(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211168918.8 (22)申请日 2022.09.25 (71)申请人 四川省林业科 学研究院 地址 610081 四川省成 都市金牛区星辉西 路18号 (72)发明人 邓东周　潘红丽　周相兵　辜建刚　 (74)专利代理 机构 成都赛恩斯知识产权代理事 务所(普通 合伙) 51212 专利代理师 张帆　张端阳 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/13(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01)G06V 10/82(2022.01) G06F 16/55(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 地震植被恢复预测方法 (57)摘要 本发明提供了一种地震植被恢复预测方法， 包括： 获取植被恢复区域的高清 卫星遥感图像数 据， 按照季节分类 建立原始数据库作为模型训练 数据， 并区别植被与非植被地物， 对植被进行分 类和标记； 建立基于时间植被恢复特征库与 样本 库； 建立植被恢复深度模型； 将地震区域地震后 一段时间的遥感影像， 按照时间、 像素点、 计算过 相关系数， 并进行序列化后输入模型， 得到预测 结， 可以展现地震区域地震后一段时间内的植被 恢复趋势， 并预测出后续一段时间内植被恢复的 情况。 权利要求书2页 说明书4页 附图2页 CN 115546634 A 2022.12.30 CN 115546634 A 1.一种地震植被恢复预测方法， 其特 征在于， 包括 步骤1， 获取植被恢复区域的高清卫星遥感图像数据， 按照季节分类建立原始数据库作 为模型训练数据， 并区别植被与非植被地物， 对植被进行分类和标记； 步骤2， 建立基于时间植被恢复特 征库与样本库 (1)建立植被与植被光谱样本库 抽取各类植被与非植被光谱中的B2、 B3、 B4、 B5、 B6、 B7、 B8、 B8A、 B11和B12构建特征集中 的光谱特 征子集； (2)利用多种不同的式分别得到不同波段的多种植被相关系数， 使得每一个像素点对 应一个13维的特征向量， 并且在时间尺度上进 行组合， 得到每一个样 本为N*13的矩阵， 并且 样本每一行的标签为所属的植被种类或者 为非植被以得到一个序列化的样本； 步骤3， 建立 植被恢复深度模型 (1)从时间尺度上建立测试与训练数据； (2)建立一个循环神经网络RNN模型， 优选使Tensoeflow深度学习框架实现该模型,模 型通过RNN网络不 断将信息进行循环， 保证信息的持续存在， 使用训练数据集训练模型， 得 出预测结果， 并与验证数据集对比， 得 出预测结果的好坏； (3)将预测结果与验证样本进行对比， 计算准确率， 混淆矩阵， 精确率， 召回率指标进行 评估， 选取最 好的模型； 步骤4， 将地震区域地震后一段时间的遥感影像， 按照时间、 像素点、 计算过相关系数， 并进行序列化后输入 模型， 得到预测结果。 2.根据权利 要求1所述的地震植被恢复预测方法， 其特征在于， 步骤1中， 利用DBSCAN聚 类算法将植被与非植被进行区分， 提取 出植被覆盖的范围， 并将非植被区域进行 标记。 3.根据权利要求1所述的地震植被恢复预测方法， 其特征在于， 步骤1中， 利用K ‑means 对植被覆盖区域进行聚类， 将植被覆盖区域分为 乔木、 灌木、 草本植物三大类， 并进行 标记。 4.根据权利要求1所述的地震植被恢 复预测方法， 其特征在于， 利用多种不同的式分别 得到不同波段的多种植被相关系数包括使用NDVI、 DVI、 EVI、 RVI进行计算， 其中， (1)NDVI计算公式为： 其中， ρNIR和ρRED分别代表近红外波段和红光波段的反射 率NDVI的值介于 ‑1和1之间。 (2)EVI计算公式为： 其中， ρNIR、 ρRED和ρBLUE分别代表近红外波段、 红光波段和蓝光波段的反射 率； (3)RVI计算公式为： 该植被指数能够充分表现植被在红光和近红外波段反射率的差异， 能增强植被与土壤权　利　要　求　书 1/2 页 2 CN 115546634 A 2背景之间的辐射差异。 5.根据权利要求1所述的地震植被恢 复预测方法， 其特征在于， 从时间尺度上建立测试 与训练数据包括： 从时间尺度上抽取前80％时间的数据建立训练数据集， 剩余的20％时间 的数据作为验证数据集。权　利　要　求　书 2/2 页 3 CN 115546634 A 3