基于机器学习的森林多源遥感数据分析方法研究

发布时间：2020-08-27 09:35

【摘要】：随着遥感技术的快速发展,用于处理和分析多源遥感数据的技术和手段也在逐渐增加。高光谱图像(Hyperspectral imagery,HSI)、激光检测与测量仪器数据(Light detection and ranging,LIDAR)及无人机采集的高分辨率多光谱数据(Unmanned aerial systems derived multi-spectral imagery,UAS_MSI)构成的多源数据体系为获取森林相关信息提供了途径。详细讲,高光谱图像包含丰富的光谱信息,可用于森林的分类问题。激光检测与测量仪器数据用于提供森林的结构信息(如树高等)。基于无人机采集的高分辨率多光谱数据为分析森林中植被的相对覆盖面积提供了可能。但是,森林中地物的分布复杂,并且可用于分析森林的监督信息较难获得。为了检测森林的范围,绘制森林中植物的相对覆盖面积,本文提出了引入两种先进的机器学习算法(多任务学习算法(Multi-task learning,MTL)及深度学习算法(Deep learning,DL))对森林进行定量分析。本文的研究内容如下:首先,稀疏表示算法(Sparse representation,SR)利用l_0,l_1范数对任务进行处理,这种算法没有考虑各个任务之间特定的域信息(domain information)。为了在监督样本较少的情况下,充分利用监督信息包含的特定的域信息,提高算法的检测效果,本文提出了一种基于空-谱支持流形式的多任务学习目标检测算法(ICRTD_MTL)。ICRTD_MTL算法包含两个部分:(1)多特征学习(Multi-feature learning,MFL),即提取来自于高光谱图像不同特征构成的张量(如,光谱值特征(SVF)、光谱梯度特征(SGF)及光谱纹理特征(TF)等)。(2)多任务学习(MTL),即假设高光谱图像各个特征对后续任务处理具有特定贡献的条件下,利用同时优化权重的目标函数求解联合表示向量。然后利用联合表示向量中权重向量的位置检测中期森林像元。最终利用像元的空间-光谱相关性,提升检测器的检测效果。ICRTD_MTL的优点在于:(1)保证了未知像元不同特征的稀疏(Sparsity)的稳定性;(2)在一个小领域的像元能够共享共同的低秩(Low rank)子空间。通过AVIRIS及HyMap高光谱图像的实验结果证明算法的性能,并利用ICRTD_MTL实现了对中期森林范围的检测。其次,基于流形式的多任务学习目标检测算法(CRTD_MTL)通过l_(2,1)正则项寻找不同任务之间的关联,并利用关联信息的共享机制实现多任务学习。这种基于流共享方式的缺点在于:(1)l_(2,1)正则项的参数选择过程较为复杂。(2)没有利用过完备字典所提供的先验知识对求解联合表示系数矩阵的稀疏及低秩过程进行优化。针对上述问题,文中提出了一种基于概率图的多任务学习目标检测算法(MTL_NFF),即在多任务学习(MTL)框架内,根据贝叶斯法则,利用最大后验概率(Maximum A-posterior,MAP)及奇异值分解(Singular value decomposition,SVD)构成的概率图优化多任务学习中各个节点的联合表示系数的求解过程。MTL_NFF通过概率图建立了输入数据与输出任务之间的联系,提高了检测器的效果。然后,使用MTL_NFF处理高光谱图像的第一短波红外波段(SWIR1)检测森林的生物量变化图,并利用生物量变化图与LIDAR提供的树高信息定量分析森林的变化。最终,将MTL_NFF与深度神经网络算法结果进行对比,证明MTL_NFF算法性能。最后,由无人机采集的多光谱图像(Unmanned aerial systems derived multi-spectral imagery,UAS_MSI)具有极高的空间分辨率(通常为0.07m~2)。基于l_0,l_1范数的单层稀疏表示算法(SR)无法有效利用UAS_MSI衍生的特征对目标进行分类。为了在监督样本数量有限的情况下,充分利用UAS_MSI衍生特征所组成的张量提升分类精度,本文提出了一种基于空-谱稀疏张量的深度神经网络分类算法(SDFS_DNN)。SDFS_DNN包含多特征学习(MFL)、稀疏自动编码器(Autoencoders,AEs)和逻辑回归分类器。MFL用于提供互补的、不相关的UAS_MSI衍生谱特征张量(DFS)。根据图像中空间邻域光谱的相似性,利用像元空间邻域平滑DFS中的信息,得到空间-光谱张量堆栈(SDFS)。之后,利用稀疏约束的AEs多层稀疏SDFS为逻辑回归分类器提供用于分类的特征。SDFS_DNN的优点在于:(1)充分利用SDFS建立的基于光谱-空间的联合结构(矩阵-张量)所提供的互补的、多态的稀疏特征张量。(2)利用AEs逐层稀疏SDFS,去除SDFS中的信息冗余,提取SDFS中的光谱、几何及纹理特征。通过SDFS_DNN绘制了研究区内包含的死树、藤本植物及活树的相对覆盖面积。最终,通过与SVM结果进行对比,证明了SDFS_DNN的算法性能。
【学位授予单位】：哈尔滨工程大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP181;TP751
【图文】：

立方体,高光谱遥感数据,谱分辨率,时间维

时间维图 1. 1 高光谱遥感图像立方体Figure 1. 1 Hyperspectral remote sensing image cube谱分辨率较高。高光谱遥感数据包含巨大的数据量

示意图,高光谱,成像,示意图

图 1. 2 高光谱成像示意图Figure 1. 2 Hyperspectral imaging scheme数据同时获取地物空间信息及光谱信息。高光谱数据同时获

高光谱图像,图像空间,特征空间,高光谱图像

(c)图 1. 3 高光谱图像数据的不同表达方式，(a) 图像空间，(b) 光谱空间，(c) 特征空间igure 1. 3 Different descriptions for HSI, (a) image space, (b) spectral space, (c) feature space

【相似文献】