CN117636174B - 一种植被高度预测方法及系统 - Google Patents
一种植被高度预测方法及系统 Download PDFInfo
- Publication number
- CN117636174B CN117636174B CN202311711415.5A CN202311711415A CN117636174B CN 117636174 B CN117636174 B CN 117636174B CN 202311711415 A CN202311711415 A CN 202311711415A CN 117636174 B CN117636174 B CN 117636174B
- Authority
- CN
- China
- Prior art keywords
- model
- vegetation height
- image
- training
- vegetation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 145
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 54
- 238000000605 extraction Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 31
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 18
- 230000006978 adaptation Effects 0.000 description 12
- 238000013507 mapping Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/188—Vegetation
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种植被高度预测方法及系统，根据预设图像范围值划分待研究区域，得到图像块，并对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对，对植被高度估计模型进行数据特征学习预训练和对所述植被高度估计预训练模型进行微调，得到植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息，通过预设指标对比计算，输出植被高度预测结果。本发明解决了现有技术DEM受植被覆盖率影响和深度学习模型过度依赖带标签数据而导致预测准确度不高的问题，能够提高植被高度预测准确度。
Description
技术领域
本发明涉及数学高程模型精化处理领域，尤其涉及一种植被高度预测方法及系统。
背景技术
数字高程模型(Digital Elevation Model，简称DEM)作为最重要的基础地理信息产品之一，已经在基础工程建设、水资源管理、地质学、冰川研究、气象以及军事制导等研究领域发挥着重要的作用。随着对地观测技术的发展，目前获取的全球DEM向高精度、高分辨率、多样性的方向发展。然而受现有对地观测技术穿透性的限制，尤其在植被覆盖区域，传统光学遥感及微波遥感手段获取的是植被冠层的高程信息，并非准确的地表高程。因此，获取的DEM数据中包含植被、建筑物等高度信息不够准确。
基于目前现有技术使用的DEM进行植被高度预测容易受到植被覆盖率的影响，深度学习在环境遥感中得到了相当大的关注，特别是在森林植被高度估计应用中，但对于目前深度学习森林制图方面也存在这许多缺陷，一方面，由于大部分深度学习模型通常需要依赖大量的训练数据，而真实测量的森林参考数据往往不足；另一方面，实际测量的高精度森林植被高度标签数据存在获取成本高，难度大等问题，这些问题限制了深度学习模型在森林映射中的潜力，使得深度学习模型在进行植被高度预测时过度依赖带标签数据，从而使得预测效率和预测准确度都受到影响。
发明内容
基于上述问题，本发明提出了一种植被高度预测方法及系统，解决现有技术DEM受植被覆盖率影响和深度学习模型过度依赖带标签数据而导致预测准确度不高的问题。
为实现上述目的，本发明实施例提供了一种植被高度预测方法，包括：根据预设图像范围值划分待研究区域，得到图像块；
根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对；
根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型；其中，所述植被高度估计模型包括：特征提取模块和对比回归学习模块，所述特征提取模块用于获取自然图像的多尺度边缘图，所述对比回归学习模块用于学习对比域泛化损失的稳定表示和学习对比自训练和伪标签；
根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型；
根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息；
通过预设指标对比计算，输出植被高度预测结果。
本发明实施例提供的一种植被高度预测方法，通过加入对比回归模型对比不同遥感图像样本之间的差异来学习植被高度特征的表示，其中，对比回归模型训练数据没有明确的标签，而是利用数据本身的内在结构进行学习。对于样本处理采用划分正样本对鼓励模型使同一样本之间的距离尽可能小，划分负样本对鼓励模型使不同样本之间的距离尽可能大，从而促使模型学习到数据中的一致性特征和变化特征，提高植被高度估计模型的适应性能，另外本方法不依赖带标签数据，仅采用带标签数据进行模型微调，训练模型学习遥感图像通用特征，还通过对遥感图像于数字高程模型图像的像素对齐再计算裸露地表的数字高程模型高程信息，不再受限于植被覆盖率，同时通过多项指标计算评估，得到的植被高度预测结果准确度更高。
进一步的，所述根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对，具体为：
选取同一地区不同时段或不同波段的图像，进行旋转、翻转、缩放、平移和裁剪，得到初选正样本对；
选取不同地区不同类型的图像，进行适应模型学习的动态调整，得到初选负样本对；
根据与植被高度相关度准则，对所述初选正样本对和所述初选负样本对进行二次筛选，得到所述正样本对和所述负样本对。
进一步的，所述根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型，具体为：
获取随机初始化预训练权重，输入所述正样本对和所述负样本对，进行训练使用对比损失函数，筛选出最小损失模型权重；
通过多次迭代训练进行模型特征表现优化，并保存优化后的最小损失模型权重作为预训练模型权重，得到植被高度估计预训练模型。
进一步的，所述特征提取模块用于获取自然图像的多尺度边缘图，具体为：
获取源域数据集图像和目标域数据集图像；
输入所述源域数据集图像和所述目标域数据集图像，分别通过空间自适应可变指数函数进行特征进行编码，得到各数据集自然图像的多尺度边缘图。
进一步的，所述对比回归学习模块用于学习对比域泛化损失的稳定表示和学习对比自训练和伪标签，具体为：
获取所述各数据集自然图像的多尺度边缘图像；
通过计算最终的对比域泛化损失函数和对比自训练适应损失函数，得出最终源数据可用对比回归注视自适应损失函数。
进一步的，所述根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型，具体为：
加载所述植被高度估计预训练模型，并进行网络输出层调整、冻结部分层、未冻结层更新、学习率设置、迭代次数设置和批量设置；
根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行训练模型性能优化，得到所述植被高度预测模型。
进一步的，所述根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息，具体为：
根据所述植被高度预测模型，通过输入需要预测的遥感图像数据进行植被高度预测，得到第一预测图像；
根据所述植被高度预测模型，对所述第一预测图像进行重采样，得到所述重采样的图像；
对所述重采样的图像进行遥感图像和数字高程模型图像的像素对齐，得到像素对齐图像组；
根据所述像素对齐图像组和需要扣除的植被高度，计算得到裸露地表的数字高程模型的高程信息。
进一步的，所述通过预设指标对比计算，输出植被高度预测结果，具体为：
根据样本数量、样本真实值和样本预测值，计算标准差、平均绝对误差和均方根误差指标；
根据所述标准差、所述平均绝对误差和所述均方根误差指标，进行高程精度评定，得到植被高度预测结果。
本发明还提供一种植被高度预测系统，包括：图像划分模块、样本处理模块、模型预训练模块、模型微调模块、高度滤波模块、结果评估模块；
所述图像划分模块用于根据预设图像范围值划分待研究区域，得到图像块；
所述样本处理模块用于根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对；
所述模型预训练模块用于根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型；其中，所述植被高度估计模型包括：特征提取模块单元和对比回归学习模块单元，所述特征提取模块用于获取自然图像的多尺度边缘图，所述对比回归学习模块用于学习对比域泛化损失的稳定表示和学习对比自训练和伪标签；
所述模型微调模块用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型；
所述高度滤波模块用于根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息；
所述结果评估模块用于通过预设指标对比计算，输出植被高度预测结果。
本发明实施例提出的一种植被高度预测系统，通过模型预训练模块对植被高度预测模型进行预训练，通过特征提取模型提取样本特征，再通过对比回归模型利用对比域泛化损失从源域学习稳定的表示和利用对比自训练和伪标签来提高目标域的适应性能，且根据图像时空特性在样本处理模块中划分正样本对鼓励模型使同一样本之间的距离尽可能小，划分负样本对鼓励模型使不同样本之间的距离尽可能大，提高模型适应性能。同时，不依赖带标签数据进行植被样本映射，只采用带标签数据进行模型微调，通过高度滤波模块采用遥感图像和数字高程模型图像的像素对齐再进行高度计算，不再受到植被覆盖率的影响，再通过结果评估模块采用多项指标对预测结果进行评估，提高了植被高度预测的准确度。
进一步的，所述样本处理模块用于根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对，包括：
正样本对处理单元、负样本对处理单元和样本二次处理单元；
所述正样本对处理单元用于选取同一地区不同时段或不同波段的图像，进行旋转、翻转、缩放、平移和裁剪，得到初选正样本对；
所述负样本对处理单元用于选取不同地区不同类型的图像，进行适应模型学习的动态调整，得到初选负样本对；
所述样本二次处理单元用于根据与植被高度相关度准则，对所述初选正样本对和所述初选负样本对进行二次筛选，得到所述正样本对和所述负样本对。
进一步的，所述模型预训练模块用于根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型，包括：
预训练单元和模型输出单元；
所述预训练单元用于获取随机初始化预训练权重，输入所述正样本对和所述负样本对，进行训练使用对比损失函数，筛选出最小损失模型权重；
所述模型输出单元用于通过多次迭代训练进行模型特征表现优化，并保存优化后的最小损失模型权重作为预训练模型权重，得到植被高度估计预训练模型。
进一步的，所述特征提取模块单元，还包括：
第一图像获取单元和特征提取单元；
所述第一图像获取单元用于获取源域数据集图像和目标域数据集图像；
所述特征提取单元用于输入所述源域数据集图像和所述目标域数据集图像，分别通过空间自适应可变指数函数进行特征进行编码，得到各数据集自然图像的多尺度边缘图。
进一步的，所述对比回归学习模块单元，还包括：
第二图像获取单元和对比回归学习单元；
所述第二图像获取单元用于获取所述各数据集自然图像的多尺度边缘图像；
所述对比回归学习单元用于通过计算最终的对比域泛化损失函数和对比自训练适应损失函数，得出最终源数据可用对比回归注视自适应损失函数。
进一步的，所述模型微调模块用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型，包括：
模型微调单元和模型优化单元；
所述模型微调单元用于加载所述植被高度估计预训练模型，并进行网络输出层调整、冻结部分层、未冻结层更新、学习率设置、迭代次数设置和批量设置；
所述模型优化单元用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行训练模型性能优化，得到所述植被高度预测模型。
进一步的，所述高度滤波模块用于根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息，包括：
第一预测单元、重采样单元、像素对齐单元和高程信息处理单元；
所述第一预测单元用于根据所述植被高度预测模型，通过输入需要预测的遥感图像数据进行植被高度预测，得到第一预测图像；
所述重采样单元用于根据所述植被高度预测模型，对所述第一预测图像进行重采样，得到所述重采样的图像；
所述像素对齐单元用于对所述重采样的图像进行遥感图像和数字高程模型图像的像素对齐，得到像素对齐图像组；
所述高程信息处理单元用于根据所述像素对齐图像组和需要扣除的植被高度，计算得到裸露地表的数字高程模型的高程信息。
进一步的，所述结果评估模块用于通过预设指标对比计算，输出植被高度预测结果，包括：
指标计算单元和结果输出单元；
所述指标计算单元用于根据样本数量、样本真实值和样本预测值，计算标准差、平均绝对误差和均方根误差指标；
所述结果输出单元用于根据所述标准差、所述平均绝对误差和所述均方根误差指标，进行高程精度评定，得到植被高度预测结果。
附图说明
图1为本发明某一实施例提供的一种植被高度预测方法的步骤流程示意图；
图2为本发明某一实施例提供的一种植被高度预测方法的植被高度预测模型结构示意图；
图3为本发明某一实施例提供的一种植被高度预测方法的植被高度预测模型预训练步骤流程示意图；
图4为本发明某一实施例提供的一种植被高度预测方法的植被高度预测模型微调步骤流程示意图；
图5为本发明某一实施例提供的一种植被高度预测系统的模块结构示意图；
图6为本发明某一实施例提供的一种植被高度预测系统的图像划分模块结构示意图；
图7为本发明某一实施例提供的一种植被高度预测系统的模型预训练模块结构示意图；
图8为本发明某一实施例提供的一种植被高度预测系统的特征提取模块单元结构示意图；
图9本发明某一实施例提供的一种植被高度预测系统的对比回归学习模块单元结构示意图；
图10本发明某一实施例提供的一种植被高度预测系统的模型微调模块结构示意图；
图11本发明某一实施例提供的一种植被高度预测系统的高度滤波模块结构示意图；
图12本发明某一实施例提供的一种植被高度预测系统的结果评估模块结构示意图。
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。
实施例1
针对目前深度学习模型在进行森林制图中大多依赖大量的训练数据，而真实测量的森林参考数据往往不足，从而造成EO(Earth observation，地球观测)数据样本标签不足，这些问题限制了深度学习模型在森林映射中的潜力，为了研究不依赖标签数据并能实现高效、高质量森林植被高度估计的预测模型，本发明实施例主要采用一种基于对比回归学习网络的植被高度预测方法，其中，所述对比回归学习(Contrastive RegressionLearning)网络主要目标是通过对比不同样本之间的差异来学习数据的表示和模型的参数。这种方法通常用于无监督学习或自监督学习任务，其中训练数据没有明确的标签，而是利用数据本身的内在结构进行学习。在森林植被高度估计中，对比回归学习可以发挥重要作用。例如，利用卫星或无人机获取的高分辨率遥感影像，提取样本的特征表示，使用对比回归学习方法训练模型实现植被高度估计，为生态学研究、资源管理和灾害监测等提供有益的支持和应用价值。
其基本原理是学习样本之间的对比信息。当给定一组样本，它首先对每个样本提取特征表示。然后，通过构建一个对比损失函数，鼓励模型使同一样本之间的距离尽可能小，而不同样本之间的距离尽可能大。这样的对比回归学习过程可以促使模型学习到数据中的一致性特征和变化特征，从而提高模型的泛化能力。
参见图1，图1为本发明某一实施例提供的一种植被高度预测方法的步骤流程示意图。如图1所示，本发明提出一种植被高度预测方法，包括步骤101至步骤106，各步骤具体如下：
步骤101，根据预设图像范围值划分待研究区域，得到图像块；
作为本实施例的一种举例，森林植被高度估计的数据集制作涉及构建正样本对和负样本对，确保正样本对之间的距离较小，而负样本对之间的距离较大。首对研究区域进行框选，并将研究区域划分为128*128的图像块，再对图像块划分正样本对和负样本对。
在本实施例中所述的正样本对定义为：是来自同一地区不同时间或不同波段，或者经过数据增强得到的图像，它们有着相似的地理空间特征。模型学习到正样本对的相似性，可以捕捉数据的一致性特征，提高模型的表示能力。所述负样本对的定义为：是来自不同地区的是遥感图像，它们之间有明显的空间和特征差异。模型学习到负样本对的差异性，可以帮助模型区分不同数据之间的变化特征，增强模型的泛化能力。
步骤102，根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对；
作为本实施例的一种举例，选取同一地区不同时段或不同波段的图像，进行旋转、翻转、缩放、平移和裁剪，得到初选正样本对；
作为本实施例的另一种举例，对于遥感图像或时间序列数据，可以通过选择同一地区不同时间或不同波段的图像来构建正样本对。例如，同一地区在春季和秋季拍摄的图像，或者使用多个波段的图像(如红、绿、蓝、近红外等)。这样可以确保正样本对之间有共同的地理空间特征，但时间或波段的变化可以提供丰富的对比信息。对图像进行随机旋转、翻转、缩放和平移、裁剪等操作，生成与原始图像相似但不完全相同的图像，用于构建正样本对。
选取不同地区不同类型的图像，进行适应模型学习的动态调整，得到初选负样本对；
作为本实施例的另一种举例，对于地理位置不同的遥感图像，可以构建负样本对。例如，选择来自不同地区或不同类型的森林区域的图像作为负样本对。确保这些地区之间有明显的空间差异，这样的样本对能够提供不同植被高度的对比信息。对于非森林区域负样本对，可以从其他地区或者非森林植被的图像中随机选择图像。确保图像与正样本对具有较大的差异，使得负样本对的距离较大。根据模型学习的进展，动态调整负样本的选择。当模型在某个样本对上表现较好时，可以选择较难的负样本来加强模型训练，提高对比回归学习网络的效果。例如在训练过程中，模型表现出对某个地区的图像样本对具有较好的区分能力。为了增加训练难度和挑战性，我们可以选择来自该地区其他时间或波段的图像作为负样本，动态调整负样本的选择。
根据与植被高度相关度准则，对所述初选正样本对和所述初选负样本对进行二次筛选，得到所述正样本对和所述负样本对。
作为本实施例的另一种举例，对整理好的正样本对和负样本对进行初步的样本筛选处理。具体的，根据与森林植被高度相关度大的准则对样本进行筛选，去除低质量图像、噪声图像、不清晰或相关度小的遥感图像，确保数据集的质量。在构建数据集时，这些方法可以综合使用，根据任务的具体需求和数据的特点，选择合适的构建方法，确保数据集的多样性和有效性。
综合使用这些正样本和负样本构建方法，可以构建一个多样性和有效性的数据集，用于训练植被高度估计模型。这样的模型将能够学习到数据中的一致性特征和变化特征，提高森林植被高度估计的准确性和泛化能力。
步骤103，根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型；其中，所述植被高度估计模型包括：特征提取模块和对比回归学习模块，所述特征提取模块用于获取自然图像的多尺度边缘图，所述对比回归学习模块用于学习对比域泛化损失的稳定表示和学习对比自训练和伪标签；
作为本实施例的一种举例，获取随机初始化预训练权重，输入所述正样本对和所述负样本对，进行训练使用对比损失函数，筛选出最小损失模型权重；通过多次迭代训练进行模型特征表现优化，并保存优化后的最小损失模型权重作为预训练模型权重，得到植被高度估计预训练模型。
作为本实施例的另一种举例，参见图3，图3为本发明某一实施例提供的一种植被高度预测方法的植被高度预测模型预训练步骤流程示意图。如图3所示，
步骤301，模型初始化：采用构建好的对比回归模型架构，使用随机初始化或使用预训练的权重。在这一阶段，不加载已有的预训练权重。
步骤302，特征提取和编码：将数据集输入模型，经过卷积和池化等层，获得图像的特征表示。这些特征被用于构建正负样本对。
步骤303，模型训练：构建好的正样本和负样本数据集同时输入模型进行训练使用构建的对比损失函数，训练模型以最小化损失。在每个训练步骤中，从数据集中随机选择正负样本对，并计算特征表示和损失。
步骤304，迭代训练：通过多次迭代训练，不断优化模型的特征表示。可以使用随机梯度下降或其他优化算法。
步骤305，保存预训练模型：保存经过预训练的模型权重，这将作为植被高度估计模型的初始权重，从而完成模型保存。
需要注意的是，对比学习预训练阶段的目标是学习到一个强大的特征表示，预训练后，可以将这些学习到的特征用于植被高度估计，通过微调模型并使用带有植被高度标签的数据进行再次训练。
作为本实施例的另一种举例，参见图2，图2为本发明某一实施例提供的一种植被高度预测方法的植被高度预测模型结构示意图；如图2所示，植被高度预测模型总体框架，它由两个部分组成。第一个是特征提取模块，采用基于各种图像特征的结构张量驱动的自适应指数映射的特征提取方法，实现自然图像的多尺度边缘图的获取。第二个是对比回归学习模块，则是由对比自训练适应(Contrastive Self-training Adaptation，CSA)LCSA和对比域泛化(Contrastive Domain Generalization，CDG)损失函数LCDG作为规则组成了最终的对比回归注视自适应损失函数(Contrastive Regression Gaze Adaptation，CRGA)LCRGA。LCDG利用CDG损失从源域学习稳定的表示。输入图像首先被增强为两个不同的视图，然后输入网络进行注视和CR特征，可用于计算的损失函数LCDG。LCSA利用对比自训练和伪标签来提高目标域的适应性能。为目标域中未标记的图像生成伪标签，并类似地用于计算的损失函数LCSA。
步骤104，根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型；
作为本实施例的一种举例，加载所述植被高度估计预训练模型，并进行网络输出层调整、冻结部分层、未冻结层更新、学习率设置、迭代次数设置和批量设置；
根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行训练模型性能优化，得到所述植被高度预测模型。
作为本实施例的另一种举例，参见图4，图4为本发明某一实施例提供的一种植被高度预测方法的植被高度预测模型微调步骤流程示意图。如图4所示：
步骤401，准备带标签的数据集：首先，需要收集带有植被高度标签的数据集，其中每个样本都有对应的输入和输出。对于对比回归学习任务，输入可能是图像或其他特征表示，而输出是样本的具体数值(例如植被高度)。
步骤402，加载预训练模型：将预训练完成的对比学习模型加载到计算机中，作为微调的初始模型。
步骤403，调整输出层和损失函数：根据回归任务的需求，调整网络的输出层，确保输出维度和范围与任务相符。同时，采用定义好的Loss损失函数来度量预测值与真实标签之间的差异。
步骤404，冻结部分层：为了保留预训练模型学到的通用特征，通常会冻结网络中的大部分层，使其参数在微调过程中不被更新。例如，保持预训练模型的底层卷积层不变，即“冻结”它们的权重，以保留模型已经学到的通用特征。
步骤405，微调网络：使用带有植被高度标签的数据集进行微调，在微调过程中，只有输出层的参数和少数未冻结的层的参数会被更新，而冻结的层的参数将保持不变。
步骤406，设置学习率：由于预训练网络的参数已经在大规模数据上优化过，微调阶段需要设置较小的学习率，以免破坏先前学到的特征表示，例如0.0001。
步骤407，训练和优化：使用带有标签的数据集进行微调，通过最小化定义的新损失函数来优化模型。通常需要设置合适的迭代次数和批量大小，以平衡训练效率和泛化能力。使用验证集来监控模型的性能，并进行必要的超参数调整和模型优化。
植被高度估计模型微调的意义在于在特定任务上充分利用预训练模型的通用特征，通过微调使模型更适应特定任务的要求，实现植被高度估计模型的构建。最后，将需要预测的遥感图像数据输入到植被高度预测植被高度估计模型中完成植被高度预测。
步骤105，根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息；
作为本实施例的一种举例，
根据所述植被高度预测模型，通过输入需要预测的遥感图像数据进行植被高度预测，得到第一预测图像；
根据所述植被高度预测模型，对所述第一预测图像进行重采样，得到所述重采样的图像；
对所述重采样的图像进行遥感图像和数字高程模型图像的像素对齐，得到像素对齐图像组；
根据所述像素对齐图像组和需要扣除的植被高度，计算得到裸露地表的数字高程模型的高程信息。
作为本实施例的另一种举例，假设有效植被高度占比为k，植被预测高度为hm，进而DEM中需要扣除的植被高度hn可表示，可以表述为：
hn＝hm·k
其中，k为扣除后植被高度与预测植被高度的比例系数。随后通过移除DEM中的植被高度得到裸露地表的DEM高程信息，可以表述为：
DEMbare＝DEM-hn
通过上式即可以实现DEM森林区域的植被高度滤波，实现DEM森林区域裸露地表高程的获取。
当通过植被高度估计模型实现植被高度预测后，需要将预测得到的植被高图像进行重采样，使其与DEM具备相同的分辨率，实现遥感影像和DEM图像素对齐。由于不同卫星成像的方式不同，对于森林植被具有不同的穿透率。例如，光学卫星影像可以透过植被的间隙捕捉到地面的可见性，相对较矮的植被或稀疏的森林可能会导致影像中出现地面特征，从而有助于DEM的生成。然而，在浓密的植被覆盖下，光学影像可能会受到植被的遮挡，导致地表特征的识别变得困难。这可能会导致DEM生成的精度下降；而SAR卫星影像能够在一定程度上穿透植被，从而获取地面的信息。即使在浓密的森林中，SAR影像也能够探测到地表特征，因此在生成DEM时可能会有更好的表现。
步骤106，通过预设指标对比计算，输出植被高度预测结果。
作为本实施例的一种举例，根据样本数量、样本真实值和样本预测值，计算标准差、平均绝对误差和均方根误差指标；
根据所述标准差、所述平均绝对误差和所述均方根误差指标，进行高程精度评定，得到植被高度预测结果。
作为本实施例的另一种举例，设n均表示样本数量、yi均表示第i个样本的真实值、均表示第i个样本的预测值。SD，MAE和RMSE可以分别表示为：
精度评定方法用定量评价指标。定量评价指标主要采用检查点法对融合前后的DEM数据进行定量评价，因此，选择标准差SD、平均绝对误差MAE和均方根误差RMSE等指标对高程模型进行评价。标准差SD反映组内样本个体间的离散程度，平均绝对误差MAE衡量了预测值与真实值之间的平均绝对误差，均方根误差RMSE是预测值与实际值之间差异平方的平均值的开方，可以解释为模型的预测误差的标准偏差。
本发明实施例提供的一种植被高度预测方法，通过加入对比回归模型对比不同遥感图像样本之间的差异来学习植被高度特征的表示，其中，对比回归模型训练数据没有明确的标签，而是利用数据本身的内在结构进行学习。对于样本处理采用划分正样本对鼓励模型使同一样本之间的距离尽可能小，划分负样本对鼓励模型使不同样本之间的距离尽可能大，从而促使模型学习到数据中的一致性特征和变化特征，提高植被高度估计模型的适应性能，另外本方法不依赖带标签数据，仅采用带标签数据进行模型微调，训练模型学习遥感图像通用特征，还通过对遥感图像于数字高程模型图像的像素对齐再计算裸露地表的数字高程模型高程信息，不再受限于植被覆盖率，同时通过多项指标计算评估，得到的植被高度预测结果准确度更高。
实施例2
参见图5，图5为本发明某一实施例提供的一种植被高度预测系统的模块结构示意图。如图5所示，本发明实施例提供一种植被高度预测系统，包括：
图像划分模块501、样本处理模块502、模型预训练模块503、模型微调模块504、高度滤波模块505、结果评估模块506；
所述图像划分模块501用于根据预设图像范围值划分待研究区域，得到图像块；
所述样本处理模块502用于根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对；
作为本发明实施例的一种举例，参见图6，图6为本发明某一实施例提供的一种植被高度预测系统的图像划分模块结构示意图。如图6所示，所述样本处理模块502用于根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对，包括：
正样本对处理单元601、负样本对处理单元602和样本二次处理单元603；
所述正样本对处理单元601用于选取同一地区不同时段或不同波段的图像，进行旋转、翻转、缩放、平移和裁剪，得到初选正样本对；
所述负样本对处理单元602用于选取不同地区不同类型的图像，进行适应模型学习的动态调整，得到初选负样本对；
所述样本二次处理单元603用于根据与植被高度相关度准则，对所述初选正样本对和所述初选负样本对进行二次筛选，得到所述正样本对和所述负样本对。
所述模型预训练模块503用于根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型；其中，所述植被高度估计模型包括：特征提取模块单元和对比回归学习模块单元，所述特征提取模块用于获取自然图像的多尺度边缘图，所述对比回归学习模块用于学习对比域泛化损失的稳定表示和学习对比自训练和伪标签；
作为本实施例的一种举例，参见图7，图7为本发明某一实施例提供的一种植被高度预测系统的模型预训练模块结构示意图。如图7所示，所述模型预训练模块503用于根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型，包括：
预训练单元701和模型输出单元702；
所述预训练单元701用于获取随机初始化预训练权重，输入所述正样本对和所述负样本对，进行训练使用对比损失函数，筛选出最小损失模型权重；
所述模型输出单元702用于通过多次迭代训练进行模型特征表现优化，并保存优化后的最小损失模型权重作为预训练模型权重，得到植被高度估计预训练模型。
作为本实施例的另一种举例，参见图8和图9，图8为本发明某一实施例提供的一种植被高度预测系统的特征提取模块单元结构示意图。图9本发明某一实施例提供的一种植被高度预测系统的对比回归学习模块单元结构示意图。如图8和图9所示，所述特征提取模块单元5031，还包括：
第一图像获取单元801和特征提取单元802；
所述第一图像获取单元801用于获取源域数据集图像和目标域数据集图像；
所述特征提取单元用于802输入所述源域数据集图像和所述目标域数据集图像，分别通过空间自适应可变指数函数进行特征进行编码，得到各数据集自然图像的多尺度边缘图。
所述对比回归学习模块单元5032，还包括：
第二图像获取单元901和对比回归学习单元902；
所述第二图像获取单元901用于获取所述各数据集自然图像的多尺度边缘图像；
所述对比回归学习单元902用于通过计算最终的对比域泛化损失函数和对比自训练适应损失函数，得出最终源数据可用对比回归注视自适应损失函数。
具体的，参见图2，图2为本发明某一实施例提供的一种植被高度预测方法的植被高度预测模型结构示意图；如图2所示，在特征提取模块单元5031中，本发明采用基于各种图像特征的结构张量驱动的自适应指数映射的特征提取方法。该方法将源域数据集和目标域数据集图像分别实现特征提取，通过利用带有特征值的空间变量自适应指数，得到了鲁棒边缘映射，从而得到高质量的自然图像的多尺度边缘图。基本原理如下：
设u：为输入的待特征提取图像。平滑结构张量是在每个像素(x,y)∈Ω处计算的2×2矩阵，由下式给出：
其中，该公式的上标T是转置。这里假设输入的图像处于连续域，即是实数集合，表示2D卷积运算，Gσ是高斯核，表示为：
对于且尺度参数σ＞0。如果邻域中有足够的梯度样本，则平滑结构张量条目为正，并且矩阵Kσ是对称且半正定的。令平滑结构张量的特征值为(λ+(x,y,σ),λ-(x,y,σ))，分别为最大值和最小值，且λ+≥λ-。特征值对σ邻域的局部信息进行编码，并且可以提供鲁棒的特征检测和提取。
根据平滑结构张量的特征值考虑以下指数函数，可以表示为：
其中，为了数值稳定性添加了一个小参数k>0。使用p(x,y,σ)来指示平滑结构张量矩阵的特征值是针对像素位置处(x,y)∈Ω的特定尺度σ＞0计算的。因此，空间自适应可变指数函数p(x,y,σ)可以简洁地写为：
其中，αi≥0(i＝1,2,3)是参数。其中构成空间自适应可变指数函数的各个项如下：
第一项：称为一致性测度。C1的值在边缘像素中更接近于1，并且在均匀或噪声区域中接近于零。
第二项：用作边缘指示符，因为在具有强梯度的图像位置处λ+会很大而λ-会很小。
第三项：捕获有关两个强边缘相交的图像角点的信息。其中到C3＝detKσ/(traceKσ)2是特征值的调和平均值。该术语与经典角点测量相关。
空间自适应可变指数函数取决于基于结构张量特征值的连续切换，该函数的连续切换可以更准确地识别噪声边缘和角点。结构张量特征值对各种图像特征进行编码，考虑一个空间变化的连续图，它提供自然图像的多尺度边缘图，更有利于后续的对比回归学习模块对图像进行学习。
在对比回归学习模块单元5032中，接收实现特征提取的多尺度边缘图像，进行对比回归学习，所示对比回归学习模块单元5032的基本原理如下：
首先，假设源域数据为其中表示第n对观察结果和对应的注视方向，NS是对的数量。同样，目标域数据记为其中代表第n对，NT是对的数量。对于域自适应，目标是在源域S上学习预测函数f:x→g以在目标域T上实现最小误差：
本发明采用了一种新颖的植被高度估计模型来学习植被高度估计回归任务的稳健且不变的表示。对于回归模型来说，与分类任务不同，标签之间的关系揭示了特征之间的关系。假设预测分布p(yi|x)和p(yk|x)之间的比率与标签分布p(gi)和p(gj)之间的相似度成正比。
假设回归任务的新对比损失函数定义为：
其中，f(yi,x)是密度比。
为了简单起见，接下来将相似函数S[p(gi)；p(gk)]缩写为Si,k。这种损失在实践中仍然遇到一些问题。具体来说，尽管损失函数鼓励变大以近似但负值可能会出现在开始时并导致损失计算中出现NAN的情况。然后，我们引入以下方程式的变体为：
其中，σ(.)是relu函数，用于求零负值。此外，如果Si,k趋于无穷大，则该损失函数不会有界。因此，我们进一步引入归一化和重写方程式如下：
其中，Si,j是是相似度S的绝对值。由于fJ(yj,x)始终服从指数分布且大于零，因此损失函数的下界为L≥-log1＝0。我们将上式LCR损失函数命名式为对比回归(ContrastiveRegression，CR)损失。
考虑到注视方向会主要集中在遥感图像关键特征上，余弦相似度接近零的梯度太小，我们推导出-logKL函数作为相似度为：
给定源域数据，我们遵循对比学习中的惯例，并利用两个单独的数据增强算子A，来获得输入图像的两个视图，即I＝A(Input)，两个单独的数据增强算子是从相同的增强族A中采样的，如A～A，然后，将I和输入模型f(·)以获得特征V＝f(I)和通常，采用参数化注视预测头h(·)来预测注视分布，即y＝h(v)。考虑N个示例的小批量，得到从该小批量派生的增强示例对，从而产生2N个数据点。使用映射头r(·)，通常是神经网络，将特征映射到应用对比损失的空间，并得到z＝r(v)。进一步引入l2归一化z与温度参数τ的余弦相似度。因此，可以将fk(uk,x)转换为exp(sim(zi,zk)/τ)。当k＝j时，我们有sim(zk,zj)＝1。为了进一步鼓励简化和快速收敛，并引入指示函数1j≠i来省略第i个样本。最后，CR损失函数在方程中定义如下，可以换算为：
其中，如果j≠i，则指示函数1j≠i评估为1，而当j＝i时，评估为0。用非参数预测头替换参数预测头会丢失来自注视标签的监督信息。因此，我们利用附加l1损失来计算CR损失。为了澄清起见，将exp(sim(zi,zk)/τ)简化为expτ(zi,zk)。然后得出最终的对比域泛化(CDG)损失函数LCDG为：
其中，这里gi是注视标签，γ是超参数。
考虑到无源域适应，其中源数据不可用，只能访问预先训练的源模型。假设给定目标域数据，目标模型fT(·)和目标注视预测头rT(·)(由预训练的源模型和头初始化)。然后目标模型生成伪注视方向为我们应用伪注视方向作为目标数据的标签，并利用LCR损失与损失函数LCDG中的L1损失相结合来学习目标数据的稳定表示和更精确的预测。对比自训练适应损失函数LCSA为：
其中，ε是超参数。然后，源数据可以用作自训练开始时的正则化项。随着温度参数γ(逐渐从1降级到0)，得出最终源数据可用对比回归注视自适应损失函数LCRGA为：
LCRGA＝LCSA+γ·LCDG
所述模型微调模块504用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型；
作为本实施例的一种举例，参见图10，图10本发明某一实施例提供的一种植被高度预测系统的模型微调模块结构示意图。如图10所示，所述模型微调模块504用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型，包括：
模型微调单元1001和模型优化单元1002；
所述模型微调单元1001用于加载所述植被高度估计预训练模型，并进行网络输出层调整、冻结部分层、未冻结层更新、学习率设置、迭代次数设置和批量设置；
所述模型优化单元1002用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行训练模型性能优化，得到所述植被高度预测模型。
所述高度滤波模块505用于根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息；
作为本实施例的一种举例，参见图11，图11本发明某一实施例提供的一种植被高度预测系统的高度滤波模块结构示意图。如图11所示，所述高度滤波模块505用于根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息，包括：
第一预测单元1101、重采样单元1102、像素对齐单元1103和高程信息处理单元1104；
所述第一预测单元1101用于根据所述植被高度预测模型，通过输入需要预测的遥感图像数据进行植被高度预测，得到第一预测图像；
所述重采样单元1102用于根据所述植被高度预测模型，对所述第一预测图像进行重采样，得到所述重采样的图像；
所述像素对齐单元1103用于对所述重采样的图像进行遥感图像和数字高程模型图像的像素对齐，得到像素对齐图像组；
所述高程信息处理单元1104用于根据所述像素对齐图像组和需要扣除的植被高度，计算得到裸露地表的数字高程模型的高程信息。
所述结果评估模块506用于通过预设指标对比计算，输出植被高度预测结果。
作为本实施例的一种举例，参见图12，图12本发明某一实施例提供的一种植被高度预测系统的结果评估模块结构示意图。如图12所示，所述结果评估模块506用于通过预设指标对比计算，输出植被高度预测结果，包括：
指标计算单元1201和结果输出单元1202；
所述指标计算单元1201用于根据样本数量、样本真实值和样本预测值，计算标准差、平均绝对误差和均方根误差指标；
所述结果输出单元1202用于根据所述标准差、所述平均绝对误差和所述均方根误差指标，进行高程精度评定，得到植被高度预测结果。
本发明实施例提出的一种植被高度预测系统，通过模型预训练模块对植被高度预测模型进行预训练，通过特征提取模型提取样本特征，再通过对比回归模型利用对比域泛化损失从源域学习稳定的表示和利用对比自训练和伪标签来提高目标域的适应性能，且根据图像时空特性在样本处理模块中划分正样本对鼓励模型使同一样本之间的距离尽可能小，划分负样本对鼓励模型使不同样本之间的距离尽可能大，提高模型适应性能。同时，不依赖带标签数据进行植被样本映射，只采用带标签数据进行模型微调，通过高度滤波模块采用遥感图像和数字高程模型图像的像素对齐再进行高度计算，不再受到植被覆盖率的影响，再通过结果评估模块采用多项指标对预测结果进行评估，提高了植被高度预测的准确度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
Claims (8)
1.一种植被高度预测方法，其特征在于，包括：
根据预设图像范围值划分待研究区域，得到图像块；
根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对；
根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型；其中，所述植被高度估计模型包括：特征提取模块和对比回归学习模块，所述特征提取模块用于获取自然图像的多尺度边缘图，具体的，所述特征提取模块用于获取源域数据集图像和目标域数据集图像；输入所述源域数据集图像和所述目标域数据集图像，分别通过空间自适应可变指数函数进行特征编码，得到各数据集自然图像的多尺度边缘图；所述对比回归学习模块用于学习对比域泛化损失的稳定表示和学习对比自训练和伪标签，具体的，所述对比回归学习模块用于获取所述各数据集自然图像的多尺度边缘图像；通过计算最终的对比域泛化损失函数和对比自训练适应损失函数，得出最终源数据可用对比回归注视自适应损失函数；
根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型，具体的，加载所述植被高度估计预训练模型，并进行网络输出层调整、冻结部分层、未冻结层更新、学习率设置、迭代次数设置和批量设置；根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行训练模型性能优化，得到所述植被高度预测模型；
根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息，具体的，根据所述植被高度预测模型，通过输入需要预测的遥感图像数据进行植被高度预测，得到第一预测图像；根据所述植被高度预测模型，对所述第一预测图像进行重采样，得到所述重采样的图像；对所述重采样的图像进行遥感图像和数字高程模型图像的像素对齐，得到像素对齐图像组；根据所述像素对齐图像组和需要扣除的植被高度，计算得到裸露地表的数字高程模型的高程信息；
通过预设指标对比计算，输出植被高度预测结果。
2.如权利要求1所述的一种植被高度预测方法，其特征在于，所述根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对，具体为：
选取同一地区不同时段或不同波段的图像，进行旋转、翻转、缩放、平移和裁剪，得到初选正样本对；
选取不同地区不同类型的图像，进行适应模型学习的动态调整，得到初选负样本对；
根据与植被高度相关度准则，对所述初选正样本对和所述初选负样本对进行二次筛选，得到所述正样本对和所述负样本对。
3.如权利要求2所述的一种植被高度预测方法，其特征在于，所述根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型，具体为：
获取随机初始化预训练权重，输入所述正样本对和所述负样本对，进行训练使用对比损失函数，筛选出最小损失模型权重；
通过多次迭代训练进行模型特征表现优化，并保存优化后的最小损失模型权重作为预训练模型权重，得到植被高度估计预训练模型。
4.如权利要求1所述的一种植被高度预测方法，其特征在于，所述通过预设指标对比计算，输出植被高度预测结果，具体为：
根据样本数量、样本真实值和样本预测值，计算标准差、平均绝对误差和均方根误差指标；
根据所述标准差、所述平均绝对误差和所述均方根误差指标，进行高程精度评定，得到植被高度预测结果。
5.一种植被高度预测系统，其特征在于，包括：
图像划分模块、样本处理模块、模型预训练模块、模型微调模块、高度滤波模块、结果评估模块；
所述图像划分模块用于根据预设图像范围值划分待研究区域，得到图像块；
所述样本处理模块用于根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对；
所述模型预训练模块用于根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型；其中，所述植被高度估计模型包括：特征提取模块单元和对比回归学习模块单元，所述特征提取模块单元用于获取自然图像的多尺度边缘图，具体的，所述特征提取模块用于获取源域数据集图像和目标域数据集图像；输入所述源域数据集图像和所述目标域数据集图像，分别通过空间自适应可变指数函数进行特征编码，得到各数据集自然图像的多尺度边缘图；所述对比回归学习模块单元用于学习对比域泛化损失的稳定表示和学习对比自训练和伪标签，具体的，所述对比回归学习模块用于获取所述各数据集自然图像的多尺度边缘图像；通过计算最终的对比域泛化损失函数和对比自训练适应损失函数，得出最终源数据可用对比回归注视自适应损失函数；
所述模型微调模块用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行微调，得到植被高度预测模型，包括：模型微调单元和模型优化单元；所述模型微调单元用于加载所述植被高度估计预训练模型，并进行网络输出层调整、冻结部分层、未冻结层更新、学习率设置、迭代次数设置和批量设置；所述模型优化单元用于根据预设植被高度标签数据集，对所述植被高度估计预训练模型进行训练模型性能优化，得到所述植被高度预测模型；
所述高度滤波模块用于根据所述植被高度预测模型，通过高度滤波处理，计算得到裸露地表的数字高程模型的高程信息，包括：第一预测单元、重采样单元、像素对齐单元和高程信息处理单元；所述第一预测单元用于根据所述植被高度预测模型，通过输入需要预测的遥感图像数据进行植被高度预测，得到第一预测图像；所述重采样单元用于根据所述植被高度预测模型，对所述第一预测图像进行重采样，得到所述重采样的图像；所述像素对齐单元用于对所述重采样的图像进行遥感图像和数字高程模型图像的像素对齐，得到像素对齐图像组；所述高程信息处理单元用于根据所述像素对齐图像组和需要扣除的植被高度，计算得到裸露地表的数字高程模型的高程信息；
所述结果评估模块用于通过预设指标对比计算，输出植被高度预测结果。
6.如权利要求5所述的一种植被高度预测系统，其特征在于，所述样本处理模块用于根据图像时空特性，对所述图像块进行样本划分和样本筛选预处理，得到正样本对和负样本对，包括：
正样本对处理单元、负样本对处理单元和样本二次处理单元；
所述正样本对处理单元用于选取同一地区不同时段或不同波段的图像，进行旋转、翻转、缩放、平移和裁剪，得到初选正样本对；
所述负样本对处理单元用于选取不同地区不同类型的图像，进行适应模型学习的动态调整，得到初选负样本对；
所述样本二次处理单元用于根据与植被高度相关度准则，对所述初选正样本对和所述初选负样本对进行二次筛选，得到所述正样本对和所述负样本对。
7.如权利要求6所述的一种植被高度预测系统，其特征在于，所述模型预训练模块用于根据所述正样本对和所述负样本对，对植被高度估计模型进行数据特征学习预训练，得到植被高度估计预训练模型，包括：
预训练单元和模型输出单元；
所述预训练单元用于获取随机初始化预训练权重，输入所述正样本对和所述负样本对，进行训练使用对比损失函数，筛选出最小损失模型权重；
所述模型输出单元用于通过多次迭代训练进行模型特征表现优化，并保存优化后的最小损失模型权重作为预训练模型权重，得到植被高度估计预训练模型。
8.如权利要求5所述的一种植被高度预测系统，其特征在于，所述结果评估模块用于通过预设指标对比计算，输出植被高度预测结果，包括：
指标计算单元和结果输出单元；
所述指标计算单元用于根据样本数量、样本真实值和样本预测值，计算标准差、平均绝对误差和均方根误差指标；
所述结果输出单元用于根据所述标准差、所述平均绝对误差和所述均方根误差指标，进行高程精度评定，得到植被高度预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311711415.5A CN117636174B (zh) | 2023-12-12 | 2023-12-12 | 一种植被高度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311711415.5A CN117636174B (zh) | 2023-12-12 | 2023-12-12 | 一种植被高度预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117636174A CN117636174A (zh) | 2024-03-01 |
| CN117636174B true CN117636174B (zh) | 2024-08-06 |
Family
ID=90035544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311711415.5A Active CN117636174B (zh) | 2023-12-12 | 2023-12-12 | 一种植被高度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117636174B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
| CN112215296A (zh) * | 2020-10-21 | 2021-01-12 | 红相股份有限公司 | 基于迁移学习的红外图像识别方法及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205014B (zh) * | 2021-04-20 | 2022-06-07 | 武汉大学 | 一种基于图像锐化的时序数据耕地提取方法 |
| CN114399686A (zh) * | 2021-11-26 | 2022-04-26 | 中国科学院计算机网络信息中心 | 一种基于弱监督学习的遥感图像地物识别与分类方法和装置 |
| CN116433596A (zh) * | 2023-03-07 | 2023-07-14 | 南京林业大学 | 一种边坡坡面植被覆盖率测量方法、装置及相关组件 |
| CN116385875A (zh) * | 2023-03-24 | 2023-07-04 | 宁夏回族自治区遥感调查院(高分辨率对地观测系统宁夏数据与应用中心) | 一种基于深度学习语义分割的遥感植被提取方法及装置 |
| CN116958810A (zh) * | 2023-06-27 | 2023-10-27 | 中国四维测绘技术有限公司 | 基于深度学习的遥感影像植被指数自动筛选方法及系统 |
| CN117152606A (zh) * | 2023-08-23 | 2023-12-01 | 北京理工大学 | 一种基于置信度动态学习的遥感图像跨域小样本分类方法 |
| CN117197668A (zh) * | 2023-09-06 | 2023-12-08 | 阳光农业相互保险公司 | 基于深度学习的作物倒伏级别的预测方法及系统 |
-
2023
- 2023-12-12 CN CN202311711415.5A patent/CN117636174B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
| CN112215296A (zh) * | 2020-10-21 | 2021-01-12 | 红相股份有限公司 | 基于迁移学习的红外图像识别方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117636174A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| Ling et al. | Superresolution land cover mapping using spatial regularization | |
| CN111161199A (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
| CN111160268A (zh) | 一种基于多任务学习的多角度sar目标识别方法 | |
| Ge et al. | Improved semisupervised unet deep learning model for forest height mapping with satellite sar and optical data | |
| CN107273813A (zh) | 基于高分卫星遥感数据的地理空间要素提取系统 | |
| CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
| Li et al. | Spatially adaptive superresolution land cover mapping with multispectral and panchromatic images | |
| He et al. | Multi-spectral remote sensing land-cover classification based on deep learning methods | |
| CN117992757B (zh) | 基于多维数据的国土生态环境遥感数据分析方法 | |
| CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
| CN117830381A (zh) | 湖泊面积变化空间分析模型、构建与面积变化预测方法及装置 | |
| US20230186622A1 (en) | Processing remote sensing data using neural networks based on biological connectivity | |
| Chen et al. | Spatiotemporal fusion for spectral remote sensing: A statistical analysis and review | |
| Wang et al. | Generating long time series of high spatiotemporal resolution FPAR images in the remote sensing trend surface framework | |
| Liu et al. | High-resolution remote sensing image information extraction and target recognition based on multiple information fusion | |
| CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
| Hou et al. | RFSDAF: A new spatiotemporal fusion method robust to registration errors | |
| CN117636174B (zh) | 一种植被高度预测方法及系统 | |
| CN108875798B (zh) | 一种基于空间金字塔池化的超像素级特征提取方法 | |
| CN116310851A (zh) | 遥感图像变化检测方法 | |
| Wu et al. | Image quality assessment of high-resolution satellite images with MTF-based fuzzy comprehensive evaluation method | |
| Jemy et al. | Quadruple stacked-based concept: a novel approach for change detection |
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 |