基于IA_UNet模型的陇西黄土高原土地覆被分类.pdf
《基于IA_UNet模型的陇西黄土高原土地覆被分类.pdf》由会员分享,可在线阅读,更多相关《基于IA_UNet模型的陇西黄土高原土地覆被分类.pdf(8页珍藏版)》请在咨信网上搜索。
1、兰州大学学报(白然科学版)2023,59(3)/6月Journal of Lanzhou University(Natural Sciences),2023,59(3)/June基于IA_UNet模型的陇西黄土高原土地覆被分类胡丛慧,刘勇,侯建西,刘东杰,刘怡!1.兰州大学资源环境学院,兰州7 30 0 0 02.河北长风信息技术有限公司,石家庄0 5 0 0 0 0摘要:将Landsat8OLI中的2 7 波段与缨帽变换得到的亮度、绿度、湿度分量结合作为输人数据组合,在注意力U-Net模型基础上引入位置注意力模块与通道注意力模块,得到改进的注意力U-Net(IA_UNet)模型.结果表明,I
2、A_UNet可以有效地优化U-Net语义分割模型的土地覆被分类效能,加权交并比和总精度比注意力U-Net、FCN、R e s Ne t-FCN、U-Ne t、D e e p l a b V 3+模型分别提高了0.4 4%3.23%和0.2 5%2.0 9%;缨帽变换特征分量的引人有利于分类精度的提高,其分类结果中加权交并比、总精度比仅使用Landsat8OLI中2 7 波段分别提高了1.1 7%、0.7 3%,比缨帽变换三分量组合分别提高了1.9 2%、1.31%.关键词:土地覆被;缨帽变换;注意力机制;陇西黄土高原;Landsat8OLI中图分类号:P237文献标识码:A文章编号:0 4 5
3、 5-2 0 5 9(2 0 2 3)0 3-0 2 9 5-0 8D0I:10.13885/j.issn.0455-2059.2023.03.002Land cover classification of Longxi Loess Plateau based onthe IA_UNet modelHU Cong-hui,LIU Yong,HOU Jian-xi,LIU Dong-jie,LIU Yi1.College of Earth and Environmental Sciences,Lanzhou University,Lanzhou 730000,China2.Hebei Chang
4、feng Information Technology Co.Ltd.,Shijiazhuang 050000,ChinaAbstract:The 2-7 bands in Landsat 8 OLI were combined with the brightness,greenness and humiditycomponents obtained from tassel hat transformation as the input data combination.Based on the attentionU-Net model,the position attention modul
5、e and channel attention module were introduced to obtain animproved attention U-Net(IA_UNet)model.The results showed that IA_UNet could effectively optimizethe land cover classification efficiency of the U-Net semantic segmentation model.The frequency weight-ed intersection over union and total accu
6、racy were 0.44%-3.23%and 0.25%-2.09%higher than attentionU-Net,FCN,ResNet-FCN,U-Net and Deeplab V3+models respectively.The introduction of the tasseltransform feature component was conducive to the improvement of the classification accuracy.In the clas-sified results,the frequency weighted intersect
7、ion over union and total accuracy were 1.17%and 0.73%higher than those in band 2-7 of Landsat 8 OLI alone,and 1.92%and 1.31%higher than a combination ofthe three components of the tassel transform.Key words:land cover;tassel hat transformation;attention mechanism;Longxi Loess Plateau;Landsat 8OLI收稿日
8、期:2 0 2 2-0 5-1 0修回日期:2 0 2 2-1 1-2 4基金项目:国家自然科学基金项目(4 1 2 7 1 36 0)作者简介:刘勇(1 9 6 4-),男,甘肃清水人,教授,博士,e-mail:,研究方向为遥感信息分析与定量遥感,通信联系人:296兰州大学学报(自然科学版),2 0 2 3,5 9(3)陇西黄土高原在行政区划上涉及兰州市、定西市、白银市、临夏回族自治州的全部以及天水市和平?市的一部分,呈丘陵沟地貌,属半干旱-半湿润冷温带气候区,地形破碎,植被稀少,自然环境复杂,生态环境脆弱.作为中国东部湿润季风气候向内陆干旱气候的过渡地带,陇西黄土高原的生态环境和土地资源利
9、用不仅与当地的经济发展息息相关,还影响着黄河下游区域的生态安全 3 遥感是获取土地覆被时空变化信息的有效手段(4-5 ,利用遥感数据生产土地覆被产品成为大趋势.传统的基于像元的方法其结果普遍受到“椒盐”噪声的影响,难以满足制图要求.基于对象的方法使用具有多边形特征的影像分割对象作为基本的分析单元,每个对象都有光谱、几何、纹理、上下文等相关的属性特征 .尽管基于对象的方法能显著减小分类结果的“椒盐噪声”,但对于不同对象或者大尺度区域范围的空间几何特征利用不足;特征选择依赖专家知识,对复杂地物分类存在局限性8,分割参数的选择缺乏有效的手段.以卷积神经网络为代表的深度学习方法在图片识别测试赛中逐渐表
10、现出超过人工目视水平的识别能力在遥感影像分析领域也得到快速发展 9-1 0 .基于深度学习的遥感影像分类,通常需要结合大型参考数据集进行深度神经网络模型参数的拟合与评价,利用赋予参数的深度神经网络完成专题制图(图1).CHEN等 提出一种基于FCN(fullconnectednetwork)和DeepLabV3+的语义分割工作流,融合深层卷积网络和多尺度上下文信息,提高模型的分类能力和跨时空的泛化能力,据此利用Landsat时序数据得到城市密度水平和垂直维度图;柴华彬等1 1 2 将具有上下文场景解析能力的PSP(pyramid scene parseing)Net与快速特征嵌人卷积结构,通过
11、模型及样本的泛化和迭代,采用3期Landsat TM(thematic mapper)影像实现了湖北遥感数据深度学习分类遥感专题图非监督的深度学习模型AE;SAE;DBN测试有监督的深度学习模型CNN:RNN:GAN:语义分割精度评价训练数据集测试数据集评价数据集参考数据集图1基于深度学习的遥感影像分类方法Fig.1Remote sensing image classification methodbased on deep learning省土地覆被分类.目前已经提出了众多的深度神经网络模型,有哪些模型可以在土地覆被分类中避免小目标信息的丢失并保持准确的边界轮廓?经典深度神经网络模型在运用影
12、像分析时主要针对3波段合成的彩色影像,遥感影像通常包含更多波段,还有众多依据多波段代数运算得到的光谱指数可供选择,通过缨帽变换获得的亮度、绿度与湿度波段具有清晰的物理意义1 1 3,其作为输入波段可否提高基于深度学习的分类精度仍有待确定。陇西黄土高原地形破碎,土地覆被类型斑块复杂多样,以往基于像元或基于对象的方法往往受限于类型混淆、分类精度偏低.本研究在野外调查的基础上,选择改进的注意力U-Net(improvedattentionU-Net,IA_UNet)模型实现陇西黄土高原中会宁县、临洮县和渭源县的土地覆被分类.1数据与方法1.1研究区概况研究区位于甘肃省陇西黄土高原中部,地貌区划上属于
13、黄土垛弟丘陵沟区,会宁县地理位置1 0 4 2 9 1 0 5 31 E、35 2 4 36 2 6 N,属温带季风气候带的西北边缘部,年平均气温9.2,年平均降水量2 6 7.1 mm,降水少且南北分布不均,地表水资源稀少,临洮县地理位置1 0 32 9 1 0 4 1 9 E,35033556N,年平均气温7,年平均降水量317760mml4,属大陆性季风气候.渭源县地理位置1 0 4 0 2 1 0 4 4 9 E,332 6 35 0 7 N,年平均气温6.1,年平均降水量5 0 7 mm,属中温带大陆性季风气候,县域基本归属渭河水系1 5 .3个研究区均属中国西部典型生态脆弱区,地貌
14、条件类似,工业基础薄弱,经济欠发达6 .1.2数据来源与预处理利用Google earth engine平台对 Landsat TM/OLI(operational land imager)地表反射率数据进行筛选.通过政区境界线掩膜获得会宁县、临县、渭源县的多光谱遥感数据.所有数据获取时间为植物生长旺盛期的5-9 月,云量均小于1 5%.1.3分类体系根据研究区的自然状况,将土地覆被分为5 种类型:林地、草地、耕地、居住地和水体。林地为天然林、人工林,包括杨、槐、山杏、油松等乔木;草地为主要生长禾本科草本植物的典型草地、稀疏草地;耕地包括种植农作物的土地,新开发、复垦地,沙田,休闲地(含轮歇地
15、、轮作地);水体包括297胡丛慧,等:基于IAUNet模型的陇西黄土高原土地覆被分类河流、湖泊以及水库;居住地包括城镇、农村居民地及工矿用地.1.4样本数据集的制备采用自动分类与目视解译相结合的方法生成研究区土地覆被分类图.在GEE平台(https:/)利用研究区2 0 1 7 年Land-sat卫星影像,选择随机森林分类方法,根据3个研究区的光谱波段、光谱指数(包括归一化植被指数、归一化水体指数、归一化建筑物指数、环境植被指数、比值植被指数、增强型植被指数、DEM(digital elevationmodel)特征参数、夜间灯光数据、纹理特征等得到研究区分类结果.结合Google earth
16、历史影像及天地图(https:/www.tian-)高分辨率遥感影像对分类结果的矢量图斑进行目视检查,基于ArcGISPro软件修改错误分类的图斑属性,调整不准确的地物边界.将修改后的矢量数据转为栅格图像并使用众数滤波进行平滑处理,得到研究区的样本数据。根据语义分割模型的需要,以2 2 4 像素2 2 4像素对分类图进行裁剪,裁剪步距设为1 1 2 个像素,并通过9 0、1 8 0、2 7 0、水平和垂直翻转等方式进行数据扩增.最终得到7 9 7 4 张图片,其中训练样本5 6 8 8 张,验证样本1 4 4 2 张,测试样本8 6 4张,训练样本、验证样本与测试样本不存在交叉重叠,样本图像见
17、图2.1.5基于深度学习的土地覆被分类方法构建1.5.1输入数据组合Landsat影像波段数量多,包含丰富的信息7 ,但仅依靠Landsat图像作为输人数据,模型训练过程中特征学习的丰富度有限.本研究选择缨帽变换三分量作为Landsat影像中蓝、绿、红、近红外、短波红外1、短波红外2 波段的补充,设置3组输人数据组合:9 波段组合(蓝、绿、红、近红外、短波红外1、短波红外2、亮度分量、绿度分量、湿度分量)、6 波段组合(蓝、绿、红、近红外、短波红外1、短波红外2)和3波段组合(亮度分量、绿度分量、湿度分量).1.5.2土地覆被分类模型构建选择对小目标地物敏感的注意力U-Netl8为基础网络,注
18、意力U-Net注重局部特征信息,一定程度上忽视了全局信息,为获取丰富的全局信息,本研究在注意力U-Net底端引人并联的空间注意力机制以及位置注意力机制1 9 .本研究网络结构见图3,IA_UNet网络中每个跳跃连接的末端都添水体居住地草地耕地林地图2土地覆被若干典型样本Fig.2Sometypical samples of land cover加了注意力门控模块,不同的注意力模块发挥不同的作用,网络底端的双重注意力模块能够捕捉分类任务中相似地物的空间信息,获取通道之间的关联特征,自适应集成不同尺度中的相关特征,进一步建立不同类别之间的全局依赖关系,提高对地物类别的完整识别.注意力门控模块更注重
19、局部特征,增强地物细节信息的识别能力。1.6实验设计选择 FCN(20、R e s Ne t-FCN、U-Ne t 2 1 、D e e p-LabV3+2、注意力U-Netl18和引人通道注意力机制模块与空间注意力机制模块改进的IA_UNet模型共6 种经典模型结构进行对比实验.ResNet-FCN中ResNet网络选择ResNet-50,其在分类性能上优于ResNet-18和ResNet-34,参数比ResNet-101和ResNet-152少,计算效率更高 2 3使用兰州大学高性能计算平台公共集群进行模型训练和预测,所有网络模型都基于Pytorch框架进行搭建,训练和测试等过程均使用Py
20、thon编程语言实现,中央处理器(CPU)为IntelXeonGold6248,202核;显卡(GPU)为NVIDIA特斯拉V100PCle 32GB,内存1 2 8 G,Pytorch1.1.5,CUDA11.3,Python3.7.7,OS CentOS 8.3.0.针对不同的输人数据组合将模型输人尺寸设置为2 2 4 2 2 4 3,2 2 4 2 2 4 6 和2 2 4 2 2 4 9.实验中学习率设为0.0 0 0 1,送代次数为7 0,批量大小设置为1 6.基于多分类任务,本研究模型训练过程采用Adamax24优化器更新网络权重,选择二元交叉损失函数作为损失函数.采用总精度(O)
21、、F1 得分(F)、加权交并比(W)25)进行精度评价.298兰州大学学报(自然科学版),2 0 2 3,5 9(3)输入图像输出图像位置注意力换买(HxWD)X(HxW)3x3卷积.ReLu通道注意矩阵CKHXW22最大池化位置注意矩阵CxHW变形22反卷积位置矩阵运算1x1卷积核通道矩阵运算变形形跳跃连接矩阵乘法XHWCxHW门控信号逐元素和CXC注意力门控C通道:H:高.W:宽通道注意力换头图3IA_UNet结构Fig.3IA_UNetstructurea+b(1)a+d+c+ba+daW=(2)Xa+c+b+da+c+d2aF(3)2a+c+d其中,代表分类结果中正样本被正确分类的像素
22、个数;b代表分类结果中负样本被正确分类的像素个数;c代表分类结果中正样本被错误分类的像素个数;d代表分类结果中负样本被错误分类的像素个数.2结果与分析2.1语义分割模型对比基于2 0 1 7 年Landsat影像生成的样本数据集,对 DeepLab V3+、FCN、R e s Ne t-FCN、U-Ne t、注意力U-Net以及本研究提出的IA_UNet共6 种模型进行训练与评价比较,图4 展示了6 种模型在输人数据为9 波段(Landsat8OLI影像2 7 波段和缨帽变换3参数)时的结果,在a组影像中,草地分布范围广,其他土地覆被类别交错分布其中.每个模型基本上都能较好地识别出草地、水体(
23、以河流为主)、居住地.依据IA_UNet模型提取的居住地更完整,U-Net对散落分布的居住地提取效果较差.林地分布范围小而集中,注意力U-Net、D e e p La b V 3+、U-Ne t、FCN的提取效果均不及IA_UNet模型.在b组影像中,耕地大面积分布,居住地零星散布,草地、林地小范围分布.由FCN、R e s Ne t-FCN和DeepLabV3+模型提取出的居住地效果较差,将已经干并成为稀疏草地的河道误分成了水体.依据IA_UNet模型提取的居住地更接近样本数据.在c组影像中,耕地、草地以及林地混杂分布,居住地小范围分布.DeepLabV3+、FCN、U-Net、R e s
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 IA_UNet 模型 陇西 黄土高原 土地 覆被 分类
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。