本發(fā)明涉及紅樹(shù)林分布監(jiān)測(cè)，尤其涉及一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法。

背景技術(shù)：

1、紅樹(shù)林具有重要的經(jīng)濟(jì)和生態(tài)價(jià)值，但受到各種因素的威脅，面臨消失的風(fēng)險(xiǎn)。遙感和人工智能技術(shù)可以幫助監(jiān)測(cè)和識(shí)別紅樹(shù)林的分布和變化，然而，紅樹(shù)林覆蓋區(qū)往往很難進(jìn)入，給實(shí)地采樣帶來(lái)了困難。同時(shí)，通過(guò)人工智能技術(shù)對(duì)紅樹(shù)林分布進(jìn)行分析需要大量的注釋樣本，即傳統(tǒng)方法依賴大量人工標(biāo)注數(shù)據(jù)，在實(shí)地采樣不便的情形下，給對(duì)紅樹(shù)林的識(shí)別和監(jiān)測(cè)工作帶來(lái)了困難。

技術(shù)實(shí)現(xiàn)思路

1、鑒于此，本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，解決傳統(tǒng)方法對(duì)大量注釋樣本的依賴問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，所述方法包括：

3、獲取原始遙感數(shù)據(jù)，將原始遙感數(shù)據(jù)轉(zhuǎn)換為地表反射率數(shù)據(jù)；

4、構(gòu)建紅樹(shù)林粗提取決策樹(shù)模型mredt，通過(guò)mredt對(duì)地表反射率數(shù)據(jù)進(jìn)行處理；

5、通過(guò)形態(tài)學(xué)算法對(duì)mredt產(chǎn)生的數(shù)據(jù)的噪聲和邊緣信息進(jìn)行濾波處理；

6、使用處理后的數(shù)據(jù)對(duì)dacn-m模型進(jìn)行訓(xùn)練，在dacn-m模型的基礎(chǔ)上，使用殘差疊加方法提高紅樹(shù)林區(qū)域的分割精度。

7、進(jìn)一步的，原始遙感數(shù)據(jù)為云覆蓋率小于10％的1c級(jí)預(yù)處理數(shù)據(jù)，將原始遙感數(shù)據(jù)經(jīng)過(guò)正射校正和大氣校正，轉(zhuǎn)換為2a級(jí)地表反射率數(shù)據(jù)，所述地表反射率數(shù)據(jù)在水平方向上的空間分辨率為20米，地表反射率數(shù)據(jù)包括若干個(gè)不同的光譜帶。

8、進(jìn)一步的，在獲取原始遙感數(shù)據(jù)后，通過(guò)z分?jǐn)?shù)來(lái)衡量每個(gè)原始遙感數(shù)據(jù)點(diǎn)與整個(gè)原始遙感數(shù)據(jù)集之間的差異，并去除其中的高維異常值，過(guò)濾異常像素。

9、進(jìn)一步的，構(gòu)建紅樹(shù)林粗提取決策樹(shù)模型mredt，具體包括：

10、從不同頻帶中選擇具有代表性的特征頻帶；

11、使用線性回歸模型構(gòu)建所選擇特征頻帶的相關(guān)參數(shù)，通過(guò)下式對(duì)紅樹(shù)林特征進(jìn)行分析，

12、

13、其中，ρλ表示波段中心反射率，λ1、λ2、λ3和λ4表示所選擇特征頻帶的中心波長(zhǎng)，f(x)表示紅樹(shù)林的決策特征；

14、引入歸一化水體植被指數(shù)ndwi完成水體信息的過(guò)濾，表示為：

15、

16、其中，g表示綠色波段，nir表示近紅外波段，f(x)和ndwi共同構(gòu)成mredt的決策方案，通過(guò)決策轉(zhuǎn)換從遙感光譜信息中收集紅樹(shù)林的強(qiáng)相關(guān)像素。

17、進(jìn)一步的，所述dacn-m模型包括特征增維部分和特征降維部分，將包含較少信道信息的階段稱為低特征階段，將包含較多信道信息的階段稱為高特征階段，假設(shè)輸入特征矩陣為卷積核為通過(guò)在二維數(shù)據(jù)上滑動(dòng)來(lái)執(zhí)行卷積運(yùn)算，其數(shù)學(xué)表達(dá)式如下：

18、

19、其中，x*k表示卷積運(yùn)算，(i,j)是輸出特征矩陣的位置。

20、進(jìn)一步的，所述特征增維部分包括四個(gè)卷積組以及一個(gè)通道注意力模塊，每個(gè)卷積組的規(guī)模為1×3，dacn-m模型在從低特征階段到高特征階段的計(jì)算過(guò)程中保留結(jié)果，并將結(jié)果疊加到特征降維部分中相同大小的特征上，所述通道注意力模塊包括全局池和多層感知器，通道注意力模塊應(yīng)用于高特征階段，用于強(qiáng)調(diào)或降低不同輸入通道特征的重要性，增強(qiáng)模型對(duì)關(guān)鍵特征的理解，其數(shù)學(xué)表達(dá)式為：

21、x′＝x⊙(σ(w2·(relu(w1·(maxpool(x))+b1))+b2)t)

22、其中，表示全連通層的權(quán)矩陣，表示偏差，maxpool表示全局最大池化運(yùn)算，σ表示sigmoid激活函數(shù)，通道注意力模塊從輸入特征矩陣x中學(xué)習(xí)，并將其轉(zhuǎn)換為加權(quán)特征矩陣x′，

23、

24、進(jìn)一步的，所述特征降維部分包括三個(gè)尺度為1×3的卷積組，用于逐漸降低特征的維度，得到最終的回歸結(jié)果。

25、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

26、本發(fā)明提供的一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，提出了一種基于多線性回歸的紅樹(shù)林粗提取決策樹(shù)模型mredt，用于紅樹(shù)林樣本的自動(dòng)采集，取代了需要大量手動(dòng)注釋的傳統(tǒng)方法，同時(shí)設(shè)計(jì)了一個(gè)深度注意卷積網(wǎng)絡(luò)模型dacn-m，用于紅樹(shù)林分析中的光譜多特征融合，所述方法通過(guò)使用閾值分割疊加的殘差結(jié)果，可以有效地將紅樹(shù)林與其他植被區(qū)分開(kāi)來(lái)，從而能夠?qū)t樹(shù)林區(qū)域進(jìn)行精細(xì)提取，顯著提高了所述方法的分類精度。所述方法解決了傳統(tǒng)方法中對(duì)大量注釋樣本的依賴性問(wèn)題，具有良好的泛化能力。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，其特征在于，原始遙感數(shù)據(jù)為云覆蓋率小于10％的1c級(jí)預(yù)處理數(shù)據(jù)，將原始遙感數(shù)據(jù)經(jīng)過(guò)正射校正和大氣校正，轉(zhuǎn)換為2a級(jí)地表反射率數(shù)據(jù)，所述地表反射率數(shù)據(jù)在水平方向上的空間分辨率為20米，地表反射率數(shù)據(jù)包括若干個(gè)不同的光譜帶。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，其特征在于，在獲取原始遙感數(shù)據(jù)后，通過(guò)z分?jǐn)?shù)來(lái)衡量每個(gè)原始遙感數(shù)據(jù)點(diǎn)與整個(gè)原始遙感數(shù)據(jù)集之間的差異，并去除其中的高維異常值，過(guò)濾異常像素。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，其特征在于，構(gòu)建紅樹(shù)林粗提取決策樹(shù)模型mredt，具體包括：

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，其特征在于，所述dacn-m模型包括特征增維部分和特征降維部分，將包含較少信道信息的階段稱為低特征階段，將包含較多信道信息的階段稱為高特征階段，假設(shè)輸入特征矩陣為卷積核為通過(guò)在二維數(shù)據(jù)上滑動(dòng)來(lái)執(zhí)行卷積運(yùn)算，其數(shù)學(xué)表達(dá)式如下：

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，其特征在于，所述特征增維部分包括四個(gè)卷積組以及一個(gè)通道注意力模塊，每個(gè)卷積組的規(guī)模為1×3，dacn-m模型在從低特征階段到高特征階段的計(jì)算過(guò)程中保留結(jié)果，并將結(jié)果疊加到特征降維部分中相同大小的特征上，所述通道注意力模塊包括全局池和多層感知器，通道注意力模塊應(yīng)用于高特征階段，用于強(qiáng)調(diào)或降低不同輸入通道特征的重要性，增強(qiáng)模型對(duì)關(guān)鍵特征的理解，其數(shù)學(xué)表達(dá)式為：

7.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，其特征在于，所述特征降維部分包括三個(gè)尺度為1×3的卷積組，用于逐漸降低特征的維度，得到最終的回歸結(jié)果。

技術(shù)總結(jié)
本發(fā)明提供一種基于深度學(xué)習(xí)的紅樹(shù)林分布分析方法，涉及紅樹(shù)林分布監(jiān)測(cè)技術(shù)領(lǐng)域，包括步驟：獲取原始遙感數(shù)據(jù)，將原始遙感數(shù)據(jù)轉(zhuǎn)換為地表反射率數(shù)據(jù)；構(gòu)建紅樹(shù)林粗提取決策樹(shù)模型MREDT，通過(guò)MREDT對(duì)地表反射率數(shù)據(jù)進(jìn)行處理；通過(guò)形態(tài)學(xué)算法對(duì)MREDT產(chǎn)生的數(shù)據(jù)的噪聲和邊緣信息進(jìn)行濾波處理；使用處理后的數(shù)據(jù)對(duì)DACN?M模型進(jìn)行訓(xùn)練，在DACN?M模型的基礎(chǔ)上，使用殘差疊加方法提高紅樹(shù)林區(qū)域的分割精度。所述方法解決了傳統(tǒng)方法中對(duì)大量注釋樣本的依賴性問(wèn)題，具有良好的泛化能力。

技術(shù)研發(fā)人員：吳淑雷,趙雨辰,陳煥東,吳忠強(qiáng),張先瑤,羅輝,莊家森,王福林
受保護(hù)的技術(shù)使用者：海南師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9