[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

说明书

本发明公开了一种基于多源多模态技术的城市植被固碳能力的估算方法，涉及机器学习以及遥感领域。包括如下步骤：首先，直接获取研究区域历史遥感数据、光合有效辐射(Photosynthetically Active Radiation，PAR)数据以及路网(OpenStreetMap)数据，形成初始无标签数据集；其次，利用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；再次，将最新一天数据输入训练过后的模型，得到重建数据；最后，将重建数据输入NPP function模型，完成对城市植被固碳能力的精准模拟。本发明利用获取成本较低的多源数据和大规模深度神经网络结合，在遥感标注数据不足、城市植被季节性变化明显的情况下，依然可以实现低成本、精准地估算城市植被固碳能力。

技术领域

本发明涉及机器学习、遥感分析领域，具体涉及一种基于多源多模态技术的城市植被固碳能力的估算方法。

背景技术

碳核算成为衡量碳中和和协助城市管理者做出决策的关键工具。如今城市的快速发展造就了两种结果：一方面，城市直接对碳排放量的贡献可达到全国的85％，加上城市化快速发展，使得城市必须关注自身固碳能力和碳排放之间的平衡；另一方面，城市的绿化环境复杂，植被面积、种类不断变化，固碳能力估算结果受植被季节性特征和气候条件影响较大。

目前的植被固碳能力研究最常用的是样地清查法，模型模拟法和通量观测法，以及各方法的结合运用，但是这些方法通常针对大尺度的林地研究，并且大多操作复杂、时间经济成本较高。近年流行的机器学习是一种高效、可靠的技术，然而多个研究指出机器学习并不能识别植被在时序上的变化信息，并且常见的有监督学习方式无法直接适用于标注数据缺乏的遥感影像。因此，目前的固碳能力测算方法很难适应当下的城市环境。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种城市植被固碳能力的估算方法，能够在遥感标注数据不足、城市植被季节性变化明显的情况下，仍然能够低成本、精准地估算城市植被固碳能力。

为实现上述目的，本发明所采用的技术方案如下：

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。

具体而言，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。

进一步而言，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；