一种基于无人机多场景深度旋转森林的海草覆盖提取方法及系统

摘要: 本发明属于海洋遥感监测,具体涉及一种基于无人机多场景深度旋转森林的海草覆盖提取方法及系统,适用于利用无人机获取的高分辨率可见光影像,在不同环境条件(不同光照、潮...
一种基于无人机多场景深度旋转森林的海草覆盖提取方法及系统

本发明属于海洋遥感监测,具体涉及一种基于无人机多场景深度旋转森林的海草覆盖提取方法及系统,适用于利用无人机获取的高分辨率可见光影像,在不同环境条件(不同光照、潮汐、飞行高度、生长季节)下,对海草床进行物种级覆盖分类与动态监测。可广泛应用于海岸带生态调查、海草床保护与修复成效评估、蓝碳计量以及海洋空间规划等领域。

背景技术:

1、海草是生活在浅海环境中的高等被子植物,全球约60余种,常形成单种或多种混生的海草床。海草床具有重要的生态系统服务功能,包括提供海洋动物栖息与索饵场所、削弱海岸侵蚀、维持水体清洁以及高效固碳等。然而,受气候变化与人类活动双重压力影响,全球海草床正经历严重退化,亟需长期、高频次、大范围且具有物种分辨能力的监测手段。

2、传统海草监测主要依靠潜水员样方调查或水下视频记录,虽精度高,但耗费大量人力和时间,空间覆盖极为有限。卫星遥感(如landsat、sentinel-2、worldview-2)可提供中等分辨率的大范围影像,但受限于空间分辨率(米级至30米级)和重访周期,难以识别斑块状分布的海草床内部的物种组成变化。近年来,无人机(uav)平台的迅速发展为海草监测提供了新方案。无人机能够获取厘米级甚至毫米级空间分辨率的影像,且飞行灵活、成本低廉、不受云层限制,可满足高频次、精细尺度的监测需求。

3、海草覆盖提取的核心是利用遥感影像将海草床与无植被底质区分,并进一步识别不同海草物种或大型藻类。研究表明,不同海草物种在可见光波段的反射光谱形状十分相似(均表现为蓝光与红光吸收峰、绿光反射峰),其主要差异体现在绝对反射率值以及叶片纹理、斑块形态等空间特征上。因此,仅依赖光谱形状的分类算法(如光谱角填图、光谱信息散度)在海草物种识别中精度极低(通常低于30%),而面向对象的分析(obia)结合机器学习分类器特别是基于树的分类器则能获得60~90%的总体精度。

4、然而,现有方法仍存在以下不足:

5、(1)多数方法仅适用于单一环境场景,当环境条件改变时分类精度急剧下降。

6、(2)传统随机森林等集成学习方法中基树间的差异性主要来自随机的特征子集和bootstrap样本,未充分考虑特征空间的结构性旋转,难以充分利用多视图特征之间的相关性。

7、(3)关键问题是,现有旋转森林(rotation forest)或随机森林均为单层平面集成结构,即所有基分类器在同一特征层级上训练并投票,缺乏对特征的层次化、渐进式精炼能力。单层结构在处理高度相似的海草物种判别时,特征判别力的提升受到结构瓶颈的限制,且对跨场景的适应性不足。

8、(4)对于小训练样本场景,模型易过拟合,缺乏有效的层级化正则化策略。

9、深度级联旋转森林(dcrf) 正是在此背景下提出的创新算法。不同于传统单层旋转森林,dcrf通过构建多层级联架构——每一级为一个独立的旋转森林模块,后一级以前一级的输出概率与原始特征的拼接作为输入——实现了特征的层次化精炼。该架构的创新点在于:每一级旋转森林对特征进行重新旋转与投影,在渐进式特征空间中不断放大不同海草类别间的细微差异。而且跨层级的概率传递相当于引入了一种非线性特征变换,使深度集成的表示能力远超单层模型。特别是自适应深度终止机制自动确定最优级联层数,在精度与效率间取得平衡。

技术实现思路

1、为解决现有技术存在的问题,本发明提供一种基于无人机多场景深度旋转森林的海草覆盖提取方法及系统,以克服现有技术中环境适应性差、物种识别能力弱、单层集成模型特征精炼不足、小样本易过拟合等问题。

2、为实现上述目的,本发明提供了如下方案:

3、一种基于无人机多场景深度旋转森林的海草覆盖提取方法,包括以下步骤:

4、(1)无人机多场景海草影像获取。利用无人机搭载多光谱或rgb传感器,在不同环境场景下采集高分辨率海草床影像;所述环境场景至少包括不同飞行高度、不同光照条件、不同潮汐水位及不同海草生长季节;对采集的影像进行运动恢复结构sfm处理,生成高精度正射影像镶嵌图,其地面采样间距优于3 cm/pixel。

5、(2)多视图海草特征集构建。利用无人机搭载可见光传感器,在不同环境场景下采集高分辨率海草床影像;所述环境场景包括但不限于不同飞行高度(30 m至120 m)、不同光照条件(高光照、低光照)、不同潮汐水位(低潮、高潮)及不同海草生长季节(旺盛期、初期)采集影像;通过sfm处理生成高精度正射影像镶嵌图;从正射影像提取多视图特征集,包括:光谱特征(rgb波段均值与标准差)、纹理特征(灰度共生矩阵glcm的均值、同质性、对比度、熵、角二阶矩、相异性、标准差)、局部空间自相关(局部moran's i、局部geary's c、局部getis’s-ord g)空间上下文特征。

6、(3)深度级联旋转森林第1级构建。对步骤(2)构建的多尺度特征视图,采用旋转森林算法进行第一级特征空间变换;将原始特征集随机划分为个子集(优选建议),对每个子集进行主成分分析(pca),得到旋转矩阵。

7、(4)深度级联旋转森林中倾斜决策树集成:在步骤(3)构建的第一级旋转特征空间中,训练棵倾斜决策树;每棵树的非叶节点采用线性组合分裂准则,即对于旋转后特征,寻找最优权重向量和阈值,使得训练完成后,第一级输出类别概率向量(为目标类别数)。

8、(5)深度级联旋转森林深层级跨层级联与特征精炼:对于第级(),将上一级的类别概率与原始特征拼接,作为本级输入重复步骤(3)-(4)的过程,逐级精炼特征表示。

9、(6)自适应深度终止与加权级联集成:通过验证集精度监控模型的级联生长过程;当新增一级带来的精度提升低于阈值(优选)或达到最大级联深度(建议优选)时停止级联增长。

10、(7)海草覆盖分类:将训练完成的深度级联旋转森林模型应用于这些影像对象,基于对象的深层级联特征向量预测其所属类别;预测类别包括:不同海草物种、大型藻类以及无植被底质。

11、(8)多场景适应与精度评估:针对不同环境场景,采用步骤(2)-(7)构建场景自适应的深度级联旋转森林模型,通过加权级联集成获得最终分类结果;使用总体精度、kappa系数、用户精度和生产者精度进行定量评估。

12、作为优选,旋转特征子空间构建(第级)具体为:

13、设第级输入特征矩阵,其中(原始特征维度)。随机划分为个子集:

14、(10)

15、对每个子集,使用bootstrap样本估计协方差矩阵并计算pca旋转矩阵:

16、

17、其中返回按特征值降序排列的特征向量矩阵,为保留的主成分数(优选保留全部,即)。旋转后特征空间为:

18、

19、其中,,当保留全部主成分时。

20、作为优选, 倾斜决策树节点分裂具体为:

21、在旋转特征空间中,每个非叶节点寻找最优线性超平面。权重向量的优化目标为最大化信息增益(information gain, ig):

22、

23、其中为节点数据集的熵,,。熵的计算为:

24、

25、实践中,使用基尼不纯度作为替代以降低计算复杂度:

26、

27、。

28、作为优选,级联概率传递具体为:

29、第级旋转森林对输入样本的类别概率估计为:

30、

31、对于,这一概率向量与原始特征拼接后形成下一级输入:

32、

33、这种软决策传递机制使后继级能够基于前级的分类"信心"分布重新审视原始特征,从而不断精炼决策边界。

34、作为优选,加权级联集成具体为:

35、级联生长停止后,各级的预测通过加权集成融合。层级权重由验证精度经温度softmax确定:

36、

37、最终决策为:

38、

39、作为优选,早退机制具体为

40、在推理过程中,若第级的最大后验概率超过阈值:

41、

42、则提前终止级联计算,以该级结果作为最终输出。该机制可在保持精度不降的前提下,将推理时间减少40%~60%。

43、本发明还提供一种基于无人机多场景深度旋转森林的海草覆盖提取系统,包括:

44、第一处理模块,用于获取无人机多场景海草影像;

45、第二处理模块,用于根据无人机多场景海草影像,构建多视图海草特征集;

46、第三处理模块,用于根据多视图海草特征集,构建深度级联旋转森林第1级,得到第一级旋转特征;

47、第四处理模块,用于根据第一级旋转特征进行深度级联旋转森林中倾斜决策树集成,得到第一级输出类别概率向量;

48、第五处理模块,用于根据第一级输出类别概率向量进行深度级联旋转森林深层级跨层级联与特征精炼,得到逐级精炼特征;

49、第六处理模块,用于根据逐级精炼特征进行自适应深度终止与加权级联集成,得到深度级联旋转森林模型;

50、第七处理模块,用于将深度级联旋转森林模型应用于待处理的影像对象,基于对象的深层级联特征向量预测其所属类别;预测类别包括:不同海草物种、大型藻类以及无植被底质。

51、与现有技术相比,本发明的有益效果为:

52、通过无人机获取多场景遥感影像数据(dms),对采集的dms影像数据进行运动恢复结构(sfm)处理,生成高精度正射影像镶嵌图,构建多尺度特征视图;利用灰度共生矩阵法进行纹理特征提取,得到纹理信息,利用局部和全局空间自相关指数计算,得到空间上下文信息。将多场景光谱信息、纹理信息、空间上下文信息作为海草覆盖提取的潜在特征集;在实地调研的基础上对无人机多场景影像数据进行预处理,利用实地采集样本建立海草覆盖数据集;构建基于深度级联旋转森林的海草覆盖目标提取模型——该模型采用多层级联架构,每一级为一个独立旋转森林模块,通过多级旋转特征子空间构建、倾斜决策树集成及跨层级概率特征传递,实现特征的层次化精炼;将训练集以及先验知识输入到模型中,利用特征集获得有利于海草目标的识别的差异化旋转决策树森林,将再经决策旋转森林逐级优化,最终实现复杂环境下高精度海草覆盖信息的提取。