多源遥感数据全球数字树木模型仿真数据压缩存储方法与流程

本发明涉及遥感数据处理，尤其涉及一种多源遥感数据全球数字树木模型仿真数据压缩存储方法。

背景技术：

1、传统的二维gis表达形式将城市用符号的形式进行抽象的表达，更多展示了平面位置信息，缺少立体的空间信息，对于非专业出身的普通大众，很难从二维的gis数据中获取到直观信息。目前数字孪生的发展开始广泛集中于如何以三维可视化的形式取代传统的二维的gis表达形式，三维景观建模及可视化是数字孪生中的一个重要的研究内容。全球地表数字孪生三维建模主要是基于数字高程模型数据dem、高分辨率遥感影像数据、高分辨率地表分类数据等。综合运用三维建模技术、计算机图形学技术、三维gis技术表达全球地表数字孪生三维景观。这对生态场景模拟、智慧农业、虚拟现实、元宇宙、全球数字孪生等领域具有重要价值。

2、高分辨率卫星图像遥感系统，为全球地表数字孪生的建设提供了丰富的数据源，包括全球光学影像、高精度dem、地表分类、植被高度、植被类别等数据。

3、地物分类方面，高分辨率对地观测技术在生产地表覆盖数据方面，基于ai技术的地物要素自动提取，遥感影像地物要素提取是指利用深度学习中的语义分割技术，能够自动从影像中提取不同种类的地物类型，如林地，建筑，水，道路等，并根据种类特点进行后续处理。

4、在植被高度数据方面，高分辨率对地观测技术可以利用l-sar植被高度反演技术获取植被的高度信息。这些数据不仅可以用于推断植被的高度，还可以帮助估计森林生长状态、碳储量等生态参数。

5、在dem（数字高程模型）数据方面，高分辨率对地观测技术可以利用多源数据融合的方法生成地表的数字高程模型。

6、公布号为cn114781011b的发明专利公开了一种基于地基激光雷达点云的树木数字孪生方法，该发明利用了地基激光雷达点云数据的高空间分辨率、高精度，强穿透性，分析地基激光雷达实际扫描时间隙的遮挡，考虑叶片聚集，结合叶片和枝干的形态特征，经历地基激光雷达多站扫描、点云预处理、枝叶分离、叶簇欧氏距离聚类、叶片建模、枝干建模；通过运用alpha-shape和德洛尼三角网算法做叶片和枝干模型拟合，有效克服了现有树木数字建模细节不全、枝干构建不真实等问题，实现了基于地基激光雷达点云数据的树木数字孪生，具有高精度、高还原度的技术效果。

7、公告号为cn114781011b的发明专利公开了一种像素级全球森林碳储量高精度计算方法及系统，该发明基于计算几何、模式识别和图像处理的理论和技术，提出了一种像素级全球森林碳储量高精度计算方法模型及系统。融合地面站和无人机激光雷达两类数据提取单木的胸径和树高参数，建立两者的函数关系，用于机载点云仅已知树高条件下拟合胸径，由树高-胸径函数关系和不同树种的异速生长模型得到单木生物量，并计算碳储量真值；同时将森林碳储量与遥感图像分辨率、植被覆盖度、地形坡度和冠层高度等四个变量构建一种具有理论解释性的像素级物理几何模型；最后，通过森林样地的碳储量真值、图像分辨率、植被覆盖度、地形坡度和冠层高度等数据计算模型参数，针对不同树种分别得到像素级的全球森林碳储量计算模型。

8、然而，树木仿真方法，多采用激光雷达数据，而激光雷达数据只能对小范围进行处理，无法覆盖全球范围；数字孪生系统模拟树木分布多采用随机生成的方式，无法反映真实世界的树木分布、高度、类别等信息；全球级别数字孪生系统的数据非常庞大，常规矢量数据存储方法保存全球数据信息需要70t的硬盘。因此显示范围只支持城市级别，无法对全球范围的数据保存，并进行快速漫游访问。因此我们提出一种多源遥感数据全球数字树木模型仿真数据压缩存储方法来解决上述中遇到的问题。

技术实现思路

1、针对现有技术存在的不足，本发明提供一种多源遥感数据全球数字树木模型仿真数据压缩存储方法，以解决上述背景技术中提出树木仿真方法无法覆盖全球范围、无法反映真实世界的树木分布、高度、类别等信息、无法对全球范围的数据保存并进行快速漫游访问的问题。

2、本发明的目的可以通过以下技术方案实现：多源遥感数据全球数字树木模型仿真数据压缩存储方法，所述方法包括：

3、s1：全球范围切片，所述全球范围切片具体使用特定等级对全球范围进行切片，生成512×512像素的切块瓦片，瓦片的经纬度范围作为后续的目标范围；

4、s2：树木仿真多源遥感数据生成方法，所述多源遥感数据具体包括开源的或非开源的全球范围地表覆盖数据、植被类别数据、植被高度数据、dem数据、多光谱红外遥感数据、sar卫星遥感数据；

5、s3：多源遥感数据预处理方法，统一多源遥感数据的格式、坐标系、范围、分辨率；

6、s4：高性能树木程序化生成方法，提取全球树木的位置信息和属性信息，并保存为矢量点数据；

7、s5：数据压缩编码的矢量瓦片存储方法，实现全球树木信息压缩存储。

8、优选的，所述s2中的多源遥感数据的格式具体为tif、shp、json、txt、osm、xml或csv中的任意一种或多种。

9、优选地，所述s2中的多源遥感数据生成方法，包括一种基于多光谱遥感数据反演植被类别的方法，具体步骤如下：

10、a1：数据预处理，进行大气校正处理，裁剪影像，多波段数据重采样到最高分辨率，多个单波段影像合并为一个多波段影像，拼接多个影像；

11、a2：提取特征，单一特征包括单个光谱值特征；混合特征包括常用的植被指数，包括归一化植被指数ndvi、增强型植被指数evi、差值植被指数dvi、比值植被指数rvi、土壤调整型植被指数msavi和土壤调整型植被指数savi；

12、a3：训练有监督机器学习分类模型进行植被分类；以全球树种分布数据和森林类型作为训练数据的标签，a2中特征作为训练数据，对影像区域的植被类型训练分类机器学习模型，然后对整个影像区域预测植被类别，预测的结果保存在栅格影像中；

13、a4：使用地表分类的树木区域作为roi，计算目标区域的树木种类结果。

14、优选地，所述a3中机器学习模型为k最近邻（k-nearest neighbors）、决策树（decision trees）、朴素贝叶斯（naive bayes）、随机森林（random forest）或梯度boosting（gradient boosting）中的任意一种或多种分类模型。

15、优选地，所述s2中的多源遥感数据生成方法，包括一种基于sar影像反演植被高度的方法，具体步骤如下：

16、b1：双景双极化sar数据预处理，具体包括距离向频谱滤波、亚像素精匹配、干涉图生成、去地平效应和斑点噪声滤波；

17、b2：生成复相干系数，计算每景影像的八个复相干系数，分别为主辅影像hh极化复相干系数、vv极化复相干系数hh-vv复相干系数、hh+vv复相干系数、两个优化的相干性系数(opt1、opt2)和pd相位差分法得到的复相干系数(pdhight、pdlow)；

18、b3：基于rvog模型的三阶段算法反演植被高度。

19、优选地，所述s3中多源遥感数据预处理方法具体分为以下步骤：

20、c1：数据格式统一，具体将各种格式的遥感数据转换为地理栅格数据，地理坐标系转换为wgs84；

21、c2：数据范围统一，以目标范围的经纬度坐标范围分别对各种遥感数据进行处理合并和裁剪操作，实现各种数据范围统一；

22、c3：分辨率统一，对c2的数据进行重采样，以数据中最高分辨率为标准，多所有数据进行重采样，实现数据具有统一的分辨率。用于后续数据处理做准备；

23、c4：超像素平滑处理，对低分辨率重采样到高分辨率的数据进行边缘平滑处理，消除锯齿现象，得到与高分辨率数据同样平滑的边缘；

24、c5：计算树木的目标范围，先分别提取地表覆盖数据的植被覆盖区域，植被高度有效值区域，植被类别有效值区域，再计算三者范围的交集作为树木mask影像。

25、优选地，所述s4中高性能树木程序化生成方法具体分为以下步骤：

26、d1：使用虚幻引擎的程序化植被工具，根据初始种子密度、最大年龄、最大传播范围和剔除范围生成树木分布模型，计算分布模型树高的高斯分布，将两个标准差的范围的高度值缩放到0.5-1的范围，低于两个标准差的值赋值为0.5，高于两个标准差的值赋值为1，最终得到树高的权重值，将树木分布模型的树木横纵坐标和高度权重值写为2048×2048的模板影像；

27、d2：以目标范围和最高分辨率生成一张空的底图影像，以尺寸512×512作为单元尺寸对各种遥感影像进行分块处理，得到分块影像；

28、d3：使用多线程技术并行处理分块影像；

29、d4：取d2中单线程的分块影像进行模拟处理，先将分块影像从512×512重采样到2048×2048的尺寸；

30、d5：将d1的模板影像的数据复制到d4的重采样影像中，得到模拟的树木二维分布影像，计算二维分布影像的掩膜影像，有效像素赋值为1，其他赋值为0；

31、d6：上述d5的掩膜影像和植被类别影像进行与运算得到植被类别数据，提取树木类别数据的坐标的值；

32、d7：上述d5的二维分布影像和植被高度影像进行与运算得到植被高度数据，提取树木高度数据的坐标的值；

33、d8：上述d5的掩膜影像和dem影像进行与运算得到植被高程数据，提取植被高程数据的坐标的值；

34、d9：树木的地理坐标和高程值转换为三维点云数据，并添加树木高度属性，建立kd-tree，以树木高度的1/2作为阈值，剔除每颗树阈值范围内的其他树木点数据，快速去除重叠数据；

35、d10：处理后的树木数据包括位置信息和属性信息，位置信息包括：地理坐标、高程值，属性信息包括：植被类别、植被高度信息，树木数据写入矢量文件中，用于后续转换为矢量瓦片数据。

36、优选地，所述d6的植被类别影像具体为步骤a中生成的植被类别影像或者开源的植被类别遥感数据；所述d7的植被高度影像具体为步骤b中生成的植被高度影像或者开源的植被高度遥感数据。

37、优选地，所述数据压缩编码的矢量瓦片存储方法具体分为以下步骤：

38、e1：树木位置和属性信息压缩编码；

39、e2：树木数据压缩存储；

40、e3：压缩数据写入数据库。

41、优选地，所述e1中树木位置和属性信息压缩编码具体分为以下步骤：

42、e1-1：树木的位置信息包括经度lon、纬度lat和高程值altitude，通常情况下使用3个double64格式数据存储，共占24字节；考虑到经度范围是-180-180范围的双精度点数，纬度范围是-90-90范围的双精度浮点数，高程值的范围是0-9999的双精度浮点数，经纬度小数点后7位的精度为分米；uint32格式表达范围是0：4294967295，在保留分米精度的情况下，生成新的位置编码new_lon=lon×10000000，new_lat=lat×10000000，new_altitude=altitude×10；新的编码方式使用12个字节存储了原来24字节的数据，节约了1/2的内存；

43、e1-2：树木的属性信息包含植被类别class_id和树木高度tree_height，通常情况下需要用一个int32和一个float32格式字段来存储，共占16个字节，考虑到树木种类的范围是0-999的整数，植被高度数据范围也是0-999的浮点数，uint32格式表达范围是0:4294967295；在植被高度保存分米的精度情况下，对两个属性数据合并得到新的编码code，计算方式为code=class_id×10000+tree_height×10；新的编码方式使用8个字节的code字段，存储了原来16个字段的信息，节约了1/2的内存；

44、所述e2中树木数据压缩存储具体分为以下步骤：

45、e2-1:将切块瓦片的数据使用delta编码方法基于相邻点之间的差异进行数据压缩，对于每个点，它的坐标值与前一个点的坐标值之间的差异被编码并存储，由于地图数据中相邻点之间的差异通常比较小，因此delta编码可以有效地减少存储空间；

46、e2-2：在编码后数据转换为一种紧凑的二进制格式数据流进行存储，并使用gzip算法对二进制数据流进行压缩；

47、所述e3中压缩数据写入数据库具体为将切块压缩后的矢量瓦片数据写入sqlite、postgresql、mysql数据库引擎中，并根据瓦片的序号创建索引，便于快速检索。

48、与现有技术相比，本发明的有益效果：

49、本发明使用分块和多线程的处理方案，极快提升数据的处理速度，并降低计算机处理大范围数据对内存的要求，处理的性能和效率得到极大提升。

50、本发明结合ue树木分布模型、植被高度、植被属性数据，生成的树木模型既还原真实分布和高度，又还原真实的类别，可实现全球范围的树木仿真模拟。

51、本发明改进的矢量瓦片技术通过以矢量形式存储地图数据，并将其切分成小块进行动态渲染，实现了更高效的地图数据存储、传输和渲染，同时也为用户提供了更丰富、更灵活的地图浏览体验。