一种协同多源遥感与深度学习的树种多样性提取方法与流程

本发明涉及遥感生态信息，具体涉及一种协同多源遥感与深度学习的树种多样性提取方法。

背景技术：

1、树种多样性是衡量森林生态系统稳定性、碳汇潜力与区域生物多样性水平的核心量化指标，精准、高效完成区域树种多样性制图，是森林资源常态化调查、生态保护规划、电力沿线林地生态风险评估等业务工作的基础支撑手段。传统树种多样性监测完全根据野外人工样方普查模式，作业人员需要实地记录每块样方内树种类型、胸径、冠层状态等基础信息，虽单块样方识别精度较高，但整套调查流程人力、时间、经济成本投入巨大，对于山地、峡谷等地形复杂、交通闭塞林区难以实现全域全覆盖，同时野外调查周期长，无法支撑季度、年度动态更新监测需求。伴随遥感对地观测技术迭代，多光谱卫星、机载激光雷达设备逐步应用于林业识别领域，依靠大范围同步成像优势突破地面调查空间限制，但单一遥感数据源自身信息维度存在固有短板，难以兼顾亚像元光谱组分与植被三维垂直结构两类关键特征，复杂混交林区分类识别误差偏高，无法满足精细化树种多样性提取工程需求。

2、现阶段国内外已有大量学术研究围绕多源遥感融合开展树种分类技术探索，代表性研究包括hamdan等基于多光谱机载lidar与双分支transformer网络开展单木树种识别研究，该方案根据点云三维特征与光谱特征浅层拼接完成特征输入，但仅针对单株林木尺度分割建模，忽略卫星多光谱影像大面积混合像元普遍存在的行业现实，无法直接推广至区域连续林地制图场景；feng等在亚热带人工林区开展高光谱与lidar协同分类试验，研究仅依靠ndvi单一植被指数作为光谱输入，未引入纹理特征扩充光谱维度，同时未采用光谱解混手段拆解混合像元内部树种组分，地形阴影、冠层交错造成的光谱混淆问题无法得到有效处理，模型在山地林区泛化能力受限；国内林科院张怀清团队提出rgb影像与lidar点云双分支transformer融合识别框架，该研究采用浅层特征叠加融合策略，仅在模型输入端简单拼接两类数据，未挖掘光谱丰度亚像元信息与冠层垂直结构之间深层非线性关联，对光谱曲线高度近似的近缘树种区分能力不足，且整套流程缺少标准化光谱校正、丰度归一化处理链路，在地形起伏剧烈区域分类精度下降明显。

3、国内现有相关发明专利同样披露多源遥感融合树种识别方案，代表性公开专利cn109492563a公开一种基于无人机高光谱与lidar点云的树种分类方法，该专利将高光谱原始像素与lidar高程特征直接拼接输入机器学习模型，仅采用支持向量机浅层分类器完成树种划分，未引入卷积神经网络自动挖掘空间上下文特征，同时未针对山地地形阴影设计丰度校正机制，混合像元内各树种占比无法量化输出，仅能实现单一优势树种粗略判别，难以生成量化树种丰度空间分布图；另一公开专利cn116258971a提出多源遥感影像智能解译方案，该专利融合卫星多光谱与机载点云数据构建分类数据集，但其特征融合方式仅为图层像素简单叠加，未利用线性光谱混合模型拆解亚像元树种组分，输入特征缺少细分树种丰度通道，模型只能依据整像元平均光谱开展识别，受同物异谱、异物同谱干扰严重，且未规范植被指数、灰度纹理特征标准化提取流程，输入特征维度单一，复杂林区整体分类精度偏低；专利cn119206499a公开基于注意力卷积神经网络的林木识别系统，该方案优化网络结构提升特征提取能力，但数据预处理环节缺失全约束最小二乘光谱解混步骤，无法分离像元内部多种树种、裸土、阴影端元组分，对于破碎化、冠层重叠严重林地识别稳定性较差，整套技术流程未形成从数据预处理到多样性专题图输出的标准化闭环，实际工程落地门槛较高。上述专利虽实现光学遥感与激光雷达数据联合使用，但均未将线性光谱解混作为前置核心预处理工序，无法充分挖掘亚像元尺度树种光谱信息，多源特征仅做浅层拼接，模型输入判别特征不足，复杂山地混交林识别效果存在显著局限。

4、现有野外调查手段、主流学术研究方案及已公开相关专利均存在明显技术短板，或是依赖单一数据源、或是仅对多源遥感表层特征简单堆叠，缺少线性光谱混合模型解混前置处理流程，无法同步获取亚像元树种丰度与冠层三维结构两类核心特征，未构建适配复杂地形、混合像元场景的标准化深度学习分类全流程，近缘光谱树种区分效果差、山地阴影干扰难以消除、大范围制图精度不足等问题长期无法解决。

技术实现思路

1、基于上述技术问题，本技术公开了一种协同多源遥感与深度学习的树种多样性提取方法，包括以下步骤：

2、s1、确定研究区并收集多源遥感数据及地面实测数据；所述多源遥感数据包括多光谱影像和机载激光雷达点云数据；所述地面实测数据包括地面样方调查数据和地面光谱采集数据；

3、s2、对所述多源遥感数据进行预处理并提取特征；对所述多光谱影像，进行辐射定标和大气校正后，计算植被指数并提取纹理特征；对所述机载激光雷达点云数据，经去噪和分类处理后生成数字高程模型和数字表面模型，并通过差分运算获取冠层高度模型；

4、s3、基于线性光谱混合模型对预处理后的多光谱影像进行光谱解混；选取主要树种端元及非植被端元，采用全约束最小二乘法解混获取各树种初步丰度，并引入阴影端元对所述初步丰度进行归一化校正，得到校正后的树种丰度图；

5、s4、构建多源特征数据集；将s3得到的树种丰度图与步骤s2得到的冠层高度模型进行空间配准与叠加，形成融合光谱特征与垂直结构特征的多通道输入数据，并利用地面样方调查数据为所述多通道输入数据赋予树种类别标签；

6、s5、构建并训练卷积神经网络模型；以s4构建的多源特征数据集作为输入，以树种类别标签作为输出，通过迭代优化训练所述卷积神经网络模型，使其学习光谱丰度特征与垂直结构特征之间的非线性映射关系；

7、s6、利用训练好的卷积神经网络模型对待预测区域进行逐像元分类预测，生成树种多样性空间分布图。

8、优选的，s2中所述多光谱影像提取纹理特征的具体过程为：

9、将辐射定标与大气校正后的多光谱影像转换为灰度图像，然后设定滑动窗口大小与移动步长，在每个窗口内统计像素灰度值的空间共生概率，构建灰度共生矩阵；

10、基于所述灰度共生矩阵分别计算对比度、熵、相关性及同质性四个纹理参量；

11、其中，所述对比度表征窗口内局部灰度差异程度，所述熵表征窗口内灰度分布的随机性，所述相关性表征窗口内相邻像素灰度的线性依赖关系，所述同质性表征窗口内局部灰度的均匀程度。

12、优选的，s2中所述机载激光雷达点云数据获取冠层高度模型的过程为：

13、对原始点云数据进行噪声点滤除与地面点/非地面点分类处理；

14、基于分类后的地面点插值生成数字高程模型dem，基于非地面点中的最高点插值生成数字表面模型dsm；

15、通过差分运算获取冠层高度模型，公式为： ；

16、其中， 表示冠层高度模型； 表示数字表面模型； 表示数字高程模型。

17、优选的，s3中采用全约束最小二乘法进行光谱解混时，需同时满足丰度和为一约束与非负约束，具体约束条件公式为： ；其中， 表示第 个端元在当前像元中的面积占比即丰度值； 表示参与解混的端元总数量； 表示所有端元丰度之和等于1，保证像元被完全分解；

18、满足上述约束条件下，通过最小化观测光谱与端元线性组合光谱之间的残差平方和，求解得到各树种及非植被端元的初步丰度。

19、优选的，s3中引入阴影端元对所述初步丰度进行归一化校正的具体过程为：

20、由于复杂地形下阴影会吸收部分入射光，导致光谱解混结果中各树种丰度被低估，因此利用阴影端元丰度对树种初步丰度进行补偿校正，校正公式为： ；其中， 表示校正后的第 类树种丰度； 表示全约束最小二乘法解混得到的第 类树种初步丰度； 表示阴影端元丰度； 表示去除阴影影响后的有效光照区域占比；

21、当 时，表示像元完全被阴影覆盖，无有效光谱信息，此时令 ，避免除零错误；校正后所有树种丰度之和重新归一化为1，消除地形阴影对光谱解混结果的干扰。

22、优选的，s4中利用地面样方调查数据为所述多通道输入数据赋予树种类别标签的具体规则为：

23、对于每个地面样方，统计样方内所有活立木的胸径，计算每株树木的胸高断面积，公式为 ；其中， 表示第 株树木的胸高断面积； 表示第 株树木的胸径；

24、累加同树种所有个体的胸高断面积得到该树种的总胸高断面积，将总胸高断面积占样方内所有树种总胸高断面积比例最大的树种定义为优势树种，并将该优势树种的类别作为对应像元的标签；若样方内无活立木或所有树种胸高断面积相等，则标记为其他类别。

25、优选的，s5中所述卷积神经网络模型的具体结构为：

26、包括两个依次连接的卷积块，每个卷积块由一个卷积层、一个批归一化层、一个relu激活函数层和一个最大池化层按顺序串联组成；

27、第一个卷积块的卷积层采用32个大小为3×3的卷积核，第二个卷积块的卷积层采用64个大小为3×3的卷积核；

28、两个卷积块之后依次连接展平层、第一全连接层、dropout层及第二全连接层；

29、其中，所述第一全连接层的神经元数量为128，所述第二全连接层的神经元数量等于树种类别总数，输出层采用softmax激活函数将输出转换为各类别的概率分布。

30、优选的，s5中，训练所述卷积神经网络模型时采用的损失函数为交叉熵损失函数，公式为： ；其中， 表示当前样本的损失值； 表示树种类别总数；表示真实标签的one-hot编码值，当样本属于第 类时 ，否则 ； 表示模型输出的第 类预测概率，取值范围为(0,1)； 表示自然对数运算；

31、训练过程中以最小化批量样本的平均损失值为目标，通过反向传播算法更新网络参数。

32、优选的，本技术提供了s2中计算的植被指数计算，具体为：

33、所述植被指数包括归一化植被指数ndvi、土壤调节植被指数savi及比值植被指数rvi，计算公式分别为： ， ，；

34、其中， 表示近红外波段反射率， 表示红光波段反射率， 为土壤亮度校正因子取值为0.5；

35、优选的，本技术提供了s4中多通道输入数据的构成，具体为：

36、s4中形成的多通道输入数据包括s3得到的各树种校正丰度通道、s2得到的冠层高度模型通道、ndvi通道、savi通道、rvi通道以及对比度、熵、相关性、同质性四个纹理特征通道，共计 个通道，其中 为参与解混的主要树种数量。

37、相对于现有技术，本技术的技术方案具有以下技术效果：

38、本发明通过线性光谱混合模型完成多光谱影像亚像元分解，能够量化每一像元内部各类树种对应的丰度信息，配套阴影校正规则完成丰度归一化处理，统一消除地形阴影带来的光谱数据偏差；整套光谱解混流程根据本地化树种光谱库完成端元匹配，可完整提取细分树种的光谱组分特征，扩充模型输入的光谱信息维度，丰富影像内部细分植被类型的特征表达，为后续特征融合环节提供精细化的光谱基础数据。

39、本发明根据机载激光雷达点云生成冠层高度模型，同步提取多类植被指数与灰度共生矩阵纹理特征，形成覆盖光谱、纹理、垂直结构的多维特征体系；各类特征经过统一坐标与分辨率配准后叠加组合为多通道输入数据，实现不同维度遥感信息的完整融合，完整保留地表植被表层光谱信息与林下垂直空间结构信息，丰富输入数据的特征层次，提升特征对林地植被状态的完整表征能力。

40、本发明搭建包含多层卷积结构的卷积神经网络，根据卷积层、池化层自主提取特征内部空间关联信息，搭配批归一化与随机失活层完成网络约束；训练阶段采用专用损失函数与自适应优化器迭代更新网络参数，网络能够自主学习光谱丰度与冠层结构之间的非线性关联，无需人工筛选组合特征，通过网络自身完成深层特征挖掘，稳定输出标准化的树种分类结果。

41、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，从而可依照说明书的内容予以实施，并且为了让本技术的上述和其他目的、特征和优点能够更明显易懂，以下以本技术的较佳实施例并配合附图详细说明如后。

42、根据下文结合附图对本技术具体实施例的详细描述，本领域技术人员将会更加明了本技术的上述及其他目的、优点和特征。