GeoFusion:融合卷积神经网络与Transformer的混合模型用于北方泥炭地分类

《Engineering Applications of Artificial Intelligence》:GeoFusion: A hybrid convolutional neural network-transformer model for boreal peatland classification

【字体: 大 中 小 】 时间:2026年05月21日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  研究人员提出了一种名为GeoFusion的像素级泥炭地分类架构,该架构融合了Sentinel-1合成孔径雷达(SAR)与Sentinel-2光学影像,结合卷积神经网络(CNN)的分层局部特征提取能力与视觉Transformer(ViT)的长距离依赖建模能力,实

  
研究人员提出了一种名为GeoFusion的像素级泥炭地分类架构,该架构融合了Sentinel-1合成孔径雷达(SAR)与Sentinel-2光学影像,结合卷积神经网络(CNN)的分层局部特征提取能力与视觉Transformer(ViT)的长距离依赖建模能力,实现了光谱–纹理与结构信息的有效融合。模型引入了数据增强、多头自注意力(multi-head self-attention)及Dropout正则化以提升鲁棒性并缓解过拟合。研究在两个分类层级上评估性能:生境类型(site type)与肥力等级(fertility level),覆盖芬兰三个生态差异显著的地区。实验结果表明,GeoFusion在肥力等级预测中平均准确率达79.25%,生境类型预测中达72.68%,优于现有深度学习与混合Transformer模型。
GeoFusion是一种针对北方泥炭地高精度分类的混合深度学习架构,由芬兰图尔库大学的研究团队提出,发表于《Engineering Applications of Artificial Intelligence》。泥炭地是全球重要的碳汇生态系统,尽管仅占陆地面积约3%–4%,却储存了全球约三分之一的土壤碳,对减缓气候变化具有关键作用。芬兰泥炭地覆盖近30%国土,但长期农业、林业与能源开发导致排水与土地利用变化,对其生态完整性构成威胁。因此,精准识别泥炭地类型与肥力状态对保护与可持续管理至关重要。传统遥感分类方法依赖手工特征,难以捕捉复杂的空间异质性与动态变化;纯卷积神经网络(CNN)受限于局部感受野,无法有效建模长距离生态与水文关联;纯视觉Transformer(ViT)则易丢失局部细节。GeoFusion通过融合CNN的局部特征提取与Transformer的全局上下文建模,在多源遥感数据融合方面实现了突破。
研究采用了三项关键技术方法:一是多模态数据融合,整合Sentinel-1 SAR的强度与相干性数据,以及Sentinel-2多光谱光学数据,覆盖芬兰三个代表性泥炭地区域(凯明马、南博腾区、东芬兰),训练样本来自芬兰地质调查局与卢克国家森林调查的实地验证数据;二是混合架构设计,采用三分支CNN-Transformer结构,每个分支独立处理一种数据模态,通过token级融合与跨模态多头注意力(cross-modal multi-head attention)实现特征交互;三是训练与评估策略,采用数据增强、分层归一化、残差连接与正则化技术,并在两个分类层级(生境类型与肥力等级)上进行性能评估。
研究结果分为以下几个部分:
  1. 1.
    性能比较:GeoFusion在生境类型分类中准确率达68%–76%,较基准CNN与编码器–解码器模型提升显著,并优于Swin Transformer、DeiT与ViT-UNet等先进Transformer架构。肥力等级分类准确率普遍高于73%,在类别区分难度较高的东芬兰未排水区域仍保持稳定表现。
  2. 2.
    生产者精度(PA)与用户精度(UA):GeoFusion的PA均值为0.631,UA均值为0.72,均显著高于对比模型,尤其在凯明马排水区的肥力等级分类中PA达0.81、UA达0.83,显示出较低的漏报与误报率。
  3. 3.
    混淆矩阵分析:模型在高样本量类别中表现优异,但在光谱与生态特征相似的类别(如肥力等级4与5)间存在一定混淆,这与季节性物候重叠及训练样本不平衡有关。
  4. 4.
    模型复杂度:GeoFusion参数量为6–7百万,推理速度约为ViT-UNet的三倍,在计算效率与分类精度之间实现了良好平衡。
  5. 5.
    特征可视化:卷积层有效提取微地形与边界纹理,Transformer注意力机制能够同时关注局部边缘与远距离水文结构,验证了多尺度特征融合的有效性。
  6. 6.
    定性结果:预测图在空间分布上准确反映了不同泥炭地的生境类型与肥力等级差异,支持大尺度制图应用。
在讨论部分,研究人员指出GeoFusion在多站点测试中表现出良好的稳定性,分类精度波动不超过6%,证明其具有较强的领域泛化能力。性能受限主要源于少数类别样本不足及光谱相似性问题,未来可通过焦点损失(focal loss)、类别感知采样或扩散模型生成合成样本来缓解。此外,当前模型未显式建模季节性动态与光谱变异,引入多时相数据、L波段SAR、激光雷达(LiDAR)及高光谱影像有望进一步提升精度。计算成本方面,Transformer模块在大规模应用中仍需优化与压缩。结论表明,GeoFusion通过精确设计的CNN与Transformer融合架构,在多源遥感数据支持下显著提升了北方泥炭地分类的性能,为国家及环北极地区生态监测提供了可行的技术方案。
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