滨海湿地碳汇评估模型构建方法、评估方法和电子设备与流程

1.本发明涉及碳储量监测技术领域，更具体的，涉及一种滨海湿地碳汇评估模型构建方法、评估方法和电子设备。


背景技术：

2.研究表明，滨海湿地每平方公里的年碳埋藏量预计可达0.22ggc。因此，有效地评估滨海湿地的碳汇能力是实现碳中和目标的重要基础。
3.滨海湿地是全球变化的敏感区和脆弱区，由于生物活动、人类活动以及气候等因素的影响，滨海湿地往往是处于变化状态，例如，一些滨海湿地消失，一些人造滨海湿地，还有一些由于人类活动或生物入侵等，滨海湿地的类型发生变化，并且，而不同类型的滨海湿地的碳汇形式和碳汇能力相差很大。
4.基于此，相关技术总存在一些基于滨海湿地演变区域对滨海湿地碳汇效果进行评估的方法，例如，专利号为“cn202310115601.6”的中国专利中，指出对成熟湿地区域进行定性分析之外，还综合考虑待评估的滨海湿地的演变数据，考虑演变类型，演变前后的湿地类型，演变前后碳汇形式，演变前后碳汇能力，演变前后碳汇量等表征碳汇的因素综合对待评估的滨海湿地进行碳汇评估，可更为准确的得到待评估湿地的碳汇。
5.虽然相关技术中基于滨海湿地的演变区域进行碳汇评估，然而，此种碳汇评估只是基于演变区域的面积以及演变区域的滨海湿地类型进行评估，并未考虑演变区域的实际的特征，因此，做到较为精确的碳汇的评估。
6.因此，如何进行更为精确的进行碳汇评估成为亟待解决的技术问题。


技术实现要素：

7.本发明的目的是提供一种滨海湿地碳汇评估模型构建方法、评估方法和电子设备，以解决如何进行更为精确的碳汇评估，对滨海湿地的管理提供理论指导的技术问题。
8.为实现上述目的，本发明提供了如下方案：根据第一方面，本技术实施例提供了一种滨海湿地碳汇评估模型构建方法，所述碳汇评估模型包括：第一特征提取网络、第二特征提取网络、成熟度预测模型和评估模型；获取样本数据，所述样本数据包括滨海湿地在第一预设时段内的气象数据、所述滨海湿地的演变区域的第一近地图像数据、所述滨海湿地的成熟区域的第二近地图像数据和所述演变区域在第二预设时段内的成熟度数据，其中，所述演变区域包括不同类型湿地之间的转换区域以及各个类型的滨海湿地的除转换区域之外的净变化区域，在时序的维度上所述第一预设时段在所述第二预设时段之前；将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征；将所述气象数据输入至所述第二特征提取网络，提取所述气象特征；将所述静态特征，时序变化特征和气象特征作为所述成熟度预测模型的输入，将所述成熟度数据作为输出对所述成熟度预测模型进行多轮次训练，直至损失函数小于预设阈值，得到训练好的成熟度预测模型；将所述成熟度数据，所述气象
特征和所述第二近地图像数据输入所述评估模型，对所述评估模型进行多轮次训练，得到训练好的碳汇评估模型。
9.可选地，所述第一特征提取网络包括第一分支特征提取网络和第二分支特征提取网络以及第一时序特征提取层；所述第一近地图像数据包括近地三维点云数据和航拍图像数据；所述将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征包括：将所述近地三维点云数据输入第一分支特征提取网络提取所述演变区域的三维网络特征；将所述航拍图像数据输入所述第二分支特征提取网络提取所述演变区域的颜色空间特征；将所述三维网络特征和颜色空间特征进行对准，得到所述静态特征；将所述静态特征输入至所述时序特征提取网络，提取所述时序变化特征。
10.可选地，所述将所述三维网络特征和颜色空间特征进行对准，得到所述静态特征还包括：将所述三维网络特征进行第一聚类，得到所述演变区域的植物的第一稀疏度；将所述颜色空间特征进行第二聚类，得到所述演变区域的第二稀疏度；基于所述第一稀疏度和所述第二稀疏度对所述三维网络特征和所述颜色空间特征进行融合，得到所述静态特征。
11.可选地，所述第二特征提取网络包括气象特征提取层、第二时序特征层和注意力层；将所述气象特征输入所述气象特征提取层提取多类型气象特征；将所述多类型气象特征输入至所述第二时序特征层提取所述气象累计变化特征；并通过所述注意力层捕获所述气象累计变化特征的加权权重，得到具有加权权重的气象累计变化特征。
12.可选地，所述评估模型包括第三特征提取网络和线性回归模型；所述将所述成熟度数据，所述气象特征和所述第二近地图像数据输入所述评估模型，对所述评估模型进行多轮次训练，得到训练好的碳汇评估模型包括：基于所述第三特征提取网络提取所述第二近地图像中的在所述第一预设时段内的植被变化特征；利用所述成熟度数据、所述气象特征和所述植被变化特征作为变量构建所述线性回归模型。
13.可选地，所述第一预设时段包括春季萌芽期内的预设时段；所述气象数据包括气温，雨水量，下雨持续时长和风暴潮；所述第二预设时段包括第一预设时段之后，落叶期之前的任意时间段。
14.根据地第二方面，本技术实施例提供了一种滨海湿地碳汇评估方法，包括：获取待评估的滨海湿地在第一预设时段内的气象数据、所述滨海湿地的演变区域的第一近地图像数据和所述滨海湿地的成熟区域的第二近地图像数据；将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征；将所述气象数据输入至所述第二特征提取网络，提取所述气象特征；将所述静态特征、时序变化特征和所述气象特征输入至所述成熟度预测模型，得到所述演变区域的成熟度；将所述成熟度，所述气象特征和所述第二近地图像数据输入训练好的评估模型，得到滨海湿地的碳汇评估结果。
15.可选地，所述评估模型包括第三特征提取网络和线性回归模型；所述将所述成熟度，所述气象特征和所述第二近地图像数据输入训练好的评估模型，得到滨海湿地的碳汇评估结果包括：将所述第二近地图像数据输入值所述第三特征提取网络提取所述第二近地图像中的在所述第一预设时段内的植被变化特征；将所述成熟度数据，所述气象特征和所述植被变化特征输入所述线性回归模型，得到所述滨海湿地的碳汇权重系数；基于滨海湿地类型对应的预设碳汇能力和所述碳汇权重系数确定所述滨海湿地的碳汇。
16.可选地，还包括：获取所述待评估的滨海湿地中演变区域的多个连续预设周期内
的成熟度数据；基于多个连续的成熟度数据确定所述演变区域的演变速率；基于所述演变速率调整所述演变区域的碳汇权重系数。
17.根据第三方面，本技术实施例提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的滨海湿地碳汇评估模型构建方法和/或上述第二方面所述的滨海湿地碳汇评估方法。
18.本发明中的上述方法和系统在对待评估的滨海湿地进行碳汇评估时，尤其是对变化较为频繁的区域的湿地进行评估时，除现有技术中对成熟湿地区域进行定性分析之外，还综合考虑待评估的滨海湿地的演变数据，考虑演变类型，演变前后的湿地类型，演变前后碳汇形式，演变前后碳汇能力，演变前后碳汇量等表征碳汇的因素综合对待评估的滨海湿地进行碳汇评估，可更为准确的得到待评估湿地的碳汇。
附图说明
19.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1示出了本发明一种碳汇评估模型结构示意图；图2示出了本发明一种滨海湿地碳汇评估模型构建方法的流程示意图；图3示出了本发明的成熟度预测模型结构示意图；图4示出了本发明的提取静态特征和时序变化特征的方法的流程示意图；图5示出了本发明的提取气象数据的方法的流程示意图；图6示出了本发明的滨海湿地碳汇评估方法的流程示意图。
具体实施方式
20.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
21.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。
22.在以下的描述中，将描述本发明的多个不同的方面，然而对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
23.参见背景技术所述现有技术中往往基于演变区域的面积以及演变区域的滨海湿地类型进行评估，然而，演变区域的成熟度是演变区域碳汇能力的关键，并且，演变区域的成熟度并非至于发生演变的时长相关，还与该区域的植被是否能正常生长有关，有时对于中高纬度地区，植被在秋季落叶，在春季发芽，因此，环境变动对于落叶植被的影响较大。并且，植被自身生长也收到滨海环境影响，因此，演变区域的演变时长并不能准确的体现出演
变区域的碳汇能力，降低碳汇的评估的准确性。
24.基于此，本技术实施例提供了一种滨海湿地碳汇评估模型构建方法，如图1所示，碳汇评估模型可以包括第一特征提取网络、第二特征提取网络、成熟度预测模型和评估模型,如图2所示，滨海湿地碳汇评估模型构建方法包括：s10.获取样本数据，所述样本数据包括滨海湿地在第一预设时段内的气象数据、所述滨海湿地的演变区域的第一近地图像数据、所述滨海湿地的成熟区域的第二近地图像数据和所述演变区域在第二预设时段内的成熟度数据，其中，所述演变区域包括不同类型湿地之间的转换区域以及各个类型的滨海湿地的除转换区域之外的净变化区域，在时序的维度上所述第一预设时段在所述第二预设时段之前。
25.作为示例性的实例，滨海湿地可以包括成熟型滨海湿地，即各种类型的滨海湿地的靠近中心区域的不易变化的湿地，还包括演变型滨海湿地，例如各个类型的滨海湿地的边缘区域，该区域由于受到环境，人为活动，或生物入侵等影响，较易发生变化的区域。在本实施例中，演变区域包括已经发生转换的区域，例如，滩涂变为盐沼和/或柽柳林，或者柽柳林和/或盐沼变为滩涂，或者，新增区域，例如，新增的滩涂，盐沼或柽柳林等。
26.在本实施例中，第一预设时段可以包括春季萌芽期内的第一预设子时段，也可以包括萌芽期之前的预设时段；所述气象数据包括气温，雨水量，下雨持续时长和风暴潮；所述第二预设时段包括第一预设时段之后，落叶期之前的任意时间段。
27.由于处于萌芽期的植被，若气象不适于萌芽，则可能影响植被的生产，甚至会植被死亡。例如，处于萌芽期的植被在萌芽阶段若雨水量较大，则可能会影响植物发芽，或芽叶生长。另外，萌芽期之前或萌芽期间，若气温较低，可能会使植物发生冻害，影响植物生长。
28.因此，在本实施例中，获取第一预设时段内的气象数据，以表征植物萌芽的气象数据。
29.在一些示例性的实施例中，第一预设时段还可以包括自萌芽期之前至萌芽期结束的持续的第二预设子时段；第一近地图像数据可以为第二预设子时段内持续采集的近地图像数据，在第二预设子时段内，通过采集第一近地图像还可以涵盖植物发芽至成叶的整个时间段内持续变化的图像信息。
30.作为可选的实施例，第一预设子时段可以为涵盖植物发芽期间的任意时长，例如，自出现芽包开始后的3-10天，在本实施例中不做限制。第二预设子时段可以为盖未发芽至长成成叶的任意时长，例如，可以为出现芽包时或之前至叶子长成平均成叶大小的80%以上之间的持续时长。在本实施例中，可以为10-30天。
31.在第二预设子时段内还可以采集成熟区域的第二近地图像数据，用于通过第二近地图像数据确定成熟区发芽状态，以确定未来一年内成熟区的具体的碳汇能力和碳汇量。
32.作为示例性的实施例，第一近地图像数据和第二近地图像数据可以为无人机航拍图像数据，例如，可以在滨海湿地上空5-100米拍摄的图像数据，还可以为无人机激光点云数据。
33.s20.将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征。作为示例性的实施例，第一特征提取网络用语提取第一近地图像数据。
34.在本实施例中，由于第一图像数据和第二图像数据均是对整个滨海湿地进行拍
摄，其中第一图像数据中可能包含成熟区域，第二图像数据可能包括有演变区域，为了更为精确的区分演变区域的图像数据和成熟区域的图像数据，在本实施例中，可以先利用分类模型分别对第一图像数据和第二图像数据进行分类，在第一图像数据和第二图像数据中精确的确定演变区域和成熟区域。
35.作为示例性的实施例，可以利用预先训练的分类网络进行分类，得到不同类型的滨海湿地，一个示例性的实施例中，可以采用python语言实现所述分类网络模型，通过真实成熟区域的近地图像和演变区域的近地图像对其进行训练。当然，采用其他语言实现分类网络模型在本实施例中并不限制。具体的训练过程包括：首先对模型的所有参数进行随机初始化，然后输入训练数据，输入到所述分类网络模型进行正向传播，并取得输出；然后，分别利用构建的判别损失函数和分类损失函数来计算此时模型的损失；通过反向传播更新模型参数，并测试当前模型的精度。在一定的训练轮数当中，不断通过反向传播更新模型参数，并在每次突破当前最佳精度时保存模型，就能取得最终训练出的网络模型。在可选地实施例中，训练参数的设置如下：训练轮次为200，学习率为0.005，以随机梯度下降为优化函数。以此精确的划分出演变区域和成熟区域。
36.将分类结果中的演变区域对应的近地图像数据输入第一特征提取网络对演变区域的静态特征和时序变化特征进行提取，在本实施例中，静态特征可以包括每一演变区域的近地图像中植物当前的生长状态，例如，演变区域颜色，发芽率，芽体生长状态等特征，时序变化特征可以为演变区域颜色变化率特征，芽体生长速率等特征。
37.在本实施例中，通过静态特征和时序变化特征表征芽体当前状态和生长状态。
38.s30.将所述气象数据输入至所述第二特征提取网络，提取所述气象特征。作为示例性的实施例，气象数据可以包括气温，雨水量，下雨持续时长、风速和风暴潮。作为示例性的实施例，可以依照第一预设长度的滑动时间窗口对所述实测气象数据进行划分采样，得到多个窗口区间内的气象数据；基于所述气象数据的数据属性和数据数值确定每一窗口区间内每个预设时间尺度下的二维特征向量；对所述二维特征向量进行数据标准化，得到气象数据。
39.示例性的，可以依照长度为k大小的滑动窗口对数据进行划分采样；在划分采样得到多个窗口区间后，对每个窗口区间内每个预设时间尺度xi的实测气象数据得到二维特征向量，来表示该预设时间尺度的气象信息；示例性的，所述二维特征向量的一个维度为时间xi，另一维度为数值；具体地，所述二维特征向量可以为[温度i-k+1，
……
，温度i]，[雨量i-k+1，
……
，雨量i]，[风速i-k+1，
……
，风速i]，[风暴潮高度i-k+1，
……
，风暴潮高度i]的形式。
[0040]
在本实施例中，通过第二特征提取网络提取植物萌芽期的气象数据中的气象特征，该气象特征可以按照气象数据类型分为气象特征1，气象特征2，
……
气象特征n，例如，可以包括温度特征序列，雨量特征序列，风速特征序列，风高潮高度特征序列等。
[0041]
在本本实施例中，在第一特征提取网络和第二特征提取网络提取对应的特征之后，还将第一特征提取网络和第二特征提取网络提取的特征进行时序对准，以将气象特征和近地图像特征以及时序变化特征一一进行时刻对准。
[0042]
s40.将所述静态特征，时序变化特征和气象特征作为所述成熟度预测模型的输入，将所述成熟度数据作为输出对所述成熟度预测模型进行多轮次训练，直至损失函数小
于预设阈值，得到训练好的成熟度预测模型。
[0043]
作为示例性的实施例，成熟度预测模型可以采用bp神经网络、循环神经网络、卷积神经网络的一种或多种。图3中以bp神经网络为例进行说明。
[0044]
具体的，基于所述静态特征，时序变化特征和气象特征的特征值作为bp神经网络的输入层，输出层为成熟度数据，中间层根据需要选择，以此构建成熟度预测模型，进行所述熟度预测模型的训练，训练得到熟度预测模型，以对未来一年内的成熟度，或未来一个季度或两个季度的成熟度进行预测。
[0045]
如图3所示，在本实施例中，静态特征可以包括静态特征1，静态特征2
……
静态特征n等多个静态特征，例如，演变区域颜色，发芽率，芽体生长状态等特征。时序变化特征也可以包括时序变化特征1，时序变化特征2，时序变化特征n等多个时序变化特征，例如，演变区域颜色变化率特征，芽体生长速率等特征。
[0046]
s50.将所述成熟度数据，所述气象特征和所述第二近地图像数据输入所述评估模型，对所述评估模型进行多轮次训练，得到训练好的碳汇评估模型。
[0047]
作为示例性的实施例，在训练阶段，成熟度数据可以采用样本数据中的成熟度数据，在评估阶段，成熟度数据可以为成熟度预测模型的预测结果。在本实施例中，评估模型输入的第二近地图像数据可以为通过分类模型得到的成熟区域的近地图像。
[0048]
作为示例性的实施例，评估模型可以包括碳汇能力评估模型，其中，成熟度数据，气象特征的特征值和从第二近地图像数据中提取的植被换变特征作为碳汇能力的变量，在本实施例中，评估模型可以采用线性回归模型进行评估，还可以采用决策树模型或逻辑回归模型，在本实施例中，采用线性回归模型为例进行说明。示例性的，可以采用多元线性回归模型进行碳汇评估，在本实施例中，将所述评估模型包括第三特征提取网络和线性回归模型。第三特征提取网络用于提取第二近地图像中的在所述第一预设时段内的植被变化特征，以表征成熟区域中的植被发芽率或死亡率。在本实施例中，一些特殊的气象会影响植被发芽，例如，发芽期持续下雨，发芽期或发芽之前的寒流，或春季的风暴潮等，会影响植被发芽，设置会导致部分植被无法发芽而死亡，进而持续影响碳汇能力和碳汇。因此，在本实施例中，还考虑成熟区域的植被变化特征。
[0049]
在本实施例中，可以将成熟度数据，气象特征的特征值和从第二近地图像数据中提取的植被换变特征作为回归因子，将碳汇评估结果作为回归因子进行多元线性回归拟合，进而得到多元线性模型的参数，完成评估模型的训练。该评估模型可以作为整体滨海湿地区域（包括成熟区域和演变区域）的碳汇评估模型。
[0050]
作为示例性的实施例，多元线性回归模型可以采用如下公式：
‘
其中，a0为固有系数，a1、a2……an
和b1、b2……bn
分别待拟合系数，x1、x2……
xn为评估模型的输入数据，y1
……
yn分别对应每一种滨海湿地类型的碳汇或碳汇能力的权重系数。
[0051]
以演变区域为转换区域为例，其为第一类型滨海湿地转换为第二类型滨海湿地，
权重系数为转换之后的滨海湿地类型的碳汇能力的权重系数，其中，转换之后的类型为第一类型滨海湿地，转换之前的类型为第二类型滨海湿地，第一类型的滨海湿地的预设碳汇能力为a，第二类型滨海湿地的预设碳汇能力为b，在对转换区域进行碳汇能力评估时，需要a乘以权重系数得到转换过程中第一类型的碳汇能力，b乘以（1-权重系数）得到转换过程中第二类型碳汇能力，将第一类型的碳汇能力和第二类型碳汇能力之和作为转换区域的碳汇的评估结果。
[0052]
作为另一种可选的实施例，为了更为准确的对碳汇进行评估，还可以将演变区域和成熟区域分别进行拟合，在本实施例中，演变区域可以采用多元线性回归模型进行拟合，示例性的，将演变区域的熟度数据，气象特征的特征值作为回归因子，将演变区域的碳汇评估结果作为被回归因子，进行多元线性回归，进而得到演变区域与的评估模型；对于成熟区域可以采用一元多项式进行拟合。示例性的，将植被变化特征作为自变量，将成熟区域的碳汇能力或碳汇效果作为因变量进行一元多项式的拟合，在拟合完成后，在同一时序下，将两者的输出进行相加，即可得到整体滨海湿地区域的碳汇效果。
[0053]
作为可选的实施例，如图3所示，所述第一特征提取网络包括第一分支特征提取网络和第二分支特征提取网络以及第一时序特征提取层；所述第一近地图像数据包括近地三维点云数据和航拍图像数据；所述第一近地图像数据包括近地三维点云数据和航拍图像数据。如图4所示，所述将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征包括：s201.将所述近地三维点云数据输入第一分支特征提取网络提取所述演变区域的三维网络特征。作为示例性的实施例，近地三维点云数据可以通过使用安装有点云数据采集设备的汽车，无人机等工具自动地对建成的实际的滨海湿地进行点云数据采集，所述点云数据采集设备可为激光扫描仪，深度相机，双目相机等。
[0054]
在本实施例中，对于三维点云数据的分类可以基于投影的方法，例如，基于体素网格的方法和基于多视图的方法。为了适应三维点云数据的特征，还可以基于原始点云的方法，例如，多层感知机；卷积神经网络；图卷积神经网络；注意力机制等。在本实施例中，基于深度学习模型的点云语义分割算法采用randla-net算法对点云语义分割。在本实施例中，可以采用滨海湿地语义分割网络对点云数据进行语义分割，在本实施例中，可以将滨海湿地按照植被高低划分为柽柳林，盐沼和滩涂。
[0055]
第一分支特征提取网络建立的过程可以包括：选择所述滨海湿地点云数据样本的语义分割标签，示例性的，可以根据滨海湿地类型，例如树木，草本和滩涂作为语义分割标签的主要要素对所述滨海湿地云数据样本进行标注。
[0056]
选择基于深度学习模型的点云语义分割算法，对有标签的滨海湿地点云数据样本进行点云分割模型训练。示例性的，利用randla-net算法采用随机抽样得到进行点采样和局部特征聚合模块进行点云数据局部特征学习，在保证点云数据语义分割准确性的基础上，提高了计算速率，适合大规模的滨海湿地的点云数据处理。设定所述点云分割模型训练的精准度阈值，当精准度达到阈值的条件下停止计算，得到滨海湿地语义分割模型。可以基于滨海湿地语义分割模型对三维点云数据进行分类，得到各个类型的滨海湿地的斑块。
[0057]
基于分类结果构建滨海湿地空间网络，在本实施例中，可以选取地面作为基准面，
滨海湿地最高处以上1米以及以上的高度作为垂直高度，由此确定滨海湿地空间。对滨海湿地的三维空间进行网格化，得到滨海湿地的网格化空间，该网格化空间可以由体素构成，为了确定所述滨海湿地网格化空间中体素是否存在滨海湿地以及属于何种类型，在得到滨海湿地网格化空间后，滨海湿地点云数据中某一点存在所示体素网格内，则认为该体素存在滨海湿地，而该点属于何种类型的滨海湿地由所述语义分割结果确定。
[0058]
在得到体素之后，可以基于每一分类结果中的体素之间的距离确定当前类型的滨海湿地的稀疏程度和植被在当前区域内的分布状态。
[0059]
在本实施例中，三维网络特征可以包括滨海湿地的类型和该类型下的滨海湿地内的植被的空间分布特征，示例性的，空间分布特征可以额包括该类型下的滨海湿地的稀疏程度和植被在当前区域内的分布状态。
[0060]
s202.将所述航拍图像数据输入所述第二分支特征提取网络提取所述演变区域的颜色空间特征。作为示例性的实施例，第二分支特征提取网络可以采用cnn网络，该网络可以包括2个卷积层、2个激活层、1个批标准化层和1个最大池化层，采用一维操作，提取航拍图像数据中每个像素的颜色空间特征。在本实施例中，在落叶区的滨海湿地中植被在发芽期的颜色会随发芽状态而变化。因此，在本实施例中，提取颜色空间特征以表征当前区域的植被发芽状态。
[0061]
s203.将所述三维网络特征和颜色空间特征进行对准，得到所述静态特征。作为示例性的实施例，由于三维点云数据和近地图像数据可能不是同一设备进行采集的，或者，空间尺度不同，因此，在本实施例中，需要对三维网络特征和颜色空间特征进行对准，在本实施例中，需要对三维网络特征和颜色空间特征进行地理信息上的配准，时域配准，同时还需进行分辨率配准，以保证三维网络特征和颜色空间特征可以一一对应匹配，在本实施例中，将三维网络特征和颜色空间特征进行对准，以对三维网络特征和颜色空间特征进行融合，得到具有三维空间色彩的滨海湿地特征，可以理解是，基于颜色空间特征对三维网络特征进行上色。
[0062]
在本实施例中，一个三维点云数据和一个航拍图像数据作为一组近地图像数据，通过第一分支特征提取网络和第二分支特征提取网络提取该组近地图像中的三维网络特征和颜色空间特征，然后进行对准融合，得到该组近地图像的静态特征。
[0063]
由于近地图像信息只能采集到二维特征，尤其是对于色彩特征或光谱特征采集的更为准确，而点云数据往往能够采集垂直空间特征，即能够采集到三维特征，因此，在本实施例中，同时基于三维点云数据提取三维网络特征，基于近地图像数据提取二维的色彩空间特征，并将三维网络特征和色彩空间特征进行对准，以将色彩和三维网络特征进行融合，得到具有三维空间的色彩特征，以更为全面的表征当前植被的生长状态。为成熟度的评估和预测以及碳汇效果和碳汇能力的评估和预测提供更为准确的数据。
[0064]
s204.将所述静态特征输入至所述时序特征提取网络，提取所述时序变化特征。作为示例性的实施例，静态特征可以为通过基于时序排列的多组近地图像数据提取得到的具有时序关系的静态图像特征集合。时序特征提取网络可以采用循环神经网络，在本实施例中，例如可以长短期记忆网络或gru网络，在本实施例中，通过时序特征提取网络提取静态特征在时序上的时序变化特征，在本实施例中，可以提取基于时序的累计特征，还可以提取随时序的变化特征。
[0065]
示例性的，在本实施例中，时序变化特征可以包括颜色特征的变化量，变化率等特征，也可以包括三维网络特征，即三维体积随时序的变化量和变化率等特征。
[0066]
作为可选的实施例，如图5所示，所述第二特征提取网络包括气象特征提取网络、第二时序特征网络和注意力网络。在本实施例中，气象特征提取网络，可以包括卷积网络。将气象数据拆分重构成二维特征向量，来表示该时刻的气象变化信息。通过卷积网络提取气象数据中的初步特征。由于仅仅靠卷积网络无法考虑发生气象变化的时序变化特征，因此，在第二特征提取网络中加入了第二时序特征网络，来捕获和学习气象变化序列重的时间累计效应，通过引入多头注意力机制，对特征向量的不同信息进行自适应加权融合，不仅能过滤其中非重要特征，同时能捕获序列内各种依赖关系。具体的，可以包括如下步骤：s301.将所述气象数据输入所述气象特征提取网络提取多类型气象特征。作为示例性的实施例，可以依照长度为k大小的滑动窗口对数据进行划分采样；在划分采样得到多个窗口区间后，对每个窗口区间内每个预设时间尺度xi的实测气象数据得到二维特征向量，来表示该预设时间尺度的气象信息；示例性的，所述二维特征向量的一个维度为时间xi，另一维度为数值；具体地，所述二维特征向量可以为[温度i-k+1，
……
，温度i]，[雨量i-k+1，
……
，雨量i]，[风速i-k+1，
……
，风速i]，[风暴潮高度i-k+1，
……
，风暴潮高度i]的形式。通过cnn网络提取各个二维特征向量中的气象特征。
[0067]
s302.将所述多类型气象特征输入至所述第二时序特征网络提取所述气象累计变化特征。在本实施例中，可以通过第二时序特征提取网络分别提取每一类气象序列数据的气象变化特征。由于发芽过程，以及植被生长状态需要满足一定气候条件在时间上累计变化过程，且在上述累计变化过程中存在各种细微气象条件下存在复杂的耦合关系，因此，为了确定表征每一类气象序列数据在上述时间上累计变化过程以及存在复杂的耦合关系的时间累计效应，在本技术中，在进行模型训练时，分别利用门控循环单元实现对每一类类气象序列数据的气象变化特征的特征提取。其中主要通过更新门和重置门实现保留历史信息和遗忘非必要信息s303.通过所述注意力层捕获所述气象累计变化特征的加权权重，得到具有加权权重的气象累计变化特征。学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和气象累计变化特征的加权权重。在模型训练的过程中，学习多个所述气象累计变化特征；由于发芽过程，以及植被生长状态中存在多种气象条件下存在复杂的耦合关系，因此通过多头注意力机制处理对多维序列特征数据的复杂关系。其中通过多组注意力机制对所述气象变化特征调整加权权重，以获取不同气象特征序列的关系。最后通过一个线性层对多个加权子序列进行融合，形成一个整体的输出序列。从而提高影响植被发芽的气象特征的显著性水平，更好捕获多种类型气象特征在对于之别发芽的影响的相关性。
[0068]
本技术实施例还提供了一种滨海湿地碳汇评估方法，如图6所示，评估方法可以包括：s100.获取待评估的滨海湿地在第一预设时段内的气象数据、所述滨海湿地的演变区域的第一近地图像数据和所述滨海湿地的成熟区域的第二近地图像数据。
[0069]
作为示例性的实施例，所称的第一预设时段第一预设时段可以包括春季萌芽期内的第一预设子时段，也可以包括萌芽期之前的预设时段；所述气象数据包括气温，雨水量，下雨持续时长和风暴潮。
[0070]
第一预设时段还可以包括自萌芽期之前至萌芽期结束的持续的第二预设子时段；第一近地图像数据可以为第二预设子时段内持续采集的近地图像数据，在第二预设子时段内，通过采集第一近地图像还可以涵盖植物发芽至成叶的整个时间段内持续变化的图像信息。
[0071]
s200.将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征。具体参见上述实施例中采用第一特征提取网络提取第一近地图像数据的静态特征和时序变化特征的描述。
[0072]
s300.将所述气象数据输入至所述第二特征提取网络，提取所述气象特征。具体参见上述实施例中采用第二特征提取网络提取气象数据的气象特征的描述。
[0073]
s400.将所述静态特征、时序变化特征和所述气象特征输入至所述成熟度预测模型，得到所述演变区域的成熟度。在本实施例中，成熟度预测模型可以为基于上述实施例中训练得到的成熟度预测模型，在将静态特征、时序变化特征和气象特征输入至训练好的成熟度预测模型可以得到演变区域的成熟度。
[0074]
在本实施例中，成熟度可以包括净变化区域自非滨海湿地变化为滨海湿地的成熟度，例如，自非滨海湿地变化为盐沼的净变化区域中其盐沼的成熟度，或，自非滨海湿地变化为柽柳林的净变化区域的柽柳林的成熟度。还可以包括自第一种类型转换为第二种类型的转化区域的转换成熟度，示例性的，自滩涂转换为盐沼的转换区域中盐沼的成熟度，或，自盐沼转换为滩涂的转换区域的滩涂的成熟度。
[0075]
在本实施例中，由于不同类型的滨海湿地往往碳汇能力不同，由于新的滨海湿地的生物种群，生物数量、稳定程度等没有达到成熟滨海湿地的程度，对于新增的滨海湿地的初始碳汇能力可以为预设碳汇能力的40-60%，随着演变的滨海湿地的成熟度的增加，其碳汇能力不断增加，直至达到成熟滨海湿地的碳汇能力，因此，在本实施例中，成熟度可以作为当前演变区域中演变之后滨海湿地类型的碳汇能力的权重系数，以得到当前演变区域中演变之后滨海湿地类型的实时碳汇能力。
[0076]
s500.将所述成熟度，所述气象特征和所述第二近地图像数据输入训练好的评估模型，得到滨海湿地的碳汇评估结果。在得到演变区域的成熟度之后，可以将成熟度，气象特征和成熟区域的植被的图像特征作为影响碳汇效果的因素对碳汇能力进行评估。
[0077]
在本实施例中，评估模型可以采用线性回归模型进行评估，还可以采用决策树模型或逻辑回归模型，以多元线性回归模型为例进行说明：多元线性回归模型可以采用如下公式：，其中，a0为固有系数，a1、a2……an
和b1、b2……bn
分别拟合系数，x1、x2……
xn为评估模型的输入数据，y1
……
yn分别对应每一种滨海湿地类型的碳汇效果或碳汇能力的权重系数。
[0078]
以演变区域为转换区域为例，其为第一类型滨海湿地转换为第二类型滨海湿地，权重系数为转换之后的滨海湿地类型的碳汇能力的权重系数，其中，转换之后的类型为第
一类型滨海湿地，转换之前的类型为第二类型滨海湿地，第一类型的滨海湿地的预设碳汇能力为a，第二类型滨海湿地的预设碳汇能力为b，在对转换区域进行碳汇能力评估时，需要a乘以权重系数得到转换过程中第一类型的碳汇能力，b乘以（1-权重系数）得到转换过程中第二类型碳汇能力，将第一类型的碳汇能力和第二类型碳汇能力之和作为转换区域的碳汇的评估结果。
[0079]
示例性的，在本实施例中，以第一类型的湿地包括柽柳林和/或盐沼；所述第二类型的湿地包括滩涂为例，即以盐沼或柽柳林向滩涂转换为例进行具体的说明：柽柳林和/或盐沼的权重系数为y1，滩涂的权重系数为1-y1；柽柳林或盐沼向滩涂转换的过程中，生产能力逐渐下降，逐渐变为输入型碳汇能力。因此，在对碳汇评估时可以将预设碳汇能力乘以对应的权重系数得到转换区域柽柳林和/或盐沼的实时碳汇能力。其中，转换区域的碳汇能力可以为第一类型的滨海湿地的碳汇能力a与y1的乘积和第二类型滨海湿地的碳汇能力为b与1-y1的乘积的和。
[0080]
其他类型的滨海湿地的也可参照上述实施例中计算，最终得到整体滨海湿地的碳汇效果。
[0081]
作为可选的实力，演变区域在自然环境和人为因素的影响下，其演变速率可能较快也可能较慢，而较快的演变速率对应的区域的碳汇能力与演变后的类型的碳汇能力更为接近或达到预设碳汇能力更快，而较慢的演变速率对应的区域的碳汇能力达到预设碳汇能力更慢或短时间内无法达到预测的成熟度对应的碳汇能力。因此，为了更为准确的对演变区域的碳汇能力进行评估或预测，在本实施例中，可以基于演变区域的演变速率对演变区域的权重系数进行调整。
[0082]
而通过自然环境和人为因素预测或确定演变速率往往需要大量的数据维度，例如，多种气象数据，海水营养盐等，以及多种不确定的影响因素，例如，人为活动的因素。利用上述数据进行演变速率测算不仅准确率不高，而且计算量和数据量巨大，因此，为了更为准确的确定演变速率，在本实施例中，获取所述待评估的滨海湿地中演变区域的多个连续预设周期内的成熟度数据；基于多个连续的成熟度数据确定所述演变区域的演变速率；基于所述演变速率调整所述演变区域的碳汇权重系数。
[0083]
作为示例性的实力，预设周期可以为一季度，两季度，一年等预设的成熟度预测周期。在本实施例中，可以获取多个成熟度预测周期内的一个或多个成熟度实测数据的平均值作为当前演变区域的平均成熟度数据，基于多个成熟度数据确定成熟度增长速率或变化速率，在本实施例中，为了进一步减小计算量，可以采集两个或三个连续的预设周期的成熟度实测数据计算其变化速率，进而基于成熟度增长速率或变化速率所述演变区域的演变速率，其中成熟度变化率与演变速率成正相关，演变速率作为正相关的调整系数对碳汇权重系数进行进一步调整，以保证演变区域的碳汇效果评估更为准确。在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0084]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0085]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0086]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0087]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0088]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种滨海湿地碳汇评估模型构建方法，其特征在于，所述碳汇评估模型包括：第一特征提取网络、第二特征提取网络、成熟度预测模型和评估模型；获取样本数据，所述样本数据包括滨海湿地在第一预设时段内的气象数据、所述滨海湿地的演变区域的第一近地图像数据、所述滨海湿地的成熟区域的第二近地图像数据和所述演变区域在第二预设时段内的成熟度数据，其中，所述演变区域包括不同类型湿地之间的转换区域以及各个类型的滨海湿地的除转换区域之外的净变化区域，在时序的维度上所述第一预设时段在所述第二预设时段之前；将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征；将所述气象数据输入至所述第二特征提取网络，提取气象特征；将所述静态特征，时序变化特征和气象特征作为所述成熟度预测模型的输入，将所述成熟度数据作为输出对所述成熟度预测模型进行多轮次训练，直至损失函数小于预设阈值，得到训练好的成熟度预测模型；将所述成熟度数据，所述气象特征和所述第二近地图像数据输入所述评估模型，对所述评估模型进行多轮次训练，得到训练好的碳汇评估模型。2.如权利要求1所述的滨海湿地碳汇评估模型构建方法，其特征在于，所述第一特征提取网络包括第一分支特征提取网络和第二分支特征提取网络以及第一时序特征提取层；所述第一近地图像数据包括近地三维点云数据和航拍图像数据；所述将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征包括：将所述近地三维点云数据输入第一分支特征提取网络提取所述演变区域的三维网络特征；将所述航拍图像数据输入所述第二分支特征提取网络提取所述演变区域的颜色空间特征；将所述三维网络特征和颜色空间特征进行对准，得到所述静态特征；将所述静态特征输入至所述时序特征提取网络，提取所述时序变化特征。3.如权利要求2所述的滨海湿地碳汇评估模型构建方法，其特征在于，所述将所述三维网络特征和颜色空间特征进行对准，得到所述静态特征还包括：将所述三维网络特征进行第一聚类，得到所述演变区域的植物的第一稀疏度；将所述颜色空间特征进行第二聚类，得到所述演变区域的第二稀疏度；基于所述第一稀疏度和所述第二稀疏度对所述三维网络特征和所述颜色空间特征进行融合，得到所述静态特征。4.如权利要求1所述的滨海湿地碳汇评估模型构建方法，其特征在于，所述第二特征提取网络包括气象特征提取层、第二时序特征层和注意力层；将所述气象数据输入所述气象特征提取层提取多类型气象特征；将所述多类型气象特征输入至所述第二时序特征层提取气象累计变化特征；通过所述注意力层捕获所述气象累计变化特征的加权权重，得到具有加权权重的气象累计变化特征。5.如权利要求1所述的滨海湿地碳汇评估模型构建方法，其特征在于，所述评估模型包
括第三特征提取网络和线性回归模型；所述将所述成熟度数据，所述气象特征和所述第二近地图像数据输入所述评估模型，对所述评估模型进行多轮次训练，得到训练好的碳汇评估模型包括：基于所述第三特征提取网络提取所述第二近地图像中的在所述第一预设时段内的植被变化特征；利用所述成熟度数据、所述气象特征和所述植被变化特征作为变量构建所述线性回归模型。6.如权利要求1所述的滨海湿地碳汇评估模型构建方法，其特征在于，所述第一预设时段包括春季萌芽期内的预设时段；所述气象数据包括气温，雨水量，下雨持续时长和风暴潮；所述第二预设时段包括第一预设时段之后，落叶期之前的任意时间段。7.一种滨海湿地碳汇评估方法，其特征在于，所述评估方法采用权利要求1-6任意一项所述的滨海湿地碳汇评估模型构建方法得到的碳汇评估模型进行评估，所述评估方法包括：获取待评估的滨海湿地在第一预设时段内的气象数据、所述滨海湿地的演变区域的第一近地图像数据和所述滨海湿地的成熟区域的第二近地图像数据；将所述第一近地图像数据输入至所述第一特征提取网络，提取所述演变区域的静态特征和时序变化特征；将所述气象数据输入至所述第二特征提取网络，提取所述气象特征；将所述静态特征、时序变化特征和所述气象特征输入至所述成熟度预测模型，得到所述演变区域的成熟度；将所述成熟度，所述气象特征和所述第二近地图像数据输入训练好的评估模型，得到滨海湿地的碳汇评估结果。8.如权利要求7所述的滨海湿地碳汇评估方法，其特征在于，包括：所述评估模型包括第三特征提取网络和线性回归模型；所述将所述成熟度，所述气象特征和所述第二近地图像数据输入训练好的评估模型，得到滨海湿地的碳汇评估结果包括：将所述第二近地图像数据输入值所述第三特征提取网络提取所述第二近地图像中的在所述第一预设时段内的植被变化特征；将所述成熟度数据，所述气象特征和所述植被变化特征输入所述线性回归模型，得到所述滨海湿地的碳汇权重系数；基于滨海湿地类型对应的预设碳汇能力和所述碳汇权重系数确定所述滨海湿地的碳汇。9.如权利要求8所述的滨海湿地碳汇评估方法，其特征在于，还包括：获取所述待评估的滨海湿地中演变区域的多个连续预设周期内的成熟度数据；基于多个连续的成熟度数据确定所述演变区域的演变速率；基于所述演变速率调整所述演变区域的碳汇权重系数。10.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的滨海湿地碳汇评估模型构建方法和/或如权利要求7至9中任意一项所述的滨海湿地碳汇评估方法。

技术总结
本申请涉及碳储量监测技术，具体涉及一种滨海湿地碳汇评估模型构建方法、评估方法和电子设备，碳汇评估模型包括：第一特征提取网络、第二特征提取网络、成熟度预测模型和评估模型；获取样本数据；将第一近地图像数据输入至第一特征提取网络，提取演变区域的静态特征和时序变化特征；将气象数据输入至第二特征提取网络，提取气象特征；将静态特征，时序变化特征和气象特征作为成熟度预测模型的输入，将成熟度数据作为输出对成熟度预测模型进行多轮次训练，直至损失函数小于预设阈值，得到训练好的成熟度预测模型；将成熟度数据，气象特征和第二近地图像数据输入评估模型，对评估模型进行多轮次训练，得到训练好的碳汇评估模型。得到训练好的碳汇评估模型。得到训练好的碳汇评估模型。


技术研发人员：秦华伟 马元庆 张明亮 辛荣玉 盖芸芸 宋秀凯 王建步 刘爱英 高修志 任玉水 赵晓杰 王万冠 王文君
受保护的技术使用者：山东省海洋资源与环境研究院（山东省海洋环境监测中心、山东省水产品质量检验中心）
技术研发日：2023.09.01
技术公布日：2023/10/6