CN119516389A 一种林业损失价值评估方法、装置、设备及存储介质 （应急管理部国家自然灾害防治研究院）

院明将第二时间序列影像数据集与第一拟合模型出台风受灾后遥感图像无云区域植被相对于未隐藏在复杂数据背后的台风灾害对森林影响的覆盖区域归一化植被指数差值生成第二差值图2获取环境影响因素集、第一拟合模型、台风受灾后预设时间的基于所述第二时间序列影像数据集，经过所述第一拟合模型处理将所述环境影响因素集和所述第一差值图像经过预设机器学习利用所述机器学习模型对台风受灾后遥感图像云覆盖区域的归一化植被指数差值进基于所述真实林业损失价值、所述第一差值图像和所述第二差值图基于所述第一时间序列影像数据集，经过迭代加权最小二乘法根据所述受损林木蓄积、所述受损林木株数和所述受损程度，计算利用所述第一拟合模型对台风受灾后所述预设时间的模拟归一化植被指数进行预测，基于所述模拟归一化植被指数值和所述第二时间序列影像数据集将所述第二时间序列影像数据集经过掩膜方法处理，得到台风受3基于所述真实林业损失价值和所述第一差值图像构建第基于所述第一差值图像和所述第二差值图像将所述目标差值图像输入所述第二拟合模型，得到台风受灾区域内训练模块，用于将所述环境影响因素集和所述第一差预测模块，用于利用所述机器学习模型对台风受灾后遥感图存储器和处理器，所述存储器和所述处理器之间互相通信连接9.一种计算机可读存储介质，其特征在于，所述机执行权利要求1至6中任一项所述的林业损失价4的第一差值图像、通过模拟预测得到的云覆盖区域植被受灾程度的第二差值图像相结合，可以实现对整个台风受灾区域内林业损失价值的快速评估，有益于为当地林业管理部门、5域的第三时间序列影像数据集；利用第三时间序列影像数据集和模拟归一化植被指数值，6[0015]本发明提供的林业损失价值评估方法，将真实林业损失价值和第一差值图像结上述第一方面或其对应的任一实施方式的林业使计算机执行上述第一方面或其对应的任一实施方式的林业7像和第二差值图像以达到实现对整个台风受灾区域林业损失价值的快速附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，序列影像数据集以及台风受灾后遥感图像无云区域8数值大小反映了该区域植被受台风影响而偏离正常生长结合可以计算出台风受灾后遥感图像无云区域的示遥感影像的红波段从而得到遥感图像无云区域的实际NDVI值。[0039]其中，预设机器学习算法可以为线性回归（LinearRegression）算法、决策树9[0053]具体地，通过将真实林业损失价值与反映无云区域植被受灾程度的第一差值图对森林影响的深层次关系规律并构建对应的遥感图像无云区域的机器学习模型。进一步，利用已经训练好的机器学习模型能够对云覆盖区域的归一化植被指数差值进行合理推测，度的第一差值图像、通过模拟预测得到的云覆盖区域植被受灾程度的第二差值图像相结序列影像数据集以及台风受灾后遥感图像无云区域并构建得到受灾前的无云影像归一化植被指数NDVI的周期变化拟合模型即第一拟合模步骤S2021，利用第一拟合模型对台风受灾后预设时间的模拟归一化植被指数进遥感图像无云区域的第三时间序列影像数据[0085]进一步，将得到的无云区域的真实NDVI值与模拟归一化植被指数值进行逐像元遥感图像无云区域的机器学习模型。详细请参见图1所示实施例的步骤S103，在此不再赘且量化地展现出无云区域内各个位置植被受台风影响的程度序列影像数据集以及台风受灾后遥感图像无云区域的真实林业损失价值。详细请参见图2遥感图像无云区域的机器学习模型。详细请参见图1所示实施例的步骤S103，在此不再赘步骤3：计算步骤2中无云区域的真实NDVI值与步骤1预测得到的模拟NDVI值的差差值图像与步骤6的云覆盖区域的NDVI差值图像[0114]训练模块403，用于将环境影响因素集和第一差值图像经过预设机器学习算法训[0115]预测模块404，用于利用机器学习模型对台风受灾后遥感图像云覆盖区域的归一[0118]在一些可选的实施方式中，获取模块401中获取台风受灾后遥感图像无云区域的遥感图像无云区域的第三时间序列影像数据[0128]本发明实施例还提供一种计算机设备，具有上述图4所示的林业损失价值评估装主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处[0134]该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算该计算机读取并执行该指令，或者该计算机读取并安