社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

深度学习融合多源卫星影像:实现山区常绿针叶林30米高精度分布制图

ai缝合大王 • 1 年前 • 197 次点击  

论文介绍

题目:A deep learning framework for mapping evergreen conifer fractional cover at 30 m resolution using fused bi-temporal WorldView and time-series Landsat imagery in mixed mountain forests
论文地址:

https://www.sciencedirect.com/science/article/pii/S0034425725004596?via%3Dihub

QQ深度学习交流群:838795243

扫描下方二维码,加入深度学习论文指南星球!

加入即可获得,模块缝合、制作、写作技巧,学会“结构”创新、“创新点”创新,从三区到顶会,小论文大论文,毕业一站式服务

创新点

                                                    • 双源融合与双阶段深度学习框架:首次将双时相 WorldView 高分辨率影像(VHR)与Landsat 时间序列影像结合,通过两个深度学习模型分别处理空间与时间信息

                                                    • 3D U-Net + LSTM 组合:3D U-Net 用于从双时相 WorldView 图像中提取空间-光谱特征、生成高质量针叶林参考分布图;LSTM 网络基于 Landsat 时间序列学习时序依赖关系,实现 30 m 分辨率针叶树冠覆盖率回归预测

                                                    • 地形阴影消除:引入GS(Gram-Schmidt)双时相影像融合算法消除山区阴影干扰,显著提升 VHR 分类精度

                                                    • 可迁移性验证:在时空独立区域上测试,证明模型具备较强的空间与时间泛化能力(R² = 0.71,RMSE = 0.14)

                                                    • 应用创新:首次在大熊猫栖息地完成针叶林连续分布定量制图,为生态恢复与保护规划提供精细数据基础

                                                    方法

                                                    整体架构

                                                    该研究构建了一个融合多源影像与时空特征的深度学习框架:首先利用 Gram-Schmidt 算法对双时相 WorldView 影像进行融合以减弱地形阴影;随后采用 3D U-Net 从高分辨率影像中提取空间-光谱特征并生成针叶林分数参考图;最后将参考样本与 Landsat 时间序列输入 LSTM 网络进行回归,学习季节变化规律,从而在 30 m 尺度上精准预测常绿针叶林覆盖率

                                                                                                    • 地形阴影校正模块

                                                                                                      • 使用 WV-1 与 WV-2 双时相图像,通过 Gram-Schmidt 融合算法恢复阴影区域空间细节。

                                                                                                    • 空间特征提取与参考图生成模块(3D U-Net)

                                                                                                      • 输入:阴影校正后的双时相 WorldView 图像(8 光谱维度 × 256×256 patch)

                                                                                                      • 输出:0.5 m 分辨率针叶林二值掩膜 → 下采样至 30 m 得到参考分数覆盖图

                                                                                                    • 时间序列回归模块(LSTM 网络)

                                                                                                      • 输入:Landsat 五年期月度中值复合影像(6 个波段 × 12 个月 = 时间序列)

                                                                                                      • 网络结构:3 层 LSTM (hidden size = 100,dropout = 0.3) + 全连接层 + sigmoid 输出 → 预测针叶树冠分数

                                                                                                      • 对比基线:随机森林回归(RF)

                                                                                                    2025年之前开源免费即插即用模块地址

                                                                                                    浏览打开网址:https://github.com/ai-dawang/PlugNPlay-Modules

                                                                                                    扫码免费获取更多最新模块

                                                                                                    更多分析可见原文


                                                                                                    Python社区是高质量的Python/Django开发社区
                                                                                                    本文地址:http://www.python88.com/topic/187969