用于森林垂直结构反演的防均质化高度锚点预测方法
本发明涉及遥感森林结构反演,尤其涉及一种用于森林垂直结构反演的防均质化高度锚点预测方法、系统、存储介质及电子设备。
背景技术:
1、目前,森林垂直结构常采用相对高度百分位数(relative height, rh)进行表征,通常选取rh_20至rh_100等相对高度百分位指标来描述冠层高度分布特征。现有遥感反演方法多基于单一回归器,利用光学影像、地形因子或激光雷达波形等特征构建从观测特征到rh指标的直接映射关系。然而,该类方法在实际应用中存在显著缺陷:由于野外实测或训练样本在森林高度分布上往往不均,低矮林和高冠层样本数量较少,单一回归模型在拟合过程中易受多数样本(即中等高度林分)的主导,导致反演结果向训练样本的均值高度收缩,具体表现为低矮林被系统性高估、高冠层被系统性低估,即“高度收缩效应”。
2、为缓解上述问题,已有研究尝试引入多时相光学影像以获取冠层物候、覆盖度及结构变化信息,利用地形位置指数(topographic position index, tpi)描述局地地形背景,并借助gedi(global ecosystem dynamics investigation)星载激光雷达波形曲线提供森林垂直结构形状的先验知识。然而,直接使用单一高度回归仍难以摆脱样本分布偏差引起的收缩问题;而将gedi原型曲线直接应用于当前目标像元时,原型曲线所固有的绝对高度尺度可能与待测像元的实际高度范围不符,若直接代入则会改变当前样本的高度量纲,导致结构形状与高度尺度耦合失衡。
3、由此可见,现有技术仍亟待解决以下关键问题:其一,在保留gedi足印尺度中心信息的前提下,如何有效区分低、中、高三种高度状态,并抑制不同分量间的坍缩现象,避免反演结果过度平滑;其二,在输出完整rh曲线时,如何以当前待测像元的高度锚点作为约束,将gedi结构先验与当前样本的高度尺度解耦,使高度绝对值和垂直形状分别独立确定,从而兼顾反演结果的生态合理性与结构精细度。
技术实现思路
1、本发明提供一种用于森林垂直结构反演的防均质化高度锚点预测方法、系统、存储介质及电子设备,能够在保留中心足迹信息的同时区分低、中、高高度状态并抑制分量坍缩,在输出完整rh曲线时,以当前样本的高度锚点约束gedi结构先验,使高度尺度与垂直形状分别确定,提升了森林垂直高度预测的精确度和可靠性。
2、本发明提供了一种用于森林垂直结构反演的防均质化高度锚点预测方法,包括:
3、获取待预测森林样本对应的多时相光学遥感影像块、地形数据和有效观测掩膜;其中,多时相光学遥感影像块包括多个反射率波段;
4、根据不同的反射率波段分别计算多种植被指数,基于多种植被指数计算对应的指数有效掩膜;将多种植被指数、指数有效掩膜与全部反射率波段沿通道维拼接,形成增强特征张量;
5、将每一时相的增强特征张量输入到共享卷积编码器中,得到多尺度特征图,通过有效观测掩膜对多尺度特征图和中心减背景特征进行掩膜时间汇聚和尺度门控融合,得到多尺度融合特征;
6、将多尺度融合特征输入到多层感知机中,得到预测的低候选锚点、中候选锚点和高候选锚点以及对应的门控概率;
7、基于待预测森林样本的真实核心高度对候选锚点和门控概率进行约束训练;训练完成后,通过上述步骤对待预测森林样本进行预测得到低候选锚点、中候选锚点、高候选锚点和核心高度预测结果。
8、进一步地,根据上述用于森林垂直结构反演的防均质化高度锚点预测方法,其中,所述有效观测掩膜包括像元级有效掩膜和时相级有效掩膜;
9、根据不同的反射率波段分别计算多种植被指数,基于多种植被指数计算对应的指数有效掩膜,包括:
10、将配准后的多时相光学遥感影像块进行裁剪;
11、将参与计算的反射率波段进行裁剪,得到安全反射率;
12、基于所述安全反射率进行计算,得到多种植被指数;
13、基于所述像元级掩膜和所述多种植被指数计算指数有效掩膜。
14、进一步地,根据上述用于森林垂直结构反演的防均质化高度锚点预测方法,其中,基于所述像元级掩膜和多种植被指数计算指数有效掩膜,包括:
15、预设波段源掩膜条件为:参与指数有效掩膜计算的所有反射率波段的像元级有效掩膜均为1;
16、预设数值数学有效条件为:植被指数的计算结果满足数学有效性;
17、当同时满足所述预设波段源掩膜条件和所述预设数值数学有效条件时,对应植被指数的指数有效掩膜取值为1,若未同时满足所述预设波段源掩膜条件和所述预设数值数学有效条件,则将对应植被指数的指数有效掩膜取值为0,并将植被指数值强制设为填充值。
18、进一步地,根据上述用于森林垂直结构反演的防均质化高度锚点预测方法,其中,通过有效观测掩膜对多尺度特征图和中心减背景特征进行掩膜时间汇聚和尺度门控融合,得到多尺度融合特征,包括:
19、对每个时相的尺度特征图,取对应中心窗口内的特征,结合所述像元级有效掩膜,对窗口内有效像元进行平均池化,得到时相尺度向量;
20、采用可训练注意力映射计算标量注意力打分;
21、基于时相级有效掩膜和所述标量注意力打分,对每个尺度特征图进行掩膜时间汇聚,得到时间聚合特征;
22、对所述时间聚合特征进行尺度门控融合,得到多尺度融合特征。
23、进一步地,根据上述用于森林垂直结构反演的防均质化高度锚点预测方法,其中,采用可训练注意力映射计算标量注意力打分,通过下式表示:
24、
25、其中,为标量注意力打分,为时相尺度向量,为可训练参数;
26、基于所述时相级有效掩膜和所述标量注意力打分,对每个尺度特征图进行掩膜时间汇聚,得到时间聚合特征,通过下式表示:
27、
28、
29、其中,为时间汇聚特征,为第t个时相在尺度s下的特征图,为时相有效掩膜,为注意力打分,为掩膜汇聚的时间权重。
30、进一步地,根据上述用于森林垂直结构反演的防均质化高度锚点预测方法,其中,所述多层感知机包括高度增量分支、状态尺度分支和门控分支;
31、将所述多尺度融合特征依次通过全连接层、非线性激活层和输出层,得到共享隐藏表示;
32、将所述共享隐藏表示输入到多层感知机中,得到预测的低候选锚点、中候选锚点和高候选锚点以及对应的门控概率,包括:
33、将所述共享隐藏表示输入到所述高度增量分支中,得到三个未约束实数,将所述三个未约束实数通过激活函数处理,得到初始低候选锚点、初始中候选锚点、初始高候选锚点;
34、将所述共享隐藏表示输入到所述状态尺度分支,得到两个未约束的实数,将所述两个未约束实数通过激活函数处理,得到低状态尺度因子、中状态尺度因子和高状态尺度因子,基于所述低状态尺度因子、所述中状态尺度因子、所述高状态尺度因子、所述初始低候选锚点、所述初始中候选锚点和所述初始高候选锚点,得到最终的低候选锚点、中候选锚点和高候选锚点;
35、将所述多尺度融合特征输入到所述门控分支中,得到低状态门控概率、中状态门控概率和高状态门控概率。
36、进一步地,根据上述用于森林垂直结构反演的防均质化高度锚点预测方法,其中,基于待预测森林样本的真实核心高度对候选锚点和门控概率进行约束训练,包括:
37、连续高度软归属分布监督:统计低状态、中状态和高状态的中心,基于状态中心和真实核心高度计算连续软归属,基于所述连续软归属计算交叉熵损失;
38、基于总损失函数的训练:根据所述低候选锚点、所述中候选锚点和所述高候选锚点构建混合高斯负对数似然损失,根据所述核心高度预测结果构建回归损失,根据所述连续软归属构建交叉熵损失,根据批次内连续软归属平均分布与预测门控平均分布之间的kl散度构建分量使用约束,根据邻候选状态的预测值间隔小于预设最小间隔时施加惩罚构建分量分离约束,通过所述混合高斯负对数似然损失、所述回归损失、所述交叉熵损失、所述分量使用约束和所述分量分离约束,构建总损失函数,基于所述总损失函数进行迭代训练。
39、本发明还提供了一种用于森林垂直结构反演的防均质化高度锚点预测系统,包括:
40、获取模块,用于获取待预测森林样本对应的多时相光学遥感影像块、地形数据和有效观测掩膜;其中,所述多时相光学遥感影像块包括多个反射率波段;
41、植被指数与指数有效掩膜计算模块,用于根据不同的反射率波段分别计算多种植被指数,基于所述多种植被指数计算对应的指数有效掩膜;将所述多种植被指数与归一化后的全部反射率波段沿通道维拼接,形成增强特征张量;
42、特征提取模块,用于将每一时相的增强特征张量输入到共享卷积编码器中,得到多尺度特征图,通过所述有效观测掩膜对所述多尺度特征图进行掩膜时间汇聚和尺度门控融合,得到多尺度融合特征;
43、多层感知机,用于将所述多尺度融合特征输入到多层感知机中,得到预测的低候选锚点、中候选锚点和高候选锚点以及对应的门控概率;
44、约束训练与应用模块,用于基于待预测森林样本的真实核心高度对候选锚点和所述门控概率进行约束训练;训练完成后,通过上述步骤对待预测森林样本进行预测得到低候选锚点、中候选锚点、高候选锚点和核心高度预测结果。
45、本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有多条指令,所述指令适于由处理器加载以执行上述任一项用于森林垂直结构反演的防均质化高度锚点预测方法。
46、本发明还提供了一种电子设备,包括处理器和存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据,所述处理器用于上述任一项所述的用于森林垂直结构反演的防均质化高度锚点预测方法中的步骤。
47、本发明提供的用于森林垂直结构反演的防均质化高度锚点预测方法、系统、存储介质及电子设备,本发明具有以下有益效果:
48、(1)正值增量用于保持同一候选状态内rh_90、rh_95和rh_98的顺序,正值状态尺度用于保持低、中、高候选状态之间的高度顺序,减少候选高度交叉或重合。
49、(2)连续高度软归属使位于状态边界附近的样本同时参与相邻状态的训练,减小硬阈值切分造成的门控波动。
50、(3)分量使用约束用于使预测门控概率的批次平均分布接近目标软归属分布,分量分离约束用于保持相邻候选状态的最小高度间隔,降低门控概率集中于单一分量的程度。
51、(4)多尺度读出同时使用中心足迹窗口、全窗口背景特征和中心减背景特征,并对背景尺度的权重进行限制,以保留gedi足迹附近的局部信息。
52、(5)gedi结构原型按高度锚点归一化后仅提供垂直形状,当前样本的高度尺度由预测高度锚点确定,避免原型自身的绝对高度改变重构曲线的尺度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com