一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法

技术领域

本发明涉及湿地植被的分类算法模型，特别针对现有湿地植被模型构建繁琐、训练时间长，植被分类易于混淆的问题，尤其是湿地植被分类效率低且精度不高的缺点，基于面向对象的深度学习模型和迁移学习方式实现湿地植被的高精度分类。

背景技术

湿地植被是湿地的重要组成部分，是判定湿地生态系统发育成熟的重要特征，是维持湿地生态功能的稳定性、促进生态环境的良性循环的前提和基础。准确识别与监测湿地植被的时空分布信息，对系统研究湿地的结构与生态功能具有重要的理论意义，对湿地的保护与合理的开发有着至关重要的作用。

目前，对植被的测算多数是通过机器学习算法来实现的，如专利申请202011322693.8公开了一种基于无人机高光谱和机器学习算法的乔木生物量测算方法，用以更好的实现目标区域类型乔木的生物量监测。本发明先利用无人机获取目标区域陆生植物的高光谱影像，并基于高光谱影像就建模，提取数字表面模型的高程信息；再从原始影像照片中提取光谱信息，依据陆生植物生态环境监测植被分类的类型，结合目标区域中各类植物的高层信息、特征波段和植被指数，采用机器学习算法进行定量反演模型训练，得到反演模型；再利用反演模型对目标区域的植被类型进行分类，从而提取到乔木的分类数据；最后利用提取到乔木的分类数据，并结合地上生物量公式，计算得到乔木生物量。

参考现有科学文献中湿地植被的研究，现有最为广泛的分类方法是利用卷积神经网络算法进行智能识别，该算法具有深层多层结构、端到端的训练方式以及较强的泛化能力，能够较高精度的识别湿地植被，但存在以下问题：利用卷积神经网络算法对不同遥感影像进行分类时，需进行大量迭代训练，花费大量时间；卷积神经网络算法逐像素进行湿地植被分类时无法精确新识别上下文信息，导致植被边界处易混淆。

发明内容

为了解决上述问题，本发明的首要目的在于提供一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法，该方法针对现有湿地植被模型构建繁琐、训练时间长，植被分类易于混淆的问题，尤其是湿地植被分类效率低且精度不高的缺点，提出一种基于面向对象的深度学习模型和迁移学习方式实现湿地植被群丛与植被边界的高精度分类。

本发明的另一个目的在于提供一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法，该方法构建的分类模型可以有效地解决以上问题，通过运用卷积神经网络的迁移学习能力提高了湿地植被群丛的分类精度与效率；通过扩展遥感影像空间分辨率梯度与光谱维度识别湿地植被，解决单幅影像无法精确识别各类湿地植被的问题；通过使用融合图像分割的卷积神经网络模型提高了植被边界处的精准分类。

本发明的再一个目的在于提供一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法，该方法选取新一代中国高空间分辨率对地观测卫星GF-1、GF-2与ZY-3以及国际对地观测卫星Sentinel-2A与Landsat 8OLI为数据源基于深度学习算法进行湿地植被高精度分类，有利于简历满足深度学习模型的湿地植被数据集，通过扩展遥感影像空间分辨率梯度与光谱维度提高分类精度，利用卷积神经网络的迁移学习能力提高湿地植被分类效率。

为实现上述目的，本发明提供如下技术方案：

一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法，该方法包括如下步骤：

步骤(1)：依据实测数据制作深度学习语义标签；

步骤(2)：对遥感影像进行预处理；所述遥感影像是通过观测卫星获得的；

步骤(3)：将步骤(1)与(2)数据进行匹配，将具有相同空间分辨率的遥感影像与标签数据进行匹配做成训练样本，一同输入分类模型，形成训练样本集合；

步骤(4)：建立多源数据遥感影像分类方案；

将不同空间分辨率梯度、光谱维度的遥感影像分别进行整合，建立多源数据遥感影像分类方案；

步骤(5)：对训练样本进行增强处理；

步骤(6)：利用卷积神经网络算法对每种分类方案进行迭代训练；

步骤(7)：将步骤(6)中的训练记录作为其他方案的训练基准，进行迁移学习训练；

选取30次迭代训练中训练精度最高的权重记录，以此为迁移学习训练的基准，对其他方案的影像进行训练，在训练时将所有卷积层都以比默认学习率小10倍的学习率进行微调；

步骤(8)：对每种方案对应的影像进行分类预测；选取迭代训练中训练精度最高的权重记录进行分类预测；

步骤(9)：对影像进行多尺度分割；

所述分割，是对影像进行多尺度分割，通过设置形状/颜色、紧度/平滑度和尺度3个重要参数，采用自下而上的区域合并技术将影像分割成具有相对均匀特性的对象；

步骤(10)：将步骤(8)的分类结果与步骤(9)的分割结果进行融合；

步骤(11)：构建深度学习模型分类结果评价指标；

采用制图精度(PA)、用户精度(UA)、平均精度(PA与UA的均值,AA)、Kappa值与总体分类精度(OA)5种精度指标来验证模型对植被的分类情况；

步骤(12)：将步骤(8)、(10)的分类结果与实测数据进行对比，按照评价指标进行模型评判。

与现有技术相比，本发明的有益效果是：

本发明从制作深度学习语义标签数据、训练模型实现湿地植被高精度分类。利用卷积神经网络的优势，构建的分类模型可以有效地解决目前植被分类的效率问题，通过运用迁移学习能力提高湿地植被群丛的分类精度与效率；通过扩展遥感影像空间分辨率梯度与光谱维度识别湿地植被，解决单幅影像无法精确识别各类湿地植被的问题；通过使用融合图像分割的卷积神经网络模型提高了植被边界处的精准分类。

附图说明

图1是本发明所实现的流程图。

图2是本发明融合图像分割算法后的结果图。

图3是本发明在融合图像分割算法后的结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示是本发明实现的流程图，依据分类方案将对应的遥感影像与标签数据进行迭代训练，用训练后的记录来预测湿地植被，最后通过构建的评价指标评价分类模型性能。

以下分别说明各个实现步骤，以提供参考。

步骤(1)：依据实测数据制作深度学习语义标签；

依据实测数据并结合人工目视解译来制作湿地深度学习语义标签数据；

步骤(2)：对遥感影像进行预处理；

利用ArcGIS 10.6、ENVI 5.3、SNAP等软件对对地观测卫星GF-1、GF-2与ZY-3以及国际对地观测卫星Sentinel-2A与Landsat 8OLI获得的遥感影像进行辐射定标、大气校正、裁剪、地理配准等预处理；

步骤(3)：将步骤(1)与(2)数据进行匹配，形成训练样本集合；

将具有相同空间分辨率的遥感影像与标签数据进行匹配做成训练样本，一同输入分类模型；

步骤(4)：建立多源数据遥感影像分类方案；

将不同空间分辨率梯度、光谱维度的遥感影像分别进行整合，建立多源数据遥感影像分类方案；

步骤(5)：对训练样本进行增强处理；

为增加样本数量，对影像与标签数据分割成256*256像素大小，并在分割过程中对影像及样本数据进行翻转、通道互换、随机旋转等增强处理；

步骤(6)：利用卷积神经网络算法对每种分类方案进行迭代训练；

为达到稳定的训练精度，对每种方案进行30次迭代训练。其中，模型优化器算法设置为Adam，初始学习率设置为0.001，动量参数设置为0.8；损失函数设置为Categorical_crossentropy loss，初始学习率设置为0.001，动量参数设置为0.8，损失函数设置为Categorical_crossentropy loss.

步骤(7)：将步骤(6)中的训练记录作为其他方案的训练基准，进行迁移学习训练；

选取30次迭代训练中训练精度最高的权重记录，以此为迁移学习训练的基准，对其他方案的影像进行训练，在训练时将所有卷积层都以比默认学习率小10倍的学习率进行微调；

步骤(8)：对每种方案对应的影像进行分类预测；

选取迭代训练中训练精度最高的权重记录进行分类预测；

步骤(9)：对影像进行多尺度分割；

基于eCognition Developer 9.4软件对影像进行多尺度分割，通过设置形状/颜色、紧度/平滑度和尺度3个重要参数，采用自下而上的区域合并技术将影像分割成具有相对均匀特性的对象；

步骤(10)：将步骤(8)的分类结果与步骤(9)的分割结果进行融合；

采用面积优化方法将步骤(8)的分类结果与步骤(9)的多尺度分割结果相结合；

步骤(11)：构建深度学习模型分类结果评价指标；

采用制图精度(PA)、用户精度(UA)、平均精度(PA与UA的均值,AA)、Kappa值与总体分类精度(OA)5种精度指标来验证模型对植被的分类情况；

步骤(12)：将步骤(8)、(10)的分类结果与实测数据进行对比，按照评价指标进行模型评判。

迁移学习后的湿地植被分类结果与融合图像分割算法后的湿地植被分类结果如图2、图3所示。

本发明通过运用卷积神经网络的迁移学习能力提高了湿地植被群丛的分类精度与效率；通过扩展遥感影像空间分辨率梯度与光谱维度识别湿地植被，解决单幅影像无法精确识别各类湿地植被的问题；通过使用融合图像分割的卷积神经网络模型提高了植被边界处的精准分类。

总之，本发明的优点如下：

1.通过迁移学习能力提高了湿地植被群丛的分类精度与效率；

2.通过扩展遥感影像空间分辨率梯度与光谱维度识别湿地植被，解决单幅影像无法精确识别各类湿地植被的问题；

3.通过使用融合图像分割的卷积神经网络模型提高了植被边界处的精准分类。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。