将深度卷积神经网络(CNN)的特征与集成学习相结合,用于多传感器海岸场景识别

《Optics & Laser Technology》:Integrating deep CNN features and ensemble learning for multi-sensor coastal scene recognition

【字体: 大 中 小 】 时间:2026年05月02日 来源:Optics & Laser Technology 4.6

编辑推荐:

  阿里雷扎·沙里菲(Alireza Sharifi) 伊朗德黑兰沙希德·贝赫什提大学(Shahid Beheshti University)土木、水利与环境工程学院,地理信息与地理测量工程系 摘要 遥感技术的飞速发展以及多传感器数据集的出现,使得对沿海生态系统的监测和分析成为可

  
阿里雷扎·沙里菲(Alireza Sharifi)
伊朗德黑兰沙希德·贝赫什提大学(Shahid Beheshti University)土木、水利与环境工程学院,地理信息与地理测量工程系

摘要

遥感技术的飞速发展以及多传感器数据集的出现,使得对沿海生态系统的监测和分析成为可能。本研究提出了一个利用NWPU-RESISC45数据集识别沿海景观的改进框架,重点关注沿海地形和水资源。我们结合了VGG16卷积神经网络进行深度特征提取,并通过XGBoost进行决策级融合,将沿海土地覆盖分为六类:海滩、岛屿、河流、湖泊、海冰和湿地。该方法的总体准确率为89%,在所有类别中都表现出优异的性能,这一点通过全面的定量指标和混淆矩阵评估得到了验证。这归功于精细的预处理、特征整合和集成学习。研究结果表明,深度学习与集成方法的结合对于利用多种传感器数据的沿海测绘应用非常有益。此外,将此类分类框架整合到土地管理系统(LAS)中,可以支持沿海土地管理、地籍测绘和可持续土地利用规划,提供关于沿海土地覆盖动态的可靠、最新的地理空间信息。

引言

地球上许多最活跃和最重要的地区都位于沿海地带。它们对人类社会、经济活动和生物多样性至关重要[1]。海岸线对于地区的繁荣、环境保护和灾害预防具有重要意义[2]。准确及时的沿海土地覆盖信息是土地管理系统(LAS)的基本组成部分,尤其是在那些沿海地区面临快速城市化、土地利用冲突和环境退化的国家[3]。[LAS]依赖于整合地籍边界、土地所有权和土地利用分类的空间数据基础设施,以支持沿海治理和可持续发展的决策[4]。[3]、[4]。日益加剧的城市化、气候变化和人类活动在这些地区引发了更多问题,因此需要改进监测和管理[5]。
遥感技术能够提供即时、大规模、多模态的陆地和海洋表面图像,改变了我们对沿海环境的认知[6]、[7]。非常高分辨率(VHR)的光学卫星图像以及来自各种机载和太空传感器的数据提升了沿海监控的能力[8]、[9]、[10]。由于沿海地区的复杂性和多样性,需要综合方法来整合多传感器数据并揭示相关模式以支持决策[11]、[12]。
多传感器数据融合在地理空间科学中非常流行。它通过结合多个来源的重要信息,提高了沿海测绘应用的空间、光谱和时间分辨率[13]、[14]。多传感器融合通过结合多个传感器的最佳特性,克服了单一传感器的局限性,使复杂情况的分类更加精确和可靠[15]。在沿海地区,土地覆盖和水体类型的细微差异需要高度的区分能力和环境意识[16]。
最近,深度学习算法在遥感图像分析中的场景分类、对象检测和语义分割方面表现优异[17]、[18]。像VGG16这样的卷积神经网络(CNN)可以自动从高维卫星数据中提取特征,帮助我们捕捉区分不同沿海类型的层次化空间特征[11]、[19]。集成学习方法(如XGBoost)利用深度模型的特性来提高分类准确性和决策级融合[20]。
尽管取得了这些进展,但在复杂沿海环境中进行深度多传感器融合的研究仍然很少[21]、[22]。我们需要可重复的过程,这些过程使用开放获取的数据集,帮助我们监测沿海环境和管理资源。我们提出了一种利用NWPU-RESISC45数据集对中国六大重要海岸景观进行分类的集成方法[23]。该方法采用VGG16进行深度特征提取,并结合XGBoost进行决策级融合。本研究的主要贡献包括:
  • I.
    我们提出了一种系统化的方法,用于合并复杂沿海景观的传感器数据和特征数据。
  • II.
    深度学习和集成模型能够准确分类沿海土地覆盖和水资源。
  • III.
    我们进行了全面的分类性能评估,包括数值指标和混淆矩阵分析,这对沿海监测应用很有帮助。

章节片段

相关工作与最新进展

沿海遥感研究的一个重要重点是整合来自多个传感器的数据与强大的机器学习技术。由于沿海环境具有很大的差异,传统方法难以仅通过单一传感器的照片来完全捕捉其复杂性。近年来,通过合并来自多个来源的数据,沿海地区的空间、光谱和时间信息得到了显著提升

材料与方法

本节讨论了用于准确分类沿海土地覆盖和水资源的数据来源、研究领域和方法论框架。使用NWPU-RESISC45数据集来研究海滩、岛屿、河流、湖泊、海冰和湿地等沿海景观。选择这些分类是因为海岸线具有多样的地形和生态系统,同时也满足了管理沿海资源和监测环境的实际需求。该方法论流程使用了

整体分类性能

表II展示了测试集中提出的深度特征提取和XGBoost集成框架的分类指标。准确率、召回率和F1分数的宏观平均值均为0.89,表明该系统在所有六个沿海场景类别中都表现良好。
宏观平均值对所有类别一视同仁,表明分类器在各个类别中都能有效运行。这在多类遥感问题中非常重要,因为类别不平衡和类别间差异可能会影响分类效果

结论

本文展示了利用深度卷积特征提取(VGG16)和集成学习(XGBoost)在NWPU-RESISC45数据集上,开发出一种用于中国沿海场景自动分类的强大且可扩展的系统。该方法支持多传感器数据整合,能够高精度地识别包括湿地、岛屿、湖泊、河流、海冰和海岸线在内的多种沿海生态系统。

资金声明

本研究未获得公共部门、商业部门或非营利机构的任何特定资助。

利益冲突声明

作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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