CN117975292B - 一种温带森林沼泽提取方法 - Google Patents
一种温带森林沼泽提取方法 Download PDFInfo
- Publication number
- CN117975292B CN117975292B CN202410337904.7A CN202410337904A CN117975292B CN 117975292 B CN117975292 B CN 117975292B CN 202410337904 A CN202410337904 A CN 202410337904A CN 117975292 B CN117975292 B CN 117975292B
- Authority
- CN
- China
- Prior art keywords
- forest
- temperate
- remote sensing
- sample
- shap
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 51
- 230000003287 optical effect Effects 0.000 claims abstract description 22
- 230000005012 migration Effects 0.000 claims abstract description 18
- 238000013508 migration Methods 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 239000000523 sample Substances 0.000 claims description 59
- 238000001228 spectrum Methods 0.000 claims description 49
- 102100023490 Inter-alpha-trypsin inhibitor heavy chain H1 Human genes 0.000 claims description 27
- 108010093564 inter-alpha-inhibitor Proteins 0.000 claims description 27
- 230000010287 polarization Effects 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000012876 topography Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000013074 reference sample Substances 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 229910044991 metal oxide Inorganic materials 0.000 claims description 3
- 150000004706 metal oxides Chemical class 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biodiversity & Conservation Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明是一种温带森林沼泽提取方法。本发明涉及湿地遥感提取技术领域,本发明基于雷达和光学卫星,获取多源遥感影像;构建多源遥感影像的温带森林沼泽特征向量集;进行温带森林沼泽样本迁移;建立基于SHAP‑DNN框架的温带森林沼泽智能分类模型;基于建立的分类模型,进行温带森林沼泽提取。本发明将加深对于温带森林沼泽遥感识别机理的理解,提高模型分类精度。
Description
技术领域
本发明涉及湿地遥感提取技术领域,是一种温带森林沼泽提取方法。
背景技术
温带森林沼泽广泛分布于冻土区,是我国北方重要的湿地类型之一,在水源涵养、生物多样性保护和生态系统固碳等方面发挥着重要作用。但随着全球气候变暖和人类活动的影响,多年冻土逐渐退化,导致森林沼泽空间分布发生明显变化。准确快速获取温带森林沼泽空间分布和变化特征信息,是了解冻土区生态系统结构变化的重要基础,对于温带森林沼泽资源管理和生态系统保护具有重要的科学意义。
受光学影像对于森林冠层穿透性较差等因素的影响,森林沼泽是最难提取的湿地类型之一,是湿地遥感分类研究的难点。应用多源遥感大数据解析森林沼泽与森林的植被物候等时间序列特征和雷达散射特征的差异,是区分两者的科学基础。已有发明受数据源和分类方法的限制,在温带森林沼泽遥感分类方面具有明显的不足,其分类多采用单一数据源,且未对机器学习算法进行可解释分析,均未将温带森林沼泽的物候等时序特征、地形和水文等综合特征信息应用于森林沼泽的精准分类;温带森林沼泽的遥感识别机理未得到有效探索。
发明内容
本发明将集成应用Sentinel-2光学时间序列数据、Sentinel-1-C波段和ALOS-2PALSAR-2-L波段雷达数据及地形数据,构建集物候等时序特征、光谱特征、极化特征、地形特征等为一体的遥感分类特征向量集,基于可解释深度神经网络(SHAP-DNN)框架的温带森林沼泽遥感分类智能模型。将为大尺度森林沼泽信息精准提取提供关键技术参考,为冻土区森林沼泽资源管理和保护提供科学数据支撑。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本发明提供了一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法,本发明提供了以下技术方案:
一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法,所述方法包括以下步骤:
步骤1、基于雷达和光学卫星,获取多源遥感影像;
步骤2、构建多源遥感影像的温带森林沼泽特征向量集;
步骤3、进行温带森林沼泽样本迁移;
步骤4、建立基于SHAP-DNN框架的温带森林沼泽智能分类模型;
步骤5、基于建立的分类模型,进行温带森林沼泽提取。
优选地,所述步骤1具体为:
基于Google Earth Engine平台,获取Sentinel-2光学影像、Sentinel-1与ALOS-2雷达数据和DEM数据,基于Google Earth Engine平台,对获取的影像进行去云、去无效值处理,使用中值影像合成方法,最终创建长时间序列逐年的高质量影像集。
优选地,所述步骤2具体为:
基于雷达和光学卫星,从极化特征、光谱特征、物候特征和地形特征来构建温带森林沼泽遥感分类的特征向量集;
极化特征包括VV、VH、HH和HV,依托单极化构建的极化指数包括差异指数SAR_diff、综合指数SAR_sum、比值指数SAR_ratio、归一化指数SAR_ndvi、比值指数1SAR_ratio1和冠层结构指数CSI;
建立的光谱特征量除包含Sentinel-2影像的光谱波段外,还包括2个植被指数NDVI和EVI和2个水体指数NDWI和mNDWI;应用二项傅立叶函数对原始的NDVI和EVI时间序列堆栈进行曲线拟合,抑制遥感影像中的噪声;
利用基于GEE的最小二乘法来获取最优的拟合系数,使用截断法确定了8个物候参数,包括生长季开始期SOS、生长季结束期EOS、生长季中期MOS、生长季长度LOS、基准值BV、季节性振幅SA、季初增长率IRS与季末递减率DRS,开展温带森林沼泽分类;
地形特征包括地形指数TWI、地形粗糙度指数TRI、地形位置指数TPI、高程DEM和坡度Slope。
优选地,所述步骤3具体为:
步骤3.1:在不同时间缺乏一致的训练样本是多时相温带森林沼泽监测的一个主要限制,样本迁移可以基于遥感影像特征的变化情况,判断样本记录时间和遥感影像的获取时间之间地物对象是否发生变化;无变化的样本可直接将时间进行归一化;通过计算参考年和目标年的样本点所在位置在影像各波段及各时空特征向量上的特征值,包括单幅影像获取的极化、光谱、纹理、地形特征和基于时间序列影像的样本点在目标年份中NDVI、NDWI的动态变化;
步骤3.2:通过测量参考样本和迁移样本之间的光谱角距离和欧几里得距离,检测并识别目标年份样本的像素变化;若二者之间的距离值在合理的阈值范围内,则表明通过样本迁移获得的温带森林沼泽样本具有可用性;保留距离值在合理阈值范围内的样本点作为目标年的样本点,即可生成目标年份的温带森林沼泽样本集,距离度量的计算通过下式表示:
SAD=cosθ (1)
其中,SAD为参考光谱与目标光谱的光谱角距离,ED为参考光谱与目标光谱之间的欧几里得距离;θ为光谱角,Hi(t1)为样本点所在位置的像素在获取时间为t1的参考影像上的光谱,Ji(t2)为样本点所在位置的像素在获取时间为t2的目标影像上的光谱,N为参考影像与目标影像的波段个数;i为当前影像波段索引,其阈值范围为[1,N]。
优选地,所述步骤4具体为:
DNN内部结构主要包括:输入层、隐藏层和输出层,以向量作为输入和输出,输入向量的每个分量对应识别单元的一个特征,如光谱波段,或是衍生特征植被指数、水体指数和物候特征;在GEE云平台上调用基于Python语言和TensorFlow深度学习框架构建的端到端的深度神经网络模型,从高维遥感数据中自动提取具有高可分性和区域适应性的时空谱特征,来实现快速、大范围、高精度的温带森林沼泽分类;
通过构建SHAP框架,定量化表征每个特征对最终预测值的影响,SHAP值表示每个特征向量对温带森林沼泽分类的贡献情况,SHAP值越大表明该特征对于分类结果的贡献越大,计算公式如下:
其中,M为特征向量的个数,F为所有特征的集合,f为被解释的模型,f(S)=E[f(x)|xS],xi为一个被解释的特征向量实例,xi'为特征向量中的第i个特征,S为F\{xi'}的子集,为第i个特征的SHAP值;
利用SHAP相互作用指标来寻找影响因素,的计算式为:
其中,i与j为被解释的特征且i≠j,δij的计算式为:
对所有的特征进行计算,便可以得到一个维度为M×M的矩阵,其中数值最大的数对应的位置代表这两个特征的相互影响最大。
优选地,SHAP解释框架先对模型的中间过程和预测结果,给出局部解释和全局解释,局部解释分析模型中的重要特征,而全局解释会展示特征的值与最终的识别结果之间的关系;对于局部解释,给出影响最终温带森林沼泽分类结果的重要特征。
优选地,通过结合局部解释和全局解释,对模型的决策进一步优化;基于SHAP-DNN模型,最终获取温带森林沼泽数据集。
一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取划系统,所述系统包括:
影像获取模块,所述影像获取模块基于雷达和光学卫星,获取多源遥感影像;
向量集构建模块,所述向量集构建模块构建多源遥感影像的温带森林沼泽特征向量集;
迁移模块,所述迁移模块进行温带森林沼泽样本迁移;
模型建立模块,所述模型建立模块建立基于SHAP-DNN框架的温带森林沼泽智能分类模型;
沼泽提取模块,所述沼泽提取模块基于建立的分类模型,进行温带森林沼泽提取。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法。
本发明具有以下有益效果:
本发明与现有技术相比:
本发明基于的深度神经网络(Deep Neural Network,DNN)是当前技术最新和应用热点较强的深度学习算法之一,具有强大的表达能力和泛化能力,能够处理高维遥感大数据并具有较好分类精度。但深度神经网络天然复杂度高、透明度低,对普通人来说就像“黑盒”一般,人们无法理解模型的决策机理。可解释性是人类能够理解决策原因的程度,SHAP(SHapley Additive exPlanation)可解释性方法能表征每个特征对最终预测值的影响,增加模型的可解释性,是目前最通用的机器学习可解释性方法。通过对深度神经网络模型进行可解释性研究,使得模型计算过程透明化,避免了对于因果关系的不可解释。将可解释深度神经网络(SHAP-DNN)运用到森林沼泽分类研究中,挖掘出关键影响因子,有利于分类模型的调试和改进,将加深对于温带森林沼泽遥感识别机理的理解,提高模型分类精度。
SHAP-DNN方法提供了对深度神经网络模型决策机理的解释。传统的深度神经网络常常被视为黑盒,难以理解其背后的决策原因。然而,通过SHAP-DNN方法,本发明可以了解每个特征(极化特征、光谱特征、物候特征和地形特征)对最终预测值的影响程度,从而使模型的决策过程更加透明化。
其次,通过SHAP-DNN方法,本发明能够挖掘出关键影响因子。这意味着本发明可以识别出在森林沼泽分类中最为重要的特征,这些特征(极化特征)对于准确分类起着关键作用。通过针对这些关键影响因子进行优化,本发明可以提高模型的分类精度,使其更好地适应温带森林沼泽的遥感识别任务。
此外,SHAP-DNN方法还有助于加深对温带森林沼泽遥感识别机理的理解。通过分析模型中各个特征的贡献度,本发明可以更好地理解这些特征(极化特征、光谱特征、物候特征和地形特征)与森林沼泽之间的关联关系。这有助于揭示遥感图像中不同特征与森林沼泽类型之间的联系,进一步提升本发明对该领域的认知水平。
最后,采用SHAP-DNN方法还可以提高模型的鲁棒性和泛化能力。通过了解特征对预测结果的影响,本发明可以识别出模型在哪些情况下可能会出现错误分类或不确定性较高的情况,并针对这些情况进行改进和优化,使模型更加稳健可靠,本方法可以提高温带森林沼泽的分类精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法的流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
根据图1所示,本发明为解决上述技术问题采取的具体优化技术方案是:本发明涉及一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法。
一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法,所述方法包括以下步骤:
步骤1、基于雷达和光学卫星,获取多源遥感影像;
步骤2、构建多源遥感影像的温带森林沼泽特征向量集;
步骤3、进行温带森林沼泽样本迁移;
步骤4、建立基于SHAP-DNN框架的温带森林沼泽智能分类模型;
步骤5、基于建立的分类模型,进行温带森林沼泽提取。
具体实施例二:
本申请实施例二与实施例一的区别仅在于:
所述步骤1具体为:
基于Google Earth Engine平台,获取Sentinel-2光学影像、Sentinel-1与ALOS-2雷达数据和DEM数据,基于Google Earth Engine平台,对获取的影像进行去云、去无效值处理,使用中值影像合成方法,最终创建长时间序列逐年的高质量影像集。
具体实施例三:
本申请实施例三与实施例二的区别仅在于:
所述步骤2具体为:
基于雷达和光学卫星,从极化特征、光谱特征、物候特征和地形特征来构建温带森林沼泽遥感分类的特征向量集;
极化特征包括VV、VH、HH和HV,依托单极化构建的极化指数包括差异指数SAR_diff、综合指数SAR_sum、比值指数SAR_ratio、归一化指数SAR_ndvi、比值指数1SAR_ratio1和冠层结构指数CSI;
建立的光谱特征量除包含Sentinel-2影像的光谱波段外,还包括2个植被指数NDVI和EVI和2个水体指数NDWI和mNDWI;应用二项傅立叶函数对原始的NDVI和EVI时间序列堆栈进行曲线拟合,抑制遥感影像中的噪声;
利用基于GEE的最小二乘法来获取最优的拟合系数,使用截断法确定了8个物候参数,包括生长季开始期SOS、生长季结束期EOS、生长季中期MOS、生长季长度LOS、基准值BV、季节性振幅SA、季初增长率IRS与季末递减率DRS,开展温带森林沼泽分类;
地形特征包括地形指数TWI、地形粗糙度指数TRI、地形位置指数TPI、高程DEM和坡度Slope。
具体实施例四:
本申请实施例四与实施例三的区别仅在于:
所述步骤3具体为:
步骤3.1:在不同时间缺乏一致的训练样本是多时相温带森林沼泽监测的一个主要限制,样本迁移可以基于遥感影像特征的变化情况,判断样本记录时间和遥感影像的获取时间之间地物对象是否发生变化;无变化的样本可直接将时间进行归一化;通过计算参考年和目标年的样本点所在位置在影像各波段及各时空特征向量上的特征值,包括单幅影像获取的极化、光谱、纹理、地形特征和基于时间序列影像的样本点在目标年份中NDVI、NDWI的动态变化;
步骤3.2:通过测量参考样本和迁移样本之间的光谱角距离和欧几里得距离,检测并识别目标年份样本的像素变化;若二者之间的距离值在合理的阈值范围内,则表明通过样本迁移获得的温带森林沼泽样本具有可用性;保留距离值在合理阈值范围内的样本点作为目标年的样本点,即可生成目标年份的温带森林沼泽样本集,距离度量的计算通过下式表示:
SAD=cosθ (1)
其中,SAD为参考光谱与目标光谱的光谱角距离,ED为参考光谱与目标光谱之间的欧几里得距离;θ为光谱角,Hi(t1)为样本点所在位置的像素在获取时间为t1的参考影像上的光谱,Ji(t2)为样本点所在位置的像素在获取时间为t2的目标影像上的光谱,N为参考影像与目标影像的波段个数;i为当前影像波段索引,其阈值范围为[1,N]。
具体实施例五:
本申请实施例五与实施例四的区别仅在于:
所述步骤4具体为:
DNN内部结构主要包括:输入层、隐藏层和输出层,以向量作为输入和输出,输入向量的每个分量对应识别单元的一个特征,如光谱波段,或是衍生特征植被指数、水体指数和物候特征;在GEE云平台上调用基于Python语言和TensorFlow深度学习框架构建的端到端的深度神经网络模型,从高维遥感数据中自动提取具有高可分性和区域适应性的时空谱特征,来实现快速、大范围、高精度的温带森林沼泽分类;
通过构建SHAP框架,定量化表征每个特征对最终预测值的影响,SHAP值表示每个特征向量对温带森林沼泽分类的贡献情况,SHAP值越大表明该特征对于分类结果的贡献越大,计算公式如下:
其中,M为特征向量的个数,F为所有特征的集合,f为被解释的模型,f(S)=E[f(x)|xS],xi为一个被解释的特征向量实例,xi'为特征向量中的第i个特征,S为F\{xi'}的子集,为第i个特征的SHAP值;
利用SHAP相互作用指标来寻找影响因素,的计算式为:
其中,i与j为被解释的特征且i≠j,δij的计算式为:
对所有的特征进行计算,便可以得到一个维度为M×M的矩阵,其中数值最大的数对应的位置代表这两个特征的相互影响最大。
具体实施例六:
本申请实施例六与实施例五的区别仅在于:
SHAP解释框架先对模型的中间过程和预测结果,给出局部解释和全局解释,局部解释分析模型中的重要特征,而全局解释会展示特征的值与最终的识别结果之间的关系;对于局部解释,给出影响最终温带森林沼泽分类结果的重要特征。
具体实施例七:
本申请实施例七与实施例六的区别仅在于:
通过结合局部解释和全局解释,对模型的决策进一步优化;基于SHAP-DNN模型,最终获取温带森林沼泽数据集。
具体实施例八:
本申请实施例八与实施例七的区别仅在于:
本发明提供一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取划系统,所述系统包括:
影像获取模块,所述影像获取模块基于雷达和光学卫星,获取多源遥感影像;
向量集构建模块,所述向量集构建模块构建多源遥感影像的温带森林沼泽特征向量集;
迁移模块,所述迁移模块进行温带森林沼泽样本迁移;
模型建立模块,所述模型建立模块建立基于SHAP-DNN框架的温带森林沼泽智能分类模型;
沼泽提取模块,所述沼泽提取模块基于建立的分类模型,进行温带森林沼泽提取。
具体实施例九:
本申请实施例九与实施例八的区别仅在于:
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法。
所述方法包括以下步骤:
本发明涉及到遥感技术、生态学、地理信息系统等领域,尤其涉及一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法。该发明技术方法包括:
1多源遥感影像的温带森林沼泽特征向量集构建
森林沼泽和森林光谱特征相似,光谱可分性相对较差,准确区分森林沼泽和森林是精准提取森林沼泽的重要难点。应用多源遥感大数据解析森林沼泽与森林在植被类型、结构和物候等时间序列特征方面存在的差异是区分两者的理论基础。合成孔径雷达SAR(Synthetic Aperture Radar)具有全天时、全天候、穿透云雾等特点,能获取不同于光学影像的地物信息,已被证明是森林沼泽制图的最优数据源之一;SAR能够穿透林木冠层探测冠层下的湿地水文信息,对地表水和土壤湿度变化较敏感。此外,SAR对植被的物理结构敏感,可以使用密集的时间序列堆栈检测森林沼泽的动态特征。光学影像对植被的生物化学属性敏感,可以通过测量特定波长范围内林木(和其他表面)对太阳辐射的光谱响应信号,捕捉植被类型和植被生产力的变化;且光学数据覆盖范围广,时间、空间、光谱分辨率较高。此外,森林沼泽常存在于平坦或低洼地区及江河湖泊等水文地貌周围,地形数据可以提供有关驱动湿地形成的水文信息。因此,从理论上讲,SAR、光学并辅以地形和水文等环境数据能提供反映森林沼泽分布的丰富信息,使得森林沼泽遥感制图具有可行性。
光学卫星采用Sentine-2影像。雷达采样Sentine-1-C波段与ALOS-2-L波段的影像。地形数据采用NASA DEM影像。ALOS-2是目前唯一在轨运行的L波段雷达卫星,重访周期14天,可免费获取数据的空间分辨率为25m;L波段比C波段雷达数据穿透林木冠层的能力更强,并保持了对土壤湿度和水文动态的敏感性,对森林沼泽分类效果更好。Sentine-1-C波段与ALOS-2-L波段的结合,既能增强对森林冠层的后向散射强度,又能保证雷达数据的时序特征。
基于以上多源遥感影像,从极化特征、光谱特征、物候特征和地形特征来构建温带森林沼泽遥感分类的特征向量集。
2基于SHAP-DNN框架的温带森林沼泽智能分类模型
深度神经网络(Deep Neural Network,DNN)是当前技术最新和应用热点较强的深度学习算法之一,具有强大的表达能力和泛化能力,能够处理高维遥感大数据并具有较好分类精度。但深度神经网络天然复杂度高、透明度低,对普通人来说就像“黑盒”一般,人们无法理解模型的决策机理。可解释性是人类能够理解决策原因的程度,SHAP(SHapleyAdditive exPlanation)可解释性方法能表征每个特征对最终预测值的影响,增加模型的可解释性,是目前最通用的机器学习可解释性方法。通过对深度神经网络模型进行可解释性研究,使得模型计算过程透明化,避免了对于因果关系的不可解释。将可解释深度神经网络(SHAP-DNN)运用到森林沼泽分类研究中,挖掘出关键影响因子,有利于分类模型的调试和改进,将加深对于温带森林沼泽遥感识别机理的理解,提高模型分类精度。
具体实施例十:
本申请实施例十与实施例九的区别仅在于:
本发明提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其所述处理器执行所述计算机程序时实现一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法。
本发明的技术方案是提供一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法,具体包括以下步骤:
参考图1,本实例公开了一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法。本发明聚焦温带森林沼泽与森林的光谱可分性弱等问题,集成应用时间序列Sentinel-2光学影像和Sentinel-1与ALOS-2雷达数据,依托GEE云平台和机器学习算法,解析温带森林沼泽的遥感识别机理;构建基于光谱、散射系数、物候和地形等的遥感分类特征向量集,研发基于可解释深度神经网络(SHAP-DNN)框架的温带森林沼泽遥感分类方法和智能模型,实现温带森林沼泽逐年空间分布信息的提取。基于多源卫星影像和云计算平台的温带森林沼泽监测方法按照以下步骤进行:
步骤1多源遥感影像获取:
基于Google Earth Engine平台,获取Sentinel-2光学影像、Sentinel-1与ALOS-2雷达数据和DEM数据。基于Google Earth Engine平台,对获取的影像进行去云、去无效值等处理,使用中值影像合成方法,最终创建长时间序列逐年的高质量影像集。
步骤2特征向量集构建:
本发明主要基于雷达和光学卫星,从极化特征、光谱特征、物候特征和地形特征来构建温带森林沼泽遥感分类的特征向量集(表1)。极化特征包括VV、VH、HH和HV,依托单极化构建的极化指数包括差异指数(SAR_diff)、综合指数(SAR_sum)、比值指数(SAR_ratio)、归一化指数(SAR_ndvi)、比值指数1(SAR_ratio1)和冠层结构指数(CSI)。本研究建立的光谱特征量除包含Sentinel-2影像的光谱波段外,还包括2个植被指数(NDVI和EVI)和2个水体指数(NDWI和mNDWI);应用二项傅立叶函数对原始的NDVI和EVI时间序列堆栈进行曲线拟合,能有效地抑制遥感影像中的噪声。利用基于GEE的最小二乘法来获取最优的拟合系数,然后使用截断法确定了8个物候参数,包括生长季开始期(SOS)、生长季结束期(EOS)、生长季中期(MOS)、生长季长度(LOS)、基准值(BV)、季节性振幅(SA)、季初增长率(IRS)与季末递减率(DRS),开展温带森林沼泽分类,分别对应点a、b、c、d、e、f、g和h。地形特征包括地形指数(TWI)、地形粗糙度指数(TRI)、地形位置指数(TPI)、高程(DEM)和坡度(Slope)。
表1基于多源遥感卫星数据的温带森林沼泽遥感分类主要特征向量
步骤3温带森林沼泽样本迁移:
在不同时间缺乏一致的训练样本是多时相温带森林沼泽监测的一个主要限制。样本迁移可以基于遥感影像特征的变化情况,判断样本记录时间和遥感影像的获取时间之间地物对象是否发生变化;无变化的样本可直接将时间进行归一化。首先通过计算参考年和目标年的样本点所在位置在影像各波段及各时空特征向量上的特征值,包括单幅影像获取的极化、光谱、纹理、地形等特征和基于时间序列影像的样本点在目标年份中NDVI、NDWI的动态变化;其次通过测量参考样本和迁移样本之间的光谱角距离和欧几里得距离,检测并识别目标年份样本的像素变化;若二者之间的距离值在合理的阈值范围内,则表明通过样本迁移获得的温带森林沼泽样本具有可用性;保留距离值在合理阈值范围内的样本点作为目标年的样本点,即可生成目标年份的温带森林沼泽样本集。其距离度量的计算公式如下:
SAD=cosθ (1)
式中,SAD为参考光谱与目标光谱的光谱角距离,ED为参考光谱与目标光谱之间的欧几里得距离;θ为光谱角,Hi(t1)为样本点所在位置的像素在获取时间为t1的参考影像上的光谱,Ji(t2)为样本点所在位置的像素在获取时间为t2的目标影像上的光谱,N为参考影像与目标影像的波段个数;i为当前影像波段索引,其阈值范围为[1,N]。步骤4基于SHAP-DNN框架的温带森林沼泽智能分类模型“”
深度神经网络
深度神经网络(Deep Nerual Network,DNN)是一种拟合复杂非线性关系的深度学习模型,已被广泛应用于图像处理和分类等任务。DNN内部结构主要包括三个方面:输入层、隐藏层和输出层。DNN以向量作为输入和输出,输入向量的每个分量对应识别单元的一个特征,如光谱波段,或是衍生特征(植被指数、水体指数和物候特征);输出向量的每个分量对应一个概率值,表示识别单元属于不同类别的概率。输入向量经非线性变换后生成输出向量,同时作为下一层的输入,向量在隐藏层中经过多个非线性函数的复合变换,从高维数据中提取关键的时空谱特征和物候阶段并计算最佳概率的分类结果。DNN能够通过多层神经网络提取更抽象的特征,挖掘相似类别中的不敏感信息,因此比线性函数或传统非线性函数具有更高的识别精度和分类表现,更适用于高维遥感数据的分类与处理。在GEE云平台上调用基于Python语言和TensorFlow深度学习框架构建的端到端的深度神经网络模型,从高维遥感数据中自动提取具有高可分性和区域适应性的时空谱特征,来实现快速、大范围、高精度的温带森林沼泽分类。
SHAP-DNN可解释框架
DNN因其复杂体系结构和网络内部逻辑无法直接解释和理解,即“黑箱问题”,难以通过逐层神经网络或逐个神经元观察特征的变化。特别是对于信噪比较低的领域,噪声容易被拟合,错误不易被发现,模型可解释性较低。本发明通过构建SHAP框架,对DNN模型给出局部解释和全局解释,从而有效的改善模型的透明度。SHAP方法
基于合作博弈理论,定量化表征每个特征对最终预测值的影响,增加了模型的可解释性。SHAP值表示每个特征向量对温带森林沼泽分类的贡献情况,SHAP值越大表明该特征对于分类结果的贡献越大,计算公式如下:
其中,M为特征向量的个数,F为所有特征的集合,f为被解释的模型,f(S)=E[f(x)|xS],xi为一个被解释的特征向量实例,xi'为特征向量中的第i个特征,S为F\{xi'}的子集,为第i个特征的SHAP值。
为了探寻特征之间的相互影响,利用SHAP相互作用指标来寻找影响因素,的计算式为:
式中i与j为被解释的特征且i≠j,δij的计算式为:
对所有的特征进行计算,便可以得到一个维度为M×M的矩阵,其中数值最大的数对应的位置代表这两个特征的相互影响最大。
SHAP解释框架先对模型的中间过程和预测结果,给出局部解释和全局解释。局部解释可以分析模型中的重要特征,而全局解释会展示特征的值与最终的识别结果之间的关系。对于局部解释,会给出影响最终温带森林沼泽分类结果的重要特征,以及哪些特征使得最后识别结果的概率上升,哪些特征使得最后识别结果的概率下降。通过结合局部解释和全局解释,使本发明对模型的决策和进一步优化有深层次理解。基于SHAP-DNN模型。最终获取温带森林沼泽数据集。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述仅是一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法的优选实施方式,一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (6)
1.一种基于多源遥感协同SHAP-DNN框架的温带森林沼泽提取方法,其特征是:所述方法包括以下步骤:
步骤1、基于雷达和光学卫星,获取多源遥感影像;
步骤2、构建多源遥感影像的温带森林沼泽特征向量集;
所述步骤2具体为:
基于雷达和光学卫星,从极化特征、光谱特征、物候特征和地形特征来构建温带森林沼泽遥感分类的特征向量集;
极化特征包括VV、VH、HH和HV,依托单极化构建的极化指数包括差异指数SAR_diff、综合指数SAR_sum、比值指数SAR_ratio、归一化指数SAR_ndvi、比值指数1SAR_ratio1和冠层结构指数CSI;
建立的光谱特征量除包含Sentinel-2影像的光谱波段外,还包括2个植被指数NDVI和EVI和2个水体指数NDWI和mNDWI;应用二项傅立叶函数对原始的NDVI和EVI时间序列堆栈进行曲线拟合,抑制遥感影像中的噪声;
利用基于GEE的最小二乘法来获取最优的拟合系数,使用截断法确定了8个物候参数,包括生长季开始期SOS、生长季结束期EOS、生长季中期MOS、生长季长度LOS、基准值BV、季节性振幅SA、季初增长率IRS与季末递减率DRS,开展温带森林沼泽分类;
地形特征包括地形指数TWI、地形粗糙度指数TRI、地形位置指数TPI、高程DEM和坡度Slope;
步骤3、进行温带森林沼泽样本迁移;
步骤4、建立基于SHAP-DNN框架的温带森林沼泽智能分类模型;
步骤5、基于建立的分类模型,进行温带森林沼泽提取。
2.根据权利要求1所述的方法,其特征是:所述步骤1具体为:
基于Google Earth Engine平台,获取Sentinel-2光学影像、Sentinel-1与ALOS-2雷达数据和DEM数据,基于Google Earth Engine平台,对获取的影像进行去云、去无效值处理,使用中值影像合成方法,最终创建长时间序列逐年的高质量影像集。
3.根据权利要求1所述的方法,其特征是:所述步骤3具体为:
步骤3.1:在不同时间缺乏一致的训练样本是多时相温带森林沼泽监测的一个限制,样本迁移基于遥感影像特征的变化情况,判断样本记录时间和遥感影像的获取时间之间地物对象是否发生变化;无变化的样本可直接将时间进行归一化;通过计算参考年和目标年的样本点所在位置在影像各波段及各时空特征向量上的特征值,包括单幅影像获取的极化、光谱、纹理、地形特征和基于时间序列影像的样本点在目标年份中NDVI、NDWI的动态变化;
步骤3.2:通过测量参考样本和迁移样本之间的光谱角距离和欧几里得距离,检测并识别目标年份样本的像素变化;若二者之间的距离值在合理的阈值范围内,则表明通过样本迁移获得的温带森林沼泽样本具有可用性;保留距离值在合理阈值范围内的样本点作为目标年的样本点,即可生成目标年份的温带森林沼泽样本集,距离度量的计算通过下式表示:
SAD=cosθ (1)
其中,SAD为参考光谱与目标光谱的光谱角距离,ED为参考光谱与目标光谱之间的欧几里得距离;θ为光谱角,Hi(t1)为样本点所在位置的像素在获取时间为t1的参考影像上的光谱,Ji(t2)为样本点所在位置的像素在获取时间为t2的目标影像上的光谱,N为参考影像与目标影像的波段个数;i为当前影像波段索引,其阈值范围为[1,N]。
4.根据权利要求3所述的方法,其特征是:所述步骤4具体为:
DNN内部结构包括:输入层、隐藏层和输出层,以向量作为输入和输出,输入向量的每个分量对应识别单元的一个特征,光谱波段,或是衍生特征植被指数、水体指数和物候特征;在GEE云平台上调用基于Python语言和TensorFlow深度学习框架构建的端到端的深度神经网络模型,从高维遥感数据中自动提取具有高可分性和区域适应性的时空谱特征,来实现快速、大范围、高精度的温带森林沼泽分类;
通过构建SHAP框架,定量化表征每个特征对最终预测值的影响,SHAP值表示每个特征向量对温带森林沼泽分类的贡献情况,SHAP值越大表明该特征对于分类结果的贡献越大,计算公式如下:
其中,M为特征向量的个数,F为所有特征的集合,f为被解释的模型,f(S)=E[f(x)|xS],xi为一个被解释的特征向量实例,xi′为特征向量中的第i个特征,S为F\{xi′}的子集,为第i个特征的SHAP值;
利用SHAP相互作用指标来寻找影响因素,的计算式为:
其中,i与j为被解释的特征且i≠j,δij的计算式为:
对所有的特征进行计算,便得到一个维度为M×M的矩阵,其中数值最大的数对应的位置代表这两个特征的相互影响最大。
5.根据权利要求4所述的方法,其特征是:
SHAP解释框架先对模型的中间过程和预测结果,给出局部解释和全局解释,局部解释分析模型中的重要特征,而全局解释会展示特征的值与最终的识别结果之间的关系;对于局部解释,给出影响最终温带森林沼泽分类结果的重要特征。
6.根据权利要求5所述的方法,其特征是:
通过结合局部解释和全局解释,对模型的决策优化;基于SHAP-DNN模型,最终获取温带森林沼泽数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410337904.7A CN117975292B (zh) | 2024-03-25 | 2024-03-25 | 一种温带森林沼泽提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410337904.7A CN117975292B (zh) | 2024-03-25 | 2024-03-25 | 一种温带森林沼泽提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117975292A CN117975292A (zh) | 2024-05-03 |
CN117975292B true CN117975292B (zh) | 2024-06-14 |
Family
ID=90864911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410337904.7A Active CN117975292B (zh) | 2024-03-25 | 2024-03-25 | 一种温带森林沼泽提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975292B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611997A (zh) * | 2023-11-20 | 2024-02-27 | 浙江农林大学 | 一种可解释的森林地上生物量遥感估算方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145885B (zh) * | 2018-10-11 | 2020-09-15 | 北京师范大学 | 一种大尺度农作物遥感分类方法及系统 |
CN109472304B (zh) * | 2018-10-30 | 2021-04-16 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
CN114037911B (zh) * | 2022-01-06 | 2022-04-15 | 武汉大学 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
CN115205675B (zh) * | 2022-06-29 | 2023-05-16 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据的森林变化驱动力分类方法 |
CN115527123B (zh) * | 2022-10-21 | 2023-05-05 | 河北省科学院地理科学研究所 | 一种基于多源特征融合的土地覆被遥感监测方法 |
CN115861790A (zh) * | 2022-10-28 | 2023-03-28 | 中国科学院空天信息创新研究院 | 耕地遥感图像分析方法、装置、设备、存储介质及产品 |
CN117372710A (zh) * | 2023-11-10 | 2024-01-09 | 南京林业大学 | 一种基于Sentinel-2 MSI遥感影像的林窗提取方法 |
CN117541873A (zh) * | 2023-11-27 | 2024-02-09 | 北京理工大学 | 一种基于多源遥感图像的地物分类方法 |
-
2024
- 2024-03-25 CN CN202410337904.7A patent/CN117975292B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611997A (zh) * | 2023-11-20 | 2024-02-27 | 浙江农林大学 | 一种可解释的森林地上生物量遥感估算方法及装置 |
Non-Patent Citations (1)
Title |
---|
融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取;常文涛等;《湿地科学》;20200215;第10-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117975292A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Assessing of urban vegetation biomass in combination with LiDAR and high-resolution remote sensing images | |
Lu et al. | A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems | |
CN101963664B (zh) | 基于水陆地物分类信息的微波遥感混合像元分解方法 | |
Brando et al. | A physics based retrieval and quality assessment of bathymetry from suboptimal hyperspectral data | |
Zhang et al. | Soil moisture content retrieval from Landsat 8 data using ensemble learning | |
Jiang et al. | Archeological crop marks identified from Cosmo-SkyMed time series: the case of Han-Wei capital city, Luoyang, China | |
Wang et al. | Hybrid model for estimating forest canopy heights using fused multimodal spaceborne LiDAR data and optical imagery | |
Huang et al. | Forest height mapping using inventory and multi-source satellite data over Hunan Province in southern China | |
CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Zhang et al. | Synergistic use of hyperspectral imagery, Sentinel‐1 and LiDAR improves mapping of soil physical and geochemical properties at the farm‐scale | |
Guo et al. | An enhanced deep learning approach to assessing inland lake water quality and its response to climate and anthropogenic factors | |
Shi et al. | High spatial-temporal resolution estimation of ground-based global navigation satellite system interferometric reflectometry (GNSS-IR) soil moisture using the genetic algorithm back propagation (GA-BP) neural network | |
Qian et al. | Water quality monitoring and assessment based on cruise monitoring, remote sensing, and deep learning: A case study of Qingcaosha Reservoir | |
Liu et al. | Research on generic optical remote sensing products: A review of scientific exploration, technology research, and engineering application | |
Garg et al. | Digital mapping of soil landscape parameters | |
Ashphaq et al. | Preliminary examination of influence of Chlorophyll, Total Suspended Material, and Turbidity on Satellite Derived-Bathymetry estimation in coastal turbid water | |
Jia et al. | Multiresolution soil moisture products based on a spatially adaptive estimation model and CYGNSS data | |
CN117975292B (zh) | 一种温带森林沼泽提取方法 | |
Garioud et al. | Challenges in grassland mowing event detection with multimodal sentinel images | |
Yang et al. | Coupling Model-Driven and Data-Driven Methods for Estimating Soil Moisture Over Bare Surfaces With Sentinel-1A Dual-Polarized Data | |
Bian | Application of Remote Sensing for Karst Rocky Desertification in Southwest China | |
Zhang et al. | Downscaling Sentinel-3 Chlorophyll-a Concentration for Inland Lakes based on Multivariate Analysis and Gradient Boosting Decision Trees Regression | |
Felegari et al. | Prediction of total soil nitrogen variations using three machine learning approaches and remote sensing data | |
Nguyen et al. | Towards a novel high-spatial-resolution satellite rainfall product from C-band SAR Sentinel-1 over Central South Korea based on a bottom-up approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |