一种基于深度异常检测的森林退化早期预警方法与流程

摘要: 本发明涉及森林退化预警,更具体地说,涉及一种基于深度异常检测的森林退化早期预警方法。背景技术:1、前森林退化监测主要依赖两类技术:第一人工巡查:护林员定期记录植...
一种基于深度异常检测的森林退化早期预警方法与流程

本发明涉及森林退化预警,更具体地说,涉及一种基于深度异常检测的森林退化早期预警方法。

背景技术:

1、前森林退化监测主要依赖两类技术:第一人工巡查:护林员定期记录植被状态,覆盖率不足30%,依赖主观经验,数据更新周期长,一般超过3个月,第二单一遥感技术:利用多光谱卫星(如landsat)提供ndvi指数,但波段分辨率低(30m),无法捕捉早期生理胁迫(如水分亏缺),高光谱无人机可识别红边斜率等特征,但数据孤立,未与物候、纹理特征关联,误报率较高。

2、现有基于深度异常检测的森林退化早期预警公开方案存在多项与本方案构建初衷直接对应的缺陷,首先以lstm自编码器为核心的森林扰动监测方法虽利用sentinel-2时序无监督检测树皮甲虫异常,但其误报大量匹配森林道路等非森林像素,说明公开技术缺乏地理空间掩膜导致非森林误检高;同时该类模型可解释性差仅输出重建误差黑箱,难以向林业人员提供退化类型归因。

技术实现思路

1、针对现有技术中存在的问题,本发明的目的在于提供一种基于深度异常检测的森林退化早期预警方法,本发明在实现森林退化早期预警的基础上,还可以提升误检抑制与数据内存高效性,且实现了结构化的误检抑制与资源节约双重进步。

2、为解决上述问题,本发明采用如下的技术方案:

3、一种基于深度异常检测的森林退化早期预警方法,包括:

4、s1、获取目标森林区域的多光谱卫星时间序列影像,提取各像素的地表反射率数据,从影像中筛选近红外、红边及短波红外关键植被胁迫波段子集,并联合红光波段b4构成调整重建误差计算基础,依据森林胁迫聚焦评分公式进行波段聚焦,采用场景分类层过滤云雾及雪覆盖像素,利用基于随机森林的云雪雾分类模型对影像结构对象投票分类并通过先膨胀后腐蚀的形态学闭运算生成掩膜直接剔除掩膜内像素,利用savitzky-golay平滑滤波与加权移动平均填补时序缺失值;

5、s2、将经步骤s1处理的波段子集时间序列按固定长度26周滑动窗口构造为输入序列输入经视觉确认健康的纯林样本无监督训练的深度自编码器,通过编码器提取波段子集低维特征表示并通过对称解码器重构波段子集时序数据,仅基于所述波段子集计算多变量调整重建误差;

6、s3、汇集经步骤s2获得的视觉确认健康纯林样本在26周滑动窗口且物候稳态期采集的调整重建误差序列构建健康误差参考集,依据健康森林条件下调整重建误差分布的99.8分位数设定异常检测阈值,通过升序排列与线性插值确定异常检测阈值和插值,将待测像素调整重建误差与阈值比较超界则标记为森林退化异常像素并同步计算超标倍数;

7、s4、调用目标森林区域地理空间矢量数据集及数字表面模型,计算归一化差异水体指数且差异水体指数>0.3判水体误检像素,基于灰度共生矩阵在多个方向统计取最大值作为窗口特征值h,h>0.65判非林地误检像素,将水体、非林地及道路图层并集构成非森林误检掩膜,将步骤s3异常像素与掩膜逻辑交集剔除保留森林域异常像素,将保留像素近红外与短波红外重建偏差反向映射,融合分布偏移超标倍数及生理指标生成分级预警报告。

8、相比于现有技术,本发明的优点在于:

9、(1)本发明通过限定的森林胁迫聚焦评分公式与sentinel-2红边b5-b7联合b4子集筛选,将输入维度紧缩至对冠层水分结构最敏感的波段,从源头降低非植被波段引入的背景纹理混淆,配合基于随机森林的云雪雾分类与形态学闭运算精准剔除天气干扰像素,以及ndwi>0.3与纹理同质度h>0.65加道路矢量并集形成的非森林误检掩膜,直接攻克了公开lstm-ae将森林道路误判为异常的核心痛点,使得异常像素必定位于森林域内,同时限定视觉确认健康纯林且采用26周滑动窗口构建稳态期误差参考集,较公开52周初始窗口减少一半存储与计算需求,却仍保持较高准确率与超一个月提前预警能力,该内存高效设计使大范围连续监测成为可能,物候权重加权移动平均与s-g二阶平滑专抑季节断裂,避免物候转换期误差污染99.8分位数阈值,从而综合误检率较基线yolov8+langchain提升召回且不与小目标混淆,实现了结构化的误检抑制与资源节约双重进步。

10、(2)本发明通过将自编码器近红外与短波红外波段重建偏差反向映射至植物生理光学指标,明确规定正映射冠层细胞结构变化、正映射树木水分胁迫,并融合超标倍数生成轻度水分胁迫、重度冠层结构退化及复合退化三级报告,该生理光学映射并非通用注意力解释而是基于植被光谱机理的特异关联,彻底突破了纯误差阈值的不可知性,相较于公开yolov8仅输出低精度目标框或lstm-ae输出无标注异常地图,本分级报告直接对接林业管理动作如轻度预警巡查重度预警采伐防止虫扩散,且阈值计算采用99.8分位数数据驱动适配子集误差分布较evt或tukey更稳。

1.一种基于深度异常检测的森林退化早期预警方法,其特征在于,包括:

2.根据权利要求1所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s1包括:

3.根据权利要求2所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s1中的savitzky-golay滤波采用窗口点数5、多项式阶数2的二阶最小二乘卷积平滑,所述物候权重由森林物候周期相位差反距离确定,专用于抑制季节物候导致的时序断裂误差;

4.根据权利要求1所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s2包括:

5.根据权利要求4所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s2中健康林分样本无监督训练的目标函数限定为仅基于波段子集的均方重建误差,其中n为滑动窗口样本数,与分别为第i个样本的输入与重构波段子集数据,均无量纲。

6.根据权利要求1所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s3包括:

7.根据权利要求6所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s3中的健康林分样本为视觉确认健康的纯林像素,且其调整重建误差基于26周滑动窗口计算;

8.根据权利要求1所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s4包括:

9.根据权利要求8所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s4中归一化差异水体指数公式为,其中为绿波段反射率,无量纲,为短波红外波段反射率,无量纲,当ndwi>0.3时判定该像素为水体误检像素,所述纹理同质度基于灰度共生矩阵在0°、45°、90°、135°方向统计并取最大值作为窗口特征值h,林地h显著低于非林地,且当h>0.65时判定该像素为非林地误检像素,将水体像素、非林地像素及地理空间矢量中的道路图层并集构成非森林误检掩膜。

10.根据权利要求8所述的一种基于深度异常检测的森林退化早期预警方法,其特征在于,所述步骤s4中分级早期预警报告限定为若∈(1,2]且>0则输出轻度水分胁迫预警,若>2且>0则输出重度冠层结构退化预警,若两者皆满足则输出复合退化预警。