亚洲高清图片欧美高清图片,加勒比人妻交换在线无码AV

引言

草原生態(tài)系統(tǒng)促進(jìn)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展、計(jì)劃到２０２５年和２０３５年草原綜合植被蓋度要分別達(dá)到５７％和６０％以上，但目前部分區(qū) 域的草原生態(tài)系統(tǒng)承受力和抵御干擾的耐受力極度脆弱，有向逐漸裸露化或荒漠化發(fā)展的趨勢。草原荒漠化主要表現(xiàn)為植被覆蓋度（ＦＶＣ）減少和裸地面積增加等，傳統(tǒng)的地面小尺度覆蓋度采集受天氣、時(shí)間和地形地貌的影響較大，且成本高、勞動(dòng)強(qiáng)度大、費(fèi) 時(shí)費(fèi)力；而衛(wèi)星雖然可以大尺度采集覆蓋度信息，但是收集速度緩慢且獲得圖像的細(xì)節(jié)水平下降。無人機(jī)（ＵＡＶ）＋高光譜可獲得中尺度區(qū)域的高空－譜分辨率圖像，兼顧了效率和精度要求，在相對較小區(qū)域的草地退化監(jiān)測中將發(fā)揮重要作用，正成為傳統(tǒng)地面監(jiān)測和航空、衛(wèi)星遙感的優(yōu)越補(bǔ)充。ＦＶＣ定義為統(tǒng)計(jì)范圍內(nèi)植被冠層的垂直投影面積占土地面積的比例，是研究生態(tài)系統(tǒng)平衡、土地退化和土壤侵蝕等的關(guān)鍵參數(shù)之一，也是評價(jià)草地退化和荒漠化的敏感指標(biāo)。

目前低空ＵＡＶ遙感ＦＶＣ反演法可以分為回歸模型法、混合像元分解法和深度學(xué)習(xí)法等。ＵＡＶ高光譜遙感滿足了當(dāng)前遙感朝著高空－譜分辨率、多時(shí)相的發(fā)展方向，關(guān)鍵在于能否選擇或建立一種適用性強(qiáng)、耗時(shí)少、準(zhǔn)確性高的覆蓋度估算方法。利用光譜分辨率高、光譜波段信息豐富的高光譜成像儀結(jié)合低空ＵＡＶ組建ＵＡＶ高光譜遙感系統(tǒng)，對試驗(yàn)區(qū)荒漠草原的高光譜影像進(jìn)行數(shù)據(jù)采集和數(shù)據(jù)預(yù)處理，并利用回歸模型法、深度學(xué)習(xí)法ＲｅｓＮｅｔ１８模型及其改進(jìn)的３Ｄ－ＲｅｓＮｅｔ１８模型對影像中的植被和裸土等地物進(jìn)行分類，并在分類基礎(chǔ)上開展基于ＵＡＶ高光譜遙感信息的荒漠草原ＦＶＣ計(jì)算方法研究。旨在實(shí)現(xiàn)利用高光譜遙感系統(tǒng)對荒漠草原從數(shù)據(jù)獲取、數(shù)據(jù)分析、理論方法及驗(yàn)證等完整流程的嘗試，為草原退化評價(jià)及治理提供依據(jù)，對于草原畜牧養(yǎng)殖和生態(tài)環(huán)境保護(hù)均具有重要的現(xiàn)實(shí)意義，符合國家和地區(qū) “助力山水林田湖草沙生命共同體建設(shè) ”的發(fā)展需求。

數(shù)據(jù)采集與分析

2.1 研究區(qū)概況

研究區(qū)位于烏蘭察布市四子王旗格根塔拉草原（４１°４７′３３″Ｎ，１１１°５３′５８″Ｅ），詳見圖１。

圖1 研究區(qū)位置圖

海拔高度介于１１００—１２００ｍ之間，降水量稀少，水資源匱乏，具有荒漠草原典型的地域代表性，是典型草原與荒漠的緩沖地帶。研究區(qū)植被草層稀疏低矮、交錯(cuò)覆蓋、種類匱乏，屬短花針茅荒漠草原地帶。植被平均高度為８ｃｍ，平均蓋度為１７％—２５％。

2.2 試驗(yàn)設(shè)計(jì)

2.2.1野外調(diào)查及樣方布置

野外地面調(diào)查包括記錄ＧＰＳ信息、樣方編號，實(shí)測樣方ＦＶＣ。為了樣方框堅(jiān)固耐用且避免被風(fēng)刮走，由白色ＰＶＣ管制作，用Ｕ型鐵絲將其固定于地面上，隨機(jī)布置１ｍ×１ｍ的樣方框６０個(gè)。ＦＶＣ的確定采用照相法。樣方冠層照片通過在樣方中心的垂直上方２．２ｍ處拍攝全范圍俯視照實(shí)現(xiàn)。選用ＲＴＫ測定試驗(yàn)區(qū)和樣方的具體位置，收集了所有研究樣方框的ＧＰＳ信息，選定地面控制點(diǎn)對圖像進(jìn)行幾何校正。

2.2.2空中數(shù)據(jù)采集

采用ＵＡＶ懸停方式采集試驗(yàn)區(qū)內(nèi)地物高光譜遙感影像，結(jié)合２０２１年草原氣候特點(diǎn)和牧草生長期特性，在牧草的生長茂盛期———２０２１年７月２７日— ８月８日時(shí)采集數(shù)據(jù)。為保證采集質(zhì)量，選擇晴朗、無云、光照條件較好，無卷云、濃積云等，風(fēng)力較小時(shí)進(jìn)行測量，采集時(shí)間為１０∶００—１４∶００，且要求每１０—２０ｍｉｎ使用標(biāo)準(zhǔn)白板進(jìn)行１次校正，以便消除光照強(qiáng)度變化對ＵＡＶ高光譜圖像產(chǎn)生的影響。ＵＡＶ搭載高光譜儀垂直于地面的方向３０ｍ高度測量研究地塊植被的冠層、群落的高光譜數(shù)據(jù)。每個(gè)懸停點(diǎn)采集２幅高光譜遙感影像，單幅圖像采集時(shí)間耗時(shí)７ｓ，包含懸停點(diǎn)間飛行時(shí)間，１個(gè)架次約可采集８６幅遙感影像，即４３個(gè)懸停點(diǎn)。

2.2.3 數(shù)據(jù)預(yù)處理

首先，通過人工檢查去除過曝、欠曝、彎曲、抖動(dòng)的遙感影像，選出成像質(zhì)量最好的遙感影像。其次使用光譜專業(yè)軟件進(jìn)行反射率校正，并識別真正的反射率值和感興趣的特征。最后，使用方法進(jìn)行數(shù)據(jù)降維，計(jì)算式如下：

（１）式中，Ｘ為張量，ｒ?yàn)楦吖庾V圖像中的行數(shù)，ｃ為高光譜圖像中的列數(shù)，ｂ為高光譜圖像中的維數(shù)。式（１）計(jì)算的高光譜圖像Ｆ－ｎｏｒｍ２在０—６７波段（波長為３９７—５４８．２ｎｍ）的Ｆ－ｎｏｒｍ２的斜率較小，即表示該波段范圍內(nèi)包含的信息量較少；而在２１４—２５６波段（波長為９０９．７—１０１９．４ｎｍ）的Ｆ－ｎｏｒｍ２的斜率較大，即表示該波段范圍內(nèi)存在明顯的噪聲干擾，因此經(jīng)行值降維后保留的６８—２１３波段（波長為５５０．５—９０６．８ｎｍ），單個(gè)圖像所占空間大小也隨之大幅減少，有效提高了數(shù)據(jù)后處理的效率。

2.3 驗(yàn)證值的確定

驗(yàn)證值的確定一方面是依據(jù)實(shí)地設(shè)立１ｍ×１ｍ的樣方框通過照相法確定ＦＶＣ，但是該方法存在一定的主觀判斷性而且只代表了局部的ＦＶＣ。研究表明，基于照相法和全圖人工目視解譯相結(jié)合的方法對ＦＶＣ的提取精度較高。為了雙重保險(xiǎn)，后續(xù)又結(jié)合人工目視解譯方法對整張ＵＡＶ高光譜圖像中植物群落和非植物群落（枯草和裸土）進(jìn)行覆蓋度提取，其結(jié)果作為地表ＦＶＣ的驗(yàn) 證值，對各植被指數(shù)提取的草地ＦＶＣ的精度進(jìn)行驗(yàn)證。本文從１０８０組數(shù)據(jù)中選?。玻敖M有代表性的數(shù)據(jù)作為示例進(jìn)行研究。２０組數(shù)據(jù)分別命名為Ｔ１、Ｔ２、Ｔ３、…、Ｔ１９、Ｔ２０。由于圖像較多，將其中的Ｔ１、Ｔ８、Ｔ１６組高光譜數(shù)據(jù)設(shè)為展示圖像，Ｔ１、Ｔ８、Ｔ１６組數(shù)據(jù)覆蓋度的驗(yàn)證值詳見表１。

表1植物群落和非植物群落驗(yàn)證值

研究方法

3.1 回歸模型法

回歸模型法是通過對遙感數(shù)據(jù)的某一波段、波段組合或利用遙感數(shù)據(jù)計(jì)算出的植被指數(shù)與ＦＶＣ進(jìn)行回歸分析，建立經(jīng)驗(yàn)估算模型。通過回歸模型法構(gòu)建荒漠草原ＦＶＣ估算模型，選擇了２種傳統(tǒng)的適合于低密度覆蓋綠色植被區(qū)域的植被指數(shù)，分別為歸一化植被指數(shù)（ＮＤＶＩ）和土壤調(diào)整植被指數(shù) （ＳＡＶＩ），在分析植被和土壤光譜曲線差異的基礎(chǔ) 上，通過簡單波段自相關(guān)選擇法及編程篩選最敏感的特征波段及組合，確定了植被指數(shù)相關(guān)系數(shù)較高的波段組合為５２５—６００ｎｍ、６２０—７８０ｎｍ和７８０—９００ｎｍ，相關(guān)系數(shù)均達(dá)０．８以上。對基于傳統(tǒng)植被指數(shù)的像元二分模型進(jìn)行了ＦＶＣ估算，并選取２０組數(shù)據(jù)進(jìn)行精度驗(yàn)證。選擇ＳＡＶＩ和ＮＤＶＩ進(jìn)行連續(xù)統(tǒng)去除及光譜增強(qiáng)，并確定特征波段和波段最佳組合，對高光譜圖像進(jìn)行連續(xù)統(tǒng)去除后，峰值點(diǎn)對應(yīng)的反射率為１，而其他點(diǎn)的反射率均小于１，植物群落在可見光范圍中的５００ｎｍ和６８０ｎｍ左右的吸收谷特征被放大，綠光５５０ｎｍ附近反射峰更加明顯，紅邊斜率增加明顯，這些變化有利于對光譜吸收特征波段及參數(shù)的提取，因此提出了綠光連續(xù)值土壤調(diào)整植被指數(shù)（Ｇ＿ＣＲ＿ＳＡＶＩ）和綠光連續(xù)值歸一化植被指數(shù)（Ｇ＿ＣＲ＿ＮＤＶＩ），原始及改進(jìn)的植被指數(shù)詳見表２。

表2原始及改進(jìn)的植被指數(shù)

3.2 ＲｅｓＮｅｔ模型

該模型將殘差學(xué)習(xí)的思想引入到網(wǎng)絡(luò)結(jié)構(gòu)中，通過跨層鏈接將殘差塊的輸入與輸出進(jìn)行疊加求和，此項(xiàng)操作提升了反向傳播的效率，有效解決了深層網(wǎng)絡(luò)中出現(xiàn)的梯度爆炸及消失問題，提高了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度，實(shí)現(xiàn)了利用深層網(wǎng)絡(luò) 結(jié)構(gòu)提取更細(xì)的特征。利用Ｐｙｔｏｒｃｈ模塊搭建ＲｅｓＮｅｔ１８ＣＮＮ，該模型共有２０層，包括１７個(gè) 卷積層、２個(gè)池化層和１個(gè)全連接層，模型結(jié)構(gòu)圖詳見圖２。

圖２ＲｅｓＮｅｔ深度學(xué)習(xí)模型結(jié)構(gòu)圖

每殘差塊中進(jìn)行２次卷積層運(yùn)算，并與卷積前的參數(shù)進(jìn)行疊加，隨后利用激活函數(shù)ＲｅＬＵ激活進(jìn)入下一個(gè)殘差塊。卷積層的卷積核數(shù)最少為６４個(gè)，最多為５１２個(gè)。

3.3改進(jìn)３Ｄ－ＲｅｓＮｅｔ１８模型

３Ｄ卷積核為一個(gè) 立方體，由３Ｄ卷積核組成的ＣＮＮ稱為３Ｄ卷積神經(jīng)網(wǎng)絡(luò)，通過３Ｄ卷積核可以同時(shí)提取高光譜圖像ｌｉｎｅｓ、ｓａｍｐｌｅｓ和ｂａｎｄｓ方向上的特征。公式如下：

（２）式中，ｆ為激活函數(shù)，ｌ、ｗ、ｈ分別代表卷積核立方體的長、寬、高，ｍ、ｎ分別代表上一層和本層的卷積核數(shù)，ｕｌｗｈｋｎ為圖像上（ｌ，ｗ，ｈ）位置上的值與上一層第ｍ個(gè)卷積核的計(jì)算值，ｕδερｋｍｎ為圖像（δ，ε，ρ）位置上的值與卷積核的第ｎ層、第ｋ個(gè)卷積核的計(jì)算值。利用Ｆ－ｎｏｒｍ２降低噪聲干擾和高光譜數(shù)據(jù)的維數(shù)。在典型的深度學(xué)習(xí)模型ＲｅｓＮｅｔ１８的基礎(chǔ)上，將其２Ｄ卷積核３Ｄ卷積核，即３Ｄ－ＲｅｓＮｅｔ１８。改進(jìn)后的３Ｄ－ＲｅｓＮｅｔ１８模型與ＲｅｓＮｅｔ１８模型具有相同的深度，共有２０層，包括１７個(gè)卷積層、２個(gè)池化層和１個(gè)全連接層，１７個(gè)卷積層被分成１個(gè)卷積層和４個(gè)殘差塊。將卷積層中的２Ｄ卷積核改進(jìn)為３Ｄ卷積核，在圖３中用Ｃｏｎｖ３×３×３－Ｎ表示，Ｎ為卷積核數(shù)量，分別為６４、６４、１２８、２５６、５１２。每殘差塊中進(jìn)行兩次卷積層運(yùn)算，并與卷積前的參數(shù)進(jìn)行疊加，隨后利用激活函數(shù) ＲｅＬＵ激活進(jìn)入下一個(gè) 殘差塊。為了提高處理速度，程序用高光譜影像裁剪為５００ｌｉｎｅｓ×５００ｓａｍｐｌｅｓ×１４６ｂａｎｄｓ，總共２５００００個(gè) 像素。為了識別特征，隨機(jī)選擇６０％的標(biāo)記樣本作為訓(xùn)練數(shù)據(jù)，其余的４０％作為測試數(shù)據(jù)。

結(jié)果分析

4.1 評價(jià)指標(biāo)

在進(jìn)行覆蓋度估算模型的精度分析時(shí)，選用以下3個(gè)指標(biāo)進(jìn)行驗(yàn)證分析：估算值和實(shí)測值間的決定系數(shù)（Ｒ２）、估算值和實(shí)測值間的均方根誤差（ＲＭＳＥ）和估算精度（ＥＡ）。當(dāng) Ｒ２值越接近１、ＲＭＳＥ的值越小且估算精度越時(shí)，說明估測方程所得到的估算值與實(shí)測值的擬合效果就越好，模型的精度就越高。Ｒ２、ＲＭＳＥ、ＥＡ的計(jì)算式如下：

式中，

為第ｉ個(gè)樣本的估算，ｙｉ為第ｉ個(gè)樣本的實(shí) 測值，:

為實(shí)測值的平均值，ｘ為樣本數(shù)量。

式中，Ｒｍ為均方根誤差，Ｍｅ為實(shí)測值的均值，ＥＡ為估算精度。

4.2回歸模型法

改進(jìn)植被指數(shù)中提取的ＦＶＣ與驗(yàn)證值最為接近，其ＲＭＳＥ和ＥＡ分別為０．０１８和９５．４２％；其次為Ｇ＿ＣＲ＿ＮＤＶＩ，ＲＭＳＥ和ＥＡ分別為０．０１８和９５．３６％，ＳＡＶＩ提取的ＦＶＣ與驗(yàn)證值較為接近，其ＲＭＳＥ和ＥＡ分別為０．０３２和９１．６４％，詳見表３。

表３植被覆蓋度與各方法對應(yīng)的模型精度

從估算值與驗(yàn)證值之間的散點(diǎn)圖來看，Ｇ＿ＣＲ＿ＳＡＶＩ和Ｇ＿ＣＲ＿ＮＤＶＩ估算值緊密分布在１∶１線的兩側(cè)，其中Ｇ＿ＣＲ＿ＳＡＶＩ估算值與驗(yàn)證值之間的Ｒ２高達(dá)０．９４２，Ｇ＿ＣＲ＿ＮＤＶＩ估算值與驗(yàn)證值之間的Ｒ２高達(dá)０．９３９?；诟倪M(jìn)植被指數(shù)與傳統(tǒng)植被指數(shù)的荒漠草原ＵＡＶ高光譜圖像ＦＶＣ估算精度大小依次為Ｇ＿ＣＲ＿ＳＡＶＩ＞Ｇ＿ＣＲ＿ＮＤＶＩ＞ＳＡＶＩ＞ＮＤＶＩ。分析表明：通過光譜增強(qiáng)及最佳波段選擇的改進(jìn) Ｇ＿ＣＲ＿ＳＡＶＩ和Ｇ＿ＣＲ＿ＮＤＶＩ植被指數(shù)優(yōu)于傳統(tǒng)的ＳＡＶＩ、ＮＤＶＩ植被指數(shù)，ＦＶＣ估算精度較傳統(tǒng)的植被指數(shù) 高出約４％，Ｇ＿ＣＲ＿ＳＡＶＩ在４個(gè)植被指數(shù)中的提取效果最好，最適合于荒漠草原ＵＡＶ高光譜影像ＦＶＣ的提取。最佳波段組合的植被指數(shù)計(jì)算結(jié)果詳見圖４。

圖４植被指數(shù)變換分布圖

4.3 深度學(xué)習(xí)法

為實(shí)現(xiàn)基于ＵＡＶ高光譜遙感的荒漠草原覆蓋度人工智能化估算，制作了荒漠草原ＵＡＶ高光譜覆蓋度數(shù)據(jù)集，通過ＲｅｓＮｅｔ１８經(jīng)典深度學(xué)習(xí)網(wǎng)絡(luò)模型對覆蓋度數(shù)據(jù)集進(jìn)行分類，發(fā)現(xiàn)其對覆蓋度數(shù)據(jù)集取得了較理想的總體分類精度，并對覆蓋度數(shù)據(jù)集中的植被和裸土取得較高的單體分類精度。為進(jìn)一步實(shí)現(xiàn)對荒漠草原ＵＡＶ高光譜數(shù)據(jù)中的覆蓋度高精度估算，基于ＲｅｓＮｅｔ模型建立３Ｄ卷積模型３Ｄ－ＲｅｓＮｅｔ，并進(jìn)行模型結(jié)構(gòu)與超參數(shù)優(yōu)化，通過對卷積核數(shù)、卷積核尺寸、Ｂａｔｃｈｓｉｚｅ等參數(shù)優(yōu)化與對比，發(fā)現(xiàn)對覆蓋度數(shù)據(jù)集分類性能最佳的模型為３Ｄ－Ｒｅｓ－Ｎｅｔ，總體估算精度達(dá)９７．５６％，覆蓋度估算的ＲＭＳＥ為０．０１６，詳見表３。

３Ｄ卷積網(wǎng)絡(luò)模型對覆蓋度數(shù)據(jù)集具有更好的提取性能。相比于２Ｄ卷積僅能同時(shí)提取覆蓋度數(shù)據(jù)集中的２Ｄ光譜信息，３Ｄ卷積可以同時(shí)提取光譜－空間聯(lián)合信息，充分利用了高光譜覆蓋度數(shù)據(jù)集的數(shù)據(jù)特性，對細(xì)小特征的提取展現(xiàn)出良好潛力，得益于３Ｄ卷積核可以同時(shí)提取高光譜數(shù)據(jù)中３個(gè)維度的光譜信息，相比２Ｄ卷積核同時(shí)提取Ｘ、Ｙ２個(gè)維度的光譜信息，３Ｄ卷積核對地物的空間特征提取能力更強(qiáng)。通過對模型結(jié)構(gòu)與超參數(shù)優(yōu)化逐步提高了模型性能，同時(shí)發(fā)現(xiàn)具有更卷積結(jié)構(gòu)的３Ｄ－ＲｅｓＮｅｔ模型展現(xiàn)出更好的性能。部分?jǐn)?shù)據(jù)可視化結(jié)果如圖５所示。

圖５覆蓋度估算模型可視化結(jié)果

３Ｄ－ＲｅｓＮｅｔ模型實(shí)現(xiàn)了對覆蓋度數(shù)據(jù)集地物的高精度、高效率、智能化識別，為基于ＵＡＶ高光譜遙感的荒漠化草原覆蓋度的快速、高效、精準(zhǔn)統(tǒng)計(jì)奠定基礎(chǔ)。

5、總結(jié)

針對荒漠草原覆蓋度提取效率和精度較低的現(xiàn)狀，基于人工智能技術(shù)和３Ｄ卷積深度學(xué)習(xí)方法，深挖了高光譜數(shù)據(jù)中的空間特征，建立了高效準(zhǔn)確的高光譜遙感圖像的覆蓋度估算模型，驗(yàn)證了３Ｄ－Ｒｅｓ－Ｎｅｔ模型在計(jì)算ＦＶＣ為指標(biāo)的草地退化評價(jià)的可行性和精確性。就估算精度而言，深度學(xué)習(xí)法優(yōu)于回歸模型法，尤其是經(jīng)過３Ｄ卷積核改進(jìn)的深度學(xué)習(xí)模型最佳，總體估算精度達(dá)９７．５６％，可以實(shí)現(xiàn)智能化、高精度、準(zhǔn)確地荒漠草原ＦＶＣ提取。