关系，实现从特征到目标值的转化。这有助于量化和评估油茶林的碳吸收能力，为进一步的管理和决策提供依据。

特别地，考虑到在高维特征空间中，数据可能存在冗余和噪声，这可能导致解码器性能下降。通过特征流形调制，可以将数据映射到一个更低维的空间，从而减少冗余和噪声的影响，提高解码器的鲁棒性和泛化能力。同时，在实际应用中，数据可能会受到各种因素的影响，例如噪声、不完整数据或异常样本等。通过特征流形调制，可以减少这些干扰因素对解码结果的影响，提高解码器的鲁棒性。而通过对解码特征图进行特征流形调制，可以提取更具判别力的特征表示，降低数据的维度，以及提高解码器的鲁棒性和泛化能力，从而得到优化的解码特征图，进而提高灯光智能控制任务的性能。

具体地，对所述解码特征图进行特征流形调制以得到优化解码特征图，包括：将所述解码特征图输入Sigmo id激活函数以将所述解码特征图的各个位置的特征值映射到概率空间中以得到概率化解码特征图；将所述概率化解码特征图的沿通道维度的各个特征矩阵分别映射到同一目标空间中以得到多个类放射映射后特征矩阵；计算所述多个类放射映射后特征矩阵中任意两个类放射映射后特征矩阵之间的互信息以得到由多个互信息组成的类仿射变换特征向量；将所述类仿射变换特征向量通过包含点卷积层和批归一化处理层的权重生成网络以得到类仿射关联概率特征向量；以所述类仿射关联概率特征向量中各个位置的特征值作为权重值，分别对所述解码特征图的沿通道维度的各个特征矩阵进行加权以得到优化解码特征图。

在本申请的技术方案中，所述解码特征图可视为通道特征矩阵的特征集合，因此如果能够利用各个通道特征矩阵之间的关联，则能够基于集合中各个特征元素之间的关联信息来优化特征集合的特征表达精准度和确定性。具体地，在本申请的技术方案中，对所述解码特征图的各个通道特征矩阵进行仿射变换以将所述各个通道特征矩阵映射到一个公共的枢轴特征空间，进而以两个类放射映射后特征矩阵之间的互信息来表示两个通道特征矩阵之间的关联信息，并以点卷积核和批归一化处理来捕捉全局关联信息以得到类仿射关联概率特征向量，最终以所述类仿射关联概率特征向量中各个位置的特征值作为权重值，分别对所述解码特征图的沿通道维度的各个特征矩阵进行加权以得到优化解码特征图。这样，可以增强所述解码特征图的鲁棒性且提高特征图的表达能力，使其能够捕捉更多的细节和语义信息。

基于此，本申请提供了一种油茶林碳汇的监测系统，其包括：遥感图像获取模块，用于获取油茶林的遥感图像；预处理图像模块，用于将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪；植被覆盖提取模块，用于将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；混合卷积模块，用于将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；空间增强模块，用于将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；优化特征模块，用于对所述解码特征图进行特征流形调制以得到优化解码特征图；以及，解码回归模块，用于将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图1为根据本申请实施例的油茶林碳汇的监测系统的框图。如图1所示，根据本申请实施例的油茶林碳汇的监测系统100，包括：遥感图像获取模块110，用于获取油茶林的遥感图像；预处理图像模块120，用于将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪；植被覆盖提取模块130，用于将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；混合卷积模块140，用于将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；空间增强模块150，用于将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；优化特征模块160，用于对所述解码特征图进行特征流形调制以得到优化解码特征图；以及，解码回归模块170，用于将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

图2为根据本申请实施例的油茶林碳汇的监测系统的架构示意图。如图2所示，首先，获取油茶林的遥感图像。接着，将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪。然后，将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域。接着，将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图。然后，将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图。接着，对所述解码特征图进行特征流形调制以得到优化解码特征图。最后，将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

在本申请实施例中，所述遥感图像获取模块110，用于获取油茶林的遥感图像。考虑到遥感图像可以覆盖较大的地理区域，提供全面的油茶林信息。相比于传统的野外调查和样点测量，遥感图像可以更高效地获取大范围的数据，节省时间和人力成本。具体地，在本技术方案中，通过遥感图像，可以获取油茶林的植被分布情况和覆盖度信息。植被覆盖度是评估植被生长状况和碳吸收能力的重要指标之一，可以反映油茶林的生态系统健康状况和碳汇潜力。另外，遥感图像可以提供丰富的空间信息，包括植被结构、土地类型、地形等。这些信息可以用于提取油茶林的特征，如植被高度、植被指数等，进一步分析油茶林的生长状态和碳吸收能力。

在本申请实施例中，所述预处理图像模块120，用于将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪。考虑到遥感图像可能受到传感器噪声、大气干扰、云层遮挡等因素的影响，导致图像中存在噪点或伪影。去噪处理可以减少这些干扰，提高图像的清晰度和可读性，从而更准确地提取油茶林的信息。具体地，遥感图像在获取过程中可能存在不同的光照条件、角度偏移等问题，导致图像中的色彩、亮度、对比度等不一致。图像校正可以对图像进行调整，使其符合一致的色彩和亮度标准，以减少不必要的变异，保证后续分析的准确性。另外，遥感图像可能是由不同时间、不同传感器或不同平台获取的，因此可能存在位置偏移或几何变形等问题。图像配准可以将不同图像对齐，使它们在相同空间坐标下具有一致的位置和尺度，方便进行准确的空间分析和比较。此外，遥感图像通常具有较大的空间范围，而实际关注的是油茶林区域。通过图像裁剪，可以将感兴趣的油茶林区域提取出来，减少数据量和处理复杂度，同时专注于油茶林的特征提取和分析。

在本申请实施例中，所述植被覆盖提取模块130，用于将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域。考虑到目标检测网络可以识别图像中的植被目标，通过标定植被的边界框或像素级掩膜，从而提取油茶林的植被覆盖感兴趣区域。这样可以精确地确定油茶林的范围和分布，为后续的碳吸收能力评估和生态效益分析提供基础。另外，目标检测网络可以提取植被目标的形状、大小、高度等结构参数。这些参数对于评估植被生长状况和碳吸收能力非常重要。通过目标检测网络提取的结构参数，可以量化油茶林的生长状态和植被结构特征，为碳汇能力的评估和监测提供依据。

具体地，在本申请实施例中，所述植被覆盖提取模块，用于：所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。

在本申请实施例中，所述混合卷积模块140，用于将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图。考虑到混合卷积层可以同时捕捉不同尺度的特征信息。在油茶林植被覆盖感兴趣区域中，植被的大小和形状可能会有所变化，因此需要能够处理不同尺度的特征。通过混合卷积层，网络可以在不同的感受野下提取特征，从而更全面地捕捉到植被的细节。在油茶林植被覆盖感兴趣区域中，植被的外观和纹理可能会有所差异，通过融合不同类型的卷积核，网络可以更好地捕捉到这些多样性的特征，提高对植被的识别和解码准确性。

具体地，在本申请实施例中，所述混合卷积模块，用于：将所述油茶林植被覆盖感兴趣区域输入所述包含混合卷积层的卷积神经网络模型的多个混合卷积层以由所述多个混合卷积层中的最后一个混合卷积层输出所述油茶林植被覆盖感兴趣区域特征图。

更具体地，在本申请实施例中，所述多个混合卷积层，包括:第一尺度卷积单元，用于使用具有第一尺寸的第一卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第一尺度特征图；第二尺度卷积单元，用于使用具有第一空洞率的第二卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第二尺度特征图；第三尺度卷积单元，用于使用具有第二空洞率的第三卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第三尺度特征图；第四尺度卷积单元，用于使用具有第三空洞率的第四卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率；多尺度聚合单元，用于将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；特征图池化单元，用于对所述聚合特征图进行池化处理以生成池化特征图；以及，特征图激活单元，用于对所述池化特征图进行激活处理以生成激活特征图。

在本申请实施例中，所述空间增强模块150，用于将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图。考虑到在油茶林植被覆盖感兴趣区域中，不同位置的特征可能对于判断和描述植被的重要性不同。通过空间注意力机制，可以学习到每个位置的权重，使网络能够重点关注对植被识别和解码最有帮助的区域。这样可以提高解码特征的质量和表达能力，减少不相关的信息对于后续任务的干扰。具体地，在油茶林植被覆盖感兴趣区域中，植被的分布和排列方式可能对于植被类型和生长状态的判断有重要影响。通过空间注意力机制，可以更好地理解植被特征之间的关联性，提高对植被的理解和表达能力。另外，在油茶林植被覆盖感兴趣区域的特征提取过程中，不同的任务可能对于不同位置的特征有不同的需求。通过空间注意力机制，可以根据任务的要求自动调整特征的权重分配，提高模型的灵活性和适应性。

图3为根据本申请实施例的油茶林碳汇的监测系统中空间增强模块的框图。具体地，在本申请实施例中，如图3所示，所述空间增强模块150，用包括：深度卷积编码单元151，用于使用所述空间注意力机制模块的卷积编码部分对所述油茶林植被覆盖感兴趣区域特征图进行深度卷积编码以得到检测卷积特征图；空间注意力单元152，用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图；激活单元153，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算单元154，用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到解码特征图。

在本申请实施例中，所述优化特征模块160，用于对所述解码特征图进行特征流形调制以得到优化解码特征图。

特别地，考虑到在高维特征空间中，数据可能存在冗余和噪声，这可能导致解码器性能下降。通过特征流形调制，可以将数据映射到一个更低维的空间，从而减少冗余和噪声的影响，提高解码器的鲁棒性和泛化能力。同时，在实际应用中，数据可能会受到各种因素的影响，例如噪声、不完整数据或异常样本等。通过特征流形调制，可以减少这些干扰因素对解码结果的影响，提高解码器的鲁棒性。而通过对解码特征图进行特征流形调制，可以提取更具判别力的特征表示，降低数据的维度，以及提高解码器的鲁棒性和泛化能力，从而得到优化的解码特征图，进而提高灯光智能控制任务的性能。

图4为根据本申请实施例的油茶林碳汇的监测系统中优化特征模块的框图。具体地，在本申请实施例中，如图4所示，所述优化特征模块160，包括：概率化单元161，用于将所述解码特征图输入Sigmoid激活函数以将所述解码特征图的各个位置的特征值映射到概率空间中以得到概率化解码特征图；映射单元162，用于将所述概率化解码特征图的沿通道维度的各个特征矩阵分别映射到同一目标空间中以得到多个类放射映射后特征矩阵；互信息计算单元163，用于计算所述多个类放射映射后特征矩阵中任意两个类放射映射后特征矩阵之间的互信息以得到由多个互信息组成的类仿射变换特征向量；权重生成单元164，用于将所述类仿射变换特征向量通过包含点卷积层和批归一化处理层的权重生成网络以得到类仿射关联概率特征向量；以及，加权单元165，用于以所述类仿射关联概率特征向量中各个位置的特征值作为权重值，分别对所述解码特征图的沿通道维度的各个特征矩阵进行加权以得到优化解码特征图。

这样，可以增强所述解码特征图的鲁棒性且提高特征图的表达能力，使其能够捕捉更多的细节和语义信息。

在本申请实施例中，所述解码回归模块170，用于将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。考虑到解码器可以将抽象的解码特征图还原为更具实际意义的解码值。在油茶林碳吸收能力的评估中，解码值可以表示油茶林的碳吸收量、碳储量或其他与碳汇相关的指标。通过解码器的解码过程，可以将抽象的特征转化为具体的数值，更直观地表示油茶林的碳吸收能力。解码器可以通过解码过程进一步提取和利用特征信息。在解码过程中，解码器可以通过逐层解码的方式，逐渐还原原始图像或数据的细节。这有助于提取更丰富和准确的特征表示，从而更好地描述油茶林的碳吸收能力。通过解码器的回归过程，可以将特征图与碳吸收能力之间建立起映射关系，实现从特征到目标值的转化。这有助于量化和评估油茶林的碳吸收能力，为进一步的管理和决策提供依据。

具体地，在本申请实施例中，所述解码回归模块，用于：使用所述解码器以如下解码公式对所述优化解码特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中X是所述优化解码特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。

综上，基于本申请实施例的油茶林碳汇的监测系统100被阐明，其采用基于深度神经网络模型的人工智能技术，获取油茶林的遥感图像，将图像预处后通过目标检测网络提取出植被覆盖区域再通过混合卷积层的卷积网络和空间注意力机制进一步进行植被覆盖特征增强，以得到用于表示油茶林的碳吸收能力的解码值。进而，为油茶林的碳汇管理和环境保护提供科学依据。

示例性方法

图5为根据本申请实施例的油茶林碳汇的监测方法的流程图。如图5所示，根据本申请实施例的油茶林碳汇的监测方法，包括：S110,获取油茶林的遥感图像；S120,将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪；S130,将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；S140,将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；S150,将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；S160,对所述解码特征图进行特征流形调制以得到优化解码特征图；以及，S170,将所述优化解码图阵通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

这里，本领域技术人员可以理解，上述油茶林碳汇的监测方法中的各个步骤的具体操作已经在上面参考图1到图4的油茶林碳汇的监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理模块(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理模块，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的油茶林碳汇的监测系统及其方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如油茶林的遥感图像等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的油茶林碳汇的监测方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的油茶林碳汇的监测方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

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。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

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。

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。

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。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

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。

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 (10)

1.一种油茶林碳汇的监测系统，其特征在于，包括：

遥感图像获取模块，用于获取油茶林的遥感图像；

预处理图像模块，用于将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪；

植被覆盖提取模块，用于将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；

混合卷积模块，用于将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；

空间增强模块，用于将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；

优化特征模块，用于对所述解码特征图进行特征流形调制以得到优化解码特征图；

解码回归模块，用于将所述优化解码特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

2.根据权利要求1所述的油茶林碳汇的监测系统，其特征在于，所述植被覆盖提取模块，用于：

所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为FastR-CNN、Faster R-CNN或RetinaNet。

3.根据权利要求2所述的油茶林碳汇的监测系统，其特征在于，所述混合卷积模块，用于：

将所述油茶林植被覆盖感兴趣区域输入所述包含混合卷积层的卷积神经网络模型的多个混合卷积层以由所述多个混合卷积层中的最后一个混合卷积层输出所述油茶林植被覆盖感兴趣区域特征图。

4.根据权利要求3所述的油茶林碳汇的监测系统，其特征在于，所述多个混合卷积层，包括:

第一尺度卷积单元，用于使用具有第一尺寸的第一卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第一尺度特征图；

第二尺度卷积单元，用于使用具有第一空洞率的第二卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第二尺度特征图；

第三尺度卷积单元，用于使用具有第二空洞率的第三卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第三尺度特征图；

第四尺度卷积单元，用于使用具有第三空洞率的第四卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率；

多尺度聚合单元，用于将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；

特征图池化单元，用于对所述聚合特征图进行池化处理以生成池化特征图；

特征图激活单元，用于对所述池化特征图进行激活处理以生成激活特征图。

5.根据权利要求4所述的油茶林碳汇的监测系统，其特征在于，所述空间增强模块，包括：

深度卷积编码单元，用于使用所述空间注意力机制模块的卷积编码部分对所述油茶林植被覆盖感兴趣区域特征图进行深度卷积编码以得到检测卷积特征图；

空间注意力单元，用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图；

激活单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；

计算单元，用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到解码特征图。

6.根据权利要求5所述的油茶林碳汇的监测系统，其特征在于，所述优化特征模块，包括：

概率化单元，用于将所述解码特征图输入Sigmoid激活函数以将所述解码特征图的各个位置的特征值映射到概率空间中以得到概率化解码特征图；

映射单元，用于将所述概率化解码特征图的沿通道维度的各个特征矩阵分别映射到同一目标空间中以得到多个类放射映射后特征矩阵；

互信息计算单元，用于计算所述多个类放射映射后特征矩阵中任意两个类放射映射后特征矩阵之间的互信息以得到由多个互信息组成的类仿射变换特征向量；

权重生成单元，用于将所述类仿射变换特征向量通过包含点卷积层和批归一化处理层的权重生成网络以得到类仿射关联概率特征向量；

加权单元，用于以所述类仿射关联概率特征向量中各个位置的特征值作为权重值，分别对所述解码特征图的沿通道维度的各个特征矩阵进行加权以得到优化解码特征图。

7.根据权利要求6所述的油茶林碳汇的监测系统，其特征在于，所述解码回归模块，用于：

使用所述解码器以如下解码公式对所述优化解码特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中X是所述优化解码特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。

8.一种油茶林碳汇的监测方法，其特征在于，包括：

获取油茶林的遥感图像；

将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪、图像校正、图像配准和图像裁剪；

将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；

将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；

将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；

对所述解码特征图进行特征流形调制以得到优化解码特征图；

将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力。

9.根据权利要求8所述的油茶林碳汇的监测方法，其特征在于，将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域，包括：

所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为FastR-CNN、Faster R-CNN或RetinaNet。

10.根据权利要求9所述的油茶林碳汇的监测方法，其特征在于，将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图，包括：

将所述油茶林植被覆盖感兴趣区域输入所述包含混合卷积层的卷积神经网络模型的多个混合卷积层以由所述多个混合卷积层中的最后一个混合卷积层输出所述油茶林植被覆盖感兴趣区域特征图。