基于特征-空间平衡采样的遥感水深反演模型训练方法

本发明涉及卫星遥感水深反演，特别是涉及一种基于特征-空间平衡采样的遥感水深反演模型训练方法。

背景技术：

1、卫星遥感水深反演任务通常依赖多光谱遥感影像与高质量水深真值数据进行监督训练。随着遥感影像空间分辨率的提高以及研究区域范围的扩大，训练样本规模快速增长，逐像元构造的监督样本往往达到数十万乃至上百万级别。表面上看，大规模样本有利于深度模型训练，但在浅海遥感场景中，训练数据同时具有显著的空间自相关性、样本分布偏态性与信息冗余性，从而使“全量训练”并不等价于“最优训练”。现有技术的缺陷在于：

2、(1)浅海遥感影像中的相邻像元在光谱、纹理与地形属性上通常高度相似，大量临近样本重复携带相近信息，导致训练集内部存在严重冗余；(2)由于真实海底地形与海岸带地貌分布不均，不同水深区间的样本数量天然失衡，浅水样本往往占据主导，而深水、过渡带或复杂地形边缘样本相对稀缺，模型容易被多数样本主导而产生训练偏置；(3)若仅依赖随机抽样或简单空间抽样，虽然可以减少样本数量，但往往无法同时保证样本在特征表示空间中的代表性和在地理空间中的均匀性，从而导致关键地貌模式、复杂底质模式或边界变化样本被遗漏，进而削弱模型精度与跨区域泛化能力。

3、此外，水深真值数据通常来源于机载激光测深、船载测量或其他高成本测绘手段。因此，在面向浅海水深反演模型构建时，如何从大规模、高冗余、分布不均的候选样本中，以较小比例选取一组兼顾特征代表性、空间平衡性与深度分布合理性的高质量训练样本，已成为制约模型效率与泛化性能提升的关键问题。

4、针对卫星遥感水深反演训练样本具有空间自相关强、局部冗余高和水深分布不均衡的特点，本发明提供一种训练样本选择及模型训练方法，使得从大规模有效监督像元中选取的少量样本能够同时满足任务特征覆盖、空间分散和水深区间覆盖要求，从而降低冗余样本参与训练造成的资源占用和采样偏置。本发明还提出一种面向浅海遥感场景的特征-空间平衡样本选择方法，以在显著减少训练样本规模的同时维持或提升模型精度与泛化性能。

技术实现思路

1、本发明的目的是提供一种基于特征-空间平衡采样的遥感水深反演模型训练方法，基于采样掩膜控制监督信号的训练方式在不改变网络结构的前提下保留了图像上下文，并促使模型在多个跨区域岛礁场景中均表现出更优的误差控制能力与泛化性能，最终实现了样本效率、反演精度与跨区域适用性的协同提升。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于特征-空间平衡采样的遥感水深反演模型训练方法，包括以下步骤：

4、s1、获取目标海域的多光谱遥感影像与对应的水深真值数据，进行预处理、空间配准及裁剪，得到训练图像块，包括多波段遥感影像块、水深真值图及有效监督掩膜；其中有效监督掩膜标记具有可信水深真值的像元；

5、s2、利用训练图像块对预设的水深反演网络进行预热训练，从预热后的水深反演网络多个编码层或多尺度特征层提取中间特征图，经通道压缩与空间分辨率统一后拼接，得到每个有效像元的深层任务特征；

6、s3、将每个有效像元的深层任务特征与辅助特征进行向量拼接，形成联合特征向量，对联合特征向量进行标准化处理，构建统一的联合特征子空间；

7、s4、在联合特征子空间中，基于最远优先遍历策略的核心集选择机制，逐步选取代表性样本；在选取过程中同步引入空间最小间距约束和水深分布平衡约束，最终生成每个训练图像块对应的采样掩膜；

8、s5、将采样掩膜与有效监督掩膜组合，得到最终监督区域掩膜；在正式训练阶段，将训练图像块输入水深反演网络，仅在最终监督区域掩膜标记的位置计算监督损失并更新模型参数，完成模型训练；

9、s6、将待反演的多光谱遥感影像输入至完成训练的水深反演网络，得到对应的水深估计图。

10、优选的，s1中，多光谱遥感影像采用sentinel-2蓝、绿、红波段地表反射率数据；水深真值数据采用机载激光测深数据；预处理包括云、云影、太阳耀斑、陆地区域和异常像元剔除，多时相影像筛选与融合，以及统一高程基准转换。

11、优选的，s2中，水深反演网络采用包含水深预测主分支和物理先验辅助分支的双分支结构，物理先验辅助分支引入水深指数作为辅助信息；预热训练完成后，从编码器浅层、中层及高层提取多尺度特征图，经1×1卷积进行通道压缩，再经上采样恢复至统一空间分辨率后拼接。

12、优选的，s3中，辅助特征包括归一化多光谱波段特征、波段比值特征、亮度特征、归一化空间坐标特征及水深梯度幅值特征中的一种或多种；其中，水深梯度幅值特征由水深真值或预热模型初始预测水深计算获得，用于突出坡折、礁缘、沟槽及深浅过渡带地形变化区域。

13、优选的，s4中，基于最远优先遍历策略的核心集选择机制，逐步选取代表性样本，具体包括：

14、设候选样本集合为，已选样本集合为，则候选样本p到已选集合的最小特征距离定义为：

15、

16、每一轮迭代中，选择该最小距离最大的样本加入已选集合；候选样本需满足预设空间间距约束：

17、

18、其中，为预设最小空间间距阈值，为图像平面距离，、为联合特征向量，其中p为候选样本，为已选样本。

19、优选的，s4中，在选取过程中同步引入空间最小间距约束和水深分布平衡约束，具体包括：

20、空间最小间距约束：要求任意两个已选样本在图像平面上的空间距离不小于预设阈值；

21、水深分布平衡约束：按照水深真值将候选样本划分为多个深度区间，并为各区间分配相应样本预算，在每个深度区间内独立执行带空间约束的core-set采样，或在整体采样过程中显式控制各区间样本占比。

22、优选的，s5中，对于包括物理先验辅助分支的水深反演网络，主任务水深损失与辅助分支损失共享同一采样掩膜；设原始有效监督掩膜为，采样掩膜为，则最终监督区域掩膜表示为：

23、

24、其中，表示逐元素逻辑与或乘积操作。

25、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的一种基于特征-空间平衡采样的遥感水深反演模型训练方法。

26、根据本发明提供的具体实施例，本发明公开了以下技术效果：

27、本发明通过构建融合深度语义、光谱物理、空间位置及地形变化信息的联合特征子空间，并协同最远优先核心集选择、空间最小间距约束与水深区间平衡约束，实现了多维度的技术效果：在训练效率方面，有效剔除了大规模遥感样本中的空间自相关冗余，以约1%的采样比例即可替代全量训练，大幅降低计算成本；在反演精度方面，克服了随机采样和单一特征或空间采样的偏倚，显著增强了样本在特征覆盖、空间分散与水深分布上的均衡性，使模型在测试区域的水深反演误差明显降低且稳定性更高；在泛化能力方面，基于采样掩膜控制监督信号的训练方式在不改变网络结构的前提下保留了图像上下文，并促使模型在多个跨区域岛礁场景中均表现出更优的误差控制能力与泛化性能，最终实现了样本效率、反演精度与跨区域适用性的协同提升。