一种基于遥感数据的土地利用变化与碳储量定量估算方法技术

本发明专利技术公开了一种基于遥感数据的土地利用变化与碳储量定量估算方法，包括以下步骤：影像下载；影像预处理；土地利用分类；根据地面调查数据，计算地物碳密度；对各样地中碳储量和各个特征值进行相关性分析，选取具有显著相关的特征值用于建模；把筛选出的特征值进行归一化处理作为卷积神经网络的输入层，各样地计算的碳密度放入网络输出层，进行网络训练，利用训练出的模型，对待研究的区域进行碳储量定量估算。本发明专利技术基于多尺度卷积神经网络的分层学习架构，使得土地利用分类结果更佳。基于影像中不同的特征值和从地面调查数据中得到的碳密度，更好的拟合特征变量和碳储量间的非线性关系，提高最终区域碳储量定量估算结果。

【技术实现步骤摘要】
一种基于遥感数据的土地利用变化与碳储量定量估算方法
本专利技术涉及遥感领域，尤其涉及一种基于遥感数据的土地利用变化与碳储量定量估算方法。
技术介绍
土地利用变化是估测陆地生态系统碳存储与释放的最大的不确定因素。土地利用变化影响生态系统土壤和植被碳的固定、积累和释放，进而影响整个生态系统碳循环过程，改变生态系统原有的碳存储和碳释放模式。准确预测未来土地利用变化对区域碳储量的影响在土地利用决策和城市扩展规划具有重要意义。现有的碳储量计算方法主要有遥感影像直接估算法，植被指数估算法，光谱测定分析法，InVEST模型，CASA模型等。由于区域内土地利用/覆盖类型复杂多样，大多数现有模型仅考虑到影像局部特征，未考虑到不同尺度范围的特征信息，导致土地利用分类效果较差。基于各种碳储量计算模型结果的相关性与决定系数均相对较低，且容易存在过拟合现象。高分辨率遥感影像在提升影像质量同时导致土地利用分类需要多维特征信息。一方面土地利用类型是不同地物的组合，为考虑到影像的空间分布特征，需在更大的尺度范围中获取。针对这种复杂场景，需考虑到更多高层的语义特征和底层空间信息。另一方面不同地物大小纹理形状差别较大，需要不同尺度范围的特征信息。当前国内针对区域碳储量的研究常用回归模型虽然运用简单，但是变量之间容易存在共线性问题。
技术实现思路
为了解决上述技术所存在的不足之处，本专利技术提供了一种基于遥感数据的土地利用变化与碳储量定量估算方法。为了解决以上技术问题，本专利技术采用的技术方案是：一种基于遥感数据的土地利用变化与碳储量定量估算方法，包括以下步骤：步骤一、影像下载：根据研究需求，下载指定研究区域历年遥感影像，获取已经标注的土地分类数据集；步骤二、影像预处理：对遥感影像进行几何校正、镶嵌、裁剪、辐射定标、大气校正预处理操作；步骤三、土地利用分类：采用端到端的卷积神经网络，将同一区域图片分别扩展为n×n,2n×2n,3n×3n的三个不同尺度，分别从中取n×n的块作为网络输入三个卷积神经网络；为了减少训练时的参数，将三个卷积神经网络之间共享参数。每个卷积神经网络通过卷积层和池化层提取到高层语义特征，将产生的所有特征图通过卷积层组合，最后将卷积后的特征图恢复尺寸至原有特征图n×n大小，即分类结果；将土地分类数据集的80％作为训练集，其余20％作为测试集；步骤四、根据地面调查数据，计算地物碳密度：依据研究区土地利用类型分类结果，在研究区内确定典型采样区域，在采样区域范围内取多个样地进行抽样调查，通过地面样地调查所获取记录的数据计算样地碳储量和平均单位面积内的碳储量，即碳密度；根据土地类型不同，分为土壤碳储量和植被碳储量；步骤五、利用下载的高分辨率遥感影像，基于python语言通过GDAL函数库读取影像，获取研究区域内影像的多个特征值，影像波段数据、波段比值、归一化植被指数NDVI、比值植被指数RVI、增强型植被指数EVI、湿度植被指数WVI，利用灰度共生矩阵方法提取纹理特征，对各样地中碳储量和各个特征值进行相关性分析，选取具有显著相关的特征值用于建模；步骤六、把步骤五筛选出的特征值进行归一化处理作为卷积神经网络的输入层，各样地计算的碳密度放入网络输出层，进行网络训练，利用训练出的模型，对待研究的区域进行碳储量定量估算。进一步地，步骤三中将卷积后的特征图通过双线性插值上采样的方式恢复尺寸。进一步地，步骤四中土壤碳储量通过重铬酸钾外加热法测定，公式为土壤有机碳含量：式中：c为0.8000mol/L的重铬酸钾溶液；V0为空白滴定用硫酸亚铁体积；V为样品滴定用硫酸亚铁体积；m为空白土样的质量；k为风干土转换为烘干土的系数。进一步地，植被碳储量的估算采用生物量扩展因子法：C＝(44/12)V*N*WD*BEF*(1+R)*CF.，其中：C为固定的CO2的质量，V为单株材积，N为株数，WD为树种的木材密度，BEF为树种的树干生物量转换到地上生物量的生物量扩展因子，CF为树种的平均含碳率，R为树种的生物量根茎比，44/12为CO2与C的分子量比。为了更好的量化不同地物的局部特征和全局特征，本专利技术基于多尺度卷积神经网络的分层学习架构，从多尺度的输入影像中学习多尺度的语义特征，使得土地利用分类结果更佳。基于影像中不同的特征值和从地面调查数据中得到的碳密度，利用卷积神经网络进行建模，更好的拟合各特征变量和碳储量间的非线性关系。提高最终区域碳储量定量估算结果。附图说明图1为本专利技术的方法流程图。图2为多尺度下的卷积神经网络结构图。具体实施方式下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图1所示的基于遥感数据的土地利用变化与碳储量定量估算方法，包括以下步骤：步骤一、影像下载：根据研究需求，下载指定研究区域历年遥感影像。获取已经标注的土地分类数据集；步骤二、影像预处理：对遥感影像进行几何校正、镶嵌、裁剪、辐射定标、大气校正等预处理操作；几何校正：利用一系列数学模型改正和消除遥感影像几何误差的过程。辐射定标：将传感器记录的数值货电压转换为绝对辐射亮度。大气校正：将表观反射率转换为地表实际反射率，消除大气散射、洗手、反射引起的误差。步骤三、土地利用分类：采用端到端的卷积神经网络，如图2所示，三个不同尺度(本实施例中输入图片30×30，60×60，90×90，从图片中取30×30的块作为网络输入)的斑块作为输入并行输入三个卷积神经网络，网络结构如图2。为了减少训练时的参数，我们将三个卷积神经网络之间共享参数。每个卷积神经网络通过卷积层和池化层提取到高层语义特征，不同尺度下的上下文信息。池化操作是卷积神经网络另一个重要的组成部分，它是一种在长和宽两个维度上的降采样操作，一般在卷积操作之后进行。在图像或特征图输入卷积层之后，会生成一组与输入相同长和宽的特征图，随着通道数的增加，如果不对特征图进行长和宽维度降采样，则生成的特征图参数会急剧增加，造成不可承受的计算开销，同时也会使尺度较大的特征难以生成。池化操作是利用一个矩阵窗口在特征图张量上进行扫描，取每个矩阵中的最大值或者平均值作为结果来减少元素的个数，选择最大值进行池化称之为最大池化，选择平均值进行池化称之为平均池化。池化操作使得特征图在长和宽维度得到了降维，同时也可以让通道维度得到升维，从而获取更加丰富的特征信息，并使整个网络模型具备一定的空间不变性。将产生的所有特征图通过卷积层组合，最后将卷积后的特征图通过双线性插值上采样的方式恢复尺寸至原有特征图大小(30×30)，即分类结果。将土地分类数据集的80％作为训练集，其余20％作为测试集。步骤四、根据地面调查数据，计算地物碳密度：依据研究区土地利用类型分类结果，在研究区内确定典型采样区域。使用系统抽样的方法在采样区域范围内取多个样地进行抽样调查。样地碳储量计算是通过地面样地调查所获取记录的数据(样地本文档来自技高网...

【技术保护点】
1.一种基于遥感数据的土地利用变化与碳储量定量估算方法，其特征在于：包括以下步骤：/n步骤一、影像下载：根据研究需求，下载指定研究区域历年遥感影像，获取已经标注的土地分类数据集；/n步骤二、影像预处理：对遥感影像进行几何校正、镶嵌、裁剪、辐射定标、大气校正预处理操作；/n步骤三、土地利用分类：采用端到端的卷积神经网络，将同一区域图片分别扩展为n×n,2n×2n,3n×3n的三个不同尺度，分别从中取n×n的块作为网络输入三个卷积神经网络；为了减少训练时的参数，将三个卷积神经网络之间共享参数。每个卷积神经网络通过卷积层和池化层提取到高层语义特征，不同尺度的上下文信息，将产生的所有特征图通过卷积层组合，最后将卷积后的特征图恢复尺寸至原有特征图n×n大小，即分类结果；土地分类数据集的80％作为训练集，其余20％作为测试集；/n步骤四、根据地面调查数据，计算地物碳密度：依据研究区土地利用类型分类结果，在研究区内确定典型采样区域，在采样区域范围内取多个样地进行抽样调查，通过地面样地调查所获取记录的数据计算样地碳储量和平均单位面积内的碳储量，即碳密度；根据土地类型不同，分为土壤碳储量和植被碳储量；/n步骤五、利用下载的高分辨率遥感影像，基于python语言通过GDAL函数库读取影像，获取研究区域内影像的多个特征值，影像波段数据、波段比值、归一化植被指数NDVI、比值植被指数RVI、增强型植被指数EVI、湿度植被指数WVI，利用灰度共生矩阵方法提取纹理特征，对各样地中碳储量和各个特征值进行相关性分析，选取具有显著相关的特征值用于建模；/n步骤六、把步骤五筛选出的特征值进行归一化处理作为卷积神经网络的输入层，各样地计算的碳密度放入网络输出层，进行网络训练，利用训练出的模型，对待研究的区域进行碳储量定量估算。/n...

【技术特征摘要】
1.一种基于遥感数据的土地利用变化与碳储量定量估算方法，其特征在于：包括以下步骤：
步骤一、影像下载：根据研究需求，下载指定研究区域历年遥感影像，获取已经标注的土地分类数据集；
步骤二、影像预处理：对遥感影像进行几何校正、镶嵌、裁剪、辐射定标、大气校正预处理操作；
步骤三、土地利用分类：采用端到端的卷积神经网络，将同一区域图片分别扩展为n×n,2n×2n,3n×3n的三个不同尺度，分别从中取n×n的块作为网络输入三个卷积神经网络；为了减少训练时的参数，将三个卷积神经网络之间共享参数。每个卷积神经网络通过卷积层和池化层提取到高层语义特征，不同尺度的上下文信息，将产生的所有特征图通过卷积层组合，最后将卷积后的特征图恢复尺寸至原有特征图n×n大小，即分类结果；土地分类数据集的80％作为训练集，其余20％作为测试集；
步骤四、根据地面调查数据，计算地物碳密度：依据研究区土地利用类型分类结果，在研究区内确定典型采样区域，在采样区域范围内取多个样地进行抽样调查，通过地面样地调查所获取记录的数据计算样地碳储量和平均单位面积内的碳储量，即碳密度；根据土地类型不同，分为土壤碳储量和植被碳储量；
步骤五、利用下载的高分辨率遥感影像，基于python语言通过GDAL函数库读取影像，获取研究区域内影像的多个特征值，影像波段数据、波段比值、归一化植被指数NDVI、比值植被指数RVI、增强型植被指数EVI、湿度植被指数WVI，利用...

【专利技术属性】
技术研发人员：李君，吕新杰，沈焰，姜峥超，
申请(专利权)人：平衡机器科技深圳有限公司，
类型：发明
国别省市：广东;44