一种基于深度学习的遥感图像森林区域碳汇的计算方法技术

本发明专利技术公开了一种基于深度学习的遥感图像森林区域碳汇的计算方法，涉及森林区域碳汇计算领域。该方法包括：(1)采用深度学习神经网络模型提取原始遥感图像中的森林区域；(2)根据步骤(1)中得到的森林区域，再按照原始图像中的比例尺数据，计算出森林区域的实际面积；(3)根据森林区域的实际面积，计算出该森林区域的实际碳汇总量。本发明专利技术利用基于深度学习的图像分割算法快速准确提取遥感图像中森林区域的空间分布和占地面积等信息，提高了森林区域识别的准确率，并进一步的计算出其碳汇总量，能够为有效管理生态系统碳汇，实现碳达峰、碳中和提供科学依据。碳中和提供科学依据。碳中和提供科学依据。

【技术实现步骤摘要】
一种基于深度学习的遥感图像森林区域碳汇的计算方法


[0001]本专利技术涉及遥感图像处理领域，具体涉及一种基于深度学习的遥感图像森林区域碳汇的计算方法。

技术介绍

[0002]森林固碳是减缓气候变化的重要途径之一，林业碳汇将在实现碳达峰目标与碳中和愿景过程中持续扮演重要角色。近年来我国开展了大规模国土绿化行动，取得突出成效。据统计，“十三五”期间，我国完成造林5.29亿亩，森林抚育6.38亿亩，全民义务植树累计达28亿人次，义务植树116亿株。我国的森林覆盖率已经提高到23.04％，森林蓄积量超过175亿立方米。然而，随着林业技术的发展,快速准确进行植被识别的需求日益增加,但现有的基于卫星和无人机遥感数据的植被识别方法,存在人工筛选特征复杂、识别精度低和运行速度慢等问题，很难满足现阶段森林碳汇计算分析的需要。
[0003]为了提高植被遥感数据的识别精度，在现有技术中，有研究采用卷积神经网络进行图像特征的提取及识别，该技术包括：(1)基于经典频谱信息的分类来验证堆叠式自动编码的标准，提出空间主导信息分类的方法，并创建了集主成分分析(PCA)、深度学习体系结构和逻辑回归特点的新框架；(2)将堆叠式自动编码器与所需数量的自动编码器和softmax分类器组合的深度神经网络；(3)针对土地覆盖和作物类型识别，设计的以神经网络为核心集成的多层深度学习框架,在像素级别上对多源多时相的Landsat
‑
8和Sentinel
‑
1A时间序列影像进行作物分类；(4)通过设计多层卷积神经网络并基于像素级别来提取多光谱遥感图像的作物种植面积。上述现有技术虽然都能够提高识别精度，但仍存在许多不足，在卷积神经网络学习过程中丢失很多空间位置信息、对小目标识别精度不高，以及没有实现端到端的学习与识别，计算效率低下。因而，需要设计一种快速且准确识别遥感图像中的森林区域，并能快速计算出其碳汇量的方法。

技术实现思路

[0004]本专利技术的目的在于针对上述现有技术存在的不足，提供一种基于深度学习的遥感图像森林区域碳汇的计算方法，该方法能够快速且准确识别遥感图像中的森林区域，并统计植被的空间分布和面积，以及进一步计算出其碳汇量，定量评估森林等生态系统活动在减排增汇中的作用，为有效管理生态系统碳汇，实现碳达峰、碳中和提供科学依据。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]一种基于深度学习的遥感图像森林区域碳汇的计算方法，包括：
[0007](1)采用深度学习神经网络模型提取原始遥感图像中的森林区域；
[0008](2)根据步骤(1)中得到的森林区域，再按照原始图像中的比例尺数据，计算出森林区域的实际面积；
[0009](3)根据森林区域的实际面积，计算出该森林区域的实际碳汇总量。
[0010]进一步的，所述深度学习神经网络为全卷积神经网络，该网络输入的是一张原始
遥感图像经过缩放后的图像，特征提取时采用自底向上的多特征融合的方式，卷积的步长为2，无池化层，提取的特征图不直接进行解码，而是经过不同的最大值池化后进行特征拼接的方式得到新的特征图，解码时，并不是直接上采样，而是采用自顶向下融合的方式。
[0011]进一步的，所述全卷积神经网络采用的激活函数为LeakyReLU。
[0012]综上所述，由于采用了上述技术方案，本专利技术的有益技术效果是：本专利技术利用基于深度学习的图像分割算法快速准确提取遥感图像中森林区域的空间分布和占地面积等信息，提高了森林区域识别的准确率，并进一步的计算出其碳汇总量，能够为有效管理生态系统碳汇，实现碳达峰、碳中和提供科学依据。
附图说明
[0013]图1为本专利技术一实施例的基于深度学习的遥感图像森林区域碳汇的计算方法的流程图。
具体实施方式
[0014]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0015]实施例
[0016]请参阅附图1所示，本实施例提供了一种基于深度学习的遥感图像森林区域碳汇的计算方法，包括：
[0017](1)采用深度学习神经网络模型提取原始遥感图像中的森林区域；
[0018]所述深度学习神经网络为全卷积神经网络，该网络输入的是一张原始遥感图像经过缩放后的图像，特征提取时采用自底向上的多特征融合的方式，卷积的步长为2，无池化层，提取的特征图不直接进行解码，而是经过不同的最大值池化后进行特征拼接的方式得到新的特征图，解码时，并不是直接上采样，而是采用自顶向下融合的方式；该全卷积神经网络采用的激活函数为LeakyReLU；
[0019](2)根据步骤(1)中得到的森林区域，再按照原始图像中的比例尺数据，计算出森林区域的实际面积；
[0020](3)根据森林区域的实际面积，计算出该森林区域的实际碳汇总量。
[0021]以上所述仅为本专利技术的较佳实施例，并不用以限制本专利技术，凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的遥感图像森林区域碳汇的计算方法，其特征在于，包括：(1)采用深度学习神经网络模型提取原始遥感图像中的森林区域；(2)根据步骤(1)中得到的森林区域，再按照原始图像中的比例尺数据，计算出森林区域的实际面积；(3)根据森林区域的实际面积，计算出该森林区域的实际碳汇总量。2.根据权利要求1所述的方法，其特征在于：所述深度学习神经网络为全卷积神经网络，...

【专利技术属性】
技术研发人员：何清素，李玉杰，靳丹，马晓军，王婷，蒋梨花，张自强，韩庆之，刘磊，杨春阳，
申请(专利权)人：国网甘肃省电力公司国网甘肃省电力公司嘉峪关供电公司，
类型：发明
国别省市：