Combining UAV-LiDAR point clouds and SSAFormer algorithms for fine classification of mangrove communities
摘要
الغابات الحمراء هي واحدة من أكثر النظم البيئية البحرية تنوعًا حيويًا وإنتاجية عالية, يعد تصنيف مجتمعات الغابات الحمراء بدقة باستخدام الصور الفضائية عالية الدقة والتعلم العميق واحدًا من موضوعات البحث الرئيسية والصعبة. تقدم هذه الورقة نموذج جديد لشبكة تصنيف التعلم العميق تدعى SSAFormer (Swin-Segmentation-Atrous-Transformer) التي تستخدم آلية الانتباه النافذ والمساحة المثقبة لتصنيف مجموعات الغابات الحمراء بدقة. يعتمد هذا النموذج على انتظار Swin Transformer, وأُضيفت شبكة الشبكة العصبية المُتقَطعَة (CNN) والتجويف المثقب الفضائي ASPP إلى شبكة Swin Transformer الأساسية لاستخراج المزيد من معلومات الميزات ذات الحجم المختلف, وتغمقي شبكة فرز الميزات (FPN) في فكرة الفك تحتوي على هيكل الفرز المختلط لدمج معلومات الميزات البيولوجية غنية منخفضة الطبيعية ومرتفعة. استخدمنا بيانات Gao fen-7 (GF-7) متعددة الطيف الفضائي وصور تحلق بدون طيار مع نقاط السحابة النشطة لبناء 3 مجموعات بيانات للتحسس عن بُعد, وقمنا بتحليل ومقارنة نتائج تصنيف نموذج SegFormer وتحسين نموذج Swin Transformer الذي قمنا بتحسينه في هذا البحث, وقررنا مدى أداء نموذج SSAFormer في تصنيف مجموعات الغابات الحمراء. تُظهر النتائج أنه (1) بالمقارنة مع SegFormer, تحسن SSAFormer التصنيف الدقيق للغابات الحمراء, وزادت دقة الكل بمقدار 1.77% - 5.30%, وكان أعلى كواكب 0.8952, وزادت متوسط مطابقة العنصر ومطابقة الاتحاد MIoU بنسبة 7.68% الأكبر, (2) في مجموعة بيانات الطيف الفضائي GF-7, وصلت نسبة النجاح الكلي (OA) بنسبة 91% , وفي مجموعات البيانات UAV-LiDAR, زاد MIoU إلى 57.68%, وفي مجموعات البيانات UAV-LiDAR التي تضم ميزة الطيف الضوئي, تم تحسين متوسط MIoUb بنسبة 1.48%, (3) بالمقارنة مع المجموعات البيانات UAV-LiDAR ذات الأطياف الفضائية المتعددة, زاد متوسط MIoU بنسبة 5.35%, وزاد متوسط نسبة النجاح الكلي (OA) بنسبة 1.81%, وتحسنت دقة التصنيف (F1-score) لمجموعات بيانات UAV-LiDAR التي تضم ميزة الطيف الضوئي بنسبة 2.6%, (4) نموذج SSAFormer الذي اقترحته هذه الدراسة في تصنيف نباتات الغابات الحمراء وصلت معدل نجاح التصنيف (F1-score) إلى 97.07% لنبات البيتي، ووصل معدل نجاح التصنيف (F1-score) لنبات Tung Flower إلى 91.99%, ووصل F1-score للنبات Huhaimicao إلى 93.64%, ووصل معدل نجاح F1-score للنبات Tung Flower في نموذج SSAFormer إلى 86.91% على الأعلى. يمكن لنموذج SSAFormer الذي اقترحته هذه الدراسة رفع دقة تصنيف مجموعات الغابات الحمراء بفعالية.
关键词
remote sensing;mangrove;GF-7 multispectral;UAV-LiDAR point clouds;SSAFormer;deep learning;Active and passive image combination;feature selection;Fine classification of community