基于雙路圖卷積的黃河三角洲濕地地物分類研究

郭防銘, 李忠偉, 孟 喬, 王雷全, 張 杰, , 胡亞斌, 梁 建

基于雙路圖卷積的黃河三角洲濕地地物分類研究

郭防銘1, 李忠偉1, 孟 喬1, 王雷全1, 張 杰1, 2, 胡亞斌2, 梁 建3

(1. 中國石油大學(xué)(華東), 山東 青島 266580; 2. 自然資源部第一海洋研究所, 山東 青島 266061; 3. 南通智能感知研究院, 江蘇 南通 226007)

黃河三角洲濕地地物精確分類對濕地資源的保護(hù)、開發(fā)和利用具有重要意義。目前的濕地分類算法大多存在著全局信息利用不足, 地物類型邊界不易區(qū)分等問題, 導(dǎo)致分類精度不高。針對此問題, 本文提出了基于雙路圖卷積的黃河三角洲濕地地物分類算法, 包括圖結(jié)構(gòu)數(shù)據(jù)構(gòu)建模塊、特征提取與融合模塊兩部分。圖結(jié)構(gòu)數(shù)據(jù)構(gòu)建模塊, 設(shè)計(jì)歐式圖表示光譜值之間的絕對差異, 衡量不同地物類型, 設(shè)計(jì)余弦圖表達(dá)不同像素光譜波形之間的差異, 用以區(qū)分不同的地物邊界; 特征提取與融合模塊, 利用圖卷積聚合全局信息, 對歐式圖利用雙層圖卷積進(jìn)行特征提取, 對余弦圖使用圖U-Net網(wǎng)絡(luò)進(jìn)行特征提取, 之后將兩個(gè)特征融合, 得到同時(shí)具有光譜值絕對差異和光譜波形差異的融合特征, 最后進(jìn)行分類。在CHRIS和GF5兩個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明, 本文所提算法在黃河三角洲濕地地物分類中取得了具有競爭力的分類結(jié)果。

黃河三角洲; 濕地分類; 高光譜圖像分類; 圖卷積

濕地被譽(yù)為“地球之腎”、“生物超市”和“基因庫”, 與森林、海洋并稱為全球三大生態(tài)系統(tǒng), 在氣候調(diào)節(jié)、促淤造陸、蓄洪防旱等方面發(fā)揮著重要作用[1]。黃河三角洲濕地是由黃河沖淤和海水動力共同作用的結(jié)果, 是我國暖溫帶保存最完整、最廣闊和最年輕的濕地, 是典型的河口濕地[2]。目前, 黃河三角洲濕地受入海水沙量減少、人類活動和全球氣候變化等多重因素的影響, 正面臨濕地萎縮、景觀破碎化及生物多樣性降低等問題[3]。因此, 開展黃河三角洲濕地地物分類研究, 對濕地資源的保護(hù)、開發(fā)和利用具有重要意義。

高光譜數(shù)據(jù)具有光譜分辨率高、光譜波段多以及“圖譜合一”的特點(diǎn), 針對不同的地物類型可以表現(xiàn)出不同的光譜信息, 基于上述特點(diǎn), 許多學(xué)者利用高光譜數(shù)據(jù)開展了濕地地物分類研究[4-5]。王建步等[6]將線性光譜混合分析模型與歸一化植被指數(shù)(NDVI)和歸一化水體指數(shù)(NDWI)相結(jié)合, 實(shí)現(xiàn)了高光譜圖像的濕地分類。初佳蘭等[7]利用ISODATA非監(jiān)督分類方法與最大似然法(ML)和支持向量機(jī)(SVM)法監(jiān)督分類法, 提出了一種基于眾數(shù)賦值的高光譜圖像地物分類方法, 有效提高了濕地分類精度。李世波等[8]對高光譜數(shù)據(jù)進(jìn)行主成分分析(PCA)降維后, 利用隨機(jī)森林和徑向基內(nèi)核支持向量機(jī)分類, 得到了較穩(wěn)定的濕地分類精度。然而, 上述研究多是利用人工提取的特征進(jìn)行分類, 提取特征質(zhì)量依賴人工經(jīng)驗(yàn), 自動化與智能化程度不高。

近年來, 深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的巨大成功, 使其在遙感圖像處理領(lǐng)域也得到了廣泛應(yīng)用[9-11], 卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)作為其代表, 已被廣泛用于濕地分類研究[12-13], 提高了分類算法的自動化與智能化。Hu等[14]提出了基于多目標(biāo)CNN和決策融合模型的高光譜分類算法, 使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取, 引入聯(lián)合投票法和模糊隸屬度的決策融合模型進(jìn)行濕地分類。Chen等[15]利用深度置信網(wǎng)絡(luò), 引入共軛梯度更新, 使用以中心像素的光譜塊特征進(jìn)行分類, 在GF-5黃河三角洲影像數(shù)據(jù)上取得了較好效果。需要注意的是, 基于CNN的算法關(guān)鍵是對高光譜數(shù)據(jù)進(jìn)行特征提取, 然而多數(shù)算法的特征提取依賴固定尺寸、固定感受野的卷積核, 這使得在特征提取過程中, 信息只局限在小范圍內(nèi), 更多的全局信息得不到利用, 限制了分類精度的提高。

圖卷積神經(jīng)網(wǎng)絡(luò)GCN(Graph Convolutional Neural Network)因其靈活的感受野為解決上述問題提供了新思路[16-17]。Hong等[18]設(shè)計(jì)了MiniGCN網(wǎng)絡(luò)用于高光譜圖像分類, 提高了分類精度。Ding等[19]設(shè)計(jì)了聯(lián)合上下文的多尺度圖卷積網(wǎng)絡(luò), 同樣在高光譜分類中取得不錯(cuò)效果。然而, 上述方法的圖結(jié)構(gòu)都是通過計(jì)算歐幾里得距離來構(gòu)造的, 歐幾里得距離只能反映光譜值之間的絕對差異, 忽略了光譜波形間的相對差異。在濕地中, 水體、潮灘、植被等界限并不明顯, 僅僅利用光譜之間的絕對差異無法完成分類, 單一的圖構(gòu)造方法很難完成濕地地物分類任務(wù)。

為解決上述問題, 本文提出了基于雙路圖卷積的黃河三角洲濕地分類模型, 稱為DGCNWC算法, 構(gòu)建歐式圖和余弦圖挖掘光譜間的絕對差異與相對差異; 利用圖卷積提取特征, 獲取全局信息; 在CHRIS和GF-5數(shù)據(jù)集上取得了較好結(jié)果。

1 雙路圖卷積網(wǎng)絡(luò)

盡管當(dāng)前基于GCN的算法在濕地分類中已經(jīng)取得了不錯(cuò)效果, 但其對濕地復(fù)雜地物的邊界區(qū)分不明顯。因此, DGCNWC算法利用全局信息, 聚焦光譜值與光譜波形特征提取, 之后進(jìn)行特征融合, 開展?jié)竦胤诸愌芯?。算法整體框架圖如圖1所示。DGCNWC算法包括兩個(gè)模塊: 圖結(jié)構(gòu)數(shù)據(jù)構(gòu)建模塊、特征提取與融合模塊。

圖1 DGCNWC算法框架圖

1.1 歐式圖與余弦圖的構(gòu)建

與基于CNN的方法相比, 基于GCN的方法具有更靈活的感受野, 能夠獲取全局信息, 這得益于數(shù)據(jù)的圖結(jié)構(gòu)表示。初始圖結(jié)構(gòu)直接決定了能夠提取的特征的質(zhì)量。因此, 本文設(shè)計(jì)了歐式圖和余弦圖兩種圖結(jié)構(gòu)用于表達(dá)濕地高光譜影像的圖結(jié)構(gòu)數(shù)據(jù)。

歐式圖表示光譜之間的絕對差異, 利用歐幾里得距離來度量, 歐式圖可以直接反映每個(gè)像素之間光譜值的差異, 衡量光譜的相似性。余弦圖則表示的是光譜曲線之間的相對差異, 利用余弦相似度度量, 余弦圖體現(xiàn)的是每個(gè)像素光譜波形之間的差異, 衡量光譜波形之間的相似性。光譜值差異有利于判斷不同的地物類別, 光譜波形差異可以較好的區(qū)分潮灘、植被等有明顯差異的地物界限。

將任一像素塊′的歐式圖定義為G=(V,E)。其中,V代表像素塊′中的所有像素, 表示圖G的頂點(diǎn),E是像素塊內(nèi)每個(gè)像素間光譜值的絕對差異, 由歐幾里得距離度量, 采用高斯核函數(shù)[20], 其計(jì)算公式如下:

同理, 任一像素塊′的余弦圖定義為G=(V,E)。V代表像素塊′中的所有像素, 表示圖G的頂點(diǎn),E是像素塊內(nèi)每個(gè)像素間光譜值的相對差異, 由余弦距離度量, 其計(jì)算公式如下:

1.2 特征提取與融合

歐式圖與余弦圖構(gòu)造完成后, 將利用其特征矩陣和鄰接矩陣輸入到特征提取與融合模塊。特征提取模塊由兩路網(wǎng)絡(luò)組成, 一路為兩層圖卷積網(wǎng)絡(luò)用于提取歐式圖的絕對差異光譜特征; 另一路為圖U-Net網(wǎng)絡(luò), 用于提取余弦圖的相對差異光譜特征。融合模塊由一層卷積神經(jīng)網(wǎng)絡(luò)和兩層全連接網(wǎng)絡(luò)組成, 用于融合絕對差異光譜特征和相對差異光譜特征, 利用融合的特征進(jìn)行最終的濕地地物分類。

對于歐式、余弦圖的鄰接矩陣, 其對角線的值表示各像素的自相關(guān)性。為了提高模型訓(xùn)練穩(wěn)定性, 采用自連接的鄰接矩陣擴(kuò)大其自相關(guān)性, 表達(dá)式如下:

式中,I代表對角線為1, 其余值為0的單位矩陣。

對歐式圖, 受限于圖卷積信息傳播特性, 三層及以上圖卷積會出現(xiàn)“過渡平滑”現(xiàn)象, 導(dǎo)致信息不具有可分性, 一層圖卷積信息提取不充分, 因此采用雙層圖卷積進(jìn)行絕對差異光譜特征的提取。圖卷積層通過不斷聚合相鄰節(jié)點(diǎn)的信息實(shí)現(xiàn)鄰接信息的傳遞, 在不斷傳遞過程中, 可以遍歷所有節(jié)點(diǎn), 從而獲取光譜特征的全局信息。圖卷積方程定義如下:

對余弦圖, 因其蘊(yùn)含了光譜波形的相似性信息, 只通過圖卷積層進(jìn)行信息傳遞不能充分挖掘到不同地物的邊界信息, 因此, 歐式圖雙層圖卷積的基礎(chǔ)上, 引入了四組圖池化與圖反池化操作, 最后利用殘差結(jié)構(gòu)加速模型的收斂。其中, 圖池化操作如圖2所示, 其方程定義如下:

圖反池化利用“零”填充, 對于反池化的圖, 構(gòu)建一個(gè)與其反池化后同樣尺寸的節(jié)點(diǎn)值全為0的圖, 隨后將反池化圖的節(jié)點(diǎn)值填入, 其填入位置對應(yīng)其池化層的位置, 保證每層反池化的圖尺寸都能與相應(yīng)池化層的圖尺寸相同。反池化的方程定義如下:

式中, 0×C為初始0矩陣, 與X+1尺寸相同;(?)操作為利用X, 在與相對應(yīng)的位置更新0矩陣。

圖2 圖池化

Fig. 2 Graph pooling

同時(shí), 為了更好地利用特征, 使用了Nonlocal注意力機(jī)制關(guān)注有效信息, 獲得最終的相對差異光譜特征。余弦圖特征提取的圖U-Net流程如圖3所示。

圖3 圖U-Net流程圖

最終, 為了融合歐式圖提取到的絕對差異光譜特征F與余弦圖提取到的相對差異特征F, 特征融合模塊定義如下:

式中,(?)表示卷積操作,(?)表示全連接。

利用卷積層學(xué)習(xí)融合參數(shù), 利用全連接層進(jìn)行降維, 得到融合特征F。最后將其輸入到Softmax分類層, 預(yù)測每一地物分類概率, 得到最終分類結(jié)果。

2 實(shí)驗(yàn)分析與討論

2.1 數(shù)據(jù)集

為了驗(yàn)證所提的雙路圖卷積網(wǎng)絡(luò)在黃河三角洲濕地地物分類的有效性, 本文分別選取了CHRIS衛(wèi)星和GF-5衛(wèi)星的兩景高光譜遙感影像進(jìn)行實(shí)驗(yàn)。

CHRIS數(shù)據(jù)集區(qū)域位于黃河入?？谛吕先牒搅髑灏算夂颓逅疁辖唤缣? 采集于2012年6月, 像素尺寸為510×511, 共有18個(gè)波段, 其光譜范圍406~1 036 nm, 光譜分辨率從5.9~44.1 nm不等, 空間分辨率17 m, 包含蘆葦、互花米草、灘涂、水體、裸地以及檉柳堿蓬混生區(qū)6個(gè)地物類型, 地物真值圖由當(dāng)年夏季實(shí)地踏勘所得, 以站點(diǎn)或斷面的形式開展濱海濕地地物類型種類、覆蓋度和邊界范圍等信息調(diào)查。

GF-5數(shù)據(jù)集覆蓋了黃河三角洲自然保護(hù)區(qū)濱海濕地, 采集于2018年11月, 像素尺寸為462×617, 共有150個(gè)波段, 光譜范圍為390~1 029 nm, 光譜分辨率為3.67~4.81 nm不等, 空間分辨率為30 m, 包含互花米草、蘆葦、檉柳、鹽地堿蓬、潮灘蘆葦、裸潮灘、鹽堿灘以及水體8個(gè)地物類型, 由當(dāng)年秋季實(shí)地踏勘所得, 以站點(diǎn)或斷面的形式開展濱海濕地地物類型種類、覆蓋度和邊界范圍等信息調(diào)查。

每個(gè)數(shù)據(jù)集, 針對每個(gè)地物類型隨機(jī)抽取200個(gè)作為訓(xùn)練數(shù)據(jù), 其余地物類型用于測試。因此CHRIS數(shù)據(jù)總量為260 610個(gè), 訓(xùn)練樣本為1 200個(gè), 測試樣本為259 410個(gè); GF-5數(shù)據(jù)集總量為285 054個(gè), 訓(xùn)練樣本為1 600個(gè), 測試樣本為283 454個(gè)。

2.2 實(shí)驗(yàn)環(huán)境及評價(jià)指標(biāo)

本文所有實(shí)驗(yàn)開展的計(jì)算機(jī)環(huán)境為: Windows 10操作系統(tǒng)、i9-10900K CPU、NVIDIA GeForce RTX 3090 GPU以及128G內(nèi)存。本文所提雙路圖卷積算法使用Pytorch實(shí)現(xiàn)。

為了有效評價(jià)算法性能, 本文采用總體精度(Overall Accuracy, OA)、平均精度(Average Accuracy, AA)以及Kappa系數(shù)()作為算法評價(jià)指標(biāo)。

2.3 算法性能對比與討論

為了充分驗(yàn)證所提算法, DGCNWC 算法在黃河三角洲濕地分類的有效性, 本小節(jié)對DGCNWC算法開展歐式支路與余弦支路的單支路消融實(shí)驗(yàn), 同時(shí)與SVM、3DCNN[22]、DGU[21]算法進(jìn)行對比實(shí)驗(yàn)。SVM算法是機(jī)器學(xué)習(xí)的經(jīng)典算法; 3DCNN算法是利用3D卷積神經(jīng)網(wǎng)絡(luò), 實(shí)現(xiàn)光譜和空間聯(lián)合的算法, 在多個(gè)公共數(shù)據(jù)集上取得了優(yōu)異性能; DGU算法是利用歐幾里得距離構(gòu)建光譜圖和空間圖的圖卷積算法。兩組數(shù)據(jù)集每種地物類型分類精度、測試訓(xùn)練樣本比以及總體實(shí)驗(yàn)結(jié)果如表1、表2所示, 分類結(jié)果的可視化圖像見圖4、圖5。

表1 CHRIS數(shù)據(jù)集分類結(jié)果

表2 GF5數(shù)據(jù)集分類結(jié)果

圖4 CHRIS數(shù)據(jù)集分類結(jié)果可視化

圖5 GF5數(shù)據(jù)集分類結(jié)果可視化

(1)PCA維度分析

為了驗(yàn)證PCA降維后的數(shù)據(jù)對分類性能的影響, 本小節(jié)探究了PCA降維后不同的維度對分類性能的影響, 因?yàn)镃HRIS只有18個(gè)波段, 數(shù)據(jù)冗余度較小, 不對其進(jìn)行降維, 只對GF5數(shù)據(jù)集進(jìn)行PCA降維, 實(shí)驗(yàn)結(jié)果如表3所示。

由表3結(jié)果可以看出, PCA對GF5數(shù)據(jù)集分類結(jié)果的影響, 在60~110維度間呈現(xiàn)先上升后下降的趨勢。這表明在80維度, 是GF5數(shù)據(jù)降維的最佳維度, 分類精度取得了80.61%; 在60或70維度, 由于降維過多, 導(dǎo)致光譜信息產(chǎn)生了丟失, 精度下降; 同時(shí)在90~110維度, 因?yàn)楸Ａ舫蔀檫^多, 光譜信息中仍存在冗余, 也導(dǎo)致精度下降。因此后面實(shí)驗(yàn)中, GF5數(shù)據(jù)經(jīng)PCA降維后維度采用80。

表3 PCA對GF5數(shù)據(jù)集分類結(jié)果影響

(2)DGCNWC算法消融實(shí)驗(yàn)

在消融實(shí)驗(yàn)中, 分別研究了歐式支路、余弦支路對分類精度所產(chǎn)生的影響。實(shí)驗(yàn)結(jié)果表明, 在CHRIS數(shù)據(jù)集中, 歐式支路的總體分類精度為83.16%, 平均分類精度為86.79%; 余弦支路的總體分類精度為77.62%, 平均分類精度為82.98%。均低于DGCNWC算法的總體精度88.18%, 平均精度90.28%。這驗(yàn)證了所提算法利用光譜值絕對差異與光譜波形差異的作用。同時(shí), 在各地物類型分類精度上, 歐式支路絕大部分優(yōu)于余弦支路, 而在檉柳堿蓬混生區(qū)、互花米草的分類上, 余弦支路分別以81.29%、96.87%優(yōu)于歐式支路。因其生長習(xí)性原因, 檉柳堿蓬混生區(qū)與互花米草是CHRIS數(shù)據(jù)集地物邊界較為復(fù)雜的兩類, 這表明余弦支路可以利用波形之間的差異性識別不同地物類別邊界, 驗(yàn)證了余弦圖是對歐式圖的有效補(bǔ)充。

針對GF5數(shù)據(jù)集, DGCNWC算法以總體精度80.61%, 平均精度78.30%的結(jié)果優(yōu)于歐式支路和余弦支路, 同樣揭示了雙路圖卷積對黃河三角洲濕地分類的有效性。需要注意的是, DGCNWC算法在蘆葦、潮灘蘆葦、鹽地堿蓬等地物上的分類精度較單分支網(wǎng)絡(luò)提升了7%~34%不等, 如此大的分類差距在CHRIS數(shù)據(jù)集上沒有發(fā)生。考慮到GF5原始數(shù)據(jù)含有150個(gè)波段, 波段多, 數(shù)據(jù)復(fù)雜, 在對其進(jìn)行大氣校正、輻射校正時(shí)容易引入噪聲, 其數(shù)據(jù)質(zhì)量與CHRIS數(shù)據(jù)相比稍差, 因此單分支網(wǎng)絡(luò)受到影響導(dǎo)致精度偏低。而雙路網(wǎng)絡(luò)受此影響較小, 各地物精度都比較高, 表明融合雙支路后, DGCNWC算法有著不錯(cuò)的魯棒性。

(2)不同算法對比實(shí)驗(yàn)

在對比實(shí)驗(yàn)中, 開展了機(jī)器學(xué)習(xí)算法SVM、基于CNN的算法3DCNN、基于GCN的算法DGU在分類精度上與DGCNWC算法的對比研究。實(shí)驗(yàn)結(jié)果顯示, 在CHRIS數(shù)據(jù)集上, DGCNWC算法的總體分類精度達(dá)88.18%, 高于SVM的83.98%, 3DCNN的83.33%, DGU的84.93%, 同時(shí)在GF5數(shù)據(jù)集上, DGCNWC的總體分類精度都分別高于SVM、3DCNN、DGU有7%、4%、10%左右。這些現(xiàn)象表明, DGCNWC算法面對各種類型的分類算法在黃河三角洲濕地分類上都有較為明顯的優(yōu)勢, 具有精度更高的分類性能。

同樣的結(jié)果, 在Kappa系數(shù)的結(jié)果中也有體現(xiàn), 在CHRIS和GF5數(shù)據(jù)集中, DGCNWC算法分別以0.844 7、0.749 2均高于SVM、3DCNN、DGU算法, 表明DGCNWC算法的分類結(jié)果與實(shí)際地物結(jié)果具有更高的一致性。

另一方面, SVM、3DCNN、DGU算法在兩個(gè)數(shù)據(jù)集上的分類性能各有優(yōu)劣, 在CHRIS數(shù)據(jù)集中, DGU總體精度分別高于SVM、3DCNN有0.95%、1.6%, 為三個(gè)算法中分類性能最好的; 在GF5數(shù)據(jù)集中, 3DCNN算法以76.29%的總體精度高于SVM、DGU的73.03%、70.85%。這表明, 深度學(xué)習(xí)算法在分類性能上確實(shí)優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法, 在黃河三角洲濕地分類領(lǐng)域, 基于CNN的算法與基于GCN的算法具備一定的競爭性。然而, 考慮模型的穩(wěn)定性發(fā)現(xiàn), 在CHRIS數(shù)據(jù)集, SVM、3DCNN、DGU的總體精度與平均精度的插值分別在2.04%、3.24%、4.59%, DGCNWC為2.1%。在GF5數(shù)據(jù)集中, 這些數(shù)據(jù)分別為1.34%、3.42%、2.56%、2.31%?？梢钥闯鯯VM、DGCNWC對不同地物類型的魯棒性更好, 某一地物分類精度不易出現(xiàn)極端值。同樣表明DGCNWC在兼顧高分類精度的同時(shí), 又有較好的魯棒性。

圖6表示了DGCNWC對地物邊界區(qū)分的效果, 如圖6所示, 以左上角紅框標(biāo)出區(qū)域?yàn)槔? SVM、3DCNN、DGU的地物邊界不清晰, 地物混雜。DGCNWC的地物邊界較上述3種方法有明顯提高, 地物邊界清晰, 沒有斑點(diǎn)分布。這表明DGCNWC在一定精度范圍內(nèi)解決了地物邊界不易區(qū)分的問題。

3 結(jié)論

針對當(dāng)前黃河三角洲濕地地物分類算法中存在的全局信息利用不足, 地物邊界不易區(qū)分等問題, 本文提出了一種基于雙路圖卷積的黃河三角洲濕地分類算法, DGCNWC算法。DGCNWC算法包含圖結(jié)

圖6 地物邊界結(jié)果對比

構(gòu)數(shù)據(jù)構(gòu)建模塊、特征提取與融合模塊兩部分。圖結(jié)構(gòu)數(shù)據(jù)構(gòu)建中, 設(shè)計(jì)歐式圖和余弦圖, 歐式圖的圖節(jié)點(diǎn)的鄰接關(guān)系利用歐幾里得距離度量, 表示光譜值之間的絕對差異, 余弦圖支路利用余弦相似度表示圖節(jié)點(diǎn)的鄰接關(guān)系, 體現(xiàn)光譜波形之間的差異, 用以區(qū)分地物類型邊界。特征提取與融合中, 對歐式圖利用兩層圖卷積層做特征提取, 對余弦圖使用圖U-Net網(wǎng)絡(luò)進(jìn)行特征提取, 最后DGCNWC算法將兩路特征進(jìn)行融合。相較于現(xiàn)有算法, 在黃河三角洲濕地分類的任務(wù)中取得了較為滿意的結(jié)果。實(shí)驗(yàn)表明, 在CHRIS、GF5數(shù)據(jù)集中分類的總體精度分別達(dá)到了88.18%、80.61%。

值得注意的是, 雖然DGCNWC算法學(xué)習(xí)了光譜值差異與光譜波形差異特征, 但在大尺度遙感影像下只考慮光譜特征是不夠的, 應(yīng)當(dāng)引入空間相關(guān)性。因此未來的工作將在此基礎(chǔ)上提取空間相關(guān)性特征, 進(jìn)一步提高特征的鑒別能力, 從而提高黃河三角洲濕地地物分類的精度, 更好的服務(wù)黃河三角洲的保護(hù)、開發(fā)和利用。

[1] 李鵬, 黎達(dá)輝, 李振洪, 等. 黃河三角洲地區(qū)GF-3雷達(dá)數(shù)據(jù)與Sentinel-2多光譜數(shù)據(jù)濕地協(xié)同分類研究[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2019, 44(11): 1641-1649.

LI Peng, LI Dahui, LI Zhenhong, et al. Wetland classification through integration of GF-3 SAR and Sentinel-2B multispectral data over the Yellow River Delta[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1641-1649.

[2] 王娜娜, 劉宏元, 李英, 等. 黃河三角洲濕地生態(tài)系統(tǒng)服務(wù)價(jià)值評估[J]. 山東農(nóng)業(yè)科學(xué), 2022, 54(2): 153-158.

WANG Nana, LIU Hongyuan, LI Ying, et al. Value evaluation of wetland ecosystem services in the Yellow River Delta wetland[J]. Shandong Agricultural Sciences, 2022, 54(2): 153-158.

[3] 高瑞, 王志勇, 周曉東, 等. 利用多時(shí)相遙感監(jiān)測與分析黃河三角洲濕地變化動態(tài)[J]. 測繪通報(bào), 2021, 4: 22-27.

GAO Rui, WANG Zhiyong, ZHOU Xiaodong, et al. Monitoring and analysis of wetland change dynamics in the Yellow River Delta using multi-temporal remote sensing[J]. Bulletin of Surveying and Mapping, 2021, 4: 22-27.

[4] 王霄鵬, 張杰, 任廣波, 等. 基于光譜特征空間的監(jiān)督分類中包絡(luò)線去除效能評價(jià)[J]. 海洋科學(xué)進(jìn)展, 2015, 33(2): 195-206.

WANG Xiaopeng, ZHANG Jie, REN Guangbo, et al. Validity evaluation of continuum removal in the supervised classification based on spectral feature space[J]. Advances in Marine Science, 2015, 33(2): 195-206.

[5] LIU C, TAO R, LI W, et al. Joint classification of hyperspectral and multispectral images for mapping coastal wetlands[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14(1): 982-996.

[6] 王建步, 張杰, 馬毅, 等. 黃河口濕地典型地物類型高光譜分類方法[J]. 海洋學(xué)研究, 2014, 32(3): 36-41.

WANG Jianbu, ZHANG Jie, MA Yi, et al. Classi-fication method of hyperspectral image in typical surface feature of Huanghe River estuary wetland[J]. Journal of Marine Sciences, 2014, 32(3): 36-41.

[7] 初佳蘭, 張杰, 任廣波, 等. 一種基于眾數(shù)賦值的高光譜圖像地物分類方法[J]. 海洋科學(xué), 2015, 39(2): 72-78.

CHU Jialan, ZHANG Jie, REN Guangbo, et al. A hyperspectral image classification method based on maxi-mum assignment[J]. Journal of Marine Sciences, 2015, 39(2): 72-78.

[8] 李世波, 林輝, 葛淼. 東洞庭湖濕地植被高光譜數(shù)據(jù)降維與分類[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2019, 39(11): 36-41.

LI Shibo, LIN Hui, GE Miao. Hyperspectral dimensionality reduction and classification of the east Dongting lake wetland vegetation[J]. Journal of Central South University of Forestry & Technology, 2019, 39(11): 36-41.

[9] LI Z W, SHI S X, WANG L Q, et al. Unsupervised generative adversarial network with background enhancement and irredundant pooling for hyperspectral anomaly detection[J]. Remote Sensing, 2022, 14(5): 1265-1288.

[10] ZHANG X, WANG Y C, ZHANG N, et al. Spectral- Spatial fractal residual convolutional neural network with data balance augmentation for hyperspectral classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(12): 10473-10487.

[11] 李忠偉, 張浩, 王雷全, 等. 融合空譜-梯度特征的深度高光譜圖像去噪[J]. 光學(xué)精密工程, 2022, 30(5): 615-629.

LI Zhongwei, ZHANG Hao, WANG Leiquan, et al. Deep hyperspectral image denoising by fusing space spectrum- gradient features[J]. Optics and Precision Engineering, 2022, 30(5): 615-629.

[12] Dang K B, Nguyen M H, Nguyen D A, et al. Coastal wetland classification with deep U-Net convolutional networks and Sentinel-2 imagery: A case study at the Tien Yen estuary of Vietnam[J]. Remote Sensing, 2020, 12(19): 3270-3296.

[13] 游佩佩, 劉振波, 謝嘉偉, 等. 基于GF-2的江蘇濱海濕地遙感深度學(xué)習(xí)分類算法研究[J]. 長江流域資源與環(huán)境, 2021, 30(7): 1659-1669.

YOU Peipei, LIU Zhengbo, XIE Jiawei, et al. Research on deep learning algorithm remote sensing classification of Jiangsu coastal wetlands based on GF-2 image[J]. Resources and Environment in The Yangtze Basin, 2021, 30(7): 1659-1669.

[14] HU Y, ZHANG J, MA Y, et al. Hyperspectral coastal wetland classification based on a multi-object convo-lutional neural network model and decision fusion[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(7): 1110-1114.

[15] CHEN C, MA Y, REN G. Hyperspectral classification using deep belief networks based on conjugate gradient update and pixel-centric spectral block features[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13(7): 4060-4069.

[16] MOU L C, LU X Q, LI X L, et al. Nonlocal graph convolutional networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(12): 8246-8257.

[17] WAN S, GONG C, ZHONG P, et al. Hyperspectral image classification with context-aware dynamic graph convolutional network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 59(1): 597-612.

[18] HONG D F, GAO L R, YAO J, et al. Graph convolu-tional networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 59(7): 5966-5978.

[19] DING Y, ZHAO X F, ZHANG Z L, et al. Multiscale graph sample and aggregate network with context-aware learning for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14(4): 4561-4572.

[20] WAN S, GONG C, ZHONG P, et al. Multiscale dynamic graph convolutional network for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 58(5): 3162-3177.

[21] GUO F M, LI Z W, XIN Z Q, et al. Dual graph U-Nets for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14(8): 8160-8170.

[22] HAMIDA A B, BENOIT A, LAMBERT P, et al. 3-D deep learning approach for remote sensing image classification[J]. IEEE Transactions on geoscience and remote sensing, 2018, 56(8): 4420-4434.

Yellow River Delta wetland classification based on a dual graph convolution network

GUO Fang-ming1, LI Zhong-wei1, MENG Qiao1, WANG Lei-quan1, ZHANG Jie1, 2, HU Ya-bin2, LIANG Jian3

(1.China University of Petroleum (East China), Qingdao 266580, China; 2. First Institute of Oceanology, Ministry of Natural Resources, Qingdao 266061, China; 3. Nantong Academy of Intelligent Sensing, Nantong 226007, China)

Accurate wetland classification of the Yellow River Delta is crucial for the protection, development, and utilization of wetland resources. Most of the current wetland classification algorithms have limitations, such as insufficient use of global information and difficulty in distinguishing the boundary of ground object types. These drawbacks lead to low classification accuracy. To solve this problem, a dual graph convolution network is proposed for the Yellow River Delta wetland classification. This network includes modules for graph structure data construction and feature extraction and fusion. A Euclidean graph is designed to represent the absolute difference between spectral values and to measure different object types. A cosine graph is designed to express the difference between the spectral waveforms of different pixels to distinguish different object boundaries. In the feature extraction and fusion module, graph convolution is applied to aggregate global information. Two graph convolution layers are used to extract features from the Euclidean graph, and the graph U-Net is utilized to extract features from the cosine graph. Finally, the features extracted from the two graphs are fused to obtain features with absolute differences in spectral values and differences in spectral waveforms for classification. Experiments conducted on the CHRIS and GF5 datasets demonstrated the effectiveness of the proposed method for Yellow River Delta wetland classification.

Yellow River Delta; wetland classification; hyperspectral image classification; graph convolution

Apr. 23, 2022

TP751.1

A

1000-3096(2023)5-0121-10

10.11759/hykx2022042300

2022-04-23;

2022-12-09

國家自然科學(xué)基金-山東省聯(lián)合基金(U1906217); 國家自然科學(xué)基金-面上項(xiàng)目(62071491); 中國石油大學(xué)(華東)研究生創(chuàng)新基金項(xiàng)目(CXJJ-2022-09); 國家自然科學(xué)基金項(xiàng)目(42106179)

[National Natural Science Foundation of China Joint Fund, No. U1906217; National Natural Science Foundation of China, No. 62071491; Innovation fund project for graduate students of China University of Petroleum (East China), No. CXJJ-2022-09; National Natural Science Foundation of China, No. 42106179]

郭防銘(1996—), 男, 博士研究生, 主要從事多源遙感圖像處理研究, E-mail: guofangming@s.upc.edu.cn; 李忠偉(1978—),通訊作者, 男, 教授, 主要從事大數(shù)據(jù)智能處理及應(yīng)用、光學(xué)及多手段融合與海岸帶、海洋數(shù)值預(yù)報(bào)與云計(jì)算等方面的研究, E-mail: li.zhongwei@vip.163.com

(本文編輯: 康亦兼)