一种基于级联循环网络的林木生长参数预测方法技术

本发明专利技术公开了一种基于级联循环网络的林木生长参数预测方法，包括：收集在多个时间节点对林木样地中的树木进行人工测量生长参数；通过采集的激光点云数据获取树木的生长参数；将生长参数根据数据采集时间进行排序，得到单株树生长参数的时间序列集合；利用单株树生长参数的时间序列集合训练林木生长参数预测深度学习网络；通过训练好的林木生长参数预测深度学习网络预测未来时间节点对应的单株树生长参数；本发明专利技术结合激光雷达扫描和人工样地测量数据，构建训练集，与全部由人工手动测量数据相比，成本更低，效率更高；同时，可有效的预测树木未来的生长参数，预测精度高。预测精度高。预测精度高。

【技术实现步骤摘要】
一种基于级联循环网络的林木生长参数预测方法


[0001]本专利技术涉及林木生长参数研究
，具体是一种基于级联循环网络的林木生长参数预测方法。

技术介绍

[0002]森林，作为我国重要的陆地生态系统，在固碳释氧、保持水土、净化大气环境、积累营养物质、保护生物多样性方面起着重要作用。林木生长参数的精准提取与预测是森林资源培育经营和管理中的一项重要基础性工作，诸如胸径、树高、冠宽等参数的预测将为估算地区森林蓄积量、碳储量、林木的生长发育评估、营林造林策略、立地质量评价等起到关键的数据支撑。
[0003]当前，针对林木生长参数的预测模型已有大量研究，根据所使用的方法主要可分为基于经验与回归的预测模型和基于机器学习的预测模型两大类。基于经验与回归的预测模型通常采用实地测量、无人机空中林地影像和激光扫描的方式从林地中提取胸径、树高、冠宽等单株林木生长参数，并将一定时间范围内的数据用于回归方程以构建预测模型。具体如：使用Verhaulst预测模型对湿地松幼树的树高、地围径和冠幅直径进行预测，或将竞争因子引入混合效应模型对落叶松去皮胸径进行预测，相对于传统模型具有更高的预测精度，或从激光雷达数据中提取地形湿度指数和叶面积指数并将其引入线性混合效应模型以改进芬兰东南部林木的生长预测。然而，依赖人工林地调研及不同尺度下的各类遥感手段在不同季相、不同环境差异条件下的复杂林地分析依然存在精度不确定、依赖人工研判、算法鲁棒性不强等问题；其次，林业的生长预测与收获估计主要依赖于前人在固定林区总结的理论生长回归模型，缺乏普适性与模型参数的自调节能力。基于机器学习的预测模型通过将采集的林地相关数据带入机器学习模型中，通过自适应调节内部参数以达到对林木生长参数的高精度预测。当前的一些预测模型的构建方法如下：基于25年间连续的气候和林分数据使用随机森林模型对中国华北地区杉木的胸径进行预测，深度学习算法与优化径向基神经网络相结合，用于处理机载激光雷达数据来估算中国南方亚热带人工林的森林结构参数，结合由高光谱相机所获取的光谱植被指数及若干种机器学习技术以预测桉树的胸径和树高。基于机器学习的预测模型能够将更多的相关因素，如气候、竞争、降水等，纳入考量范围，从而能够提供对林木生长参数进一步更精确的预测。
[0004]当前，新一代人工智能技术应用性的突破和激光扫描技术的进一步发展，使得林木生长参数获取的成本大大降低，深度学习技术在林木参数的预测中得到了广泛应用。例如，使用循环神经网络(RNN)及阿根廷巴塔哥尼亚森林的气候条件对两种特有树种中的61棵树的基底面积进行预测，或将循环神经网络(RNN)和时间卷积网络(TCN)结合起来基于历史产量和温室环境参数对温室作物产量进行预测，或通过过去的植物生长图像结合卷积长短期记忆网络(LSTM)进行植物生长预测，并通过每个叶片的加权覆盖率得分作为定量评估和预测外观作为定性评估来评估结果，或将小波变换与带有注意力机制的LSTM相结合对植物的茎径变化进行预测。尽管如此，深度学习技术在植物生长预测中的应用依然存在如下
问题：首先，植物生长参数的获取往往均依赖于人工手动测量，大范围的林地数据采集将花费大量的人力物力且效率较低；其次，植物生长所需的时间较长，对许多树木而言时间跨度可达10至20年，这需人工定期进行样地测量，使得定期的采集数据将会花费高昂的成本；最后，植物生长参数大多为非线性数据，对传统的预测模型而言其预测结果的精度很难令人满意。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对上述现有技术的不足提供一种基于级联循环网络的林木生长参数预测方法，本基于级联循环网络的林木生长参数预测方法结合激光雷达扫描和人工样地测量数据，构建深度预测网络训练集，与全部由人工手动测量数据相比，成本低，效率高；提出了改进的循环神经网络对林木生长参数的未来趋势进行预测，通过引入注意力模块来解决传统循环神经网络的长期依赖问题，可有效的预测树木未来的生长参数，预测精度高。
[0006]为实现上述技术目的，本专利技术采取的技术方案为：
[0007]一种基于级联循环网络的林木生长参数预测方法，包括：
[0008]步骤1、收集在多个时间节点对林木样地中的树木进行人工测量得到的生长参数；
[0009]步骤2、采集林木样地在多个时间节点的激光点云数据，通过林木样地的激光点云数据获取树木的生长参数；
[0010]步骤3：对步骤1和步骤2的生长参数根据数据采集时间进行排序，得到单株树生长参数的时间序列集合；
[0011]步骤4：构造林木生长参数预测深度学习网络，将单株树生长参数的时间序列集合中最近时间节点A对应的单株树生长参数作为林木生长参数预测深度学习网络的输出，单株树生长参数的时间序列集合中最近时间节点A之前的多个时间节点对应的单株树生长参数作为林木生长参数预测深度学习网络的输入，从而对林木生长参数预测深度学习网络进行训练；
[0012]步骤5：依次按照步骤1、步骤2和步骤3的方法获取待测时间节点之前的单株树生长参数的时间序列集合，将集合中单株树生长参数的时间序列输入至训练好的林木生长参数预测深度学习网络中，获得待测时间节点对应的单株树生长参数。
[0013]作为本专利技术进一步改进的技术方案，所述生长参数包括胸径、树高和冠宽。
[0014]作为本专利技术进一步改进的技术方案，所述的步骤2中通过林木样地的激光点云数据获取树木的生长参数，具体为：
[0015]采用高斯滤波方法对采集的林木激光点云数据进行去噪处理，采用布料模拟滤波的方法将去噪后的点云分为地上点和地面点，并进行高程归一化处理；
[0016]将处理后的林木点云数据进行冠宽提取及单株分割，从分割得到的单株树点云数据中提取胸径和树高。
[0017]作为本专利技术进一步改进的技术方案，所述林木生长参数预测深度学习网络包括两层Bi
‑
GRU模块、注意力模块和全连接神经网络模块。
[0018]作为本专利技术进一步改进的技术方案，所述林木生长参数预测深度学习网络的输入的单株树生长参数的时间节点有7个。
[0019]作为本专利技术进一步改进的技术方案，两层Bi
‑
GRU模块分别记为第一层Bi
‑
GRU模块和第二层Bi
‑
GRU模块，第一层Bi
‑
GRU模块和第二层Bi
‑
GRU模块均包括前向传播序列和反向传播序列，将第一层Bi
‑
GRU模块的反向传播序列中每一个GRU单元的输出记为将第一层Bi
‑
GRU模块的前向传播序列中每一个GRU单元的输出记为将每个时间节点对应的两个GRU单元的输出进行纵向拼接后即得到该时间节点对应的输出向量，同时第一层Bi
‑
GRU模块的输出也将作为第二层Bi
‑
GRU模块的输入数据；
[0020]Bi
‑
GRU模块中的每一个GRU单元在时刻t(t≤7)的输入向量IN
t...

【技术保护点】

【技术特征摘要】
1.一种基于级联循环网络的林木生长参数预测方法，其特征在于，包括：步骤1、收集在多个时间节点对林木样地中的树木进行人工测量得到的生长参数；步骤2、采集林木样地在多个时间节点的激光点云数据，通过林木样地的激光点云数据获取树木的生长参数；步骤3：对步骤1和步骤2的生长参数根据数据采集时间进行排序，得到单株树生长参数的时间序列集合；步骤4：构造林木生长参数预测深度学习网络，将单株树生长参数的时间序列集合中最近时间节点A对应的单株树生长参数作为林木生长参数预测深度学习网络的输出，单株树生长参数的时间序列集合中最近时间节点A之前的多个时间节点对应的单株树生长参数的时间序列作为林木生长参数预测深度学习网络的输入，从而对林木生长参数预测深度学习网络进行训练；步骤5：依次按照步骤1、步骤2和步骤3的方法获取待测时间节点之前的单株树生长参数的时间序列集合，将集合中单株树生长参数的时间序列输入至训练好的林木生长参数预测深度学习网络中，获得待测时间节点对应的单株树生长参数。2.根据权利要求1所述的基于级联循环网络的林木生长参数预测方法，其特征在于，所述生长参数包括胸径、树高和冠宽。3.根据权利要求1所述的基于级联循环网络的林木生长参数预测方法，其特征在于，所述的步骤2中通过林木样地的激光点云数据获取树木的生长参数，具体为：采用高斯滤波方法对采集的林木激光点云数据进行去噪处理，采用布料模拟滤波的方法将去噪后的点云分为地上点和地面点，并进行高程归一化处理；将处理后的林木点云数据进行冠宽提取及单株分割，从分割得到的单株树点云数据中提取胸径和树高。4.根据权利要求1所述的基于级联循环网络的林木生长参数预测方法，其特征在于，所述林木生长参数预测深度学习网络包括两层Bi
‑
GRU模块、注意力模块和全连接神经网络模块。5.根据权利要求1所述的基于级联循环网络的林木生长参数预测方法，其特征在于，所述林木生长参数预测深度学习网络的输入的单株树生长参数的时间节点有7个。6.根据权利要求4所述的基于级联循环网络的林木生长参数预测方法，其特征在于，两层Bi
‑
GRU模块分别记为第一层Bi
‑
GRU模块和第二层Bi
‑
GRU模块，第一层Bi
‑
GRU模块和第二层Bi
‑
GRU模块均包括前向传播序列和反向传播序列，将第一层Bi
‑
GRU模块的反向传播序列中每一个GRU单元的输出记为将第一层Bi
‑
GRU模块的前向传播序列中每一个GRU单元的输出记为将每个时间节点对应的两个GRU单元的输出进行纵向拼接后即得到该时间节点对应的输出向量，同时第一层Bi
‑
GRU模块的输出也将作为第二层Bi
‑
GRU模块的输入数据；Bi
‑
GRU模块中的每一个GRU单元在时刻t(t≤7)的输入向量IN
t
由向量X
t
和向量H
t
‑1纵向拼接而成，X
t
是t时刻Bi
‑
GRU模块的输入向量，即t时刻某棵树的生长参数，H
t
‑1是t
‑
1时刻GRU单元的输出向量，IN
t
＝[X
t
,H
t
‑1]；GRU单元包括更新门和重置门，更新门的计算公式为：Z
t
＝σ(W
z
*IN
t
+b
z
)；重置门的计算
公式为：R
t
＝σ(W
R
*IN
t
+b
R
)；W
z
为更新门权重矩阵，b...

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