《Frontiers in Environmental Science》:Automatic acquisition method of ground vegetation conditions based on U-Net and clustering algorithm in remote sensing monitoring
编辑推荐:
当前农业和林业遥感监测依赖低层次特征获取地面植被具体状况的信息,获取的信息质量不高。针对这一情况,研究人员提出了一种基于U型网络(U-Net)和聚类算法的地面植被状况自动获取方法。研究人员首先采用改进的U-Net模型对遥感图像进行分类预测,区分植被区域和非植被
当前农业和林业遥感监测依赖低层次特征获取地面植被具体状况的信息,获取的信息质量不高。针对这一情况,研究人员提出了一种基于U型网络(U-Net)和聚类算法的地面植被状况自动获取方法。研究人员首先采用改进的U-Net模型对遥感图像进行分类预测,区分植被区域和非植被区域。随后,利用简单线性迭代聚类算法对遥感图像进行细粒度分割。最后,将分类预测结果与细粒度分割结果相结合,为分割区域内的每个像素生成标签值,从而获得更精确的植被分布图。结果显示,改进后的U-Net分类准确率达到95.46%,细粒度分割精度提升至89.32%。在实际应用中,该方法的信息提取效率较快,达到25.4帧/秒。此外,提取结果的交并比(IoU)和F1分数分别为0.89和0.93。这表明,在提升植被信息获取质量的同时,该方法显著提高了处理速度,为农业和林业植被管理提供了高效、精准的技术支持。
**论文解读:基于U-Net与聚类算法的遥感地面植被状况自动获取方法**
**研究背景与问题**
随着遥感(RS)技术的快速发展,大规模、高效地监测地面植被状况成为可能,尤其在农业和林业资源管理、生态环境保护及气候变化研究等领域,准确获取植被覆盖度、健康状态及分布格局至关重要。高分辨率遥感图像(RSI),如高分二号(GF-2)卫星数据,能提供丰富的地表纹理和光谱细节,为精细植被识别奠定数据基础。然而,当前农业和林业遥感监测实践中,获取地面植被具体状况信息仍面临挑战。许多传统方法主要依赖像素光谱信息或预设的低层次特征(如归一化植被指数、纹理特征等)进行分类,在复杂地形和光谱相似区域难以区分不同林龄、健康状况或立地条件的植被,导致信息质量低、边界模糊、误分和漏分频繁,无法满足现代精准农业和林业的管理需求。近年来,深度学习(DL)方法在遥感领域迅速发展,为植被提取和生态监测带来新趋势,但现有方法仍受限于多尺度特征表示不足、复杂地形精细分割精度低以及跨场景泛化能力有限等问题。为此,研究人员提出了一种基于深度聚类的自动植被状态识别模型(DC-AVSR),通过改进U-Net架构并引入基于马尔可夫距离的二分K-means聚类算法,旨在实现高效、精准的植被状况自动获取。
**研究方法**
研究人员主要采用了以下关键技术方法:(1)基于改进U-Net的遥感图像分类预测模型,该模型整合了DeepLabv3+中的空洞空间金字塔池化(ASPP)模块,以增强多尺度特征感知能力。(2)基于改进的二分K-means聚类算法的细粒度分割(FGS)方法,引入马尔可夫距离(Markov distance)作为相似性度量,并自适应确定聚类数。研究样本来源于河北省塞罕坝机械林场核心区域,使用2023-2024年植被生长季(6-9月)的GF-2多光谱图像(空间分辨率3.24 m),经过辐射定标、大气校正等预处理后,构建训练、验证和测试集(比例为8:1:1)。此外,研究还使用了ISPRS Vaihingen、DeepGlobe 2018、GID和BigEarthNet四个公开遥感数据集进行泛化性能验证。
**研究结果**
**3.1 分类预测效果分析**
研究人员将DC-AVSR与SegFormer、LMA-Swin、AER U-Net和DPAttResU-Net等模型进行对比。在特征空间降维可视化中,DC-AVSR表现出清晰的聚类边界、高簇内密度和低簇间重叠。误差收敛分析显示,DC-AVSR的平均绝对误差(MAE)和均方根误差(RMSE)在训练过程中下降更快且稳定在更低值(MAE 0.812,RMSE 1.047),优于其他模型。在四个公开数据集上的泛化测试中,DC-AVSR的预测准确率随样本量增加而趋近真实值,证实了其在多源、多场景遥感数据上的强适应性。
**3.2 细粒度图像分割效果分析**
研究人员进一步评估了细粒度分割性能。在塞罕坝GF-2数据上,DC-AVSR的边界识别准确率达到93.27%,特征重叠率为88.91%,平均轮廓系数为0.684,均优于对比模型。通过调整聚类数k,发现当k=5时模型达到最优,簇内一致性为93.45%,簇间区分度为88.91%。这五个簇被映射为成熟的健康森林、中龄活跃生长森林、幼龄人工林、显示早期环境胁迫迹象的植被以及退化或稀疏植被区,验证了聚类结果的生态解释性。
**3.3 自动植被信息获取方法的应用效果**
在多数据集应用中,DC-AVSR在GID数据集上表现最佳,分类准确率达95.46%,FGS准确率为89.32%,交并比(IoU)为0.89,F1分数为0.93,提取速度达25.4帧/秒。在不同样本比例下,DC-AVSR的准确率、召回率和F0.5值均保持领先。与SegFormer的对比显示,DC-AVSR在多个测试区域的IoU值显著更高(接近或超过90%),且运行时间稳定在可接受范围内。消融实验表明,ASPP模块和马尔可夫距离聚类算法对性能提升均有显著贡献。
**讨论与结论**
研究人员提出了DC-AVSR模型,以解决当前农业和林业遥感监测中依赖低层次特征、信息质量低的问题。该方法通过改进U-Net整合空洞卷积和ASPP,实现了高精度植被/非植被分割,并引入基于马尔可夫距离的二分K-means聚类算法,自适应确定聚类数,有效表征不同植被状态之间的动态关系。实验结果表明,DC-AVSR在误差控制、边界识别、聚类性能和多场景泛化方面均优于先进模型,分类准确率95.46%,FGS精度89.32%,IoU和F1分数分别为0.89和0.93,处理速度达25.4帧/秒。尽管结果令人鼓舞,但研究仍存在局限性:模型在超高分无人机影像或高光谱传感器等替代数据源上的泛化能力需进一步验证;算法对季节性物候变化的鲁棒性尚未充分探索;深度聚类架构的计算需求对资源受限的边缘设备部署构成挑战。未来研究将聚焦多源数据融合、长期时间序列分析以及模型压缩技术(如剪枝和量化),以实现轻量化和实时处理。此外,由于地理焦点集中于塞罕坝温带森林,模型在热带雨林、稀树草原或多样化农业耕地等完全不同生态系统中的表现尚未验证,未来需纳入跨生物群落的异构数据集和不同光谱特征传感器(如Sentinel-2)进行系统评估。