[发明专利]一种基于多源多模态技术的城市植被固碳能力估算方法

权利要求书

1.一种基于多源多模态技术的城市植被固碳能力估算方法，其特征在于，包括如下步骤：

步骤一、获取公开遥感、PAR数据集，组成初始数据集，获取路网数据；其中，遥感数据集要求包括目标区域的历史真彩色、假彩色组合图像，云量控制在5％以下，PAR数据集需是目标区域的二维数值矩阵，两个数据集都将最新一年数据划分为测试集，倒数第二年划分为验证集，余下作为训练集；

步骤二、将遥感图像划分为若干个224X224像素的块，构建可直接输入模型的数据；

步骤三、使用本文提供的MAE预训练模型与RNN预训练模型，分别对波段数据和PAR数据进行训练。其中，MAE有两个模型，分别对应真彩色和假彩色组合数据，RNN模型对应PAR数据；

步骤四、将最新一天数据输入训练过后的模型，输出重建数据；

步骤五、将重建数据输入NPP function模型，估算该研究区域固碳能力。

2.如权利要求1所述的一种基于多源多模态技术的城市植被固碳能力估算方法，其特征在于，步骤一所述真彩色组合图像是指将Red、Green、Blue波段按R、G、B通道组合的tif格式图像；假彩色图像是指将NIR(近红外)、Red、Green波段按R、G、B通道组合的tif格式图像；二维PAR矩阵是指覆盖目标研究区域范围的PAR值矩阵，根据数据源分辨率不同对应不同范围的PAR值；路网数据是指目标研究区域的土地利用、道路、环境设施等地面数据，用于快捷地获取绿植区域。

3.如权利要求1所述的一种基于多源多模态技术的城市植被固碳能力估算方法，其特征在于，步骤二具体包括：

A0、逐个日期取出n×m大小的真彩色图像，其中n和m分别代表当前图像的行列像素点数，对假彩色组合图像执行相同操作。

A1、将n×m大小的真彩色按224×224的像素大小取样，对假彩色组合图像执行相同操作；

A2、设余数k1％224，k2＝m％224，若k1非0，则在n方向上取样时舍去最后k1个像素点，若k2非0，则在m方向上取样时舍去最后k2个像素点；

A3、每个取样保存为tif文件，命名格式为日期_图片组合格式_列号行号.tif；其中日期为年月日，如20210923，用于保存时间信息；列号行号为该224像素块位于原组合波段图像按224像素划分后的第几列第几行，用于保存该像素块位置信息。

具体而言，步骤三包括：

B0、将A3所述的tif取样文件的真彩色波段、假彩色组合图像输入MAE模型进行训练；其中MAE模型是加载了预训练参数的模型。

B1、将步骤一所述的PAR数据输入RNN模型进行训练；其中RNN模型是加载了预训练参数的模型。

具体而言，B0所述的MAE模型训练的具体步骤如下：

C0、加载预训练模型；

C1、加载权利要求2所述路网数据；

C2、读取步骤一所述训练集，在每次读取b个224×224大小的批量数据时，同时返回批次数据的A3所述时间信息、位置信息和路网信息；其中时间信息可以按季节的春夏秋冬分类，也可以按照12个月份分类；路网信息为该研究区域的绿植逐像素掩码矩阵，绿植区域赋值1，非绿植区域赋值0；

C3、根据每个224×224像素块所述位置信息的列号行号，在对应所述路网矩阵中获取该像素块的掩码矩阵；将掩码矩阵进行16×16大小的切片，获得((224/16)*(224/16)＝)196个小块掩码矩阵；

C4、对所述224×224的批量数据进行16×16大小的切片，一一对应C3所述16×16小块掩码矩阵；标记所述小块q_i、所述小块绿植标志g_i，i∈[1，196]，若q_i判断为绿植，则g_i＝1；

C5、设定绿地阈值α，设所述小块中q_i数值为1的像素数量为p_i，判断p_i/256是否大于α，若是，则令g_i＝1，反之，令g_i＝0。

C6、将C2所述时间信息记为t_i，i∈[1，196]；

C7、将C5、C6所述绿植标记信息g及时间信息t传入模型中；

C8、在forward_encoder阶段，将时间信息经[1，embed_dim]形状的linear层后生成timestamp，此时timestamp形状为[64，embed_dim]，随后，将timestamp复制到[64,196,1024]三维形状，与[64,196,1024]的所述批次数据相加；其中embed_dim为模型的encoder维度。

C9、执行随机掩码，设随机掩码率k＝0.75，计算所述196个小块中掩码数mk＝k×196；

C10、判断所述标记信息g中值为1的个数mg是否大于等于mk，若是，则提取g中前mk个值为1的索引号dex_i，i∈[1，196]，其中dex的长度为mk；若不是，则提取g中mg个值为1的索引号dex_i，i∈[1，196]，其中dex的长度为mg，随机提取g中剩余部分的索引号rd，其中rd的长度等于mk-mg；

C11、将所述196个小块索引号dex对应的小块执行掩码操作；

C12、执行后续模型训练阶段，得到目标城市MAE模型。

具体而言，B1所述的RNN模型训练的具体步骤如下：

D0、加载预训练模型

D1、读取目标研究区域PAR二维矩阵，其形状为[h，w]；

D2、将历史PAR矩阵在第三维度叠加，得到[h，w，t]的包含时间序列的三维数据；其中历史PAR数据可根据时间序列长度的不同进行不同程度的采样；

D3、将所述PAR矩阵降维，得到长度为[h×w，t]的二维矩阵；

D4、将所述二维矩阵输入RNN模型训练，得到目标城市RNN模型。

具体而言，步骤四中重建的数据包括真彩色、假彩色波段组合数据和PAR数据：

进一步而言，步骤五具体包括：

E0、将权利要求7所述真彩色、假彩色波段组合数据Red、Green波段取均值并合并，得到NIR、Red、Green、Blue四个波段数据；

E1、将波段数据的分辨率与PAR数据分辨率进行匹配，设波段数据的分辨率为f₁km，PAR分辨率为f₂km，若f₁f₂，设其中代表对x取整，在所述PAR矩阵中进行v×v范围内的取均值操作；

若f₁f₂，则操作相反，这里不再赘述。具体而言，E1中所述NPP function参考的是一种光能利用率模型。

E2、根据NPP function中公式，计算目标区域的NPP数值。