一种基于稀疏正则化融合的多目标植被结构参数估算方法及系统
本发明涉及一种多目标植被结构参数估算方法及系统,属于生态系统状态评估。
背景技术:
1、植被结构参数(如地上生物量agb、植株高度、叶面积指数lai)是评估生态系统状况和放牧干扰响应的重要指标。无人机(uav)多光谱遥感因其高空间分辨率和灵活的数据获取时机,已成为植被监测的有效工具。通过从uav多光谱影像中提取光谱反射率、植被指数(vis)和纹理特征等多源特征,结合机器学习模型,可以实现对植被结构参数的定量估算。
2、在多目标估算场景中,agb、植株高度和lai三个参数之间存在中等程度的正相关性(pearson r = 0.68~0.71),这意味着一个目标的预测信息可能有助于改善其他目标的估算精度。现有技术中,多目标回归主要通过以下几种策略实现:
3、(1)特征级融合(feature-level fusion):将所有特征拼接为统一特征向量,分别训练各目标的预测模型。该方法不显式建模目标间关系,特征冗余会降低模型性能。
4、(2)多任务学习(multi-task learning):通过共享隐层表示实现信息共享,但在目标间关系不完全一致的情况下,强制统一共享会引入偏差,导致部分目标精度下降。
5、(3)堆叠集成(stacking):将各基础模型的预测结果作为元特征输入元学习器,通过隐式融合捕捉非线性交互。该方法缺乏对跨目标信息传递的显式控制,可解释性有限。
6、现有技术存在以下缺陷:
7、缺乏自适应的跨目标信息调控机制:现有方法要么完全忽略目标间关系(独立建模),要么强制统一共享(多任务学习),要么仅进行隐式融合(堆叠集成)。当目标间关系仅为部分一致时——即各参数共享部分相关信息但保留各自独立变异——既不能完全独立处理,也不能不加区分地统一共享。目前缺少一种能够选择性、自适应地控制跨目标信息传递的机制。
8、特征冗余问题突出:多源特征(光谱反射率、植被指数、纹理特征)之间存在强相关性(同类特征内部|r|>0.8),全特征输入会引入冗余信息,增加模型方差而不增加有效信息。现有方法对特征质量的敏感性高,缺乏与稀疏化特征选择相匹配的融合策略。
9、预测稳定性在异质条件下不足:在不同放牧强度造成的异质性植被条件下(轻度、中度放牧),植被冠层光谱混合程度高、参数变异大,现有方法的预测误差分布离散度大,极端值区域偏差明显。
10、融合过程缺乏可解释性:深度学习类多任务方法虽能学习共享表示,但黑箱特性使得难以审计各信息源对预测的贡献程度。在生态监测等需要审计和解释的应用场景中,缺乏透明的融合系数。
技术实现思路
1、本发明为解决现有技术缺乏自适应的跨目标信息调控机制、特征冗余问题突出、预测稳定性在异质条件下不足,且融合过程缺乏可解释性的问题,进而提出一种基于稀疏正则化融合的多目标植被结构参数估算方法及系统。
2、本发明为解决上述问题采取的技术方案是:本发明所述一种基于稀疏正则化融合的多目标植被结构参数估算方法的步骤包括:
3、步骤1、基础模型训练;
4、对每个待估算的植被结构参数使用各自的最优特征子集分别训练独立的随机森林回归模型,各随机森林回归模型的超参数通过交叉验证和网络搜索进行调优,每个基础模型产生对应目标的初步预测值;
5、步骤2、可靠性加权;
6、计算每个基础模型的预测可靠性权重;
7、步骤3、稀疏约束融合;
8、对于每个目标,构建加权预测矩阵,其中包含所有基础模型的加权预测值,并通过求解l1正则化优化问题获得最终的融合稀疏向量;l1惩罚项强制融合稀疏向量具有稀疏性-将无信息量或冗余来源的稀疏驱动至零,同时保留对目标预测有增益的融合稀疏;正则化参数针对每个目标独立调优,通过对数尺度网格上的交叉验证选择使验证rmse最小的值;
9、步骤4、最终预测输出;
10、对于每个目标使用优化得到的融合系数计算最终预测值。
11、进一步的,步骤1中最优特征子集的确定方法为:采用relieff、lasso、spa连续投影算法、random frog随机蛙跳、cars竞争自适应重加权采样中的一种或多种特征选择方法对每个目标参数分别生成候选特征子集,各候选特征子集通过随机森林回归模型的交叉验证性能评估,选择使交叉验证最高的特征子集作为该目标的最优特征子集。
12、进一步的,步骤1和步骤2中使用的随机森林回归模型采用分层抽样按放牧强度进行训练集和测试集划分,并固定随机种子以确保可重复性。
13、进一步的,训练集占比为70%,测试集占比为30%。
14、本发明所述一种基于稀疏正则化融合的多目标植被结构参数估算系统包括基础模型训练模块、可靠性加权模块、稀疏约束融合模块和最终预测输出模块;
15、基础模型训练模块:用于对每个待估算的植被结构参数使用各自的最优特征子集分别训练独立的随机森林回归模型,产生各目标的初步预测值;
16、可靠性加权模块:用于计算每个基础模型的预测可靠性权重,基于交叉验证的归一化均方根误差进行加权,赋予预测精度更高的模型更大的融合影响力;
17、稀疏约束融合模块:用于构建包含所有基础模型加权预测值的预测矩阵,并通过求解l1正则化优化问题获得稀疏融合系数向量,其中正则化参数通过交叉验证独立调优;
18、最终预测输出模块:用于基于最优融合系数计算各目标的最终预测值,输出多目标植被结构参数的联合估算结果。
19、本发明的有益效果是:
20、1、选择性信息共享:本发明通过l1正则化在融合系数上引入稀疏性约束,实现了跨目标信息的选择性门控传递。当融合系数被驱动至零时,对应的信息通路被自动关闭,避免了无效或冲突信息的干扰。与传统的堆叠集成(隐式融合)和多任务学习(强制共享)相比,该方法能在目标间关系部分一致的情况下自适应调节信息流动,仅保留有增益的跨目标信息源。实验表明,在三种植被结构参数(agb、高度、lai)上的平均r²达到0.77,优于单目标rf(0.74)和堆叠rf(0.76)。
21、2、预测稳定性提升:本发明在极端值区域(如重度放牧条件下的低agb值<100 g/m²和无放牧条件下的高agb值>350 g/m²)表现出更低的预测误差,残差分布均值更接近零且标准差更小。这意味着在生态监测中关键的决策边界(识别过度放牧和评估承载力)处具有更高的实用价值。在轻度放牧和中度放牧等光谱混合更复杂的条件下,方法仍能保持稳健性能。
22、3、可解释的融合过程:融合系数直接揭示了各信息源对最终预测的贡献程度。稀疏化后的非零系数明晰地指示了哪些跨目标通路被激活,构成了可审计的信息融合结构。在生态监测应用中,这种透明性有助于理解参数间的信息转移模式,为监测方案设计提供依据。
23、4、计算轻量化、部署友好:本发明的训练开销仅为1.63秒(含交叉验证lasso优化),推理时间为0.088秒,与单目标rf(1.39秒训练,0.084秒推理)相比几乎无额外开销,适合uav监测的快速部署场景。与需要大量训练数据的深度多任务学习方法相比,本方法在小样本条件下(n=100~200,常见于破坏性采样的田间实验)具有更好的适用性。
24、5、与特征选择的良好协同:方法在最优特征子集(而非全特征集)上运行,避免了多源特征冗余对融合过程的干扰。可靠性加权确保了低精度基础模型的贡献被自动抑制,与稀疏融合形成两级筛选机制。
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