地震植被恢复预测方法与流程

1.本发明涉及植被恢复检测领域，特别涉及一种地震植被恢复预测方法。

背景技术：

2.发生地震之后会对山区植被会造成严重的破坏，改变当地的植被状态，破坏当地动物的栖息地环境。所以地震之后的植被恢复是人们关注的一个重点，但是如何根据当前植被的恢复情况来预测后续的植被恢复情况，为后续的植被恢复策略提供支撑是本领域需要解决的一个技术问题。

技术实现要素：

3.本发明提供了一种地震植被恢复预测方法，以解决至少一个上述技术问题。
4.为解决上述问题，作为本发明的一个方面，提供了一种地震植被恢复预测方法，包括：
5.步骤1，获取植被恢复区域的高清卫星遥感图像数据，按照季节分类建立原始数据库作为模型训练数据，并区别植被与非植被地物，对植被进行分类和标记；
6.步骤2，建立基于时间植被恢复特征库与样本库
7.(1)建立植被与植被光谱样本库
8.抽取各类植被与非植被光谱中的b2、b3、b4、b5、b6、b7、b8、b8a、b11和b12构建特征集中的光谱特征子集；
9.(2)利用多种不同的式分别得到不同波段的多种植被相关系数，使得每一个像素点对应一个13维的特征向量，并且在时间尺度上进行组合，得到每一个样本为n*13的矩阵，并且样本每一行的标签为所属的植被种类或者为非植被以得到一个序列化的样本；
10.步骤3，建立植被恢复深度模型
11.(1)从时间尺度上建立测试与训练数据；
12.(2)建立一个循环神经网络rnn模型，优选使tensoeflow深度学习框架实现该模型,模型通过rnn网络不断将信息进行循环，保证信息的持续存在，使用训练数据集训练模型，得出预测结果，并与验证数据集对比，得出预测结果的好坏；
13.(3)将预测结果与验证样本进行对比，计算准确率，混淆矩阵，精确率，召回率指标进行评估，选取最好的模型；
14.步骤4，将地震区域地震后一段时间的遥感影像，按照时间、像素点、计算过相关系数，并进行序列化后输入模型，得到预测结果。
15.优选地，步骤1中，利用dbscan聚类算法将植被与非植被进行区分，提取出植被覆盖的范围，并将非植被区域进行标记。
16.优选地，步骤1中，利用k-means对植被覆盖区域进行聚类，将植被覆盖区域分为乔木、灌木、草本植物三大类，并进行标记。
17.优选地，利用多种不同的式分别得到不同波段的多种植被相关系数包括使用
ndvi、dvi、evi、rvi进行计算，其中，
18.(1)ndvi计算公式为：
[0019][0020]
其中，ρ
nir
和ρ
red
分别代表近红外波段和红光波段的反射率ndvi的值介于-1和1之间。
[0021]
(2)evi计算公式为：
[0022][0023]
其中，ρ
nir
、ρ
red
和ρ
blue
分别代表近红外波段、红光波段和蓝光波段的反射率；
[0024]
(3)rvi计算公式为：
[0025][0026]
该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。
[0027]
优选地，从时间尺度上建立测试与训练数据包括：从时间尺度上抽取前80％时间的数据建立训练数据集，剩余的20％时间的数据作为验证数据集。
[0028]
由于采用了上述技术方案，本发明的可达到以下技术效果：
[0029]
(1)展现地震区域内植被恢复趋势
[0030]
通过将地震区域内遥感影像的按照时间以及像素点的序列化，可以展现地震区域地震后一段时间内的植被恢复趋势。
[0031]
(2)预测植被恢复情况
[0032]
通过基于tensorflow的rnn深度学习模型，学习地震区域内植被恢复的规律，并预测出后续一段时间内植被恢复的情况。
[0033]
(3)帮助指定植被恢复策略
[0034]
通过深度学习模型预测的后续植被恢复情况，可以有效为植被恢复策略的指定提供数据支撑，帮助指定植被恢复策略。
附图说明
[0035]
图1示意性地示出了样本库建立流程图；
[0036]
图2示意性地示出了预测流程图。
具体实施方式
[0037]
以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
[0038]
目前地震之后的植被恢复是一个比较重要震后观察的指标，因此本发明设计建立了一个地震之后植被恢复预测方法，利用遥感图像对植被分布情况分析出植被的恢复情
况，对后续植被恢复情况进行预测。
[0039]
本发明提供了一种地震植被恢复预测方法，其通过对遥感卫星的数据进行分析，以地震区域为植被恢复预测区域，利用深度学习框架学习植被恢复规律和特征，建立一个基于遥感数据的植被恢复深度学习模型，预测地震区域内后续的植被恢复情况，从而达到保护植被和珍惜动物栖息地的目标。
[0040]
本发明的具体实施过程如下：
[0041]
步骤1，模型训练数据获取
[0042]
(1)地震区域遥感数据获取
[0043]
以获取到的高清卫星遥感图像数据为基础，按照矢量范围选取地震区域作为植被恢复区域，将划分出的数据，按照季节分类建立原始数据库。
[0044]
(2)植被与非植被地物区分
[0045]
由于在光谱上植被与非植被的差异较大，在空间分布较为分开，利用dbscan聚类算法将植被与非植被进行区分。提取出植被覆盖的范围，并将非植被区域进行标记
[0046]
(3)植被细分
[0047]
利用k-means对植被覆盖区域进行聚类，将植被覆盖区域分为乔木、灌木、草本植物三大类，并进行标记。
[0048]
步骤2，建立基于时间植被恢复特征库与样本库
[0049]
(1)建立植被与植被光谱样本库
[0050]
抽取各类植被与非植被光谱中的b2(蓝光，490nm)、b3(绿光，560nm)、b4(红光，665nm)、b5(植被红边1，705nm)、b6(植被红边2，740nm)、b7(植被红边3，705nm)、b8(近红外，842nm)、b8a(植被红边4，842nm)、b11(swir1，705nm)和b12(swir2，842nm)构建特征集中的光谱特征子集、
[0051]
(2)计算植被相关系数:
[0052]
使用ndvi(normalized difference vegetation index,归一化植被指数)、dvi(difference vegetation index,差值环境植被指数)、evi(enhanced vegetation index，增强型植被指数)、rvi(ratio vegetation index，比值植被指数)
[0053]
ndvi计算公式：
[0054][0055]
ρ
nir
和ρ
red
分别代表近红外波段和红光波段的反射率ndvi的值介于-1和1之间。
[0056]
evi计算公式：
[0057][0058]
ρ
nir
、ρ
red
和ρ
blue
分别代表近红外波段、红光波段和蓝光波段的反射率。
[0059]
rvi计算公式：
[0060]
[0061]
该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。
[0062]
(3)基于时间特征与样本库建立
[0063]
通过上述计算，使得每一个像素点对应一个13维的特征向量，并且在时间尺度上进行组合，得到每一个样本为n*13的矩阵，其中n为当前样本的时间跨度，并且样本每一行的标签为所属的植被种类或者为非植被。这样就得到了一个序列化的样本
[0064]
步骤3，建立植被恢复深度模型
[0065]
(1)建立测试与训练数据
[0066]
从时间尺度上抽取前80％时间的数据建立训练数据集，剩余的20％时间的数据作为验证数据集。
[0067]
(2)模型训练
[0068]
建立一个循环神经网络rnn模型，优选使tensoeflow深度学习框架实现该模型,模型通过rnn网络不断将信息进行循环，保证信息的持续存在，解决传统神经网络无法通过序列信息对数据进行分类的问题。
[0069]
使用训练数据集训练模型，得出预测结果，并与验证数据集对比，得出预测结果好坏。
[0070]
(3)模型效果评判
[0071]
将预测结果与验证样本进行对比，计算准确率，混淆矩阵，精确率，召回率指标进行评估，选取最好的模型。
[0072]
步骤4，植被恢复效果预测
[0073]
将地震区域地震后一段时间的遥感影像，按照时间、像素点、计算过相关系数，并进行序列化后输入模型，得到预测结果
[0074]
由于采用了上述技术方案，本发明的可达到以下技术效果：
[0075]
(1)展现地震区域内植被恢复趋势
[0076]
通过将地震区域内遥感影像的按照时间以及像素点的序列化，可以展现地震区域地震后一段时间内的植被恢复趋势。
[0077]
(2)预测植被恢复情况
[0078]
通过基于tensorflow的rnn深度学习模型，学习地震区域内植被恢复的规律，并预测出后续一段时间内植被恢复的情况。
[0079]
(3)帮助指定植被恢复策略
[0080]
通过深度学习模型预测的后续植被恢复情况，可以有效为植被恢复策略的指定提供数据支撑，帮助指定植被恢复策略。
[0081]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种地震植被恢复预测方法，其特征在于，包括步骤1，获取植被恢复区域的高清卫星遥感图像数据，按照季节分类建立原始数据库作为模型训练数据，并区别植被与非植被地物，对植被进行分类和标记；步骤2，建立基于时间植被恢复特征库与样本库(1)建立植被与植被光谱样本库抽取各类植被与非植被光谱中的b2、b3、b4、b5、b6、b7、b8、b8a、b11和b12构建特征集中的光谱特征子集；(2)利用多种不同的式分别得到不同波段的多种植被相关系数，使得每一个像素点对应一个13维的特征向量，并且在时间尺度上进行组合，得到每一个样本为n*13的矩阵，并且样本每一行的标签为所属的植被种类或者为非植被以得到一个序列化的样本；步骤3，建立植被恢复深度模型(1)从时间尺度上建立测试与训练数据；(2)建立一个循环神经网络rnn模型，优选使tensoeflow深度学习框架实现该模型,模型通过rnn网络不断将信息进行循环，保证信息的持续存在，使用训练数据集训练模型，得出预测结果，并与验证数据集对比，得出预测结果的好坏；(3)将预测结果与验证样本进行对比，计算准确率，混淆矩阵，精确率，召回率指标进行评估，选取最好的模型；步骤4，将地震区域地震后一段时间的遥感影像，按照时间、像素点、计算过相关系数，并进行序列化后输入模型，得到预测结果。2.根据权利要求1所述的地震植被恢复预测方法，其特征在于，步骤1中，利用dbscan聚类算法将植被与非植被进行区分，提取出植被覆盖的范围，并将非植被区域进行标记。3.根据权利要求1所述的地震植被恢复预测方法，其特征在于，步骤1中，利用k-means对植被覆盖区域进行聚类，将植被覆盖区域分为乔木、灌木、草本植物三大类，并进行标记。4.根据权利要求1所述的地震植被恢复预测方法，其特征在于，利用多种不同的式分别得到不同波段的多种植被相关系数包括使用ndvi、dvi、evi、rvi进行计算，其中，(1)ndvi计算公式为：其中，ρ
nir
和ρ
red
分别代表近红外波段和红光波段的反射率ndvi的值介于-1和1之间。(2)evi计算公式为：其中，ρ
nir
、ρ
red
和ρ
blue
分别代表近红外波段、红光波段和蓝光波段的反射率；(3)rvi计算公式为：该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤
背景之间的辐射差异。5.根据权利要求1所述的地震植被恢复预测方法，其特征在于，从时间尺度上建立测试与训练数据包括：从时间尺度上抽取前80％时间的数据建立训练数据集，剩余的20％时间的数据作为验证数据集。

技术总结

本发明提供了一种地震植被恢复预测方法，包括：获取植被恢复区域的高清卫星遥感图像数据，按照季节分类建立原始数据库作为模型训练数据，并区别植被与非植被地物，对植被进行分类和标记；建立基于时间植被恢复特征库与样本库；建立植被恢复深度模型；将地震区域地震后一段时间的遥感影像，按照时间、像素点、计算过相关系数，并进行序列化后输入模型，得到预测结，可以展现地震区域地震后一段时间内的植被恢复趋势，并预测出后续一段时间内植被恢复的情况。情况。情况。