一种基于双路径连续时间状态空间模型的森林树种物候分类方法及系统与流程

摘要: 本发明涉及遥感影像智能解译与深度学习语义分割,尤其涉及一种基于双路径连续时间状态空间模型的森林树种物候分类方法及系统。背景技术:1、随着遥感技术的快速发展,利用...
一种基于双路径连续时间状态空间模型的森林树种物候分类方法及系统与流程

本发明涉及遥感影像智能解译与深度学习语义分割,尤其涉及一种基于双路径连续时间状态空间模型的森林树种物候分类方法及系统。

背景技术:

1、随着遥感技术的快速发展,利用多源多时相遥感影像进行大范围树种分类已成为森林资源调查、生态系统监测和林业精细化管理的重要手段。不同树种在萌发期、生长期和衰退期呈现各异的光谱-结构变化轨迹,这种物候节律差异是区分相似树种(如落叶松与樟子松、蒙古栎与白桦)的关键判别线索。因此,充分挖掘多时相遥感观测中的物候时序信息,对于提升树种分类精度至关重要。

2、现有树种分类方法在物候时序特征的建模上主要采用两类技术途径:一类是将多时相影像沿通道维直接拼接后输入卷积网络,本质上将时序信息隐式编码在通道维度中,但卷积操作无法区分"同一波段的不同季节信息"与"同一季节的不同波段信息",难以显式建模物候状态的连续演化过程;另一类引入循环神经网络或transformer等时序模型对多期观测进行序列建模,但循环神经网络在短时序场景下存在状态转移刻画粗糙的问题,而transformer的计算复杂度随序列长度呈二次方增长,在遥感像素级分类任务中计算开销过大。

3、上述方法面临的一个共性问题在于:缺乏一种能够同时兼顾"长期物候累积特征"与"瞬时判别特征"的统一建模框架。一方面,树种物候是一个连续的状态演化过程,当前季节的状态由前期物候累积效应与当期环境条件共同决定,单纯依赖当期观测或简单时序叠加均难以准确描述这一物理过程;另一方面,当某一物候期影像受云覆盖、大气扰动或数据缺失影响时,模型需要具备从当期观测中提取有效判别信息的能力,以避免异常输入通过时序递推扩散至后续时间步。然而,现有方法要么仅关注时序累积(如rnn类模型),要么仅关注当期判别(如卷积网络),缺乏将两者有机融合的物候建模机制,制约了树种分类精度与鲁棒性的进一步提升。

技术实现思路

1、鉴于目前遥感影像智能解译与深度学习语义分割技术领域存在的上述不足,本发明提供一种基于双路径连续时间状态空间模型的森林树种物候分类方法及系统,能够达到在保证计算效率的同时,显著提升树种物候分类精度与对异常观测的鲁棒性的效果。

2、为达到上述目的,本发明的实施例采用如下技术方案:

3、一种基于双路径连续时间状态空间模型的森林树种物候分类方法,包括:

4、获取至少两个关键物候期的多源遥感影像,并重组为显式季节序列张量;

5、采用双路径并行编码,空间路径提取空间特征,时序路径将所述显式季节序列张量输入连续时间状态空间模型,由所述连续时间状态空间模型输出时序增强特征,其中所述连续时间状态空间模型输出时序增强特征具体包含以下处理:

6、基于解析离散化方案沿季节轴进行状态递推,输出累积物候特征;

7、将当前季节输入沿通道维分割并经门控激活后与主路径融合,输出瞬时判别特征;

8、基于状态-输出映射参数及可学习季节模板生成门控值,将所述累积物候特征与瞬时判别特征加权融合,输出时序增强特征;

9、将所述时序增强特征与所述空间特征融合,经解码上采样后输出像素级树种分类结果。

10、依照本发明的一个方面,所述重组为显式季节序列张量包括:

11、通过无参数的通道重组器,将所述多源遥感影像按数据源和采集时间分离;

12、以同一物候期为单元,将来自不同数据源的通道沿特征维拼接,形成按物候演进顺序排列的显式季节序列张量,其维度表示为[t,c,h,w],其中t为物候期数量,c为单物候期的多源特征通道总数,h和w为空间高度和宽度。

13、依照本发明的一个方面,所述基于解析离散化方案沿季节轴进行状态递推具体包括:

14、设置稳定化处理的状态转移矩阵,利用可学习的季节自适应时间步长通过解析离散化公式计算离散化系数;

15、所述可学习的季节自适应时间步长通过与各物候期对应的调制因子进行缩放,以差异化控制不同物候阶段的状态更新速率;

16、其中,生长活跃物候期对应的调制因子大于1,变化平缓物候期对应的调制因子小于1。

17、依照本发明的一个方面,所述将当前季节输入沿通道维分割并经门控激活后与主路径融合具体包括:

18、将当前季节输入沿通道维分割为主路径特征和门控分支,所述门控分支的通道维度小于所述主路径特征的通道维度;

19、将所述门控分支将所述门控分支维度扩展至与所述主路径特征相同的通道维度,经sigmoid激活后与所述主路径特征逐元素相乘,得到所述瞬时判别特征。

20、依照本发明的一个方面,所述基于状态-输出映射参数及可学习季节模板生成物候门控值具体包括:

21、将所述当前状态-输出映射参数与可学习季节模板沿特征维拼接,经多层感知机映射后通过sigmoid激活,输出标量形式的物候门控值;

22、所述可学习季节模板为维度为t×n的可训练参数矩阵w_s,其中t为物候期数量,n为状态空间维度,w_s中第t行对应第t个物候期的典型物候模式编码;所述可学习季节模板与当前状态-输出映射参数c_t沿特征维拼接后输入多层感知机。

23、依照本发明的一个方面,所述累积物候特征与瞬时判别特征加权融合之后,还包括:

24、将各物候期的所述累积物候特征与瞬时判别特征加权融合后得到的融合输出,沿季节维度求取均值,获得跨季节全局物候上下文;

25、将所述跨季节全局物候上下文乘以预设权重后,与各物候期的融合输出逐元素相加,并经线性投影后与层归一化后的所述显式季节序列张量建立残差连接,得到所述时序增强特征。

26、依照本发明的一个方面,所述时序路径将所述显式季节序列张量输入连续时间状态空间模型,由所述连续时间状态空间模型输出时序增强特征具体包括:

27、将所述显式季节序列张量分别降采样至多个不同的空间分辨率;

28、将各分辨率的显式季节序列张量分别输入多个并行的所述连续时间状态空间模型,获得对应尺度的时序增强特征;

29、所述将时序增强特征与空间特征融合具体包括:将各尺度的时序增强特征与所述空间路径中对应尺度的空间特征沿通道维拼接,再经1×1卷积进行通道整合,得到时空融合特征。

30、依照本发明的一个方面,所述解码上采样过程中,在解码器的至少一个阶段引入空间状态空间模块替代普通卷积块;

31、所述空间状态空间模块将二维特征图重排为一维序列后输入选择性状态空间模型进行全局空间上下文建模,再将输出序列恢复为二维特征图,以恢复树种边界结构并改善林斑内部分类一致性。

32、依照本发明的一个方面,所述方法采用组合损失函数进行监督训练,所述组合损失函数包括:

33、主分类输出对应的第一损失项,以及至少一个中间层特征经辅助分类器输出后对应的第二损失项;

34、所述第一损失项与第二损失项加权求和作为总训练损失,其中第二损失项对应权重系数小于1。

35、一种基于双路径连续时间状态空间模型的森林树种物候分类系统,包括:

36、采集模块,用于获取至少两个关键物候期的多源遥感影像,并重组为显式季节序列张量;

37、双路径并行编码模块,用于接收所述采集模块发送的显式季节序列张量及多源遥感影像,其包括空间编码路径和时序编码路径;

38、所述空间编码路径用于对所述多源遥感影像进行卷积降采样,提取空间特征;

39、所述时序路径将所述显式季节序列张量输入连续时间状态空间模型,由所述连续时间状态空间模型输出时序增强特征,其中由所述连续时间状态空间模型输出时序增强特征具体包含以下处理:

40、慢路径处理单元,用于基于解析离散化方案沿季节轴进行状态递推,输出累积物候特征;

41、快路径处理单元,用于将当前季节输入沿通道维分割并经门控激活后与主路径融合,输出瞬时判别特征;

42、物候门控融合单元,用于基于状态-输出映射参数及可学习季节模板生成门控值,将所述累积物候特征与瞬时判别特征加权融合,输出时序增强特征;

43、解码输出模块,用于接收所述双路径并行编码模块发送的时序增强特征及空间特征,将所述时序增强特征与所述空间特征融合,经解码上采样后输出像素级树种分类结果。

44、本发明实施的优点:

45、(1)物候时序建模精确性提升。

46、慢路径通过连续时间状态空间模型的解析离散化方案沿季节轴进行状态递推,实现对树种物候连续演化过程的精确刻画,有效捕获落叶与常绿树种在萌发、生长、衰退等关键物候阶段的光谱-结构变化轨迹差异,提升相似物候型树种的分类精度。

47、(2)异常观测鲁棒性增强。

48、快路径通过分割-门控机制提取当期瞬时判别特征,在某一物候期影像受云污染或数据质量退化时,仍能提供有效的判别信息,降低异常观测对应的累积物候特征对融合结果的干扰。

49、(3)物候累积与瞬时判别协同表达。

50、物候门控融合单元基于状态-输出映射参数及可学习季节模板生成门控值,将长期物候累积特征与当期瞬时判别特征自适应加权融合,使模型能够根据不同物候期的观测质量动态调整融合权重,兼顾时序连续性判别与当前有效信息利用。

51、(4)计算效率高,适宜大范围部署。

52、连续时间状态空间模型沿季节轴的状态递推复杂度与物候期数量呈线性关系,相较于transformer类模型的二次方复杂度,显著降低了计算开销与显存占用,适用于大范围林业遥感业务的快速处理与轻量化部署。

53、(5)多源多时相数据协同利用充分。

54、通过通道重组器将多源遥感影像显式组织为按物候演进顺序排列的季节序列,使多光谱、植被指数、sar等多源异构特征在同一物候期对齐、不同物候期间连续,充分挖掘多源数据在物候维度上的协同判别信息。