【技术实现步骤摘要】
本专利技术涉及森林碳储量估算，特别是基于人工智能和多模态遥感数据的森林碳储量估算方法。
技术介绍
1、在全球碳循环以及应对气候变化的研究当中，森林碳储量作为该研究的关键指标之一，其应用到的遥感技术为大规模森林碳储量估算提供主要数据支持，不同遥感技术可以从不同角度捕捉森林的信息，如光学卫星影像、激光雷达lidar。
2、目前的森林碳储量估算方法大多采用上述的遥感技术之一作为信息捕捉手段，其中光学卫星影像广泛用于估算森林覆盖面积，但它对树高、树冠结构等信息不够敏感，而lidar虽能提供详细的三维森林结构数据，但只能覆盖部分区域，且受天气条件限制，单一的数据源采集导致估算结果准确性不足，此外不同类型的森林，如热带雨林、针叶林、阔叶林在碳储量和生物量分布上也存在显著差异，要想保障碳储量估算的准确性，则需要对森林类型进行准确分类，但目前的森林分类方式还是采用人工划分或预定义分类，分类效率低，主观性强。
3、针对数据源单一问题，现有的估算方法大多采用多种数据源融合方式来解决，如线性回归、主成分分析，但此类方法需不同数据源之间存在线性关系，无法有效处理数据之间的非线性关联，而且不同遥感技术的数据格式、时间分辨率和空间分辨率存在显著差异，在数据融合时难以有效协调差异，容易导致数据不匹配，森林类型分类上，现有的估算方法大多通过遥感技术以及区域性经验模型进行森林类型分类，但太过依赖光学影像，遥感技术所获取的光学影像无法保证清晰度，导致森林类型的细粒度分类较为困难，某些植被类型在光学影像中非常相似，分类精度不足会直接影响碳储量
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了基于人工智能和多模态遥感数据的森林碳储量估算方法解决现有方案中的主成分分析、回归模型融合只能捕捉数据源之间线性关系，忽视了森林结构和动态变化的非线性特征，遥感数据越复杂，此类方法局限性越大，而基于经验的森林分类方法难以适应不同区域的森林类型和气候条件的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、本专利技术提供了基于人工智能和多模态遥感数据的森林碳储量估算方法，其包括，
5、步骤s1，多源遥感数据采集，收集遥感数据，包括森林的覆盖信息、垂直结构信息、光谱特征信息以及地表和树冠信息；
6、步骤s2，遥感数据特征提取，进行遥感数据融合，提取碳储量估算和森林分类相关特征，相关特征包括：森林结构、树种类型、冠层高度以及植被指数；
7、步骤s3，森林类型分类，基于步骤s2中提取的特征，使用分类算法对森林类型进行分类；
8、步骤s4，构建碳储量模型，针对不同类型的森林构建碳储量估算模型，基于森林类型的划分，结合不同区域的碳储量估算模型，逐区估算森林的碳储量；
9、步骤s5，动态碳储量变化预测，利用历史和实时遥感数据，构建预测模型，结合森林类型和步骤s4的碳储量估算结果，分析碳储量的动态变化。
10、进一步的，对遥感数据进行数据格式转换，标准化处理，去除噪声和异常值；
11、此处多源指的是包括光学卫星图像、激光雷达数据、高光谱影像在内的多源数据。
12、进一步的，步骤s1中遥感数据包括：
13、光学卫星影像：激光雷达数据：高光谱影像：其中，h和w分别表示影像的高度和宽度，c1,c2,c3分别表示光学、lidar和高光谱影像的通道数；
14、采用卷积神经网络提取空间特征，对于光学卫星影像，卷积操作表示为：
15、foptical＝σ(wconv1*xoptical+bconv1)，
16、lidar数据和高光谱数据的特征提取分别为：
17、flidar＝σ(wconv2*xlidar+bconv2)，
18、fhyperspectral＝σ(wconv3*xhyperspectral+bconv3)，
19、其中，分别是光学、lidar和高光谱影像提取的特征映射，d1,d2,d3分别表示光学影像、lidar数据、高光谱影像在特征提取后每个特征映射的通道数，h′×w′表示经过卷积操作后的特征映射的空间尺寸，wconv1,wconv2,wconv3是卷积核权重矩阵，bconv1,bconv2,bconv3是各自的偏置项，*表示卷积操作，σ(·)是relu激活函数。
20、进一步的，步骤s2中进行遥感数据融合：
21、将各模态的特征采用自编码器进行融合与降维，将各模态特征拼接，表示为：
22、
23、然后采用自编码器进行降维处理，提取融合特征：
24、fencoded＝σ(wencoder·fconcat+bencoder)，其中，fencoded∈rh′×w′×d表示降维后的融合特征，wencoder表示自编码器的权重矩阵，bencoder表示自编码器的偏置项，d表示降维后的特征维度，σ(·)是relu激活函数；
25、引入注意力机制，计算注意力权重：
26、其中，αi,j表示特征位置i,j的注意力权重，qi和kj分别表示查询向量和键向量，采用线性变换从特征映射中得到，n表示特征的总数，表示转置操作；
27、使用注意力权重对特征进行加权求和：
28、其中，vj表示特征的值向量，fattention表示经过注意力机制加权后的融合特征。
29、进一步的，步骤s3中，根据融合后提取的特征，将森林分为包括针叶林、阔叶林以及热带雨林在内的不同类型，根据分类结果，对不同类型的森林进行区域划分。
30、进一步的，步骤s3中进行森林类型分类的方式为：
31、步骤s2中的融合特征为fattention∈rh′×w′×d，将该特征映射转换为向量，对每个通道进行全局平均池化：
32、其中，fattention(i,j)表示特征映射在位置(i,j)的特征值，fpooled∈rd表示池化后的特征向量，保留每个通道的全局信息，用作分类器的输入，h′,w′表示特征映射的空间尺寸，d表示特征映射的通道数；
33、采用支持向量机进行分类，构建优化目标：
34、其中，w表示分类超平面的法向量，b表示分类超平面的偏置项，yi表示样本i的类别标签，取值为{-1,+1}，|w|2是正则化项，表示转置操作；
35、svm的分类决策函数为：其中，是预测的类别，即森林类型，sign(·)表示符号函数。
36、进一步的，步骤s3中进行森林类型分类的方式还包括：
37、定义损失函数为：其中，l表示交叉熵损失值，yi,c表示样本i的真实标签，使用onehot本文档来自技高网...
【技术保护点】
1.基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于：包括，
2.根据权利要求1所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，对遥感数据进行数据格式转换，标准化处理，去除噪声和异常值；
3.根据权利要求2所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤S1中遥感数据包括：
4.根据权利要求3所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤S2中进行遥感数据融合：
5.根据权利要求4所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤S3中，根据融合后提取的特征，将森林分为包括针叶林、阔叶林以及热带雨林在内的不同类型，根据分类结果，对不同类型的森林进行区域划分。
6.根据权利要求5所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤S3中进行森林类型分类的方式为：
7.根据权利要求6所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤S3中进行森林类型分类的方式还包括：<...
【技术特征摘要】
1.基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于：包括，
2.根据权利要求1所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，对遥感数据进行数据格式转换，标准化处理，去除噪声和异常值；
3.根据权利要求2所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤s1中遥感数据包括：
4.根据权利要求3所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤s2中进行遥感数据融合：
5.根据权利要求4所述的基于人工智能和多模态遥感数据的森林碳储量估算方法，其特征在于，步骤s3中，根据融合后提取的特征，将森林分为包括针叶林、阔叶林以及热带雨林在内的不同类型，根据分类结果，对不同类型的森林进行区域划...
【专利技术属性】
技术研发人员：邓江膺，郑羽程，
申请(专利权)人：中城未来数据技术有限公司，
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。