CN119475046A 一种红树林碳储量预测方法、电子设备及存储介质 （中交第二航务工程勘察设计院有限公司）

林物种数据集对构建的MFPA_YOLO半监督模型进行训练，其中，MFPA_YOLO半监督模型包括输入练完备的MFPA_YOLO半监督模型对待预测红树林红树林碳储量初始预测值确定红树林碳储量预2获取红树林的遥感数据和实测数据，基于所述实测数据对基于所述实测数据计算出红树林地上生物总量，基于所述红基于所述红树林物种名称、样方地理坐标以及红树林初始总碳储基于所述红树林物种数据集对构建的MFPA_YOLO半监督模型进行训练，其中，所述MFPA_YOLO半监督模型包括输入层、目标检测层以及输出层，所述目标检测层包括教师网将所述红树林物种数据集输入至所述MFPA_YOLO半监督模型中，基于所述有标签遥感基于训练完备的所述教师网络对所述无标签遥感数据集进行预测，获得伪标签数据基于所述伪标签生成网络对所述伪标签数据集进行分类后，基于基于训练完备的MFPA_YOLO半监督模型对待预测红树林遥感图像进行预测，获得红树,,其中，carbon"为红树林初始总碳储量。3应融合模块，所述颈部融合层至少包括路径聚合模块以及第二多尺度特征自适应融合模将所述有标签遥感数据集输入至所述教师网络中，通过所述主干网将所述多个尺度的特征图输入至所述颈部融合层，通过所述颈部融将特征融合后的图像输入至所述头部检测层，通过所述头部检测层获取候选框置信度，基于所述候选框置信度，采用所述伪标签种数据集对所述MFPA_YOLO半监督模型进行训练，获得训练完备的MFPA_YOLO半监督模型，,,,4所述存储器上存储有可被所述处理器执行的计算机可所述处理器执行所述计算机可读程序时实现如权利要求1_6任意一项所述的红树林碳8.一种计算机可读存储介质，其特征在于，所述5[0001]本发明涉及计算机视觉与遥感技术领域，尤其涉及一种红树林碳储量预测方法、[0003]利用深度学习模型计算红树林碳储量是一种可有效提高植被生物量及碳汇估算获取红树林的遥感数据和实测数据，基于所述实测数据对所述遥感数据进行标MFPA_YOLO半监督模型包括输入层、目标检测层以及输出层，所述目标检测层包括教师网将所述红树林物种数据集输入至所述MFPA_YOLO半监督模型中，基于所述有标签6基于训练完备的MFPA_YOLO半监督模型对待预测红树林遥感图像进行预测，获得,,其中，carbon"为红树林初始总碳储量。签遥感数据集的图像进行池化后，通过所述集中综合卷积模块对池化后的图像进行卷积[0010]在一种可能的实现方式中，所述基于所述红树林物种数据集对所述MFPA_YOLO半7,,,所述存储器上存储有可被所述处理器执行的计算机可所述处理器执行所述计算机可读程序时实现如上所述的红树林碳储量预测方法测层的教师网络以及学生网络对部分有标签遥感数据集以及大量无标签遥感数据集进行图3为本发明提供的红树林碳储量预测方法的MFPA_YOLO半监督模型训练的一实8图4为本发明提供的红树林碳储量预测方法的MFPA_YOLO半监督模型中教师网络S102、基于红树林物种数据集对构建的MFPA_YOLO半监督模型进行训练，其中，9,,其中，carbon"为红树林初始总碳储量；建红树林物种数据集，其红树林物种数据集包括有标签遥感数据集以及无标签遥感数据SPPF模块和C3模块后加入多尺度特征自适应融合模块MFA，以增强卷积后特征图的时空敏感性，其Neck层至少包括PANet模块以及第二MFA模块，即在YOLOv10的Neck层基础上，在,,,,,,,,,,L,为在未标记图像上计算的损失函数，即半监督损失函数，η为平衡监督损失函数和半监,,,,,,,,度调整因子，sw)为潮滩水位调整因子，f(sw)为土壤水如电子设备500上配备的插接式硬盘，智能存储卡（SmartMediaCard，SMC安全数字设备500的内部存储单元也包括外部存储设备。存储器502用于存储安装于电子设备500的应用软件及各类数据，例如安装电子设备500的程序代码等。存储器502还可以用于暂时地[0037]处理器501在一些实施例中可以是一中央处理器（CentralProcessingUnit，CPU微处理器或其他数据处理芯片，用于运行存储器502中存储的程序代码或处理数据，红树林碳储量预测程序的识别信息以及用于显示可视化的用户界面。电子设备500的部件任何熟悉本技术领域的