本發(fā)明屬于遙感監(jiān)測與生態(tài)評估，具體涉及一種結(jié)合多模態(tài)sar數(shù)據(jù)與多光譜遙感數(shù)據(jù)，應(yīng)用深度學(xué)習(xí)算法對高寒濕地進(jìn)行全時(shí)空動(dòng)態(tài)監(jiān)測與生態(tài)健康評價(jià)。

背景技術(shù)：

1、高寒濕地在水源涵養(yǎng)、碳匯平衡和氣候調(diào)節(jié)方面發(fā)揮著不可替代的作用。然而，全球氣候變化和人類活動(dòng)加劇導(dǎo)致高寒濕地退化、面積縮減、生物多樣性喪失等問題愈發(fā)嚴(yán)重。

2、現(xiàn)有技術(shù)通常利用單一光學(xué)或sar數(shù)據(jù)進(jìn)行濕地監(jiān)測，主要存在以下不足：

3、（1）數(shù)據(jù)單一性

4、光學(xué)遙感數(shù)據(jù)容易受到云覆蓋、日照條件等限制，難以保證多時(shí)相、全覆蓋獲取；sar數(shù)據(jù)雖然能穿透云層，但在提取植被細(xì)節(jié)及濕地類型差異方面存在局限。

5、（2）動(dòng)態(tài)監(jiān)測不足

6、多數(shù)研究注重短期濕地狀態(tài)的靜態(tài)監(jiān)測，缺乏對濕地在多年、季節(jié)尺度上水文與生態(tài)演變的綜合評價(jià)；監(jiān)測指標(biāo)單一，無法全面反映濕地水體、植被與土壤濕度等多要素動(dòng)態(tài)變化。

7、（3）健康評價(jià)模型單一

8、傳統(tǒng)濕地健康評價(jià)多依賴少量指標(biāo)，或簡單的單一指數(shù)，難以充分利用sar與光學(xué)多源數(shù)據(jù)在濕地生態(tài)綜合分析中的優(yōu)勢；模型精度和適用性難以滿足高寒濕地的特殊環(huán)境需求。

9、為此，本發(fā)明通過深度融合sar與光學(xué)遙感數(shù)據(jù)，結(jié)合時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（st-cnn）及注意力機(jī)制，對高寒濕地水文、植被及土壤濕度進(jìn)行長期、動(dòng)態(tài)監(jiān)測，并采用多指標(biāo)生態(tài)健康評價(jià)體系（ahp）量化濕地健康狀況，以實(shí)現(xiàn)對高寒濕地的精細(xì)化管理和保護(hù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在克服單一遙感數(shù)據(jù)對高寒濕地監(jiān)測不全面、動(dòng)態(tài)監(jiān)測與健康評價(jià)不足等問題，提供一種基于多源遙感的高寒濕地動(dòng)態(tài)監(jiān)測與健康評價(jià)方法及系統(tǒng)。通過融合sar與光學(xué)數(shù)據(jù)的互補(bǔ)優(yōu)勢，結(jié)合深度學(xué)習(xí)多模態(tài)特征提取與ahp健康評價(jià)模型，實(shí)現(xiàn)對高寒濕地在不同季節(jié)、不同年份尺度的土壤濕度、水文范圍、植被覆蓋等綜合監(jiān)測與健康分級，為高寒地區(qū)濕地的生態(tài)保護(hù)和恢復(fù)提供科學(xué)決策依據(jù)。

2、為了解決上述存在的技術(shù)問題，本發(fā)明采用了以下方案：

3、（一）方法部分

4、基于sar與光學(xué)遙感的高寒濕地動(dòng)態(tài)監(jiān)測與健康評價(jià)方法，包括以下步驟：

5、步驟1、數(shù)據(jù)采集與預(yù)處理；

6、獲取sar影像數(shù)據(jù)，光學(xué)影像數(shù)據(jù)，輔助數(shù)據(jù)等數(shù)據(jù)采集，分別進(jìn)行預(yù)處理。

7、步驟2、多模態(tài)特征提取；

8、通過sar特征，光學(xué)特征提取。

9、步驟3、多模態(tài)數(shù)據(jù)融合；

10、通過采用時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（st-cnn），輸入sar和光學(xué)多時(shí)相數(shù)據(jù)，結(jié)合注意力機(jī)制提高對濕地特征的敏感性。

11、步驟4、動(dòng)態(tài)監(jiān)測；

12、通過融合后的特征數(shù)據(jù)，基于隨機(jī)森林（rf）或支持向量機(jī)（svm）分類算法，將濕地分為永久濕地、季節(jié)性濕地、泥炭地和退化濕地；通過時(shí)間序列數(shù)據(jù)分析濕地動(dòng)態(tài)變化趨勢，濕地面積、植被覆蓋和水體擴(kuò)縮。

13、步驟5、濕地健康評價(jià)；

14、構(gòu)建健康指標(biāo)：水體健康指數(shù)（whi）：基于水體面積變化和水體連通性；植被健康指數(shù)（vhi）：結(jié)合ndvi和地表溫度變化，量化植被生長健康狀況；土壤濕度指數(shù)（smi）：基于sar紋理特征估算濕地土壤濕度狀態(tài)。

15、綜合評價(jià)模型：構(gòu)建基于權(quán)重分配的健康評價(jià)模型（ahp層次分析法），將各項(xiàng)指標(biāo)融合為濕地生態(tài)健康綜合得分。

16、進(jìn)一步地，所述步驟1輸入數(shù)據(jù)源：

17、sar影像：采用歐洲航天局（esa）sentinel-1衛(wèi)星的vv/vh極化數(shù)據(jù)或日本宇宙航空研究開發(fā)機(jī)構(gòu)（jaxa）alos?palsar數(shù)據(jù)。sentinel-1的重復(fù)周期為6天，空間分辨率約5米；alos?palsar的空間分辨率約10米，重復(fù)周期約14天。重點(diǎn)獲取濕地水體和土壤濕度的散射特性，利用多極化和多時(shí)相特性分析濕地的水文動(dòng)態(tài)。

18、光學(xué)影像：使用歐洲空間局（esa）sentinel-2衛(wèi)星的10米分辨率多光譜影像（重復(fù)周期為5天）或美國地質(zhì)調(diào)查局（usgs）landsat系列30米分辨率影像（重復(fù)周期為16天），獲取濕地植被覆蓋、地表水體分布和地表溫度信息，支持植被指數(shù)和水體指數(shù)的計(jì)算。

19、輔助數(shù)據(jù)：采用shuttle?radar?topography?mission?(srtm)提供的30米分辨率dem數(shù)據(jù)或astgtm?v2?(advanced?spaceborne?thermal?emission?and?reflectionradiometer?global?digital?elevation?model)，用于提取濕地的地形特征，如低洼區(qū)域識別、水體匯集點(diǎn)分析等。歐洲中期天氣預(yù)報(bào)中心（ecmwf）era5再分析數(shù)據(jù)或中國氣象局提供的區(qū)域氣象數(shù)據(jù)（era5提供每小時(shí)全球網(wǎng)格分辨率約31公里的數(shù)據(jù)），用于分析降水、溫度等氣象因素對濕地水文動(dòng)態(tài)的影響，支持濕地水文模型的校準(zhǔn)與驗(yàn)證。美國地質(zhì)調(diào)查局（usgs）提供的global?land?cover?by?national?mapping?organizations?(glcnmo)數(shù)據(jù)集或國家林業(yè)和草原局提供的lulc數(shù)據(jù)，用于濕地類型劃分、土地利用變化分析，輔助濕地分類與健康評價(jià)。美國農(nóng)業(yè)部（usda）提供的ssurgo（soil?survey?geographic）數(shù)據(jù)庫或中國土壤數(shù)據(jù)庫，用于濕地土壤濕度反演模型的校準(zhǔn)，提升土壤濕度估算的準(zhǔn)確性。

20、所述步驟1中數(shù)據(jù)預(yù)處理過程：

21、1）sar數(shù)據(jù)預(yù)處理方法步驟：

22、s11、斑點(diǎn)噪聲過濾：采用lee濾波器或idan濾波器去除sar影像中的斑點(diǎn)噪聲，提升后續(xù)特征提取的信噪比；

23、s12、幾何校正與輻射校正：基于精確軌道數(shù)據(jù)進(jìn)行幾何校正，確保sar影像與光學(xué)影像在空間上的一致性；輻射校正用于校正sar影像的幅度值，統(tǒng)一不同時(shí)間或不同傳感器獲取的數(shù)據(jù)；

24、s13、極化分解：采用freeman-durden分解方法，將雙極化（vv/vh）sar數(shù)據(jù)分解為地表散射、植被散射和體積散射分量，提取濕地的地表散射特性。

25、2）光學(xué)數(shù)據(jù)預(yù)處理方法步驟：

26、s21、云與云影去除：采用fmask算法識別并剔除光學(xué)影像中的云及云影區(qū)域，確保植被和水體特征的準(zhǔn)確提取；

27、s22、大氣校正：利用6s（second?simulation?of?the?satellite?signal?in?thesolar?spectrum）或ledaps（landsat?ecosystem?disturbance?adaptive?processingsystem）方法進(jìn)行大氣校正，獲取地表反射率；

28、s23、時(shí)間序列插值補(bǔ)全：基于starfm（spatial?and?temporal?adaptivereflectance?fusion?model）等時(shí)空插值算法，對多時(shí)相光學(xué)影像中因云覆蓋或其他因素導(dǎo)致的缺失數(shù)據(jù)進(jìn)行補(bǔ)全。

29、3）數(shù)據(jù)對齊方法

30、采用像素級配準(zhǔn)算法，如基于交叉相關(guān)法的配準(zhǔn)方法或基于特征點(diǎn)匹配（如sift、surf等）的配準(zhǔn)方法，將sar影像與光學(xué)影像在同一坐標(biāo)系下精確對齊，確保多源數(shù)據(jù)在空間上的一致性，為后續(xù)的數(shù)據(jù)融合處理提供基礎(chǔ)。

31、進(jìn)一步地，所述步驟2多模態(tài)特征主要包括以下特征：

32、1）sar特征提取：

33、散射特征：利用sentinel-1或alos?palsar數(shù)據(jù)的vv（垂直發(fā)送垂直接收）和vh（垂直發(fā)送水平接收）極化信息。選擇這兩個(gè)極化方式的原因在于其在高寒濕地環(huán)境下對不同地物類型具有高度敏感性和辨識度。vv極化波由于其垂直方向的傳播特性，對水體表面的鏡面反射尤為敏感，能夠有效區(qū)分高散射的水體區(qū)域。此外，vh極化波因其水平接收特性，能夠更好地捕捉植被的體積散射和多向散射效應(yīng)，從而區(qū)分中等散射的植被區(qū)域。通過計(jì)算vv/vh比值和極化差異指數(shù)（polarization?difference?index,?pdi），進(jìn)一步增強(qiáng)了水體與植被、植被與裸露地之間的對比度，提升了分類精度。此外，結(jié)合雙極化比值和極化差異指數(shù)等額外散射特征，本發(fā)明能夠更全面地描述濕地中的不同地物類型，確保在復(fù)雜高寒環(huán)境下的高精度分類與監(jiān)測。

34、紋理特征：采用灰度共生矩陣（gray-level?co-occurrence?matrix,?glcm）方法，從sar影像中量化濕地土壤的粗糙度和濕度狀態(tài)。glcm能夠捕捉地表微觀結(jié)構(gòu)的空間分布特征，通過計(jì)算對比度、同質(zhì)性、能量和相關(guān)性等統(tǒng)計(jì)指標(biāo)，評估土壤表面的紋理復(fù)雜度和濕度變化。高寒濕地地表往往存在凍融循環(huán)和季節(jié)性濕潤變化，紋理特征能夠有效反映這些動(dòng)態(tài)過程。例如，土壤粗糙度的增加通常與植被覆蓋減少或人為干擾有關(guān)，而濕度狀態(tài)的變化則直接影響土壤紋理的反射特性。結(jié)合多尺度紋理特征（如尺度不變特征變換sift和局部二值模式lbp），本發(fā)明能夠在不同空間尺度上捕捉濕地地表的細(xì)節(jié)變化，提高濕地類型區(qū)分的細(xì)致度和準(zhǔn)確性，特別是在高寒環(huán)境下復(fù)雜地表?xiàng)l件下的應(yīng)用效果顯著。

35、2）光學(xué)特征提取：

36、ndvi（歸一化植被指數(shù)）：通過計(jì)算近紅外波段（nir）與紅光波段（red）的反射率差異，公式為：ndvi?=?(nir?-?red)?/?(nir?+?red)，用于量化植被的密度和健康狀況。在高寒濕地環(huán)境中，植被覆蓋度對生態(tài)健康具有關(guān)鍵影響。ndvi能夠有效反映植被的密度和生長狀況，適用于捕捉植被的季節(jié)性生長變化和評估其健康狀態(tài)。由于高寒濕地植被生長期短暫，ndvi能夠在短時(shí)間內(nèi)提供高敏感度的植被監(jiān)測數(shù)據(jù)，支持對植被動(dòng)態(tài)變化的及時(shí)評估。

37、mndwi（修正歸一化水體指數(shù)）：通過綠光波段（green）和短波紅外波段（swir）的反射率計(jì)算，公式為：mndwi?=?(green?-?swir)?/?(green?+?swir)，用于增強(qiáng)水體邊界的識別效果。mndwi對水體邊界的識別具有高度敏感性，適用于復(fù)雜濕地環(huán)境，尤其是在多植被和多水體交織的區(qū)域。相比傳統(tǒng)的水體指數(shù)，mndwi能夠減少建筑物和陰影對水體識別的干擾，提高水體提取的準(zhǔn)確性和穩(wěn)定性。此外，mndwi與ndvi結(jié)合使用時(shí)，能夠提供更全面的植被與水體信息，增強(qiáng)濕地分類和監(jiān)測的精度，支持對濕地水文動(dòng)態(tài)變化的全面評估。

38、lst（地表溫度）：通過熱紅外波段的遙感數(shù)據(jù)估算地表的溫度分布，通常采用單波段或多波段的輻射溫度計(jì)算方法，用于反映地表的熱狀態(tài)。在高寒濕地環(huán)境中，地表溫度與植被健康和水體熱特性密切相關(guān)。lst能夠反映植被的蒸騰作用和水體的熱容特性，幫助識別植被受脅迫區(qū)域和監(jiān)測地表熱狀態(tài)的動(dòng)態(tài)變化。高寒濕地受氣溫變化影響顯著，lst提供了對濕地地表熱環(huán)境的實(shí)時(shí)監(jiān)測，支持環(huán)境變化的動(dòng)態(tài)響應(yīng)評估。

39、3）動(dòng)態(tài)特征：

40、利用多時(shí)相（按月或季度）獲取的sentinel-1（sar）和sentinel-2/landsat（光學(xué)）影像數(shù)據(jù)，構(gòu)建濕地的時(shí)間序列數(shù)據(jù)集。每個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)包括散射特征（vv/vh）、光譜指數(shù)（ndvi、mndwi）及地表溫度（lst）等關(guān)鍵參數(shù)。通過分析不同季節(jié)的特征變化，識別濕地植被的生長峰值和衰退過程，以及水體面積的季節(jié)性波動(dòng)。例如，利用時(shí)間序列ndvi數(shù)據(jù)，檢測植被的季節(jié)性生長高峰和冬季退化趨勢；通過mndwi時(shí)間序列，監(jiān)測水體在雨季和旱季的擴(kuò)張與收縮。結(jié)合多年（如5年或10年）的時(shí)間序列數(shù)據(jù)，評估濕地水文動(dòng)態(tài)和植被覆蓋的長期變化趨勢。應(yīng)用統(tǒng)計(jì)分析方法（如線性回歸、移動(dòng)平均）檢測濕地水體面積的增長或減少趨勢，以及植被指數(shù)的長期上升或下降趨勢。并利用時(shí)間序列數(shù)據(jù)中的異常檢測算法（如z-score、異常點(diǎn)檢測模型），識別濕地生態(tài)系統(tǒng)中突發(fā)性的變化事件，如異常干旱、洪澇或人為干擾導(dǎo)致的植被突變。

41、進(jìn)一步地，所述步驟3采用時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（spatio-temporal?convolutionalneural?network,?st-cnn）結(jié)合注意力機(jī)制（attention?mechanism），對sar與光學(xué)多時(shí)相數(shù)據(jù)進(jìn)行深度融合處理。

42、1）時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（st-cnn）架構(gòu)設(shè)計(jì)：

43、st-cnn旨在同時(shí)捕捉空間和時(shí)間維度上的特征變化，適應(yīng)高寒濕地復(fù)雜的時(shí)空動(dòng)態(tài)環(huán)境。其主要架構(gòu)包括以下組成部分：

44、輸入層：

45、sar特征輸入：包括散射特征（vv、vh）、紋理特征（glcm指標(biāo)）及動(dòng)態(tài)特征（時(shí)間序列變化曲線）。

46、光學(xué)特征輸入：包括光譜指數(shù)（ndvi、mndwi、lst）及時(shí)間序列變化特征（如evi、savi、gndvi）。

47、卷積層（convolutional?layers）：

48、空間卷積層：采用二維卷積核（如3×3或5×5）對輸入數(shù)據(jù)的空間特征進(jìn)行提取，捕捉地物的空間分布和結(jié)構(gòu)信息。

49、時(shí)間卷積層：采用一維卷積核（如1×3或1×5），沿時(shí)間維度處理時(shí)間序列特征，捕捉濕地動(dòng)態(tài)變化的時(shí)間依賴性。

50、池化層（pooling?layers）：

51、空間池化：使用最大池化或平均池化操作，減少特征圖的空間維度，提取高層次空間特征。

52、時(shí)間池化：采用時(shí)間維度的池化操作，壓縮時(shí)間序列特征，保留關(guān)鍵動(dòng)態(tài)信息。

53、注意力機(jī)制層（attention?mechanism?layers）：

54、通道注意力（channel?attention）：通過自適應(yīng)調(diào)整不同特征通道的重要性權(quán)重，突出關(guān)鍵特征，抑制不相關(guān)或冗余特征。采用全局平均池化和全局最大池化操作，生成通道權(quán)重向量，并通過全連接層和激活函數(shù)（如sigmoid）計(jì)算每個(gè)通道的注意力權(quán)重。

55、空間注意力（spatial?attention）：通過調(diào)整不同空間區(qū)域的特征重要性，突出濕地核心區(qū)域的特征響應(yīng)，抑制背景或噪聲區(qū)域的干擾。結(jié)合不同特征圖的空間信息，生成空間權(quán)重圖，并通過卷積操作計(jì)算每個(gè)空間位置的注意力權(quán)重。

56、融合層（fusion?layers）：

57、特征拼接（feature?concatenation）：將經(jīng)過通道和空間注意力機(jī)制處理后的sar與光學(xué)特征圖進(jìn)行拼接，形成綜合特征表示。

58、加權(quán)融合（weighted?fusion）：通過學(xué)習(xí)得到的權(quán)重，對不同來源的特征圖進(jìn)行加權(quán)求和，融合多源信息。

59、全連接層（fully?connected?layers）：

60、功能：將融合后的高維特征向量映射到分類或回歸任務(wù)的輸出空間，實(shí)現(xiàn)濕地類型分類和動(dòng)態(tài)變化趨勢預(yù)測。

61、激活函數(shù)：采用softmax激活函數(shù)輸出分類概率，用于濕地類型的多類別分類。

62、輸出層（output?layers）：

63、濕地分類結(jié)果：輸出各類濕地（永久濕地、季節(jié)性濕地、泥炭地、退化濕地）的分類概率圖。

64、動(dòng)態(tài)變化趨勢圖：輸出濕地水體面積、植被覆蓋度和土壤濕度等關(guān)鍵指標(biāo)的動(dòng)態(tài)變化趨勢預(yù)測圖。

65、2）注意力機(jī)制的集成方法

66、注意力機(jī)制在本發(fā)明中發(fā)揮關(guān)鍵作用，通過自適應(yīng)調(diào)整特征的重要性權(quán)重，提升模型對高寒濕地關(guān)鍵特征的敏感度。具體集成方法如下：

67、通道注意力（channel?attention）實(shí)現(xiàn)過程：

68、對輸入特征圖進(jìn)行全局平均池化和全局最大池化，生成兩個(gè)不同的上下文描述向量。

69、將這兩個(gè)向量輸入全連接層，經(jīng)過relu激活函數(shù)后，再通過sigmoid激活函數(shù)生成通道權(quán)重向量。

70、將通道權(quán)重向量與原始特征圖逐通道相乘，調(diào)整各通道的特征響應(yīng)強(qiáng)度。

71、空間注意力（spatial?attention）實(shí)現(xiàn)過程：

72、對輸入特征圖進(jìn)行通道維度上的平均池化和最大池化，生成兩個(gè)單通道的特征圖。

73、將這兩個(gè)單通道特征圖在通道維度上進(jìn)行拼接，形成一個(gè)雙通道特征圖。

74、通過一個(gè)卷積層（如7x7卷積核）和sigmoid激活函數(shù)生成空間權(quán)重圖。

75、將空間權(quán)重圖與原始特征圖逐像素相乘，調(diào)整各空間位置的特征響應(yīng)強(qiáng)度。

76、3）數(shù)據(jù)融合流程

77、特征提?。悍謩e從sar和光學(xué)數(shù)據(jù)中提取散射特征、紋理特征、動(dòng)態(tài)特征及光譜指數(shù)。

78、特征預(yù)處理：對提取的特征進(jìn)行標(biāo)準(zhǔn)化處理，確保不同特征在數(shù)值范圍上的一致性，提升融合效果。

79、特征輸入：將處理后的sar特征和光學(xué)特征分別輸入st-cnn的不同網(wǎng)絡(luò)分支。

80、特征融合：在st-cnn內(nèi)部，通過卷積層和池化層提取空間和時(shí)間特征。集成通道注意力和空間注意力機(jī)制，優(yōu)化特征權(quán)重分配，突出關(guān)鍵特征。通過特征拼接或加權(quán)融合層，將sar和光學(xué)特征進(jìn)行深度融合，形成綜合特征表示。

81、分類與預(yù)測：通過全連接層和softmax激活函數(shù)，實(shí)現(xiàn)濕地類型的多類別分類和動(dòng)態(tài)變化趨勢的預(yù)測。

82、4）訓(xùn)練與驗(yàn)證流程

83、模型訓(xùn)練和驗(yàn)證是確保數(shù)據(jù)融合效果和模型性能的關(guān)鍵環(huán)節(jié)，具體流程如下：

84、樣本標(biāo)注：通過野外調(diào)查或高分辨率影像數(shù)據(jù)獲取濕地類型標(biāo)簽，形成訓(xùn)練集和驗(yàn)證集。確保樣本涵蓋不同濕地類型和不同時(shí)間節(jié)點(diǎn)，增強(qiáng)模型的泛化能力。

85、損失函數(shù)：采用交叉熵?fù)p失函數(shù)（cross-entropy?loss），用于優(yōu)化分類任務(wù)的準(zhǔn)確性。引入時(shí)序一致性正則項(xiàng)（temporal?consistency?regularization），確保模型在時(shí)間維度上的預(yù)測結(jié)果平滑一致，減少突變和噪聲干擾。

86、優(yōu)化算法：使用adam優(yōu)化器（adam?optimizer），設(shè)置學(xué)習(xí)率為0.001，結(jié)合動(dòng)量和自適應(yīng)學(xué)習(xí)率調(diào)整策略，加速模型收斂。設(shè)置訓(xùn)練輪次（epochs）和批次大?。╞atch?size），根據(jù)驗(yàn)證集精度動(dòng)態(tài)調(diào)整，避免過擬合。

87、模型驗(yàn)證：使用獨(dú)立的驗(yàn)證集評估模型性能，采用準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）和f1分?jǐn)?shù)（f1?score）等指標(biāo)衡量分類效果。通過交叉驗(yàn)證（cross-validation）進(jìn)一步驗(yàn)證模型的穩(wěn)健性和泛化能力。

88、進(jìn)一步地所述步驟4，在完成多模態(tài)數(shù)據(jù)融合后，動(dòng)態(tài)監(jiān)測步驟通過應(yīng)用分類算法和時(shí)間序列分析，對高寒濕地的類型進(jìn)行精確劃分，并監(jiān)測其動(dòng)態(tài)變化趨勢。本步驟的具體實(shí)施包括濕地類型劃分、關(guān)鍵監(jiān)測指標(biāo)的計(jì)算與分析，以及監(jiān)測結(jié)果的輸出與應(yīng)用，具體內(nèi)容如下：

89、1）濕地類型劃分

90、將高寒濕地根據(jù)其水文特征和生態(tài)狀態(tài)劃分為不同類型，包括永久濕地、季節(jié)性濕地、泥炭地和退化濕地，以便針對性地進(jìn)行生態(tài)管理和保護(hù)。

91、分類算法選擇：

92、隨機(jī)森林（random?forest,?rf）：利用其在處理高維特征和抗過擬合方面的優(yōu)勢，對濕地類型進(jìn)行多類別分類。

93、支持向量機(jī)（support?vector?machine,?svm）：適用于高維空間的數(shù)據(jù)分類，特別是在樣本量較小且類別分布不均衡的情況下表現(xiàn)優(yōu)異。

94、分類特征：

95、融合特征：基于步驟三融合后的綜合特征，包括sar散射特征、光學(xué)光譜指數(shù)、紋理特征及動(dòng)態(tài)特征。

96、時(shí)間序列特征：結(jié)合濕地在不同時(shí)間節(jié)點(diǎn)的特征變化信息，提升分類的時(shí)空準(zhǔn)確性。

97、分類標(biāo)準(zhǔn)與判定依據(jù)：

98、永久濕地：定義為在至少連續(xù)三年的大部分時(shí)相（如全年9個(gè)月以上）內(nèi)，水體覆蓋時(shí)間和濕度狀態(tài)保持穩(wěn)定，水位季節(jié)波動(dòng)小于5%。以水體覆蓋時(shí)間占全年比例大于75%，土壤濕度指數(shù)（smi）變化趨勢穩(wěn)定作為判斷依據(jù)。

99、季節(jié)性濕地：定義為年內(nèi)水位或水體面積存在明顯季節(jié)性波動(dòng)，水體面積季節(jié)極值差異超過30%。

100、泥炭地：結(jié)合sar散射特征（低散射系數(shù)，通常小于0.4）、光學(xué)植被指數(shù)（低ndvi值，通常<0.3）及土壤類型數(shù)據(jù)，識別含有大量有機(jī)質(zhì)的濕地類型，呈現(xiàn)特殊極化響應(yīng)和紋理特征。

101、退化濕地：基于多源指標(biāo)（如ndvi年均值低于0.3且年際下降率超過5%），結(jié)合土壤濕度指數(shù)（smi）持續(xù)下降趨勢或人為干擾指數(shù)（如土地利用變化、放牧強(qiáng)度）顯著提高，判定為退化濕地。

102、2）關(guān)鍵監(jiān)測指標(biāo)的計(jì)算與分析

103、監(jiān)測指標(biāo)：

104、濕地面積：基于分類結(jié)果，利用遙感影像的地理信息系統(tǒng)（gis）工具計(jì)算不同濕地類型的面積，生成年度濕地面積變化曲線。

105、植被覆蓋：利用ndvi、evi、savi等植被指數(shù)，計(jì)算植被覆蓋面積和植被健康變化趨勢，生成植被覆蓋度時(shí)序曲線。

106、水體擴(kuò)縮：于mndwi時(shí)間序列數(shù)據(jù)，分析水體面積的年度增減變化，生成水體擴(kuò)縮動(dòng)態(tài)變化曲線。

107、土壤濕度：利用sar提取的土壤濕度指數(shù)（smi），結(jié)合氣象數(shù)據(jù)，計(jì)算土壤濕度的年度平均值和關(guān)鍵時(shí)段濕度變化趨勢。

108、3）監(jiān)測結(jié)果的輸出與應(yīng)用

109、輸出內(nèi)容：

110、年度濕地變化圖：展示不同濕地類型在不同年度的空間分布和面積變化情況。直觀展示濕地面積的擴(kuò)張或收縮趨勢，輔助識別生態(tài)熱點(diǎn)區(qū)域和退化風(fēng)險(xiǎn)區(qū)。

111、濕地變化曲線：包括濕地面積、植被覆蓋度、水體擴(kuò)縮和土壤濕度等指標(biāo)的時(shí)間序列變化曲線。分析濕地動(dòng)態(tài)變化的長期趨勢和季節(jié)性波動(dòng)，支持對濕地健康狀態(tài)的持續(xù)評估和趨勢預(yù)測。

112、健康等級分區(qū)圖：根據(jù)綜合健康得分，將濕地劃分為優(yōu)、良、中、差四類健康等級，并在地圖上標(biāo)示各等級區(qū)域。為區(qū)域濕地保護(hù)區(qū)劃定、退化區(qū)域優(yōu)先修復(fù)等提供直觀的空間分布參考。

113、進(jìn)一步地所述步驟5，在完成動(dòng)態(tài)監(jiān)測后，濕地健康評價(jià)步驟通過構(gòu)建和計(jì)算多個(gè)生態(tài)健康指標(biāo)，綜合評估高寒濕地的生態(tài)健康狀態(tài)。本步驟包括健康指標(biāo)的計(jì)算、層次分析法（ahp）綜合評價(jià)以及健康分區(qū)與修復(fù)建議的制定，具體內(nèi)容如下：

114、1）健康指標(biāo)的計(jì)算

115、通過量化濕地的水體、植被和土壤濕度等關(guān)鍵生態(tài)要素，全面評估濕地的生態(tài)健康狀況。

116、健康指標(biāo)：

117、水體健康指數(shù)（water?health?index,?whi）：whi通過綜合分析水體面積變化率與水體連通性，反映濕地水體的生態(tài)健康狀況。利用動(dòng)態(tài)監(jiān)測得到的水體面積時(shí)間序列數(shù)據(jù)，計(jì)算年度水體面積的增長率或減少率?；跀?shù)字高程模型（dem）和水體分布數(shù)據(jù)，分析水體的連通網(wǎng)絡(luò)密度和貫通狀況。將水體面積變化率和連通性指標(biāo)通過加權(quán)求和，得到whi得分。

118、植被健康指數(shù)（vegetation?health?index,?vhi）：vhi通過結(jié)合植被覆蓋度變化率、植被生長峰值與地表溫度，量化濕地植被的健康狀況。利用ndvi時(shí)間序列數(shù)據(jù)，計(jì)算年度植被覆蓋度的增長率或減少率。識別植被生長季節(jié)的ndvi峰值，反映植被的生長強(qiáng)度。結(jié)合lst數(shù)據(jù)，評估高溫對植被健康的影響，通過加權(quán)公式綜合計(jì)算vhi得分。

119、土壤濕度指數(shù)（soil?moisture?index,?smi）：smi通過反演土壤濕度狀況，反映濕地土壤水分的健康狀態(tài)。利用sar紋理特征（如glcm提取的粗糙度指標(biāo)）和氣象數(shù)據(jù)，建立土壤濕度反演模型，計(jì)算年度土壤濕度的平均值或關(guān)鍵時(shí)段值。分析多時(shí)相smi數(shù)據(jù)，評估土壤濕度的長期變化趨勢（如年均濕度變化率）。將土壤濕度的當(dāng)前狀態(tài)與歷史數(shù)據(jù)進(jìn)行比較，通過標(biāo)準(zhǔn)化處理得到smi得分。

120、2）層次分析法（ahp）綜合評價(jià)

121、通過層次分析法（analytic?hierarchy?process,?ahp）對多個(gè)健康指標(biāo)進(jìn)行權(quán)重分配和綜合評價(jià)，生成濕地生態(tài)健康綜合得分。

122、實(shí)施方法：

123、層次結(jié)構(gòu)構(gòu)建：以濕地生態(tài)健康綜合得分為目標(biāo)層，以水體健康指數(shù)（whi）、植被健康指數(shù)（vhi）、土壤濕度指數(shù)（smi）為準(zhǔn)則層，各準(zhǔn)則層下的具體子指標(biāo)（如水體面積變化率、植被覆蓋度增長率、土壤濕度均值等）作為指標(biāo)層。

124、判斷矩陣構(gòu)建：通過專家打分或基于歷史數(shù)據(jù)的比較，構(gòu)建準(zhǔn)則層和指標(biāo)層的判斷矩陣，反映各指標(biāo)之間的重要性關(guān)系。并計(jì)算各層次的權(quán)重，確保判斷矩陣的一致性（ci<?0.1）。

125、權(quán)重分配：根據(jù)層次分析法計(jì)算得到的權(quán)重，分配給各健康指標(biāo)，反映其在綜合評價(jià)中的相對重要性。如：whi：0.4；vhi：0.4；smi：0.2。

126、綜合得分計(jì)算：將各健康指標(biāo)的得分按照其權(quán)重進(jìn)行加權(quán)求和，得到濕地生態(tài)健康綜合得分。如計(jì)算公式：綜合得分?=?(whi?×?0.4)?+?(vhi?×?0.4)?+?(smi?×?0.2)。

127、3）健康分區(qū)與修復(fù)建議

128、根據(jù)綜合得分，將濕地劃分為不同的健康等級，并針對不同等級區(qū)域提出相應(yīng)的生態(tài)修復(fù)和管理建議。

129、實(shí)施方法：

130、得分區(qū)間劃分：優(yōu)：綜合得分?>?0.8；良：0.6?≤?綜合得分?≤?0.8；中：0.4?≤綜合得分?<?0.6；差：綜合得分?<?0.4。

131、健康等級分區(qū)圖生成：基于綜合得分，將濕地空間范圍劃分為優(yōu)、良、中、差四類健康等級區(qū)域，生成健康分區(qū)圖。

132、（二）系統(tǒng)部分

133、基于sar與光學(xué)遙感的高寒濕地動(dòng)態(tài)監(jiān)測與健康評價(jià)系統(tǒng)，包括以下模塊：

134、（1）數(shù)據(jù)采集與預(yù)處理模塊

135、負(fù)責(zé)采集sar影像、光學(xué)影像及輔助數(shù)據(jù)（dem、氣象、lulc、土壤類型等），并執(zhí)行去噪、幾何校正、輻射校正、云影去除、大氣校正、時(shí)間序列插值補(bǔ)全及配準(zhǔn)等預(yù)處理步驟，確保多源數(shù)據(jù)在空間和時(shí)間上的一致性。

136、（2）多模態(tài)特征提取模塊

137、sar特征提?。?/p>

138、從預(yù)處理后的sar影像中提取散射特征、紋理特征和動(dòng)態(tài)特征，利用極化分解和glcm方法量化土壤濕度和粗糙度；

139、光學(xué)特征提取：

140、從預(yù)處理后的光學(xué)影像中提取ndvi、mndwi、lst等光譜指數(shù)，以及按月或季度的植被生長動(dòng)態(tài)特征；

141、輸出滿足后續(xù)深度學(xué)習(xí)融合的多模態(tài)特征柵格或特征向量。

142、（3）多模態(tài)數(shù)據(jù)融合模塊

143、采用時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（st-cnn）結(jié)合注意力機(jī)制，對sar和光學(xué)多時(shí)相數(shù)據(jù)進(jìn)行深度融合；

144、網(wǎng)絡(luò)分支設(shè)計(jì)：

145、分支一（sar子網(wǎng)）：處理sar散射與紋理特征，提取濕地的水文和土壤濕度特征；

146、分支二（光學(xué)子網(wǎng)）：處理光學(xué)植被與水體特征，提取濕地的植被覆蓋和水體分布特征；

147、注意力機(jī)制：

148、通道注意力（channel?attention）：為不同極化/波段特征賦予自適應(yīng)權(quán)重，突出重要特征；

149、空間注意力（spatial?attention）：增強(qiáng)濕地核心區(qū)域的特征響應(yīng)，抑制不相關(guān)區(qū)域的干擾；

150、融合與輸出：通過特征拼接或加權(quán)融合層，將分支一和分支二的特征進(jìn)行融合，輸出濕地分類結(jié)果、動(dòng)態(tài)變化趨勢圖及關(guān)鍵特征分布圖。

151、（4）濕地動(dòng)態(tài)監(jiān)測模塊

152、利用融合后的特征，通過隨機(jī)森林（rf）或支持向量機(jī)（svm）等分類算法，將濕地劃分為永久濕地、季節(jié)性濕地、泥炭地和退化濕地。

153、結(jié)合時(shí)間序列影像，分析濕地動(dòng)態(tài)變化趨勢，包括濕地面積、植被覆蓋與水體擴(kuò)縮等關(guān)鍵指標(biāo)。

154、輸出年度濕地變化圖、面積變化曲線等監(jiān)測結(jié)果。

155、（5）濕地健康評價(jià)模塊

156、健康指標(biāo)計(jì)算：

157、計(jì)算水體健康指數(shù)（whi）、植被健康指數(shù)（vhi）和土壤濕度指數(shù)（smi）。

158、綜合評價(jià)：

159、采用層次分析法（ahp）對各指標(biāo)進(jìn)行權(quán)重分配（如whi?0.4、vhi?0.4、smi?0.2），計(jì)算濕地生態(tài)健康綜合得分。

160、按得分區(qū)間（優(yōu)、良、中、差）劃分濕地健康等級。

161、（6）輸出與決策支持模塊

162、生成濕地健康等級分區(qū)圖及年度濕地變化報(bào)告。

163、提供濕地保護(hù)與恢復(fù)決策建議，包括退化區(qū)域修復(fù)優(yōu)先級、保護(hù)區(qū)劃定策略等。

164、為高寒濕地生態(tài)管理部門提供動(dòng)態(tài)監(jiān)測數(shù)據(jù)與健康評估報(bào)告，支持科學(xué)決策制定。

165、本發(fā)明一種基于多源遙感的高寒濕地動(dòng)態(tài)監(jiān)測與健康評價(jià)方法及系統(tǒng)，具有以下有益效果：

166、（1）本發(fā)明技術(shù)方案通過融合sar和光學(xué)數(shù)據(jù)，克服了光學(xué)影像受云層遮蔽的限制，并通過sar數(shù)據(jù)分析濕地土壤濕度和水體的動(dòng)態(tài)變化。這種多源數(shù)據(jù)結(jié)合提高了對濕地水文、植被和土壤濕度的聯(lián)合分析能力。。

167、（2）本發(fā)明動(dòng)態(tài)監(jiān)測與健康評價(jià)一體化，通過時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（st-cnn）結(jié)合注意力機(jī)制，能夠同時(shí)處理sar與光學(xué)數(shù)據(jù)的時(shí)空特征，實(shí)現(xiàn)對濕地動(dòng)態(tài)變化的長期監(jiān)測，尤其是在氣候變化和人類活動(dòng)的雙重影響下，系統(tǒng)能提供及時(shí)的生態(tài)健康評估。

168、（3）本發(fā)明多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)了一種基于時(shí)空卷積和注意力機(jī)制的多任務(wù)網(wǎng)絡(luò)，提升了濕地分類和變化檢測的精度，同時(shí)滿足多任務(wù)結(jié)果的輸出需求。

169、（4）本發(fā)明高寒濕地特性優(yōu)化針對高寒濕地獨(dú)特的季節(jié)性變化和地表復(fù)雜性，優(yōu)化了sar極化分解模型與光學(xué)濕地指數(shù)的計(jì)算方法，使模型更加適配實(shí)際應(yīng)用場景。