基于优化模糊深度网络的林木胸径材积精准预测方法技术

本发明专利技术公开了一种基于优化模糊深度网络的林木胸径材积精准预测方法，包括：对林地点云数据预处理并单木分割；获取单株树木的林木参数；建立林木参数预测网络，林木参数预测网络包括模糊深度网络和鸽群优化模块，训练林木参数预测网络，训练完成后输出预测值并输送给鸽群优化模块，鸽群优化模块更新模糊深度网络的参数并完成最优参数搜寻，模糊深度网络依据最优参数完成自适应训练，建立林木参数预测模型；本发明专利技术开展林木参数预测模型，提出自适应算法以增强林木参数预测模型对不同林木品种的泛化能力，嵌入注意力机制模块增强网络的鲁棒性，融合鸽群优化算法实时调整模糊深度网络的参数，进一步提升了模型的预测精度与学习能力。力。力。

【技术实现步骤摘要】
基于优化模糊深度网络的林木胸径材积精准预测方法


[0001]本专利技术属于林木参数研究
，具体涉及一种基于优化模糊深度网络的林木胸径材积精准预测方法。

技术介绍

[0002]林木胸径与材积的精准预测在森林资源调查和国家木材战略储备及碳汇评估中发挥十分重要的作用。近年以来，针对林木参数预测的方法大致分为两类，分别为基于人工测量与激光点云的林木参数预测方法。上述两种方法在数据获取上存在差异，但建立预测模型的方法又具有一定的相似性。
[0003]基于每木检尺的林木参数预测方法通常建立候选模型估测林木参数值，结合树高残差方法确立树高
‑
胸径预测模型，或利用逐步回归法和偏最小二乘法建立四种候选模型预估森林的蓄积量，或基于非线性混合效应模型预测人工林的冠积、树冠表面积及生物量。此类研究往往会选取很多常用的生长模型或相关的扩展模型作为候选模型，通过一系列的评价标准对其进行筛选，然而候选模型的类型和数量往往因研究目标而异。
[0004]随着激光测量技术的高速发展并应用于林业信息化，获取林木参数的方式从传统每木检尺转变为三维激光点云中生成。激光扫描具有非常高的距离探测能力和稳定性，同时，前人工作结合计算机图形学、机器学习等理论展开林木三维点云的处理分析，如：利用分水岭算法对林木点云进行树冠分割，采用支持向量机建立树种识别框架，或使用随机霍夫变换和八叉树分割估计单木胸径，并根据树木生长方向提取树高，也取得了一定的进展。
[0005]现今，随着人工智能技术不断取得新的突破，以及激光点云扫描技术的成熟，使得机器学习技术在林木点云处理中崭露头角，一些林木参数预测模型应运而生。如2020年提出的森林参数预测模型提出了一种分层估计方法，将来自合成孔径雷达(SAR)、LiDAR和无源光学系统正演模型结合起来，生成真实森林林分的几何模型与电磁模型，并将二者相结合估计森林参数；2021年提出的胸径预测模型基于广义非线性混合效应方法，添加站点级别的随机效应提高模型的泛化能力，并以单木和激光点云层面的变量作为预测因子，实现了较高的预测精度。其中一些工作直接从森林点云中获取信息，基于林分尺度参数建立预测模型，如建立k近邻预测模型、异速生长模型、融合点云特征的预测模型和有限区域生长等方法开展瑞典大面积森林地上生物量预测、研究热带森林中胸径与森林生物量之间的关系、银杏人工林树冠覆盖率的计算、祁连山大野口森林林分的自动分割。还有一些研究对森林点云进行单株分割获取单株林木参数，然后采用随机森林、支持向量机、BP神经网络建立落叶松
‑
云冷杉混交林单木胸径预测模型、构建大岗山人工林分断面积生长模型、创建乐县林场杉木的树高预测模型等。
[0006]尽管机器学习在林木参数预测上取得了一定的成就，但依然存在如下问题：1)实际林地中存在部分个体受到自然灾害或林木竞争影响发生坏死、压迫等成为异常样本，而大多林木参数预测模型缺少判断异常样本的机制，模型易受到该样本的干扰，其预测精度有待提升；2)基于机器学习的预测模型，采用试凑法、经验公式等方法确定模型参数，无法
对算法参数数量作进一步选择且依赖先验经验，相关预测模型在结构和模块上还有改进的空间；3)实时获取林木生长参数有利于大规模人工林的种植培育，而人工智能和机载激光雷达相互结合并运用于林木参数预测的相关工作目前还不多。

技术实现思路

[0007]本专利技术所要解决的技术问题是针对现有技术的不足提供一种基于优化模糊深度网络的林木胸径材积精准预测方法，本基于优化模糊深度网络的林木胸径材积精准预测方法开展林木参数预测模型，建立林木参数之间的非线性关系，提出自适应算法以增强林木参数预测模型对不同林木品种的泛化能力，嵌入注意力机制模块增强网络的鲁棒性，融合鸽群优化算法实时调整模糊深度网络的参数，达到进一步提升模型的预测精度与学习能力。
[0008]为实现上述技术目的，本专利技术采取的技术方案为：
[0009]基于优化模糊深度网络的林木胸径材积精准预测方法，包括：
[0010]步骤1：通过机载激光雷达获取林地点云数据；
[0011]步骤2：对点云数据进行去噪处理，并采用点云地面点滤波方法对点云数据进行滤波，对滤波后的点云数据进行单木分割；
[0012]步骤3：根据分割后的单株树木点云，获取单株树木的林木参数，包括东西冠幅、南北冠幅、树高、点云密度和冠积；
[0013]步骤4：采用人工测绘方法获取对应树木的胸径和材积；
[0014]步骤5：将多株树木的东西冠幅、南北冠幅、树高、点云密度、冠积、胸径和材积作为训练样本数据集；
[0015]步骤6：建立林木参数预测网络，林木参数预测网络包括模糊深度网络和鸽群优化模块，采用训练样本数据集对林木参数预测网络进行训练，其中林木参数预测网络的输入为树木的东西冠幅、南北冠幅、树高、点云密度和冠积，输出为树木的胸径和材积，模糊深度网络训练完成后输出预测值并将预测值输送给鸽群优化模块，鸽群优化模块更新模糊深度网络的参数，当鸽群优化模块完成模糊深度网络的最优参数搜寻后，模糊深度网络依据最优参数完成自适应训练，建立最终的林木参数预测模型；
[0016]步骤7：采集待测林地点云数据并按照步骤2和步骤3的方法获取待测林地中每株树木的东西冠幅、南北冠幅、树高、点云密度和冠积，将树木的东西冠幅、南北冠幅、树高、点云密度和冠积输入至最终的林木参数预测模型，得到对应树木的胸径和材积的预测值。
[0017]作为本专利技术进一步改进的技术方案，所述的步骤3中单株树木的林木参数的获取方法为：
[0018]在单株树冠点云的东西方向选取最大距离为东西冠幅；在单株树冠点云的南北方向选取最大距离为南北冠幅；单株树冠点云最高点与水平面的垂直距离为树高；单株点云的总数量除以树冠的投影面积为点云密度；计算单株树冠点云的凸包体积，凸包体积即为冠积。
[0019]作为本专利技术进一步改进的技术方案，所述的步骤4中树木的胸径和材积的获取方法为：
[0020]在树木离地面1.3m处的树干部位，通过卷尺获取树干的周长，该周长为树木的胸
径；
[0021]选取树木的树干上部直径为处作为形点,D是树木胸径，测量形点到树梢的长度为H
t
，测量胸径的横断面积为S
D
，测量树木的树高为H，则树木的材积为：
[0022][0023]式中：r为干形指数；S
vl
为树木的材积。
[0024]作为本专利技术进一步改进的技术方案，所述步骤6中的模糊深度网络从输入至输出依次包括自适应模糊层、模糊推理层、基于注意力的权值更新层。
[0025]作为本专利技术进一步改进的技术方案，所述的自适应模糊层的计算过程为：
[0026]输入属性x
u
在自适应模糊层有k个模糊子集，u∈{1,2,3,4,5}，其中x1、x2、x3、x4、x5是自适应模糊层的输入属性，依次分别为东西冠幅、南北冠幅、树高、点云密度和冠积，每个输入属性均有k个模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于优化模糊深度网络的林木胸径材积精准预测方法，其特征在于，包括：步骤1：通过机载激光雷达获取林地点云数据；步骤2：对点云数据进行去噪处理，并采用点云地面点滤波方法对点云数据进行滤波，对滤波后的点云数据进行单木分割；步骤3：根据分割后的单株树木点云，获取单株树木的林木参数，包括东西冠幅、南北冠幅、树高、点云密度和冠积；步骤4：采用人工测绘方法获取对应树木的胸径和材积；步骤5：将多株树木的东西冠幅、南北冠幅、树高、点云密度、冠积、胸径和材积作为训练样本数据集；步骤6：建立林木参数预测网络，林木参数预测网络包括模糊深度网络和鸽群优化模块，采用训练样本数据集对林木参数预测网络进行训练，其中林木参数预测网络的输入为树木的东西冠幅、南北冠幅、树高、点云密度和冠积，输出为树木的胸径和材积，模糊深度网络训练完成后输出预测值并将预测值输送给鸽群优化模块，鸽群优化模块更新模糊深度网络的参数，当鸽群优化模块完成模糊深度网络的最优参数搜寻后，模糊深度网络依据最优参数完成自适应训练，建立最终的林木参数预测模型；步骤7：采集待测林地点云数据并按照步骤2和步骤3的方法获取待测林地中每株树木的东西冠幅、南北冠幅、树高、点云密度和冠积，将树木的东西冠幅、南北冠幅、树高、点云密度和冠积输入至最终的林木参数预测模型，得到对应树木的胸径和材积的预测值。2.根据权利要求1所述的基于优化模糊深度网络的林木胸径材积精准预测方法，其特征在于，所述的步骤3中单株树木的林木参数的获取方法为：在单株树冠点云的东西方向选取最大距离为东西冠幅；在单株树冠点云的南北方向选取最大距离为南北冠幅；单株树冠点云最高点与水平面的垂直距离为树高；单株点云的总数量除以树冠的投影面积为点云密度；计算单株树冠点云的凸包体积，凸包体积即为冠积。3.根据权利要求2所述的基于优化模糊深度网络的林木胸径材积精准预测方法，其特征在于，所述的步骤4中树木的胸径和材积的获取方法为：在树木离地面1.3m处的树干部位，通过卷尺获取树干的周长，该周长为树木的胸径；选取树木的树干上部直径为处作为形点,D是树木胸径，测量形点到树梢的长度为H
t
，测量胸径的横断面积为S
D
，测量树木的树高为H，则树木的材积为：式中：r为干形指数；S
vl
为树木的材积。4.根据权利要求1所述的基于优化模糊深度网络的林木胸径材积精准预测方法，其特征在于，所述步骤6中的模糊深度网络从输入至输出依次包括自适应模糊层、模糊推理层、基于注意力的权值更新层。
5.根据权利要求4所述的基于优化模糊深度网络的林木胸径材积精准预测方法，其特征在于，所述的自适应模糊层的计算过程为：输入属性x
u
在自适应模糊层有k个模糊子集，u∈{1,2,3,4,5}，其中x1、x2、x3、x4、x5是自适应模糊层的输入属性，依次分别为东西冠幅、南北冠幅、树高、点云密度和冠积，每个输入属性均有k个模糊子集；则自适应模糊层共有5
×
k个模糊子集；训练样本传入自适应模糊层中输入属性x
u
所属的第j个模糊子集，输出隶属度如公式(2)所示：式中：x
u
在自适应模糊层的第j个模糊子集的中心为x
u
在自适应模糊层的第j个模糊子集的方差为输入属性的模糊子集总数皆为k，且k由鸽群优化模块更新，i＝1,
…
,n，n为训练样本的个数，即训练样本的树木总株数；根据x
u
的n个训练样本求解的局部密度和距离局部密度计算公式为：式中：是的局部密度，d
u
为x
u
的截断距离，u∈{1,2,3,4,5}，i＝1,2,
…
,n，m＝1,2,
…
,n；分别计算局部密度大于的所有训练样本与的欧式距离，其中最小值作为的距离如公式(4)所示：式中：是的局部密度且的局部密度且为与之间的欧氏距离，u∈{1,2,3,4,5}；若的局部密度最大，则且m≠i；计算作为输入属性x
u
进行聚类初始中心的可能性值如公式(5)所示：式中：max(ρ
u
)为ρ
u
中n个局部密度的最大值；min(ρ
u
)为ρ
u
中n个局部密度的最小值；max(δ
u
)为δ
u
中n个距离的最大值；min(δ
u
)为δ
u
中n个距离的最小值；ρ
u
为n个训练样本作为输入属性x
u
的局部密度，包括n个局部密度；δ
u
为n个训练样本作为输入属性x
u
的距离，包括n个距离；步骤(a)、输入属性x
u
的n个训练样本中按照值大小进行降序排序，取前k个样本点作为x
u
的n个训练样本进行DPKM聚类的初始中心点；步骤(b)、计算输入属性x
u
的n个训练样本与k个类别中心的欧氏距离，按照最小距离分配原则，将训练样本分配到最近中心所在的
类别中；步骤(c)、n个训练样本都完成一次分配后，计算每个类别的均值，将均值作为新的类别中心并更新类别中心；重复上述步骤(b)和步骤(c)，直到类别中心的变化小于设定误差；完成DPKM聚类，此时k个聚类的中心为x
u
在自适应模糊层的第j个模糊子集的中心当输入属性x
u
在自适应模糊层的第j个模糊子集的中心以及所属DPKM聚类确立后，按照如下自适应算法计算x
u
在自适应模糊层的第j个模糊子集的方差首先计算x
u
的k个模糊子集中心的中心如公式...

【专利技术属性】
技术研发人员：云挺，姜维，张怀清，曹林，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：