一种基于卫星遥感的碳汇监测系统及方法与流程

1.本发明涉及卫星遥感技术领域，特别涉及一种基于卫星遥感的碳汇监测系统及方法。


背景技术：

2.碳汇是指通过植树造林、森林管理、植被恢复等措施，利用植物光合作用吸收大气中的二氧化碳，并将其固定在植被和土壤中，从而减少温室气体在大气中浓度的过程、活动或机制。现有技术中对碳汇进行相关的计算及监测，其中多数方法都需要对监测地区内环境及植物相关数据进行就地监测，根据监测的数据去进行数据拟合计算，该方法测量过程中需要浪费较多的人力及物力，智能化程度不高，同时由于采用理论分析公式或者前人经验进行分析，准确度不高，另一部分采用机器学习的方法构建拟合模型，但是其需要其拟合模型的输入数据同样需要对检测区域就地数据进行采集，无法满足智能化要求。


技术实现要素：

3.为解决上述现有技术中所存在的碳汇监测不够智能化问题，本发明提供一种基于卫星遥感的碳汇监测系统及方法，对遥感数据进行处理，从遥感数据中获取多方面数据，通过多方面数据拟合分析对碳汇量智能化进行有效准确的计算及监测。
4.为了实现上述技术目的，本发明提供了如下技术方案：
5.一种基于卫星遥感的碳汇监测系统，包括：
6.遥感模块，处理模块，监测模块；所述遥感模块、所述处理模块、所述监测模块依次连接；
7.所述遥感模块用于获取遥感数据；
8.所述处理模块用于对遥感数据进行选取，并对选取的遥感数据进行识别，获取碳储监测数据；
9.所述监测模块用于通过深度学习模型对碳储监测数据进行预测，获得碳储量，基于碳储量计算得到碳汇量。
10.可选的，所述遥感模块包括获取模块及预处理模块；
11.所述获取模块与所述预处理模块连接；
12.所述获取模块用于获取初始遥感数据，其中初始遥感数据为多光谱遥感图像；
13.所述预处理模块用于对多光谱遥感图像进行预处理，获取遥感数据，其中预处理包括图像增加及校正。
14.可选的，所述识别模块包括选取模块及分析模块；
15.所述选取模块与所述分析模块连接；
16.所述选取模块用于根据不同波段对遥感数据进行选取，得到不同波段下的遥感数据，不同波段下的遥感数据包括红波段、绿波段、红外波段下的遥感数据；
17.所述分析模块用于对不同波段下的遥感数据分别进行分析计算，得到碳储监测数
据，其中碳储监测数据包括植被覆盖面积，植被类别，植被状况，地表特征。
18.可选的，所述监测模块包括预测模块及计算模块；
19.所述预测模块与所述计算模块连接；
20.所述预测模块通过深度学习模型对所述碳储监测数据进行预测，其中深度学习模型采用卷积神经网络模型；
21.所述计算模块基于换算系数对碳储量的差值进行计算，得到碳汇量。
22.可选的，所述系统还包括训练模块，所述训练模块与所述监测模块连接；
23.所述训练模块用于获取历史碳储监测数据，并对历史碳储监测数据进行数据填充及数据整合，得到填充整合后的数据，基于填充整合后的数据，通过十折交叉验证对深度学习模型进行训练及验证，得到训练好的深度学习模型，通过训练好的深度学习模型对碳储监测数据进行预测。
24.为了更好的实现上述技术目的，本发明还提供了一种基于卫星遥感的碳汇监测方法，包括：
25.获取遥感数据，对遥感数据进行选取，并对提取的遥感数据进行识别，获取碳储监测数据；
26.通过深度学习模型对碳储监测数据进行预测，获得碳储量，基于碳储量计算得到碳汇量。
27.可选的，所述遥感数据的获取过程包括：获取初始遥感数据，其中初始遥感数据为多光谱遥感图像；对多光谱遥感图像进行预处理，获取遥感数据，其中预处理包括图像增加及校正。
28.可选的，所述碳储监测数据的获取过程包括：根据不同波段对遥感数据进行选取，得到不同波段下的遥感数据，不同波段下的遥感数据包括红波段、绿波段、红外波段下的遥感数据，对不同波段下的遥感数据分别进行分析计算，得到碳储监测数据，其中碳储监测数据包括植被覆盖面积，植被类别，植被状况，地表特征。
29.可选的，所述碳汇量的获取过程包括：通过深度学习模型对所述碳储监测数据进行预测，其中深度学习模块采用卷积神经网络模型；基于换算系数对碳储量的差值进行计算，得到碳汇量。
30.可选的，通过深度学习模型对碳储监测数据进行预测之前还包括：获取历史碳储监测数据，并对历史碳储监测数据进行数据填充及数据整合，得到填充整合后的数据，基于填充整合后的数据，通过十折交叉验证对深度学习模型进行训练及验证，得到训练好的深度学习模型，通过训练好的深度学习模型对碳储监测数据进行预测。
31.本发明具有如下技术效果：
32.本发明通过获取卫星遥感数据，对卫星遥感数据中的不同数据分别进行分析，提取能够体现多方面信息的碳储监测数据，并通过深度学习模型对监测数据进行拟合，最后准确有效计算碳汇量。本发明只需要实时获取卫星遥感数据即可，不需要就地采集数据，提升智能化程度，同时不需要使用理论公式等固定的计算方法，通过深度学习模型学习碳储监测数据与碳储量之间的拟合关系，对碳储量进行准确预测，进而实现碳汇的准确监测。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
34.图1为本发明实施例提供的系统示意图；
35.图2为本发明实施例提供的方法流程示意图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.实施例一
38.如图1所述，本发明提供了一种基于卫星遥感的碳汇监测系统，包括：遥感模块，处理模块，监测模块；所述遥感模块、所述处理模块、所述监测模块依次连接；
39.所述遥感模块用于获取遥感数据；所述遥感模块包括获取模块及预处理模块；所述获取模块与所述预处理模块连接；所述获取模块用于获取初始遥感数据，其中初始遥感数据为多光谱遥感图像；所述预处理模块用于对多光谱遥感图像进行预处理，获取遥感数据，其中预处理包括图像增加及校正。初始遥感数据通过遥感模块连接互联网或者其他数据软件进行下载，初始遥感数据通过envi软件进行处理，通过直方图均衡化的方法进行图像增强并通过辐射校正及几何校正等校正方法进行校正，通过上述技术方案获取清晰且信息更明显的遥感数据。
40.所述处理模块用于对遥感数据进行选取，并对提取的遥感数据进行识别，获取碳储监测数据；所述识别模块包括选取模块及分析模块；所述选取模块与所述分析模块连接；所述选取模块用于根据不同波段对遥感数据进行选取，得到不同波段下的遥感数据，不同波段下的遥感数据包括红波段、绿波段、红外波段下的遥感数据；所述分析模块用于对不同波段下的遥感数据分别进行分析计算，得到碳储监测数据，其中碳储监测数据包括植被覆盖面积，植被类别，植被状况，植物生产力及地表特征。处理模块通过波段对多光谱卫星遥感数据进行相关提取，提取出带有相关信息的不同波段下的遥感数据。
41.本实施例中获取红波段、绿波段、红外波段下的遥感数据，通过对红波段下的遥感数据进行处理，对植被的类别及状况进行计算，植被类别可通过颜色的明暗进行识别，植被类别包括森林，矮林及草原等类别，上述类别中，不同植被类别对应遥感数据中的不同明暗，根据明暗对类别进行判断，植被类别判断的过程中可通过构建训练好的一个卷积层的神经网络对上述红波段下的遥感数据进行识别,并设置不同的类别作为输出，并将类别判断结果进行记录，记录后可根据区域的地理位置进行检验，若属于符合该地理位置的类别，保留植被类别数据，不符合则通过人工进行识别，识别对该类别，并对上述神经网络继续进行训练。并根据红波段下图像计算植被归一化指数作为植物状况数据，同时通过绿色波段颜色的明暗去评价植物生产力，植物生产力可根据该图像中的灰度值作为植物生产力作为
深度学习模型的输入；红外波段下识别地物热量辐射，根据辐射热差异进行作物与森林区分、水体、岩石等地表特征识别，通过对全色波段进行边缘提取，将不同区域进行划分，并根据红波段确定的植被类别所在区域将全色波段区域内对应的区域进行提取，获得植被几何特征，根据几何特征进行面积计算得到植被面积。通过不同波段下的分别操作进而获取深度学习模型的输入，上述数据都是通过遥感数据进行的获取，并不需要进行数据就地采集。
42.所述监测模块用于通过深度学习模型对碳储监测数据进行预测，获得碳储量，基于碳储量计算得到碳汇量。所述监测模块包括预测模块及计算模块；所述预测模块与所述计算模块连接；所述预测模块通过深度学习模型对所述碳储监测数据进行预测，其中深度学习模型采用卷积神经网络模型；所述计算模块基于换算系数对碳储量的差值进行计算，得到碳汇量。在监测模块中构建深度学习模型，深度学习模块采用卷积神经网络模型，其中该模型结构包括依次连接的三个卷积-池化层及两个全连接层，激活函数采用sigmoid函数，通过上述的神经网络来体现碳储监测数据与碳储量之间拟合关系，提高最终数值的准确性，在计算碳储量后，对不同时间下的碳储量进行差值计算，计算差值与二氧化碳与碳的换算系数的乘积，得到碳汇量，碳汇量为正时，则该地区判断为碳汇，若为负时则判断该地区为碳排放。监测模块通过连接相关的显示设备对监测模块中的数据进行显示，实现直观监测。
43.所述系统还包括训练模块，所述训练模块与所述监测模块连接；所述训练模块用于获取历史碳储监测数据，并对历史碳储监测数据进行数据填充及数据整合，得到填充整合后的数据，基于填充整合后的数据，通过十折交叉验证对深度学习模型进行训练及验证，得到训练好的深度学习模型，通过训练好的深度学习模型对碳储监测数据进行预测。在深度学习模型中设置学习率设为0.001，训练轮数为500，批次规模为24，通过技术方案的设定使深度学习模型对于关系拟合更加准确。
44.实施例二
45.如图2所示，为了更好的实现上述技术目的，本发明提供了一种基于卫星遥感的碳汇监测方法，包括，
46.获取遥感数据，对遥感数据进行选取，并对提取的遥感数据进行识别，获取碳储监测数据；通过深度学习模型对碳储监测数据进行预测，获得碳储量，基于碳储量计算得到碳汇量。
47.可选的，所述遥感数据的获取过程包括：获取初始遥感数据，其中初始遥感数据为多光谱遥感图像；对多光谱遥感图像进行预处理，获取遥感数据，其中预处理包括图像增加及校正。
48.可选的，所述碳储监测数据的获取过程包括：根据不同波段对遥感数据进行选取，得到不同波段下的遥感数据，不同波段下的遥感数据包括红波段、绿波段、红外波段下的遥感数据，对不同波段下的遥感数据分别进行分析计算，得到碳储监测数据，其中碳储监测数据包括植被覆盖面积，植被类别，植被状况，地表特征。
49.可选的，所述碳汇量的获取过程包括：通过深度学习模型对所述碳储监测数据进行预测，其中深度学习模块采用卷积神经网络模型；基于换算系数对碳储量的差值进行计算，得到碳汇量。
50.可选的，通过深度学习模型对碳储监测数据进行预测之前还包括：获取历史碳储
监测数据，并对历史碳储监测数据进行数据填充及数据整合，得到填充整合后的数据，基于填充整合后的数据，通过十折交叉验证对深度学习模型进行训练及验证，得到训练好的深度学习模型，通过训练好的深度学习模型对碳储监测数据进行预测。本发明方法与系统技术内容相对应，此处不做赘述。
51.以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。