本發(fā)明涉及森林圖像處理領(lǐng)域，尤其涉及一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法。

背景技術(shù)：

1、隨著全球生態(tài)環(huán)境問題日益嚴(yán)重，科學(xué)管理和監(jiān)測(cè)森林、草地等生態(tài)系統(tǒng)變得愈加重要。植被覆蓋類型、樹高和郁閉度是描述森林生態(tài)系統(tǒng)結(jié)構(gòu)和功能的關(guān)鍵指標(biāo)。這些參數(shù)不僅對(duì)生態(tài)監(jiān)測(cè)和資源評(píng)估具有重要意義，同時(shí)也是生態(tài)系統(tǒng)服務(wù)分析和生物多樣性保護(hù)的基礎(chǔ)。

2、其中，植被覆蓋類型的提取主要依賴光學(xué)遙感技術(shù)，受天氣和光照變化的影響，數(shù)據(jù)質(zhì)量往往不穩(wěn)定。樹高的測(cè)量通常使用激光雷達(dá)（lidar）技術(shù)，盡管該技術(shù)能提供高精度的三維信息，但其高成本和復(fù)雜操作限制了其在大范圍內(nèi)的應(yīng)用。郁閉度的獲取一般依賴地面調(diào)查或經(jīng)驗(yàn)?zāi)Ｐ?，這些方法在空間和時(shí)間上存在局限性，難以滿足大尺度、連續(xù)監(jiān)測(cè)的需求。

3、更為重要的是，傳統(tǒng)的技術(shù)往往將植被覆蓋類型、樹高和郁閉度的提取視為獨(dú)立的過程，缺乏協(xié)同分析的方法。這種分離的處理方式可能導(dǎo)致數(shù)據(jù)之間的時(shí)間和空間不一致，影響對(duì)林灌草植被結(jié)構(gòu)的綜合評(píng)估。因此，迫切需要一種能夠有效整合多源遙感數(shù)據(jù)的方法，同步提取植被覆蓋類型、樹高和郁閉度，從而全面刻畫林灌草森林結(jié)構(gòu)類型。

技術(shù)實(shí)現(xiàn)思路

1、鑒于目前技術(shù)存在的上述不足，本發(fā)明提供一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，通過構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型，并有效結(jié)合多源遙感數(shù)據(jù)，實(shí)現(xiàn)對(duì)植被覆蓋類型、樹高和森林郁閉度的同步檢測(cè)，進(jìn)而獲得區(qū)域森林結(jié)構(gòu)類型檢測(cè)結(jié)果。

2、為達(dá)到上述目的，本發(fā)明的實(shí)施例采用如下技術(shù)方案：

3、一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，包括以下步驟：

4、獲取試驗(yàn)區(qū)的無人機(jī)多源遙感數(shù)據(jù)，所述無人機(jī)多源遙感數(shù)據(jù)包括高空間分辨率遙感影像數(shù)據(jù)的空間影像數(shù)據(jù)和基于lidar掃描數(shù)據(jù)的距離影像數(shù)據(jù)；

5、對(duì)空間影像數(shù)據(jù)進(jìn)行植被覆蓋類型標(biāo)定，對(duì)距離影像數(shù)據(jù)進(jìn)行樹高和森林郁閉度標(biāo)定，構(gòu)建樣本數(shù)據(jù)集；

6、根據(jù)樣本數(shù)據(jù)集，基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，獲得區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)模型；

7、獲取待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)；

8、將待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)輸入?yún)^(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)模型，獲得區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)結(jié)果；

9、基于區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)結(jié)果，獲得區(qū)域森林結(jié)構(gòu)類型檢測(cè)結(jié)果。

10、依照本發(fā)明的一個(gè)方面，所述區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法還包括：對(duì)試驗(yàn)區(qū)的無人機(jī)多源遙感數(shù)據(jù)和待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)進(jìn)行預(yù)處理。

11、依照本發(fā)明的一個(gè)方面，所述對(duì)試驗(yàn)區(qū)的無人機(jī)多源遙感數(shù)據(jù)和待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)進(jìn)行預(yù)處理包括：去除噪聲、幾何校正、輻射定標(biāo)、大氣校正和影像配準(zhǔn)。

12、依照本發(fā)明的一個(gè)方面，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練包括：

13、基于swin?transformer模型，引入層次化的特征表達(dá)和基于移位窗口的自注意力機(jī)制，構(gòu)建深度共享特征提取層；

14、在共享特征提取層之后，為植被覆蓋類型檢測(cè)任務(wù)、樹高檢測(cè)任務(wù)和森林郁閉度檢測(cè)任務(wù)分別構(gòu)建分支網(wǎng)絡(luò)，分支網(wǎng)絡(luò)采用自注意力和共享注意力策略；

15、分支網(wǎng)絡(luò)采用多任務(wù)損失函數(shù)，融合植被覆蓋類型檢測(cè)任務(wù)、樹高檢測(cè)任務(wù)和森林郁閉度檢測(cè)任務(wù)的加權(quán)損失，引入可調(diào)節(jié)的權(quán)重系數(shù)，根據(jù)任務(wù)特性和復(fù)雜度動(dòng)態(tài)調(diào)整權(quán)重。

16、依照本發(fā)明的一個(gè)方面，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

17、植被覆蓋類型檢測(cè)任務(wù)的分支網(wǎng)絡(luò)采用分類任務(wù)解碼器；

18、樹高檢測(cè)任務(wù)的分支網(wǎng)絡(luò)采用樹高估測(cè)解碼器；

19、森林郁閉度檢測(cè)任務(wù)的分支網(wǎng)絡(luò)采用郁閉度估測(cè)解碼器。

20、依照本發(fā)明的一個(gè)方面，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

21、神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時(shí)，先訓(xùn)練共享特征提取層，然后逐步加入任務(wù)特定層進(jìn)行微調(diào)；

22、采用早停機(jī)制及模型正則化措施，預(yù)防過擬合，增強(qiáng)模型的泛化能力，確保訓(xùn)練過程的穩(wěn)定。

23、依照本發(fā)明的一個(gè)方面，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

24、采用交叉驗(yàn)證、學(xué)習(xí)率調(diào)整、權(quán)重分配方法優(yōu)化模型的性能。

25、依照本發(fā)明的一個(gè)方面，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

26、采用多項(xiàng)指標(biāo)，至少包括精確度、召回率、f1分?jǐn)?shù)以及總體準(zhǔn)確率，對(duì)模型性能進(jìn)行綜合評(píng)估；

27、根據(jù)綜合評(píng)估結(jié)果，對(duì)網(wǎng)絡(luò)模型進(jìn)行微調(diào)。

28、依照本發(fā)明的一個(gè)方面，所述區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法還包括以下步驟：

29、對(duì)區(qū)域植被覆蓋類型、樹高和森林郁閉度檢測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析。

30、依照本發(fā)明的一個(gè)方面，所述區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法還包括以下步驟：

31、根據(jù)待檢測(cè)區(qū)域的不同時(shí)間點(diǎn)的區(qū)域森林結(jié)構(gòu)類型檢測(cè)結(jié)果，構(gòu)建區(qū)域森林結(jié)構(gòu)類型時(shí)空分布圖。

32、一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)系統(tǒng)，基于如上所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，包括：

33、樣本構(gòu)建模塊，用于獲取試驗(yàn)區(qū)的無人機(jī)多源遙感數(shù)據(jù)，構(gòu)建樣本數(shù)據(jù)集；

34、模型構(gòu)建模塊，用于根據(jù)樣本數(shù)據(jù)集，基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，獲得區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)模型；

35、數(shù)據(jù)獲取模塊，用于獲取待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)；

36、檢測(cè)模塊，用于將待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)輸入?yún)^(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)模型，獲得區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)結(jié)果；

37、數(shù)據(jù)整合模塊，用于基于區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)結(jié)果，獲得區(qū)域森林結(jié)構(gòu)類型檢測(cè)結(jié)果。

38、一種計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被執(zhí)行時(shí)實(shí)現(xiàn)如上所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法的步驟。

39、本發(fā)明實(shí)施的優(yōu)點(diǎn)：

40、本發(fā)明提供一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，通過構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型，綜合提取衛(wèi)星多光譜遙感影像數(shù)據(jù)的不同特性，進(jìn)行深度學(xué)習(xí)，實(shí)現(xiàn)對(duì)植被覆蓋類型、樹高和森林郁閉度實(shí)現(xiàn)同步檢測(cè)，進(jìn)而獲得區(qū)域林灌草森林結(jié)構(gòu)類型檢測(cè)結(jié)果。

41、本方法還能基于多項(xiàng)指標(biāo)對(duì)網(wǎng)絡(luò)模型進(jìn)行綜合評(píng)估，根據(jù)評(píng)估結(jié)果對(duì)網(wǎng)絡(luò)模型進(jìn)行微調(diào)完善；通過檢測(cè)模型獲取待檢測(cè)區(qū)域的植被覆蓋類型、樹高和森林郁閉度檢測(cè)結(jié)果后，對(duì)檢測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析，可以更進(jìn)一步獲取該區(qū)域的森林相關(guān)信息和狀況，方便進(jìn)行后續(xù)的生態(tài)保護(hù)等；根據(jù)區(qū)域森林結(jié)構(gòu)類型檢測(cè)結(jié)果，整合數(shù)據(jù)，構(gòu)建待檢測(cè)區(qū)域的森林結(jié)構(gòu)類型變化時(shí)空分布圖，可以為環(huán)境監(jiān)控和決策分析提供相關(guān)信息。

技術(shù)特征：

1.一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法還包括：對(duì)試驗(yàn)區(qū)的無人機(jī)多源遙感數(shù)據(jù)和待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)進(jìn)行預(yù)處理。

3.根據(jù)權(quán)利要求2所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述對(duì)試驗(yàn)區(qū)的無人機(jī)多源遙感數(shù)據(jù)和待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)進(jìn)行預(yù)處理包括：去除噪聲、幾何校正、輻射定標(biāo)、大氣校正和影像配準(zhǔn)。

4.根據(jù)權(quán)利要求1所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練包括：

5.根據(jù)權(quán)利要求4所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

6.根據(jù)權(quán)利要求4所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

7.根據(jù)權(quán)利要求6所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

8.根據(jù)權(quán)利要求7所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述基于多任務(wù)學(xué)習(xí)構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練還包括：

9.根據(jù)權(quán)利要求1所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法還包括以下步驟：

10.根據(jù)權(quán)利要求1所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，其特征在于，所述區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法還包括以下步驟：

11.一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)系統(tǒng)，其特征在于，基于權(quán)利要求1至10中任一項(xiàng)所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法，包括：

12.一種計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至10任一項(xiàng)所述的區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種區(qū)域森林結(jié)構(gòu)類型檢測(cè)方法、系統(tǒng)及計(jì)算機(jī)程序，所述方法包括：獲取試驗(yàn)區(qū)的無人機(jī)多源遙感數(shù)據(jù)，構(gòu)建樣本數(shù)據(jù)集；構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型，獲得區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)模型；獲取待檢測(cè)區(qū)域的衛(wèi)星多光譜遙感影像數(shù)據(jù)，輸入同步檢測(cè)模型，獲得區(qū)域植被覆蓋類型、樹高和森林郁閉度同步檢測(cè)結(jié)果；基于檢測(cè)結(jié)果，獲得區(qū)域森林結(jié)構(gòu)類型檢測(cè)結(jié)果。本發(fā)明提供的技術(shù)方案，通過構(gòu)建多任務(wù)神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)植被覆蓋類型、樹高和森林郁閉度實(shí)現(xiàn)同步檢測(cè)，獲得區(qū)域林灌草森林結(jié)構(gòu)類型檢測(cè)結(jié)果；對(duì)網(wǎng)絡(luò)模型進(jìn)行微調(diào)完善；對(duì)檢測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析；構(gòu)建待檢測(cè)區(qū)域的森林結(jié)構(gòu)類型變化時(shí)空分布圖。

技術(shù)研發(fā)人員：郭穎,田昕,楊宇迪,柴國(guó)奇,徐恩恩,郭宇娟
受保護(hù)的技術(shù)使用者：中國(guó)林業(yè)科學(xué)研究院資源信息研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19