题目

基于局域-全局特征增强网络和无人机高光谱遥感的荒漠草地物种分类

应用关键词

荒漠草地、高光谱图像、卷积神经网络、无人机、物种分类

背景

草地退化导致水土流失、沙尘暴、草地生产力下降、生物多样性减少等生态问题，并影响当地畜牧业的发展。因此，对植被进行有效监测可以缓解退化持续加剧的问题。低空无人机遥感平台结合了空间分辨率和监测距离的优势，适合草地退化监测。

将传统机器学习应用于草地退化的研究需要人工提取大量的特征信息，耗时且费力。随后，学者们将深度学习引入到草地退化指标物种的分类任务中，将特征提取到分类的过程整合起来。然而，构建的模型参数量较大，需要大量的训练样本，并且其分类性能有待提高。因此，需要一种高效、高精度、小样本的草地监测模型。

卷积神经网络（Convolutional neural network, CNN）是高光谱图像（Hyperspectral image, HSI）分类的主流方法。基于光谱空间的HSI分类方法同时关注光谱和空间信息，有效地提高了其分类性能。但是CNN通常使用固定大小的卷积核进行特征提取，因此CNN只能提取局部特征，这限制了分类性能的提高。

为了获得草地物种的高分辨率遥感影像，采用无人机高光谱遥感技术对内蒙古葛根塔拉草原植被物种进行了数据采集。提出了一种基于局部-全局特征增强网络（Local-global feature enhancement network, LGFEN）的荒漠草地物种高精度分类方法。此外，我们使用卷积块注意模块（Convolutional block attention module , CBAM）来细化HSI的特征，以进一步增强LGFEN网络的分类性能。本文利用小样本数据对荒漠草地物种分类进行了探索，旨在为荒漠草地生态系统的动态监测提供理论依据。

试验设计

内蒙古农业大学杜健民教授团队利用Gaiasky-Mini2-VN高光谱相机（江苏双利合谱公司）获取了研究区内不同地物品的高光谱影像，其波段范围为400 ~ 1000 nm，波段数为256。各类地物的光谱曲线如图1所示。其他地物类型（垫子、小旗和垃圾）的光谱曲线与其余5种地物的光谱曲线差异最大。裸地光谱曲线在550 ~ 740 nm范围内呈缓慢线性增长，与4种植被的特征差异显著。580 nm后，短花针茅的光谱曲线与其余3种植被的光谱曲线存在一定差异。闭锁蓟、冷蒿和驼绒藜的光谱曲线相似度较高。在886.6 nm之后，由于噪声的影响，不同地物的光谱曲线都表现出较大的波动，最终获得的频带数为205个。

本研究中使用了局部特征增强模块（Local feature enhancement, LFE）（图2）和全局特征增强模块（Global feature enhancement, GFE）（图3）。LFE使用二维卷积来学习HSI的局部特征，并使用残差结构来增强特征重用。GFE通过FC层学习各子patch之间的相关特征，获得全局特征信息。CBAM模块包括通道注意模块和空间注意模块，如图4所示。

LGFEN由3个主要模块组成：LFE模块、GFE模块和CBAM模块。其结构如图5所示。在网络中，主要采用核大小为1 × 1的二维卷积对HSI进行降维，以减少高维数据的冗余信息，经过该卷积层后，数据的通道维数降为64。然后，通过转置卷积对降维后的数据进行自适应上采样，以拟合GFE模块中子patch的采样过程。随后，上采样数据通过LFE和GFE模块来学习HSI的局部和全局特征。最后，通过CBAM模块对学习到的特征进行细化，增强网络性能的稳定性。所有特征学习完成后，通过全局平均池化层对空间特征进行聚合，最后通过两个FC层进行最终分类。

图1 不同地物的光谱曲线

图2 LFE结构

图3 GFE结构

图4 CBAM结构

图5 LGFEN网络架构

结论

为了验证各模块的有效性，进行了消融试验分析。比较了仅使用GFE模块的网络、仅使用LFE模块的网络、使用GFE + LFE模块的网络和最终的LGFEN网络。如表1所示，同时提取局部和全局特征的网络的分类性能优于局部特征和全局特征分别提取。这表明GFE和LFE联合是有效的。在此基础上，加入CBAM注意力模块的LGFEN网络获得了最佳的分类性能。与未添加CBAM模块的GFE + LFE网络相比，OA（整体精度）、AA（平均精度）和K（Kappa系数）分别提高了1.28%、1.37%和1.96%。此外，LGFEN网络的偏差更低，说明CBAM模块在最终特征细化中的作用是有效保证网络分类性能的稳定性。

表1 消融试验结果

为了更好地评估本文提出的LGFEN网络的有效性，我们选择了几种最新的HSI分类方法进行比较，包括CTN、DBDA、DBMA和MAFN。从图6可以看出，本文提出的LGFEN方法对不同草地物种的分类效果好，在所有方法中错分率低。

从表2可以看出，本文提出的LGFEN在大多数类别中都取得了好的结果，所有类别的分类准确率都超过了90%。这说明LGFEN能够更有效地提取荒漠草原物种特征，具有更强的泛化能力。从OA、AA和K的角度来看，LGFEN在所有方法中表现出好的综合分类性能，OA、AA和K的值分别为98.61%、97.67%和0.9815。从偏差的角度来看，LGFEN的偏差更低，说明其分类性能更稳定。

此外，为了验证LGFEN在小样本下的特征提取能力，我们对不同数量的训练样本进行了实验。在实验中，每个类别的训练样本数量分别设置为5个、10个、15个和20个。结果如图7所示。从图中可以看出，随着训练样本数量的增加，不同分类方法的分类准确率逐渐提高。同时，LGFEN的分类准确率仍然是最高的，说明本文提出的LGFEN在小样本下具有更好的鲁棒性和适应性。

如图8所示。从模型参数来看，LGFEN的参数数量与CTN相似；与DBDA、DBMA和MAFN相比，LGFEN的参数数量较少。从模型预测时间的角度来看，LGFEN消耗的时间成本更低，说明LGFEN在保证分类精度的同时具有更高的计算效率。

图6 不同方法的混淆矩阵分类结果

表2 不同分类方法的实验结果

图7 具有不同数量训练样本的OA

图8 不同分类方法的参数数量和预测时间

为验证LGFEN在荒漠草原物种识别中的有效性，选取3个样本进行可视化分析，如图9所示。从图中可以明显看出，其他地面物体和裸地物体被有效识别。通过对比人工野外调查记录和无人机航拍RGB拼接图像，3个样本的分类结果与实际地物的空间分布相匹配，分类性能良好。有效地区分了不同的地物，较好地保留了地物的空间特征。这表明LGFEN在荒漠草原物种的识别和分类方面具有良好的泛化能力。本研究为荒漠草原退化监测提供了一种新的方法，可为今后的研究提供理论参考。

图9 样本可视化验证

作者信息

杜健民，博士，内蒙古农业大学机电工程学院教授，博士生导师。

主要研究方向：环境测控技术与装备智能化。

参考文献：

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