一种林分地上碳储量的估计方法和装置

技术领域

本发明涉及一种林分地上碳储量估计技术，尤其涉及一种林分地上碳储量估计方法和装置。

背景技术

森林是陆地生态系统的主体，也是陆地生态系统最大的碳库，其在全球碳循环中的作用非常关键，因为碳通过光合作用、呼吸作用、分解和燃烧等自然交换的方式流转在森林和大气之间。了解地上碳储量不仅会增加人们对森林在碳循环中作用的理解，也对现有森林可持续经营管理有着重要意义。因此，采用一种准确合理的方法对森林中的碳储量进行明确的空间估计是十分有必要的。

碳储量估计最准确的方法是把林木伐倒并称取干重，但这种方法不仅费时费力，还会对生态环境造成破坏，基于卫星遥感等手段的方法同样存在需要地面验证、设备昂贵、技术难度高等问题。

发明内容

本发明的实施例提供了一种林分地上碳储量的估计方法和装置，可实现林分地上碳储量的估计。

所述林分地上碳储量估计方法包括：

获取林内地上的图像；

从林内地上的图像中获得碳储量参数；

根据碳储量参数利用碳储量模型估计林分地上碳储量；

所述的碳储量参数为：林木前景图像占整张图像百分比x；

所述的碳储量模型为以下三式中任意一个：

y＝a

其中：

y：林分地上碳储量；

x：林木前景图像占整张图像百分比；

a

u：随机效应参数；

所述待定参数通过实验获得。

所述获取林内地上的图像具体包括：

布设矩形样地；

布设拍摄点；

在每个拍摄点上拍摄图像。

所述从林内地上的图像中获得碳储量参数具体包括：

步骤51、对获取的图像加载到全卷积神经网络模型中；

步骤52、全卷积神经网络模型从图像的起始位置开始逐像素遍历图像；

步骤53、根据权重文件，计算该像素的特征值，并将此特征值与学习到的目标范围进行比对，如果在目标值范围内，则将当前像素值判断为前景，否则将该像素值置为背景；

步骤54、按从上到下，从左到右的次序依次遍历所有像素，判断是否为最后像素，若是执行步骤55，否则返回执行步骤53；

步骤55、提取前景部分，并通过前景部分后计算碳储量参数：碳储量参数为林木前景图像占整张图像百分比x。

所述方法还包括：

获得权重文件的步骤，具体步骤如下：

构建训练的图像样本；

将所述图像样本输入全卷积网络模型，所述全卷积网络模型由13个卷积层和5个下采样层组成；下采样采用最大池化方法2×2，步长设置为2；使用整流线性单元函数进行非线性激活；所有卷积核的大小为3×3，步长设置为2，填充设置为1；

对全卷积网络模型进行训练，使得所述输入的图像样本被网络结构逐像素识别，通过大量图像样本中所勾绘出的标签样本，网络模型逐渐学习到了在同类型的图像中像素灰度值在某一范围内的像素是目标像素，而其余范围内的像素则为非目标像素，那么所有目标像素边缘所围成的范围或者目标像素的面积即为被分割出的图像，这些目标像素的判别依据即为训练网络结构所生成的权重文件。

所述方法还包括：获得待定参数的步骤，具体包括：

获取一定数量的林分地上的图像和对应林分的地上碳储量实测值，对该图像分割从而获得对应林分的碳储量参数，采用极大似然估计法估计待定参数。

所述方法还包括：

对随机效应参数进行设定步骤，具体如下，根据样地的实际海拔高度分为两级，即u<750m和u≥750m，并将u<750m的随机效应设定为0，u≥750m的随机效应设定为1。

本发明实施例还提供了一种林分地上碳储量的确定装置，该装置包括：

图像获取装置，用于获取林分地上的图像；

计算单元，用于从林分地上的彩色图像中获得碳储量参数；

确定单元，用于根据碳储量参数利用碳储量模型估计林分地上碳储量。

根据本发明，可以通过普通照相机和计算机就可以实现林分地上碳储量的估计。因此本发明不需要增加额外设备就可以估计林分地上碳储量，本发明技术及其适用于林场、长期固定样地等场景的林分地上碳储量动态监测。

附图说明

图1示出了本发明实施例的林分地上碳储量估计方法；

图2示出了本发明实施例的获取林内地面的图像的方法；

图3示出了本发明实施例的一种布设拍摄点的方式；

图4示出了本发明实施例的一种在拍摄点的拍摄角度；

图5示出了本发明实施例的从林内地上的图像中获得碳储量参数的方法；

图6示出了一种人工神经网络架构；

图7为本发明实施例的一种林分地上碳储量的确定装置。

具体实施方式

为了便于本领域一般技术人员理解和实现本发明，现结合附图描绘本发明的实施例。

实施例一

由于林内地上的图像展示了森林的基本特征，这为通过林内地上的图像获取林分因子提供了可能，同时还不会对森林生境产生破坏。随着数字图像采集工作的简单化、廉价化以及深度学习框架的普及化，在客观上推动了基于图像的林分因子研究，并有希望实现林分地上碳储量估测的自动化和快捷化。在林分地上碳储量的研究中，由于松类约占中国北方森林面积的65％，在森林生态系统中占主导地位，下面以大兴安岭兴安落叶松(Larixgmelinii(Rupr.)Kuzen)纯林为例对林分地上碳储量进行了研究。

对兴安落叶松林林分地上碳储量的研究主要集中在二个方面：一是对林内地上的图像进行分割的研究；另一方面是对碳储量模型构建的研究。图像分割可采用深度学习的方法进行分割，随着计算机计算能力的大幅提升，深度学习框架得到了很大的发展，在基于一定量标签样本的情况下，深度学习可以较好地实现分割目标图像的任务。本申请采用的是全卷积网络结构(Fully Convolutional Networks)模型对林内地上的图像进行分割。碳储量模型构建方面的研究以构建最小二乘模型为多数，但这可能导致参数和方差的估计存在偏差，同时由于碳储量估计可能存在空间自相关等问题，运用混合效应模型则可以解决这些问题。因此，利用林内地上的图像分割结果构建林分地上碳储量混合效应模型是恰当的。

如图1所示，本实施例提供了一种林分地上碳储量估计方法，该方法包括如下步骤。

步骤1、获取林内地面的图像，所述图像可是彩色图像或者灰度图像。如图2-4所示，下面描述获取林内地面的图像的步骤：

步骤11、布设矩形样地。对于面积较大的林分，需要布设样地，如矩形样地，以便在该林分内布设拍摄点，从而获得林地内的较全面的林木图像。

步骤12、布设拍摄点，可采用任何方式布设拍摄点，如采用传统样地调查方式布设拍摄点，图2示出了一种布设拍摄点的方式，其展示了图像拍摄的路径点，该图像拍摄的路径为弯折形状，在该路径上设置多个拍摄点。

步骤13、在每个拍摄点上进行图像拍摄，图3示出了每个拍摄点拍摄角度。具体来说，在每个图像拍摄点上，可沿8个方向分别进行图像拍摄。为了更全面的获取林分图像信息，图像获取一定是自己关心区域的图像。具体地讲，可用任何摄像设备获取林内地上的图像，如，手持照相机或手机，观察取景窗或者液晶显示屏移动距离或者调焦，使得成像面中心经过照相机光心的射线与树干1/2处相交，保证目标林分区域全部出现在图像中即可。

步骤2、从林内地上的图像中获得碳储量参数，如图5所示，具体方法如下：

步骤51、对获取的图像加载到FCN网络模型中，本发明采用的深度学习架构为全卷积神经网络模型(Fully Convolutional Networks，FCN)，FCN是一种端到端的语义分割模型。在本实施例中，优选使用FCN进行图像分割。

FCN是一种深度学习架构。深度学习一般指通过训练多层网络结构对未知数据进行分类和回归，这里的多层网络结构一般指的是人工神经网络(Artificial NeuralNetworks，ANN)，ANN是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，如图5所示。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。近些年，随着计算机计算能力的大幅提升，人工神经网络已经逐步普及开来，在此基础上开展的深度学习网络模型也得到了长足发展。深度学习主要应用领域就包含了图像分类，即对整幅图像进行分类或识别。分类方法是首先取一部分待分类的图像进行人工分割，构建数据训练集；然后根据人工分割后的图像对图像特征进行学习，例如RGB光谱值。在处理未分割的整幅图像时即可根据学习到的特征进行自动分割。本发明采用的深度学习模型在经过训练、学习后生成权重文件为特征权重文件。利用此文件在同样类型和环境下的林分将不再需要对模型进行重复训练即可实现图像分割的目的。

本发明实施例所使用的全卷积神经网络模型与卷积神经网络ANN的区别在于将ANN末端的全连接层改为卷积层，这样卷积网络在更大的输入图像上滑动。输出将获取目标图像的热图，而不是类别。同时，采用上采样方法恢复图像大小，解决了卷积和池化导致图像尺寸变小的问题。但最初的FCN模型存在训练速度慢的问题，为提高模型收敛速度，使隐藏层输出特征分布更加稳定，本发明在神经网络中隐藏层的输入部分增加了批量归一化层。

步骤52、FCN网络模型从图像的起始位置开始逐像素遍历图像。

步骤53、计算图像像素的特征值，根据权重文件，将此特征值与学习到的特征值目标范围进行比对，如果在目标值范围内，则将当前像素判断为目标像素，否则将该像素为非目标像素，所有的目标像素组成了被分割出的部分，也就是图像中的前景，所有的非目标像素则组成了未被分割的部分，也就是图像的背景。

所述权重文件是目标像素的判断依据。为了获得权重文件，首先构建训练的图像样本，也就是深度学习中的制作标签样本；然后构建全卷积网络模型，全卷积网络模型由13个卷积层(COL)和5个下采样层组成。下采样采用最大池化方法2×2，步长设置为2。使用整流线性单元函数进行非线性激活。所有卷积核的大小为3×3，步长设置为2，填充设置为1；最后是网络训练，通俗来说就是输入的图像会被网络结构逐像素识别，通过大量图像中所勾绘出的标签样本，全卷积网络模型逐渐学习到了在同类型的图像中像素灰度值在某一范围内的像素是目标像素，而其余范围内的像素则为非目标像素，那么所有目标像素边缘所围成的范围或者目标像素的面积即为被分割出的图像，这些目标像素的判别依据即为训练网络结构所生成的权重文件，利用这份权重文件，即可对同类型的图像实现同目标的分割任务。

步骤54、按从上到下，从左到右的次序依次遍历所有像素，判断是否为最后像素，若是执行步骤55，否则返回执行步骤53。

步骤55、提取前景部分，并通过前景部分后计算碳储量参数：碳储量参数为林木前景图像占整张图像百分比x。

步骤3、根据碳储量模型和碳储量参数估计林分地上碳储量。所述碳储量模型有三种，其可以通过下面三个式子分别来表示：

y＝a

其中：

y：林分地上碳储量

x：林木前景图像占整张图像百分比

a

u：随机效应参数；

根据文献，林分地上碳储量与林分海拔高度存在着一定的关系，因此本发明在估计林分地上碳储量时引入了随机效应参数u，将海拔高度分为几个等级，用于更加准确的估计林分地上碳储量。具体随机效应参数根据林分不同海拔高度来确定，详见后面描述。

根据林木生长规律可知，在林木生长一定范围内，胸径和树高生长呈现正相关，所以林木前景所占整张图像百分比较大的林分越成熟，而根据碳储量异速生长方程可知，碳储量与林木胸径呈现正相关，所以林木前景所占比例整张图像百分比越大则林分地上碳储量越高，这与林业认知常识比较吻合。

松科拥有较多的树种，在中国北方分布较广，如果直接使用实施例模型进行林分地上碳储量估计则会产生较大误差，因此，使用本发明进行林分地上碳储量估计前，需要抽取能代表对用树种的林分地上的图像和数据对待定标参数a

由于实测林分地上碳储量和模型预测林分地上碳储量存在差异，可以通过分析地上碳储量实测值和模型预测值的相关性判断二者关系，进而实现模型对数据拟合效果的对比和模型适用性的检验。

设C

下面以兴安落叶松为例，对林分地上碳储量的图像估计模型定标。

为了确定林分地上碳储量估计模型的待标定参数a

y＝0.5277e

u～N(0,1056) (4)

下表示出了上述三个碳储量模型的计算结果，很明显，由公式(3)所表示的第三种模型效果最好。

实施例二

如图7所示，本实施例提供了一种林分地上碳储量的确定装置，该装置包括：

图像获取装置61，用于获取林分地上的图像；图像获取装置可以是照相机及任何带有照相的设备；计算单元62，用于从林分地上的图像中获得碳储量参数；确定单元63，用于根据碳储量参数利用碳储量模型估计林分地上碳储量。

本实施例的各个单元的工作原理可参见实施例一的描述。

根据本发明，可以通过普通照相机和计算机就可以实现林分地上碳储量的估计。因此本发明不需要增加额外设备就可以估计林分地上碳储量，本发明技术及其适用于林场、长期固定样地等场景的林分地上碳储量动态监测。

虽然通过实施例描绘了本发明，但本领域普通技术人员知道，在不脱离本发明的精神和实质的情况下，就可使本发明有许多变形和变化，本发明的范围由所附的权利要求来限定。