本技术涉及计算机,尤其涉及一种基于多源遥感数据的入侵物种生物量反演方法及装置。
背景技术:
1、为保护海洋湿地生态系统稳定性和生物种类多样性,对外来入侵物种进行检测是十分必要的措施。其中,互花米草作为世界最危险的100中入侵物种之一,容易破坏海洋湿地的生物栖息环境和影响海水交换能力,导致水质下降而诱发赤潮,并且其存在治理难度大的问题,所以业界普遍认为需要对入侵物种的潜在分布进行预测,以防范于未然。
2、目前,针对外来入侵物种的检测主要依赖人工巡查和监测,其存在信息不准确和监测覆盖面不广,以及人工监测不及时和成本高等问题,难以满足大面积海洋湿地的入侵物种监测需求。
技术实现思路
1、为解决上述技术问题,本技术提供了一种基于多源遥感数据的入侵物种生物量反演方法及装置。
2、第一方面,本技术提供了一种基于多源遥感数据的入侵物种生物量反演方法,包括:
3、提取目标区域的多源遥感数据的多模态特征,所述多源遥感数据来源于多个遥感数据平台,所述多源遥感数据包括入侵物种遥感数据,所述多模态特征包括入侵物种的空间分布特征、时间动态变化特征和光谱特征;
4、利用预设生成对抗网络,基于所述多模态特征,对所述多源遥感数据进行数据扩展,生成关于入侵物种遥感数据的训练样本集;
5、基于所述训练样本集,对预设多元回归模型进行训练,直至所述预设多元回归模型达到第一预设收敛条件,得到入侵物种生物量反演模型;
6、利用所述入侵物种生物量反演模型,基于所述目标区域的实时遥感数据进行生物量反演,得到所述目标区域的入侵物种生物量反演数据。
7、在第一方面的一些实现方式中,所述提取目标区域的多源遥感数据的多模态特征,包括:
8、利用预设入侵物种分类模型,对所述多源遥感数据中的入侵物种遥感数据进行标注,得到目标遥感数据,所述预设入侵物种分类模型可基于历史入侵物种遥感数据训练得到;
9、利用预设空洞卷积神经网络,对所述目标遥感数据进行空间特征提取,得到所述入侵物种的空间分布特征;
10、利用循环神经网络,对所述目标遥感数据进行时间特征提取,得到所述入侵物种的时间动态变化特征;
11、利用预设稠密自编码器,对所述目标遥感数据进行降维处理,并对降维处理后的所述目标遥感数据进行光谱特征统计,得到所述入侵物种在所述多源遥感数据中的光谱特征。
12、在第一方面的一些实现方式中,所述利用预设入侵物种分类模型,对所述多源遥感数据中的入侵物种遥感数据进行标注,得到目标遥感数据,包括:
13、获取每种入侵物种的独立遥感数据作为历史入侵物种遥感数据;
14、基于所述历史入侵物种遥感数据作为训练样本,对预设卷积神经网络进行训练,直至所述预设卷积神经网络达到第二预设收敛条件,得到所述预设入侵物种分类模型。
15、在第一方面的一些实现方式中,所述利用预设空洞卷积神经网络,对所述目标遥感数据进行空间特征提取,得到所述入侵物种的空间分布特征,包括:
16、提取所述目标遥感数据中关于所述入侵物种的几何特征、纹理特征和位置特征,得到几何特征图、纹理特征图和位置特征图;
17、利用所述预设空洞卷积神经网络中的空洞卷积核,对所述几何特征图、所述纹理特征图和位置特征图进行卷积,得到所述空间特征图;
18、基于所述空间特征图,输出所述入侵物种的空间分布特征。
19、在第一方面的一些实现方式中,所述利用预设生成对抗网络,基于所述多模态特征,对所述多源遥感数据进行数据扩展,生成关于入侵物种遥感数据的训练样本集,包括:
20、利用所述预设生成对抗网络的生成器,基于所述多模态特征,生成新的多源遥感数据;
21、利用所述预设生成对抗网络的判别器,判断所述新的多源遥感数据是否满足真实性条件;
22、若所述新的多源遥感数据满足真实性条件,则将所有所述新的多源遥感数据与所述多源遥感数据生成为所述训练样本集。
23、在第一方面的一些实现方式中,所述利用所述入侵物种生物量反演模型,基于所述目标区域的实时遥感数据进行生物量反演,得到所述目标区域的入侵物种生物量反演数据,包括:
24、获取所述目标区域的实时遥感数据,并提取所述实时遥感数据的遥感光谱特征,所述遥感光谱特征包括反射光照度特征和入射光照度特征;
25、利用所述入侵物种生物量反演模型,根据所述遥感光谱特征,对所述目标区域进行生物量反演,得到所述目标区域的入侵物种生物量反演数据。
26、在第一方面的一些实现方式中,所述入侵物种生物量反演模型的表达式为:
27、;
28、为基于几何光学模型提取得到的反射光照度特征,为基于辐射传输模型提取得到的入射光照度特征。
29、第二方面,本技术还提供一种基于多源遥感数据的入侵物种生物量反演装置,包括:
30、提取模块,用于提取目标区域的多源遥感数据的多模态特征,所述多源遥感数据来源于多个遥感数据平台,所述多源遥感数据包括入侵物种遥感数据,所述多模态特征包括入侵物种的空间分布特征、时间动态变化特征和光谱特征;
31、扩展模块,用于利用预设生成对抗网络,基于所述多模态特征,对所述多源遥感数据进行数据扩展,生成关于入侵物种遥感数据的训练样本集;
32、训练模块,用于基于所述训练样本集,对预设多元回归模型进行训练,直至所述预设多元回归模型达到第一预设收敛条件,得到入侵物种生物量反演模型;
33、反演模块,用于利用所述入侵物种生物量反演模型,基于所述目标区域的实时遥感数据进行生物量反演,得到所述目标区域的入侵物种生物量反演数据。
34、第三方面,本技术还提供一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的基于多源遥感数据的入侵物种生物量反演方法。
35、第四方面,本技术还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于多源遥感数据的入侵物种生物量反演方法。
36、与现有技术相比,本技术至少具备以下有益效果:
37、通过提取目标区域的多源遥感数据的多模态特征,所述多源遥感数据来源于多个遥感数据平台,所述多源遥感数据包括入侵物种遥感数据,所述多模态特征包括入侵物种的空间分布特征、时间动态变化特征和光谱特征,以通过多个数据平台的遥感数据来源有效解决人工监测信息单一和覆盖范围小的问题,以使入侵物种生物量反演结果有据可循,更加具有说服力;利用预设生成对抗网络,基于所述多模态特征,对所述多源遥感数据进行数据扩展,生成关于入侵物种遥感数据的训练样本集,以扩展关于入侵物种遥感数据的样本数量,有效解决当前关于入侵物种遥感数据少的问题;基于所述训练样本集,对预设多元回归模型进行训练,直至所述预设多元回归模型达到第一预设收敛条件,得到入侵物种生物量反演模型,以通过多元回归模型学习到多元遥感数据中入侵物种的遥感特征;最后利用所述入侵物种生物量反演模型,基于所述目标区域的实时遥感数据进行生物量反演,得到所述目标区域的入侵物种生物量反演数据,实现及时监测入侵物种生物量情况,同时无需耗费用户的大量时间参与监测,降低监测成本。