一种温带森林沼泽提取方法

本发明涉及湿地遥感提取，是一种温带森林沼泽提取方法。

背景技术：

1、温带森林沼泽广泛分布于冻土区，是我国北方重要的湿地类型之一，在水源涵养、生物多样性保护和生态系统固碳等方面发挥着重要作用。但随着全球气候变暖和人类活动的影响，多年冻土逐渐退化，导致森林沼泽空间分布发生明显变化。准确快速获取温带森林沼泽空间分布和变化特征信息，是了解冻土区生态系统结构变化的重要基础，对于温带森林沼泽资源管理和生态系统保护具有重要的科学意义。

2、受光学影像对于森林冠层穿透性较差等因素的影响，森林沼泽是最难提取的湿地类型之一，是湿地遥感分类研究的难点。应用多源遥感大数据解析森林沼泽与森林的植被物候等时间序列特征和雷达散射特征的差异，是区分两者的科学基础。已有发明受数据源和分类方法的限制，在温带森林沼泽遥感分类方面具有明显的不足，其分类多采用单一数据源，且未对机器学习算法进行可解释分析，均未将温带森林沼泽的物候等时序特征、地形和水文等综合特征信息应用于森林沼泽的精准分类；温带森林沼泽的遥感识别机理未得到有效探索。

技术实现思路

1、本发明将集成应用sentinel-2光学时间序列数据、sentinel-1-c波段和alos-2palsar-2-l波段雷达数据及地形数据，构建集物候等时序特征、光谱特征、极化特征、地形特征等为一体的遥感分类特征向量集，基于可解释深度神经网络(shap-dnn)框架的温带森林沼泽遥感分类智能模型。将为大尺度森林沼泽信息精准提取提供关键技术参考，为冻土区森林沼泽资源管理和保护提供科学数据支撑。

2、需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

3、本发明提供了一种基于多源遥感协同shap-dnn框架的温带森林沼泽提取方法，本发明提供了以下技术方案：

4、一种基于多源遥感协同shap-dnn框架的温带森林沼泽提取方法，所述方法包括以下步骤：

5、步骤1、基于雷达和光学卫星，获取多源遥感影像；

6、步骤2、构建多源遥感影像的温带森林沼泽特征向量集；

7、步骤3、进行温带森林沼泽样本迁移；

8、步骤4、建立基于shap-dnn框架的温带森林沼泽智能分类模型；

9、步骤5、基于建立的分类模型，进行温带森林沼泽提取。

10、优选地，所述步骤1具体为：

11、基于google earth engine平台，获取sentinel-2光学影像、sentinel-1与alos-2雷达数据和dem数据，基于google earth engine平台，对获取的影像进行去云、去无效值处理，使用中值影像合成方法，最终创建长时间序列逐年的高质量影像集。

12、优选地，所述步骤2具体为：

13、基于雷达和光学卫星，从极化特征、光谱特征、物候特征和地形特征来构建温带森林沼泽遥感分类的特征向量集；

14、极化特征包括vv、vh、hh和hv，依托单极化构建的极化指数包括差异指数sar_diff、综合指数sar_sum、比值指数sar_ratio、归一化指数sar_ndvi、比值指数1sar_ratio1和冠层结构指数csi；

15、建立的光谱特征量除包含sentinel-2影像的光谱波段外，还包括2个植被指数ndvi和evi和2个水体指数ndwi和mndwi；应用二项傅立叶函数对原始的ndvi和evi时间序列堆栈进行曲线拟合，抑制遥感影像中的噪声；

16、利用基于gee的最小二乘法来获取最优的拟合系数，使用截断法确定了8个物候参数，包括生长季开始期sos、生长季结束期eos、生长季中期mos、生长季长度los、基准值bv、季节性振幅sa、季初增长率irs与季末递减率drs，开展温带森林沼泽分类；

17、地形特征包括地形指数twi、地形粗糙度指数tri、地形位置指数tpi、高程dem和坡度slope。

18、优选地，所述步骤3具体为：

19、步骤3.1：在不同时间缺乏一致的训练样本是多时相温带森林沼泽监测的一个主要限制，样本迁移可以基于遥感影像特征的变化情况，判断样本记录时间和遥感影像的获取时间之间地物对象是否发生变化；无变化的样本可直接将时间进行归一化；通过计算参考年和目标年的样本点所在位置在影像各波段及各时空特征向量上的特征值，包括单幅影像获取的极化、光谱、纹理、地形特征和基于时间序列影像的样本点在目标年份中ndvi、ndwi的动态变化；

20、步骤3.2：通过测量参考样本和迁移样本之间的光谱角距离和欧几里得距离，检测并识别目标年份样本的像素变化；若二者之间的距离值在合理的阈值范围内，则表明通过样本迁移获得的温带森林沼泽样本具有可用性；保留距离值在合理阈值范围内的样本点作为目标年的样本点，即可生成目标年份的温带森林沼泽样本集，距离度量的计算通过下式表示：

21、sad＝cosθ          (1)

22、

23、

24、其中，sad为参考光谱与目标光谱的光谱角距离，ed为参考光谱与目标光谱之间的欧几里得距离；θ为光谱角，hi(t1)为样本点所在位置的像素在获取时间为t1的参考影像上的光谱，ji(t2)为样本点所在位置的像素在获取时间为t2的目标影像上的光谱，n为参考影像与目标影像的波段个数；i为当前影像波段索引，其阈值范围为[1，n]。

25、优选地，所述步骤4具体为：

26、dnn内部结构主要包括：输入层、隐藏层和输出层，以向量作为输入和输出，输入向量的每个分量对应识别单元的一个特征，如光谱波段，或是衍生特征植被指数、水体指数和物候特征；在gee云平台上调用基于python语言和tensorflow深度学习框架构建的端到端的深度神经网络模型，从高维遥感数据中自动提取具有高可分性和区域适应性的时空谱特征，来实现快速、大范围、高精度的温带森林沼泽分类；

27、通过构建shap框架，定量化表征每个特征对最终预测值的影响，shap值表示每个特征向量对温带森林沼泽分类的贡献情况，shap值越大表明该特征对于分类结果的贡献越大，计算公式如下：

28、

29、其中，m为特征向量的个数，f为所有特征的集合，f为被解释的模型，f(s)＝e[f(x)|xs]，xi为一个被解释的特征向量实例，xi'为特征向量中的第i个特征，s为f\{xi'}的子集，为第i个特征的shap值；

30、利用shap相互作用指标来寻找影响因素，的计算式为:

31、

32、其中，i与j为被解释的特征且i≠j，δij的计算式为：

33、

34、对所有的特征进行计算，便可以得到一个维度为m×m的矩阵，其中数值最大的数对应的位置代表这两个特征的相互影响最大。

35、优选地，shap解释框架先对模型的中间过程和预测结果，给出局部解释和全局解释，局部解释分析模型中的重要特征，而全局解释会展示特征的值与最终的识别结果之间的关系；对于局部解释，给出影响最终温带森林沼泽分类结果的重要特征。

36、优选地，通过结合局部解释和全局解释，对模型的决策进一步优化；基于shap-dnn模型，最终获取温带森林沼泽数据集。

37、一种基于多源遥感协同shap-dnn框架的温带森林沼泽提取划系统，所述系统包括：

38、影像获取模块，所述影像获取模块基于雷达和光学卫星，获取多源遥感影像；

39、向量集构建模块，所述向量集构建模块构建多源遥感影像的温带森林沼泽特征向量集；

40、迁移模块，所述迁移模块进行温带森林沼泽样本迁移；

41、模型建立模块，所述模型建立模块建立基于shap-dnn框架的温带森林沼泽智能分类模型；

42、沼泽提取模块，所述沼泽提取模块基于建立的分类模型，进行温带森林沼泽提取。

43、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种基于多源遥感协同shap-dnn框架的温带森林沼泽提取方法。

44、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种基于多源遥感协同shap-dnn框架的温带森林沼泽提取方法。

45、本发明具有以下有益效果：

46、本发明与现有技术相比：

47、本发明基于的深度神经网络(deep neural network,dnn)是当前技术最新和应用热点较强的深度学习算法之一，具有强大的表达能力和泛化能力，能够处理高维遥感大数据并具有较好分类精度。但深度神经网络天然复杂度高、透明度低，对普通人来说就像“黑盒”一般，人们无法理解模型的决策机理。可解释性是人类能够理解决策原因的程度，shap(shapley additive explanation)可解释性方法能表征每个特征对最终预测值的影响，增加模型的可解释性，是目前最通用的机器学习可解释性方法。通过对深度神经网络模型进行可解释性研究，使得模型计算过程透明化，避免了对于因果关系的不可解释。将可解释深度神经网络(shap-dnn)运用到森林沼泽分类研究中，挖掘出关键影响因子，有利于分类模型的调试和改进，将加深对于温带森林沼泽遥感识别机理的理解，提高模型分类精度。

48、shap-dnn方法提供了对深度神经网络模型决策机理的解释。传统的深度神经网络常常被视为黑盒，难以理解其背后的决策原因。然而，通过shap-dnn方法，本发明可以了解每个特征(极化特征、光谱特征、物候特征和地形特征)对最终预测值的影响程度，从而使模型的决策过程更加透明化。

49、其次，通过shap-dnn方法，本发明能够挖掘出关键影响因子。这意味着本发明可以识别出在森林沼泽分类中最为重要的特征，这些特征(极化特征)对于准确分类起着关键作用。通过针对这些关键影响因子进行优化，本发明可以提高模型的分类精度，使其更好地适应温带森林沼泽的遥感识别任务。

50、此外，shap-dnn方法还有助于加深对温带森林沼泽遥感识别机理的理解。通过分析模型中各个特征的贡献度，本发明可以更好地理解这些特征(极化特征、光谱特征、物候特征和地形特征)与森林沼泽之间的关联关系。这有助于揭示遥感图像中不同特征与森林沼泽类型之间的联系，进一步提升本发明对该领域的认知水平。

51、最后，采用shap-dnn方法还可以提高模型的鲁棒性和泛化能力。通过了解特征对预测结果的影响，本发明可以识别出模型在哪些情况下可能会出现错误分类或不确定性较高的情况，并针对这些情况进行改进和优化，使模型更加稳健可靠，本方法可以提高温带森林沼泽的分类精度。