一个用于多尺度特征感知的AttSDNet模型增强了沿海盐沼湿地的遥感分类
Dingfeng Yu1, Lirong Ren2, Chen Chen1
1Institute of Oceanograhic Instrumentation, Qilu University of Technology (Shandong Academy of Sciences), 266100, Qingdao, China; National Engineering and Technological Research Center of Marine Monitoring Equipment, Qilu University of Technology (Shandong Academy of Sciences), 266100, Qingdao, China; Shandong Provincial Key Laboratory of Marine Monitoring Instrument Equipment Technology, Qilu University of Technology (Shandong Academy of Sciences), 266100, Qingdao, China.
Marine environmental research
|December 14, 2024
概括
这项研究增强了U-Net对沿海湿地监测的深度学习,提高了利用注意力和多尺度特征对不同土地覆盖面的分类准确性. 这种先进的模型为生态保护和生物多样性分析提供了可靠的数据.
科学领域:
- 遥感 遥感 遥感 遥感
- 生态监测 生态监测
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 沿海盐沼湿地是重要的生态资源和蓝色碳汇.
- 这些生态系统的全球退化导致生物多样性丧失和生态损害.
- 精确的沿海湿地的空间监测对于其保护和恢复至关重要.
研究的目的:
- 开发一种增强的深度学习模型,用于精确分类复杂的沿海湿地遥感图像.
- 提高U-Net框架捕捉多尺度空间依赖性和光谱空间特征的能力.
- 为沿海湿地遥感分类和生态分析提供强大的技术方法.
主要方法:
- 开发了一个增强的U-Net模型,整合了注意力机制和多尺度特征提取.
- 堆叠的扩展卷曲被用来捕捉多个尺度的特征,解决U-Net的受感场限制.
- 结合通道空间注意模块被纳入来增强光谱和空间特征的学习,特别是对于小规模的特征.
主要成果:
- 与现有方法相比,拟议的模型实现了更高的分类精度 (总精度为92.73%98.69%,MIoU为77.68%83.76%).
- 对各种土地覆盖类型 (包括大规模的 (Tamarix chinensis,池) 和线性特征 (道路,潮通道) 进行了显著的改善.
- 该模型有效地解决了小目标分类中的细节丢失和线性土地覆盖分类中的断开问题.
结论:
- 增强的U-Net模型为沿海湿地遥感分类提供了更准确和更强大的方法.
- 该方法有效地提取了多级遥感特征,这对于了解土地覆盖分布至关重要.
- 这项研究为分析沿海湿地动态,监测生物多样性和保护生态环境提供了坚实的数据基础.
