日韩av大片在线观看欧美成人不卡|午夜先锋看片|中国女人18毛片水多|免费xx高潮喷水|国产大片美女av|丰满老熟妇好大bbbbbbbbbbb|人妻上司四区|japanese人妻少妇乱中文|少妇做爰喷水高潮受不了|美女人妻被颜射的视频,亚洲国产精品久久艾草一,俄罗斯6一一11萝裸体自慰,午夜三级理论在线观看无码

題目

基于局域-全局特征增強(qiáng)網(wǎng)絡(luò)和無人機(jī)高光譜遙感的荒漠草地物種分類

應(yīng)用關(guān)鍵詞

荒漠草地,、高光譜圖像,、卷積神經(jīng)網(wǎng)絡(luò)、無人機(jī),、物種分類

背景

草地退化導(dǎo)致水土流失,、沙塵暴、草地生產(chǎn)力下降,、生物多樣性減少等生態(tài)問題,，并影響當(dāng)?shù)匦竽翗I(yè)的發(fā)展,。因此,，對植被進(jìn)行有效監(jiān)測可以緩解退化持續(xù)加劇的問題。低空無人機(jī)遙感平臺(tái)結(jié)合了空間分辨率和監(jiān)測距離的優(yōu)勢,，適合草地退化監(jiān)測,。

將傳統(tǒng)機(jī)器學(xué)習(xí)應(yīng)用于草地退化的研究需要人工提取大量的特征信息，耗時(shí)且費(fèi)力,。隨后,，學(xué)者們將深度學(xué)習(xí)引入到草地退化指標(biāo)物種的分類任務(wù)中，將特征提取到分類的過程整合起來,。然而,，構(gòu)建的模型參數(shù)量較大，需要大量的訓(xùn)練樣本,，并且其分類性能有待提高,。因此，需要一種高效,、高精度,、小樣本的草地監(jiān)測模型。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network, CNN）是高光譜圖像（Hyperspectral image, HSI）分類的主流方法,?；诠庾V空間的HSI分類方法同時(shí)關(guān)注光譜和空間信息，有效地提高了其分類性能,。但是CNN通常使用固定大小的卷積核進(jìn)行特征提取,，因此CNN只能提取局部特征，這限制了分類性能的提高,。

為了獲得草地物種的高分辨率遙感影像,，采用無人機(jī)高光譜遙感技術(shù)對內(nèi)蒙古葛根塔拉草原植被物種進(jìn)行了數(shù)據(jù)采集,。提出了一種基于局部-全局特征增強(qiáng)網(wǎng)絡(luò)（Local-global feature enhancement network, LGFEN）的荒漠草地物種高精度分類方法。此外,，我們使用卷積塊注意模塊（Convolutional block attention module , CBAM）來細(xì)化HSI的特征,，以進(jìn)一步增強(qiáng)LGFEN網(wǎng)絡(luò)的分類性能。本文利用小樣本數(shù)據(jù)對荒漠草地物種分類進(jìn)行了探索,，旨在為荒漠草地生態(tài)系統(tǒng)的動(dòng)態(tài)監(jiān)測提供理論依據(jù),。

試驗(yàn)設(shè)計(jì)

內(nèi)蒙古農(nóng)業(yè)大學(xué)杜健民教授團(tuán)隊(duì)利用Gaiasky-Mini2-VN高光譜相機(jī)（江蘇雙利合譜公司）獲取了研究區(qū)內(nèi)不同地物品的高光譜影像，其波段范圍為400 ~ 1000 nm,，波段數(shù)為256,。各類地物的光譜曲線如圖1所示。其他地物類型（墊子,、小旗和垃圾）的光譜曲線與其余5種地物的光譜曲線差異最大,。裸地光譜曲線在550 ~ 740 nm范圍內(nèi)呈緩慢線性增長，與4種植被的特征差異顯著,。580 nm后,，短花針茅的光譜曲線與其余3種植被的光譜曲線存在一定差異。閉鎖薊,、冷蒿和駝絨藜的光譜曲線相似度較高,。在886.6 nm之后，由于噪聲的影響,，不同地物的光譜曲線都表現(xiàn)出較大的波動(dòng),，最終獲得的頻帶數(shù)為205個(gè)。

本研究中使用了局部特征增強(qiáng)模塊（Local feature enhancement, LFE）（圖2）和全局特征增強(qiáng)模塊（Global feature enhancement, GFE）（圖3）,。LFE使用二維卷積來學(xué)習(xí)HSI的局部特征,，并使用殘差結(jié)構(gòu)來增強(qiáng)特征重用。GFE通過FC層學(xué)習(xí)各子patch之間的相關(guān)特征,，獲得全局特征信息,。CBAM模塊包括通道注意模塊和空間注意模塊，如圖4所示,。

LGFEN由3個(gè)主要模塊組成：LFE模塊,、GFE模塊和CBAM模塊。其結(jié)構(gòu)如圖5所示,。在網(wǎng)絡(luò)中,，主要采用核大小為1 × 1的二維卷積對HSI進(jìn)行降維，以減少高維數(shù)據(jù)的冗余信息,，經(jīng)過該卷積層后,，數(shù)據(jù)的通道維數(shù)降為64。然后,，通過轉(zhuǎn)置卷積對降維后的數(shù)據(jù)進(jìn)行自適應(yīng)上采樣,，以擬合GFE模塊中子patch的采樣過程,。隨后，上采樣數(shù)據(jù)通過LFE和GFE模塊來學(xué)習(xí)HSI的局部和全局特征,。最后,，通過CBAM模塊對學(xué)習(xí)到的特征進(jìn)行細(xì)化，增強(qiáng)網(wǎng)絡(luò)性能的穩(wěn)定性,。所有特征學(xué)習(xí)完成后,，通過全局平均池化層對空間特征進(jìn)行聚合，最后通過兩個(gè)FC層進(jìn)行最終分類,。

圖1 不同地物的光譜曲線

圖2 LFE結(jié)構(gòu)

圖3 GFE結(jié)構(gòu)

圖4 CBAM結(jié)構(gòu)

圖5 LGFEN網(wǎng)絡(luò)架構(gòu)

結(jié)論

為了驗(yàn)證各模塊的有效性,，進(jìn)行了消融試驗(yàn)分析。比較了僅使用GFE模塊的網(wǎng)絡(luò),、僅使用LFE模塊的網(wǎng)絡(luò),、使用GFE + LFE模塊的網(wǎng)絡(luò)和最終的LGFEN網(wǎng)絡(luò)。如表1所示,，同時(shí)提取局部和全局特征的網(wǎng)絡(luò)的分類性能優(yōu)于局部特征和全局特征分別提取,。這表明GFE和LFE聯(lián)合是有效的。在此基礎(chǔ)上,，加入CBAM注意力模塊的LGFEN網(wǎng)絡(luò)獲得了最佳的分類性能,。與未添加CBAM模塊的GFE + LFE網(wǎng)絡(luò)相比,，OA（整體精度）,、AA（平均精度）和K（Kappa系數(shù)）分別提高了1.28%、1.37%和1.96%,。此外,，LGFEN網(wǎng)絡(luò)的偏差更低，說明CBAM模塊在最終特征細(xì)化中的作用是有效保證網(wǎng)絡(luò)分類性能的穩(wěn)定性,。

表1 消融試驗(yàn)結(jié)果

為了更好地評估本文提出的LGFEN網(wǎng)絡(luò)的有效性,，我們選擇了幾種最新的HSI分類方法進(jìn)行比較，包括CTN,、DBDA,、DBMA和MAFN。從圖6可以看出,，本文提出的LGFEN方法對不同草地物種的分類效果好,，在所有方法中錯(cuò)分率低。

從表2可以看出,，本文提出的LGFEN在大多數(shù)類別中都取得了好的結(jié)果，所有類別的分類準(zhǔn)確率都超過了90%,。這說明LGFEN能夠更有效地提取荒漠草原物種特征,，具有更強(qiáng)的泛化能力,。從OA、AA和K的角度來看,，LGFEN在所有方法中表現(xiàn)出好的綜合分類性能,，OA、AA和K的值分別為98.61%,、97.67%和0.9815,。從偏差的角度來看,，LGFEN的偏差更低,，說明其分類性能更穩(wěn)定。

此外,，為了驗(yàn)證LGFEN在小樣本下的特征提取能力,，我們對不同數(shù)量的訓(xùn)練樣本進(jìn)行了實(shí)驗(yàn)。在實(shí)驗(yàn)中,，每個(gè)類別的訓(xùn)練樣本數(shù)量分別設(shè)置為5個(gè),、10個(gè)、15個(gè)和20個(gè),。結(jié)果如圖7所示,。從圖中可以看出,，隨著訓(xùn)練樣本數(shù)量的增加,，不同分類方法的分類準(zhǔn)確率逐漸提高,。同時(shí),，LGFEN的分類準(zhǔn)確率仍然是最高的,，說明本文提出的LGFEN在小樣本下具有更好的魯棒性和適應(yīng)性。

如圖8所示。從模型參數(shù)來看,，LGFEN的參數(shù)數(shù)量與CTN相似；與DBDA,、DBMA和MAFN相比,，LGFEN的參數(shù)數(shù)量較少。從模型預(yù)測時(shí)間的角度來看,，LGFEN消耗的時(shí)間成本更低,，說明LGFEN在保證分類精度的同時(shí)具有更高的計(jì)算效率,。

圖6 不同方法的混淆矩陣分類結(jié)果

表2 不同分類方法的實(shí)驗(yàn)結(jié)果

圖7 具有不同數(shù)量訓(xùn)練樣本的OA

圖8 不同分類方法的參數(shù)數(shù)量和預(yù)測時(shí)間

為驗(yàn)證LGFEN在荒漠草原物種識別中的有效性，選取3個(gè)樣本進(jìn)行可視化分析,，如圖9所示,。從圖中可以明顯看出，其他地面物體和裸地物體被有效識別,。通過對比人工野外調(diào)查記錄和無人機(jī)航拍RGB拼接圖像,，3個(gè)樣本的分類結(jié)果與實(shí)際地物的空間分布相匹配,，分類性能良好。有效地區(qū)分了不同的地物,，較好地保留了地物的空間特征,。這表明LGFEN在荒漠草原物種的識別和分類方面具有良好的泛化能力,。本研究為荒漠草原退化監(jiān)測提供了一種新的方法，可為今后的研究提供理論參考,。

圖9 樣本可視化驗(yàn)證

作者信息

杜健民，博士,，內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院教授,，博士生導(dǎo)師。

主要研究方向：環(huán)境測控技術(shù)與裝備智能化,。

參考文獻(xiàn)：

Zhang, T., Bi, Y. G., Du, J. M., Zhu, X. B., & Gao, X. C. (2022). Classification of desert grassland species based on a local-global feature enhancement network and UAV hyperspectral remote sensing. Ecological Informatics, 72.

https://doi.org/10.1016/j.ecoinf.2022.101852