自主监督的破坏性特征重建网络,用于用有限的数据估计红树林生物量
Jun Hao1,2,3, Xiaowei Xu4, Haiyan Xu2,3,5
1School of Environment and Spatial Informatics, China University of Mining and Technology, Xuzhou, China.
Frontiers in plant science
|September 19, 2025
概括
这项研究引入了一个新的深度神经网络 (DNN),用于估计红树林生物量,即使数据有限. 自主监督的干扰特征重建网络 (SSDFRN) 提高了关键生态评估的准确性.
科学领域:
- 生态生态学 生态生态学
- 遥感 遥感 遥感 遥感
- 计算机科学 计算机科学
背景情况:
- 红树林生物量估计对于生态系统生产力和碳循环至关重要.
- 现有的深度神经网络 (DNN) 方法在遥感应用中扎着数据稀缺.
- 准确的红树林生物质数据对于全球碳循环监测至关重要.
研究的目的:
- 使用有限的遥感数据开发一种新的DNN,用于对红树林生物量进行估计.
- 为了应对当前生物质估计技术中数据稀缺的挑战.
- 通过高级特征学习,提高红树林生物量估计的准确性.
主要方法:
- 开发了一个自我监督的扰乱特征重建网络 (SSDFRN).
- 使用基于扰乱特征重建的自我监督学习 (DFRSSL),使用随机特征混合和重建.
- 集成了一个多视图卷积神经网络 (MVCNN) 与多视图级联卷积模块 (MVCCM).
主要成果:
- 拟议的SSDFRN有效地解决了在红树林生物质估计中的数据稀缺问题.
- MVCNN架构显著增强了功能学习能力.
- 对西门岛数据的实验结果证实了SSDFRN在红树林生物质估计中的表现.
结论:
- 在深度特征学习中,SSDFRN证明了对红树林生物质估计的有效性.
- 开发的方法提供了一个可行的解决方案,用于生物质估计有限的数据.
- 这种方法有助于更准确的生态评估和碳循环监测.
更多相关视频
08:16Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring
Published on: October 24, 2025
492
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
13.8K
