CN113869370A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113869370A CN113869370A CN202111029158.8A CN202111029158A CN113869370A CN 113869370 A CN113869370 A CN 113869370A CN 202111029158 A CN202111029158 A CN 202111029158A CN 113869370 A CN113869370 A CN 113869370A
- Authority
- CN
- China
- Prior art keywords
- data
- tree species
- sample
- deep learning
- sentinel
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 241000894007 species Species 0.000 claims description 85
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 241000282553 Macaca Species 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 241000635251 Larix dahurica Species 0.000 description 1
- 235000011609 Pinus massoniana Nutrition 0.000 description 1
- 241000018650 Pinus massoniana Species 0.000 description 1
- 241000183024 Populus tremula Species 0.000 description 1
- 241001480055 Quercus mongolica Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003305 oil spill Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
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，涉及树种分类领域，包括：多时相遥感数据的获取和预处理；利用GPS获取研究区内的样方数据，统计样方内的树种分布，选取样方内的优势树种作为样点数据；样点数据的划分；构建时序数据集并结合样点数据对预处理后的多时相遥感数据进行特征提取；深度学习模型的构建；特征集分类及对深度学习中所应用的超参数进行优化；模型精度评价；树种精细制图。本发明基于多时相Sentinel‑2影像数据及实测样点数据，将深度学习算法应用到精细树种分类中，只需将原始数据输入模型，随着卷积层数和迭代次数的增加，会自动识别更高层次特征，从而实现高精度自动分类。
Description
技术领域
本发明涉及树种分类技术领域，具体涉及一种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。
背景技术
森林作为可再生自然资源和陆地生态系统的重要组成部分，在维持生态平衡、生物多样性和生境质量等方面发挥着至关重要的作用。准确地识别树种分布对正确描述森林生态价值和获取准确的森林参数至关重要。树种组成是森林资源调查的基本信息，是森林生态管理和森林政策的基础。因此，快速和准确的树种测绘对于许多生态和林业应用至关重要。
与传统的野外调查相比，遥感可以在不破坏森林结构的情况下获得树种信息，特别是在面积较大且难以到达的地区。不同时空分辨率的遥感图像，如Landsat、GF-1、Quickbird和WorldView-2被广泛用于树种分类。然而，限于数据成本高、天气条件、区域范围和采购时间，大多数的遥感数据，如高分辨率(VHR)、无人机(UAV)和激光雷达(LiDAR)很难产生树种在大面积的详细地图。欧洲航天局(ESA)发射的Sentinel-2A/2B卫星可免费提供高空间、光谱和时间分辨率的高质量图像。详细的光谱信息和密集的时间序列为捕捉树种之间的细微差异提供了前所未有的机会。
在分类方法方面，虽然有学者采用了多种机器学习方法对树种进行分类，取得了较好的分类效果，但由于受训练样本数据影响较大提取浅层特征会因差异而缺乏模型普适性，这也导致了不同的区域内不同模型间的精度差异。因此，采用先进的数据驱动方法，提取更深层次特征，并进行自动学习森林优势树种分类是非常必要的。
发明内容
为了解决现有的树种分类方法存在的数据成本高、效率低且无法实现大面积树种分类的问题，本发明提供一种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，该分类方法是以多时相遥感数据为基础，应用先进的深度学习算法所实现的一种低成本、高效率、无破坏方式的大面积树种精细化分类方法。
本发明为解决技术问题所采用的技术方案如下：
本发明的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，包括以下步骤：
步骤一、多时相遥感数据的获取和预处理；
步骤二、利用GPS获取研究区内的样方数据，统计样方内的树种分布，选取样方内的优势树种作为样点数据；
步骤三、样点数据的划分；
步骤四、构建时序数据集并结合样点数据对预处理后的多时相遥感数据进行特征提取；
步骤五、深度学习模型的构建；
步骤六、特征集分类及对深度学习中所应用的超参数进行优化；
步骤七、模型精度评价；
步骤八、树种精细制图。
进一步的，步骤一具体过程如下：
(1)多时相遥感数据的获取
从欧空局网站下载全年的一组无云的哨兵2号影像数据；确保每个月份均含有两景的影像数据，共计获得24景影像；
影像数据所有波段为：10m空间分辨率包括蓝色B2：490nm，绿色B3：560nm，红色B4：665nm，近红外B8：842nm；20m空间分辨率包括红边：B5：705nm，B6：740nm，B7：783nm；窄NIRB8a：865nm，SWIR：B11：1610nm和B12：2190nm；
(2)多时相遥感数据的预处理
采用欧空局网站提供的Sen2Cor工具对哨兵2号影像数据进行大气校正。
进一步的，步骤二具体过程如下：
在研究区内随机生成多个样方分布，每个样方的范围均为50m×50m；每个样方的位置均采用全球定位系统和实时动态差分技术进行测量，测量精度在1m以内；野外调查记录的样本数据参数包括树种名称、树高、树冠覆盖面积、基底面积和通用横向麦卡塔系统中的差分全球定位系统坐标；以基底面积因子为基础，选择每个样方内的基底面积频率均在50％以上的树种作为优势树种，即获得样点数据。
进一步的，步骤三具体过程如下：
若一个树种在每个样方的基底面积频率均在80％以上，则在样方边界上创建直径100m的缓冲区，扩展样方数据；根据这些缓冲区，选择不同树种的像元作为样本数据集；然后将整个研究区的样本数据划分为两个数据集：训练数据集和验证数据集；将所有样本数据按照70％:30％的比例随机分配到两个数据集合中的一个；对训练数据集进行子集化，其中80％的数据用于训练单独的分类算法，20％的数据用于优化模型；验证数据集用于对后续的最终样本数据分类结果进行评价。
进一步的，步骤四具体过程如下：
将预处理后的哨兵2号影像数据结合实测的时间序列图像数据建立样本集；获取除第一波段、第九波段和第十波段以外的10个波段的多期数据，并提取不同树种的每个像元组成一维向量；结合样点数据对预处理后的多时相遥感数据进行特征提取，包括纹理特征、植被指数和光谱特征；计算哨兵2号影像数据的植被指数，最后将所有数据组成深度学习算法可供输入的向量形式。
进一步的，所述哨兵2号影像数据的植被指数的计算方法如下：
①归一化植被指数
归一化植被指数的时序变化曲线反映植被的季节变化，且归一化植被指数在生长季内的时间累积量与净初级生产力直接相关，与叶面积指数非线性相关；
式中，ρNIR为近红外波段的反射值，ρR为红光波段的反射值，分别对应于哨兵2号的波段8和波段4；
②增强植被指数
大气对不同波段有不同的衰减系数，在植被反射中，会导致红光波段的大气衰减系数比反射率真实值高，而近红外波段的大气衰减系数则比反射率真实值低，因此采用增强植被指数来降低背景值和大气带来的影响；
式中，ρNIR为近红外波段的反射值，ρR为红光波段的反射值，ρB为红光波段的反射值，分别对应于哨兵2号的波段8、波段4和波段2；L为背景调整系数；C1和C2均为拟合系数；在增强植被指数中，取L为1，C1为6，C2为7.5，G为2.5。
进一步的，步骤五具体过程如下：
一维卷积神经网络模型包括输入层、卷积层、池化层、平坦层和完全连通层；将实测的时间序列图像数据作为输入层的输入，然后Conv1D层利用卷积核捕获输入序列的时间模式或形状，通过多个卷积层逐步提取深度特征；卷积计算公式如下：
式中，Wm,n为卷积核在m行和n列的权重项；xi+m,j+m为像元xi,j在第m行和第n列的DN值；b为卷积核偏置值；Yi,j为特征图在i处和j处的值；S为被卷积图像总计的行数，T为被卷积图像总计的列数，i为卷积图像中卷积核所处的行数，j为卷积图像中卷积核所处的列数，m为卷积核中的行数，n为卷积核中的列数；
每个卷积层采用校正线性单元作为激活函数，防止过拟合，加速训练过程；池化层对特征图进行操作，以最大或平均池化操作聚合给定邻域窗口内的信息；最后，全连通层生成输入数据中所有所需分类结果的预测概率；Conv1D层在其每个通道中都有一个模式或形状模板，并通过卷积将模式与输入进行匹配。
进一步的，步骤六具体过程如下：
根据步骤四中所划分的训练数据集和验证数据集，利用样本数据集直接在影像中提取不同树种的像元作为训练样本，进行模型分类；通过不断调整和优化模型参数，获得能够实现最优分类的深度学习模型。
进一步的，步骤七具体过程如下：
利用步骤五中的验证数据集开展针对不同模型分类结果的精度评价，评价指标包括总体精度、用户精度、生产者精度和Kappa系数。
进一步的，步骤八具体过程如下：
依据不同模型分类结果进行森林树种分类制图，剔除研究区内的非森林地区，将深度学习模型运行出的结果进行制图和规范化。
本发明的有益效果是：
本发明的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，基于多时相Sentinel-2影像数据以及实测样点数据，将深度学习算法应用到精细的树种分类方法中。传统的机器学习算法需要在人工提取大量特征的基础上进行分类，往往受特征提取不足、专家经验差异以及树种组成复杂性等因素影响，导致分类精度不高。而本发明所采用的深度学习算法只需将原始数据输入模型，随着卷积层数和迭代次数的增加，会自动识别更高层次特征，从而实现高精度自动分类。
本发明的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，极具鲁棒性、可重复性及易推广性等优点，为森林树种分布及资源清查等提供了强有力的支撑。
附图说明
图1为样方获取过程示意图。
图2为一维卷积神经网络模型示意图。
图3为利用本发明的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获得的树种分类效果图。
图4为利用本发明的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获得的树种分类效果图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明的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，主要包括以下步骤：
(1)多时相遥感数据的获取
从欧空局网站(Copernicus Data Hub)下载全年的一组无云的哨兵2号(Sentinel-2)影像数据(Level-1C产品)；确保每个月份均含有两景的影像数据，共计获得24景影像。
影像数据所有波段为：10m空间分辨率(蓝色B2：490nm，绿色B3：560nm，红色B4：665nm，近红外B8：842nm)和20m空间分辨率(红边：B5：705nm，B6：740nm，B7：783nm；窄NIRB8a：865nm，SWIR：B11：1610nm和B12：2190nm)。
(2)多时相遥感数据的预处理
将获取的影像数据在SNAP软件中进行预处理，例如正射校正、辐射定标、大气校正、地形校正、几何纠正和裁剪等工作。具体包括以下步骤：
1C级产品本身已经是进行过辐射校正和基于数字高程模型(DEM)几何精校正后的正射影像。Level-1C产品以恒定的地面采样距离进行重新采样(GSD)，地面采样距离分别为10m、20m和60m，根据不同光谱波段的空间分辨率选择相应的地面采样距离进行重新采样。基于以上因素，本发明采用欧空局网站(Copernicus Data Hub)提供的Sen2Cor工具对Level-1C产品进行大气校正，以获得Level-2A产品。
(3)样点数据的获取
在研究区内随机生成样方分布，共取多个样方，每个样方的范围均为50m×50m。每个样方的位置均采用全球定位系统(GPS)和实时动态差分技术(RTK)进行测量，测量精度在1m以内。
野外调查记录的样本数据参数主要包括树种名称、树高、树冠覆盖面积、基底面积(树径大于10cm)和通用横向麦卡塔(UTM)系统中的差分全球定位系统(DGPS)坐标。以基底面积因子为基础，选择每个样方内的基底面积频率均在50％以上的树种作为优势树种，即获得样点数据。综上，本发明通过野外调查，确定了优势树种。
如图1所示，图1a为所在研究区内获取树种调查样方位置示意图；图1b为单个调查样方内树种分布示意图；图1c为调查样方内优势树种确定法的展示。图1展示了一个完整的野外树种调查方式。首先是样方的位置确定方式，要确保在研究区内均匀分布，树种类别无遗漏；其次是在每个样方内，统计每个样方的树种树木数量及分布位置；最后是测量样方内所有树种的基底面积，根据基底面积来确定样方内的优势树种。
(4)样点数据的划分
数据集划分需要遵循两个原则：(1)这些集合彼此独立；(2)所有集合中的类分布是相似的。因此，为了最大化样方中收集的像素，如果一个树种在每个样方的基底面积频率均在80％以上，则在样方边界上创建直径100m的缓冲区，扩展样方数据。根据这些缓冲区，选择不同树种的像元作为样本数据集。然后将整个研究区的样本数据划分为两个数据集：训练数据集和验证数据集。将所有样本数据按照70％:30％的比例随机分配到两个数据集合中的一个。此外，对训练数据集进行子集化，其中80％的数据用于训练单独的分类算法，20％的数据用于优化模型。验证数据集用于对后续的最终样本数据分类结果进行评价。
(5)时序数据集构建及特征提取
将预处理后的哨兵2号(Sentinel-2)影像数据结合实测的时间序列图像数据建立样本集。获取除第一波段、第九波段和第十波段以外的10个波段的多期数据，并提取不同树种的每个像元组成一维向量。结合样点数据对预处理后的多时相遥感数据进行特征提取，包括纹理特征、植被指数和光谱特征等。
同样的方式计算哨兵2号(Sentinel-2)影像数据的植被指数，主要包括归一化植被指数(NDVI)、增强植被指数EVI)和差值植被指数等，最后将所有数据组成深度学习算法可供输入的向量形式。
加入植被指数可以消除部分环境因素的影响，来突出不同植被生长特征随时间的变化差异。
①归一化植被指数(NDVI)
在植被遥感中，归一化植被指数(NDVI)已经被广泛应用于各种参数反演和研究中。许多研究表明，归一化植被指数(NDVI)的时序变化曲线可反映植被的季节变化，且归一化植被指数(NDVI)在生长季内的时间累积量与净初级生产力(NPP)直接相关，与叶面积指数(LAI)非线性相关。
式(1)中，ρNIR为近红外波段的反射值，ρR为红光波段的反射值，分别对应于哨兵2号(Sentinel-2)的波段8和波段4。
②增强植被指数(EVI)
大气对不同波段有不同的衰减系数，在植被反射中，会导致红光波段的大气衰减系数比反射率真实值高，而近红外波段的大气衰减系数则比反射率真实值低。基于以上因素，本发明采用增强植被指数(EVI)来降低背景值和大气带来的影响。
式(2)中，ρNIR为近红外波段的反射值，ρR为红光波段的反射值，ρB为红光波段的反射值，分别对应于哨兵2号(Sentinel-2)的波段8、波段4和波段2；L为背景调整系数；C1和C2均为拟合系数；在增强植被指数(EVI)中，取L为1，C1为6，C2为7.5，G为2.5。
(6)深度学习模型的构建
深度学习算法是将深度学习模型构成为多个处理层，以学习多个抽象层为目的的方法。深度学习模型可以从原始数据中自适应地学习低级特征，从低级特征中分层学习高级特征，消除了浅层网络对特征的过度依赖。
针对多时相遥感数据，本发明提出了一种一维卷积神经网络模型。神经网络中的深度学习可以通过多层神经网络提取更抽象的特征，更好地描述高维数据的复杂结构。如图2所示，一维卷积神经网络模型主要包括输入层、卷积层、池化层、平坦层和完全连通层。
将实测的时间序列图像数据作为输入层的输入，然后Conv1D层利用卷积核捕获输入序列的时间模式或形状，通过多个卷积层逐步提取深度特征。卷积计算公式如下：
式(3)中，Wm,n为卷积核在m行和n列的权重项；xi+m,j+m为像元xi,j在第m行和第n列的DN值；b为卷积核偏置值；Yi,j为特征图在i处和j处的值；S为被卷积图像总计的行数，T为被卷积图像总计的列数，i为卷积图像中卷积核所处的行数，j为卷积图像中卷积核所处的列数，m为卷积核中的行数，n为卷积核中的列数。
每个卷积层采用校正线性单元(ReLU)作为激活函数，可以显著防止过拟合，加速训练过程。池化层对特征图进行操作，以最大或平均池化操作聚合给定邻域窗口内的信息。最后，全连通层生成输入数据中所有所需分类结果的预测概率。Conv1D层在其每个通道中都有一个模式或形状模板，并通过卷积将模式与输入进行匹配，因此对于连续序列数据如多时相遥感数据、海面溢油、振动信号等具有良好的性能。
(7)特征集分类与超参数优化
根据步骤四中所划分的训练数据集和验证数据集，利用样本数据集直接在影像中提取不同树种的像元作为训练样本，进行模型分类；通过不断调整和优化模型参数，如增加卷积层数、迭代次数，卷积层数和卷积核大小等，提高Dropout率和改变损失函数等，获得能够实现最优分类的深度学习模型。
(8)模型精度评价
利用步骤五中的验证数据集开展针对不同模型分类结果的精度评价，评价指标包括总体精度、用户精度、生产者精度和Kappa系数等。
(9)此外，依据不同模型分类结果进行森林树种分类制图，剔除研究区内的非森林地区，将深度学习模型运行出的结果进行制图和规范化。
森林树种分类制图结果如图3和图4所示。图3位于内蒙古自治区赤峰市周边某林场，该林场以人工林为主，主要包含有两种针叶树种(马尾松和落叶松)以及两种阔叶树种(杨树和蒙古栎)。该林场地形复杂，且受人工建筑物如房屋和道路等影响，但基于我们的研究方法对该区域的树种进行分类，结果表明该方法可以有效的剔除环境因素和地形等因素的影响，且分类结果与该林场清查数据相吻合，且精度较高(>90％)。图4为吉林省敦化市长白山附近的天然林场实验结果。该林场以天然林为主，包含有大量的优势树种，且多为混交方式，分类难度极大。基于本研究的实验方法，对该区域进行树种分类，研究结果表明除所占比例较小的树种外，分出了9种优势树种，剔除小类别树种，在天然林中的优势树种分类精度达到了83％。由此证明本发明的方法的普适性，无论是在环境复杂的人工林中，还是在树种数目极多的天然林中，都可以获得很好的分类结果，可实现大面积的推广。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.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，其特征在于，包括以下步骤：
步骤一、多时相遥感数据的获取和预处理；
步骤二、利用GPS获取研究区内的样方数据，统计样方内的树种分布，选取样方内的优势树种作为样点数据；
步骤三、样点数据的划分；
步骤四、构建时序数据集并结合样点数据对预处理后的多时相遥感数据进行特征提取；
步骤五、深度学习模型的构建；
步骤六、特征集分类及对深度学习中所应用的超参数进行优化；
步骤七、模型精度评价；
步骤八、树种精细制图。
2.根据权利要求1所述的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，其特征在于，步骤一具体过程如下：
(1)多时相遥感数据的获取
从欧空局网站下载全年的一组无云的哨兵2号影像数据；确保每个月份均含有两景的影像数据，共计获得24景影像；
影像数据所有波段为：10m空间分辨率包括蓝色B2：490nm，绿色B3：560nm，红色B4：665nm，近红外B8：842nm；20m空间分辨率包括红边：B5：705nm，B6：740nm，B7：783nm；窄NIRB8a：865nm，SWIR：B11：1610nm和B12：2190nm；
(2)多时相遥感数据的预处理
采用欧空局网站提供的Sen2Cor工具对哨兵2号影像数据进行大气校正。
3.根据权利要求2所述的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，其特征在于，步骤二具体过程如下：
在研究区内随机生成多个样方分布，每个样方的范围均为50m×50m；每个样方的位置均采用全球定位系统和实时动态差分技术进行测量，测量精度在1m以内；野外调查记录的样本数据参数包括树种名称、树高、树冠覆盖面积、基底面积和通用横向麦卡塔系统中的差分全球定位系统坐标；以基底面积因子为基础，选择每个样方内的基底面积频率均在50％以上的树种作为优势树种，即获得样点数据。
4.根据权利要求3所述的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，其特征在于，步骤三具体过程如下：
若一个树种在每个样方的基底面积频率均在80％以上，则在样方边界上创建直径100m的缓冲区，扩展样方数据；根据这些缓冲区，选择不同树种的像元作为样本数据集；然后将整个研究区的样本数据划分为两个数据集：训练数据集和验证数据集；将所有样本数据按照70％:30％的比例随机分配到两个数据集合中的一个；对训练数据集进行子集化，其中80％的数据用于训练单独的分类算法，20％的数据用于优化模型；验证数据集用于对后续的最终样本数据分类结果进行评价。
5.根据权利要求4所述的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，其特征在于，步骤四具体过程如下：
将预处理后的哨兵2号影像数据结合实测的时间序列图像数据建立样本集；获取除第一波段、第九波段和第十波段以外的10个波段的多期数据，并提取不同树种的每个像元组成一维向量；结合样点数据对预处理后的多时相遥感数据进行特征提取，包括纹理特征、植被指数和光谱特征；计算哨兵2号影像数据的植被指数，最后将所有数据组成深度学习算法可供输入的向量形式。
6.根据权利要求5所述的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，其特征在于，所述哨兵2号影像数据的植被指数的计算方法如下：
①归一化植被指数
归一化植被指数的时序变化曲线反映植被的季节变化，且归一化植被指数在生长季内的时间累积量与净初级生产力直接相关，与叶面积指数非线性相关；
式中，ρNIR为近红外波段的反射值，ρR为红光波段的反射值，分别对应于哨兵2号的波段8和波段4；
②增强植被指数
大气对不同波段有不同的衰减系数，在植被反射中，会导致红光波段的大气衰减系数比反射率真实值高，而近红外波段的大气衰减系数则比反射率真实值低，因此采用增强植被指数来降低背景值和大气带来的影响；
式中，ρNIR为近红外波段的反射值，ρR为红光波段的反射值，ρB为红光波段的反射值，分别对应于哨兵2号的波段8、波段4和波段2；L为背景调整系数；C1和C2均为拟合系数；在增强植被指数中，取L为1，C1为6，C2为7.5，G为2.5。
7.根据权利要求5所述的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，其特征在于，步骤五具体过程如下：
一维卷积神经网络模型包括输入层、卷积层、池化层、平坦层和完全连通层；将实测的时间序列图像数据作为输入层的输入，然后Conv1D层利用卷积核捕获输入序列的时间模式或形状，通过多个卷积层逐步提取深度特征；卷积计算公式如下：
式中，Wm,n为卷积核在m行和n列的权重项；xi+m,j+m为像元xi,j在第m行和第n列的DN值；b为卷积核偏置值；Yi,j为特征图在i处和j处的值；S为被卷积图像总计的行数，T为被卷积图像总计的列数，i为卷积图像中卷积核所处的行数，j为卷积图像中卷积核所处的列数，m为卷积核中的行数，n为卷积核中的列数；
每个卷积层采用校正线性单元作为激活函数，防止过拟合，加速训练过程；池化层对特征图进行操作，以最大或平均池化操作聚合给定邻域窗口内的信息；最后，全连通层生成输入数据中所有所需分类结果的预测概率；Conv1D层在其每个通道中都有一个模式或形状模板，并通过卷积将模式与输入进行匹配。
8.根据权利要求7所述的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，其特征在于，步骤六具体过程如下：
根据步骤四中所划分的训练数据集和验证数据集，利用样本数据集直接在影像中提取不同树种的像元作为训练样本，进行模型分类；通过不断调整和优化模型参数，获得能够实现最优分类的深度学习模型。
9.根据权利要求8所述的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，其特征在于，步骤七具体过程如下：
利用步骤五中的验证数据集开展针对不同模型分类结果的精度评价，评价指标包括总体精度、用户精度、生产者精度和Kappa系数。
10.根据权利要求9所述的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，其特征在于，步骤八具体过程如下：
依据不同模型分类结果进行森林树种分类制图，剔除研究区内的非森林地区，将深度学习模型运行出的结果进行制图和规范化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111029158.8A CN113869370A (zh) | 2021-09-03 | 2021-09-03 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111029158.8A CN113869370A (zh) | 2021-09-03 | 2021-09-03 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113869370A true CN113869370A (zh) | 2021-12-31 |
Family
ID=78989438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111029158.8A Withdrawn CN113869370A (zh) | 2021-09-03 | 2021-09-03 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869370A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205682A (zh) * | 2022-07-04 | 2022-10-18 | 中国矿业大学(北京) | 一种ndvi最大值遥感数据产品无缝生产处理方法 |
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
| CN115471753A (zh) * | 2022-08-01 | 2022-12-13 | 北京观微科技有限公司 | 一种结合专家知识和机器学习的树种精细分层分类方法 |
| CN116883853A (zh) * | 2023-01-12 | 2023-10-13 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263735A (zh) * | 2019-06-25 | 2019-09-20 | 北京林业大学 | 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 |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
-
2021
- 2021-09-03 CN CN202111029158.8A patent/CN113869370A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263735A (zh) * | 2019-06-25 | 2019-09-20 | 北京林业大学 | 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 |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郗延彪: "《基于Sentinel时序数据和深度学习算法的森林树种分类研究》", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 1 - 5 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205682A (zh) * | 2022-07-04 | 2022-10-18 | 中国矿业大学(北京) | 一种ndvi最大值遥感数据产品无缝生产处理方法 |
| CN115471753A (zh) * | 2022-08-01 | 2022-12-13 | 北京观微科技有限公司 | 一种结合专家知识和机器学习的树种精细分层分类方法 |
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
| CN116883853A (zh) * | 2023-01-12 | 2023-10-13 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
| CN116883853B (zh) * | 2023-01-12 | 2024-05-28 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113869370A (zh) | 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 | |
| US10095995B2 (en) | Apparatus for and method of forest-inventory management | |
| Hartling et al. | Urban tree species classification using UAV-based multi-sensor data fusion and machine learning | |
| CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
| CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
| Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
| CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
| CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
| Adam | Integration of remote sensing and GIS in studying vegetation trends and conditions in the gum Arabic belt in North Kordofan, Sudan | |
| Zhu et al. | Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models | |
| CN112668534A (zh) | 基于数字正射影像和数字表面模型反演林区植被高度的方法 | |
| Ghofrani et al. | Evaluating coverage changes in national parks using a hybrid change detection algorithm and remote sensing | |
| Johansen et al. | Mapping banana plantations from object-oriented classification of SPOT-5 imagery | |
| Chen et al. | An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data | |
| Gascon et al. | The application of medium-resolution MERIS satellite data for continental land-cover mapping over South America | |
| Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
| Berveglieri et al. | Forest cover change analysis based on temporal gradients of the vertical structure and density | |
| CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
| CN114463642A (zh) | 一种基于深度学习的耕地地块提取方法 | |
| CN113705454A (zh) | 一种包含红外光谱遥感影像的有林地提取方法 | |
| CN117456351B (zh) | 一种星空地协同的滨海湿地盐沼植被碳储量估算方法 | |
| Li et al. | Application of High‐Resolution Remote Sensing Image for Individual Tree Identification of Pinus sylvestris and Pinus tabulaeformis | |
| Wang et al. | Stand density extraction and analysis of plantations based on QuickBird and Worldview-2 images | |
| Blake | Mapping Seven Urban Tree Species Using a WorldView-3 Multispectral Satellite Image across the Denver Metropolitan Landscape |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211231 |
|
| WW01 | Invention patent application withdrawn after publication |