申请/专利权人：南京林业大学

申请日：2023-11-10

公开（公告）日：2024-01-09

公开（公告）号：CN117372710A

主分类号：G06V10/40

分类号：G06V10/40;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.26#实质审查的生效;2024.01.09#公开

摘要：本发明公开一种基于Sentinel‑2MSI遥感影像的林窗提取方法，包括如下步骤：步骤一、获取多源遥感数据；步骤二、确定林窗面积的上、下限和林窗下植被高度的上限；步骤三、计算CHM，并进行多源遥感数据特征提取得到特征变量，进行随机森林特征重要性排序；步骤四、建立随机森林冠层高度反演模型，预测获得冠层高度反演数据HI并进行精度评价；步骤五、分别基于步骤三中计算的CHM数据和步骤四中获得的HI数据划分林冠、林窗和其他类三类样本，计算HI样本和CHM样本间的空间一致性并分别制作CHM样本集、HI样本训练集和HI样本验证集；步骤六、以CHM样本集为因变量，对除纹理特征外的其余所有特征变量进行随机森林特征重要性排序；步骤七、使用CNN算法建立CNN‑HI林窗分类模型。

主权项：1.一种基于Sentinel-2MSI遥感影像的林窗提取方法，其特征在于，包括如下步骤：步骤一、获取多源遥感数据，包括：Sentinel-1和Sentinel2数据、LiDAR数据、ALOSDEM数据和GoogleEarth影像，并对上述数据进行预处理；步骤二、明确适用于Sentinel-2数据的林窗定义，确定林窗面积的上、下限和林窗下植被高度的上限；步骤三、计算训练区域的冠层高度模型CHM后，将CHM数据后划分CHM训练集和CHM验证集；并进行多源遥感数据特征提取得到特征变量，将所有特征变量作为高度反演模型的建模备选变量，进行随机森林特征重要性排序；步骤四、以步骤三中筛选出的重要变量和CHM训练集建立随机森林冠层高度反演模型，预测获得冠层高度反演数据HI并进行精度评价；步骤五、分别基于步骤三中计算的CHM数据和步骤四中获得的HI数据划分林冠、林窗和其他类三类样本，计算HI样本和CHM样本间的空间一致性并分别制作CHM样本集、HI样本训练集和HI样本验证集；步骤六、以步骤五中建立的CHM样本集为因变量，对除纹理特征外的其余所有特征变量进行随机森林特征重要性排序；步骤七、以步骤六中筛选出的重要变量和步骤五中得到的HI样本训练集为基础，使用CNN算法建立CNN-HI林窗分类模型；步骤八、使用步骤七中建立的CNN-HI林窗分类模型对所有研究区的HI样本验证集进行林窗分类和林窗分布制图，并使用GoogleEarth影像进行目视解译，对建立的CNN-HI林窗分类模型进行精度验证、可迁移性验证。

全文数据：

权利要求：

百度查询： 南京林业大学 一种基于Sentinel-2 MSI遥感影像的林窗提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD