一种利用三忆阻器霍普菲尔德神经网络优化土地利用与土地覆盖变化预测模型的新方法,以提升环境变化检测与预报的准确性

《Neurocomputing》:A Novel Approach to Optimizing Predictive Models for Land Use and Land Cover Changes by Utilizing a Triple-Memristor Hopfield Neural Network for Improved Environmental Change Detection and Forecasting

【字体: 大 中 小 】 时间:2026年03月26日 来源:Neurocomputing 6.7

编辑推荐:

  穆罕默德·沙菲克|范权润|阿纳斯·比拉尔|瓦伊尔·J·奥比达拉|优素福·A·阿尔杜拉威什 中国曲靖师范学院信息工程学院 摘要 准确预测土地利用与覆盖变化对于可持续的环境管理及规划至关重要。然而,现有的基于深度学习的土地利用与覆盖变化预测模型往往难以应对卫星图像中的高噪声问题以及特

  穆罕默德·沙菲克|范权润|阿纳斯·比拉尔|瓦伊尔·J·奥比达拉|优素福·A·阿尔杜拉威什 中国曲靖师范学院信息工程学院 摘要 准确预测土地利用与覆盖变化对于可持续的环境管理及规划至关重要。然而,现有的基于深度学习的土地利用与覆盖变化预测模型往往难以应对卫星图像中的高噪声问题以及特征区分度不足的问题,从而导致分类精度较低。为解决这些问题,本研究提出了一种基于三忆阻器霍普菲尔德神经网络优化后的土地利用与覆盖变化预测建模框架(PM-LULC-TMHNN)。在该方法中,首先通过快速重采样迭代滤波技术对遥感图像进行预处理,该技术通过迭代趋势提取和局部重采样来去除噪声和伪影,同时保留结构细节。之后,利用组分可分离同步提取变换技术分析处理后的图像,通过分离相关组分并捕捉纹理模式,提取均值、标准差、偏度及峰度等统计特征。这些特征再通过三忆阻器霍普菲尔德神经网络进行分类,该网络利用忆阻器存储的权重实现递归关联记忆收敛,从而实现强大的模式识别能力。经过分类的图像随后通过复值时空图卷积神经网络进一步优化,该网络能够在时空图上传递信息,并处理振幅和相位信息以纠正错误分类。最后,方向方差注意力网络通过注意力机制聚焦于方向方差较高的区域,从而预测土地利用与覆盖变化。所提出的PM-LULC-TMHNN框架的准确率为99.56%,精确率为99.29%,召回率为99.11%,相较于现有土地利用与覆盖变化预测模型,具有更高的稳定性、更好的特征表达能力以及更强的预测性能。引言 土地利用与覆盖变化是人类活动对地球表面产生影响的重要表现之一[1]。它们反映了由人类活动乃至森林砍伐、农业扩张、城市化以及气候变化等自然过程所引发的自然变化[2]。观察土地覆盖与利用的变化,有助于了解人类是如何改变世界陆地生态系统的[3]。快速的都市化和工业活动导致全球范围内土地转换加剧,进而扰乱了生态平衡和生态系统服务功能[4]。这些变化会改变地表反照率、土壤成分以及蒸散速率,从而影响区域性和局部气候系统[5]。此外,土地利用与覆盖变化还会因过度地表径流、洪水事件以及地下水补给减少而扰乱水循环[6]。持续监测这类变化对于评估开发活动带来的环境影响至关重要[7]。借助卫星遥感技术和地理空间数据,人们能够更便捷地观测不同地点和不同时间段的土地利用与覆盖变化[8]。有研究表明,在过去二十年里,社会经济因素推动了热带和亚热带地区的森林砍伐以及农业的快速扩张[9]。因此,土地利用与覆盖变化研究已成为理解环境退化问题以及为全球可持续发展计划提供支持的重要依据[10]。土地利用与覆盖变化分析对于有效的土地利用规划、环境管理以及自然资源保护具有重要意义[11]。政策制定者可以利用这些信息确定时空上的关键发展趋势,而这些趋势正是实现可持续发展的必要条件[12]。除了能够预测未来的土地变化外,该方法还能用于分析在气候和人口变化影响下的土地变化情况[13]。此外,观察土地利用与覆盖变化还有助于相关机构规划对脆弱栖息地的保护和修复工作[14]。它还是气候适应策略和生态系统韧性策略的基础[15]。土地利用与覆盖变化数据对于评估人类活动对生物多样性构成的威胁以及导致的生态系统退化具有核心作用[16]。如果没有准确的土地利用与覆盖变化评估,联合国可持续发展目标,尤其是与气候行动、陆地生物以及可持续城市相关的目标,就无法实现[17]。此外,当土地利用与覆盖变化数据与环境及社会经济指标相结合时,就能为制定均衡且基于证据的发展政策提供有力支持[18]。然而,复杂的空间格局以及土地变化的非均匀性也给其持续监测和分析带来了巨大挑战[19]。因此,深入了解土地利用与覆盖变化对于在生态保护与社会经济发展之间找到平衡点仍然十分重要[20]。目前已有许多研究依赖于土地利用与覆盖变化的预测建模方法,此处对其中一些方法进行了综述。埃比尼泽和马诺哈尔[21]提出了基于改进的埃尔曼脉冲神经网络和深度卷积脉冲神经网络的模型,用于土地利用与覆盖的分类与预测。他们的方法包括使用快速离散曲线波变换进行图像预处理,以及利用马尔可夫链随机场进行后处理。该方法虽然分类精度很高,但在处理大规模异质景观时存在计算效率较低的问题。阿尔-杜萨里等人[22]则使用多层感知器神经网络,对科威特大都会区的土地利用与覆盖变化以及城市扩张趋势进行了检测与预测。他们的方法结合了遥感技术、地理信息系统以及基于机器学习的分类方法,虽然在预测城市扩张方面具有较高的准确性,但在处理复杂异质城市区域时精确度不够高。维纳伊库马尔等人[23]提出了一种基于鲸鱼优化算法引导的深度混合学习网络的土地利用与覆盖分类方法。该方法采用了AlexNet–ResNet50作为特征提取工具,双向长短期记忆网络用于分类。该方法有效降低了过拟合现象并提升了分类精度,但计算成本较高,且对参数调整较为敏感。梅赫拉和斯韦因[24]提出了一种基于人工神经网络和元胞自动机的方法,用于评估土地利用与覆盖变化及其影响。他们的方法结合了社会经济变量、空间变量以及遥感数据和地理信息系统数据。该方法能够较好地捕捉城市发展的趋势,但在长期预测方面存在不确定性,且需要精确的输入参数。古尔哈内和库马尔[25]采用Keras框架以及VGG16图像识别模型,提出了一种预测土地覆盖与利用的东方方法。他们的方法运用了迁移学习技术,通过对EuroSAT RGB数据进行优化处理,如提前停止训练和自定义层结构等。该方法的预测精度很高,但存在数据多样性不足以及计算成本过高的问题。阿利杰布林等人[26]提出了一种将河流形成动态方法与深度学习技术相结合的土地利用与覆盖分类方法。他们在方法中采用密集高效网络作为特征提取工具,多尺度卷积自编码器作为分类器,并对参数进行了优化。该方法提升了分类的精度和稳定性,但在处理噪声以及提升计算可扩展性方面存在局限性。莫汉拉詹等人[27]则提出了一种基于模糊Swin变换器的方法,利用LISS-III卫星数据识别土地利用与覆盖变化。他们的方法将模糊聚类用于特征提取,Swin变换器用于分类,虽然实现了较高的精度和高效的计算速度,但对采样变化较为敏感,且依赖于高质量训练数据。表1总结了近期相关研究工作。根据现有文献,深度学习技术以及先进的优化算法是提升土地利用与覆盖变化映射精度的重要因素。总体而言,深度学习方法很容易出现过拟合现象,尤其是在训练数据规模较小或在不同土地覆盖类型之间的分布不均的情况下。这是因为这些模型对噪声、光照变化以及图像失真极为敏感,常常导致光谱特性相似的类别被错误分类。此外,许多模型需要大量的标注数据,而获取这类数据既昂贵又耗时。另外,缺乏空间情境学习能力也是限制人们理解异质景观中复杂像素间关系的一个因素。再者,手动调整参数以及依赖固定的超参数,使得模型难以适应时间和环境的变化。此外,现有的模型在数据融合和特征表示方面也存在问题,这影响了其在不同地区和不同时间段的稳定性和可靠性。因此,为了解决这些问题,就需要开发出具有更强记忆能力、自适应学习能力以及更好时空依赖性表示能力的神经模型,以实现更精准的土地利用与覆盖变化检测。本研究提出的PM-LULC-TMHNN框架通过整合具备自适应记忆建模、非线性突触可塑性以及稳定能量最小化功能的三忆阻器神经动力学架构,重新定义了传统的霍普菲尔德网络。该框架通过快速重采样迭代滤波技术提升图像质量,去除噪声并保留精细的空间结构;同时,组分可分离同步提取变换技术能够提供高度区分度的空间-光谱特征,从而更好地区分反射特性相似的土地覆盖类别。三忆阻器霍普菲尔德神经网络通过多级忆阻器记忆编码提升了模式的召回率和分类的稳定性;而复值时空图卷积神经网络与方向方差注意力机制的结合,则有助于实现强大的错误校正能力、更高的边界精度以及在不同景观类型中更好的空间一致性。通过整合这些先进的计算单元,所提出的方法相比现有的土地利用与覆盖变化预测模型,具有更强的预测能力、更高的精度以及更好的灵活性,为智能型、基于记忆的环境变化建模开辟了新思路。本文的主要贡献如下:•PM-LULC-TMHNN是一种结合了三忆阻器霍普菲尔德神经网络以及自适应记忆和注意力控制机制的神经网络系统,能够实现更精准的土地利用与覆盖变化预测,其分类精度优于现有的先进系统。•快速重采样迭代滤波技术和组分可分离同步提取变换技术相结合,能够为输入数据提供良好的表征方式以及具有区分度的特征编码,从而提升光谱特性相似的土地覆盖类别之间的区分度。•采用三忆阻器突触结构的三忆阻器霍普菲尔德神经网络具备非线性突触可塑性以及动态能量降低功能,这使得其在处理异质景观时的模式召回率和分类准确性更高。•复值时空图卷积神经网络与方向方差注意力机制的结合,能够考虑时间关系以及空间方向因素,纠正错误分类结果,同时突出重要的地理空间特征。本文的其余部分结构如下:第二部分介绍所提出的方法;第三部分展示研究结果并进行讨论;第四部分总结全文。为了解决现有土地利用与覆盖变化预测模型存在的缺陷,下一节将详细介绍所提出的PM-LULC-TMHNN模型。下一节将阐述该模型所采用的具体方法。提议方法论 所提出的PM-LULC-TMHNN模型的工作流程如图1所示。该模型基于印度空间研究组织Bhuvan平台的遥感图像,首先进行遥感图像采集,然后通过快速重采样迭代滤波技术去除噪声、平衡光照条件,并保留重要的空间信息。经过去噪处理的图像随后通过组分可分离同步提取变换技术进行处理,该技术通过分离图像中的相干成分并最小化模式混合,从而提取出具有高度区分度的空间-光谱特征。所有这些特征……结果与讨论 本部分探讨了所提出的PM-LULC-TMHNN方法的研究成果。在Python平台上实现该模型时,使用了配备英特尔? Core i3-6100处理器(主频3.70 GHz)和12 GB内存的个人电脑。实验在基于x64处理器的Windows操作系统上进行,该系统为高效执行相关测试提供了良好的平台条件。在准备数据时,采用了空间独立的块状分区策略。结论 本研究提出了一种名为PM-LULC-TMHNN的新框架,可用于精准预测土地利用与覆盖变化。该框架通过整合快速重采样迭代滤波技术用于去噪、组分可分离同步提取变换技术用于统计特征提取、三忆阻器霍普菲尔德神经网络用于稳健分类、复值时空图卷积神经网络用于错误校正以及方向方差注意力网络用于空间预测,展现了出色的性能。所提出的模型准确率为99.56%,精确率为99.29%,召回率为99.11%,这些指标显著优于现有的其他方法,包括LULCC-EESNN模型。伦理审批 本文未涉及任何由作者实施的人类受试者相关研究。资金支持 本研究未获得任何来自公共机构、商业机构或非营利组织的资助。利益冲突声明 作者声明自己不存在任何可能影响本文研究结果的已知利益冲突或个人关系。作者贡献说明 奥比达拉·瓦伊尔·J:监督工作。阿尔杜拉威什·优素福·A:监督工作。穆罕默德·沙菲克:撰写原始稿件。范权润:监督工作。阿纳斯·比拉尔:监督。致谢:无。潜在利益冲突披露:作者声明不存在利益冲突。利益冲突/竞争性利益:无效。代码可用性:无效。参与同意书:无效。发表同意书:无效。穆罕默德·沙菲克现任中国曲靖师范学院信息工程学院副教授。他拥有巴基斯坦费萨拉巴德农业大学硕士学位以及中国重庆邮电大学博士学位。他的研究兴趣包括人工智能、机器学习、图像处理、医学成像、人机交互、计算机视觉、遥感以及模式识别、算法和精确度等领域。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号