文摘

现代城市景观是一个简单的生态系统,对城市的可持续发展具有重要意义。本研究提出了一种基于深卷积神经网络的景观信息提取模型,研究了多尺度景观卷积神经网络分类方法,构造了一个基于多尺度景观信息提取模型CNN,最后分析深卷积神经网络的定量影响。结果表明,整体kappa系数是0.91,计算混淆矩阵的分类精度为93%,生产精度和用户精度。在这项研究中提出的方法可以识别目标,超过90%的水用户精度和生产精度分别为99.78%和91.94%,分别和整体精度为93.33%。在这项研究中提出的方法明显优于其他方法,kappa系数和总体精度是最好的。本研究为定量评价提供了一定的参考价值的现代城市景观空间尺度。

1。介绍

随着中国城市化的快速发展,景观面积萎缩,严重影响生态的可持续发展在中国1]。具有重要意义,掌握城市景观的空间规模在景观的开发和保护2]。目前,遥感图像技术已广泛应用于景观资源监测由于其覆盖面广的优势,采集速度快,和大量的信息数据3]。植物花园监控的关键技术是遥感图像的提取。然而,由于大量的图像数据信息,传统技术不能满足当前需求的图像信息提取,提取后导致低精度(4]。如何从遥感影像中提取信息的植物花园在这个领域已经成为一个热点。目前,有许多关于图像信息提取的新方法,在深入学习信息提取技术是应用最广泛的方法(5]。学习方法是起源于机器学习,包括多隐层网络机制,学习能力具有较强的特性,在图像分类有很大的优势。因此,基于深度学习方法的应用,本研究结合光谱特征和空间信息提取植物花园,旨在为现代城市景观规划提供基础(6]。

与深度学习的发展,卷积神经网络已成为近年来最受欢迎的一个在许多模型。Thangaraj et al。7)提出了一种深卷积基于迁移学习的神经网络模型,用于识别番茄叶实时图像和检测疾病的疾病和存储番茄图像。实验结果表明,该模型是有效的番茄叶疾病的自动分类。Ghorbanzadeh et al。8)使用深度学习卷积神经网络(CNN)研究光学PlanetScope传感器数据和地形的影响因素从ALOS传感器EQIL映射。结果表明,光谱信息的训练数据集和边坡的地形因素可以帮助区分滑坡的身体从荒地和其他类似的特性,从而提高映射精度。保罗et al。9]提出了一种混合进化网络结构搜索方法,提出了目标卷积类神经网络,并提出了一个网络的高效表示的字符串表示方法和稀疏块进化成密集网络必要层次特征的概念,并在医学领域来验证各种基准数据集。Srinivasan和Senthil库玛(10)设计了一个深超限分辨焊缝图像卷积神经网络模型来确定金属间化合物化合物的跟踪和检测焊缝表面的损害。周et al。11)提出一个小MBConv块改善网络模型,使网络训练参数较少,有效减少了过拟合问题,提高分类的性能相比原模型。结果表明,模型多分类的平均精度为95.78%,高于2.19%的原始模型。Sulthana et al。12]介绍了推荐系统与产品的视觉特征,并通过深架构和一系列的卷积运算,图像中的边缘和泡沫重叠。实验结果表明,该方法的图像质量比的焊缝图像生成的双三次插值方法。王等人。13)提出了一个集成的卷积神经网络(CNN)来识别和分类:四种模糊图像散焦,高斯,吸烟,和运动。在每个阶段,深CNN是用于提取图像特征,克服不良的缺点可伸缩性和计算的复杂性。实验结果表明,该模型具有良好的性能在突变和渐变检测。汉et al。14)研究和比较两个卷积神经网络模型的目标识别效果,快速r新闻网和SSD,评估通过使用平均精度(地图)。结果表明,有三种类型的r新闻网,速度快,精度超过80%,ssd 7类型和精度超过80%,所有这些都取得了良好的效果。王等人。15)提出了一个基于深卷积神经网络方法。使用VGGA、VGG16知觉V3, ResNet50 CPAFnet,深层神经网络模型设计本文的害虫图像识别三CPAF数据集上验证方法。结果表明,模型的优化结果和CPAFnet CPAF深度模型的数据集有很好的现实意义进行智能识别农业和森林的害虫。琳达et al。16)提出了一个color-mapped步态轮廓图像(CCGI)。第一个在每个步态轮廓图像序列提取养鱼槽轮廓跟踪算法。算法使用不同的高斯(狗)和滞后的阈值来提取轮廓图像。最后,CVGR的性能分析是评估使用深卷积神经网络(CNN)的框架。结果表明,该方法的精度是94.65%。发现当维度的问题处理,提取的特征可以代表图像质量好。在比较不同的线性和非线性的影响减少技术卷积神经网络的特点,建立基于图像的推荐模型。王等人。17)提出了一种多级镜头边界检测框架基于CNN。这个过程包括三个阶段,包括候选边界检测、基因突变检测和梯度检测。数值实验表明,该方法具有更好的性能比前AlexNet和谷歌网络和其他先进的方法。深度学习的影响并不局限于计算机视觉和人工智能领域,如人脸识别,语音识别,等等。它扮演着一个重要的角色在互联网服务行业大数据的时代。例如,数据智能搜索引擎领域的一个重要领域,主要投资巨头竞争的研究。

总之,大量的学者们研究和应用卷积神经网络在各个领域。针对这一点,本文提出了一个模型的植物和现代城市景观空间尺度评价基于卷积神经网络,可为城市景观规划提供一些参考和引用。

2。景观信息提取基于卷积神经网络

2.1。多尺度卷积神经网络分类方法对景观建筑

深入学习是机器学习领域的一个热门话题,近年来,和它的模型结构比浅深度学习。常见的模型分为三个结构:混合动力车,歧视,并生成深度,主要限制玻耳兹曼机(元),稀疏编码(SC)、深度自动编码器(DAE),深度信念网(DBN)和卷积神经网络(CNN)18,19]。其中,CNN模型广泛用于深度学习。它的主要优点是,它共享的权重,使网络结构参数少。其次,CNN包含池层,它可以确保模型的平移和旋转培训学习数据时不变形。因此,本研究将CNN对多尺度景观进行分类。

传统的CNN方法属于一个层次特征提取的神经网络结构。在这项研究中,图像数据的接受域常数大小设置,然后导入到CNN提取特征信息,如图1。

一般来说,功能层的地图卷积层是生成的层通过可训练的过滤器并将训练数据导入到激活函数SIGMOD函数 生成的输出数据层卷积层。层的计算褶积层下列公式所示:

在方程(1),的抵消吗一层一层卷积特性图,是初始输入数据,然后呢是层隐藏层。卷积在卷积层训练过程中,每个内核将覆盖所有图像数据形成一个功能图,和卷积层是自主学习和选择的最优滤波器(20.]。二次抽样层样品和提取通过功能层减少培训和学习的困难,大大减少了特征层,使培训过程更稳定(21]。二次抽样的定义层所示以下方程:

在方程(2),是一个二次抽样函数,然后呢 地区通常用于处理输入数据,以便输入特征映射n时间比以前小。给出了输出数据偏差参数 ,这样的特性与相关提取一层一层地。

CNN通常从一个固定的尺寸范围,提取空间相关元素观察规模限制,导致图像分类精度低(22]。为了提高精度,有必要提取多尺度空间元素。首先,金字塔算法获得的图像不同的观测尺度,和所有的数据输入到网络结构信息特征提取(23]。在最初的乐队 ,金字塔图像集与参数了,第一个规模是一样的乐队吗 ,和可以获得的基础上吗 。如果有一个多尺度训练样本与类别,广场样本集生成的接受域是由 ,和参考像素设置由标签来表示。多尺度的结构过程如图CNN学习和培训2。

的l层网络结构如图2是偏见向量和学习过滤器的平方误差代价函数。正向传播成本方程函数如下所示:

在方程(3), 预测的多尺度CNN标签样本吗和是训练样本的 。 用于表示层的隐层吗 ,和 , 输入原始数据。所示的输出层得到以下方程:

参考的标签值和输出比较,偏差向量和滤波器参数优化的随机梯度下降法。CNN的多尺度空间特征元素得到见以下方程:

多尺度CNN可以获得多尺度空间特征样本,可以优化偏差向量的元素使用反向传播算法和滤波器参数。它的非线性特性发挥更大的作用在目标识别和分类24]。不同大小的上下文场景导入到多尺度特性学习,和一些CNN模型运行。最后,所有的输出都合并成完整的连接层。在遥感图像像素分类的过程使用一个CNN如图3。

遥感图像(米在CNN×输入层米:有C乐队,分类像素位于中心。的l二次抽样层在CNN卷积与标准层和连接到连接层。第一个CNN层包括二次抽样层和卷积层。池后,功能元素。然后,非线性激活函数和地方标准化执行。然后,输出二次抽样层数据的最后一层是导入到完全连接层。最后,完全连接层的输出数据导入将softmax分类器得到最终的分类结果(25]。

图4显示了多尺度CNN的结构模型。在图4,有nCNN并行操作,l卷积和池过程,和上下文场景规模是1 m∼海里。每个CNN的输出连接到完整的连接层,和完整的连接层的输出是输入的参数训练分类器,以确保每一个CNN符合一个CNN的像素学习培训。

2.2。基于多尺度的建筑景观信息提取模型

首先,归一化差异水体指数计算(NDWI)的景观,主要用来计算特定波段的遥感数据,抑制植被和其他信息通过近红外波段的比率和绿色的光,和增强图像中信息的显示功能。这个公式所示以下方程:

在方程(6),和近红外波段和绿色波段图像,分别。

数据5(一个)和5 (b)是真彩色带的原始图像相结合的遥感图像和灰度图像后NDWI指数计算,和水信息后的图像计算更加明显。

然后,线性穗帽变换(K- - - - - -T变换)是用于转换到新的特征空间的光谱特性,和四个乐队正交变换用于变换图像,和植物光谱将hat-like分布。K- - - - - -T变换之间的光谱特性的影响可以减少地面光谱遥感图像中的对象。转换后的灰度值所示如下方程:

在方程(7),抵消,每个波段的灰度值,的系数K- - - - - -T变换。多光谱遥感图像K- - - - - -T变换包括三个部分:亮度、绿色和湿度。湿度组件(KT3)有更多的参考价值,可以有效地反映表面含水率的分布。图5 (c)湿度分布地图了吗K- - - - - -T转换图5(一个),计算区域信息流是显而易见的。然后,分形网络进化方法(fnea)用于分割图像数据,并选择最优的分割参数段图像数据。

然后,数据样本的河流、湖泊,耕地、人工湿地,建设用地选择构建多尺度CNN景观信息提取模型。遥感图像数据训练选择32×32,64×64、128×128,多尺度CNN由9层,包括输入层、卷积3层,3层抽样,完整的连接层和输出层。多尺度结构的CNN如图6。

如图7,图中显示每个训练样本的特征映射,如河流、沼泽、人工湿地,等等。同时,以特征映射的河为例,图6显示的特征子图数据样本从输入层到卷积层和抽样层。

Fnea用于段NDWI灰度图像,然后是平均值计算每个点的。基于NDWI水概率的计算方法,如以下公式所示:

在方程(8)和(9),是图像中像素点的数量,和是图像的像素点和形象点,和是图像的最小和最大值点,分别和的概率是图像是水体。然后,分段补丁被导入到多尺度CNN识别模型获得的识别概率 。多尺度CNN可以表示为 ,和ndmi可以表示为 ,在哪里点的数量,联合概率的计算水体的空间频谱所示以下方程:

CNN和ndmi精度越高相结合的多尺度计算水的目标,就越大价值。使用加权平均法计算空间谱的联合概率中心,和水斑有更高的概率引入空间谱的联合概率区间,收敛是一直持续到水中目标识别的最佳效果。最后,联合概率加权中心空间谱的计算,该方法显示在以下方程:

在方程(11),的重量吗点,和公式 。均方误差的计算的联合概率空间频谱所示以下方程:

如果 ,模式将被删除,和错误将被重新计算回归方程(11)和(12),直到计算结果收敛。继续段湿度组件的灰度图像,并计算平均值KT3建设基于KT3景观概率图,见以下方程:

在方程(13)和(14),的概率是KT3是湿地和KT3的最大和最小值的图像,分别。如果KT3表示 和是补丁的数量,那么联合概率湿地空间频谱的计算见以下方程:

空间谱联合概率加权中心所示如下方程:

在方程(16),补丁的重量吗图,和公式 。这个错误联合概率加权中心的空间频谱所示以下方程:

如果 ,现货删除错误反复计算,直到结果收敛。

3所示。量子化效应分析卷积神经网络

3.1。卷积神经网络的训练效果

在这项研究中,选择一个城市花园湿地景观进行研究。首先,景观面积分为七类,包括建设用地,裸露的土地,人工湿地,耕地、林地、滩涂、沼泽和水。样品必须在选定的地区代表和均匀分布。由人工目视判读方法选择不同的实验样品,和样品分离性方法用于检查样本的准确性。其中,样本可分性的价值是在0和2之间,值越大,分离性越好。在这项研究中,kappa系数和混合矩阵是用来评估提取结果,和ROI数据用于验证训练精度。

训练样本的可分性表和实际投资回报率数据如表所示1和2。从表可以看出1和2培训和验证样本有很好的分离,分离性高于1.9,可以应用于信息提取和准确性验证。

通过真正的ROI示例数据混淆矩阵,生产精度和用户精度计算。整个kappa系数是0.91,分类精度为93%。湿地的混淆矩阵基于深度学习的提取方法如表所示3。

用户精度和生产精度计算的方法在本研究中如表所示4。结果表明,90%以上的水可以确定目标,和用户精度和生产精度分别为99.78%和91.94%,分别。用户精度和生产精密的沼泽,沼泽,耕地和林地,人工湿地,建设用地,裸地分别为91.04%和79.65%,91.04%和96.61%,87.06%和98.64%,80.96%和99.23%,98.60%和86.76%,分别为93.23%和98.73%。其中,池塘、人工湿地、耕地、林地和裸地的生产精度高。沼泽、沼泽、建设用地和裸地用户精度更高。

3.2。比较不同的方法之间的精度

在这项研究中,决策树分类,支持向量机(SVM),面向对象的最小距离,最大似然法,本文提出的方法用于在实验区域进行比较实验。其中,决策树分类主要是构造格局,建立决策树的规则提取景观特征。面向对象的方法主要是使用许多实验来确定最佳的空间分割尺度提取景观特征。SVM、最小距离和最大似然方法需要选择当地的样品,并确定现场分割区域。在这项研究中提出的方法主要是使用多个实验最优网格划分和识别景观特征,然后预设阈值提取湿点地图。景观信息提取的结果使用上述方法如图所示8。

从数据可以看出8和9水,虽然最小距离方法可以提取信息,很容易混淆沼泽和建设用地,有很多错误和遗漏,这是最坏的比较方法的准确性。与前者相比,最大似然方法的准确性提高。虽然这种方法提高建设用地的识别能力,很容易识别作为一个工业湿地沼泽;支持向量机方法优于前两种方法,该方法的提取精度大大提高,建设用地的分类精度和人工湿地已被有效地改进,和大部分的水特性可以提取;只有少数是错误的或失踪,但它仍然是容易混淆的沼泽和水体。决策树分类的准确性是支持向量机类似,略高2.12%,kappa系数增加了0.02,但仍有少误分类在人工湿地的分类。面向对象方法的准确性和kappa系数高于上述四种方法和接近SVM决策树。

各种方法之间的精度比较结果如图所示9。从结果我们可以看到在图9方法,kappa系数是0.91,0.26,0.2,0.1,0.08,和0.04高于最小距离法、最大似然方法,支持向量机,决策树分类方法,分别和面向对象的方法。整体精度是93.33%,23.31%,18.11%,9.07%,6.95%,和4.26%高于最小距离法、最大似然法、支持向量机、决策树分类方法,分别和面向对象的方法。kappa系数和整体精度是最好的。

4所示。讨论

深度学习的发展趋势是大数据的时代。学术界甚至行业高度重视深度学习。深度学习发展迅速在声音和图像智能识别和理解。介绍了深度学习算法,结合遥感影像光谱特征,构建基于深度学习的湿地信息提取模型,提取湖湿地信息,获得时间序列湿地分布信息,运用景观生态学方法分析湿地的时空演化特征,并提供了重要的数据支持湿地保护、恢复和决策。

湖湿地中起着非常重要的作用在整个生态环境和人类的可持续发展。由于经济发展的问题和人类的破坏,鄱阳湖湿地逐渐恶化,所以有必要保护和恢复湖泊湿地。首先,我们应该保护的湿地被发现,以防止进一步的损失。建立适合湖湿地的保护措施,根据因素的完整的生态功能,生物多样性、湿地面积大小,等等,我们应该建立湿地保护区的各种水平,从小规模开始,逐渐扩展到整个湿地。是非常重要的建立一个科学合理的评价体系对湖泊湿地生态系统。湖湿地不断被破坏了,所以很难提供服务为特定决策只有理解了湿地面积和分布从宏观的角度来看。然而,仍然有一些缺陷的评估湿地从景观生态学的角度变化。因此,有必要建立一个科学有效的湿地生态评价体系为湖泊湿地的保护和发展提供指导。其次,建立了湿地动态监测系统,湿地的动态监测是由使用多源卫星遥感图像数据。3 s技术经常被用来获取湿地信息,湿地变化趋势进行了分析和预测。 At present, UAV has developed rapidly and has the characteristics of fast time and high resolution, which can also be used to make up for the lack of satellite remote sensing image monitoring of wetlands. At the same time, we should establish a sound wetland information management system to scientifically guide and manage the development, protection, and restoration of wetlands.

湿地保护不仅需要国家政府的管理和推广,但也需要每个公民的参与。加强湿地环境保护的宣传,我们不仅可以用电视,但也使用网络媒体和其他新的通信手段来加强湿地保护的宣传,使更多的人了解湿地湿地和重视。湿地的重要性应定期公布在学校建立湿地保护意识。公开演讲的重要性湿地环境也可以在居民区、社区活动中心、街道办事处,和其他地方。在湿地保护增加投资,积极开展在湿地保护的研究。资金的缺乏限制了湿地保护和恢复工作。目前,许多湿地保护区和湿地调查和监测很难实施,因为缺乏资金,基础设施尚未建立,和许多湿地动态监测研究、湿地保护和恢复项目是很难实现的。因此,增加资本投资有利于湿地保护和恢复工作。同时,增加湿地科学研究努力将提供更详细的了解湿地功能,好处,类型,和其他方面提供科学依据和决策支持,湿地保护、管理、利用、湿地恢复。

仍然有一些问题在建立的过程中深卷积神经网络模型,这需要进一步研究和改进在以下几方面:(1)湿地识别模型的训练和学习基于深度学习需要大量的湿地样本,样本的数量越多,模型学习的训练效果越好。然而,由于时间有限,本文仅限于陆地卫星系列的数据图像,需要进一步扩大样本数据库。(2)由于时间和数据的原因,只有一级湿地分类提取,而不是二级湿地范畴。有必要进一步提高在未来湿地分类和相应的样品。

5。结论

在这项研究中,针对现代城市景观规划,景观信息提取模型提出了基于多尺度CNN,和网络定量模型的效果进行了分析。结果表明,整体kappa系数是0.91,计算混淆矩阵的分类精度为93%,生产精度和用户精度。该方法可以识别目标,90%以上的水和用户精度和生产精度分别为99.78%和91.94%,分别。与最小距离法、最大似然法、支持向量机、决策树分类方法,和面向对象的方法,该方法提高了0.26,0.2,0.1,0.08,和0.04,分别。整体精度是93.33%,23.31%,18.11%,9.07%,6.95%,和4.26%高于最小距离法、最大似然法、支持向量机、决策树分类方法,分别和面向对象的方法。该方法明显优于其他方法,kappa系数和总体精度是最好的。由于能力有限,没有景观分类,所以我们会更加注意在未来的研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

这项工作是支持的保护设计和研究Liucun古村落文化工业园区在汉城,陕西省(批准号17 jk1150)。