一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法

本发明属于机器学习，尤其涉及一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法。

背景技术：

1、红树林是热带、亚热带海岸带海陆交错区生长的木本植物群落，在净化海水、防风消浪、维持生物多样性、固碳储碳等方面发挥着极为重要的作用。准确估算红树林生物量是研究红树林生态系统碳循环的重要内容，有利于更好地评估红树林生态系统的碳汇潜力。

2、传统的红树林调查方式存在成本高、效率低等问题，并且会对红树林造成一定的破坏，很大程度上制约了红树林生物量分布估算和监测的效率。由于多种外界环境因素干扰，显著增加了红树林生物量估计的难度，传统的线性回归及非线性回归模型在红树林生物量估计上性能较差，并不适用于实际应用。

3、随着人工智能及机器学习的发展，部分研究人员采用数据驱动的方式实现红树林生物量估计，常见的机器学习模型如决策树、人工神经网络、支持向量机、卷积神经网络等都对训练数据的数量及质量要求较高，但是在实际情况下，由于现有调查方式很难得到理想的数据源，即存在数据稀缺的非理想条件，导致传统的机器学习模型无法有效提取红树林数据的特征进行适用。

4、因此，设计一种能在样本数据稀缺条件下，提高红树林特征提取效果的基于自监督扰乱特征重构网络的小样本红树林生物量估计方法成为了急需解决的技术问题。

技术实现思路

1、本发明为解决上述问题，提供了一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法。

2、本发明的技术方案，一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，包括以下步骤，

3、s1，使用landsat8遥感影像以及dem高程数据处理小样本红树林数据，提取原始特征量，对原始特征量采用随机窗口特征扰乱以及噪声掩码，得到辅助数据，对未掩码部分的特征进行数据拼接，得到残余数据并记录扰乱窗口的位置信息p；

4、s2，构建学习任务模型，使用多个多视野卷积模块mvccm搭建多视野卷积神经网络mvcnn，从残余数据提取红树林的深层特征进行输出；再使用多个一维卷积及池化层级联构成简化解码器，将深层特征进行特征平铺，考虑扰乱窗口的位置信息，与辅助数据拼接后作为简化解码器的输入，得到红树林的重构特征数据，以及阶段1的表示扰乱特征重构误差的模型损失函数，以重构特征的损失值调整多视野卷积模块的卷积权重与偏置；

5、s3，通过两个全连接层构成红树林的生物量识别器，输入红树林的深层特征得到红树林生物量估计值；将生物量估计值与真实生物量值进行对比，计算阶段2的生物量估计损失，以估计损失值进行模型参数微调，获取最终的生物量估计模型。

6、作为本发明的进一步改进，所述步骤s1提取的原始特征量包括波段信息、植被指数、纹理特征与气压高度指标4个类型；所述波段信息包括的特征量为海岸波段、蓝波段、绿波段、红波段、近红外波、短红外波1与短红外波2；所述植被指数包括的特征量为归一化植被指数ndvi、比值植被指数rvi、差值植被指数dvi、土壤调节植被指数savi、增强型植被指数evi与绿波段归一化差值植被指数gndvi；所述纹理特征包括的特征量为方差var、同质性hom、对比度con、异质性dis、熵ent、角二阶矩sm、相关性cor与均值me；所述气压高度指标为地形因子tof。

7、作为本发明的进一步改进，所述随机窗口特征扰乱通过设置窗口长度，在每条原始特征量数据中，随机选取与窗口长度相应的特征数量，采用高斯噪声对选取的特征进行特征掩码，表达式为，

8、， ，其中，p为扰乱窗口随机选取的位置信息，表示从a至b之间随机选取一个整数，l为输入特征总量，w为窗口长度，表示生成的辅助数据，表示高斯噪声，x\left [ {a,b} \right ]表示原始特征数据的a至b段特征，表示特征扰乱；

9、所述数据拼接的表达式为，其中，表示拼接后的残余数据，表示数据拼接操作。

10、作为本发明的进一步改进，所述多视野卷积模块在输入残余数据后，先采用小尺度卷积，利用不同卷积步长获取小视野特征，表达式为，其中，表示小尺度卷积的第i个步长输出，表示步长为i的小尺度卷积；

11、再基于小视野特征，采用中等尺度卷积，利用不同卷积步长获取不同分支的中视野特征，表达式为，其中，表示中等尺度卷积的第i个步长输出，表示步长为i的中等尺度卷积；

12、最后获取小视野特征与中视野特征，基于级联卷积模式采用大尺度卷积，获取不同卷积步长下的大视野特征，表达式为，其中，表示大尺度卷积的第i个步长输出，表示步长为i的大尺度卷积；表示特征拼接操作；

13、利用特征拼接操作处理大视野特征，得到单个多视野卷积模块输出的深层特征，表达式为，

14、其中，表示单个mvccm模块输出特征。

15、作为本发明的进一步改进，所述多视野卷积神经网络通过级联多个多视野卷积模块与池化操作进行搭建；该多视野卷积神经网络的输出特征表达式为，其中，表示多视野卷积神经网络的输出特征，表示n个模块的级联操作，pool表示池化操作。

16、作为本发明的进一步改进，所述简化解码器的输入的表达式为，其中，为拼接后简化解码器的输入特征，表示特征平铺操作；所述简化解码器的表达式为，其中，表示解码器的输出特征；所述学习任务模型设置全连接层处理解码器的输出特征，得到红树林的重构特征数据，表达式为，其中，表示重构特征数据，表示全连接层处理解码器的输出特征。

17、作为本发明的进一步改进，所述模型损失函数的计算式为，其中，表示阶段1损失，与分别表示第j个红树林样本第i个特征的重构值与真实值，m为样本总数。

18、作为本发明的进一步改进，所述生物量识别器的表达式为，其中，表示红树林生物量估计值，表示第i个全连接层；所述生物量估计损失的计算式为，其中，表示阶段2的生物量估计损失，与分别表示第j个样本的生物量估计值与真实值。

19、采用上述方法后，通过landsat8遥感影像及dem高程数据提取波段信息、植被指数、纹理特征与气压高度指标的22个原始特征量；随后针对原始特征量，随机选取部分特征量进行扰乱顺序并添加干扰，利用其余特征量指导重构扰乱前的特征量，由少量数据对红树林的特征进行深度提取；之后建立学习任务模型，基于多个多视野级联卷积模块深度堆叠，构建多视野卷积神经网络提取红树林深层特征；最终，构建生物量估计器并对模型参数进行微调，获取最终模型并得到小样本下红树林生物量精准估计值，形成完整的自监督扰乱特征重构网络；实现了使用上述技术方案构成的基于自监督扰乱特征重构网络的估计方法，提取红树林深度特征时可以规避原始数据样本量限制，解决数据稀缺的问题，改善模型泛化性，有效提高小子样条件下红树林生物量估计的精度。

技术特征：

1.一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：包括以下步骤，

2.根据权利要求1所述一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：所述步骤s1提取的原始特征量包括波段信息、植被指数、纹理特征与气压高度指标4个类型；所述波段信息包括的特征量为海岸波段、蓝波段、绿波段、红波段、近红外波、短红外波1与短红外波2；所述植被指数包括的特征量为归一化植被指数ndvi、比值植被指数rvi、差值植被指数dvi、土壤调节植被指数savi、增强型植被指数evi与绿波段归一化差值植被指数gndvi；所述纹理特征包括的特征量为方差var、同质性hom、对比度con、异质性dis、熵ent、角二阶矩sm、相关性cor与均值me；所述气压高度指标为地形因子tof。

3. 根据权利要求1所述一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：所述随机窗口特征扰乱通过设置窗口长度，在每条原始特征量数据中，随机选取与窗口长度相应的特征数量，采用高斯噪声对选取的特征进行特征掩码，表达式为，

4.根据权利要求3所述一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：所述多视野卷积模块在输入残余数据后，先采用小尺度卷积，利用不同卷积步长获取小视野特征，表达式为，其中，表示小尺度卷积的第i个步长输出，表示步长为i的小尺度卷积；

5.根据权利要求4所述一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：所述多视野卷积神经网络通过级联多个多视野卷积模块与池化操作进行搭建；该多视野卷积神经网络的输出特征表达式为，其中，表示多视野卷积神经网络的输出特征，表示n个模块的级联操作，pool表示池化操作。

6.根据权利要求5所述一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：所述简化解码器的输入的表达式为，其中，为拼接后简化解码器的输入特征，表示特征平铺操作；所述简化解码器的表达式为，其中，表示解码器的输出特征；所述学习任务模型设置全连接层处理解码器的输出特征，得到红树林的重构特征数据，表达式为，其中，表示重构特征数据，表示全连接层处理解码器的输出特征。

7.根据权利要求6所述一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：所述模型损失函数的计算式为，其中，表示阶段1损失，与分别表示第j个红树林样本第i个特征的重构值与真实值，m为样本总数。

8.根据权利要求5所述一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，其特征在于：所述生物量识别器的表达式为，其中，表示红树林生物量估计值，表示第i个全连接层；所述生物量估计损失的计算式为，其中，表示阶段2的生物量估计损失，与分别表示第j个样本的生物量估计值与真实值。

技术总结本发明涉及一种基于自监督扰乱特征重构网络的小样本红树林生物量估计方法，先利用Landsat8遥感影像及DEM高程数据提取波段信息、植被指数、纹理特征与气压高度指标的22个原始特征量；随后针对原始特征量，随机选取部分特征量进行扰乱顺序并添加干扰，利用其余特征量指导重构扰乱前的特征量，由少量数据对红树林的特征进行深度提取；之后建立学习任务模型，基于多个多视野级联卷积模块深度堆叠，构建多视野卷积神经网络提取红树林深层特征；最终，构建生物量估计器并对模型参数进行微调，获取最终模型并得到小样本下红树林生物量精准估计值；实现在数据稀缺下有效提高对红树林特征数据的提取性能，进而对红树林生物量精准估计。技术研发人员：郝君,余建波,范全龙,苗梦奇受保护的技术使用者：浙江安防职业技术学院技术研发日：技术公布日：2024/11/18