油茶林碳汇的监测系统及其方法技术方案

本申请涉及智能监测领域，其具体地公开了一种油茶林碳汇的监测系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取油茶林的遥感图像，将图像预处后通过目标检测网络提取出植被覆盖区域再通过混合卷积层的卷积网络和空间注意力机制进一步进行植被覆盖特征增强，以得到用于表示油茶林的碳吸收能力的解码值

【技术实现步骤摘要】
油茶林碳汇的监测系统及其方法


[0001]本申请涉及智能监测领域，且更为具体地，涉及一种油茶林碳汇的监测系统及其方法
。

技术介绍

[0002]油茶林作为一种重要的碳汇，可以对大气中的二氧化碳进行吸收和固定
。
了解油茶林的碳吸收能力，从而更好地评估和监测碳汇的规模和变化，有助于了解气候变化的趋势，从而制定相应的保护方案来保护
、
维持生态系统多样性
。
但由于现有技术很难准确地评估出油茶林的碳吸收能力，不能指定相应的措施，从而优化资源配置，进而推动绿色发展和生态保护
。
[0003]因此，期待一种优化的油茶林碳汇的监测方案
。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种油茶林碳汇的监测系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取油茶林的遥感图像，将图像预处后通过目标检测网络提取出植被覆盖区域再通过混合卷积层的卷积网络和空间注意力机制进一步进行植被覆盖特征增强，以得到用于表示油茶林的碳吸收能力的解码值
。
进而，为油茶林的碳汇管理和环境保护提供科学依据
。
[0005]根据本申请的一个方面，提供了一种油茶林碳汇的监测系统，其包括：
[0006]遥感图像获取模块，用于获取油茶林的遥感图像；
[0007]预处理图像模块，用于将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪
、
图像校正
、
图像配准和图像裁剪；
[0008]植被覆盖提取模块，用于将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；
[0009]混合卷积模块，用于将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；
[0010]空间增强模块，用于将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；
[0011]优化特征模块，用于对所述解码特征图进行特征流形调制以得到优化解码特征图；
[0012]解码回归模块，用于将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力
。
[0013]在上述油茶林碳汇的监测系统中，所述植被覆盖提取模块，用于：所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为
Fast R
‑
CNN、Faster R
‑
CNN
或
RetinaNet。
[0014]在上述油茶林碳汇的监测系统中，所述混合卷积模块，用于：将所述油茶林植被覆
盖感兴趣区域输入所述包含混合卷积层的卷积神经网络模型的多个混合卷积层以由所述多个混合卷积层中的最后一个混合卷积层输出所述油茶林植被覆盖感兴趣区域特征图
。
[0015]在上述油茶林碳汇的监测系统中，所述多个混合卷积层，包括
:
第一尺度卷积单元，用于使用具有第一尺寸的第一卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第一尺度特征图；第二尺度卷积单元，用于使用具有第一空洞率的第二卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第二尺度特征图；第三尺度卷积单元，用于使用具有第二空洞率的第三卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第三尺度特征图；第四尺度卷积单元，用于使用具有第三空洞率的第四卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核
、
所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有不同的空洞率；多尺度聚合单元，用于将所述第一尺度特征图
、
所述第二尺度特征图
、
所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；特征图池化单元，用于对所述聚合特征图进行池化处理以生成池化特征图；以及，特征图激活单元，用于对所述池化特征图进行激活处理以生成激活特征图
。
[0016]在上述油茶林碳汇的监测系统中，所述空间增强模块，包括：深度卷积编码单元，用于使用所述空间注意力机制模块的卷积编码部分对所述油茶林植被覆盖感兴趣区域特征图进行深度卷积编码以得到检测卷积特征图；空间注意力单元，用于将所述检测卷积特征图输入所述空间注意力机制模块的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过
Softmax
激活函数以得到空间注意力特征图；以及，计算单元，用于计算所述空间注意力特征图和所述检测卷积特征图的按位置点乘以得到解码特征图
。
[0017]在上述油茶林碳汇的监测系统中，所述解码回归模块，用于：使用所述解码器以如下解码公式对所述优化解码特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中
X
是所述优化解码特征图，
Y
是所述解码值，
W
是权重矩阵，表示矩阵相乘
。
[0018]根据本申请的另一方面，提供了一种油茶林碳汇的监测方法，其包括：
[0019]获取油茶林的遥感图像；
[0020]将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪
、
图像校正
、
图像配准和图像裁剪；
[0021]将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；
[0022]将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；
[0023]将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；
[0024]对所述解码特征图进行特征流形调制以得到优化解码特征图；
[0025]将所述优化解码特图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力
。
[0026]与现有技术相比，本申请提供的一种油茶林碳汇的监测系统及其方法，其采用基
于深度神经网络模型的人工智能技术，获取油茶林的遥感图像，将图像预处后通过目标检测网络提取出植被覆盖区域再通过混合卷积层的卷积网络和空间注意力机制进一步进行植被覆盖特征增强，以得到用于表示油茶林的碳吸收能力的解码值
。
进而，为油茶林的碳汇管理和环境保护提供科学依据
。
附图说明
[0027]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的
、
特征和优势将变得更加明显
。
附图用来提供对本申请实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种油茶林碳汇的监测系统，其特征在于，包括：遥感图像获取模块，用于获取油茶林的遥感图像；预处理图像模块，用于将所述油茶林的遥感图像进行预处理后以得到预处理后油茶林遥感图像，其中，所述图像预处理包括图像去噪
、
图像校正
、
图像配准和图像裁剪；植被覆盖提取模块，用于将所述预处理后油茶林遥感图像通过目标检测网络以得到油茶林植被覆盖感兴趣区域；混合卷积模块，用于将所述油茶林植被覆盖感兴趣区域通过包含混合卷积层的卷积神经网络模型以得到油茶林植被覆盖感兴趣区域特征图；空间增强模块，用于将所述油茶林植被覆盖感兴趣区域特征图通过空间注意力机制以得到解码特征图；优化特征模块，用于对所述解码特征图进行特征流形调制以得到优化解码特征图；解码回归模块，用于将所述优化解码特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示油茶林的碳吸收能力
。2.
根据权利要求1所述的油茶林碳汇的监测系统，其特征在于，所述植被覆盖提取模块，用于：所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为
Fast R
‑
CNN、Faster R
‑
CNN
或
RetinaNet。3.
根据权利要求2所述的油茶林碳汇的监测系统，其特征在于，所述混合卷积模块，用于：将所述油茶林植被覆盖感兴趣区域输入所述包含混合卷积层的卷积神经网络模型的多个混合卷积层以由所述多个混合卷积层中的最后一个混合卷积层输出所述油茶林植被覆盖感兴趣区域特征图
。4.
根据权利要求3所述的油茶林碳汇的监测系统，其特征在于，所述多个混合卷积层，包括
:
第一尺度卷积单元，用于使用具有第一尺寸的第一卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第一尺度特征图；第二尺度卷积单元，用于使用具有第一空洞率的第二卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第二尺度特征图；第三尺度卷积单元，用于使用具有第二空洞率的第三卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第三尺度特征图；第四尺度卷积单元，用于使用具有第三空洞率的第四卷积核对所述油茶林植被覆盖感兴趣区域进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核
、
所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有不同的空洞率；多尺度聚合单元，用于将所述第一尺度特征图
、
所述第二尺度特征图
、
所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；特征图池化单元，用于对所述聚合特征图进行池化处理以生成池化特征图；特征图激活单元，用于对所述池化特征图进行激活处理以生成激活特征图
。5.
根据权利要求4所述的油茶林碳汇的监测系统，其特征在于，所述空间增强模块，包
括：深度卷积编码单元，用于使用所述空间注意力机制模块的卷积编码部分对所述油茶林植被覆盖感兴趣区域特征图进行深度卷积编码以得到检测卷积特征图；空间注意力单元，用于将所述检测卷积特征图输入所述...

【专利技术属性】
技术研发人员：周汉昌，余林，徐佳文，张功，李婷，贾全全，况小宝，李怡，黄思远，章紫英，
申请(专利权)人：江西省林业科学院，
类型：发明
国别省市：