欧美日韩精品久久久免费观看_欧美激情综合色综合啪啪五月_欧美日韩国产精品_久久夜色精品国产欧美乱极品

題目

基于局域-全局特征增強(qiáng)網(wǎng)絡(luò)和無(wú)人機(jī)高光譜遙感的荒漠草地物種分類(lèi)

應(yīng)用關(guān)鍵詞

荒漠草地、高光譜圖像、卷積神經(jīng)網(wǎng)絡(luò)、無(wú)人機(jī)、物種分類(lèi)

背景

草地退化導(dǎo)致水土流失、沙塵暴、草地生產(chǎn)力下降、生物多樣性減少等生態(tài)問(wèn)題，并影響當(dāng)?shù)匦竽翗I(yè)的發(fā)展。因此，對(duì)植被進(jìn)行有效監(jiān)測(cè)可以緩解退化持續(xù)加劇的問(wèn)題。低空無(wú)人機(jī)遙感平臺(tái)結(jié)合了空間分辨率和監(jiān)測(cè)距離的優(yōu)勢(shì)，適合草地退化監(jiān)測(cè)。

將傳統(tǒng)機(jī)器學(xué)習(xí)應(yīng)用于草地退化的研究需要人工提取大量的特征信息，耗時(shí)且費(fèi)力。隨后，學(xué)者們將深度學(xué)習(xí)引入到草地退化指標(biāo)物種的分類(lèi)任務(wù)中，將特征提取到分類(lèi)的過(guò)程整合起來(lái)。然而，構(gòu)建的模型參數(shù)量較大，需要大量的訓(xùn)練樣本，并且其分類(lèi)性能有待提高。因此，需要一種高效、高精度、小樣本的草地監(jiān)測(cè)模型。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network, CNN）是高光譜圖像（Hyperspectral image, HSI）分類(lèi)的主流方法?；诠庾V空間的HSI分類(lèi)方法同時(shí)關(guān)注光譜和空間信息，有效地提高了其分類(lèi)性能。但是CNN通常使用固定大小的卷積核進(jìn)行特征提取，因此CNN只能提取局部特征，這限制了分類(lèi)性能的提高。

為了獲得草地物種的高分辨率遙感影像，采用無(wú)人機(jī)高光譜遙感技術(shù)對(duì)內(nèi)蒙古葛根塔拉草原植被物種進(jìn)行了數(shù)據(jù)采集。提出了一種基于局部-全局特征增強(qiáng)網(wǎng)絡(luò)（Local-global feature enhancement network, LGFEN）的荒漠草地物種高精度分類(lèi)方法。此外，我們使用卷積塊注意模塊（Convolutional block attention module , CBAM）來(lái)細(xì)化HSI的特征，以進(jìn)一步增強(qiáng)LGFEN網(wǎng)絡(luò)的分類(lèi)性能。本文利用小樣本數(shù)據(jù)對(duì)荒漠草地物種分類(lèi)進(jìn)行了探索，旨在為荒漠草地生態(tài)系統(tǒng)的動(dòng)態(tài)監(jiān)測(cè)提供理論依據(jù)。

試驗(yàn)設(shè)計(jì)

內(nèi)蒙古農(nóng)業(yè)大學(xué)杜健民教授團(tuán)隊(duì)利用Gaiasky-Mini2-VN高光譜相機(jī)（江蘇雙利合譜公司）獲取了研究區(qū)內(nèi)不同地物品的高光譜影像，其波段范圍為400 ~ 1000 nm，波段數(shù)為256。各類(lèi)地物的光譜曲線如圖1所示。其他地物類(lèi)型（墊子、小旗和垃圾）的光譜曲線與其余5種地物的光譜曲線差異最大。裸地光譜曲線在550 ~ 740 nm范圍內(nèi)呈緩慢線性增長(zhǎng)，與4種植被的特征差異顯著。580 nm后，短花針茅的光譜曲線與其余3種植被的光譜曲線存在一定差異。閉鎖薊、冷蒿和駝絨藜的光譜曲線相似度較高。在886.6 nm之后，由于噪聲的影響，不同地物的光譜曲線都表現(xiàn)出較大的波動(dòng)，最終獲得的頻帶數(shù)為205個(gè)。

本研究中使用了局部特征增強(qiáng)模塊（Local feature enhancement, LFE）（圖2）和全局特征增強(qiáng)模塊（Global feature enhancement, GFE）（圖3）。LFE使用二維卷積來(lái)學(xué)習(xí)HSI的局部特征，并使用殘差結(jié)構(gòu)來(lái)增強(qiáng)特征重用。GFE通過(guò)FC層學(xué)習(xí)各子patch之間的相關(guān)特征，獲得全局特征信息。CBAM模塊包括通道注意模塊和空間注意模塊，如圖4所示。

LGFEN由3個(gè)主要模塊組成：LFE模塊、GFE模塊和CBAM模塊。其結(jié)構(gòu)如圖5所示。在網(wǎng)絡(luò)中，主要采用核大小為1 × 1的二維卷積對(duì)HSI進(jìn)行降維，以減少高維數(shù)據(jù)的冗余信息，經(jīng)過(guò)該卷積層后，數(shù)據(jù)的通道維數(shù)降為64。然后，通過(guò)轉(zhuǎn)置卷積對(duì)降維后的數(shù)據(jù)進(jìn)行自適應(yīng)上采樣，以擬合GFE模塊中子patch的采樣過(guò)程。隨后，上采樣數(shù)據(jù)通過(guò)LFE和GFE模塊來(lái)學(xué)習(xí)HSI的局部和全局特征。最后，通過(guò)CBAM模塊對(duì)學(xué)習(xí)到的特征進(jìn)行細(xì)化，增強(qiáng)網(wǎng)絡(luò)性能的穩(wěn)定性。所有特征學(xué)習(xí)完成后，通過(guò)全局平均池化層對(duì)空間特征進(jìn)行聚合，最后通過(guò)兩個(gè)FC層進(jìn)行最終分類(lèi)。

圖1 不同地物的光譜曲線

圖2 LFE結(jié)構(gòu)

圖3 GFE結(jié)構(gòu)

圖4 CBAM結(jié)構(gòu)

圖5 LGFEN網(wǎng)絡(luò)架構(gòu)

結(jié)論

為了驗(yàn)證各模塊的有效性，進(jìn)行了消融試驗(yàn)分析。比較了僅使用GFE模塊的網(wǎng)絡(luò)、僅使用LFE模塊的網(wǎng)絡(luò)、使用GFE + LFE模塊的網(wǎng)絡(luò)和最終的LGFEN網(wǎng)絡(luò)。如表1所示，同時(shí)提取局部和全局特征的網(wǎng)絡(luò)的分類(lèi)性能優(yōu)于局部特征和全局特征分別提取。這表明GFE和LFE聯(lián)合是有效的。在此基礎(chǔ)上，加入CBAM注意力模塊的LGFEN網(wǎng)絡(luò)獲得了最佳的分類(lèi)性能。與未添加CBAM模塊的GFE + LFE網(wǎng)絡(luò)相比，OA（整體精度）、AA（平均精度）和K（Kappa系數(shù)）分別提高了1.28%、1.37%和1.96%。此外，LGFEN網(wǎng)絡(luò)的偏差更低，說(shuō)明CBAM模塊在最終特征細(xì)化中的作用是有效保證網(wǎng)絡(luò)分類(lèi)性能的穩(wěn)定性。

表1 消融試驗(yàn)結(jié)果

為了更好地評(píng)估本文提出的LGFEN網(wǎng)絡(luò)的有效性，我們選擇了幾種最新的HSI分類(lèi)方法進(jìn)行比較，包括CTN、DBDA、DBMA和MAFN。從圖6可以看出，本文提出的LGFEN方法對(duì)不同草地物種的分類(lèi)效果好，在所有方法中錯(cuò)分率低。

從表2可以看出，本文提出的LGFEN在大多數(shù)類(lèi)別中都取得了好的結(jié)果，所有類(lèi)別的分類(lèi)準(zhǔn)確率都超過(guò)了90%。這說(shuō)明LGFEN能夠更有效地提取荒漠草原物種特征，具有更強(qiáng)的泛化能力。從OA、AA和K的角度來(lái)看，LGFEN在所有方法中表現(xiàn)出好的綜合分類(lèi)性能，OA、AA和K的值分別為98.61%、97.67%和0.9815。從偏差的角度來(lái)看，LGFEN的偏差更低，說(shuō)明其分類(lèi)性能更穩(wěn)定。

此外，為了驗(yàn)證LGFEN在小樣本下的特征提取能力，我們對(duì)不同數(shù)量的訓(xùn)練樣本進(jìn)行了實(shí)驗(yàn)。在實(shí)驗(yàn)中，每個(gè)類(lèi)別的訓(xùn)練樣本數(shù)量分別設(shè)置為5個(gè)、10個(gè)、15個(gè)和20個(gè)。結(jié)果如圖7所示。從圖中可以看出，隨著訓(xùn)練樣本數(shù)量的增加，不同分類(lèi)方法的分類(lèi)準(zhǔn)確率逐漸提高。同時(shí)，LGFEN的分類(lèi)準(zhǔn)確率仍然是最高的，說(shuō)明本文提出的LGFEN在小樣本下具有更好的魯棒性和適應(yīng)性。

如圖8所示。從模型參數(shù)來(lái)看，LGFEN的參數(shù)數(shù)量與CTN相似；與DBDA、DBMA和MAFN相比，LGFEN的參數(shù)數(shù)量較少。從模型預(yù)測(cè)時(shí)間的角度來(lái)看，LGFEN消耗的時(shí)間成本更低，說(shuō)明LGFEN在保證分類(lèi)精度的同時(shí)具有更高的計(jì)算效率。

圖6 不同方法的混淆矩陣分類(lèi)結(jié)果

表2 不同分類(lèi)方法的實(shí)驗(yàn)結(jié)果

圖7 具有不同數(shù)量訓(xùn)練樣本的OA

圖8 不同分類(lèi)方法的參數(shù)數(shù)量和預(yù)測(cè)時(shí)間

為驗(yàn)證LGFEN在荒漠草原物種識(shí)別中的有效性，選取3個(gè)樣本進(jìn)行可視化分析，如圖9所示。從圖中可以明顯看出，其他地面物體和裸地物體被有效識(shí)別。通過(guò)對(duì)比人工野外調(diào)查記錄和無(wú)人機(jī)航拍RGB拼接圖像，3個(gè)樣本的分類(lèi)結(jié)果與實(shí)際地物的空間分布相匹配，分類(lèi)性能良好。有效地區(qū)分了不同的地物，較好地保留了地物的空間特征。這表明LGFEN在荒漠草原物種的識(shí)別和分類(lèi)方面具有良好的泛化能力。本研究為荒漠草原退化監(jiān)測(cè)提供了一種新的方法，可為今后的研究提供理論參考。

圖9 樣本可視化驗(yàn)證

作者信息

杜健民，博士，內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院教授，博士生導(dǎo)師。

主要研究方向：環(huán)境測(cè)控技術(shù)與裝備智能化。

參考文獻(xiàn)：

Zhang, T., Bi, Y. G., Du, J. M., Zhu, X. B., & Gao, X. C. (2022). Classification of desert grassland species based on a local-global feature enhancement network and UAV hyperspectral remote sensing. Ecological Informatics, 72.

https://doi.org/10.1016/j.ecoinf.2022.101852