《Remote Sensing》:Few-Shot Shrub Identification via Hyperspectral Deep Learning: A Case Study of Caragana microphylla Lam in Shrub-Encroached Grasslands
编辑推荐:
准确提取灌木空间分布是科学诊断、合理防控灌丛入侵草原(Shrub-Encroached Grasslands, SGs)的重要基础。在SGs中,灌木、草本植被与裸土高度空间混杂导致混合像元严重。无人飞机(Unmanned Aerial Vehicle, UAV
准确提取灌木空间分布是科学诊断、合理防控灌丛入侵草原(Shrub-Encroached Grasslands, SGs)的重要基础。在SGs中,灌木、草本植被与裸土高度空间混杂导致混合像元严重。无人飞机(Unmanned Aerial Vehicle, UAV)高光谱成像与深度学习结合是当前灌草分离最具前景的技术途径,但数据冗余与算法适应性问题亟待解决。研究人员以内蒙古锡林浩特市典型SGs优势灌木小叶锦鸡儿为对象,构建人工目视解译高光谱数据集,提出融合对比学习的无监督波段选择算法US-BS-Net优化BS-Conv-Net代理任务,获取具判别性特征表达的敏感光谱波段;进而将US-BS-Net与原型网络(Prototypical Network)结合构建US-BS-P-Net框架,在小样本场景下建立高精度灌木识别模型。以80个波段输入时总体精度达93.15%,优于全光谱及其他深度学习模型。高光谱技术与深度学习的深度协同有效克服灌草光谱相似与空间混合传统难题,所提框架为SGs精准监测提供优良基础数据。
研究背景方面,全球草原生态系统灌木入侵显著加剧,气候变暖、CO2浓度上升、过度放牧及火干扰减少驱动灌木替代草本成为优势种,2018年全球SGs面积达5.52×106 km2,中国内蒙古SGs以小叶锦鸡儿为主覆盖超5.1×104 km2。灌木入侵重塑植被空间格局,威胁草地生态服务与牧业可持续发展,因此精准监测SGs空间动态对退化预警与差异化治理至关重要。卫星遥感受空间分辨率与时序密度限制难以识别单株或幼灌木;UAV多光谱在典型草原灌草光谱混合下区分力不足;UAV高光谱具高空间-光谱分辨率但数据量大、特征冗余高。传统基于先验知识的特征工程泛化弱,降维方法中特征提取破坏波段物理意义,波段选择(Band Selection)可保留物理含义但波段重要性准则难定。BS-Net-Conv依赖全局自编码重建缺乏判别特征学习。同时高维高光谱与少量标注样本失衡致过拟合,度量学习类小样本方法(如原型网络)以类原型最近邻聚类适应新任务,结构简、超参少。为此研究人员提出US-BS-P-Net,融合无监督波段选择与度量学习解决冗余与少样本问题。
关键技术方法上,研究区位于内蒙古锡林浩特东北(44°50′~44°51′N, 116°21′~116°22′E)典型小叶锦鸡儿SGs,2024年8月设40个1 m2样方(17草23灌),RTK定位灌木。采用DJI M300 Pro搭载Cubert ULTRIS X20 Plus获取350~1002 nm共164波段高光谱,航高100 m、空间分辨率5.8 cm,经白板定标、大气校正与Savitzky-Golay平滑,ArcMap地理配准误差<1像素。由人工目视解译构建898万余样本数据集(灌木与非灌木约1:1),按0.01:0.99:99分训练/验证/测试集模拟小样本。算法端US-BS-Net在BS-Net-Conv上引入SimCLR对比学习,含光谱注意力模块、L1正则、卷积自编码与对比损失三联目标;下游以原型网络 episodic 采样(C-way-K-shot)建类原型,欧氏距离softmax分类。
研究结果部分,首先“不同斑块尺寸下原型网络性能”表明保留164波段时patch 5×5至21×21总体精度(Overall Accuracy, OA)上升、21×21达峰值后下降,故定21×21(对应地物0.29~1.55 m)为最优空间尺寸。其次“敏感波段数量对识别精度影响”显示US-BS-Net选前5波段OA已>92%,80波段时OA峰值93.15%优于全164波段基线;敏感波段集中于506~706 nm(绿峰~红边)及426~906 nm、946~1002 nm,对应叶绿素吸收、红边结构与叶水吸收特征。其三“最优模型精度与制图”中80波段US-BS-P-Net较全波段基线OA、平均精度(Average Accuracy, AA)、Kappa×100分别提升0.35%、0.38%、0.72,非灌木精度升1.11%为主因,灌木精度仅降0.34%;全域制图显示优化模型减轻灌草边界混淆但仍存离散点。
讨论部分,超参敏感性上对比学习温度τ=0.1最优、L1系数α=0.01最优,框架对温度更敏感。消融分析中移除各模块退化为2D-CNN基线(OA 86.64%),加L1正则+3.28%、加对比学习+2.45%、二者结合+4.21%、换原型网络+6.16%、全框架US-BS-P-Net较基线+6.51%。降维方法对比中5波段时US-BS-Net与BS-Net-Conv均优于PCA,80波段时US-BS-Net(OA 93.15%, Kappa×100 86.31, AA 93.18%)胜BS-Net-Conv与PCA(PCA增至80波段反降>5%)。模型对比中2D-CNN最低(86.64%),匹配网络、关系网络、原型网络等度量小样本法均优,US-BS-P-Net最高。局限性指出单高光谱缺垂直结构、单时相难跨季、单区域待多源验证、需向卫星尺度拓展。
结论部分翻译:本研究提出由US-BS-Net波段选择算法与基于度量的原型网络构成的US-BS-P-Net框架用于SGs灌木识别,以无监督方式从高光谱提取敏感光谱信号输入原型网络建小样本高精度模型。基于小叶锦鸡儿目视解译基准,训练集占0.01%时最优patch 21×21下OA超92%;US-BS-Net引入对比学习优化敏感波段,5波段OA即超92%,80波段峰值OA 93.15%优于BS-Net-Conv的92.56%与PCA的85.51%;US-BS-P-Net较多种深度学习小样本场景最优,生成分布图可为SGs监测提供优良基础数据。综上,无监督波段选择融合小样本学习是利用高光谱实现SGs高精度灌木识别的有效途径。