【技術實現步驟摘要】
本專利技術涉及礦區生態監測與評估，特別是一種基于長時序多源數據的煤炭開采植被擾動分析方法。
技術介紹
1、近年來，隨著煤炭開采活動的日益頻繁和規模不斷擴大，礦區生態環境保護問題逐漸受到廣泛關注。植被作為礦區生態系統的重要組成部分，其健康狀況直接反映了礦區環境的質量和生態恢復的效果。傳統的植被監測方法主要依賴于地面調查和靜態遙感影像分析，這些方法在數據獲取的時效性和空間覆蓋范圍上存在局限性，難以滿足現代礦區生態管理的需求。
2、盡管現有技術在礦區植被監測方面取得了一定進展，但仍存在一些不足之處。首先，現有技術在處理長時序多源數據時，通常缺乏有效的融合機制。各類數據來源不同，時空分辨率各異，如何將這些異構數據進行有效整合，形成高質量的綜合數據集，是當前技術面臨的一大挑戰。例如，在實際應用中，高光譜影像的時間分辨率較低，而氣象數據的空間分辨率有限，單純依靠某一種數據源難以全面反映礦區植被的真實狀態。其次，現有技術在植被健康指數計算和狀態預測方面，往往忽視了時間維度的影響。礦區植被的健康狀況不僅受當前環境因素影響，還與歷史數據密切相關。現有的大多數模型未能充分考慮時間序列數據中的長期依賴關系，導致預測結果的準確性和魯棒性有待提高。
技術實現思路
1、鑒于上述現有存在的問題，提出了本專利技術。
2、因此，本專利技術提供了一種基于長時序多源數據的煤炭開采植被擾動分析方法解決了現有技術中長時序多源數據融合機制不足和忽視時間維度影響的問題。
3、為解決上述技術問
4、第一方面，本專利技術提供了一種基于長時序多源數據的煤炭開采植被擾動分析方法，其包括，采集礦區長時序光譜影像數據，并對礦區長時序光譜影像數據進行預處理；基于預處理后的礦區長時序光譜影像數據，通過主成分分析并結合分類算法，獲取植被分類圖；基于植被分類圖，獲取植被健康指數，評估礦區植被健康狀況和植被變化趨勢，獲取植被健康狀態時間序列數據；基于植被健康狀態時間序列數據，獲取高質量植被綜合數據；基于lstm模型，構建植被狀態預測模型；基于高質量植被綜合數據，通過植被狀態預測模型，預測未來植被狀態。
5、作為本專利技術所述一種基于長時序多源數據的煤炭開采植被擾動分析方法的一種優選方案，其中：所述礦區長時序光譜影像數據包括礦區多時相影像、輔助多源數據、礦區高光譜和超光譜影像；
6、所述對礦區長時序光譜影像數據預處理包括輻射定標、大氣校正以及幾何校正。
7、作為本專利技術所述一種基于長時序多源數據的煤炭開采植被擾動分析方法的一種優選方案，其中：所述基于預處理后的礦區長時序光譜影像數據，通過主成分分析并結合分類算法，獲取植被分類圖，具體過程如下，
8、將預處理后的礦區長時序光譜影像數據轉換為數據矩陣；
9、對數據矩陣中的每個波段進行標準化處理；
10、基于標準化處理后的數據矩陣，獲取協方差矩陣；
11、基于協方差矩陣計算特征值和特征向量，獲取新基層；
12、將預處理后的礦區長時序光譜影像數據投影到新基層，獲取降維數據；
13、基于降維數據，獲取植被光譜特征；
14、基于植被光譜特征，計算每個數據樣本點的植被光譜特征強度，表達式為：
15、；
16、其中，是第個數據樣本點的降維數據的植被光譜特征強度，是第個數據樣本點的降維數據，是第個主成分的權重系數，是控制第個主成分上第一項指數函數衰減速度的控制參數，是第個主成分上第一項指數函數的中心位置，是控制第個主成分上第二項指數函數衰減速度的控制參數，是第個主成分上第二項指數函數的中心位置，是第個數據樣本點的降維數據在第個主成分上的值，是主成分的總數，是主成分的索引變量，是數據樣本點的索引變量；
17、基于植被光譜特征強度分布，定義植被區分閾值；
18、基于植被光譜特征強度和植被區分閾值，分析植被區域；
19、當時，標記為植被區域；
20、當時，標記為非植被區域；
21、基于分類結果，通過形態學運算和連通域分析進行優化，并合并相鄰同類型區域，獲取植被分類圖。
22、作為本專利技術所述一種基于長時序多源數據的煤炭開采植被擾動分析方法的一種優選方案，其中：所述基于植被分類圖，獲取植被健康指數，具體步驟如下，
23、基于植被分類圖，通過空間聚類算法，獲取植被樣本點；
24、通過植被樣本點和植被光譜特征強度，計算植被健康指數，表達式為：
25、；
26、其中，是第個植被樣本點在時間的植被健康指數，是第個植被樣本點，是在時間依賴的第個主成分的權重系數，是第個主成分上的權重系數，是第個植被樣本點的綜合光譜指數，是第個主成分上的權重系數，是控制第個主成分時間衰弱速度的參數，是第個主成分的時間中心位置，是分母中控制第個主成分時間衰減速度的參數，是分母中第個主成分的時間中心位置，是主成分的索引變量，是植被樣本點的索引變量。
27、作為本專利技術所述一種基于長時序多源數據的煤炭開采植被擾動分析方法的一種優選方案，其中：所述評估礦區植被健康狀況和植被變化趨勢，獲取植被健康狀態時間序列數據，具體步驟如下，
28、通過分析歷史植被健康指數的分布，定義健康閾值和受損閾值；
29、基于植被健康指數、健康閾值和受損閾值，判斷植被健康狀況；
30、當時，表示植被處于健康狀況；
31、當時，表示植被處于亞健康狀況；
32、當時，表示植被處于受損狀況；
33、將每個時間點的分類結果和對應的植被健康指數按照時間順序排序，獲得時間序列數據；
34、通過時間序列分解方法對時間序列數據中的植被健康指數進行分析，獲取植被變化趨勢；
35、將植被變化趨勢和植被分類圖進行結合，獲取植被健康狀態時間序列數據。
36、作為本專利技術所述一種基于長時序多源數據的煤炭開采植被擾動分析方法的一種優選方案，其中：所述基于植被健康狀態時間序列數據，獲取高質量植被綜合數據，具體步驟如下，
37、將輔助多源數據與植被健康狀態時間序列數據進行時間和空間匹配；
38、通過貝葉斯融合方法將植被健康狀態時間序列數據與輔助多源數據進行融合，獲取多源融合數據集；
39、基于多源融合數據集，通過動態時空校正算法，獲取高質量植被綜合數據。
40、作為本專利技術所述一種基于長時序多源數據的煤炭開采植被擾動分析方法的一種優選方案，其中：所述基于lstm模型，構建植被狀態預測模型，具體過程如下，
41、通過加權平均法整合每個時間點的歷史高質量植被綜合數據，提取歷史植被特征向量；
42、基于歷史植被特征向量，通過滑動窗口方法構造時間序列樣本；
43、以lstm模型為基礎模型；
44、輸入層接收時間序列樣本；
45、本文檔來自技高網...
【技術保護點】
1.一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：包括，
2.如權利要求1所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述礦區長時序光譜影像數據包括礦區多時相影像、輔助多源數據、礦區高光譜和超光譜影像；
3.如權利要求2所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述基于預處理后的礦區長時序光譜影像數據，通過主成分分析并結合分類算法，獲取植被分類圖，具體過程如下，
4.如權利要求3所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述基于植被分類圖，獲取植被健康指數，具體步驟如下，
5.如權利要求4所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述評估礦區植被健康狀況和植被變化趨勢，獲取植被健康狀態時間序列數據，具體步驟如下，
6.如權利要求5所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述基于植被健康狀態時間序列數據，獲取高質量植被綜合數據，具體步驟如下，
7.如權利要求6所述的一
8.如權利要求7所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述基于高質量植被綜合數據，通過植被狀態預測模型，預測未來植被狀態，具體步驟如下，
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于：所述處理器執行所述計算機程序時實現權利要求1~8任一所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現權利要求1~8任一所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法的步驟。
...【技術特征摘要】
1.一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：包括，
2.如權利要求1所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述礦區長時序光譜影像數據包括礦區多時相影像、輔助多源數據、礦區高光譜和超光譜影像；
3.如權利要求2所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述基于預處理后的礦區長時序光譜影像數據，通過主成分分析并結合分類算法，獲取植被分類圖，具體過程如下，
4.如權利要求3所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述基于植被分類圖，獲取植被健康指數，具體步驟如下，
5.如權利要求4所述的一種基于長時序多源數據的煤炭開采植被擾動分析方法，其特征在于：所述評估礦區植被健康狀況和植被變化趨勢，獲取植被健康狀態時間序列數據，具體步驟如下，
6.如權利要求5所述的一種基于長時序多源數據的...
【專利技術屬性】
技術研發人員：高東忍，王廣偉，王琰，張攀，賈海斌，畢博，陳希，武文剛，
申請(專利權)人：山東新巨龍能源有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。