利用自监督光谱表示学习从高光谱数据中提取沙漠草原退化指数
《Remote Sensing Applications: Society and Environment》:Retrieval of a desert steppe degradation index from hyperspectral data using self-supervised spectral representation learning
【字体:
大
中
小
】
时间:2026年06月27日
来源:Remote Sensing Applications: Society and Environment 3.8
编辑推荐:
王亮|张文霞|王海超|高宇飞|刘宇奇|王倩|王雅萍|李建军中国内蒙古包头市内蒙古科技大学,邮编014010
摘要
利用无人机高光谱技术监测沙漠草原退化过程时,会受到植被覆盖度低、土壤背景干扰强、混合像素普遍存在以及实地测量样点有限等问题的制约。本研究提出了S3DR-Net,这是
王亮|张文霞|王海超|高宇飞|刘宇奇|王倩|王雅萍|李建军中国内蒙古包头市内蒙古科技大学,邮编014010
摘要
利用无人机高光谱技术监测沙漠草原退化过程时,会受到植被覆盖度低、土壤背景干扰强、混合像素普遍存在以及实地测量样点有限等问题的制约。本研究提出了S3DR-Net,这是一种自监督光谱表示学习框架,采用了弱监督的像素袋聚合策略,用于估算由植被覆盖度分数、地上生物量以及群落平均高度构成的沙漠草原退化指数。该模型通过连续波段掩码重建和光谱段排列预测,从未标记的真实混合像素中学习场景适配的光谱表示。模型采用了结合一维卷积神经网络与Transformer编码器的混合架构,既能提取局部光谱形态特征,又能捕捉长距离光谱依赖关系。随后通过注意力机制、均值聚合和标准差聚合,将像素级特征向量整合为地块级表示。基于48个实地测量样点的留一法交叉验证表明,S3DR-Net的性能优于PLSR、非线性机器学习模型、深度学习基准模型及其变体,其R2、RMSE和RPD值分别为0.864、0.072和2.745。消融实验和进一步分析证实,混合像素预训练、混合光谱编码以及地块级特征聚合共同提升了退化指数的识别精度。空间预测映射和注意力可视化结果还显示,S3DR-Net能够生成与退化相关的空间分布信息,并突出显示对植被信息敏感的混合像素。本研究为在样本条件有限的情况下,精准利用无人机高光谱技术监测沙漠草原植被退化提供了可行的方法框架。
引言
沙漠草原处于典型草原与沙漠生态系统之间的过渡地带,是中国北方干旱半干旱地区重要的生态屏障。由于植被覆盖度低、裸土面积大且地表异质性强,这类生态系统对降水变化和放牧压力极为敏感,因此容易发生退化。无人机遥感技术为草原监测提供了重要的工具,它能够实现厘米级的空间分辨率,并具备灵活的数据采集能力,非常适合用于地形复杂的沙漠草原环境(Bazzo等人,2023;Hayes等人,2025)。
传统的草原高光谱反演方法通常依赖于光谱预处理、特征选择、植被指数构建以及回归建模。尽管这些方法具有较好的可解释性,但在土壤背景干扰强烈、混合像素现象普遍以及目标变量与光谱响应之间存在非线性关系的情况下,其性能往往受到手动设计的特征表示能力有限的限制(Z. Chen等人,2024;Xie等人,2023)。近年来,高光谱数据的深度学习应用逐渐从单纯的监督分类或回归任务,转向更具通用性的光谱-空间表示学习,同时更加注重在样本不足条件下的数据效率和模型鲁棒性(Ahmad等人,2025;Haidarh等人,2025)。自监督学习为利用未标记数据的内在结构提供了可行途径。掩码重建、对比学习以及预训练-微调等策略在遥感影像的表示学习方面展现出了巨大潜力(Ghanbarzadeh和Soleimani,2024)。此外,自监督学习无需大量标记数据,即可有效利用图像的内部结构或光谱特性,从而提升表示质量,改善数据匮乏条件下的遥感应用性能(Rahaman等人,2025;Tao等人,2023)。相关研究表明,在数据不足的情况下,将少量标记数据与额外的未标记信息相结合,可以提高鲁棒回归模型的性能(Shi等人,2024)。
然而,目前针对沙漠草原退化监测的研究仍显不足。一方面,基于无人机的沙漠草原生态系统高光谱研究已经证明了精细尺度植被监测的价值,但仍存在诸多挑战,如地块级标记数量有限、难以准确分离纯植被像素,以及地块内部光谱异质性较高(Fu等人,2023;Zhang等人,2025)。另一方面,虽然弱监督、半监督和少样本学习方法可以降低对标记数据的依赖,但现有研究大多集中在医学成像、道路裂缝检测或遥感场景分类与分割领域。这些方法的目标通常是像素级的掩码或离散类别,而非基于连续生态指标的地块级反演。例如,掩码预测、区域选择性蒸馏以及原型平衡对比学习能够在标记数据不足或类别不平衡的情况下提升视觉表示质量,但其任务目标主要还是集中在分割或逐步识别场景上(Zeng等人,2025;Zhou等人,2026)。弱监督和对抗学习方法也被用于降低像素级标注的成本、缓解领域差异并提高跨领域适应性。然而,这些方法仍然无法解决像素级观测结果与地块级退化指标之间的尺度不匹配问题(Apedo和Tao,2025;Apedo等人,2026)。少样本遥感研究通过采用特定任务的对比学习以及基于注意力的特征增强方法,提高了在标记数据不足条件下的场景分类性能(Zeng和Geng,2022)。不过,它们的主要目标仍然是离散场景识别,而非基于混合像素的地块级生态指标回归(Zeng等人,2021)。
为了解决这些问题,我们提出了S3DR-Net,这是一种用于在样本量较少的情况下,通过无人机高光谱技术监测沙漠草原退化的自监督光谱表示学习框架。需要指出的是,该模型在输入层面采用了一维光谱像素袋建模方式。这一设计并非意味着二维空间背景和纹理信息不重要,而是基于本研究的研究目标和数据条件所做出的权宜之计。具体而言,本研究使用的监督标记是地块级的DSDI数值,而非像素级的退化标记;不同地块的感兴趣区域形状、像素数量以及局部空间结构都存在差异;而且由于仅有48个标记地块,若引入二维空间-纹理建模,将会大幅增加模型的自由度,提高过拟合的风险。因此,本研究侧重于利用高光谱像素级的光谱特征及其在地块内的分布信息,并通过具有排列不变性的袋级聚合方式,将像素级观测结果与地块级标记相衔接。
本研究的主要贡献可分为三个方面。首先,我们提出了一种基于真实混合像素的自监督光谱预训练策略。具体而言,利用训练地块感兴趣区域内的未标记像素,通过连续波段掩码重建和光谱段顺序预测,学习特定场景的光谱表示。其次,我们构建了像素袋聚合机制,通过注意力加权、均值统计和标准差统计,将像素级嵌入向量整合为地块级表示,从而缓解像素级观测结果与地块级监督标记之间的尺度不匹配问题。第三,我们构建了DSDI这一综合指标,该指标基于植被覆盖度分数、地上生物量和群落平均高度来反映沙漠草原的退化状况,并评估了S3DR-Net在样本量不足条件下获取地块级植被状况的能力。
研究区域概况
研究区域位于中国内蒙古鄂尔多斯市的鄂托克旗,具体坐标为东经106°41′ - 108°54′,北纬38°18′ - 40°11′,如图1所示。2024年4月至6月,我们在乌兰镇和阿巴赛木进行了实地调查,从18个观测点中选取了4个具有代表性的地点:内蒙古亿维白绒山羊有限公司的试验地、新召红旗队、巴音陶来盖以及库吉。这些地方都是重要的放牧区,最初被划分为CK、LD、MD和HD四类。
研究区域DSDI指标分析
表2展示了使用CRITIC方法计算得到的DSDI各指标的权重。三种实地观测指标的贡献相对均衡,其中群落平均高度的权重为0.3750,植被覆盖度分数为0.3299,地上生物量为0.2951。DSDI值沿退化梯度呈现显著下降趋势(见图4a)。CK、LD、MD和HD四个等级的平均DSDI值分别为0.678、0.560、0.274和0.256。CK和LD等级的DSDI值通常较高,而HD等级的数值则较低。
像素袋聚合在缓解尺度不匹配中的作用
与传统的像素级高光谱分类不同,本研究中的监督信号是地块级的DSDI指标,而非像素级的退化标记。如果直接使用平均光谱或少量植被指数进行回归分析,可能会过度压缩由裸土、枯萎植被、存活植被以及阴影成分等因素造成的地块内部光谱变异。多实例学习的基本原理是从一组实例中学习样本级的表示。
结论
本研究提出了S3DR-Net,这是一种用于通过无人机高光谱技术估算沙漠草原退化指数的自监督光谱表示学习框架。该框架旨在解决在样本量有限的条件下,混合像素高光谱观测结果与地块级生态标记之间的尺度不匹配问题。该方法以由植被覆盖度分数、地上生物量和群落平均高度构成的DSDI作为沙漠草原退化的间接指标,实现了从像素级到地块级的表示转换。
伦理声明
本研究未涉及人类参与者、人类数据或动物实验。实地采样和无人机数据采集均遵循当地法规,并在必要时获得了相关土地管理者或场地管理方的许可。研究过程中没有故意干扰或采集任何受保护物种。
作者贡献说明
王亮:概念构思、数据整理、正式分析、研究实施、方法设计、软件应用、结果验证、可视化处理、初稿撰写、论文修订。张文霞:概念构思、正式分析、资金筹措、项目监督。王海超:资金筹措、方法设计、结果验证。高宇飞:数据整理。刘宇奇:数据整理。王倩:项目管理、监督、结果验证。王雅萍:项目管理、监督、结果验证。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
作者感谢匿名审稿人提出的宝贵意见。本研究得到了以下项目的支持:国家自然科学基金项目[项目编号:32301665];内蒙古自治区自然科学基金项目[项目编号:2025LHMS03034];内蒙古农业大学青年教师科研能力提升计划[项目编号:BR230122];鄂尔多斯应用技术人才创业基金[项目编号:DC2500001029]。
生物通微信公众号
生物通新浪微博
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