CN115223055A - 一种基于多源卫星遥感的碳汇估算方法 - Google Patents
一种基于多源卫星遥感的碳汇估算方法 Download PDFInfo
- Publication number
- CN115223055A CN115223055A CN202210839112.0A CN202210839112A CN115223055A CN 115223055 A CN115223055 A CN 115223055A CN 202210839112 A CN202210839112 A CN 202210839112A CN 115223055 A CN115223055 A CN 115223055A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- model
- forest
- carbon sink
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000009825 accumulation Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 23
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 210000000481 breast Anatomy 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013075 data extraction Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Astronomy & Astrophysics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Electromagnetism (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于多源卫星遥感的碳汇估算方法,获取监测区域森林的多源卫星遥感数据、外业调查数据以及激光雷达数据并进行预处理;基于遥感数据提取遥感因子特征变量和纹理特征变量并进行筛选;基于预处理后的外业调查数据和激光雷达监测数据,以提取筛选后的特征变量作为输入进行树种与蓄积量的模型搭建及训练,获取森林蓄积量;结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测。本发明基于多源遥感数据提取筛选出适合反演的特征变量,结合预处理后的外业调查数据和激光雷达监测数据构建蓄积量模型并进行反演精度对比后,通过机器学习预测方法进行碳汇计算,为森林动态监测的分析和管控提供精准数据和方法支持。
Description
技术领域
本发明涉及森林动态监测技术领域,具体涉及一种基于多源卫星遥感的碳汇估算方法。
背景技术
近年来,使用“互联网+自然保护地”的智能化监测模式已经成为一种新的环境生态保护的趋势。随着互联网技术的发展,我国森林管理***逐渐完善。但仍与维护森林资源和生态安全、保障林业可持续发展的目标有一定差距。
但现有技术下,森林监测工作仍存在对象因子不充足的问题,导致监测工作不能十分有效的进行;一方面,国家监测***和地方监测***基于两套不同原理,独立工作,使得监测结果难以协调;另外当前我国林业以监测工作为主,其他类别工作为辅的监测体系不能很好地统筹安排各类工作,导致监测标准不一、工作项目重复率高,数据难以整合,浪费监测资源;且目前我国林业相关的监测设施以及核心监测技术与其他行业的设施技术相比明显落后,并且工作效率相对较低,已经无法满足林业现代化发展的需求。
发明内容
本发明的目的提供一种基于多源卫星遥感的碳汇估算方法,实现全覆盖森林动态监测并获得相应数据集,以解决上述背景技术中提出的问题。
为实现上述目的,本发明采用如下技术方案:
一种基于多源卫星遥感的碳汇估算方法,具体通过以下步骤实现:
获取监测区域森林的多源卫星遥感数据、外业调查数据以及激光雷达数据并进行预处理;
基于遥感数据提取遥感因子特征变量和纹理特征变量并进行筛选;
结合预处理后的外业调查数据和激光雷达监测数据,以提取筛选后的特征变量作为输入进行树种与蓄积量的模型搭建及训练,获取森林蓄积量;
结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测并输出。
进一步地,所述多源卫星遥感数据的预处理包括对高分影像进行辐射定标、校正、融合和镶嵌处理,并根据实际要求进行相应的投影变换、重采样和剪裁;所述外业调查数据的预处理包括调查样木获取树高和胸径,并结合材积模型计算获取单木体积、样地林分蓄积量及单位面积蓄积量;所述激光雷达数据的预处理采用LiDAR360或与之具有相同功能的软件进行激光雷达点云数据的分类、平差以及数字高程模型、数字表面模型和冠层高度模型的处理,并提取反映林分高度、密度和结构信息的若干个变量作为建模的解释变量。
进一步地,所述遥感因子特征变量包括多光谱数据各波段反射率、各波段二阶纹理特征值、常见植被指数以及雷达的各极化方式数据、各极化方式二阶纹理特征值;所述纹理特征变量为灰度共生矩阵。
进一步地,所述遥感因子特征变量和纹理特征变量的筛选采用随机森林的平均精确度减少方法进行特征选择。
进一步地,所述树种与蓄积量模型的搭建及训练具体通过以下方法实现:
基于预处理后的外业调查数据和激光雷达监测数据,以筛选后的特征变量为输入,建立若干种机器学习模型,迭代训练模型在测试集上的预测性能;
将各种机器学习结果作为输入数据通过Stacking模型进行拟合,同时利用K 折交叉验证防止数据过拟合,得到森林蓄积量。
进一步地,所述机器学习模型采用XGBoost、MLP、KNN、MLR、SVR或其他能够实现相同效果的模型。
进一步地,所述结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测具体通过以下方法实现:
基于核技巧,将输入空间的数据映射到特征空间,在新空间用线性分类的学习方法从训练数据中学习分类模型,设原空间X为输入空间,H为特征空间,则存在映射φ(x):X→H,那么对所有的输入实例x,y∈X,核函数K(x,y)满足:
K(x,z)=φ(x)·φ(y);
对于线性支持向量机的对偶问题,用输入实例xi和xj的内积进行目标函数的计算,那么对偶问题的目标函数为:
分离超平面的函数为:
分离决策函数为:
将(xi,xj)的内积用核函数K(xi,xj)=φ(xi)·φ(xj)进行替换,在新的特征空间中进行训练样本学习:
0≤αi≤C,i=1,2,…,N;
其中:样本T={(x1,y1),(x2,y2),......(xN,yN)},x为n维特征向量,y∈[+1,-1];N为惩罚系数;
根据下式求解b*:
获得决策函数:
由以上技术方案可知,本发明基于多源遥感数据进行特征变量提取并筛选出适合反演的特征变量,结合由外业调查数据计算出来的单木材积、样地林分蓄积量及单位面积蓄积量以及由激光雷达数据提取出的反映林分高度、密度和结构信息的变量构建蓄积量模型并进行反演精度对比后,通过机器学习预测方法进行碳汇计算;实现森林树种、蓄积量和碳汇等参数的区域全覆盖监测,能够提供结果矢量栅格数据和专题图等,为森林动态监测的分析和管控提供精准数据和方法支持,以满足林业现代化发展的需求。
附图说明
图1为本发明碳汇估算方法的步骤流程图;
图2为本发明碳汇估算方法的原理会议图;
图3为本发明碳汇估算输出的结果示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式做详细的说明。
如图1和2所示的基于多源卫星遥感的碳汇估算方法,具体通过以下步骤实现:
S1、获取监测区域森林的多源卫星遥感数据、外业调查数据以及激光雷达数据并进行预处理;
在具体的操作中,所述多源卫星遥感数据的预处理包括对高分影像进行辐射定标、校正、融合和镶嵌处理,并根据实际要求进行相应的投影变换、重采样和剪裁;所述外业调查数据的预处理包括调查样木获取树高和胸径,并结合材积模型计算获取单木体积、样地林分蓄积量及单位面积蓄积量;所述激光雷达数据的预处理采用LiDAR360软件进行激光雷达点云数据的分类、平差以及数字高程模型、数字表面模型和冠层高度模型的处理,并提取反映林分高度、密度和结构信息的若干个变量作为建模的解释变量;
S2、基于遥感数据提取遥感因子特征变量和纹理特征变量并进行筛选;
本优选实施例所述的遥感因子特征变量包括多光谱数据各波段反射率、各波段二阶纹理特征值、常见植被指数以及雷达的各极化方式数据、各极化方式二阶纹理特征值;所述纹理特征变量为灰度共生矩阵;所述遥感因子特征变量和纹理特征变量的筛选采用随机森林的平均精确度减少方法进行特征选择,具体的,通过打乱特征变量特征值的顺序,比较顺序变动对模型精确度的影响,当重要变量打乱顺序势必造成模型精确度的降低,以此选取重要特征变量;
S3、结合预处理后的外业调查数据和激光雷达监测数据,以提取筛选后的特征变量作为输入进行树种与蓄积量的模型搭建及训练,获取森林蓄积量;
具体的,所述树种与蓄积量模型的搭建及训练具体通过以下方法实现:
基于预处理后的外业调查数据和激光雷达监测数据,以筛选后的特征变量为输入,建立若干种机器学习模型,迭代训练模型在测试集上的预测性能;本优选实施例所述的机器学习模型采用XGBoost、MLP、KNN、MLR、SVR;
将各种机器学习结果作为输入数据通过Stacking模型进行拟合,通常在建立模型后需要使用外部进行验证,以评估模型的外部可用性,然而获取外部数据并不容易,这时交叉验证则是一种较好的可替代方案,本优选实施例利用K折交叉验证防止数据过拟合,得到森林蓄积量;
上述所述的Stacking是一种模型融合算法,基本思路是通过一个模型融合若干单模型的预测结果,目的是降低单模型的泛化误差,具体的,Stacking先从初始的训练集训练出若干模型,然后把单模型的输出结果作为样本特征进行整合,并把原始样本标记作为新数据样本,生成新的训练集,再根据新训练集训练一个新的模型,最后用新的模型对样本进行预测;所述K折交叉验证中K是一个常数,一般取3-10折。
S4、结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测并输出;
所述结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测具体通过以下方法实现:
基于核技巧,将输入空间的数据映射到特征空间,在新空间用线性分类的学习方法从训练数据中学习分类模型,设原空间X为输入空间,H为特征空间,则存在映射φ(x):X→H,那么对所有的输入实例x,y∈X,核函数K(x,y)满足:
K(x,z)=φ(x)·φ(y);
对于线性支持向量机的对偶问题,用输入实例xi和xj的内积进行目标函数的计算,那么对偶问题的目标函数为:
分离超平面的函数为:
分离决策函数为:
将(xi,xj)的内积用核函数K(xi,xj)=φ(xi)·φ(xj)进行替换,在新的特征空间中进行训练样本学习:
0≤αi≤C,i=1,2,…,N;
其中:样本T={(x1,y1),(x2,y2),......(xN,yN)},x为n维特征向量,y∈[+1,-1];N为惩罚系数;
根据下式求解b*:
获得决策函数:
本发明技术方案提出了一套基于卫星遥感和深度学习的区域全覆盖森林动态监测方法,基于多源遥感数据进行特征变量提取,再对其重要性进行排序,筛选出适合反演的特征变量,结合由外业调查数据计算出来的单木材积、样地林分蓄积量及单位面积蓄积量和由激光雷达数据提取出的反映林分高度、密度和结构信息的变量,构建蓄积量模型和对比反演精度,最后通过机器学习预测方法进行碳汇计算。如图3所示,本发明能够实现森林树种、蓄积量和碳汇等参数的区域高分辨率一图全覆盖监测,并能够根据需要提供结果矢量栅格数据和专题图等数据集,为森林动态监测的分析和管控提供精准数据和方法支持。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (7)
1.一种基于多源卫星遥感的碳汇估算方法,其特征在于,具体通过以下步骤实现:
获取监测区域森林的多源卫星遥感数据、外业调查数据以及激光雷达数据并进行预处理;
基于遥感数据提取遥感因子特征变量和纹理特征变量并进行筛选;
结合预处理后的外业调查数据和激光雷达监测数据,以提取筛选后的特征变量作为输入进行树种与蓄积量的模型搭建及训练,获取森林蓄积量;
结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测并输出。
2.根据权利要求1所述的基于多源卫星遥感的碳汇估算方法,其特征在于,所述多源卫星遥感数据的预处理包括对高分影像进行辐射定标、校正、融合和镶嵌处理,并根据实际要求进行相应的投影变换、重采样和剪裁;所述外业调查数据的预处理包括调查样木获取树高和胸径,并结合材积模型计算获取单木体积、样地林分蓄积量及单位面积蓄积量;所述激光雷达数据的预处理采用LiDAR360或与之具有相同功能的软件进行激光雷达点云数据的分类、平差以及数字高程模型、数字表面模型和冠层高度模型的处理,并提取反映林分高度、密度和结构信息的若干个变量作为建模的解释变量。
3.根据权利要求1所述的基于多源卫星遥感的碳汇估算方法,其特征在于,所述遥感因子特征变量包括多光谱数据各波段反射率、各波段二阶纹理特征值、常见植被指数以及雷达的各极化方式数据、各极化方式二阶纹理特征值;所述纹理特征变量为灰度共生矩阵。
4.根据权利要求3所述的基于多源卫星遥感的碳汇估算方法,其特征在于,所述遥感因子特征变量和纹理特征变量的筛选采用随机森林的平均精确度减少方法进行特征选择。
5.根据权利要求2所述的基于多源卫星遥感的碳汇估算方法,其特征在于,所述树种与蓄积量模型的搭建及训练具体通过以下方法实现:
基于预处理后的外业调查数据和激光雷达监测数据,以筛选后的特征变量为输入,建立若干种机器学习模型,迭代训练模型在测试集上的预测性能;
将各种机器学习结果作为输入数据通过Stacking模型进行拟合,同时利用K折交叉验证防止数据过拟合,得到森林蓄积量。
6.根据权利要求5所述的基于多源卫星遥感的碳汇估算方法,其特征在于,所述机器学习模型采用XGBoost、MLP、KNN、MLR、SVR或其他能够实现相同效果的模型。
7.根据权利要求1所述的基于多源卫星遥感的碳汇估算方法,其特征在于,所述结合森林蓄积量采用非线性支持向量回归模型进行碳汇预测具体通过以下方法实现:
基于核技巧,将输入空间的数据映射到特征空间,在新空间用线性分类的学习方法从训练数据中学习分类模型,设原空间X为输入空间,H为特征空间,则存在映射φ(x):X→H,那么对所有的输入实例x,y∈X,核函数K(x,y)满足:
K(x,z)=φ(x)·φ(y);
对于线性支持向量机的对偶问题,用输入实例xi和xj的内积进行目标函数的计算,那么对偶问题的目标函数为:
分离超平面的函数为:
分离决策函数为:
将(xi,xj)的内积用核函数K(xi,xj)=φ(xi)·φ(xj)进行替换,在新的特征空间中进行训练样本学习:
0≤αi≤C,i=1,2,…,N;
其中:样本T={(x1,y1),(x2,y2),……(xN,yN)},x为n维特征向量,y∈[+1,-1],N为惩罚系数;
根据下式求解b*:
获得决策函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839112.0A CN115223055A (zh) | 2022-07-18 | 2022-07-18 | 一种基于多源卫星遥感的碳汇估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839112.0A CN115223055A (zh) | 2022-07-18 | 2022-07-18 | 一种基于多源卫星遥感的碳汇估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223055A true CN115223055A (zh) | 2022-10-21 |
Family
ID=83612041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839112.0A Pending CN115223055A (zh) | 2022-07-18 | 2022-07-18 | 一种基于多源卫星遥感的碳汇估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223055A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561773A (zh) * | 2022-12-02 | 2023-01-03 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
CN117951469A (zh) * | 2023-12-19 | 2024-04-30 | 宁夏大学 | 一种葡萄园生态***天-空-地一体化碳汇监测***及检测方法 |
-
2022
- 2022-07-18 CN CN202210839112.0A patent/CN115223055A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561773A (zh) * | 2022-12-02 | 2023-01-03 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
CN115561773B (zh) * | 2022-12-02 | 2023-03-10 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
CN117951469A (zh) * | 2023-12-19 | 2024-04-30 | 宁夏大学 | 一种葡萄园生态***天-空-地一体化碳汇监测***及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062282B (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
Wu et al. | An accurate skeleton extraction approach from 3D point clouds of maize plants | |
Timothy et al. | Quantifying aboveground biomass in African environments: A review of the trade-offs between sensor estimation accuracy and costs | |
CN115223055A (zh) | 一种基于多源卫星遥感的碳汇估算方法 | |
Pickard et al. | Comparing quantity, allocation and configuration accuracy of multiple land change models | |
Hüttich et al. | Assessing effects of temporal compositing and varying observation periods for large-area land-cover mapping in semi-arid ecosystems: Implications for global monitoring | |
Silva et al. | A principal component approach for predicting the stem volume in Eucalyptus plantations in Brazil using airborne LiDAR data | |
Jayathunga et al. | Digital aerial photogrammetry for uneven-aged forest management: Assessing the potential to reconstruct canopy structure and estimate living biomass | |
CN114399685B (zh) | 一种森林病虫害的遥感监测评估方法及装置 | |
Gülçin et al. | Assessment of above-ground carbon storage by urban trees using LiDAR data: The case of a university campus | |
Norzaki et al. | A comparative study of template matching, ISO cluster segmentation, and tree canopy segmentation for homogeneous tree counting | |
Hu et al. | Study on the estimation of forest volume based on multi-source data | |
Chen et al. | Estimating deciduous broadleaf forest gross primary productivity by remote sensing data using a random forest regression model | |
CN115147721A (zh) | 一种森林蓄积量的遥感反演方法及装置 | |
CN114595635A (zh) | 火电机组主汽温度数据的特征选择方法、***及设备 | |
Li et al. | Estimation and spatial mapping of residue biomass following CTL harvesting in Pinus radiata plantations: An application of harvester data analytics | |
Räty et al. | Fusing diameter distributions predicted by an area-based approach and individual-tree detection in coniferous-dominated forests | |
Chen et al. | Tree species classification in subtropical natural forests using high-resolution UAV RGB and superview-1 multispectral imageries based on deep learning network approaches: a case study within the Baima snow mountain national nature reserve, China | |
Lee et al. | The extraction of forest CO2 storage capacity using high-resolution airborne LiDAR data | |
CN117830381A (zh) | 湖泊面积变化空间分析模型、构建与面积变化预测方法及装置 | |
He et al. | Evaluation of mangrove wetlands protection patterns in the Guangdong–Hong Kong–Macao Greater Bay area using time-series Landsat imageries | |
Hong et al. | Combining Multisource Data and Machine Learning Approaches for Multiscale Estimation of Forest Biomass | |
CN116381700A (zh) | 一种森林冠层高度遥感估测方法及计算机可读介质 | |
Soininen et al. | Predicting Growth of Individual Trees Directly and Indirectly Using 20-Year Bitemporal Airborne Laser Scanning Point Cloud Data | |
CN104408316B (zh) | 中美岩土工程土壤分类标准转换装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |