一种基于深度学习的受损森林遥感监测评估方法技术

本发明专利技术公开了一种基于深度学习的受损森林遥感监测评估方法，包括以下步骤：S1、获取遥感数据集，使用LandTrendr算法获取遥感数据集中每个像元的最大受损年份；S2、根据每个像元的最大受损年份，计算时间序列每个像元的光谱指标，并计算相关预测变量；S3、收集每个像元的高程、坡度、降水和温度数据，结合根据光谱指标计算的预测变量，选取训练样本；S4、将训练样本用于训练Unet神经网络模型，使用训练好的Unet神经网络模型对目标影像中的森林区域进行识别和提取，得出森林植被受损分类图，完成受损森林遥感监测评估，本发明专利技术生成的结果不含年际信号噪声，可以捕捉森林的长期缓慢的变化趋势，有较强的适用性。有较强的适用性。有较强的适用性。

【技术实现步骤摘要】
一种基于深度学习的受损森林遥感监测评估方法


[0001]本专利技术涉及林业遥感监测领域，尤其涉及一种基于深度学习的受损森林遥感监测评估方法。

技术介绍

[0002]森林是陆地植被类型中分布最广泛，对区域和全球陆地生态系统固碳具有至关重要的作用，城市化、气候、灾害变化等会对森林生态系统引起不同程度的干扰。其中地震、火灾、洪水等自然灾害对森林生态系统具有毁灭性的影响，其影响通常快速且大，引起大范围的植被损害。植被的破坏和植被覆盖度的减少直接破坏了当地其他生物生存条件，生物量减少，生态系统结构受损，功能及稳定性下降，导致对气候变化的响应不确定性增大。同时，森林扰动和随后的植被恢复在很大程度上影响了森林资源、生物多样性和生态过程。因此，有效的森林管理需要准确估计森林扰动的空间和时间模式以及森林恢复的条件，为了解森林动态和支持制定适当的政策提供了宝贵的信息。
[0003]现有技术通过卫星图像时间序列中的变化对森林的受损进行遥感监测评估检测，时常会受到检测到的云、雾和季节变化带来的噪声影响，使得评估结果精度受限。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于深度学习的受损森林遥感监测评估方法解决了现有技术受噪声影响的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种基于深度学习的受损森林遥感监测评估方法，包括以下步骤：
[0006]S1、获取遥感数据集，使用LandTrendr算法获取遥感数据集中每个像元的最大受损年份；/>[0007]S2、根据每个像元的最大受损年份，确定时间序列，计算时间序列每个像元的光谱指标，并根据时间序列每个像元的光谱指标计算预测变量；
[0008]S3、收集受损区高程、坡度、降水和温度格网数据，结合预测变量，作为预测指标，分别在干扰像元和未干扰像元位置，采集预测指标，作为训练样本；
[0009]其中，干扰像元为每个像元的最大受损年份中像元值为非0的像元；未干扰像元为每个像元的最大受损年份中像元值为0的像元；
[0010]S4、将训练样本用于训练Unet神经网络模型，使用训练好的Unet神经网络模型对目标影像中的森林区域进行识别和提取，得出森林植被受损分类图，完成受损森林遥感监测评估。
[0011]进一步地：所述步骤S1包括以下分步骤：
[0012]S11、获取并整理卫星图像，作为遥感数据集，并对遥感数据集进行预处理，获得预处理后的遥感数据集；
[0013]S12、将预处理后的遥感数据集中连续的多时相遥感影像被堆叠在一起，形成时间
序列数据集；
[0014]S13、使用LandTrendr算法根据时间序列数据集的斜率和时间，自动识别出变化的时刻，将时间序列数据集分成不同的段落；
[0015]S14、根据时间序列数据集不同时刻的分段，进行拟合，获得拟合曲线；
[0016]S15、计算拟合曲线的时间点上的光谱指标获取特定地表特征的信息；
[0017]S16、根据拟合曲线各个时间段内的变化速率和变化幅度和拟合曲线的时间点上的光谱指标获取特定地表特征的信息，得到每个像元的最大受损年份。
[0018]进一步地：所述步骤S15中，光谱指标包括归一化植被指数NDVI、归一化燃烧指数NBR、缨帽变换亮度TCB、缨帽变换绿度TCG、缨帽变换湿度TCW和缨帽变换角度TCA。
[0019]进一步地：所述步骤S2包括以下步骤：
[0020]S21根据每个像元的最大受损年份，计算时间序列中每个像元的光谱指标；
[0021]S22根据时间序列中每个像元的光谱指标，计算预测变量。
[0022]进一步地：所述步骤S2包括以下步骤：
[0023]S21根据每个像元的最大受损年份，计算时间序列中每个像元的光谱指标；
[0024]S22根据时间序列中每个像元的光谱指标，计算预测变量。
[0025]进一步地：所述步骤S22中的预测变量包括：
[0026]每个像元每个指标的最大受损年份的前一年及后一年的光谱指标；
[0027]每个像元的每个指标的最大受损年份的光谱指标；
[0028]每个像元每个指标的最大受损年份之前的所有年份的平均光谱指标；
[0029]每个像元每个指标的最大受损年份之后的所有年份的平均光谱指标。
[0030]进一步地：所述步骤S4包括以下分步骤：
[0031]S41、将训练样本导入Unet神经网络模型，对训练样本进行四次下采样操作，得到下采样操作后的训练样本；
[0032]S42、对下采样操作后的训练样本导入Unet神经网络模型，对下采样操作后的训练样本进行四次上采样操作，得到上采样操作后的训练样本；
[0033]S43、将下采样操作后的训练样本和上采样操作后的训练样本进行连接堆叠，最终得到与原始图像相同大小的高维度特征图；
[0034]S44、对高维度特征图进行一次1
×
1卷积操作，并经过一次Softmax函数操作，完成训练，得到训练好的Unet神经网络模型；
[0035]S45、输入目标影像，使用训练好的Unet神经网络模型对目标影像中的森林区域进行识别和提取，得出森林植被受损分类图，完成受损森林遥感监测评估。
[0036]进一步地：所述步骤S41中，四次下采样操作包括以下分步骤：
[0037]S4101、对训练样本进行两个3
×
3的卷积层和两个ReLU激活函数层交叉操作，得到交叉操作结果；
[0038]S4102、将交叉操作结果通过一个2
×
2步长的最大池化操作，得到最大池化操作结果，完成一次下采样操作；
[0039]S4103、将最大池化操作结果作为下一次下采样操作的训练样本，重复步骤S4101
‑
步骤S4102，直到完成四次下采样操作，将第四次下采样操作的结果作为下采样操作后的训练样本。
[0040]进一步地：所述步骤S42中，四次上采样操作包括以下分步骤：
[0041]S4201、对下采样操作后的训练样本进行四次反卷积操作，得到反卷积操作后的训练样本，完成一次上采样操作；
[0042]S4202、将反卷积操作后的训练样本作为下采样操作后的训练样本，返回步骤S4201，直到完成四次上采样操作，将第四次上采样操作的结果作为上采样操作后的训练样本。
[0043]本专利技术的有益效果为：
[0044]1.采用拟合的光谱轨迹，从而减少未检测到的云、雾和季节变化的噪声，提升了评估精度；
[0045]2.本专利技术可以捕捉森林的长期缓慢的变化趋势，还可以检测出突变趋势，有较强的适用性。
附图说明
[0046]图1为本专利技术所述的基于深度学习的受损森林遥感监测评估方法流程图。
具体实施方式
[0047]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的受损森林遥感监测评估方法，其特征在于，包括以下步骤：S1、获取遥感数据集，使用LandTrendr算法获取遥感数据集中每个像元的最大受损年份；S2、根据每个像元的最大受损年份，确定时间序列，计算时间序列每个像元的光谱指标，并根据时间序列每个像元的光谱指标计算预测变量；S3、收集受损区高程、坡度、降水和温度格网数据，结合预测变量，作为预测指标，分别在干扰像元和未干扰像元位置，采集预测指标，作为训练样本；其中，干扰像元为每个像元的最大受损年份中像元值为非0的像元；未干扰像元为每个像元的最大受损年份中像元值为0的像元；S4、将训练样本用于训练Unet神经网络模型，使用训练好的Unet神经网络模型对目标影像中的森林区域进行识别和提取，得出森林植被受损分类图，完成受损森林遥感监测评估。2.根据权利要求1所述的基于深度学习的受损森林遥感监测评估方法，其特征在于，所述步骤S1包括以下分步骤：S11、获取并整理卫星图像，作为遥感数据集，并对遥感数据集进行预处理，获得预处理后的遥感数据集；S12、将预处理后的遥感数据集中连续的多时相遥感影像被堆叠在一起，形成时间序列数据集；S13、使用LandTrendr算法根据时间序列数据集的斜率和时间，自动识别出变化的时刻，将时间序列数据集分成不同的段落；S14、根据时间序列数据集不同时刻的分段，进行拟合，获得拟合曲线；S15、计算拟合曲线的时间点上的光谱指标获取特定地表特征的信息；S16、根据拟合曲线各个时间段内的变化速率和变化幅度和拟合曲线的时间点上的光谱指标获取特定地表特征的信息，得到每个像元的最大受损年份。3.根据权利要求2所述的基于深度学习的受损森林遥感监测评估方法，其特征在于，所述步骤S15中，光谱指标包括归一化植被指数NDVI、归一化燃烧指数NBR、缨帽变换亮度TCB、缨帽变换绿度TCG、缨帽变换湿度TCW和缨帽变换角度TCA。4.根据权利要求3所述的基于深度学习的受损森林遥感监测评估方法，其特征在于，所述步骤S2包括以下步骤：S21根据每个像元的最大受损年份，计算时间序列中每个像元的光谱指标；S22根据时间序列中每个像元的光谱指标，计算预测变量。5.根据权利要求4所诉的基于深度学习的受损森林遥感监测评估方法，其特征在于，所述步骤S22中的预测变量包括：每个像元...

【专利技术属性】
技术研发人员：赵曦琳，赵建勋，杜杰，刘永东，贾薇，余欣遥，肖维阳，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：