亚洲狠狠干,亚洲国产福利精品一区二区,国产八区,激情文学亚洲色图

山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng)

文檔序號(hào):39729676發(fā)布日期:2024-10-22 13:34閱讀:60來源:國(guó)知局
山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng)

本發(fā)明涉及山地森林冠層高度估測(cè),尤其涉及到一種山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng)。


背景技術(shù):

1、熱地森林是陸地生態(tài)系統(tǒng)的核心部分,在減緩全球/區(qū)域氣候變化和調(diào)節(jié)全球碳平衡方面發(fā)揮著不可替代的作用,而跨越廣闊地域的山地森林是碳封存的關(guān)鍵。森林冠層高度作為重要的森林垂直結(jié)構(gòu)參數(shù)之一,是反映森林生物量、碳儲(chǔ)量、森林健康狀況的重要指標(biāo)。因此,準(zhǔn)確估計(jì)大面積森林高度至關(guān)重要,尤其是在復(fù)雜的山區(qū)地形下,準(zhǔn)確量化森林冠層高度一直是國(guó)家森林資源清查任務(wù)的一項(xiàng)重要任務(wù)。

2、然而,在野外測(cè)量森林高度是耗時(shí)、低效率的,依靠人工野外測(cè)量來生成大尺度下的森林冠層高度是不可能的。遙感技術(shù)已被證明是大尺度森林高度反演的有效方法。光學(xué)遙感圖像已被用于實(shí)地測(cè)量,以獲得全面的森林冠高產(chǎn)品,不幸的是被動(dòng)光學(xué)傳感器在茂密的森林中具有很強(qiáng)的飽和效應(yīng),另外在復(fù)雜地形條件下山體的遮擋也會(huì)導(dǎo)致光譜信息的丟失,導(dǎo)致森林高度的估計(jì)精度較低。與光學(xué)遙感圖像相比,微波遙感具有部分穿透森林冠層的能力;因此,它也被成功地用于森林高度估計(jì);微波數(shù)據(jù)類型可以分為polsar、insar、polinsar,polsar能夠獲得植被散射特征,insar可以獲得散射體的高度,polinsar具備polsar和insar的共同特點(diǎn),能夠反映地表植被散射體高度和散射特征,在區(qū)域尺度森林冠層高度反演中有著巨大潛力,然而,微波信號(hào)通常會(huì)面臨不同程度的飽和問題,這與電磁波的波長(zhǎng)有關(guān),有研究表明在森林中l(wèi)波段sar后向散射信號(hào)在樹高為10m是接近飽和,polinsar和insar則對(duì)空間基線有嚴(yán)格的要求,在星載sar數(shù)據(jù)中這一條件通常難以完全滿足要求,比如alos/saocom衛(wèi)星。最重要的一點(diǎn)是由于sar數(shù)據(jù)是側(cè)視成像,在山體的遮擋下會(huì)造成信號(hào)丟失,這是sar數(shù)據(jù)在山地中的最重要制約因素。

3、相比之下,激光雷達(dá)(lidar)能夠穿透森林樹冠獲取垂直結(jié)構(gòu)信息。根據(jù)平臺(tái),激光雷達(dá)系統(tǒng)可以分為地面激光雷達(dá)、機(jī)載激光雷達(dá)和星載激光雷達(dá)。機(jī)載激光雷達(dá)(lidar)能夠快速獲得林分冠層以及內(nèi)部三維結(jié)構(gòu)信息,且不受天氣條件限制,但由于采集成本高,很難應(yīng)用于大面積區(qū)域。星載激光雷達(dá)更適合區(qū)域或全球尺度的森林高度反演。然而,這些星載激光雷達(dá)系統(tǒng)有一個(gè)共同的問題,即具有離散的地面采樣足跡,但它們?nèi)匀徊荒苤苯犹峁┟娉叨鹊纳止趯痈叨扔^測(cè)。因此,多源遙感數(shù)據(jù)的結(jié)合是提升森林參數(shù)估計(jì)精度的有效途徑,多數(shù)據(jù)源的結(jié)合可以充分考慮了植被的高度、散射特征和光譜特征能夠更準(zhǔn)確的估計(jì)森林參數(shù)。

4、常用的森林冠層高度遙感估計(jì)可以通過建立回歸模型得出面尺度的森林冠高產(chǎn)品。回歸模型方法可分為參數(shù)模型和非參數(shù)模型。常見的參數(shù)模型有多元逐步回歸、地理加權(quán)回歸、偏最小二乘回歸等。傳統(tǒng)的非參數(shù)模型主要是機(jī)器學(xué)習(xí),但這些將現(xiàn)場(chǎng)測(cè)量數(shù)據(jù)升級(jí)為區(qū)域地圖的傳統(tǒng)方法無法完全捕捉山區(qū)地形的遙感信息。容易忽略了相鄰像素的信息,包括對(duì)描述空間變化至關(guān)重要的紋理圖案。隨著深度學(xué)習(xí)的進(jìn)步,深度學(xué)習(xí)算法已經(jīng)被用于各種遙感應(yīng)用中,如時(shí)間序列分析、圖像分類等。這些方法在克服各種地理空間挑戰(zhàn)方面表現(xiàn)出了希望,正如眾多研究人員所證明的那樣,例如遞歸神經(jīng)網(wǎng)絡(luò)(rnn),盡管標(biāo)準(zhǔn)的rnn在捕捉長(zhǎng)時(shí)間依賴關(guān)系方面存在一定的挑戰(zhàn),但其變體(如lstm和gru)解決了這一問題,使得模型可以捕捉更長(zhǎng)時(shí)間的依賴關(guān)系。與傳統(tǒng)的方法不同,深度學(xué)習(xí)方法可以充分的挖掘遙感變量信息,從而提供更復(fù)雜的森林冠層高度分布表示。將深度學(xué)習(xí)與多源遙感數(shù)據(jù)相結(jié)合,可以深入了解森林結(jié)構(gòu)特點(diǎn),有可能大大改善區(qū)域森林高度的制圖工作。

5、綜上所述,在熱帶山地森林中,使用遙感數(shù)據(jù)進(jìn)行森林冠層高度估計(jì)的挑戰(zhàn)主要有3點(diǎn),第一是不同類型的遙感數(shù)據(jù)存在局限性。第二是復(fù)雜的地形條件放大了遙感數(shù)據(jù)的誤差。第三是森林參數(shù)的估計(jì)模型存在不確定性。


技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng),旨在實(shí)現(xiàn)區(qū)域尺度山地森林冠層高度精準(zhǔn)估計(jì)。

2、為實(shí)現(xiàn)上述目的,本發(fā)明提供一種山地森林冠層高度精準(zhǔn)估測(cè)方法包括以下步驟:

3、s1:獲取多源遙感數(shù)據(jù)集;其中,所述多源遙感數(shù)據(jù)集包括星載激光雷達(dá)數(shù)據(jù)、微波遙感數(shù)據(jù)、光學(xué)遙感數(shù)據(jù)和地形數(shù)據(jù);

4、s2:提取所述多源遙感數(shù)據(jù)集中不同類型多源遙感數(shù)據(jù)的數(shù)據(jù)特征,構(gòu)建遙感數(shù)據(jù)特征集;

5、s3:采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系,以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系,構(gòu)建深度馬爾可夫模型;

6、s4:獲取機(jī)載雷達(dá)的森林冠層高度模型,基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型,預(yù)測(cè)森林冠層高度。

7、可選的,所述步驟s2中,提取星載激光雷達(dá)數(shù)據(jù)中的數(shù)據(jù)特征,具體包括:

8、s21:提取星載激光雷達(dá)數(shù)據(jù)中的冠層高度、總冠層覆蓋率、植物面積指數(shù)和葉高多樣性指數(shù);

9、s22:采用地統(tǒng)計(jì)學(xué)中的克里金插值法將冠層高度、總冠層覆蓋率、植物面積指數(shù)和葉高多樣性指數(shù)的光斑點(diǎn)數(shù)據(jù)插值為面數(shù)據(jù)作為數(shù)據(jù)特征。

10、可選的,所述步驟s2中,提取微波遙感數(shù)據(jù)中的數(shù)據(jù)特征,具體包括:

11、s23:基于全極化微波遙感數(shù)據(jù)計(jì)算后向散射系數(shù)、極化比、雷達(dá)植被指數(shù)和極化分解參數(shù)作為數(shù)據(jù)特征。

12、可選的,所述步驟s2中,提取光學(xué)遙感數(shù)據(jù)中的數(shù)據(jù)特征,具體包括:

13、s24:提取光學(xué)遙感數(shù)據(jù)中的原始單波段變量、波段組合變量、植被指數(shù)等參數(shù)作為數(shù)據(jù)特征。

14、可選的,所述步驟s2中,提取地形數(shù)據(jù)中的數(shù)據(jù)特征,具體包括:

15、s25:基于數(shù)字高程模型數(shù)據(jù),計(jì)算地形坡度,根據(jù)地形坡度計(jì)算結(jié)果,將坡度劃分為6個(gè)坡度等級(jí);

16、s26:將坡度等級(jí)轉(zhuǎn)換為啞變量。

17、可選的,所述步驟s3中,采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系,具體包括:

18、s31:采用處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)架構(gòu)捕捉輸入序列數(shù)據(jù)每個(gè)時(shí)間步的長(zhǎng)期依賴關(guān)系,輸出隱藏狀態(tài)作為下一個(gè)時(shí)間步的輸入,構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò);

19、其中,所述循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏狀態(tài)更新的表達(dá)式,具體為:

20、、

21、其中,是時(shí)間步t的輸入數(shù)據(jù),h是時(shí)間t的隱藏狀態(tài),f是循環(huán)神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)移函數(shù)。

22、可選的,所述步驟s3中,以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系,具體包括:

23、s32:利用馬爾可夫模型中前一個(gè)狀態(tài)對(duì)應(yīng)的轉(zhuǎn)換概率分布控制下一個(gè)狀態(tài)的狀態(tài)轉(zhuǎn)換;

24、其中,馬爾可夫模型中,當(dāng)前狀態(tài)的概率分布的表達(dá)式,具體為:

25、、

26、其中,和分別表示當(dāng)前狀態(tài)的均值和方差,由轉(zhuǎn)移函數(shù)f計(jì)算得到。

27、可選的,所述步驟s3中,構(gòu)建深度馬爾可夫模型,具體包括:

28、s33:將循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出驅(qū)動(dòng)計(jì)算馬爾可夫模型的每個(gè)時(shí)間的狀態(tài)轉(zhuǎn)移參數(shù),同時(shí)考慮到序列中的長(zhǎng)期依賴關(guān)系和狀態(tài)之間的轉(zhuǎn)移關(guān)系,構(gòu)建獲得深度馬爾可夫模型;

29、其中,深度馬爾可夫模型的表達(dá)式,具體為:

30、、

31、其中,是循環(huán)神經(jīng)網(wǎng)絡(luò)在時(shí)間步t的輸出,和分別表示當(dāng)前狀態(tài)的均值和方差,由循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出和轉(zhuǎn)移函數(shù)f計(jì)算得到。

32、可選的,所述步驟s4中,獲取機(jī)載雷達(dá)的森林冠層高度模型,基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型,預(yù)測(cè)森林冠層高度,具體包括:

33、s41:以機(jī)載雷達(dá)的森林冠層高度模型為因變量,以遙感數(shù)據(jù)特征集中的遙感數(shù)據(jù)特征為自變量,利用深度馬爾可夫模型進(jìn)行森林冠層高度預(yù)測(cè)。

34、此外,為了實(shí)現(xiàn)上述目的,本發(fā)明還提供了一種山地森林冠層高度精準(zhǔn)估測(cè)系統(tǒng),包括:

35、獲取模塊,用于獲取多源遙感數(shù)據(jù)集;其中,所述多源遙感數(shù)據(jù)集包括星載激光雷達(dá)數(shù)據(jù)、微波遙感數(shù)據(jù)、光學(xué)遙感數(shù)據(jù)和地形數(shù)據(jù);

36、提取模塊,用于提取所述多源遙感數(shù)據(jù)集中不同類型多源遙感數(shù)據(jù)的數(shù)據(jù)特征,構(gòu)建遙感數(shù)據(jù)特征集;

37、構(gòu)建模塊,用于采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系,以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系,構(gòu)建深度馬爾可夫模型;

38、預(yù)測(cè)模塊,用于獲取機(jī)載雷達(dá)的森林冠層高度模型,基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型,預(yù)測(cè)森林冠層高度。

39、本發(fā)明的有益效果在于:提出了一種山地森林冠層高度精準(zhǔn)估測(cè)方法及系統(tǒng),該方法包括:獲取多源遙感數(shù)據(jù)集;其中,所述多源遙感數(shù)據(jù)集包括星載激光雷達(dá)數(shù)據(jù)、微波遙感數(shù)據(jù)、光學(xué)遙感數(shù)據(jù)和地形數(shù)據(jù);提取所述多源遙感數(shù)據(jù)集中不同類型多源遙感數(shù)據(jù)的數(shù)據(jù)特征,構(gòu)建遙感數(shù)據(jù)特征集;采用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉序列數(shù)據(jù)的長(zhǎng)期依賴關(guān)系,以馬爾可夫計(jì)算序列數(shù)據(jù)狀態(tài)之間的轉(zhuǎn)移關(guān)系,構(gòu)建深度馬爾可夫模型;獲取機(jī)載雷達(dá)的森林冠層高度模型,基于遙感數(shù)據(jù)特征集和深度馬爾可夫模型,預(yù)測(cè)森林冠層高度。本發(fā)明基于landsat8光學(xué)遙感數(shù)據(jù)、alos-2極化sar數(shù)據(jù)、星載激光雷達(dá)gedi數(shù)據(jù),以地形坡度為啞變量,采用深度學(xué)習(xí)的馬爾可夫回歸dmr進(jìn)行森林冠層高度估計(jì),能有效提高山地條件下森林冠層高度估計(jì)精度。

當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1