CN110263735A - 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 - Google Patents
一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 Download PDFInfo
- Publication number
- CN110263735A CN110263735A CN201910553718.6A CN201910553718A CN110263735A CN 110263735 A CN110263735 A CN 110263735A CN 201910553718 A CN201910553718 A CN 201910553718A CN 110263735 A CN110263735 A CN 110263735A
- Authority
- CN
- China
- Prior art keywords
- tree species
- neural network
- classification
- dimensional convolution
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法,适用于人工林树种分布信息的获取,属于机器学习在林业应用技术领域范畴,关键技术要点包括:1.取试验区影像数据,根据地面调查点完成样本数据集的构建;2.构建三维卷积神经网络,完成模型的训练;3.利用训练好的模型对影像进行预测,完成树种分布制图及精度评价。解决的关键性问题包括:1.少量样本即可完成模型训练,降低地面调查工作量;2.与传统高光谱分类方法相比,无需事先进行特征的提取、筛选,分类精度更高。该发明适用于高光谱数据树种分类,是首次将三维卷积神经网络应用于人工林树种分类的方法,成果可为森林资源调查及树种分布信息获取提供基础性数据依据。
Description
一、技术领域
本发明涉及一种机器学习与森林资源调查的交叉领域中的人工林高光谱影像分类的方法,特别是一种使用深度卷积神经网络不需要大量标签样本对人工林区域高光谱遥感数据实现树种分类的方法,适用于人工林树种分布信息的获取,属于机器学习在林业应用技术领域。
二、技术背景
准确获取森林的树种和空间分布信息对于理解森林的生态系统结构、功能、演替以及生物多样性研究有重要意义,是森林资源监测中极为基础和关键的指标之一。
传统的树种识别方法往往依靠人力野外调查,成本高且费时费力,调查信息往往也不够全面,不利于森林树种信息的更新。林业中使用广泛的多光谱遥感数据其光谱分辨率较低,难以获得精确的树种分类结果。精细的树种分类往往依赖于丰富的数据。高光谱影像(HSI)波谱间隔窄,包含更多的光谱信息,能够探测、区分不同种类树木细微光谱差异。随着遥感传感器的快速发展,高光谱遥感数据的获取和收集更加容易,成本也大幅降低,越来越多的研究者都开展以高光谱数据作为树种识别研究的基础数据,但传统的支持向量机等分类方法往往不能充分利用高光谱数据中丰富的光谱和空间特征。目前深度学习已经在图像识别领域取得了显著的成功,证明了深度学习是一种行之有效的分类工具,然而,将深度学习应用于高光谱遥感影像解译,尤其是复杂林分下的树种高精度分类相关的实用成果还属于空白。同时,受制于林业数据获取的难度,目前依赖于大样本数据训练的深度学习方法在林业树种分类实际应用中受到限制,难以推广使用。
因此,本发明构建了基于少量样本的深度学习网络,利用高光谱数据实现树种高精度高效率的精细化分类,提高高光谱数据分类任务的精度,为我国森林资源的可视化、科学化经营管理提供关键技术支撑。
三、发明内容
为了解决传统树种分类时存在的低精度和低效率的问题,本发明旨在提供一种三维深度学习网络,改进传统的二维卷积神经网络,通过在神经网络的输入中增加光谱维度,赋予神经网络空谱信息联合处理的功能。本发明综合利用高光谱数据的所有信息,避免传统高光谱分类工作中降维处理损失信息、降低分类精度的问题,利用高光谱遥感影像实现森林树种的便捷、快速、准确分类,提升工作效率和精度,克服传统树种分类方法的缺点,填补目前我国林业行业面临的复杂林分下的树种高精度分类相关的技术的空白。
本发明的实现过程如下:地面调查设置样地,确定样地内植物类别,使用手持GPS实地测量记录样本精确位置。利用机载高光谱成像仪获取高光谱数据,完成影像预处理,结合地面调查构建带标签的样本数据。搭建三维卷积神经网络,输入处理过的高光谱数据,训练深度学习模型,完成树种分类。
本发明与其他树种分类方法相比具有以下优点:
(1)与传统人力野外调查相比,大大降低时间、人力等成本,提高效率。
(2)与传统高光谱分类方法相比,不需要事先进行特征的提取和筛选,充分利用了高光谱图像丰富的信息并省去了人为预先设定特征的麻烦,分类精度更高,减少混分现象,分类结果更准确。
(3)采用本发明提出的三维卷积神经网络完成树种分类及制图,不仅能实现较高精度,同时提高了训练、预测的速度,少量样本即可完成模型的训练,打破传统的树种分类方法对大量样本的需求,能够实现62分钟时间对50公顷范围内所有树种的满足95%以上分类精度的分类工作,具有实用价值。
(4)利用本方法,可以实现任何区域人工林树种分类,具有可以移植性。填补了目前复杂林分下的树种高精度高效分类实用成果的空白。
五、具体实施方式:
本发明:一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法,所述方法包括以下步骤:
步骤一:对获取原始高光谱影像数据进行常规的预处理,包括辐射校正,几何校正,大气校正,地形校正。
步骤二:构建样本数据,以目标像元为中心,大小为11×11×B的空间-光谱立方体及对应标签l作为样本数据,其中B表示影像的波段数,在此基础上使用分层抽样的方法,按照一定的比例将构建的带标签立方体样本划分为训练数据集、验证数据集、测试数据集。
步骤三:三维卷积神经网络的构建,首先将步骤二中得到的维度为11×11×B的立方体数据作为网络输入,网络中包含四个卷积层和一个全连接层其中第一个卷积层C1中,包含4个大小为3×3×7的卷积核,其中3是卷积核在空间维度,7为卷积核在光谱维度的长度。该层输出4个三维立方体,其尺寸为9×9×(B-6)。得到的4个三维立方体输出至第二个卷积层C2,输出为8个三维立方体,以此类推将数据依次输入至第三个卷积C3,得到16个三维特征立方体,经过第四个卷积层C4,得到32个三维特征立方体。经过4个卷积层后输出8×N个维度为3×3×(B-24)三维特征立方体。三维卷积运算的的公式可以表示为:
其中S表示三维卷积核在光谱维度的大小,i表示网络上一层特征块的数量,j表示该层包含卷积核的个数。对应的,该层(第i层)的输出包括l×j个三维特征块(featurecube)。
将最后一个三维卷积层输出的特征展平,通过全连接层将三维特征立方体变成维度为1×128维度的特征向量。在全连接层后添加逻辑回归分类器。Logistic回归分类器采用的的是针对多分类任务的归一化指数函数(softmax函数)。该层的输入为全连接层输出的特征向量,输出为该样本属于类i的输入特征的概率,假定全连接层输出的特征向量为V,归一化指数函数层中权重矩阵为W,偏差向量为b,则有:
其中s是归一化指数函数,P(Y=i)是该样本属于i类别的概率,Wi和bi表示连接i类输出单元的权重和偏差。输出层中隐藏单元数量等于类别的总数。
网络中在最后一个三维卷积层和第一个全连接层中需要训练的参数最多,为避免训练过程中出现过拟合问题,在这两层中加入比率为0.5的随机失活。
网络的具体结构参数如表1所示:
表1基于三维卷积神经网络的高光谱数据树种分类模型网络结构参数
步骤四:模型参数随机初始化,通过误差反向传播完成模型的训练,该步骤采用Adam优化器完成网络的训练。
步骤五:训练好模型后,将影像数据逐个输入得到整幅图像的类别信息,从而得到树种分类图;根据测试样本及样本对应的类别标签得到树种分类的精度评价报告。
为验证该方法有效性和测量精度,申请人使用广西壮族自治区高峰林场作为试验对象,采用中国林业科学研究院LiCHY系统AISA Eagle II衍射光栅推扫高光谱成像仪获取的高光谱数据,使用该方法完成树种分类及制图,并对照实地调查情况完成分类后的精度评价。
表1为试验区根据地面调查结果构建的样本数据集中各类地物类别样本的数量,为了验证模型的实用性和可推广性,在划分数据集时按照总样本数量的10%,10%,80%的比例划分训练样本,验证样本和测试样本。
表1试验区地物类别及数据集样本数量
表2三维卷积神经网络树种分类精度评价报告
使用该方法在试验区的树种分类总体精度为98.38%,Kappa系数为0.97,其中除红椎外各类树种的精度及召回率均为95%以上,由于试验区中建筑用地样本数量很少,模型训练过程仅有7个样本,因此有一部分误分,该类别召回率仅为83.33%。同时模型训练时仅使用总数据集的10%作为训练样本,而80%的样本用于精度评价,因此精度评价结果更为可靠;申请人进一步尝试讲训练样本减少至总样本数量的2.5%,最终的分类结果总体精度仍然能够达到95.89%,Kappa系数为95.19%。因此实际林业调查应用时,即使训练样本不足的时候也能够实现比较理想的精度,可以满足基本林业调查需求。
Claims (2)
1.一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法,其特征是:
使用三维卷积神经网络基于机载高光谱数据对复杂异质人工林林分实现树种分类,构建用于训练及验证数据集,完成深度学习模型的训练;利用训练好的模型分别对高光谱影像中每个像元所属类别进行预测,得到整个区域的树种分布制图。
2.根据权利要求1所述的三维卷积神经网络,其特征是:
网络结构中包含4个三维卷积层,2个全连接层,其中三维卷积核大小为3×3×7,每层输出特征图依次为4,8,16,32,网络的第4个卷积层和第1个全连接层中加入比率为0.5的随机失活;
目前,国内外利用高光谱遥感进行树种分类的主要手段还是传统的统计学方法或简单的遗传算法、BP神经网络(Back Propagation Neural Network)等,无法充分利用高光谱数据的所有信息,而精细的树种分类往往依赖于不同种类树木细微光谱差异,因此分类精度一般。本发明填补了目前复杂林分的树种高精度高效分类方法的空白;
传统的三维卷积神经网络中在每个卷积层后加入了三维最大池化层。森林树种之间光谱差异较小,引入光谱维度池化的数据降维方式会引起原始细节的丢失,进而导致模型分类能力的下降。虽然加入光谱维度池化可以显著减少网络训练参数,并节省模型训练的时间,但是光谱信息的损失会造成主要树种的分类精度的下降,因此该方法未加入光谱维度的池化以实现高精度树种分类;
采用本发明提出的三维卷积神经网络完成树种分类及制图,不仅能实现较高精度,同时提高了训练、预测的速度,少量样本即可完成模型的训练,打破传统的树种分类方法对大量样本的需求,能够实现62分钟时间对50公顷范围内所有树种的满足95%以上总体分类精度的分类工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553718.6A CN110263735A (zh) | 2019-06-25 | 2019-06-25 | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553718.6A CN110263735A (zh) | 2019-06-25 | 2019-06-25 | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263735A true CN110263735A (zh) | 2019-09-20 |
Family
ID=67921213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910553718.6A Pending CN110263735A (zh) | 2019-06-25 | 2019-06-25 | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263735A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
CN112580504A (zh) * | 2020-12-17 | 2021-03-30 | 中国科学院空天信息创新研究院 | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 |
CN112819066A (zh) * | 2021-01-28 | 2021-05-18 | 北京林业大学 | 一种Res-UNet单木树种分类技术 |
TWI730452B (zh) * | 2019-10-16 | 2021-06-11 | 逢甲大學 | 立體類神經網路系統 |
CN113869370A (zh) * | 2021-09-03 | 2021-12-31 | 中林信达(北京)科技信息有限责任公司 | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038499A (zh) * | 2017-12-06 | 2018-05-15 | 浙江大学 | 一种基于深度学习的树种分类方法与系统 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
-
2019
- 2019-06-25 CN CN201910553718.6A patent/CN110263735A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038499A (zh) * | 2017-12-06 | 2018-05-15 | 浙江大学 | 一种基于深度学习的树种分类方法与系统 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
Non-Patent Citations (2)
Title |
---|
MOHAMMAD REZAEE: ""Using a VGG-16 Network for Individual Tree Species Detection with an Object-Based Approach"", 《2018 10TH IAPR WORKSHOP ON PATTERN RECOGNITION IN REMOTE SENSING (PRRS)》 * |
付光远: ""基于卷积神经网络的高光谱图像谱-空联合分类"", 《科学技术与工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI730452B (zh) * | 2019-10-16 | 2021-06-11 | 逢甲大學 | 立體類神經網路系統 |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
CN112580504A (zh) * | 2020-12-17 | 2021-03-30 | 中国科学院空天信息创新研究院 | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 |
CN112580504B (zh) * | 2020-12-17 | 2023-01-17 | 中国科学院空天信息创新研究院 | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 |
CN112819066A (zh) * | 2021-01-28 | 2021-05-18 | 北京林业大学 | 一种Res-UNet单木树种分类技术 |
CN113869370A (zh) * | 2021-09-03 | 2021-12-31 | 中林信达(北京)科技信息有限责任公司 | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263735A (zh) | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 | |
Zhang et al. | Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images | |
CN105608474B (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN112052755A (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
CN111950530B (zh) | 农作物种植结构提取的多特征优选与融合方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
CN105184314A (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN115759524B (zh) | 一种基于遥感影像植被指数的土壤生产力等级识别方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN109308464A (zh) | 一种基于数码相机图像的水稻穗子识别方法 | |
Bhadra et al. | End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images | |
CN116863345A (zh) | 一种基于双重注意力和尺度融合的高分影像农田识别方法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |