本發(fā)明涉及森林碳儲量估算，特別是基于人工智能和多模態(tài)遙感數(shù)據(jù)的森林碳儲量估算方法。

背景技術(shù)：

1、在全球碳循環(huán)以及應(yīng)對氣候變化的研究當(dāng)中，森林碳儲量作為該研究的關(guān)鍵指標(biāo)之一，其應(yīng)用到的遙感技術(shù)為大規(guī)模森林碳儲量估算提供主要數(shù)據(jù)支持，不同遙感技術(shù)可以從不同角度捕捉森林的信息，如光學(xué)衛(wèi)星影像、激光雷達(dá)lidar。

2、目前的森林碳儲量估算方法大多采用上述的遙感技術(shù)之一作為信息捕捉手段，其中光學(xué)衛(wèi)星影像廣泛用于估算森林覆蓋面積，但它對樹高、樹冠結(jié)構(gòu)等信息不夠敏感，而lidar雖能提供詳細(xì)的三維森林結(jié)構(gòu)數(shù)據(jù)，但只能覆蓋部分區(qū)域，且受天氣條件限制，單一的數(shù)據(jù)源采集導(dǎo)致估算結(jié)果準(zhǔn)確性不足，此外不同類型的森林，如熱帶雨林、針葉林、闊葉林在碳儲量和生物量分布上也存在顯著差異，要想保障碳儲量估算的準(zhǔn)確性，則需要對森林類型進(jìn)行準(zhǔn)確分類，但目前的森林分類方式還是采用人工劃分或預(yù)定義分類，分類效率低，主觀性強。

3、針對數(shù)據(jù)源單一問題，現(xiàn)有的估算方法大多采用多種數(shù)據(jù)源融合方式來解決，如線性回歸、主成分分析，但此類方法需不同數(shù)據(jù)源之間存在線性關(guān)系，無法有效處理數(shù)據(jù)之間的非線性關(guān)聯(lián)，而且不同遙感技術(shù)的數(shù)據(jù)格式、時間分辨率和空間分辨率存在顯著差異，在數(shù)據(jù)融合時難以有效協(xié)調(diào)差異，容易導(dǎo)致數(shù)據(jù)不匹配，森林類型分類上，現(xiàn)有的估算方法大多通過遙感技術(shù)以及區(qū)域性經(jīng)驗?zāi)Ｐ瓦M(jìn)行森林類型分類，但太過依賴光學(xué)影像，遙感技術(shù)所獲取的光學(xué)影像無法保證清晰度，導(dǎo)致森林類型的細(xì)粒度分類較為困難，某些植被類型在光學(xué)影像中非常相似，分類精度不足會直接影響碳儲量估算的分區(qū)結(jié)果，此外區(qū)域性經(jīng)驗?zāi)Ｐ蛻?yīng)用在新的地理區(qū)域或氣候條件下時精度就不行了，還要重新優(yōu)化模型，跨區(qū)域應(yīng)用非常難，因此亟需一種基于人工智能和多模態(tài)遙感數(shù)據(jù)的森林碳儲量估算方法來解決此類問題。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了基于人工智能和多模態(tài)遙感數(shù)據(jù)的森林碳儲量估算方法解決現(xiàn)有方案中的主成分分析、回歸模型融合只能捕捉數(shù)據(jù)源之間線性關(guān)系，忽視了森林結(jié)構(gòu)和動態(tài)變化的非線性特征，遙感數(shù)據(jù)越復(fù)雜，此類方法局限性越大，而基于經(jīng)驗的森林分類方法難以適應(yīng)不同區(qū)域的森林類型和氣候條件的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、本發(fā)明提供了基于人工智能和多模態(tài)遙感數(shù)據(jù)的森林碳儲量估算方法，其包括，

5、步驟s1，多源遙感數(shù)據(jù)采集，收集遙感數(shù)據(jù)，包括森林的覆蓋信息、垂直結(jié)構(gòu)信息、光譜特征信息以及地表和樹冠信息；

6、步驟s2，遙感數(shù)據(jù)特征提取，進(jìn)行遙感數(shù)據(jù)融合，提取碳儲量估算和森林分類相關(guān)特征，相關(guān)特征包括：森林結(jié)構(gòu)、樹種類型、冠層高度以及植被指數(shù)；

7、步驟s3，森林類型分類，基于步驟s2中提取的特征，使用分類算法對森林類型進(jìn)行分類；

8、步驟s4，構(gòu)建碳儲量模型，針對不同類型的森林構(gòu)建碳儲量估算模型，基于森林類型的劃分，結(jié)合不同區(qū)域的碳儲量估算模型，逐區(qū)估算森林的碳儲量；

9、步驟s5，動態(tài)碳儲量變化預(yù)測，利用歷史和實時遙感數(shù)據(jù)，構(gòu)建預(yù)測模型，結(jié)合森林類型和步驟s4的碳儲量估算結(jié)果，分析碳儲量的動態(tài)變化。

10、進(jìn)一步的，對遙感數(shù)據(jù)進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換，標(biāo)準(zhǔn)化處理，去除噪聲和異常值；

11、此處多源指的是包括光學(xué)衛(wèi)星圖像、激光雷達(dá)數(shù)據(jù)、高光譜影像在內(nèi)的多源數(shù)據(jù)。

12、進(jìn)一步的，步驟s1中遙感數(shù)據(jù)包括：

13、光學(xué)衛(wèi)星影像：激光雷達(dá)數(shù)據(jù)：高光譜影像：其中，h和w分別表示影像的高度和寬度，c1,c2,c3分別表示光學(xué)、lidar和高光譜影像的通道數(shù)；

14、采用卷積神經(jīng)網(wǎng)絡(luò)提取空間特征，對于光學(xué)衛(wèi)星影像，卷積操作表示為：

15、foptical＝σ(wconv1*xoptical+bconv1)，

16、lidar數(shù)據(jù)和高光譜數(shù)據(jù)的特征提取分別為：

17、flidar＝σ(wconv2*xlidar+bconv2)，

18、fhyperspectral＝σ(wconv3*xhyperspectral+bconv3)，

19、其中，分別是光學(xué)、lidar和高光譜影像提取的特征映射，d1,d2,d3分別表示光學(xué)影像、lidar數(shù)據(jù)、高光譜影像在特征提取后每個特征映射的通道數(shù)，h′×w′表示經(jīng)過卷積操作后的特征映射的空間尺寸，wconv1,wconv2,wconv3是卷積核權(quán)重矩陣，bconv1,bconv2,bconv3是各自的偏置項，*表示卷積操作，σ(·)是relu激活函數(shù)。

20、進(jìn)一步的，步驟s2中進(jìn)行遙感數(shù)據(jù)融合：

21、將各模態(tài)的特征采用自編碼器進(jìn)行融合與降維，將各模態(tài)特征拼接，表示為：

22、

23、然后采用自編碼器進(jìn)行降維處理，提取融合特征：

24、fencoded＝σ(wencoder·fconcat+bencoder)，其中，fencoded∈rh′×w′×d表示降維后的融合特征，wencoder表示自編碼器的權(quán)重矩陣，bencoder表示自編碼器的偏置項，d表示降維后的特征維度，σ(·)是relu激活函數(shù)；

25、引入注意力機制，計算注意力權(quán)重：

26、其中，αi,j表示特征位置i,j的注意力權(quán)重，qi和kj分別表示查詢向量和鍵向量，采用線性變換從特征映射中得到，n表示特征的總數(shù)，表示轉(zhuǎn)置操作；

27、使用注意力權(quán)重對特征進(jìn)行加權(quán)求和：

28、其中，vj表示特征的值向量，fattention表示經(jīng)過注意力機制加權(quán)后的融合特征。

29、進(jìn)一步的，步驟s3中，根據(jù)融合后提取的特征，將森林分為包括針葉林、闊葉林以及熱帶雨林在內(nèi)的不同類型，根據(jù)分類結(jié)果，對不同類型的森林進(jìn)行區(qū)域劃分。

30、進(jìn)一步的，步驟s3中進(jìn)行森林類型分類的方式為：

31、步驟s2中的融合特征為fattention∈rh′×w′×d，將該特征映射轉(zhuǎn)換為向量，對每個通道進(jìn)行全局平均池化：

32、其中，fattention(i,j)表示特征映射在位置(i,j)的特征值，fpooled∈rd表示池化后的特征向量，保留每個通道的全局信息，用作分類器的輸入，h′,w′表示特征映射的空間尺寸，d表示特征映射的通道數(shù)；

33、采用支持向量機進(jìn)行分類，構(gòu)建優(yōu)化目標(biāo)：

34、其中，w表示分類超平面的法向量，b表示分類超平面的偏置項，yi表示樣本i的類別標(biāo)簽，取值為{-1,+1}，|w|2是正則化項，表示轉(zhuǎn)置操作；

35、svm的分類決策函數(shù)為：其中，是預(yù)測的類別，即森林類型，sign(·)表示符號函數(shù)。

36、進(jìn)一步的，步驟s3中進(jìn)行森林類型分類的方式還包括：

37、定義損失函數(shù)為：其中，l表示交叉熵?fù)p失值，yi,c表示樣本i的真實標(biāo)簽，使用onehot編碼表示，表示分類器對樣本i屬于類別c的預(yù)測概率，使用梯度下降法對分類器參數(shù)進(jìn)行更新：其中，θ表示分類器的參數(shù)，包括w,b，η表示學(xué)習(xí)率，控制更新步長，表示損失函數(shù)l對參數(shù)θ的梯度，訓(xùn)練完成后，輸入新的測試數(shù)據(jù)特征fpooled，采用訓(xùn)練好的分類器預(yù)測森林類型

38、在步驟s3中，利用步驟s2提取的特征fpooled，通過全局平均池化將特征向量化，然后采用支持向量機構(gòu)建分類模型對森林類型進(jìn)行分類，訓(xùn)練過程中，使用交叉熵?fù)p失函數(shù)，并通過梯度下降優(yōu)化分類器的參數(shù)。

39、進(jìn)一步的，步驟s4中碳儲量估算模型構(gòu)建方式為：

40、對每種森林類型t設(shè)計碳儲量估算模型，碳儲量表示為：

41、ct＝βt·bt，其中，ct是森林類型t的總碳儲量，βt是碳轉(zhuǎn)換系數(shù)，表示森林生物量與碳儲量之間的轉(zhuǎn)換比例，bt是森林類型t的生物量；

42、森林的生物量bt估算公式為：其中，at,bt,ct是與森林類型t相關(guān)的經(jīng)驗系數(shù)，實地測量獲得，ht是森林類型t中樹木的平均樹高，dt是森林類型t中樹木的平均胸徑；

43、生物量估算公式根據(jù)不同森林類型的樹種特性進(jìn)行調(diào)整，at,bt,ct具有森林類型的依賴性；

44、森林類型劃分后，將整個森林區(qū)域按不同類型劃分為多個子區(qū)域，假設(shè)總森林區(qū)域分為n個子區(qū)域，每個子區(qū)域i的森林類型為ti，其碳儲量ci估算公式為：

45、其中，ci是第i個子區(qū)域的碳儲量，是與該子區(qū)域所屬的森林類型ti相關(guān)的碳轉(zhuǎn)換系數(shù)，是該子區(qū)域所屬森林類型ti的單位面積生物量，

46、ai是該子區(qū)域的面積；

47、將所有子區(qū)域的碳儲量求和：其中，ctotal是整個森林區(qū)域的總碳儲量，ci是第i個子區(qū)域的碳儲量；針對不同類型的森林，基于生物量估算公式構(gòu)建碳儲量估算模型，通過逐區(qū)計算森林類型的生物量與碳轉(zhuǎn)換系數(shù)，結(jié)合區(qū)域面積，逐區(qū)估算碳儲量，然后通過將所有子區(qū)域的碳儲量進(jìn)行累加，得到整個森林區(qū)域的總碳儲量。

48、進(jìn)一步的，步驟s5中，進(jìn)行動態(tài)碳儲量變化預(yù)測的方式為：

49、采用一階微分方程建模表示碳儲量ci(t)在時間t上的變化：

50、其中，ci(t)是第i個子區(qū)域在時間t的碳儲量，是第i個區(qū)域的碳儲量增長率，li(t)是第i個區(qū)域在時間t的碳損失量，表示第i個區(qū)域的碳儲量在時間t上的變化率；

51、碳儲量的增長率依賴于森林類型和生物量增長模型，將碳儲量的增長率與森林生物量的增長關(guān)系表示為：其中，rmax該森林類型的最大生長率，bi(t)是第i個區(qū)域在時間t的生物量，bmax第i個區(qū)域的最大生物量，即該區(qū)域能夠達(dá)到的最大森林生物量值，當(dāng)生物量接近最大值時，增長率趨向于零。

52、進(jìn)一步的，步驟s5中，進(jìn)行動態(tài)碳儲量變化預(yù)測的方式還包括：

53、構(gòu)建生物量增長模型描述生物量的增長：

54、其中，bi(t)是第i個區(qū)域在時間t的生物量，bmax該區(qū)域的最大生物量，k是增長速率參數(shù)，t0是生物量增長的初始時刻，m是影響曲線形狀的參數(shù)；

55、構(gòu)建碳損失量模型描述碳的損失：

56、li(t)＝l0·e-λ·t，其中，li(t)是第i個區(qū)域在時間t的碳損失量，l0是碳損失的初始值，λ是損失衰減率，表示碳損失隨時間的遞減速度；

57、結(jié)合生物量增長模型和碳損失量模型，表示碳儲量在時間t上的變化：

58、其中，ci(0)表示第i個區(qū)域的初始碳儲量，表示凈碳儲量增長，是從時間0到t累積的碳儲量變化；

59、整個森林區(qū)域的碳儲量為各個子區(qū)域的碳儲量的累加，對于n個子區(qū)域，總碳儲量在時間t上的變化為：其中，ctotal(t)是在時間t時整個森林區(qū)域的碳儲量，ci(t)是第i個區(qū)域在時間t的碳儲量；

60、通過逐區(qū)估算得到整個森林區(qū)域的總碳儲量隨時間的動態(tài)變化。

61、本發(fā)明有益效果為：

62、本發(fā)明，整合光學(xué)衛(wèi)星影像、激光雷達(dá)數(shù)據(jù)和高光譜影像遙感數(shù)據(jù)，充分利用不同數(shù)據(jù)源的互補性，光學(xué)影像提供空間分辨率信息，激光雷達(dá)數(shù)據(jù)捕捉森林的垂直結(jié)構(gòu)，高光譜影像反映不同森林類型的光譜特征，通過多源數(shù)據(jù)融合，極大提升了數(shù)據(jù)的全面性和估算精度，能夠更準(zhǔn)確地反映森林的覆蓋情況、垂直結(jié)構(gòu)和生物多樣性，克服單一數(shù)據(jù)源的局限性。

63、本發(fā)明，引入注意力機制，能夠自適應(yīng)地關(guān)注與碳儲量估算相關(guān)的關(guān)鍵特征，不僅提高特征提取的精確性，且通過數(shù)據(jù)降維，避免冗余信息對結(jié)果的干擾，進(jìn)一步提升估算精度。

64、本發(fā)明，將整個森林區(qū)域劃分為多個子區(qū)域，并基于每個子區(qū)域的森林類型單獨構(gòu)建碳儲量估算模型，逐區(qū)估算的方式，細(xì)化不同區(qū)域的碳儲量估算，精準(zhǔn)反映不同森林類型的特性，針對針葉林、闊葉林和熱帶雨林等不同類型的森林，分別構(gòu)建特定的生物量模型和碳轉(zhuǎn)換系數(shù)，提高了碳儲量估算的精度和區(qū)域適應(yīng)性。

65、本發(fā)明，引入基于微分方程的動態(tài)碳儲量預(yù)測模型，結(jié)合歷史和實時遙感數(shù)據(jù)，模擬碳儲量在時間維度上的變化，建立碳儲量增長率與森林生物量之間的對數(shù)關(guān)系，捕捉森林生長、氣候變化、自然災(zāi)害、砍伐等因素對碳儲量的影響，能夠預(yù)測未來的變化趨勢。