人工林近十年在全球快速扩张,为全球生态系统提供了应对气候变化、增加陆地碳汇、水调节等重要的生态服务。然而,人工林容易受到病虫害、入侵物种和区域气候变化的威胁,引起树种组成和群落分布变化,产生生物多样性和碳汇损失。因此,准确的人工林树种分类对于森林的保护、管理和资源调查至关重要。
各树种为适应环境演化出了不同的物候策略,表现出特有的生长特点和物候周期(例如发芽、展叶、落叶期等),为树种分类提供了重要参考。遥感影像时间序列通过记录树木随时间的连续变化,提供了包含物候信息的时间-光谱特征,从而能够协助提高人工林树种分类精度。然而,遥感时序数据内海量的输入特征、复杂的时序关系和高维度数据极大的增加了光谱-时间特征提取的复杂度,对通用分类器的复杂特征提取和综合决策能力提出了挑战。因此,需要一种能够从高维时序数据中自动提取高可分的光谱-时间特征并融合特征准确决策的方法,开展精确人工林树种分类。另外,时间分辨率变化和输入不同特征组合对树种分类方法的影响依然有待探索。
本文设计了一种基于多头注意力的端到端深度学习方法用于自动提取具有高可分性的光谱时间特征并开展树种分类。这一方法改进了Transformer网络(Transformer4SITS),在网络中设计了从时序数据中提取复杂光谱-时间特征的特征提取模块和用于结合多特征开展准确分类的融合决策模块。
Transformer4SITS方法在黑龙江和广西两个具有不同气候、生态的人工林场开展实验。实验结果表明:1)Transformer4SITS方法可以自适应地从时序数据中提取关键物候期(绿度上升、下降期)的典型光谱-时间特征,与长短期记忆(LSTM)、谐波分析(Harmonic analysis)、动态时间分析(TWDTW)、线性判别分析(LDA)方法相比,取得了最优的分类精度(总体精度分别达到94.88%和88.72%);(2)时间分辨率较高的时序数据在两个实验区都取得了更高的分类精度,分别从91.05%和84.33%(60天)增加到94.88%和88.72%(5天),当时间分辨率分别达到90天和50天时趋于稳定;(3)与采用部分波段和光谱指数特征相比,采用全部波段和光谱指数特征进行分类能够小幅提高精度(分辨从93.63%和86.01%增加到94.88%和88.72%)。本研究探讨了物候信息在树种分类中的重要价值,并提供了一种先进的端到端深度学习森林树种分类方法,对大规模人工林的可持续管理和保护至关重要。
表1 不同方法的人工林树种分类总体精度
研究区 |
方法 |
时间分辨率(天) |
|
|
60 |
30 |
15 |
5 |
黑龙江孟家岗 |
Transformer4SITS |
91.05% |
92.98% |
94.02% |
94.88% |
LSTM |
89.25% |
90.12% |
91.07% |
91.88% |
TWDTW |
77.24% |
77.88% |
78.81% |
79.22% |
Harmonic+RF |
81.98% |
82.91% |
84.51% |
85.33% |
LDA |
85.11% |
86.95% |
87.36% |
87.91% |
广西高峰 |
Transformer4SITS |
84.33% |
86.68% |
87.73% |
88.72% |
LSTM |
82.27% |
83.04% |
83.92% |
84.75% |
TWDTW |
73.21% |
75.16% |
76.87% |
77.07% |
Harmonic+RF |
77.68% |
79.09% |
79.97% |
80.51% |
LDA |
79.84% |
81.72% |
82.92% |
83.22% |
发表评论