基于多源遥感数据融合与深度学习的湿地提取方法研究

Wetlands, as a geographical transition zone between land and aquatic ecosystem, play important roles in water conservation, climate regulation and biodiversity preservation. Satellite remote sensing has provided possibilities for temporal-spatial monitoring of wetlands, which facilitates wetlands preservation and management. However, it is hard to accurately monitor wetlands with typical characteristics of transition, spatial heterogeneity and hydrology dynamics owing to the scarcity of the high-precision medium/high temporal-spatial resolution images as well as the limitation of manual interpretation and machine learning dependent on spectral characteristics of wetlands. Using MODIS-Landsat images, this study will restore invalid observations of images upon which to explore a multi-source remote sensing data spatial and temporal fusion method with a two-dimensional Gaussian model and Bayesian theory, which aims at producing medium-high temporal and spatial resolution data with MODIS spectral fidelity. After the evaluation of the fusion performance, a deep learning network is to be constructed for recognizing the temporal characteristics of wetlands by incorporating time-serial fusion data. Finally, the proposed methods will be tested and evaluated for the suitability of wetland detection on three areas with coastal wetlands, inland wetlands and constructed wetlands in comparison to traditional machine learning algorithms. This study is of great significance and reference value for improving the large-scale, high-precision wetland monitoring and management and preservation in China.

湿地生态系统通常处于水陆过渡地带，在涵养水源、调节气候和保护生物多样性等方面具有重要作用。基于卫星遥感开展湿地时空分布监测已成为湿地管理和保护的重要途径。然而，目前高精度中高时空分辨率影像的缺乏，以及传统的人工解译或现有依赖光谱特性的机器学习提取方法，无法满足对于具有空间异质性、水文动态性等特点的湿地时空分布的精准监测。本研究以MODIS-Landsat影像为数据源，在对影像条带和云/云阴影等重建的基础上，深入分析MODIS传感器辐射的点传播函数效应，并基于贝叶斯理论开展影像时空融合方法研究，精度验证分析后构建具有MODIS光谱保真度的中高时空分辨率数据。基于融合的时间序列数据，探究可识别湿地时间变化特征的深度学习网络进行湿地提取，并选择我国滨海、内陆和人工湿地试验区进行湿地提取精度和适用性验证与分析。研究方法将对提升我国大范围、高精度的湿地动态监测、管理和保护水平具有重要意义和参考价值。

湿地生态系统通常处于水陆过渡地带，在涵养水源、调节气候和保护生物多样性等方面具有重要作用。基于卫星遥感开展湿地时空分布监测已成为湿地管理和保护的重要途径。然而，目前高精度中高时空分辨率影像的缺乏，以及传统的人工解译或现有依赖光谱特性的机器学习提取方法，无法满足对于具有空间异质性、水文动态性等特点的湿地时空分布的精准监测。针对以上问题，本项目设计了一个考虑不同传感器辐射差异的多源遥感数据融合方法，融合生成与MODIS在辐射特性上一致（MODIS-like）的Landsat空间分辨率数据，为湿地提取研究提供高精度的时空连续性数据。继而，基于融合数据，搭建一个兼具湿地时序变化特征识别的深度学习网络，来捕捉湿地的时间动态性，提高湿地提取精度。本研究对于提升湿地动态监测的精度和质量具有重要的实际价值，对推动多源遥感数据融合算法及其应用具有重要的理论意义和现实意义。主要研究成果如下：.（1）针对Landsat不同传感器辐射差异影响，在全球选择五个研究区，深入分析了MODIS 基于二维高斯模型的点传播函数（PSF）效应，并基于PSF和贝叶斯理论（MAP估计），形成了与MODIS辐射特性一致的Landsat地表反射率数据（MODIS-like）。验证和精度对比表明，贝叶斯融合和线性融合的反射率目视效果均比Landsat观测反射率与MODIS NBAR更一致。但贝叶斯融合结果具有更小的相对均方根差，更符合MODIS NBAR数据。.（2）基于Savitzky-Golay滤波法对MODIS NDVI时序数据进行重建，然后设计了一种卷积神经网络（CNN）与随机森林（RF）融合方法对东北三省进行湿地提取。精度验证结果表明，CNN-RF模型湿地识别精度为85.03%，比单一CNN和RF模型精度提高了19%和11%。.（3）针对传统机器学习算法对影像时间特征识别的局限性，设计了一个可兼容不规律时间序列遥感数据的Masked Transformer的神经网络，基于融合的MODIS-like时间序列影像对黑龙江流域进行了湿地提取，湿地提取精度高达84%。结果表明深度学习掩模机制可有效解决云、云阴影等造成的遥感影像时序数据输入不规律问题，同时掩模机制使得模型训练和预测的效率提高了约20倍。