基于多源遙感數(shù)據(jù)的遙感影像生態(tài)地塊劃分方法

摘" 要： 為資源合理利用、生態(tài)保護與修復提供科學依據(jù)，文中提出基于多源遙感數(shù)據(jù)的遙感影像生態(tài)地塊劃分方法，實現(xiàn)了高精度生態(tài)地塊劃分。采用高頻調制融合法逐像素融合處理采集的生態(tài)環(huán)境多源遙感影像；構建新的卷積神經(jīng)網(wǎng)絡（CNN），以融合后的高光譜影像為輸入，通過在CNN中引入分組卷積和殘差學習，實現(xiàn)輸入高光譜影像多尺度特征提取，經(jīng)過全連接層和softmax層的處理后，輸出生態(tài)地塊劃分結果，并在softmax層中引入多分類Focal loss損失函數(shù)，解決生態(tài)地塊劃分結果產(chǎn)生的類別不平衡問題，提升生態(tài)地塊劃分精度。實驗證明，該方法能夠準確劃分生態(tài)地塊，劃分精度平均值達到95.38%。融合后的多源遙感影像光譜扭曲度數(shù)值均低于20，可以確保融合影像在光譜信息上的高保真度，提高生態(tài)地塊劃分的準確性。

關鍵詞： 多源遙感； 遙感影像； 生態(tài)地塊； 劃分方法； 高通濾波融合； 高光譜影像； 融合影像； 特征提取

中圖分類號： TN919?34； TP391" " " " " " " " " " 文獻標識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）05?0142?05

Method for remote sensing image ecological block division"based on multi?source remote sensing data

LI Shuangying

（Qinghai Minzu University， Xining 810007， China）

Abstract： A method for remote sensing image ecological block division based on multi?source remote sensing data is proposed to achieve accurate ecological block division， and provide scientific basis for rational resource utilization， ecological protection and restoration. The high?frequency modulation fusion method is adopted to fuse pixel by pixel and collect multi?source remote sensing images of ecological environment. A new convolutional neural network （CNN） is constructed. The fused hyperspectral images are taken as the input. Multi?scale feature extraction of input hyperspectral images is achieved by introducing group convolution and residual learning into the CNN. The results of ecological block division are output after the processing of fully connected （FC） layers and softmax layers. And multi?class Focal loss function is introduced into the softmax layer， so as to eliminate class imbalance caused by the results of ecological block division and improve the division accuracy. Experimental results have shown that the proposed method can divide ecological block accurately， with an average accuracy of 95.38%. The spectral distortion values of the fused multi?source remote sensing images are all below 20， which can ensure the high fidelity of the fused images in spectral information and improve the accuracy of ecological block division.

Keywords： multi?source remote sensing; remote sensing image; ecological block; division method; high?pass filtering fusion; hyperspectral imaging; fusion imaging; feature extraction

0" 引" 言

當下生態(tài)系統(tǒng)管理與保護日益受到重視，生態(tài)地塊的劃分成為環(huán)境科學、地理學及遙感技術等多個領域研究的熱點[1?3]。生態(tài)地塊劃分不僅有助于深入理解生態(tài)系統(tǒng)的結構、功能和演變規(guī)律，還能夠為資源合理利用、生態(tài)保護與修復提供科學依據(jù)[4]。傳統(tǒng)的生態(tài)地塊劃分方法主要依賴于地面調查和實地測量，這些方法雖然能夠提供較為準確的數(shù)據(jù)，但受限于人力、物力和時間等因素，往往難以實現(xiàn)大范圍的快速監(jiān)測和動態(tài)更新。

為此，國內(nèi)外學者對生態(tài)地塊的劃分方法展開大量的研究，如文獻[5]為提高特征提取和地塊位置定位的準確性，采取集成多尺度空洞卷積、通道注意力機制以及空間注意力機制的方法。文獻[6]在深入探究軌跡點所蘊含的屬性特征后[6]，針對作業(yè)地塊數(shù)量的不確定性和軌跡點的分布模式進行細致分析。結合基于密度的聚類算法和分類器集成算法，實現(xiàn)對生態(tài)地塊邊界的精確界定。文獻[7]利用遙感技術和遙控飛機系統(tǒng)獲取航空影像，開發(fā)高分辨率的土地覆蓋圖，并通過深度學習算法提高其精度。同時，結合土壤樣本分析土壤pH值變化，測試多種地質統(tǒng)計學方法和確定性插值技術以繪制土壤pH變化圖，獲取土地覆蓋分類百分比。文獻[8]提出基于EVI?Albedo特征空間和支持向量機的遼北亞濕潤干旱地區(qū)土地荒漠化遙感分類方法，通過計算荒漠化差值指數(shù)對土地荒漠化等級進行分類。

但是，上述方法存在精度和效率低的問題。遙感技術作為一種無接觸探測技術，能夠快速獲取地面信息，為生態(tài)地塊的劃分提供新的解決方案。綜合利用多源遙感數(shù)據(jù)，能夠更全面地反映地表的生態(tài)特征，提高生態(tài)地塊劃分的精度和效率。為此，本文提出基于多源遙感數(shù)據(jù)的遙感影像生態(tài)地塊劃分方法，提高生態(tài)地塊劃分的精度。

1" 基于多源遙感影像的生態(tài)土地劃分

基于多源遙感影像的生態(tài)土地劃分是一種利用來自不同衛(wèi)星和傳感器的遙感數(shù)據(jù)，通過多源數(shù)據(jù)融合處理、特征提取、分類算法以及損失函數(shù)優(yōu)化等技術，對生態(tài)土地類型進行準確劃分和識別的過程。這一過程有效結合遙感影像的豐富信息和先進的分類技術，為生態(tài)監(jiān)測、資源管理和環(huán)境保護提供了重要支持。

1.1" 生態(tài)地塊多源遙感影像融合

在處理生態(tài)環(huán)境多源遙感影像時，采用高頻調制融合技術逐像素地將來自不同源的遙感影像進行精準融合，以保證數(shù)據(jù)信息的全面性和可靠性，生成新的融合影像，實現(xiàn)不同來源遙感影像的整合和優(yōu)化。

高空間分辨率影像由一個緊湊的空間高通濾波器進行濾波處理，可保留與空間結構密切相關的高頻細節(jié)信息。通過將高頻細節(jié)信息精準地融入到每一個原有的低分辨率多光譜影像中，可獲得空間細節(jié)更為豐富的多光譜影像。

在生態(tài)環(huán)境多光譜影像中，[Wni， j]為第[n]波段像素[i， j]的值，代表低分辨率多光譜影像中的特定光譜信息。高頻影像[i， j]的值[HOi， j]是通過對高分辨率影像[Oi， j]采用空間高通濾波器獲取的。第[n]波段像素[i， j]的融合值[Xni， j]的計算公式如下：

[Xni， j=Wni， j+HOi， j] （1）

通過上述方式將生態(tài)環(huán)境多源遙感數(shù)據(jù)信息進行光譜信息融合，為了使多源遙感數(shù)據(jù)融合效果最佳，利用高頻調制融合技術將兩個影像即[Oi， j]和[Wni， j]相乘，通過低通濾波器將[Oi， j]處理得到低頻影像[LOi， j]，對其進行歸一化調整，最終得到[n]波段融合影像的增強版本。具體表達式為：

[Xni， j=Wni， j×Oi， jLOi， j] （2）

利用低通濾波可將[Oi， j]分成[LOi， j]和[HOi， j]，則：

[Oi， j=LOi， j+HOi， j] （3）

將式（3）代入式（2）中即可得到高頻調制融合法的計算公式：

[Xni， j=Wni， j+Wni， j×HOi， jLOi， j] （4）

低分辨率多譜影像的空間分辨率可利用高頻調制融合法，在不改變原始多光譜影像光譜信息的前提下增強分辨率。這對于區(qū)分生態(tài)環(huán)境中不同植被類型、水體和土壤類型等生態(tài)要素至關重要。完整的光譜信息有助于在生態(tài)地塊劃分中更準確地識別各類生態(tài)要素，提高生態(tài)地塊劃分的準確性。

1.2" 多源遙感影像實現(xiàn)生態(tài)地塊劃分

以融合后生態(tài)環(huán)境高光譜影像為輸入數(shù)據(jù)，通過分組卷積和殘差的方式提升CNN網(wǎng)絡在處理多尺度特征時的提取效能，并通過引入多分類Focal loss損失函數(shù)，更有效地處理類別不平衡的問題，進而提升生態(tài)地塊劃分的準確性。

采用融合后的高光譜影像作為輸入數(shù)據(jù)，訓練分組卷積網(wǎng)絡，實現(xiàn)每個影像塊的中心像素生成一個類別預測，有助于提升影像分析的效率和準確性[9?10]。針對融合后的高光譜影像，通過點卷積在光譜維度上執(zhí)行拉伸操作，從而初步提取特征，并將光譜維度擴展到[N]個特征通道。高光譜影像依照光譜維逐個分成含有同等通道數(shù)的2組高光譜影像，對每個小組分別依照光譜維度進行再次分組，最終得到4組具有相同通道數(shù)的高光譜影像。

由于卷積核的多樣性導致各自捕獲的特征范圍不同，所以選擇使用不同規(guī)格的卷積核，相互補充以提供更全面的特征信息[11?12]。在卷積運算后，通過批歸一化和線性修正單元對特征進行標準化和激活，進而引入殘差學習機制。殘差學習利用跳躍連接將淺層的特征信息直接傳遞到深層，促進兩者之間的融合，進而顯著提升網(wǎng)絡在處理復雜任務時的表現(xiàn)能力。

設兩組第[u+1]層的卷積核和偏置分別為[Zu+13×3×k]、[hu+13×3×k]和[Zu+15×5×k]、[hu+15×5×k]。兩組殘差函數(shù)分別為[g1Xu1;η1]和[g2Xu2;η2]。兩組殘差塊的參數(shù)分別為[η1=Zu+13×3×k，hu+13×3×k]和[η2=Zu+15×5×k，hu+15×5×k]。兩組殘差塊的輸入分別為[Xu1]和[Xu2]，輸出分別為[Xu+11]和[Xu+12]。則兩組殘差塊的表示為：

[Xu+11=Xu1+g1Xu1;η1g1Xu1;η1=g1Xu11;η1;g1Xu12;η1g1Xu11;η1=μXu11?Zu+13×3×k+hu+13×3×kg1Xu12;η1=μXu12?Zu+13×3×k+hu+13×3×kXu1=Xu11;Xu12] （5）

[Xu+12=Xu2+g2Xu2;η2g2Xu2;η2=g2Xu21;η2;g2Xu22;η2g1Xu21;η2=μXu21?Zu+15×5×k+hu+15×5×kg1Xu22;η2=μXu22?Zu+15×5×k+hu+15×5×kXu2=Xu21;Xu22] （6）

在神經(jīng)網(wǎng)絡的輸入輸出之間引入捷徑連接（如殘差連接），可以確保原始信息得以有效保留，同時使所需參數(shù)數(shù)量降至最少，進而加快神經(jīng)網(wǎng)絡的訓練速度。

在殘差學習的基礎上，采用特征融合策略將兩個殘差塊輸出的光譜?空間特征進行通道級別的合并。為優(yōu)化特征表示并減少計算復雜度，通過實施點卷積操作，對合并后的特征通道進行高效壓縮，有效地實現(xiàn)特征的降維處理，進一步提升特征表示的效率和質量。

在遙感影像生態(tài)地塊多分類劃分數(shù)據(jù)集中，常常面臨著樣本數(shù)據(jù)類別分布不均衡的挑戰(zhàn)[13]。這種不均衡不僅增加了生態(tài)地塊劃分的難度，而且在應用上采樣技術時，也容易導致關鍵語義信息的損失，進而對最終的生態(tài)地塊劃分結果產(chǎn)生不利影響，降低其準確性。因此，在處理這類生態(tài)地塊多分類劃分的數(shù)據(jù)集時，提出一種基于改進的交叉熵損失函數(shù)的多分類Focal loss損失函數(shù)。

設預測輸入樣本的概率為[βi]，且[0lt;βilt;1]，樣本的正負屬性取決于[βi]是否接近1。式（7）即為交叉熵損失函數(shù)的計算公式：

[LC=-1ni=1njilogβi+1-jilog1-βi] （7）

式中[ji]為輸入樣本的實際概率。

在交叉熵函數(shù)基礎上，多分類Focal loss損失函數(shù)增加平衡因子[β]和平滑參數(shù)[ω]，在訓練階段，通過對[β]和[ω]的調整，完成網(wǎng)絡對不同類別數(shù)據(jù)關注度的平衡優(yōu)化，實現(xiàn)生態(tài)地塊多分類劃分，計算公式如下：

[L=-1ni=1nβijilog1-βiωlogβi+1-β1-jiβωilog1-βi] （8）

在多源遙感影像生態(tài)地塊的劃分中，采用Focal loss損失函數(shù)能夠確保更加精確地劃分出不同類型的生態(tài)地塊，不僅包括常見的森林、草原等類別，也包括那些數(shù)量較少但同樣重要的稀有類別，如濕地、荒漠等。這種精確的劃分能夠為后續(xù)的生態(tài)監(jiān)測提供更為準確的數(shù)據(jù)支持，更好地了解生態(tài)系統(tǒng)的分布和變化情況。

2" 實驗分析

以某具有豐富生態(tài)多樣性和復雜地理環(huán)境的區(qū)域作為實驗區(qū)域，如圖1所示。

該區(qū)域內(nèi)涵蓋多種不同類別的地塊種類，如建筑、林地、耕地、河流、道路等。該區(qū)域具備較好的遙感數(shù)據(jù)獲取條件，包括高分辨率的光學衛(wèi)星遙感影像、雷達遙感影像以及無人機遙感影像等。

采用本文方法對實驗區(qū)域進行生態(tài)地塊劃分，劃分結果如圖2所示。

詳細劃分情況如表1所示。

通過劃分結果深入了解該區(qū)域的生態(tài)系統(tǒng)結構和功能，驗證多源遙感數(shù)據(jù)在生態(tài)地塊劃分中的有效性和準確性。

在本文方法對實驗區(qū)域進行生態(tài)地塊劃分的結果中，不同地物類型的光譜特征呈現(xiàn)出各自獨特的顏色，這些顏色能夠直觀地反映地物的物理屬性，成為識別和分析地物類型的有效手段。其中河流、建筑物、耕地、林地和道路的光譜特征分別為三角、箭頭、星型、圓形、方形所在顏色區(qū)域。

分析圖2所展示的遙感影像生態(tài)地塊劃分結果，可以明顯看出本文所采用的劃分方法在實驗區(qū)域表現(xiàn)出極高的精確性和有效性。這種精確性和有效性不僅體現(xiàn)在對生態(tài)地塊邊界的細致界定上，更在于本文方法能夠深入揭示并呈現(xiàn)出真實的生態(tài)信息。從生態(tài)地塊邊界的界定來看，本文方法通過精確處理遙感影像數(shù)據(jù)，成功識別并劃分出不同類型的生態(tài)地塊，如建筑、林地、耕地、河流、道路等。這些地塊的邊界清晰，沒有過多的模糊區(qū)域，顯示了本文方法在處理遙感影像數(shù)據(jù)時的高精度和準確性。

由表1數(shù)據(jù)可見，本文方法在實驗區(qū)域取得良好的分類效果。從建筑、林地、耕地、河流、道路等五個類別上均表現(xiàn)出較高的分類精度。五個類別的分類精度平均值達到95.38%，說明本文方法能夠有效地從遙感影像中提取出生態(tài)地塊信息，并對不同類型的生態(tài)地塊進行準確劃分，有效地從遙感影像中識別出不同的生態(tài)地塊類型。

光譜扭曲度主要用于量化評估融合影像與原始多光譜影像之間在光譜特性上的差異或失真程度。當光譜扭曲度較小時，表示融合影像在光譜特征上很好地逼近原始多光譜影像，展現(xiàn)較小的光譜失真；反之，則失真較大。對于準確識別和劃分不同類型的生態(tài)地塊具有重要意義，有助于實現(xiàn)生態(tài)資源的有效管理和保護。為對生態(tài)地塊劃分中遙感影像的利用質量進行客觀評估，分別采用本文方法與文獻[5]方法、文獻[6]方法進行A、B、C、D四個波段的研究區(qū)域生態(tài)環(huán)境的遙感影像多源融合，統(tǒng)計融合后遙感影像的光譜扭曲度，具體實驗結果如圖3所示。

由圖3可見，采用本文方法對實驗區(qū)域進行生態(tài)地塊劃分時，多源遙感融合影像的光譜扭曲度在四個波段均低于文獻[5]方法和文獻[6]方法，并且數(shù)值均低于20。

可見本文方法在處理遙感影像融合方面的優(yōu)越性，更深入地揭示了其對光譜信息保留和還原的高效能力。采用本文方法時融合后的影像在光譜特性上與原始影像的差異程度較小，可以確保融合影像在光譜信息上的高保真度，進而提高生態(tài)地塊劃分的準確性和可靠性。

3" 結" 論

本文提出基于多源遙感數(shù)據(jù)的遙感影像生態(tài)地塊劃分方法，能夠有效地融合遙感數(shù)據(jù)，提取出豐富而準確的地表信息，為生態(tài)地塊的劃分提供了有力的數(shù)據(jù)支持，具體優(yōu)勢如下。

1） 多源遙感數(shù)據(jù)來自不同的傳感器和平臺，提供了多樣化的空間分辨率、光譜范圍和觀測周期等特征，可以綜合利用不同數(shù)據(jù)源的優(yōu)勢，彌補單一影像上信息的不足。

2） 多源數(shù)據(jù)的融合還能夠提高動態(tài)監(jiān)測能力，實現(xiàn)對生態(tài)地塊變化的實時跟蹤和評估。

實驗證明，本文方法能夠更好地適應不同的地塊場景和復雜的地表覆蓋情況，精確識別出不同地塊之間的邊緣，準確劃分出各種地塊場景，并且融合后的多源遙感影像在光譜信息上的高保真度，為生態(tài)管理和規(guī)劃提供了有力的支持，促進生態(tài)系統(tǒng)的可持續(xù)發(fā)展。

參考文獻

[1] 烏達木，郝潤梅，王考，等.基于多源遙感數(shù)據(jù)的呼和浩特城市熱島調控優(yōu)先區(qū)識別研究[J].干旱區(qū)資源與環(huán)境，2023，37（4）：117?126.

[2] 周文武，舒清態(tài)，王書偉，等.基于多源遙感數(shù)據(jù)協(xié)同的滇西北森林郁閉度估測[J].應用生態(tài)學報，2023，34（7）：1806?1816.

[3] 歐陽玲，馬會瑤，王宗明，等.基于遙感與地理信息數(shù)據(jù)的科爾沁沙地生態(tài)環(huán)境狀況動態(tài)評價[J].生態(tài)學報，2022，42（14）：5906?5921.

[4] 李雪梅，袁萍，黃凌翔，等.基于多源遙感數(shù)據(jù)的鄉(xiāng)村類型識別與演變模式研究：以天津市都市邊緣區(qū)為例[J].生態(tài)與農(nóng)村環(huán)境學報，2023，39（8）：981?989.

[5] 胡紹凱，赫曉慧，田智慧.基于MLUM?Net的高分遙感影像土地利用多分類方法[J].計算機科學，2023，50（5）：161?169.

[6] 李亞碩，趙博，王長偉，等.基于DBSCAN和BP_Adaboost的農(nóng)機作業(yè)地塊劃分方法[J].農(nóng)業(yè)機械學報，2023，54（1）：37?44.

[7] CARRILLO V C， HEENKENDA M K， NELSON R， et al. Deep learning in land?use classification and geostatistics in soil ph mapping： A case study at Lakehead University Agricultural Research Station， Thunder Bay， Ontario， Canada [J]. Journal of applied remote sensing， 2022， 16（3）： 034519.

[8] 李玉，陶從輝，趙泉華.基于EVI?Albedo特征空間的土地荒漠化遙感分類方法[J].遙感信息，2022，37（5）：8?14.

[9] 劉敬，李銀橋，劉逸.主動學習聯(lián)合聚類分組網(wǎng)絡的高光譜遙感圖像分類[J].光學精密工程，2024，32（9）：1395?1407.

[10] 王穎，丁孝忠，韓坤英，等.基于多源遙感數(shù)據(jù)的月球薛定諤盆地及鄰區(qū)地質特征和演化分析[J].地學前緣，2023，30（4）：525?538.

[11] 劉志恒.基于多源遙感數(shù)據(jù)的千河流域線性體提取與活動構造地貌研究[J].武漢大學學報（信息科學版），2022，47（7）：1154.

[12] 趙伍迪，李山山，李安，等.結合深度學習的高光譜與多源遙感數(shù)據(jù)融合分類[J].遙感學報，2021，25（7）：1489?1502.

[13] 孫盛，董曉冬，水文澤，等.基于深度卷積網(wǎng)絡的SAR圖像地物分類研究[J].計算機仿真，2021，38（7）：456?460.

[14] 趙同祥，張瑞全，高樹靜，等.基于DN?YOLOv5遙感目標快速檢測方法[J].電子設計工程，2024，32（4）：186?190.

基金項目：青海省科技計劃項目（2022?QY?222）

作者簡介：李雙營（1977—），男，山西方山人，博士研究生，副教授，研究方向為遙感測量。