基于多源遥感融合的深度学习估算森林地上生物量方法技术

本发明专利技术公开了基于多源遥感融合的深度学习估算森林地上生物量方法，首先下载和地面森林资源清查数据获取时间接近的遥感数据，并进行预处理，利用森林资源清查数据计算地面实测生物量值；然后提取遥感影像的特征变量，并分析其与生物量的相关性，筛选出相关性显著的特征变量；接下来利用卷积神经网络模型进行生物量建模，进行网络训练，利用训练出的模型，对研究区域进行森林地上生物量定量估算。本发明专利技术基于不同的遥感数据源，结果表明结合光学数据和雷达数据可以提高生物量估算精度，同时利用的深度学习模型可以更好地拟合生物量与遥感特征变量间的非线性关系。征变量间的非线性关系。征变量间的非线性关系。

【技术实现步骤摘要】
基于多源遥感融合的深度学习估算森林地上生物量方法


[0001]本专利技术涉及基于多源遥感融合的深度学习估算森林地上生物量方法，属于生物量估算


技术介绍

[0002]森林作为陆地生态系统的主体，它不仅具有调节区域生态环境的功能，还在维持全球碳平衡方面发挥着重要作用，对其碳储量进行估算可为做好碳达峰、碳中和工作提供重要的数据基础。生物量精确估计可为森林经营管理决策提供精确的科学依据和数据支撑，快速、准确、宏观地了解森林资源空间分布和生物量值在维护区域及全球碳平衡、缓解气候变化等方面意义重大。遥感数据、样地实测数据和不同模型的结合显著提高了生物量估算和制图的精度，然而目前多使用的线性回归模型并不能很好地表述遥感变量和森林生物量之间的非线性关系，而且由于森林生态系统复杂的空间异质性和动态变化，使森林生物量的遥感预测因子、模型构建和结果精度等方面依然面临较多挑战。因此，有效利用现有数据并优化整合多源数据，探寻高精度估算区域生物量方法有重要意义。
[0003]国家森林资源连续清查是一种森林资源调查方式，旨在了解森林资源的数量、质量和生长、消亡的规律，是我国森林资源和生态状况综合检测的重要组成部分。现有森林生物量获取方式主要有实测和遥感反演两种，实测生物量精度高，主要估算生物量的方法有生物量转换因子连续函数法和异速生长方程法，但在大范围生物量获取中具有局限性。卫星遥感技术的长时间序列重复、大范围和主被动多传感器对地高效观测的优势，在森林生物量估算和制图中应用广泛。
[0004]深度学习算法已经发展成为机器学习的一个分支，它可以通过模仿人脑的神经结构来识别数据中的复杂的非线性模式，深度学习模型可以使用多个连续的隐藏层，学习过程包括需要找到每一层的参数值。近年来，深度学习模型已经用于多种地理空间分析研究，广泛应用于图像处理和分类，但应用于计算森林生物量少有研究。

技术实现思路

[0005]本专利技术所要解决的技术问题是：提供基于多源遥感融合的深度学习估算森林地上生物量方法，针对多源遥感数据和森林资源清查数据，实现多源数据融合的森林生物量高精度估计。
[0006]本专利技术为解决上述技术问题采用以下技术方案：
[0007]基于多源遥感融合的深度学习估算森林地上生物量方法，包括如下步骤：
[0008]步骤1，从待估算区域中选取一块区域作为采样区域，获取采样区域的森林资源清查数据，并根据森林资源清查数据的采集时间段，获取该采集时间段内采样区域的光学影像和SAR影像；
[0009]步骤2，利用步骤1获取的森林资源清查数据计算森林地上生物量；
[0010]步骤3，分别对光学影像和SAR影像进行预处理，将预处理后的光学影像和SAR影像
融合起来作为遥感影像；
[0011]步骤4，基于遥感影像，提取遥感特征变量，将遥感特征变量与步骤2计算的森林地上生物量进行相关性分析，得到最终进行森林地上生物量估算的预测因子；
[0012]步骤5，将步骤4得到的最终进行森林地上生物量估算的预测因子作为卷积神经网络模型的输入层，步骤2计算的森林地上生物量作为卷积神经网络模型的输出层，对卷积神经网络模型进行训练，通过调整模型参数，评价模型质量，获得最优估算模型；
[0013]步骤6，利用步骤5得到的最优估算模型，对待估算区域整体进行生物量定量估算。
[0014]作为本专利技术的一种优选方案，所述步骤1中，森林资源清查数据包括树高和胸径。
[0015]作为本专利技术的一种优选方案，所述步骤2中，利用异速生长方程作为森林地上生物量的计算方法。
[0016]作为本专利技术的一种优选方案，所述步骤3中，对光学影像进行预处理包括辐射定标、镶嵌、裁剪和大气校正；对SAR影像进行预处理包括轨道校正、镶嵌、裁剪、辐射校正、地形校正和滤波处理。
[0017]作为本专利技术的一种优选方案，所述步骤4中，将遥感特征变量与步骤2计算的森林地上生物量进行相关性分析，选出相关性显著的遥感特征变量作为特征因子，即选出t检验的p值小于0.05的遥感特征变量作为特征因子；从上述特征因子中筛选出适用在植被上的特征因子；对于适用在植被上的特征因子，计算属于同一个类别的特征因子之间的皮尔逊相关系数，认为皮尔逊相关系数大于0.8时对应的特征因子为冗余因子，保留同一个类别的冗余因子中与步骤2计算的森林地上生物量相关性最强的因子，从而得到最终进行森林地上生物量估算的预测因子。
[0018]作为本专利技术的一种优选方案，所述步骤5中，选取步骤2计算的森林地上生物量的80％作为训练集，其余20％作为测试集，对卷积神经网络模型进行训练，利用决定系数R2和均方根误差RMSE作为模型评价指标，具体如下：
[0019][0020][0021]式中，n为验证样本的个数，y
i
为生物量实际值，为生物量预测值，为实际测量生物量的平均值；
[0022]卷积神经网络模型每层卷积核的输出具体如下：
[0023][0024]式中，表示第k层的第l个卷积核的输出，I
x,y
表示输入图像，x、y为像元位置的横纵坐标，表示第k层的第l个卷积核。
[0025]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0026]1、本专利技术针对多源遥感数据和森林资源清查数据提出一种深度学习估算森林生物量方法，实现多源数据融合的森林生物量高精度估计。本专利技术提出的深度学习算法可以
有效模拟遥感特征变量与森林生物量之间的非线性关系，光学数据与雷达数据结合能有效提高估算生物量精度，深度学习方法相比传统机器学习在森林生物量多源遥感估测有更大潜力。
[0027]2、本专利技术基于不同的遥感数据源，实现多源数据融合的森林生物量高精度估计，结果表明结合光学数据和雷达数据可以提高生物量估算精度，同时利用的深度学习模型可以更好地拟合生物量与遥感特征变量间的非线性关系。
附图说明
[0028]图1是本专利技术基于多源遥感融合的深度学习估算森林地上生物量方法的流程图；
[0029]图2是基于不同数据源实验区深度学习模型预测值与实测值散点图，其中，(a)是Sentinel
‑
2，(b)是Sentinel
‑
1，(c)是ALOS
‑
2，(d)是融合三种数据。
具体实施方式
[0030]下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0031]如图1所示，为本专利技术基于多源遥感融合的深度学习估算森林地上生物量方法的流程图，具体步骤如下：
[0032](1)数据准备：获取研究区域与森林资源清查数据采集时间相近的光学影像和SAR影像，研究区森林资源清查数据(树高、胸径)；
[0033](2)数据预处理：对光学数据进行辐射定标、镶嵌、裁剪、大气校正预处理，对SAR影像进行轨道校正、镶嵌、裁剪、辐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源遥感融合的深度学习估算森林地上生物量方法，其特征在于，包括如下步骤：步骤1，从待估算区域中选取一块区域作为采样区域，获取采样区域的森林资源清查数据，并根据森林资源清查数据的采集时间段，获取该采集时间段内采样区域的光学影像和SAR影像；步骤2，利用步骤1获取的森林资源清查数据计算森林地上生物量；步骤3，分别对光学影像和SAR影像进行预处理，将预处理后的光学影像和SAR影像融合起来作为遥感影像；步骤4，基于遥感影像，提取遥感特征变量，将遥感特征变量与步骤2计算的森林地上生物量进行相关性分析，得到最终进行森林地上生物量估算的预测因子；步骤5，将步骤4得到的最终进行森林地上生物量估算的预测因子作为卷积神经网络模型的输入层，步骤2计算的森林地上生物量作为卷积神经网络模型的输出层，对卷积神经网络模型进行训练，通过调整模型参数，评价模型质量，获得最优估算模型；步骤6，利用步骤5得到的最优估算模型，对待估算区域整体进行生物量定量估算。2.根据权利要求1所述的基于多源遥感融合的深度学习估算森林地上生物量方法，其特征在于，所述步骤1中，森林资源清查数据包括树高和胸径。3.根据权利要求1所述的基于多源遥感融合的深度学习估算森林地上生物量方法，其特征在于，所述步骤2中，利用异速生长方程作为森林地上生物量的计算方法。4.根据权利要求1所述的基于多源遥感融合的深度学习估算森林地上生物量方法，其特征在于，所述步骤3中，对光学影像进行预处理包括辐射定标、镶嵌、...

【专利技术属性】
技术研发人员：田馨，章范怡，张志伟，
申请(专利权)人：东南大学，
类型：发明
国别省市：