《Remote Sensing》:PolSAR Forest Height Inversion Based on Multi-Class Feature Fusion
Bing Zhang,
Jinze Li,
Jichao Zhang,
Dongfeng Ren,
Weidong Song,
Jianjun Zhu and
Cui Zhou
编辑推荐:
针对复杂地形和异质性森林条件下,基于极化合成孔径雷达(PolSAR)的多类别特征融合森林高度反演面临特征冗余、深度学习模型对高维特征非线性耦合刻画不足、模型稳定性与可解释性难以兼顾等挑战,本研究提出了一种SHapley Additive exPlanations(SHAP)可解释性驱动的深度学习与多类别特征融合PolSAR森林高度反演方法。通过构建SHAP引导的特征注意力深度神经网络,在解释模型决策过程的同时指导迭代优化,最终在测试集上取得了决定系数(R2)=0.75、均方根误差(RMSE)=1.35米的优异反演精度。该研究有效提升了PolSAR森林结构参数反演的精度与物理可解释性,为复杂地形条件下的森林监测提供了可靠方案。
森林,这颗蓝色星球上默默无闻的“碳管家”,其健康状况与垂直高度息息相关。精准掌握森林高度,不仅是评估森林生态系统成熟度和生物量的关键,更是量化全球碳储量、预测气候变化影响的核心参数。传统的森林高度获取依赖实地样地调查,虽然精准,但“翻山越岭”的艰辛、高昂的成本和漫长的周期,使其难以实现大范围、周期性的动态监测。有没有一种“天眼”,能够穿透云雾,高效、精确地丈量广袤森林的“身高”?
极化合成孔径雷达,正是这样一双锐利的“天眼”。它能够全天候、全天时工作,通过分析森林目标在不同极化状态下(如HH, HV, VH, VV)的散射回波,间接揭示森林冠层的结构奥秘。然而,在复杂地形和高度异质性的森林面前,PolSAR反演森林高度这道“数学题”变得异常棘手。传统的基于物理散射模型的极化分解方法,如Freeman-Durden三分量分解、Yamaguchi四/五分量分解等,虽然在理想条件下有效,但在实际复杂森林中,面对多层次结构和明显的各向异性散射特征时,往往显得力不从心,反演精度不稳定。近年来,深度学习方法凭借其强大的非线性表征能力,在PolSAR森林高度反演中展现出巨大潜力。但大多数研究如同一个“黑箱”,过于关注预测性能的优化,而忽视了模型内部决策机制与极化散射物理之间的联系,这导致反演结果缺乏物理一致性和科学可信度。如何让深度学习模型既“技艺高超”又“透明可解释”,成为摆在研究者面前的重大挑战。
为了解决上述难题,一项发表在遥感领域知名期刊《Remote Sensing》上的研究,为我们打开了一扇新的大门。由Bing Zhang等人组成的研究团队,提出并构建了一个基于SHapley Additive exPlanations (SHAP) 可解释性驱动、深度融合多类别PolSAR特征的森林高度反演新框架。这项研究的核心在于,它不再仅仅将深度学习模型当作一个预测工具,而是致力于建立一个“可解释-可优化”的闭环系统。研究人员以中国湖南省攸县黄丰桥国有林场为研究区,利用ALOS-2 PALSAR-2 L波段全极化SAR数据和同期获取的60块独立森林样地实测数据,开展了一项开创性的实验。
为了开展这项研究,作者主要运用了以下几项关键技术方法:首先,构建了一个融合极化分解特征、后向散射系数、纹理特征和地形变量的多类别特征框架,从全极化SAR数据中共提取了包括9种主流极化分解方法(如Pauli、Freeman-Durden、Yamaguchi、Cloude–Pottier H/A/α等)结果在内的91个特征。其次,采用结合皮尔逊相关性分析和随机森林重要性评估的特征选择策略,筛选出51个关键特征。接着,设计了一个包含输入层、三个隐藏层和输出层的深度神经网络模型,并引入SHAP解释性框架对模型决策过程进行解读,识别具有物理意义的交互特征。在此基础上,构建了SHAP引导的特征注意力深度神经网络,将特征贡献分数作为注意力权重的先验知识进行初始化,实现了从“解释”到“优化”的闭环建模。
4.1. 森林高度反演制图结果
利用最优的SHAP引导特征注意力DNN模型,对研究区全域进行了森林高度反演,生成了森林高度分布图。反演结果有效展示了研究区内森林高度的空间异质性,其值大致分布在5米至超过20米之间。结果显示,较高的森林高度值主要集中在中部和东北部,而相对较低的值分布在边缘地带和某些零碎区域。从反演结果的空间表征看,森林高度在区域内呈连续变化,整体分布较为平滑,没有明显的条纹异常或散斑,表明在重复随机数据划分下,模型在研究区内具有稳定的预测性能。
4.2. 模型稳定性与对比分析
为系统评估所提方法的稳定性,在固定特征组合和网络架构的前提下,对60个样地进行了20次独立的重复随机(8:2)划分实验。实验结果表明,各次实验的整体反演精度波动很小,R2分数主要分布在0.66至0.75之间,RMSE稳定在1.35–1.57米范围内,没有出现显著的性能下降或异常值。20次实验的平均R2和RMSE分别为0.69和1.48米,表明该方法具有良好的稳定性和可重复性。与随机森林、支持向量机、LightGBM、XGBoost等传统机器学习方法,以及Transformer、CNN等不同深度学习架构相比,本研究提出的SHAP引导特征注意力DNN模型取得了最佳性能,在测试集上获得了R2=0.75,RMSE=1.35米的精度。
4.3. SHAP引导注意力机制的贡献分析
通过消融实验分析了模型关键改进步骤的独立贡献。以输入51维筛选特征的基准DNN模型为基础,逐步引入SHAP识别的交互特征和SHAP引导的注意力机制。结果显示,引入SHAP识别的关键交互特征后,模型性能得到提升,R2从0.66升至0.69,RMSE从1.57米降至1.49米。进一步引入SHAP引导的注意力权重初始化后,预测精度显著提高,测试集R2达到0.75,RMSE降至1.35米。这表明模型的性能提升并非源于网络结构的简单堆叠,而是SHAP可解释性分析在两个层面(交互特征刻画与注意力引导)协同作用的结果。
5.1. 特征选择在模型稳定性中的关键作用
在特征多、样本有限的条件下,直接将所有特征输入DNN模型容易导致多重共线性累积和过拟合。本研究采用的PC-RF(皮尔逊相关-随机森林)特征选择策略将初始91维特征集压缩为51个关键特征,在保证信息完整性的同时显著提高了模型稳定性。基于不同规模特征子集的对比实验表明,当输入特征数量不足时,模型拟合能力低;随着关键特征的逐步引入,模型精度快速提升;当特征数量超过某个阈值后,新增特征的边际贡献迅速下降,模型性能趋于稳定。最终,51维特征集在精度与复杂度之间达到了最优平衡。
5.2. 基于SHAP的模型可解释性与物理一致性验证
利用筛选得到的最优51维特征集,采用SHAP方法对模型进行了全局和局部解释性分析。全局分析结果表明,雷达植被指数是影响最大的特征之一,它有效表征了体散射强度和植被冠层结构的复杂性,表明模型在森林高度反演中主要依赖体散射信息来表征垂直结构差异。Krogager分解的螺旋散射分量和五分量分解的螺旋散射分量也显示出高重要性,反映了不对称散射和多径散射在复杂森林结构区域的重要作用。此外,Cloude-Pottier H/A/α分解中的散射熵和特征值参数表明,散射随机性和极化多样性是影响森林高度反演的关键因素。地形特征“坡度”位列前十,进一步证实了地形对散射能量分布的调节作用及其对模型预测的影响。相比之下,后向散射强度特征的贡献相对较低,表明仅凭强度信息不足以充分表征森林的垂直结构。
综上所述,这项研究成功地构建了一个从“解释”到“优化”的闭环建模框架。其重要意义在于,它不仅仅追求更高的反演精度数字,更致力于揭开深度学习“黑箱”的神秘面纱,将模型的决策过程与森林的物理散射机制联系起来。通过SHAP驱动的交互特征构建和注意力机制引导,该模型不仅显著提升了在复杂地形和异质森林条件下的反演精度(R2=0.75, RMSE=1.35 m),而且增强了反演结果的物理可信度和科学可解释性。这为基于PolSAR数据的森林结构参数反演提供了一种兼具高精度与高可信度的创新解决方案,特别是在数据获取相对容易的全极化SAR数据应用方面展现出巨大潜力,对未来实现大范围、高精度的森林资源动态监测与碳汇评估具有重要的科学价值与应用前景。