基于多特征融合的自注意力机制的内蒙古草原的分类方法技术

本发明专利技术公开了一种基于多特征融合的自注意力机制的内蒙古草原的分类方法，通过构建包括一维卷积神经网络结构、Transformer编码器结构以及全连接分类网络结构的内蒙古草原草地类型分类模型；对NDVI时序数据、气温时序数据和降水时序数据分别进行处理，并进行特征融合，将融合后的特征数据分别输入一维卷积神经网络和Transformer编码器结构，对输出的特征数据进行拼接，拼接后得到的特征数据再输入至全连接分类网络结构，最终输出得到内蒙古草原草地分类结果。解决野外采样识别费时费力，现有的机器学习或深度学习方法进行草原草地类型识别不够准确、分类不够精确的技术问题。分类不够精确的技术问题。分类不够精确的技术问题。

【技术实现步骤摘要】
基于多特征融合的自注意力机制的内蒙古草原的分类方法


[0001]本申请涉及草地类型分类
，尤其涉及一种基于多特征融合的自注意力机制的内蒙古草原的分类方法。

技术介绍

[0002]草原是陆地上最大的生态系统，在能量流动和物质循环的过程中对人类的生存和发展有着举足轻重的作用。我国的内蒙古自治区处于欧亚大陆草原带的中部，其中内蒙古草原地理空间跨度大，在欧亚草原中占有重要的地位，是中国北部重要生态安全保障，对三北地区(即：我国的东北、华北北部和西北地区)乃至全国的生态环境的保护和改善发挥着不可替代的作用。
[0003]然而内蒙古草原地区性和季节性变化的差异明显，以及在气候变化的影响下，导致内蒙古草原的草地植被类型区划具有明显的差异，同时近年来，受长期过度放牧、开垦和气候变化等因素的影响，使得内蒙古草原的草地生态系统功能下降，为了更好的加强内蒙古草原生态系统的保护，对内蒙古草原草地进行识别和分类至关重要，以更好的因地制宜，针对性的采取有关保护措施。
[0004]现有技术的草地分类方法有很多，但是存在以下的缺陷：
[0005]1.大区域野外采样识别草原草地类型方法，其具有诸多的局限性，如工作量大、调研时间长，需要耗费大量的人力财力。
[0006]2.内蒙古草原现有草地分类方法多为小范围草地类型分类，缺少整体性、大范围，如无法对温性草甸草原、温性典型草原、温性荒漠草原、典型草甸、高寒草甸、盐生性草甸、沼泽化草甸、森林、温性荒漠等多种类型的草地进行分类。
[0007]3.传统草原草地类型识别方法多使用基于Arcgis工具，利用单特征NDVI、EVI、DEM等指数，结合非监督分类方法或监督分类的机器学习方法进行草地类型的分类，此种方法是利用遥感技术监测地面植物的分布，依靠植被在近红外、红光、绿光和蓝光波段的遥感反射率确定植被覆盖率从而进行草地类型的分类，但是气温和降水作为决定着草地类型的形成与发展的最基本的影响因素，仅仅考虑单特征NDVI、EVI和DEM，缺乏融合气温、降水等多维度特征信息的分析，使得草地识别分类方法精度不高。
[0008]4.而基于图像统计分析的深度学习的分类方法，此种方法容易造成同物异谱，异物同谱现象，易使得草地分类的识别不准确。
[0009]因此，提供一种内蒙古草原草地有效识别以及准确分类的方法是很有必要的。

技术实现思路

[0010]本申请实施例提供了一种基于多特征融合的自注意力机制的内蒙古草原的分类方法，用以解决野外采样识别费时费力，现有的机器学习或深度学习方法进行草原草地类型识别不够准确、分类不够精确的技术问题。
[0011]有鉴于此，本申请提供了一种基于多特征融合的自注意力机制的内蒙古草原的分
类方法，包括以下步骤：
[0012]步骤S1、制作NDVI时序数据集：在NASA官网处获取MOD09Q1产品，选取相关行号，利用MRT预处理工具，制作形成MOD09Q1_NDVI数据；
[0013]步骤S2、内蒙古草地类型的收集：以相关的草地资源数据图为依据，选择多种不同的内蒙古草地类型基准，使用Arcgis软件提供的随机采样工具，产生各类带有经纬度的内蒙古草原草地类型基准点；
[0014]步骤S3、构建NDVI时序数据：根据步骤S1获取到的MOD09Q1_NDVI数据，利用ENVI Classic软件提供的值提取到点工具，提取与内蒙古草原草地类型基准点相同经纬度的NDVI数值，得到NDVI时序数据；
[0015]步骤S4、气温时序数据和降水时序数据的获取：选取与NDVI相同生长季的气温、降水数据，利用气温时序数据计算公式和降水时序数据计算公式，计算得到与MOD09Q1_NDVI相同采样日期的平均气温时序数据和平均降水时序数据，再将平均气温时序数据和平均降水时序数据扩充得到气温时序数据和降水时序数据；
[0016]步骤S5、数据处理：包括对NDVI时序数据、平均气温时序数据和平均降水时序数据分别进行处理；
[0017]步骤S6、特征融合：将步骤S5处理后得到的时序数据进行特征融合，得到特征融合后的数据；
[0018]步骤S7、模型的构建：以一维卷积神经网络、Transformer编码器结构以及全连接分类网络构建内蒙古草原草地类型分类模型；
[0019]步骤S8、输入模型：将步骤S6得到特征融合后的数据分别输入步骤S7中的一维卷积神经网络和Transformer编码器结构，然后将经过一维卷积神经网络和Transformer编码器结构输出的特征向量进行拼接，最后进入全连接分类网络，输出得到内蒙古草原草地分类结果。
[0020]可选地，步骤S5中，对NDVI时序数据处理包括：先对NDVI时序数据进行梯度计算得到梯度数据，然后再对所有的梯度数据进行数据规范化处理得到NDVI梯度时序数据。
[0021]可选地，步骤S5中，对平均气温时序数据和平均降水时序数据进行处理包括对平均气温时序数据和平均降水时序数据进行最大最小值归一化处理，使得处理后的数据值的范围在0
‑
1之间。
[0022]可选地，将步骤S6特征融合后的数据经过一维卷积神经网络中的六个1DCNN和Transformer编码器结构中的多层编码器的结果进行拼接后输入至全连接分类网络，编码器包括第一个残差块和第二个残差块，第一个残差块包括多头注意力机制与残差连接和层归一化，第二个残差块包括前馈神经网络与残差连接和层归一化。
[0023]可选地，其特征在于，前馈神经网络组成的全连接分类网络结构包括输入层、三个线性层、Dropout层和输出层，Dropout的比例p＝0.2。
[0024]可选地，还包括模型训练，对内蒙古草原草地类型分类模型按照梯度下降的方法进行训练，优化网络的权值参数，最终得到高精度的草地分类模型，并以该模型为基础，对融合后的数据进行输入得到内蒙古草原草地分类结果。
[0025]从以上技术方案可以看出，本申请实施例具有以下优点：
[0026]本申请提供的基于多特征融合的自注意力机制的内蒙古草原的分类方法，以遥感
植被指数、气温、降水多个时序特征为基础，将遥感植被指数与气候因素进行处理后融合，建立基于多特征融合的自注意力机制的内蒙古草原草地类型分类模型，能够准确识别得到高精度的草原草地类型分类。
[0027]本申请提供的内蒙古草原草地分类模型利用多特征、注意力机制能够关注内蒙古草原草地类型的特点，为提升识别草原草地类型提供了新的参考，通过一维卷积神经网络和Transformer编码器结构对融合后的特征数据处理并进行拼接，再输入至全连接分类网络结构。由一维卷积神经网络进行特征提取，Transformer编码器结构学习输入特征向量之间的相关性，将两者的结果进行拼接，融合两者的特征后进入全连接分类网络训练，进一步提高分类的准确率。解决了野外采样识别费时费力，现有的机器学习或深度学习方法进行草原草地类型识别不够准确、分类不够精确的技术问题。
附图说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多特征融合的自注意力机制的内蒙古草原的分类方法，其特征在于，包括以下步骤：步骤S1、制作NDVI时序数据集：在NASA官网处获取MOD09Q1产品，选取相关行号，利用MRT预处理工具，制作形成MOD09Q1_NDVI数据；步骤S2、内蒙古草地类型的收集：以相关的草地资源数据图为依据，选择多种不同的内蒙古草地类型基准，使用Arcgis软件提供的随机采样工具，产生各类带有经纬度的内蒙古草原草地类型基准点；步骤S3、构建NDVI时序数据：根据步骤S1获取到的MOD09Q1_NDVI数据，利用ENVI Classic软件提供的值提取到点工具，提取与内蒙古草原草地类型基准点相同经纬度的NDVI数值，得到NDVI时序数据；步骤S4、气温时序数据和降水时序数据的获取：选取与NDVI相同生长季的气温、降水数据，利用气温时序数据计算公式和降水时序数据计算公式，计算得到与MOD09Q1_NDVI相同采样日期的平均气温时序数据和平均降水时序数据，再将所述平均气温时序数据和所述平均降水时序数据扩充得到气温时序数据和降水时序数据；步骤S5、数据处理：包括对所述NDVI时序数据、所述平均气温时序数据和所述平均降水时序数据分别进行处理；步骤S6、特征融合：将步骤S5处理后得到的时序数据进行特征融合，得到特征融合后的数据；步骤S7、模型的构建：以一维卷积神经网络、Transformer编码器结构以及全连接分类网络构建内蒙古草原草地类型分类模型；步骤S8、输入模型：将步骤S6得到特征融合后的数据分别输入步骤S7中的一维卷积神经网络和Transformer编码器结构，然后将经过一维卷积神经网络和Transformer编码器结构输出的特征向量进行拼接，最后进入全连接分类网络，...

【专利技术属性】
技术研发人员：陈俊杰，李晓健，赵春胜，
申请(专利权)人：内蒙古农业大学，
类型：发明
国别省市：