一种林区物候及环境扰动检测方法、系统及计算机程序与流程

本发明涉及林区动态变化检测领域，尤其涉及一种林区物候及环境扰动检测方法。

背景技术：

1、林区的物候是指林区中生物体（如植物、动物等）随季节变化而出现的周期性现象。这包括植物的发芽、开花、结果、落叶，以及动物的迁徙、繁殖等行为。林区物候的变化受到多种因素的影响，包括气候、地形、土壤等自然因素，以及人类活动等人为因素。

2、林区的环境扰动是指对林区生态系统产生干扰的各种因素，包括自然因素和人为因素。这些扰动可能导致林区生态系统的结构、功能和动态发生变化。

3、林区物候与环境扰动之间存在密切的相互关系。一方面，环境扰动可以影响林区物候的变化。例如，气候变化可能导致植物的生长发育周期发生变化，进而影响林区生态系统的结构和功能。另一方面，林区物候的变化也可能对环境扰动产生反馈作用。例如，林区植被的变化可能影响土壤的水分和养分条件，进而影响水文过程和土壤侵蚀等环境问题。

4、对林区的物候及环境扰动进行动态变化检测，可以及时了解森林资源的数量和质量，掌握森林资源的消长变化规律和趋势，分析影响与制约森林生长的自然、经济、社会客观条件，建立或更新森林资源档案，对揭示生态系统环境变化、植被恢复和重建布局等具有重要意义。但现有的技术，很少涉及对林区物候及环境扰动进行检测。

技术实现思路

1、本发明提供一种林区物候及环境扰动检测方法，能够利用林区遥感时间序列图像数据，构建时间序列全卷积神经网络模型，识别林区物候及环境扰动变化。

2、为达到上述目的，本发明的实施例采用如下技术方案：

3、一种林区物候及环境扰动检测方法，包括以下步骤：

4、获取林区遥感时间序列图像数据；

5、根据林区遥感时间序列图像数据，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型；

6、基于林区遥感时间序列图像数据，构建样本数据集，对时间序列全卷积神经网络模型进行训练，获得林区物候及环境扰动检测模型；

7、将林区遥感时间序列图像数据输入林区物候及环境扰动检测模型，获得林区物候及环境扰动检测结果。

8、依照本发明的一个方面，所述林区物候及环境扰动检测方法还包括：对林区遥感时间序列图像数据进行预处理。

9、依照本发明的一个方面，所述对林区遥感时间序列图像数据进行预处理包括：辐射和大气校正、云和阴影去除、以及几何校正。

10、依照本发明的一个方面，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型包括：

11、利用分层深度卷积网络架构作为空间编码器，通过逐级设置卷积层、relu激活函数和批量规范化层，结合步进卷积模块，逐层深化特征提取，提取图像的空间特征，获得沿时间轴堆叠、经空间编码处理的特征图。

12、依照本发明的一个方面，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型还包括：

13、集成时间注意力编码器并应用时间注意力机制，为序列内各时间点的特征图分配不同的权重，实现数据集在时间维度上的高效编码，识别林区的时序动态特征。

14、依照本发明的一个方面，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型还包括：

15、基于u-net构建模型，利用分层步进转置卷积技术逐步提升特征图的空间分辨率，引入跳跃连接技术和注意力机制，融合特征图与时序动态特征，重构原始遥感时间序列图像数据的空间细节。

16、依照本发明的一个方面，构建样本数据集时，对图像数据进行数据增强，基于时间窗口滑动技术构建样本数据集。

17、依照本发明的一个方面，所述对时间序列全卷积神经网络模型进行训练包括：

18、选择交叉熵损失函数处理像素级分类任务，并引入dice损失以提升对细小目标的识别能力及平衡类别不均问题；

19、选用adam优化器，提高训练效率和模型收敛速度；

20、实施学习率衰减策略，在训练初期实现快速学习，在后期保持稳定收敛；

21、采用早停机制防止过拟合。

22、依照本发明的一个方面，所述对时间序列全卷积神经网络模型进行训练还包括：

23、在验证集上基于多项指标，包括但不限于精度、召回率和f1分数，对模型进行综合评估；

24、根据综合评估结果，对网络模型进行微调。

25、依照本发明的一个方面，所述林区物候及环境扰动检测方法还包括以下步骤：

26、根据林区物候及环境扰动检测结果，构建林区物候及环境扰动时空分布图。

27、一种林区物候及环境扰动检测系统，基于如上所述所述的林区物候及环境扰动检测方法，包括：

28、数据获取模块，用于获取林区遥感时间序列图像数据；

29、模型构建模块，用于根据林区遥感时间序列图像数据，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型；

30、训练模块，用于基于林区遥感时间序列图像数据，构建样本数据集，对时间序列全卷积神经网络模型进行训练，获得林区物候及环境扰动检测模型；

31、检测模块，用于将林区遥感时间序列图像数据输入林区物候及环境扰动检测模型，获得林区物候及环境扰动检测结果。

32、一种计算机程序，所述计算机程序被执行时实现如上所述所述的林区物候及环境扰动检测方法的步骤。

33、本发明实施的优点：

34、本发明提供一种林区物候及环境扰动检测方法，能够利用高时序中空间分辨率的林区遥感时间序列图像数据，构建时间序列全卷积神经网络模型，识别林区物候及环境扰动变化，定位扰动区域和时间。

35、本方法首先收集遥感时序数据，并通过一系列预处理步骤进行优化，确保数据质量与可用性；然后基于预处理后的遥感时序数据，构建针对时序数据分析优化的全卷积神经网络模型，详细映射植被覆盖随时间变化的周期性物候特征及环境扰动事件的时空分布，准确识别植被覆盖区域内环境扰动事件的发生时间和地点，实现对植被扰动信息高效准确监测。

36、本方法还能基于多项指标对网络模型进行综合评估，根据评估结果对网络模型进行微调完善；根据林区物候及环境扰动检测结果，整合数据，构建林区物候及环境扰动时空分布图，为环境监控和决策分析提供了重要信息。

技术特征：

1.一种林区物候及环境扰动检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的林区物候及环境扰动检测方法，其特征在于，所述林区物候及环境扰动检测方法还包括：对林区遥感时间序列图像数据进行预处理。

3.根据权利要求2所述的林区物候及环境扰动检测方法，其特征在于，所述对林区遥感时间序列图像数据进行预处理包括：辐射和大气校正、云和阴影去除、以及几何校正。

4.根据权利要求1所述的林区物候及环境扰动检测方法，其特征在于，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型包括：

5.根据权利要求4所述的林区物候及环境扰动检测方法，其特征在于，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型还包括：

6.根据权利要求5所述的林区物候及环境扰动检测方法，其特征在于，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型还包括：

7.根据权利要求1所述的林区物候及环境扰动检测方法，其特征在于，构建样本数据集时，对图像数据进行数据增强，基于时间窗口滑动技术构建样本数据集。

8.根据权利要求1所述的林区物候及环境扰动检测方法，其特征在于，所述对时间序列全卷积神经网络模型进行训练包括：

9.根据权利要求8所述的林区物候及环境扰动检测方法，其特征在于，所述对时间序列全卷积神经网络模型进行训练还包括：

10.根据权利要求1所述的林区物候及环境扰动检测方法，其特征在于，所述林区物候及环境扰动检测方法还包括以下步骤：

11.一种林区物候及环境扰动检测系统，其特征在于，基于权利要求1至10中任一项所述的林区物候及环境扰动检测方法，包括：

12.一种计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至10任一项所述的林区物候及环境扰动检测方法的步骤。

技术总结本发明公开了一种林区物候及环境扰动检测方法、系统及计算机程序，包括：获取林区遥感时间序列图像数据；根据林区遥感时间序列图像数据，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型；基于林区遥感时间序列图像数据，构建样本数据集，对时间序列全卷积神经网络模型进行训练，获得林区物候及环境扰动检测模型；将林区遥感时间序列图像数据输入林区物候及环境扰动检测模型，获得林区物候及环境扰动检测结果。本发明提供的技术方案，能够利用高时序中空间分辨率的林区遥感时间序列图像数据，构建时间序列全卷积神经网络模型，识别林区物候及环境扰动变化，定位扰动区域和时间。技术研发人员：郭颖,田昕,刘清旺,徐恩恩,杨宇迪,郭宇娟,黄建文受保护的技术使用者：中国林业科学研究院资源信息研究所技术研发日：技术公布日：2024/12/2