雷竹林退化程度预测方法和电子设备

摘要

本发明提出了一种基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法和电子设备，该方法包括：根据样方区域的参数信息，确定样方区域的退化程度；根据样方区域的经纬度信息，获取样方区域的遥感信息；根据多个样方区域的退化程度和遥感信息对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型；将目标区域的遥感信息输入雷竹林退化程度预测模型中，以得到雷竹林退化程度预测模型输出的目标区域的预测退化程度。如此，这样，通过训练好的雷竹林退化程度预测模型，可以获取多个目标区域的预测退化程度，进而可以快速对一个较大面积范围形成宏观分析。

说明书

技术领域

本发明涉及遥感技术领域，具体而言，涉及一种基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法。

背景技术

雷竹具有出笋早、笋期长、笋味鲜美、产量高、经济效益好等特点，是浙江省笋用竹产区的主栽竹种之一。自20世纪90年代以来，林地覆盖竹笋早出技术在一些雷竹产区得到了较大规模的应用，生产反季节竹笋，表现出很好的经济效益。在覆盖栽培初期，雷竹笋的产量明显提高，地下鞭和鞭上侧芽能保持良好的结构状况。但随着覆盖栽培年限的增加，难以腐烂分解的覆盖材料在林地里大量存留，且过量施用化学肥料，导致许多雷竹竹产区雷竹林出现不同程度的退化，严重影响到区域竹产业的可持续发展和广大竹农家庭经济收入。

林地退化是当前林学及生态学研究的热点问题之一，而对退化程度的诊断和评价是研究生态系统退化过程中首先必须解决的问题。目前在农户中主要根据竹林的亩产量来判断竹林是否退化。根据调查显示，覆盖笋未退化的产量为2500～4000斤每亩，自然笋可达1500斤左右；对退化的竹林，覆盖笋产量大致为1000多斤每亩，而自然笋则在200～300斤，甚至没有产出。科研院所中对雷竹林退化的检查，除了考虑竹笋产量外，也通过地上生物量、竹林林分参数、竹生理参数等信息来间接判断雷竹林的退化情况。正常生长的雷竹林通常具有留养新竹简单、立竹密度约为1000株每亩、林分结构合理、胸径较粗、竹鞭和鞭芽数量较多、枝下高较高、土壤养分平衡等特点，研究人员常利用以上特点对特定区域的雷竹林地块进行诊断与评价。

现有技术中，最主要的雷竹林退化程度评价方法是根据雷竹地块的笋产量直接判断是否退化，为事后判断手段，无法在进入产笋期前完成对退化程度判断。

现有技术方案，科研院所以林分参数、生理参数、土壤参数进行雷竹林退化程度评价。该方式虽然精准，但是成本较高，效率较低。

现有技术方案，通常以某个竹林地块为基础单位进行退化评价，评价目标往往以点的形式分布在地图上，无法快速对一个较大面积范围形成宏观分析。

发明内容

本发明旨在至少解决现有技术中存在的无法快速对一个较大面积范围形成宏观分析的问题。

有鉴于此，本发明的一个目的在于提供一种基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法。

本发明的另一个目的在于提供一种电子设备。

本发明第一方面提供了一种基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法，包括：根据样方区域的参数信息，确定所述样方区域的退化程度，其中，所述参数信息包括以下子参数：所述样方区域的种植年限、所述样方区域的雷竹覆盖年限、所述样方区域的竹笋产量、新竹数量、新竹胸径、新竹枝下高、新竹竹节高、老竹胸径、老竹枝下高、老竹竹节高；

根据所述样方区域的经纬度信息，获取所述样方区域的遥感信息，其中，所述遥感信息包括多光谱数据信息和遥感数据信息；

根据多个所述样方区域的所述退化程度和所述遥感信息对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型；

将目标区域的遥感信息输入所述雷竹林退化程度预测模型中，以得到所述雷竹林退化程度预测模型输出的所述目标区域的预测退化程度。

可选地，所述根据所述样方区域的所述参数信息，确定所述样方区域的退化程度，包括：

在所述参数信息中确定5个累计贡献率最高的子参数；

根据5个贡献率最高的子参数，确定所述样方区域的退化指数；

根据样方区域的退化指数，确定所述样方区域的退化程度。

可选地，所述遥感数据信息包括：

基于MOD15的叶面积指数、基于MOD16的蒸腾作用、基于MOD17的净初级生产力。

可选地，所述多光谱数据信息的波长范围为458-875nm。

可选地，所述遥感信息通过以下方式确定：

利用波段合成功能将所述遥感数据信息和所述多光谱数据信息合成至一张tif栅格图内。

可选地，所述初始雷竹林退化程度预测模型为支持向量机模型，在所述根据多个所述样方区域的所述退化程度和所述遥感信息对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型之前，所述方法还包括：

对所述初始雷竹林退化程度预测模型的参数进行设置：设置Kernel Type参数为Radial Basis Function，设置Gamma in Kernel Function参数为0.1，设置PenaltyParameter参数为100，设置Pyramid Levels参数为0，设置Classification ProbabilityThreshold参数为0。

可选地，所述退化程度包括：未退化、轻度退化、中度退化、重度退化。

可选地，所述方法还包括：

根据所述目标区域的预测退化程度，输出待评价区域的专题图像。

可选地，所述样方区域和所述目标区域的规格为5m×5m。

本发明第二方面提供了一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本发明第一方面所提供方法的步骤。

通过上述技术方案，可以根据多个样方区域的退化程度和遥感信息对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型。随后，可以将目标区域的遥感信息输入雷竹林退化程度预测模型中，以得到雷竹林退化程度预测模型输出的目标区域的预测退化程度。这样，通过训练好的雷竹林退化程度预测模型，可以获取多个目标区域的预测退化程度，进而可以快速对一个较大面积范围形成宏观分析。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

图1是根据本发明的一个实施例基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法的流程图；

图2是根据本发明的一个实施例的退化程度与退化指数的对应关系表；

图3是根据本发明的一个实施例的多光谱数据的表格；

图4是根据本发明的一个实施例的待评价区域的专题图像；

图5是根据本发明的一个实施例电子设备的框图。

具体实施方式

为了可以更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1和图2描述根据本发明的一些实施例。

参照图1，本发明第一方面提供了一种基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法，包括：

步骤S11，根据样方区域的参数信息，确定样方区域的退化程度，其中，参数信息包括以下子参数：样方区域的种植年限、样方区域的雷竹覆盖年限、样方区域的竹笋产量、新竹数量、新竹胸径、新竹枝下高、新竹竹节高、老竹胸径、老竹枝下高、老竹竹节高；

步骤S12，根据样方区域的经纬度信息，获取样方区域的遥感信息，其中，遥感信息包括多光谱数据信息和遥感数据信息；

步骤S13，根据多个样方区域的退化程度和遥感信息对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型；

步骤S14，将目标区域的遥感信息输入雷竹林退化程度预测模型中，以得到雷竹林退化程度预测模型输出的目标区域的预测退化程度。

如此，可以根据多个样方区域的退化程度和遥感信息对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型。随后，可以将目标区域的遥感信息输入雷竹林退化程度预测模型中，以得到雷竹林退化程度预测模型输出的目标区域的预测退化程度。这样，通过训练好的雷竹林退化程度预测模型，可以获取多个目标区域的预测退化程度，进而可以快速对一个较大面积范围形成宏观分析。

本技术方案可以应用产笋期前的遥感卫星图像进行分析，在产笋期前完成对雷竹林退化程度的判断，以便进行后续决策。

得益于遥感影像的高空间分辨率、时间分辨率、大范围覆盖的特点，本技术方案可实现分析面状区域的退化程度，区别于传统方式中以孤立点的形式进行雷竹退化评价。

示例性地，退化程度包括：未退化、轻度退化、中度退化、重度退化。

例如，对样方区域内的竹子，抽选10根分别统计以下信息：a.竹龄；b.胸径；c.枝下高；d.竹节高。统计完成后，根据新竹与旧竹进行分类，并求取样方内以下几项参数的均值：新竹胸径、新竹枝下高、新竹竹节高、老竹胸径、老竹枝下高、老竹竹节高。

示例性地，根据样方区域的参数信息，确定样方区域的退化程度，包括：在参数信息中确定5个累计贡献率最高的子参数；根据5个贡献率最高的子参数，确定样方区域的退化指数；根据样方区域的退化指数，确定样方区域的退化程度。

本方案中，对子参数进行标准化，并进行主成分分析，5个主成分(即主要的自参数)的累积贡献率已超过80％，因此取前5项主成分替代原有的多个子参数，并记作F1～F5。记退化指数为A，建立A与F1～F5间的关系。退化程度根据退化指数定义标签分为4级：未退化、轻度退化、中度退化、重度退化(参照图2)。

示例性地，遥感数据信息包括：基于MOD15的叶面积指数、基于MOD16的蒸腾作用、基于MOD17的净初级生产力。

例如，遥感数据产品采用MODIS的数据产品，这里将选取MOD15陆地3级产品(叶面积指数)，MOD16陆地4级产品(蒸腾作用)，MOD17陆地4级产品(净初级生产力)。与多光谱数据来源相同，同样是从地理监测云平台Google Earth Engine上获取。

示例性地，多光谱数据信息的波长范围为458-875nm。

例如，多光谱数据来自Sentinel-2哨兵影像，是高分辨率多光谱成像卫星，高度为786千米，携带一枚多光谱成像仪，用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像。其多光谱成像仪可覆盖13个光谱波段，幅宽达290千米，两颗卫星互补，重访周期为5天。本方案的多光谱数据来自地理监测云平台Google Earth Engine，选择已经进行辐射校正的2A数据，并选择其中B2、B3、B4、B5、B6、B7、B8波段作为部分样方遥感信息。

示例性地，遥感信息通过以下方式确定：利用波段合成功能将遥感数据信息和多光谱数据信息合成至一张tif栅格图内。

示例性地，初始雷竹林退化程度预测模型为支持向量机模型，在根据多个样方区域的退化程度和遥感信息对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型之前，方法还包括：对初始雷竹林退化程度预测模型的参数进行设置：设置KernelType参数为Radial Basis Function，设置Gamma in Kernel Function参数为0.1，设置Penalty Parameter参数为100，设置Pyramid Levels参数为0，设置ClassificationProbability Threshold参数为0。

支持向量机分类是一种建立在统计学习理论基础上的机器学习方法。与传统统计学相比，统计学习理论是一种专门研究小样本情况下及其学习规律的理论。这里将在ENVI的监督分类工具中进行该步骤。

首先导入制作完毕的标签至ROI中，由主菜单选择Classification->Supervised->Support Vector Machine工具，并选择将用于进行训练的图像。随后可以在ENVI中设置初始雷竹林退化程度预测模型的参数；完成参数设置后选择输出路径及文件名，执行即可。

需要注意的是，在ENVI中，生成训练器与使用训练器进行预测是同一步骤的两个环节。

示例性地，样方区域和目标区域的规格为5m×5m。这样可以在遥感影像上找到与之对应的像素位置；分析该像素点位置上的反射率、植被指数等值与退化程度的关系，制作分类器(即对初始雷竹林退化程度预测模型进行训练，得到雷竹林退化程度预测模型)。

这样，本方案首先挑选用于评判竹林退化的参数，运用统计学手段判断特定区域的竹林退化程度；标记不同退化程度竹林地块的经纬度，在遥感影像上找到与之对应的像素位置；分析该像素点位置上的反射率、植被指数等值与退化程度的关系，制作分类器；最后利用该分类器对整个区域内的雷竹退化程度做出判断。

示例性地，方法还包括：根据目标区域的预测退化程度，输出待评价区域的专题图像。(例如可以参照图4)。

图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。

其中，处理器701用于控制该电子设备700的整体操作，以完成上述基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。

在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述基于雷竹生理参数与遥感数据产品的雷竹林退化程度预测方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。