【技术实现步骤摘要】
本专利技术属于森林火险评估，具体涉及一种基于水云模型和bp神经网络的森林lfmc反演方法。
技术介绍
1、当前大规模极端气候与自然灾害事件频繁发生，野火作为普遍的一种自然灾害，不仅威胁人类的安全，还会显著改变地表形态，在生态系统演变方面有重要的影响，因此野火的研究非常重要。
2、lfmc，是live fuel moisture content的简称，活可燃物含水率。lfmc被定义为活植被叶片含水量占叶片干物质重量的百分比，该参数被认为是评估野火风险和蔓延的关键因子，因此如何获取高精度的，时空分布的lfmc是野火风险评估及预警的重点。
3、传统的lfmc获取方式采用地面测量方法，此种方式可以提供最准确的lfmc测量，但工作量大，效率低，而且对于人类难以到达的偏远地区，无法实现大范围、长时间序列的lfmc制图。随着遥感技术的发展，实现了对大气、植被、海洋以及城市的自动观测，新一代lfmc使用遥感获取地面植被反射率信息，进而得到lfmc，直接使用遥感技术反演得到lfmc精度较低，不能满足野火风险评估的要求。
4、此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种森林lfmc反演方法及装置，是非常有必要的。
技术实现思路
1、针对现有技术的上述lfmc对于评估野火风险非常重要，传统lfmc地面测量方式工作量大，效率低，覆盖范围有效，新一代遥感技术精度低，不能满足野火风险评估要求的缺陷，本专利技术提供一种基于水云模型和bp神经网络的森林lfmc反
2、本专利技术提供一种基于水云模型和bp神经网络的森林lfmc反演方法，包括如下步骤：
3、s1.获取目标区域的微波遥感数据及森林lfmc实测数据，并对目标区域的森林lfmc实测数据进行预处理；
4、s2.构建代价函数对水云模型进行改进，对改进后水云模型进行标定，使用标定的水云模型计算模拟反射率，再使用模拟发射率查表得到初步lfmc反演结果；
5、s3.引入神经网络模型对初步lfmc反演结果进行优化；
6、s4.对lfmc反演结果的精度进行评价。
7、进一步地，步骤s1具体步骤如下：
8、s11.获取目标区域设定时间段的微波遥感数据；
9、s12.获取目标区域设定时间段的lfmc实测数据；
10、s13.获取目标区域设定时间段的土壤含水率信息以及气象数据信息；
11、s14.以微波遥感数据中土地覆盖类型为标准，从lfmc实测数据中筛选出森林覆盖度大于设定阈值的站点作为森林区域的lfmc实测数据；
12、s15.判断是否存在同个时间有多个树种采样数据的站点；
13、若是，进入步骤s16；
14、若否，进入步骤s17；
15、s16.以该站点的各树种采样数据的平均值作为lfmc实测数据；
16、s17.筛选出lfmc值小于设定死可燃物阈值的lfmc实测数据，进行剔除。
17、进一步地，步骤s11中通过采用lhscat应用获取目标区域设定时间段的微波遥感数据；
18、步骤s13中，通过gee的smap10km_soil_moisture土壤含水率应用获取目标区域设定时间段的土壤含水率信息，通过era5应用获取距离地表设定高度温度及相对湿度信息。
19、进一步地，步骤s14中从lfmc实测数据中筛选出森林覆盖度大于15％的站点作为森林区域的lfmc实测数据。
20、进一步地，步骤s17中，筛选出lfmc值小于30％的lfmc实测数据，进行剔除。
21、6.如权利要求2所述的基于水云模型和bp神经网络的森林lfmc反演方法，其特征在于，步骤s2具体步骤如下：
22、s21.获取水云模型，引入土壤含水率参数，构建观测反射率信息与模拟反射率信息之间的代价函数；
23、s22.在目标区域的森林lfmc实测数据的基础上采用最小二乘法拟合得到改进后水云模型的经验系数，完成水云模型的标定；
24、s23.将目标区域的微波遥感数据作为观测反射率信息代入标定后的水云模型，得到模拟反射率信息；
25、s24.基于模拟反射率信息进行查表，得到lfmc初步反演结果。
26、进一步地，步骤s21中，获取水云模型如下：
27、
28、
29、
30、其中，为植被层直接的雷达后向散射贡献，为植被层与土壤层之间的散射贡献，为经过植被层双向衰减后的土壤层的散射贡献；τ2表示植被层对于微波信号的双向衰减系数，θ为雷达局部入射角；a和b为依赖于地表植被类型和传感器配置参数的模型经验系数；v1和v2分别代表地表植被层对于雷达信号的直接散射特性和衰减特性；
31、代价函数如下：
32、
33、其中，为db单位表示的雷达后向散射系数，mv为地表土壤体积含水量，c和d为模型的经验系数。
34、进一步地，步骤s3具体步骤如下：
35、s31.引入包括地表温度和相对湿度的气象数据信息；
36、s32.以地表温度和相对湿度为模型参数，以观测反射率信息为输入，以模拟反射率信息作为输出，构建bp神经网络模型；
37、s33.以模拟反射率与观测反射率的误差为标准进行模型参数调整，直至误差满足要求，输出最终模拟反射率；
38、s34.使用最终模拟反射率查表得到优化的lfmc反演结果。
39、进一步地，步骤s4具体步骤如下：
40、s41.计算优化的lfmc反演结果与森林lfmc实测数据的相关系数；
41、s42.计算优化的lfmc反演结果与森林lfmc实测数据的均方根误差；
42、s43.使用相关系数及均方根误差对lfmc反演精度进行评价。
43、进一步地，步骤s41中相关系数计算公式如下：
44、
45、其中，r为皮尔逊相关系数，mi表示第i个实测lfmc，ei表示第i个估计lfmc，表示实测lfmc均值，n表示实测数据的个数；
46、步骤s42中均方根计算公式如下：
47、
48、其中，rmse表示均方根误差，mi表示第i个实测lfmc，ei表示第i个估计lfmc，n表示实测数据的个数。
49、本专利技术的有益效果在于：
50、本专利技术提供的基于水云模型和bp神经网络的森林lfmc反演方法，使用lfmc实测数据及微波遥感数据，并基于水云模型与bp神经网络模型的耦合，根据森林、土壤、空气三者的属性信息进行lfmc反演，最终通过实测森林lfmc数据对反演lfmc的精度进行评估。
51、此外，本专利技术设计原理可靠，结构简单，具有非常广泛的应用前景。
52、由此可见，本专利技术与现有技术相比，具有本文档来自技高网...
【技术保护点】
1.一种基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S1具体步骤如下：
3.如权利要求2所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S11中通过采用LHSCat应用获取目标区域设定时间段的微波遥感数据；
4.如权利要求2所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S14中从LFMC实测数据中筛选出森林覆盖度大于15％的站点作为森林区域的LFMC实测数据。
5.如权利要求2所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S17中，筛选出LFMC值小于30％的LFMC实测数据，进行剔除。
6.如权利要求2所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S2具体步骤如下：
7.如权利要求6所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S21中，获取水云模型如下：>
8.如权利要求6所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S3具体步骤如下：
9.如权利要求8所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S4具体步骤如下：
10.如权利要求9所述的基于水云模型和BP神经网络的森林LFMC反演方法，其特征在于，步骤S41中相关系数计算公式如下：
...【技术特征摘要】
1.一种基于水云模型和bp神经网络的森林lfmc反演方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于水云模型和bp神经网络的森林lfmc反演方法，其特征在于，步骤s1具体步骤如下：
3.如权利要求2所述的基于水云模型和bp神经网络的森林lfmc反演方法，其特征在于，步骤s11中通过采用lhscat应用获取目标区域设定时间段的微波遥感数据；
4.如权利要求2所述的基于水云模型和bp神经网络的森林lfmc反演方法，其特征在于，步骤s14中从lfmc实测数据中筛选出森林覆盖度大于15％的站点作为森林区域的lfmc实测数据。
5.如权利要求2所述的基于水云模型和bp神经网络的森林lfmc反演方法，其特征在于，步骤s17中，...
【专利技术属性】
技术研发人员：全兴文，孙元琦，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。