CN117454116A - 一种基于多源数据交互网络的地面碳排放监测方法 - Google Patents
一种基于多源数据交互网络的地面碳排放监测方法 Download PDFInfo
- Publication number
- CN117454116A CN117454116A CN202311456651.7A CN202311456651A CN117454116A CN 117454116 A CN117454116 A CN 117454116A CN 202311456651 A CN202311456651 A CN 202311456651A CN 117454116 A CN117454116 A CN 117454116A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon
- attention
- order
- source data
- 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.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 122
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 122
- 230000003993 interaction Effects 0.000 title claims abstract description 96
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000002452 interceptive effect Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000007792 addition Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于碳排放检测分析技术领域,具体涉及一种基于多源数据交互网络的地面碳排放监测方法;包括:S1、进行多源数据交互网络的设计:所述多源数据交互网络包括模块化的骨干网络、注意力交互模块和跨尺度交互模块;S2、进行多源数据交互网络的训练:对卫星数据和辅助数据进行数据分析和对比;进行数据增强处理,将这些数值数据转化为具有图像形状的张量,随后将其输入到多源数据交互网络模型中进行训练;S3、进行碳排放趋势预测:使用经过训练的多源数据交互网络模型进行预测;本发明提出了包括同尺度阶和跨尺度两类交互方式,整体架构可由编码器和解码器构成的全卷积神经网络构成,在准确率提高的前提下,模型的泛化能力也有所提高。
Description
技术领域
本发明属于碳排放检测分析技术领域,具体涉及一种基于多源数据交互网络的地面碳排放监测方法。
背景技术
碳排放检测分析技术在当今环境科学和气象领域扮演着至关重要的角色。随着全球工业化和城市化的迅速发展,碳排放作为导致气候变化的主要推动因素之一引起了广泛的担忧和重视。精确地监测、评估和深入理解碳排放的规模、分布和趋势对于我们更好地应对气候挑战至关重要。然而,碳排放监测并非易事,因为排放源多种多样、分布广泛,受到天气和地理条件的影响。为了克服这些挑战,科研人员和专家们不断开发各种技术和方法,以提高对碳排放的监测和分析精度。这些方法包括使用卫星遥感数据、气象监测数据、地面传感器和先进的数据分析技术,以实现更准确、全面和实时的碳排放信息收集和分析。
碳卫星遥感技术在碳排放监测中扮演着至关重要的角色。碳卫星提供高分辨率的地球观测图像,能够帮助识别和定位碳排放源,有助于准确估算排放量。同时,遥感数据还可用于监测土地利用和覆盖的变化。森林砍伐、土地开垦和城市扩张等活动会影响碳储存和排放,遥感图像能够捕捉这些变化,提供对碳循环的洞察。但是,单纯的遥感图像通常不能直接测量大气中的碳浓度,而是需要结合地面布置的专用传感器和设备如连续排放监测系统(CEMS)、植被监测传感器、大气样品采集器等,这些地面传感器可以提供关键的数据,用于监测和评估碳排放的来源、分布和趋势。此外,由于碳排放数据通常非常庞大,需要大数据处理和存储技术来有效地管理和分析。云计算技术使科学家能够在云平台上搭建碳排放的模拟和预测模型,以提高计算效率和实时监测能力。
深度学习技术在碳排放监测和环境科学领域的发展取得了显著进展。首先,深度学习模型能够更好地处理高分辨率的遥感图像,从而提供更详细和准确的地表信息。这对于监测小尺度的碳排放源至关重要。其次,深度学习模型能够更好地处理高分辨率的遥感图像,从而提供更详细和准确的地表信息。这对于监测小尺度的碳排放源和土地利用变化至关重要。最后,深度学习模型可用于处理时序数据,包括时间序列遥感数据和气象数据。这使得可以更好地捕捉和分析碳排放的季节性和年度变化。卫星如OCO-2已经开始使用深度学习技术,用于处理大规模的碳排放数据,这说明深度学习技术在碳排放监测和环境科学中的应用具有巨大潜力。但是现有的基于深度学习方法在碳排放检测工程中,仍然存在数据一致性和标准化的问题。第一,信息丢失和失真,当非同源的数据类型不一致时,将它们融合到一个统一的数据表示中可能会导致信息的丢失和失真。某些数据类型可能包含了特定的信息,但在融合过程中可能无法完整地保留,从而降低了数据的质量和可用性。第二,数据不一致性引发的偏差,如果不同数据源的数据类型不一致,可能会导致模型在数据融合过程中受到某些数据源的影响更大,而对其他数据源的关注不足。这可能引发偏差,使模型更倾向于某些数据源的信息,而忽视了其他数据源的重要性,从而影响了结果的准确性。第三,难以建立数据关联,一致的数据类型可能导致难以建立数据之间的有效关联和联系。这使得在多源数据融合时,模型可能无法捕捉到不同数据源之间的潜在关系,从而限制了对系统或现象的全面理解。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种基于多源数据交互网络的地面碳排放监测方法。
本发明的目的是这样实现的:一种基于多源数据交互网络的地面碳排放监测方法,包括以下步骤:
S1、进行多源数据交互网络的设计:所述多源数据交互网络包括模块化的骨干网络、注意力交互模块(AIM)和跨尺度交互模块(CIM);
S2、进行多源数据交互网络的训练:对卫星数据和辅助数据进行数据分析和对比;进行数据增强处理,将这些数值数据转化为具有图像形状的张量,随后将其输入到多源数据交互网络模型中进行训练;
S3、进行碳排放趋势预测:使用经过训练的多源数据交互网络模型进行预测,输入卫星碳遥感数据和辅助数据,利用优选的权重进行编解码操作,最终获得某时某地高水平的碳排放趋势图。
进一步的,所述注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给输入双方以强化它们的注意力分布,以此交互卫星数据和辅助数据中的关键特征,生成全体像素的概率数值权重图,继而引导模型将高概率权重赋予碳排放区域的像素点;该模块采取基于注意力分享的多源数据的融合方式,模型的学习关注点将从多源数据的表征属性转移到多源数据特征的注意力分布。这可以降低不同数据类型数据包含的特定信息对融合数据的干扰,减少数据不一致导致的信息丢失和失真。
当同尺度两个特征交互时,卫星数据和辅助数据首先经过三个卷积层的通道变换,输入的特征将会被映射到查询(Q)、键(K)和值(V)的特征空间,以便后续的自注意力计算;具体来说,通道映射后的三重特征分别是 和前两者压缩通道的倍数r保持一致;三重特征的每个像素作为标记,然后展平为transformer层可理解的卫星数据或辅助数据的查询序列、键序列和值序列,分别是其中H表示卫星数据或辅助数据特征图的纵向像素量,W表示卫星数据或辅助数据特征图的横向像素量,C表示卫星数据或辅助数据特征图的信道数,H×W表示纵向像素和横向像素在transformer层中变换成连贯标记序列后得到的总体像素量;三重序列可表示为:
Sq=Trans(Conv1×1(Q))
Sk=Trans(Conv1×1(K))
Sv=Trans(Conv1×1(V))
其中Trans(·)表示将矩阵变为标记序列,Conv1×1(·)表示卷积层;
将输入的多源数据特征按通道级联,并采用自适应平均池化将特征的尺寸压缩到1×1,并压缩通道以获取适应全局的碳通道注意力;单像素的碳通道特征矩阵作为单个标记并复制自身使得标记序列的总体像素量达到H×W,这个序列就是注意力交互序列表示为:
Si=Copy(Trans(Conv1×1(Pool(I1+I2))))
其中,Copy(·)表示单元复用,Conv1×1(·)表示1×1卷积,Pool(·)表示池化层;
Si同Sk序列类似也会在转置后同Sq通过矩阵乘法得到两者的相似度,两类相似度会在像素级相加后融合得到注意力交互矩阵,然后通过softmax函数归一化后得到注意力权重,再然后和值序列进行矩阵乘法,最后通过变换恢复到输入特征尺寸;注意力交互通过以下点积公式计算:
AttInteraction(Sq,Sk,Sv,SI)=Softmax(SqSk T+SqSI T)Sv
最后在输出前使用残差连接,防止出现特征异化。
进一步的,所述跨尺度交互模块利用已有的跨尺度特征,包括高分辨率低通道的低阶数据特征图和低分辨率高通道的高阶数据特征图,提取高阶数据特征图中语义信息丰富的碳通道数据,并按照概率分布引导低阶数据,进而充分沟通各层级的碳通道特征,提升对碳排放语义信息的感知力;该模块用较低的计算代价强化了同源的多尺度特征之间的关联性,有利于模型捕捉不同尺度同源数据之间的潜在关系,发掘高分辨率碳遥感图像中细小的碳排放变化,提升了碳排放检测的精确度。
输入的高阶数据特征图以两种方式引导低阶数据特征图,一是,保持高阶碳特征不变,通过低阶碳特征降低通道和池化压缩到与高阶碳特征相同的尺寸,再用Sigmoid激活函数得到权重矩阵加权低阶碳特征,最后上采样恢复尺寸;公式表示为:
M1=Upsample(Pool(Conv3×3(I1)⊙σ(Conv3×3(I2)))
二是保持低级碳特征不变,高阶碳特征通过上采样恢复到与低阶碳特征一致的尺寸,再用Sigmoid激活函数得到加权矩阵加权低阶碳特征;公式表示为:
M2=Conv3×3(I1)⊙σ(Upsample(Conv3×3(I2)))
其中,I1和I2代表低阶碳特征和高阶碳特征,Conv3×3(·)表示3×3卷积操作,Pool(·)表示池化层,Upsample(·)表示上采样,σ(·)表示Sigmoid激活函数,⊙代表像素级乘法;最后两种方式的输出在相加融合后输出。
本发明的有益效果:本发明的一种基于多源数据交互网络的地面碳排放监测方法,包括步骤:S1、进行多源数据交互网络的设计:所述多源数据交互网络包括模块化的骨干网络、注意力交互模块(AIM)和跨尺度交互模块(CIM);
S2、进行多源数据交互网络的训练:对卫星数据和辅助数据进行数据分析和对比;进行数据增强处理,将这些数值数据转化为具有图像形状的张量,随后将其输入到多源数据交互网络模型中进行训练;S3、进行碳排放趋势预测:使用经过训练的多源数据交互网络模型进行预测,输入卫星碳遥感数据和辅助数据,利用优选的权重进行编解码操作,最终获得某时某地高水平的碳排放趋势图;通过以上步骤,本发明提出了包括同尺度阶和跨尺度两类交互方式;同尺度交互包括注意力交互模块、像素级乘法和像素级加法,注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给多源数据特征以强化它们的注意力分布;像素级乘可以强调多源数据之间的互相作用;像素级加可以帮助模型捕捉到多源数据之间的共同信息和共有的特征;跨尺度交互包括跨尺度交互模块和基于通道级联的解码器,前者可以利用高阶碳特征的注意力引导低阶碳特征,提升其注意力烈度;后者可以平衡地融合并上采样交互特征;本发明实现的整体架构可由编码器和解码器构成的全卷积神经网络构成,在准确率提高的前提下,模型的泛化能力也有所提高。
附图说明
图1为本发明基于多源数据交互网络的结构图;
图2为本发明的注意力交互模块示意图;
图3为本发明的跨尺度交互模块示意图。
具体实施方式
下面结合附图对本发明做进一步的说明。
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例进行详细地说明。
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
下面将结合本发明的实施例中的附图,对本发明的实施例中的技术方案进行清楚-完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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。
如图1所示,本发明的一种基于多源数据交互网络的地面碳排放监测方法,它包括以下步骤:
S1、进行多源数据交互网络的设计:所述多源数据交互网络包括模块化的骨干网络、注意力交互模块(AIM)和跨尺度交互模块(CIM);
S2、进行多源数据交互网络的训练:对卫星数据和辅助数据进行数据分析和对比,以清理数据、提升数据质量;进行数据增强处理,将这些数值数据转化为具有图像形状的张量,随后将其输入到多源数据交互网络模型中进行训练;
S3、进行碳排放趋势预测:使用经过训练的多源数据交互网络模型进行预测,输入卫星碳遥感数据和辅助数据,利用优选的权重进行编解码操作,最终获得某时某地高水平的碳排放趋势图。
利用本发明的方法构建基于多源数据交互网络,在编码阶段,采取模块化的层级式骨干网络,初步提取多源数据的多尺度特征。然后,利用注意力交互模块联系多源数据的关键特征,从而构建共同的全局注意力来指导彼此的注意力分布。在解码阶段,跨尺度交互模块利用高阶特征的注意力引导低阶特征,提升其注意力烈度。像素级乘法和像素级加法的并行组合可以在强调多源数据之间的互相作用的同时帮助模型捕捉到多源数据之间的共同信息和共有的特征。模型的完整架构如图1所示。
进一步的,如图2所示,所述注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给输入双方以强化它们的注意力分布,以此交互卫星数据和辅助数据中的关键特征,生成全体像素的概率数值权重图,继而引导模型将高概率权重赋予碳排放区域的像素点;该模块采取基于注意力分享的多源数据的融合方式,模型的学习关注点将从多源数据的表征属性转移到多源数据特征的注意力分布。这可以降低不同数据类型数据包含的特定信息对融合数据的干扰,减少数据不一致导致的信息丢失和失真。
当同尺度两个特征交互时,卫星数据和辅助数据首先经过三个卷积层的通道变换,输入的特征将会被映射到查询(Q)、键(K)和值(V)的特征空间,以便后续的自注意力计算;具体来说,通道映射后的三重特征分别是 和为了符合transformer的计算,前两者压缩通道的倍数r保持一致,这个操作也有利于融合多信道的碳遥感数据,从而提升模型的全局感知力,同时降低了计算量;三重特征的每个像素作为标记,然后展平为transformer层可理解的卫星数据或辅助数据的查询序列、键序列和值序列,分别是/>其中H表示卫星数据或辅助数据特征图的纵向像素量,W表示卫星数据或辅助数据特征图的横向像素量,C表示卫星数据或辅助数据特征图的信道数,H×W表示纵向像素和横向像素在transformer层中变换成连贯标记序列后得到的总体像素量;三重序列可表示为:
Sq=Trans(Conv1×1(Q))
Sk=Trans(Conv1×1(K))
Sv=Trans(Conv1×1(V))
其中Trans(·)表示将矩阵变为标记序列,Conv1×1(·)表示卷积层;
为了强化卫星数据和辅助数据各自transformer层之间的交互,将输入的多源数据特征按通道级联,并采用自适应平均池化将特征的尺寸压缩到1×1,并压缩通道以获取适应全局的碳通道注意力;为了获得与键序列类似的信息映射能力,单像素的碳通道特征矩阵作为单个标记并复制自身使得标记序列的总体像素量达到H×W,这个序列就是注意力交互序列表示为:
Si=Copy(Trans(Conv1×1(Pool(I1+I2))))
其中,Copy(·)表示单元复用,Conv1×1(·)表示1×1卷积,Pool(·)表示池化层;
Si同Sk序列类似也会在转置后同Sq通过矩阵乘法得到两者的相似度,两类相似度会在像素级相加后融合得到注意力交互矩阵,然后通过softmax函数归一化后得到注意力权重,再然后和值序列进行矩阵乘法,最后通过变换恢复到输入特征尺寸;注意力交互通过以下点积公式计算:
AttInteraction(Sq,Sk,Sv,SI)=Softmax(SqSk T+SqSI T)Sv
最后在输出前使用残差连接,防止出现特征异化。注意力交互模块在功能上,充分学习了各源头数据本身的全局信息,并利用注意力交互有效引导卫星数据和辅助数据进行数据互补的扩展学习,同时挖掘碳排放相关特征的注意力分布,抑制不相关的干扰,更精确地捕捉监测区域的目标信息。这样的交互建模可以避免模型更倾向于某些数据源的信息,在一定程度上平衡数据源之间的影响因素。这对提高地面碳排放监测的准确性和鲁棒性至关重要。
进一步的,所述跨尺度交互模块利用已有的跨尺度特征,包括高分辨率低通道的低阶数据特征图和低分辨率高通道的高阶数据特征图,提取高阶数据特征图中语义信息丰富的碳通道数据,并按照概率分布引导低阶数据,进而充分沟通各层级的碳通道特征,提升对碳排放语义信息的感知力;该模块用较低的计算代价强化了同源的多尺度特征之间的关联性,有利于模型捕捉不同尺度同源数据之间的潜在关系,发掘高分辨率碳遥感图像中细小的碳排放变化,提升了碳排放检测的精确度。
输入的高阶数据特征图以两种方式引导低阶数据特征图,一是,保持高阶碳特征不变,通过低阶碳特征降低通道和池化压缩到与高阶碳特征相同的尺寸,再用Sigmoid激活函数得到权重矩阵加权低阶碳特征,最后上采样恢复尺寸;公式表示为:
M1=Upsample(Pool(Conv3×3(I1)⊙σ(Conv3×3(I2)))
二是保持低级碳特征不变,高阶碳特征通过上采样恢复到与低阶碳特征一致的尺寸,再用Sigmoid激活函数得到加权矩阵加权低阶碳特征;公式表示为:
M2=Conv3×3(I1)⊙σ(Upsample(Conv3×3(I2)))
其中,I1和I2代表低阶碳特征和高阶碳特征,Conv3×3(·)表示3×3卷积操作,Pool(·)表示池化层,Upsample(·)表示上采样,σ(·)表示Sigmoid激活函数,⊙代表像素级乘法;
最后两种方式的输出在相加融合后输出;通过这样的操作,跨尺度交互模块实现了将高阶的碳特征信息引导到低阶碳特征图中,以增强低阶碳特征的语义表达能力,使低阶碳特征在保有较少通道信息的同时,具备了更丰富的语义表达。这种基于概率分布的交互建模,减少了不同尺度特征融合引发的数据偏差。在处理高分辨率碳遥感图像时,有利于模型结合上下文信息,增强对数据特征的全局理解,进而捕捉微小的碳排放变化。
综述,本发明的一种基于多源数据交互网络的地面碳排放监测方法,包括步骤:S1、进行多源数据交互网络的设计:所述多源数据交互网络包括模块化的骨干网络、注意力交互模块(AIM)和跨尺度交互模块(CIM);S2、进行多源数据交互网络的训练:对卫星数据和辅助数据进行数据分析和对比;进行数据增强处理,将这些数值数据转化为具有图像形状的张量,随后将其输入到多源数据交互网络模型中进行训练;S3、进行碳排放趋势预测:使用经过训练的多源数据交互网络模型进行预测,输入卫星碳遥感数据和辅助数据,利用优选的权重进行编解码操作,最终获得某时某地高水平的碳排放趋势图;通过以上步骤,本发明提出了包括同尺度阶和跨尺度两类交互方式;同尺度交互包括注意力交互模块、像素级乘法和像素级加法,注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给多源数据特征以强化它们的注意力分布;像素级乘可以强调多源数据之间的互相作用;像素级加可以帮助模型捕捉到多源数据之间的共同信息和共有的特征;跨尺度交互包括跨尺度交互模块和基于通道级联的解码器,前者可以利用高阶碳特征的注意力引导低阶碳特征,提升其注意力烈度;后者可以平衡地融合并上采样交互特征;本发明实现的整体架构可由编码器和解码器构成的全卷积神经网络构成,在准确率提高的前提下,模型的泛化能力也有所提高。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (3)
1.一种基于多源数据交互网络的地面碳排放监测方法,其特征在于,包括以下步骤:
S1、进行多源数据交互网络的设计:所述多源数据交互网络包括模块化的骨干网络、注意力交互模块(AIM)和跨尺度交互模块(CIM);
S2、进行多源数据交互网络的训练:对卫星数据和辅助数据进行数据分析和对比;进行数据增强处理,将这些数值数据转化为具有图像形状的张量,随后将其输入到多源数据交互网络模型中进行训练;
S3、进行碳排放趋势预测:使用经过训练的多源数据交互网络模型进行预测,输入卫星碳遥感数据和辅助数据,利用优选的权重进行编解码操作,最终获得某时某地高水平的碳排放趋势图。
2.如权利要求1所述的一种基于多源数据交互网络的地面碳排放监测方法,其特征在于,所述注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给输入双方以强化它们的注意力分布,以此交互卫星数据和辅助数据中的关键特征,生成全体像素的概率数值权重图,继而引导模型将高概率权重赋予碳排放区域的像素点;
当同尺度两个特征交互时,卫星数据和辅助数据首先经过三个卷积层的通道变换,输入的特征将会被映射到查询(Q)、键(K)和值(V)的特征空间,以便后续的自注意力计算;具体来说,通道映射后的三重特征分别是 和/>前两者压缩通道的倍数r保持一致;三重特征的每个像素作为标记,然后展平为transformer层可理解的卫星数据或辅助数据的查询序列、键序列和值序列,分别是其中H表示卫星数据或辅助数据特征图的纵向像素量,W表示卫星数据或辅助数据特征图的横向像素量,C表示卫星数据或辅助数据特征图的信道数,H×W表示纵向像素和横向像素在transformer层中变换成连贯标记序列后得到的总体像素量;三重序列可表示为:
Sq=Trans(Conv1×1(Q))
Sk=Trans(Conv1×1(K))
Sv=Trans(Conv1×1(V))
其中Trans(·)表示将矩阵变为标记序列,Conv1×1(·)表示卷积层;
将输入的多源数据特征按通道级联,并采用自适应平均池化将特征的尺寸压缩到1×1,并压缩通道以获取适应全局的碳通道注意力;单像素的碳通道特征矩阵作为单个标记并复制自身使得标记序列的总体像素量达到H×W,这个序列就是注意力交互序列表示为:
Si=Copy(Trans(Conv1×1(Pool(I1+I2))))
其中,Copy(·)表示单元复用,Conv1×1(·)表示1×1卷积,Pool(·)表示池化层;
Si同Sk序列类似也会在转置后同Sq通过矩阵乘法得到两者的相似度,两类相似度会在像素级相加后融合得到注意力交互矩阵,然后通过softmax函数归一化后得到注意力权重,再然后和值序列进行矩阵乘法,最后通过变换恢复到输入特征尺寸;注意力交互通过以下点积公式计算:
AttInteraction(Sq,Sk,Sv,SI)=Softmax(SqSk T+SqSI T)Sv
最后在输出前使用残差连接,防止出现特征异化。
3.如权利要求1所述的一种基于多源数据交互网络的地面碳排放监测方法,其特征在于,所述跨尺度交互模块利用已有的跨尺度特征,包括高分辨率低通道的低阶数据特征图和低分辨率高通道的高阶数据特征图,提取高阶数据特征图中语义信息丰富的碳通道数据,并按照概率分布引导低阶数据,进而充分沟通各层级的碳通道特征,提升对碳排放语义信息的感知力;
输入的高阶数据特征图以两种方式引导低阶数据特征图,一是,保持高阶碳特征不变,通过低阶碳特征降低通道和池化压缩到与高阶碳特征相同的尺寸,再用Sigmoid激活函数得到权重矩阵加权低阶碳特征,最后上采样恢复尺寸;公式表示为:
M1=Upsample(Pool(Conv3×3(I1)⊙σ(Conv3×3(I2)))
二是保持低级碳特征不变,高阶碳特征通过上采样恢复到与低阶碳特征一致的尺寸,再用Sigmoid激活函数得到加权矩阵加权低阶碳特征;公式表示为:
M2=Conv3×3(I1)⊙σ(Upsample(Conv3×3(I2)))
其中,I1和I2代表低阶碳特征和高阶碳特征,Conv3×3(·)表示3×3卷积操作,Pool(·)表示池化层,Upsample(·)表示上采样,σ(·)表示Sigmoid激活函数,⊙代表像素级乘法;最后两种方式的输出在相加融合后输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456651.7A CN117454116A (zh) | 2023-11-03 | 2023-11-03 | 一种基于多源数据交互网络的地面碳排放监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456651.7A CN117454116A (zh) | 2023-11-03 | 2023-11-03 | 一种基于多源数据交互网络的地面碳排放监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454116A true CN117454116A (zh) | 2024-01-26 |
Family
ID=89592618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311456651.7A Pending CN117454116A (zh) | 2023-11-03 | 2023-11-03 | 一种基于多源数据交互网络的地面碳排放监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454116A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690331A (zh) * | 2024-02-04 | 2024-03-12 | 西南医科大学附属医院 | 一种前列腺穿刺手术训练系统及方法 |
CN117787575A (zh) * | 2024-02-27 | 2024-03-29 | 四川绿豆芽信息技术有限公司 | 一种碳监控方法及装置 |
-
2023
- 2023-11-03 CN CN202311456651.7A patent/CN117454116A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690331A (zh) * | 2024-02-04 | 2024-03-12 | 西南医科大学附属医院 | 一种前列腺穿刺手术训练系统及方法 |
CN117690331B (zh) * | 2024-02-04 | 2024-05-14 | 西南医科大学附属医院 | 一种前列腺穿刺手术训练系统及方法 |
CN117787575A (zh) * | 2024-02-27 | 2024-03-29 | 四川绿豆芽信息技术有限公司 | 一种碳监控方法及装置 |
CN117787575B (zh) * | 2024-02-27 | 2024-05-03 | 四川绿豆芽信息技术有限公司 | 一种碳监控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340738B (zh) | 一种基于多尺度渐进融合的图像去雨方法 | |
CN113780149B (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
CN117454116A (zh) | 一种基于多源数据交互网络的地面碳排放监测方法 | |
CN114254715B (zh) | 一种gf-1 wfv卫星影像超分辨率方法、系统及应用 | |
Liu et al. | Multi-scale attention integrated hierarchical networks for high-resolution building footprint extraction | |
Chen et al. | MICU: Image super-resolution via multi-level information compensation and U-net | |
CN110796143A (zh) | 一种基于人机协同的场景文本识别方法 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
CN113591633B (zh) | 基于动态自注意力Transformer的面向对象土地利用信息解译方法 | |
Chen et al. | Exchange means change: An unsupervised single-temporal change detection framework based on intra-and inter-image patch exchange | |
Wang et al. | PACCDU: Pyramid attention cross-convolutional dual UNet for infrared and visible image fusion | |
CN112699917A (zh) | 一种非线性光学卷积神经网络的图像识别方法 | |
Zhu et al. | Semantic image segmentation with shared decomposition convolution and boundary reinforcement structure | |
CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
CN113935458A (zh) | 基于卷积自编码深度学习的空气污染多站点联合预测方法 | |
CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及系统 | |
CN111950476A (zh) | 基于深度学习的复杂环境下河道船舶自动识别方法 | |
Cao et al. | Label-efficient deep learning-based semantic segmentation of building point clouds at LOD3 level | |
Jiang et al. | Local–global dual attention network (LGANet) for population estimation using remote sensing imagery | |
CN115457379A (zh) | 一种联合语义分割与角度预测的遥感影像道路提取方法及系统 | |
Song et al. | Autonomous identification of bridge concrete cracks using unmanned aircraft images and improved lightweight deep convolutional networks | |
Zhang et al. | ESDINet: Efficient Shallow-Deep Interaction Network for Semantic Segmentation of High-Resolution Aerial Images | |
Li et al. | Ctmu-net: an improved u-net for semantic segmentation of remote-sensing images based on the combined attention mechanism |
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 |