[发明专利]利用深度感知网络和视差遥感影像进行森林高度预测方法

说明书

本发明公开了利用深度感知网络和视差遥感影像进行森林高度预测的方法，首先需要在两幅具有视差的遥感影像基础上获取一定窗口大小的区域遥感影像，同时提取样地森林高度数据，之后将区域遥感影像转换为行向量，与森林高度数据对应作为深度感知网络模型的输入数据，对深度感知网络模型进行训练，最后通过相关系数和均方根误差评估预测效果，保存深度感知网络模型，利用保存的深度感知网络模型对感兴趣区域的森林高度进行预测，输出区域森林高度数据，并生成相应的森林高度图。

技术领域

本发明属于图像处理技术领域，尤其涉及一种利用深度感知网络和视差遥感影像进行森林高度预测的方法。

背景技术

传统的进行森林高度预测的方法主要在实地利用标杆、测高器等工具结合相似三角形、三角函数等理论进行测量，进而计算林分平均树高。但这种方法工作量大、效率低、测量范围小。由于激光雷达具有估测树高的能力，在对森林高度这种垂直结构的探测方面具备很大优势，在近年发展应用很快。但激光雷达存在很难提供大范围全覆盖连续区域数据的不足，因此可以考虑将遥感数据与其他技术方法相结合获取森林高度。

已有研究利用森林冬夏差异、纹理因子等信息，采用立体相对、回归模型法、Hough变化算法、随机森林、人工神经网络等方法获得区域森林高度。针对落叶林的特点，采用立体相对信息获取两季节(夏季和冬季)的地面和森林表面高度，由此推算森林冠层高度。利用面向对象的方法对影像先分类再建立树高估测回归模型，精度可以达到74.89％。利用Hough变换算法探测树干形态特征，垂直检测提取树高，天然林树高估测结果显示为R²＝0.77，RMSE＝1.46m。研究分别利用随机森林、人工神经网络的方法构建1km空间分辨率的全球森林冠层高度图，其决定系数分别为0.5和0.68，误差分别为6.1m和4.15m

深度学习的发展表明，采用深层结构的神经网络有望取得更好的预测效果。本发明通过深度感知网络对森林高度进行预测，得到区域连续的森林高度预测结果；本发明可操作性较强、计算效率高，适用于区域连续的森林高度预测任务。

发明内容

本发明要解决的技术问题是，提供一种利用深度感知网络进行森林高度预测的方法，用于两幅具有视差的遥感影像的森林高度预测，通过算法自动生成区域连续的森林高度图。

为实现上述目的，本发明采用如下的技术方案：

利用深度感知网络和视差遥感影像进行森林高度预测的方法，包括以下步骤：

步骤1：将两幅具有视差、大小为W×H的遥感影像I_s、I_w，分别在样地点按r×r窗口大小批量裁剪，r＝3，5，9，13；得到不同窗口大小的区域遥感影像X，其与激光雷达森林高度数据Y组成输入数据对(X，Y)；W为遥感影像的宽度，H为遥感影像的高度。

步骤2：选择深度学习框架(如TensorFlow)，建立深度感知网络；

步骤3：将不同窗口大小的区域遥感影像X转化为模型可识别数据，以进行深度感知网络模型训练；

步骤4：选择合适的优化算法、损失函数调参，设置学习率、迭代次数、隐含层神经元个数等参数，利用准备好的数据对(X,Y)对深度感知网络模型进行训练，并保存模型；

步骤5：滑动提取需要进行高度预测的感兴趣区域遥感影像，输入已保存的深度感知网络模型，输出区域森林高度数据，并生成相应的森林高度图；

作为优选，所采用的深度感知网络采用六层结构，权重非常小(w10^-4)的节点被隐藏以减少内存消耗和计算量。

附图说明

图1(a)为实验数据第一幅具有视差的遥感影像；

图1(b)为实验数据第二幅具有视差的遥感影像；

图1(c)为实验数据标签区域；