卷积神经网络(CNN)在植被遥感中的应用

在各学科中(如林业、自然保护和农业)，都需要在时间、空间上识别和表征维管植物，遥感技术是揭示植被时空格局的关键技术。利用不断增长的遥感数据流来满足日益增长的植被评估和监测需求，则需要高效、准确和灵活的数据分析方法。深度学习方法在这方面具有较高预测精度，并且以端到端的方式独立学习相关数据特征。

本文重点

01

CNN的基本功能和结构

最近一系列研究表明，卷积神经网络(CNN)的深度学习方法对表示空间模式非常有效，并能从遥感图像中提取大量植被特性。

与其它经典神经网络类型模型一样，CNN基于分层组织的神经元，因此可以学习层次结构表示法。层与层之间的神经元通过权重和偏差连接，初始层为输入层(如遥感数据)，最后一层为输出(如预测的植物物种分类)，中间为隐藏层，以与输出匹配的方式转换输入的特征空间。CNN包括至少一个卷积层作为利用模式的隐藏层(在本文中主要是空间模式)。

Scheme of a CNN composed of four convolutional layers and subsequent pooling operations trained for tree species classification. The visualization of convolutional filters (top) indicate characteristic patterns the CNN is looking for and were derived by gradient ascent; a technique revealing artificial images maximizing each filter’s activation. The feature maps (center) are the dot-product of the preceding layer and individual filters. Feature attribution maps (bottom) can reveal individual pixels that were decisive for the tree species assignment .

02

基于CNN的植被遥感研究

由于标记观测量有限、模型收敛所需的计算负载以及模型过度拟合，训练CNN可能具有挑战性。本文列出了在训练过程中为缓解这些挑战而应用的最常见的策略和方法。

常见的CNN训练策略

• 归一化和正则化技术

• 迁移学习和骨干

• 弱监督和半监督学习

根据组件和架构不同，CNN可以以多种不同方式实现，从而在植被遥感领域实现广泛应用。如为整个图像分配值或分类，检测图像中的单个对象，分割类的范围，或同时检测单个对象并对其范围进行分割等。

常见的CNN方法

• 图像分类

• 目标检测

• 语义分割

• 实例分割

Schemes illustrating the conceptual differences between different CNN approaches, including (a) image classification, where the entire image is assigned to a class; (b) object detection, where individual occurrences are localized and their extent estimated with bounding boxes; (c) semantic segmentation, which assigns each pixel of the input image to the target classes; and (d) instance segmentation, where individuals belonging to a class are mapped.

部分CNN架构

Faster-R-CNN and Mask-RCNN, respectively.

Schematic diagram of the FCN architecture as proposed by Long et al. (2015). Predictions (also referred to as ’scores’) within the network are forwarded to deeper layers to relate respective activations to the original spatial resolution.

Schematic diagram of the U-Net architecture depicting its encoder-decoder structure using an contracting and expanding path.

03

结束语和未来展望

文献综述表明，CNN可以应用于各种任务，包括单个植物的检测或植被类别的像素级分割。大量研究表明CNN优于浅层机器学习方法，如CNN利用空间模式的能力特别有利于提高极高空间分辨率数据的价值。通用深度学习框架中的模块化为架构提供了高度的灵活性，特别是多模式或多时序。并且，CNN学习到的可视化特征技术越来越多，有助于从这些模型中学习并解释“黑匣子”，提高我们对植被遥感信号的理解。

尽管 CNN 出现的时间不长，但显然它们将迎来植被遥感的新时代。

随着植被遥感日益增长，也将出现一些挑战，包括增加的数据量和计算负载以及随着维度（空间、时间、光谱）增加而具有复杂关系的更多样化的数据结构。此外，各种与植被相关的任务和应用领域在其内在过程和需求方面可能存在很大差异。因此，利用遥感数据进行植被评估和监测需要高效、准确和灵活的分析方法。

来源：

https://doi.org/10.1016/j.isprsjprs.2020.12.010