一种基于多源遥感注意力融合湿地植被分类方法及装置
本发明涉及湿地生态监测,特别是指一种基于多源遥感注意力融合湿地植被分类方法和装置。
背景技术:
1、湿地植被是湿地生态系统结构和功能的重要组成部分,其空间分布能够反映水文过程、泥沙沉积、栖息地质量和生态退化状况。对湿地植被类型进行连续、准确的遥感分类,是湿地保护、生态修复、自然保护地监管和入侵物种防控的重要技术基础。湿地植被类型之间常存在显著的光谱混淆。例如,挺水植物、沉水植物、浮叶植物、莎草草甸、芦苇、木本灌丛湿地以及河口盐沼中的入侵植被和本土植被,在单期光学影像上可能具有相近的可见光和近红外反射特征。仅依赖单期光学影像的分类方法难以稳定区分上述类别。因此,有必要提出一种能够融合多源遥感数据和水文地形信息、针对不同植被类别自适应调整模态权重、并在分类过程中施加水文物理约束的湿地植被类型分类方法,以提高光谱混淆类别的识别精度、物理一致性和可解释性。
技术实现思路
1、为了解决现有技术存在的湿地植被光谱混淆严重、多源特征融合权重固定、水文物理约束不足和分类结果可解释性较弱的技术问题,本发明实施例提供了一种基于多源遥感注意力融合湿地植被分类方法及装置。所述技术方案如下:
2、一方面,提供了一种基于多源遥感注意力融合湿地植被分类方法,该方法由基于多源遥感注意力融合湿地植被分类设备实现,该方法包括:
3、s1:获取包含sentinel-2多光谱影像、sentinel-1双极化sar影像、数字高程模型dem、多时相水面产品、岸线数据及水位观测数据的原始数据,得到待处理数据集;对所述待处理数据集进行统一处理,得到标准分析数据集,所述统一处理包括将数据统一到同一坐标系统、同一空间分辨率和同一分析网格;
4、s2:基于所述标准分析数据集,对每个空间单元,提取空间单元的光学特征集、空间单元的sar特征集、空间单元的水文地形中间量和空间单元的水文地形特征集,所述空间单元的光学特征集包括ndvi、evi、ndwi、归一化差异红边指数、绿度峰值、返青期、衰退期、时序最大值、时序最小值、时序均值和季节振幅,所述空间单元的sar特征集包括sentinel-1 vv极化和vh极化并计算vv/vh极化比值、灰度共生矩阵纹理、季节统计量和时序变化量,所述空间单元的水文地形中间量包括水文高程带类别、地形湿度指数twi和相对排水高程hand;
5、s3:将所述空间单元的光学特征集、所述空间单元的sar特征集和所述空间单元的水文地形特征集分别输入多分支分类模型的光学编码分支、sar编码分支和水文地形编码分支,得到空间单元的光学特征表示、空间单元的sar特征表示和空间单元的水文地形特征表示,再将三者输入权重生成网络,得到所述空间单元在各湿地植被类别下的模态注意力权重;
6、s4:对每个空间单元的每个湿地植被类别,根据所述模态注意力权重对所述空间单元的光学特征表示、所述空间单元的sar特征表示和所述空间单元的水文地形特征表示进行加权求和,得到类别相关融合特征,并将所述类别相关融合特征输入分类层,得到属于各湿地植被类别的初始分类概率;
7、s5:对每个空间单元的每个湿地植被类别,根据所述水文地形特征集所表征的水文约束条件构建物理约束,得到每个空间单元在每个湿地植被类别下的类别可分配系数,并采用所述类别可分配系数对所述初始分类概率进行约束修正,将不满足水文约束条件的湿地植被类别的初始分类概率置零后对剩余类别的初始分类概率重新归一化,得到空间单元的修正后的分类概率;
8、s6:对每个空间单元,根据所述空间单元的修正后的分类概率选取分类概率最大的类别,得到空间单元的湿地植被分类结果;并根据所述空间单元的湿地植被分类结果和所述空间单元的修正后的分类概率,生成湿地植被类型分类图、逐空间单元分类置信度图和不确定性图,以及采用独立验证样本对所述湿地植被分类结果进行精度评估,得到精度评估结果。
9、优选地, 所述s1的获取包含sentinel-2多光谱影像、sentinel-1双极化sar影像、数字高程模型dem、多时相水面产品、岸线数据及水位观测数据的原始数据,得到待处理数据集;对所述待处理数据集进行统一处理,得到标准分析数据集,所述统一处理包括将数据统一到同一坐标系统、同一空间分辨率和同一分析网格,包括:
10、s11:获取原始数据,得到待处理数据集;所述原始数据包括覆盖完整生长季或多个水文阶段的sentinel-2多光谱影像、同期sentinel-1双极化sar影像、数字高程模型dem、多时相水面产品、岸线数据、水位观测数据、以及作为参考数据的野外样方或历史植被分布图;
11、s12:采用多光谱影像预处理方法,对所述待处理数据集中的sentinel-2多光谱影像执行大气校正、云和云影掩膜、空间重采样以及时间序列重建,得到sentinel-2时序产品;
12、s13:采用sar影像预处理方法,对所述待处理数据集中的sentinel-1双极化sar影像执行轨道校正、辐射定标、斑点噪声滤波、地形校正以及后向散射归一化,得到sentinel-1后向散射系数产品;
13、s14:采用数据标准化方法,对所述sentinel-2时序产品、所述sentinel-1后向散射系数产品、以及所述待处理数据集中的数字高程模型dem、多时相水面产品、岸线数据和水位观测数据进行统一处理,得到标准分析数据集;所述统一处理包括将数据统一到同一坐标系统、同一空间分辨率和同一分析网格;所述标准分析数据集以空间单元为基本分析单位。
14、优选地, 所述s2的基于所述标准分析数据集,对每个空间单元,提取空间单元的光学特征集、空间单元的sar特征集、空间单元的水文地形中间量和空间单元的水文地形特征集,所述空间单元的光学特征集包括ndvi、evi、ndwi、归一化差异红边指数、绿度峰值、返青期、衰退期、时序最大值、时序最小值、时序均值和季节振幅,所述空间单元的sar特征集包括sentinel-1 vv极化和vh极化并计算vv/vh极化比值、灰度共生矩阵纹理、季节统计量和时序变化量,所述空间单元的水文地形中间量包括水文高程带类别、地形湿度指数twi和相对排水高程hand,包括:
15、s21:对所述标准分析数据集中的每个空间单元,根据所述sentinel-2时序产品提取sentinel-2红边波段,并计算ndvi、evi、ndwi、归一化差异红边指数、绿度峰值、返青期、衰退期、时序最大值、时序最小值、时序均值和季节振幅,得到空间单元的光学特征集;
16、s22:对所述标准分析数据集中的每个空间单元,根据所述sentinel-1后向散射系数产品提取sentinel-1 vv极化和vh极化,并计算vv/vh极化比值、灰度共生矩阵纹理、季节统计量和时序变化量,得到空间单元的sar特征集;
17、s23:对所述标准分析数据集中的每个空间单元,根据所述数字高程模型dem计算水文高程带类别、地形湿度指数twi和相对排水高程hand,根据所述多时相水面产品计算水体距离、淹没频率和淹没持续时间,得到空间单元的水文地形中间量;所述淹没持续时间为水体状态序列中连续取值为1的最大连续时相数量;
18、s24:根据所述地形湿度指数twi、所述相对排水高程hand、所述水体距离、所述淹没频率、所述淹没持续时间和水文高程带类别,构建所述空间单元的水文地形特征集;所述水文地形特征集用于表征湿地植被分布的水文约束条件。
19、优选地, 所述s3的将所述空间单元的光学特征集、所述空间单元的sar特征集和所述空间单元的水文地形特征集分别输入多分支分类模型的光学编码分支、sar编码分支和水文地形编码分支,得到空间单元的光学特征表示、空间单元的sar特征表示和空间单元的水文地形特征表示,再将三者输入权重生成网络,得到所述空间单元在各湿地植被类别下的模态注意力权重,包括:
20、s31:对每个空间单元,将所述空间单元的光学特征集输入多分支分类模型的光学编码分支,得到光学特征表示;所述光学编码分支采用transformer编码器提取时序特征;
21、s32:对每个空间单元,将所述空间单元的sar特征集输入所述多分支分类模型的sar编码分支,得到sar特征表示;所述sar编码分支采用transformer编码器提取时序特征;
22、s33:对每个空间单元,将所述空间单元的水文地形特征集输入所述多分支分类模型的水文地形编码分支,得到水文地形特征表示;所述水文地形编码分支采用多层感知机提取静态水文地形特征;
23、s34:对每个空间单元的每个湿地植被类别,将所述光学特征表示、所述sar特征表示和所述水文地形特征表示输入权重生成网络,得到空间单元在所述湿地植被类别下的模态注意力权重;所述模态注意力权重包括光学权重、sar权重和水文地形权重;所述权重生成网络针对不同空间单元和不同湿地植被类别生成对应的模态注意力分数,并通过softmax函数进行归一化。
24、优选地, 所述s4的对每个空间单元的每个湿地植被类别,根据所述模态注意力权重对所述空间单元的光学特征表示、所述空间单元的sar特征表示和所述空间单元的水文地形特征表示进行加权求和,得到类别相关融合特征,并将所述类别相关融合特征输入分类层,得到属于各湿地植被类别的初始分类概率,包括:
25、s41:对每个空间单元的每个湿地植被类别,根据所述模态注意力权重对所述光学特征表示、所述sar特征表示和所述水文地形特征表示进行加权求和,得到所述空间单元在所述湿地植被类别下的类别相关融合特征;
26、s42:对每个空间单元,将所述类别相关融合特征输入分类层,得到湿地植被类别的初始分类概率;所述分类层采用softmax函数输出多类别概率。
27、优选地, 所述s5的对每个空间单元的每个湿地植被类别,根据所述水文地形特征集所表征的水文约束条件构建物理约束,得到每个空间单元在每个湿地植被类别下的类别可分配系数,并采用所述类别可分配系数对所述初始分类概率进行约束修正,将不满足水文约束条件的湿地植被类别的初始分类概率置零后对剩余类别的初始分类概率重新归一化,得到空间单元的修正后的分类概率,包括:
28、s51:对每个空间单元的每个湿地植被类别,根据所述水文地形特征集所表征的水文条件构建物理约束或是软约束,得到每个空间单元在每个湿地植被类别下的类别可分配系数;所述水文条件包括淹没频率、实时淹没状态、相对排水高程、水文高程带和水体距离;所述物理约束包括淹没门控约束和水文分带约束;所述软约束包括:依据淹没频率或淹没占比与预设阈值的偏离程度,通过惩罚项或陡峭s型门控函数对相应类别的概率进行连续衰减,采用与物候相关季节对应的淹没状态或淹没持续时间,对沉水植被和/或浮叶植被的分类概率进行约束;
29、s52:对每个空间单元的每个湿地植被类别,采用所述类别可分配系数对所述湿地植被类别的初始分类概率进行约束修正:当所述空间单元不满足所述湿地植被类别的水文约束条件时,将所述湿地植被类别的初始分类概率置零,得到所述空间单元的各类别未归一化概率;
30、s53:对每个空间单元,根据所述空间单元的各类别未归一化概率,对剩余的类别概率进行重新归一化,得到所述空间单元的修正后的分类概率。
31、优选地, 所述s6的对每个空间单元,根据所述空间单元的修正后的分类概率选取分类概率最大的类别,得到空间单元的湿地植被分类结果;并根据所述空间单元的湿地植被分类结果和所述空间单元的修正后的分类概率,生成湿地植被类型分类图、逐空间单元分类置信度图和不确定性图,以及采用独立验证样本对所述湿地植被分类结果进行精度评估,得到精度评估结果,包括:
32、s61:对每个空间单元,根据所述空间单元的修正后的分类概率选取分类概率最大的类别,得到所述空间单元的湿地植被分类结果;
33、s62:对每个空间单元的每个湿地植被类别,采用shap方法和注意力权重归因方法,对所述模态注意力权重执行特征贡献度获取,得到所述空间单元在所述湿地植被类别下的特征贡献度;所述特征贡献度包括逐空间单元、逐植被类别和逐数据源的特征贡献度,用于输出不同植被类别对应的光学、sar和水文地形特征贡献度;
34、s63:根据所述特征贡献度,生成所述空间单元的局部解释图;所述局部解释图用于展示所述空间单元被判定为特定植被类别的关键依据;
35、s64:根据所述湿地植被分类结果和所述空间单元的修正后的分类概率,生成湿地植被类型分类图、逐空间单元分类置信度图和不确定性图;
36、s65:采用参考数据中的独立验证样本,对所述湿地植被分类结果进行精度评估,得到精度评估结果;所述精度评估结果包括总体精度、kappa系数、用户精度、生产者精度、f1分数和混淆矩阵,并针对光谱混淆类别进行重点分析。
37、另一方面,提供了一种基于多源遥感注意力融合湿地植被分类装置,该装置应用于基于多源遥感注意力融合湿地植被分类方法,该装置包括:
38、数据采集模块:用于获取包含sentinel-2多光谱影像、sentinel-1双极化sar影像、数字高程模型dem、多时相水面产品、岸线数据及水位观测数据的原始数据,得到待处理数据集;对所述待处理数据集进行统一处理,得到标准分析数据集,所述统一处理包括将数据统一到同一坐标系统、同一空间分辨率和同一分析网格;
39、特征提取模块:用于基于所述标准分析数据集,对每个空间单元,提取空间单元的光学特征集、空间单元的sar特征集、空间单元的水文地形中间量和空间单元的水文地形特征集,所述空间单元的光学特征集包括ndvi、evi、ndwi、归一化差异红边指数、绿度峰值、返青期、衰退期、时序最大值、时序最小值、时序均值和季节振幅,所述空间单元的sar特征集包括sentinel-1 vv极化和vh极化并计算vv/vh极化比值、灰度共生矩阵纹理、季节统计量和时序变化量,所述空间单元的水文地形中间量包括水文高程带类别、地形湿度指数twi和相对排水高程hand;
40、特征表示提取模块:用于将所述空间单元的光学特征集、所述空间单元的sar特征集和所述空间单元的水文地形特征集分别输入多分支分类模型的光学编码分支、sar编码分支和水文地形编码分支,得到空间单元的光学特征表示、空间单元的sar特征表示和空间单元的水文地形特征表示,再将三者输入权重生成网络,得到所述空间单元在各湿地植被类别下的模态注意力权重;
41、融合特征模块:用于对每个空间单元的每个湿地植被类别,根据所述模态注意力权重对所述空间单元的光学特征表示、所述空间单元的sar特征表示和所述空间单元的水文地形特征表示进行加权求和,得到类别相关融合特征,并将所述类别相关融合特征输入分类层,得到属于各湿地植被类别的初始分类概率;
42、约束修正模块:用于对每个空间单元的每个湿地植被类别,根据所述水文地形特征集所表征的水文约束条件构建物理约束,得到每个空间单元在每个湿地植被类别下的类别可分配系数,并采用所述类别可分配系数对所述初始分类概率进行约束修正,将不满足水文约束条件的湿地植被类别的初始分类概率置零后对剩余类别的初始分类概率重新归一化,得到空间单元的修正后的分类概率;
43、植被分类模块:用于对每个空间单元,根据所述空间单元的修正后的分类概率选取分类概率最大的类别,得到空间单元的湿地植被分类结果;并根据所述空间单元的湿地植被分类结果和所述空间单元的修正后的分类概率,生成湿地植被类型分类图、逐空间单元分类置信度图和不确定性图,以及采用独立验证样本对所述湿地植被分类结果进行精度评估,得到精度评估结果。
44、另一方面,提供一种基于多源遥感注意力融合湿地植被分类设备,所述基于多源遥感注意力融合湿地植被分类设备包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如上述基于多源遥感注意力融合湿地植被分类方法中的任一项所述的方法。
45、本发明实施例提供的技术方案带来的有益效果至少包括:
46、一是通过多时相光学、sar和水文地形特征融合,提高光谱混淆湿地植被类型的分类精度;二是通过类别相关的跨模态注意力机制,避免简单特征堆叠中不同类别使用同一模态权重的问题;三是通过淹没门控和水文分带约束,提高分类结果与湿地水文过程的一致性;四是通过特征归因和置信度输出,提高分类结果的可解释性和生态应用可信度;五是能够适用于鄱阳湖、长江河口等水位波动显著区域,并具备跨区域迁移应用潜力。
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