投稿问答最小化  关闭

佳文分享|RSE:利用机载高光谱图像进行树种分类的三维卷积神经网络模型(附代码)

2022/9/30 17:19:23  阅读:63 发布者:

导言

机载高光谱遥感数据具有丰富光谱和空间特征,可以有效提高植被物种的分类精度。然而,在林业树种时,因物种分布零散、地形复杂和树冠被遮挡等问题,分类准确性会下降。Bin Zhang等在Remote Sensing of Environment期刊上发表论文,提出了一种轻量级的、通用的、可快速收敛的改进的三维卷积神经网络,该模型可以实现短时间、大面积、高精度的多树种分类。

论文信息

原名:Three-dimensional convolutional neural network model for tree species classification using airborne

译名:利用机载高光谱图像进行树种分类的三维卷积神经网络模型

期刊:Remote Sensing of Environment (IF=13.85)

发表时间:20206

数据及代码链接:https://github.com/Bin-Zh/Three-dimensional-convolutional-neural-network-model-for-tree-species-classification-using-airborne-

1.研究背景

近年来,高光谱遥感在林业中的一个重要应用是森林物种的识别,特别是复杂地形下多种树种的精细分类,弥补了常规人力实地调查效率低、劳动强度大、成本高的不足。随着遥感传感器的快速发展,高光谱遥感数据的获取和采集更加容易,成本也大大降低,特别是具有高空间分辨率和高光谱分辨率的机载高光谱数据的获取是灵活和快速的,这使得机载高光谱数据的树种分类研究具有实用性,有利于生态学家和决策者做出正确的决策。

2.研究区域

研究区位于中国南方广西高峰国有林场(22 ° 1236- 24 ° 224N, 107 ° 1940- 109 ° 373E;图1)。研究区森林植被以人工林为主,其中针叶林主要有杉木()、马尾松、湿地松,阔叶林主要有巨尾桉(巨桉杂种)、尾叶桉、红锥、油茶等。无人机高光谱数据由LiCHy系统携带的AISA Eagle II高光谱成像仪获得,总飞行高度约为1000米,获得的高光谱数据包含125个波段,范围从4001000纳米,光谱分辨率为3.3纳米,空间分辨率为1米。同时,对主要杉木林、桉树林和阔叶混交林进行了地面样本数据的调查:桉树林和阔叶混交林,调查了1025米×25米的地块和925米×50米的地块,其中6个地块为纯桉树林,7个地块为纯冷杉林。其余为其他林分和混合林。调查因素包括中心点和四个角点的经度和纬度、坡度、角度、树种类型、树高、东西向树冠、南北向树冠、树冠密度、叶面积指数等。

1 研究区域为广西省高峰国有林场。(a) 研究区的位置。(b) 标准假彩色图像和简单的地块位置。(c1), (c2) 研究地点的地面图像。

2 研究区域的高光谱影像及对应的地面真值图。

3.研究方法

本研究构建了一种像素级3D-CNN分类框架,融合高光谱图像中的光谱信息和空间信息,其输入数据不是整幅高光谱图像,而是像素周围的一个小邻域空谱立方体,如图3所示。3D-CNN对无人机高光谱树种影像的处理流程如图4所示。在3D-CNN基础上,将输入的一系列3D立方体转换为多个3D卷积层,以产生一个1维的特征表示,捕获模型学习到的高级语义概念,进一步提出3D-1D-CNN方法。

3 3D-CNN的主要框架

1 3D-CNN的模型结构

4 3D-CNN用于无人机高光谱树种分类

4.研究结果

1)树种分类结果

为了验证3D-CNN对高光谱数据的分类能力,面向对象的分割、随机森林(RF)特征筛选方法和2D-CNN被用来进行比较分析,如表2和图5所示。3D-CNN分类效果最佳,3D-1D-CNN的模型参数更少。

1 不同方法的分类精度对比

5 不同对比方法的分类图对比

2)输入数据的空间尺寸

适当增加输入数据的大小有助于提高分类性能,而过大的区域可能会产生额外的噪声,特别是当像素位于类别的角落或边缘时,会导致精度的降低。综合以上结果,11 × 11的窗口大小可以取得较好的效果。

6 输入尺寸对模型的分类性能影响

3T-SNE可视化分类过程

模型分类过程中,同一树种类别的特征在图中逐渐聚集在一起,各类特征的边界也逐渐清晰,如图7所示。

7 T-SNE可视化显示分类过程

4.研究结论

针对复杂地形条件下的多树种分类,研究提出了一个新型的3D-CNN模型,它是一个轻量级的、通用的、快速收敛的归纳模型。3D-CNN模型之所以能达到较高的准确率,其中一个原因是3D卷积操作可以保留更精细的光谱信息。本文提出的3D-CNN结构不需要对数据进行预处理或后处理,能够充分利用高光谱图像中的空间和光谱信息,达到理想的分类精度。

5.文章引用格式

ZHANG, BIN, ZHAO, LIN, ZHANG, XIAOLI. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images [J]. Remote Sensing of Environment, 2020, 247. DOI:10.1016/j.rse.2020.111938.

转自:“科研圈内人”微信公众号

如有侵权,请联系本站删除!


  • 万维QQ投稿交流群    招募志愿者

    版权所有 Copyright@2009-2015豫ICP证合字09037080号

     纯自助论文投稿平台    E-mail:eshukan@163.com