【技术实现步骤摘要】
本专利技术涉及林区动态变化检测领域，尤其涉及一种林区跨季变化检测方法。
技术介绍
1、对林区进行动态变化检测，可以及时了解森林资源的数量和质量，掌握森林资源的消长变化规律和趋势，分析影响与制约森林生长的自然、经济、社会客观条件，建立或更新森林资源档案，对揭示生态系统环境变化、植被恢复和重建布局等具有重要意义。
2、遥感技术为林区动态变化检测提供了新的手段，与传统的森林资源清查相比，通过遥感技术能获得大量不同空间分辨率、多时相的林区影像数据，为森林变化检测提供了丰富的数据源。
3、通过中分辨率成像光谱设备，可以获得低空间分辨率的林区遥感时间序列数据。林区遥感时间序列数据具有高时间分辨率的特性，可以应用在大尺度的林区变化监测中，获得更多时间点的地表覆盖信息。但是这些数据空间分辨率较低，只能监测大面积的土地利用类型的变化，对变化相对较小的区域很难监测。
4、通过高分辨率成像光谱设备，可以获得林区多时相高空间分辨率遥感影像数据。这些数据具有更高的空间分辨率，能够检测到林区更精细的变化，但不能很好地检测林区的跨季变化。
技术实现思路
1、鉴于目前技术存在的上述不足，本专利技术提供一种林区跨季变化检测方法，基于林区植被类型变化检测，整合林区物候及环境扰动变化信息，提取植被覆盖精细尺度详细变化信息，实现年内多期植被覆盖精细变化信息准确提取。
2、为达到上述目的，本专利技术的实施例采用如下技术方案：
3、一种林区跨季变化检测方法，包括以下
4、获取林区遥感时间序列数据和多时相高空间分辨率遥感影像数据；
5、根据遥感时间序列数据构建样本数据集，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练，获得林区物候及环境扰动检测模型；
6、根据多时相高空间分辨率遥感影像数据构建样本数据集，基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练，获得林区植被类型变化检测模型；
7、将遥感时间序列数据输入林区物候及环境扰动检测模型，获得林区物候及环境扰动检测结果；
8、根据林区物候及环境扰动检测结果，对林区植被类型变化检测模型进行微调和再训练，获得林区跨季变化检测模型；
9、将多时相高空间分辨率遥感影像数据输入林区跨季变化检测模型，获得林区跨季变化检测结果。
10、依照本专利技术的一个方面，所述林区跨季变化检测方法还包括：对林区遥感时间序列数据和多时相高空间分辨率遥感影像数据进行预处理。
11、依照本专利技术的一个方面，所述对林区遥感时间序列数据和多时相高空间分辨率遥感影像数据进行预处理包括：辐射定标、大气校正、云和阴影去除、几何校正、影像配准。
12、依照本专利技术的一个方面，构建样本数据集时，对图像数据进行数据增强，基于时间窗口滑动技术构建样本数据集。
13、依照本专利技术的一个方面，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练包括：
14、利用分层深度卷积网络架构作为空间编码器，通过逐级设置卷积层、relu激活函数和批量规范化层，结合步进卷积模块，逐层深化特征提取，提取图像的空间特征，获得沿时间轴堆叠、经空间编码处理的特征图；
15、集成时间注意力编码器并应用时间注意力机制，为序列内各时间点的特征图分配不同的权重，实现数据集在时间维度上的高效编码，识别林区的时序动态特征；
16、基于u-net构建模型，利用分层步进转置卷积技术逐步提升特征图的空间分辨率，引入跳跃连接技术和注意力机制，融合特征图与时序动态特征，重构原始遥感时间序列数据的空间细节。
17、依照本专利技术的一个方面，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练还包括：
18、选择交叉熵损失函数处理像素级分类任务，并引入dice损失以提升对细小目标的识别能力及平衡类别不均问题；
19、选用adam优化器，提高训练效率和模型收敛速度；
20、实施学习率衰减策略，在训练初期实现快速学习，在后期保持稳定收敛；
21、采用早停机制防止过拟合。
22、依照本专利技术的一个方面，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练还包括：
23、在验证集上基于多项指标，至少包括精度、召回率和f1分数，对模型进行综合评估；
24、根据综合评估结果，对网络模型进行微调。
25、依照本专利技术的一个方面，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练包括：
26、构建层次化的特征提取网络作为编码器，对高空间分辨率遥感图像数据中包含的复杂空间信息进行深度分析，融合时空注意力机制，整合时间维度的变化信息，从多时相高空间分辨率遥感影像数据中提取出综合的多尺度时空特征；
27、基于transformer架构构建转换器，设计时空特征整合模块，利用自注意力机制，采用针对变化检测和语义分割的多任务学习策略，细化和强化编码器输出的多尺度空间特征，识别植被覆盖随时间的变化；
28、基于多任务处理构建解码器，对植被覆盖进行变化检测及语义分割，内嵌自注意力机制，对时空特征进行深化分析，优化特征融合过程，对基于细节丰富的特征映射进行准确分析，融合编码器输出的多尺度时空特征和转换器输出的植被覆盖随时间的变化的复合特征，对植被覆盖变化进行准确检测。
29、依照本专利技术的一个方面，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练还包括：
30、采用融合式损失函数，融合语义分割的交叉熵损失与变化检测的二值交叉熵损失，引入可调节的权重系数，根据任务特性和复杂度动态调整权重，从而实现任务间的平衡并优化模型性能；
31、选用具备自适应学习率特点的adam优化器，提高训练效率和模型收敛速度；
32、整合动态损失权重调整与学习率调度策略，协助模型在各训练阶段之间保持任务学习的均衡，优化模型整体性能；
33、采用早停机制及模型正则化措施，预防过拟合，增强模型的泛化能力，确保训练过程的稳定。
34、依照本专利技术的一个方面，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练还包括：
35、采用多项指标，至少包括精确度、召回率、f1分数以及总体准确率，对模型性能进行综合评估；
36、根据综合评估结果，对网络模型进行微调。
37、依照本专利技术的一个方面，所述林区跨季变化检测方法还包括以下步骤：
38、根据林区跨季变化检测结果，构建林区跨季变化时空分布图。
39、一种林区跨季变化检测系统，基于如上所述的林区跨季变化检测方法，包括：
40、数据获取模块，用于获取林区遥感时间序列数据和多时相高本文档来自技高网...
【技术保护点】
1.一种林区跨季变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的林区跨季变化检测方法，其特征在于，所述林区跨季变化检测方法还包括：对林区遥感时间序列数据和多时相高空间分辨率遥感影像数据进行预处理。
3.根据权利要求2所述的林区跨季变化检测方法，其特征在于，所述对林区遥感时间序列数据和多时相高空间分辨率遥感影像数据进行预处理包括：辐射定标、大气校正、云和阴影去除、几何校正、影像配准。
4.根据权利要求1所述的林区跨季变化检测方法，其特征在于，构建样本数据集时，对图像数据进行数据增强，基于时间窗口滑动技术构建样本数据集。
5.根据权利要求1所述的林区跨季变化检测方法，其特征在于，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练包括：
6.根据权利要求5所述的林区跨季变化检测方法，其特征在于，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练还包括：
7.根据权利要求6所述的林区跨季变化检测方法，其特征在于，基于卷积神经网络和时间注意力机制构建时间序列
8.根据权利要求1所述的林区跨季变化检测方法，其特征在于，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练包括：
9.根据权利要求8所述的林区跨季变化检测方法，其特征在于，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练还包括：
10.根据权利要求9所述的林区跨季变化检测方法，其特征在于，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练还包括：
11.根据权利要求1所述的林区跨季变化检测方法，其特征在于，所述林区跨季变化检测方法还包括以下步骤：
12.一种林区跨季变化检测系统，其特征在于，基于权利要求1至11任一项所述的林区跨季变化检测方法，包括：
13.一种计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至11任一项所述的林区跨季变化检测方法的步骤。
...【技术特征摘要】
1.一种林区跨季变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的林区跨季变化检测方法，其特征在于，所述林区跨季变化检测方法还包括：对林区遥感时间序列数据和多时相高空间分辨率遥感影像数据进行预处理。
3.根据权利要求2所述的林区跨季变化检测方法，其特征在于，所述对林区遥感时间序列数据和多时相高空间分辨率遥感影像数据进行预处理包括：辐射定标、大气校正、云和阴影去除、几何校正、影像配准。
4.根据权利要求1所述的林区跨季变化检测方法，其特征在于，构建样本数据集时，对图像数据进行数据增强，基于时间窗口滑动技术构建样本数据集。
5.根据权利要求1所述的林区跨季变化检测方法，其特征在于，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练包括：
6.根据权利要求5所述的林区跨季变化检测方法，其特征在于，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练还包括：
7.根据权利要求6所述的林区跨季变化...
【专利技术属性】
技术研发人员：郭颖，杨宇迪，田昕，刘清旺，柴国奇，徐恩恩，郭宇娟，
申请(专利权)人：中国林业科学研究院资源信息研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。