基于神经网络和CASA模型的净初级生产力估算方法

本发明属于碳封存领域，特别涉及一种基于神经网络和casa模型的净初级生产力估算方法。

背景技术：

1、npp值是碳封存以及植被恢复的重要指标，对碳封存研究以及植被恢复有着重要作用，具有着重要研究价值。npp估算模型主要分为四大类，分别是气候生产力模型、生理生态过程模型、光能利用率模型、生态遥感耦合模型，casa模型是光能利用率模型中性能很好的经典代表，但是casa模型缺乏可靠的生理生态基础，以及光能传递及转换的过程中还存在很多不确定性，从而影响了预测准确性。本方法通过神经网络来计算实际光能利用率，再与casa模型结合，从而提高npp的估算精度。

技术实现思路

1、鉴于背景技术所存在的技术问题，本发明所提供的基于神经网络和casa模型的净初级生产力估算方法，通过植被指数反演出光能传递和转换后的值，一定程度上使得这个过程更加准确；并且优化后的模型使用了实地采样数据让模型更加可靠。

2、为了解决上述技术问题，本发明采取了如下技术方案来实现：

3、一种基于神经网络和casa模型的净初级生产力估算方法，步骤为：

4、步骤1：使用pix4dmapper软件对无人机多光谱数据进行拼接，生成数字地表模型(dsm)以及正射影像(dom)，再使用实测高程值，通过arcgis对dsm进行校正；

5、步骤2：野外实地采用，通过对估算地点进行实际采样获得研究时间段的植物生物量agb以及对应样点的高程数据；

6、步骤3：通过noaa网站(https://www.ncei.noaa.gov/)、中国气象数据网(http://data.cma.cn/)、地理遥感生态网(http://www.gisrs.cn/)获取辐射、降雨、气温数据；

7、步骤4：使用具有近红外光波段nir与红光波段r的无人机影像计算得出归一化植被指数ndvi；

8、步骤5：通过公式(1)获得实测nppt数据；

9、nppt＝agb×0.45        (1)

10、再通过公式(2)获得影响因子系数λ

11、λ＝nppt/nppa        (2)

12、式中，nppa为casa模型的模拟值；

13、步骤6：如图2所示，使用高程数据、ndvi以及λ进行神经网络训练，神经网络采用的是径向基神经网络rbf，获得预测模型；

14、步骤7：将研究区域的高程、ndvi数据带入预测模型得到研究区域的影响因子系数λ；

15、步骤8：如图3和图4所示，使用casa模型的模拟值与预测值进行计算得到npp值；

16、步骤9：如图5-7和表1所示，根据预测模型常用的评价指标，评估本方法的预测性能。

17、优选地，步骤1的分解步骤为：

18、步骤1.1：使用携带nir与r波段的摄像头的无人机对研究区域进行航拍；

19、步骤1.2：将航拍的无人机图片导入pix4dmapper软件；

20、步骤1.3：使用pix4dmapper软件的自动校正影像功能对无人机图片进行快速检查；

21、步骤1.4：再添加控制点，对图像进行调整；

22、步骤1.5：最后进行自动空三、点云加密生成dom与dsm；

23、步骤1.6：使用实测高程通过arcgis进行校正；

24、优选地，步骤2的分解步骤为：

25、步骤2.1：对估算区域选取8个样区，每个样区选取8个1m*1m样方，选取规则为随机选取并且植被茂密与稀疏的地方都需要选取部分区域作为样点，使得训练模型准确；

26、步骤2.2：在每个1m*1m的样方内设置25个0.2m*0.2m的小样方，沿对角线选取3个小样方，采集其全部植物体；

27、步骤2.3：将植物放在在80℃恒温箱内烘至恒重,称其干重。

28、优选地，步骤4的分解步骤为：

29、步骤4.1：使用拼接后的nir与r波段的dom裁剪出估算区域；

30、步骤4.2：对裁剪后的波段影像进行归一化处理，以便后续计算；

31、步骤4.3：通过公式(3)进行波段运算计算；

32、

33、得出归一化植被指数ndvi。

34、优选地，步骤6的分解步骤为：

35、步骤6.1：将每个样点对应的ndvi、高程数值和影响因子λ形成矩阵x∈rm×n，其中m表示特征值的个数，n表示样点数目；

36、步骤6.2：将矩阵x＝[x1,x2,...,xn]按照5:5进行随机分为训练集与测试；

37、步骤6.3：输入层：将训练集数据输入rbfnn中进行模型训练；

38、步骤6.4：隐含层：使用高斯核函数作为激活函数，来对输入序列进行激活，隐藏层与输出层之间就是普通的神经网络的连接关系，他们之间的权重可以训练而改变，

39、

40、其中，μ为中心点，σ为径基宽度；

41、步骤6.5：rbf神经网络的中心μ可以变化，通过自组织学习确定其位置；输出层的线性权重则是通过有监督的学习来确定的；

42、步骤6.6：将通过隐含层得到的序列输出，获得影响因子模拟值。

43、优选地，步骤8的分解步骤为：

44、步骤8.1：将ndvi、温度、降雨、辐射数据带入casa模型中得到npp1；

45、步骤8.2：使用模拟得到的影响因子系数λ与npp1结合，得到npp，

46、npp＝λ×npp1         (5)

47、优选地，步骤9中，优化后的casa模型输出预测npp值，使用平均绝对百分误差mape和决定系数r2作为评价指标，评价预测值与真实值的误差，计算公式如下：

48、

49、

50、其中，yi和pi分别为第i个元素的真实值和预测值，mape的值越大，表示模型预测值误差越大，r2的值在0到1之间，并且r2越接近1模型预测值误差越小。

51、本专利可达到以下有益效果：

52、本发明同时将实地采样数据与casa模型结合，弥补了casa模型缺乏可靠的生理生态基础，以及光能传递及转换的过程中还存在很多不确定性的问题。通过ndvi以及高程数据，计算出遥感影像每个像素点对应的影响因子，改变casa模型中的实际光能利用率的计算方法，进而提高模型的模拟准确性。

53、现有的npp估算方法大部分都是使用遥感数据作为输入源，卫星影像分辨率较低，而本方法使用无人机影像作为输入源，相对应卫星影像分辨率更高，能够更好的对小区域的npp进行估算(如消落带区域、农作物区域等)，从而能为生态环境监测和评价提供依据。

技术特征：

1.一种基于神经网络和casa模型的净初级生产力估算方法，其特征在于包括以下步骤：

2.根据权利要求1所述的基于神经网络和casa模型的净初级生产力估算方法，其特征在于：步骤1的分解步骤为：

3.根据权利要求1所述的基于神经网络和casa模型的净初级生产力估算方法，其特征在于：步骤2的分解步骤为：

4.根据权利要求1所述的基于神经网络和casa模型的净初级生产力估算方法，其特征在于：步骤4的分解步骤为：

5.根据权利要求1所述的基于神经网络和casa模型的净初级生产力估算方法，其特征在于：步骤6的分解步骤为：

6.根据权利要求1所述的基于神经网络和casa模型的净初级生产力估算方法，其特征在于：步骤8的分解步骤为：

7.根据权利要求1所述的基于神经网络和casa模型的净初级生产力估算方法，其特征在于：步骤9中，优化后的casa模型输出预测npp值，使用平均绝对百分误差mape和决定系数r2作为评价指标，评价预测值与真实值的误差，计算公式如下：

技术总结
本申请提出了一种基于神经网络和CASA模型的净初级生产力估算方法，使用具有近红外光波段NIR与红光波段R的无人机对研究区域进行航拍获得R、NIR与全色影像；对影像进行处理获得正射影像（DOM）与数字地表模型（DSM）；对研究区域进行实地采样获得生物量，从而计算出估算区域的影响因子；对气象数据进行处理获得温度、降雨与辐射参数；对数据进行训练获得区域的影响因子模型；利用影响因子模型与CASA模型对每个像元的高程、归一化植被指数NDVI、温度、降雨、辐射进行处理获得净初级生产力NPP。本申请能实现无人机影像的净初级生产力的高精度估算。

技术研发人员：靳专,熊彪,肖敏,周爽爽,张家璇,毛祥虎
受保护的技术使用者：三峡大学
技术研发日：
技术公布日：2024/1/13