【技術實現步驟摘要】
本專利技術涉及一種森林采伐檢測、森林采伐制圖，具體涉及一種基于計算機視覺模型和sentinel-1時間序列sar數據的大尺度森林采伐制圖方法。
技術介紹
1、深度學習模型，如u-net，可以自動從sentinel-1數據中學習復雜的特征，它能夠捕獲不同形狀和方向的完整實體的采伐斑塊，在采伐制圖方面優于傳統方法(如現有文獻：利用密集時間序列sentinel-1sar圖像和深度學習的月度森林采伐制圖，2022，環境遙感)。然而，u-net模型在應用于sentinel-1數據進行森林采伐制圖時仍然面臨挑戰。sentinel-1的sar圖像容易出現斑點噪聲，這使得提取準確分析所需的清晰可靠的特征變得復雜，給u-net在處理特定的多尺度森林環境復雜性時帶來了困難。此外，在上下文感知方面，該模型對局部域的依賴可能會限制其在不同地點的巨大、異質森林景觀中捕獲更廣泛的上下文信息的能力。
2、隨著計算機視覺技術的進步，為遙感數據定制的基礎圖像分割模型已經出現，為改進大規模森林采伐制圖開辟了新的途徑。最近，meta?ai推出了計算機視覺基礎模型(segment?anything?model，sam)，這是一種基于自然圖像訓練的強大計算機視覺基礎模型，能夠在復雜場景下進行準確分割。sam的出現為進一步改進基于遙感數據的森林采伐制圖提供了新的見解(如現有文獻：分割一切，2023，ieee/cvf計算機視覺國際會議論文集)。然而，原始的sam模型是在自然圖像上訓練的，模型結構中缺少處理sar噪聲的模塊。因此，sam很難從自然圖像推廣到sar數
3、深度學習模型需要大量高質量的帶注釋的數據進行訓練，而這些數據的獲取成本高，耗時長。其次，地形、物種組成和采伐模式的異質性使模型難以跨區域遷移。理想情況下，遷移和主動學習技術與自適應sam的結合可以節省計算資源，同時最大限度地利用有限的標記數據，為解決大規模采伐制圖的效率和成本挑戰提供了一個有前途的解決方案。一方面，遷移學習允許模型將預先訓練好的知識應用到新的任務中，減少對標記數據的需求，增強跨區域的適應性。對本地數據進行微調是最常用的遷移學習技術之一，它可以減少對大量標記數據的需求，并增強模型在不同地理區域和森林類型之間的可移植性。另一方面，主動學習通過優化訓練過程來解決這些問題。具體來說，它可以選擇最具代表性的樣本，避免冗余，在優化模型性能的同時最小化成本。
4、因此，在本專利技術中提出了一個新的框架，即基于sentinel-1sar數據和sam的框架(samsr)，利用時間序列sentinel-1數據來繪制四個泛熱帶熱點地區的大規模森林采伐圖。我們的具體目標包括：(1)以原始sam模型和u-net模型為基準，評估samsr的性能。(2)基于遷移學習方法，確定所述框架在四個環境條件不同的大型測試點(巴西朗多尼亞州、中國廣西壯族自治區、美國加州和中國海南)的最佳遷移策略。(3)評估主動學習方法在減少模型訓練所需樣本數量和提高samsr效率方面的有效性。
技術實現思路
1、本專利技術為解決現有基于sentinel-1時間序列sar數據的森林采伐制圖模型精度不高以及缺乏對跨區域可轉移性的測試等問題，提供一種基于計算機視覺模型和sentinel-1時間序列sar數據的大尺度森林采伐制圖方法。
2、基于計算機視覺模型和sentinel-1時間序列sar數據的大尺度森林采伐制圖方法，該方法由以下步驟：
3、步驟一、采集采伐樣本的高分辨率planet圖像數據和sentinel-1sar圖像數據；
4、步驟二、對步驟一采集的圖像數據進行預處理；并劃分為訓練集、驗證集和測試集；
5、步驟三、建立森林采伐制圖模型samsr，采用訓練集對samsr模型進行訓練，獲得訓練后的samsr模型；
6、所述samsr模型包括vit分支層、cnn分支層、cba層、提示編碼器和掩碼解碼器；
7、將訓練集同時輸入vit分支層和cnn分支層；所述vit分支層用于提取圖像的全局特征，所述cnn層用于提取圖像的局部特征，將所述全局特征和局部特征輸入cba層進行特征加權融合提取特征圖；
8、將所述特征圖輸入掩碼解碼器，生成圖像分割掩碼；
9、將所述提示編碼器的真實圖像分割圖輸入掩碼解碼器并與生成圖像分割掩碼進行比較，最終生成森林采伐概率圖；
10、步驟四、采用測試集對訓練后的samsr模型進行測試，并利用所述samsr模型以及sentinel-1數據進行月度森林采伐制圖。
11、本專利技術的有益效果：
12、1.本專利技術所述的制圖方法中，利用sentinel-1sar數據結合sam模型提取出森林采伐的動態變化特征，解決了現有方法中監測精度不足、時效性不強的問題。利用sentinel-1sar數據，不僅能夠及時監測森林采伐情況，還能在多種區域條件下提供穩定的遙感數據支持。該方法可大幅提升大尺度森林區域的采伐監控能力，有效應對非法采伐問題，并為全球環境治理提供技術支撐。此外，該方法還能克服復雜地形、云層等傳統遙感數據的障礙，進一步拓展了遙感技術的應用邊界。本方法領先性為森林資源管理帶來了顛覆性變化，推動了行業的創新發展。
13、2.本專利技術基于時間序列sar數據的森林采伐制圖方法能夠在各種環境條件下對大尺度森林采伐進行監測，解決了傳統光學遙感受天氣影響的痛點，填補了市場空白，滿足了全球森林資源監控的迫切需求。通過提供精準的森林采伐監控數據，能夠幫助政府和國際組織減少因非法采伐帶來的環境和經濟損失，提升資源管理效率。環保組織、碳排放管理機構和林業公司等將通過采用該技術，優化其資源管理和保護方案，從而節約成本、提高效益。此外，由于sentinel-1衛星的數據是免費公開的，這大大降低了數據獲取成本，提高了該技術的市場推廣潛力。
14、3.本專利技術所述的制圖方法中，提出并評估了利用sentinel-1圖像和自適應sam模型繪制大規模森林采伐的samsr模型。samsr模型在4個泛熱帶研究區上表現良好，其結果始終優于基線原始sam和u-net模型，iou分別提高28.30％和6.25％。進一步確定了跨區域的最佳遷移策略，并探索了主動學習提高模型效率的潛力。通過samsr模型發現多區域組合模型的遷移性能最好，主動學習進一步提高了效率，達到飽和精度大約減少了20％-70％的訓練樣本。
15、4.本專利技術所述的samsr模型提高了森林采伐制圖的準確性，并通過提供對森林長期動態的詳細見解來支持本文檔來自技高網...
【技術保護點】
1.基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征是：該方法由以下步驟：
2.根據權利要求1所述的基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征在于：步驟二中，數據預處理包括將圖像數據預處理為一致尺寸；并將所述高分辨率Planet圖像數據作為標注數據；將Sentinel-1SAR圖像數據去除噪聲、輻射定標、地形校正以及數據裁剪。
3.根據權利要求1所述的基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征在于：步驟三中，還包括設定所述SAMSR模型的訓練次數epoch，在SAMSR模型訓練過程中，采用dice損失函數和二元交叉熵損失函數進行監督，優化器為Adam，初始學習率為0.0001，batch?size為8，每個epoch結束后，SAMSR模型計算在驗證集上的IoU，如果當前的IoU優于之前的最佳IoU，則當前SAMSR模型則為最優模型，直到訓練結束。
4.根據權利要求1所述的基于計算機視覺模型和Sentinel-
5.根據權利要求1所述的基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征在于：采伐概率圖中的每個像素值即為采伐概率，采伐概率大于0.5的像素則為采伐。
6.根據權利要求1所述的基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征在于：所述ViT分支層包括適配器、窗口變壓器和全局變壓器；
7.根據權利要求1所述的基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征在于：所述CNN分支層通過多個卷積池化塊提取圖像的局部特征并輸入CBA層使兩分支特征加權融合提取特征圖。
8.根據權利要求1所述的基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征在于：步驟四中，還包括對SAMSR模型的性能進行評估；具體為：
9.根據權利要求8所述的基于計算機視覺模型和Sentinel-1時間序列SAR數據的大尺度森林采伐制圖方法，其特征在于：所述遷移策略包括對目標區域的樣本進行再訓練，評估SAMSR模型在所述目標區域的適應性；所述主動學習策略即為通過選擇研究區域具有代表性的樣本再訓練。
...【技術特征摘要】
1.基于計算機視覺模型和sentinel-1時間序列sar數據的大尺度森林采伐制圖方法，其特征是：該方法由以下步驟：
2.根據權利要求1所述的基于計算機視覺模型和sentinel-1時間序列sar數據的大尺度森林采伐制圖方法，其特征在于：步驟二中，數據預處理包括將圖像數據預處理為一致尺寸；并將所述高分辨率planet圖像數據作為標注數據；將sentinel-1sar圖像數據去除噪聲、輻射定標、地形校正以及數據裁剪。
3.根據權利要求1所述的基于計算機視覺模型和sentinel-1時間序列sar數據的大尺度森林采伐制圖方法，其特征在于：步驟三中，還包括設定所述samsr模型的訓練次數epoch，在samsr模型訓練過程中，采用dice損失函數和二元交叉熵損失函數進行監督，優化器為adam，初始學習率為0.0001，batch?size為8，每個epoch結束后，samsr模型計算在驗證集上的iou，如果當前的iou優于之前的最佳iou，則當前samsr模型則為最優模型，直到訓練結束。
4.根據權利要求1所述的基于計算機視覺模型和sentinel-1時間序列sar數據的大尺度森林采伐制圖方法，其特征在于：訓練集采用vv和vh兩個極化波段的sentinel-1sar圖像以及標簽圖...
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。