原名：Developing an intelligent cloud attention network to support global urban green spaces mapping
译名：发展智能云注意力网络，助力全球城市绿地测绘
期刊：ISPRS Journal of Photogrammetry and Remote Sensing （IF=11.774）
发表时间：2023.04
DOI：10.1016/j.isprsjprs.2023.03.005
简讯：
城市绿色空间（UGS）对于调节城市生态系统、气候、环境和公共卫生等问题至关重要。随着遥感技术的发展，遥感影像已成为UGS监测的有效手段。然而，云遮挡是光学遥感影像不可避免的问题，为UGS测绘带来很大不确定性。为此，本文通过结合Sentinel-2多光谱影像与众源地理空间数据，基于注意力机制提出了一种获取空间连续且高质量的UGS地图的方法。所提方法包含三部分：（1）辅助数据预处理模块，将众源地理空间数据转换为辅助地图；（2）云注意力智能网络（CAI-net）模块，从卫星影像和辅助地图中检索云遮挡下的UGS类；（3）无云区域分类模块，提取无云区域的UGS。最终，将所提方法应用于生产全球空间连续UGS地图。结果表明，当影像的云覆盖范围在0-50%之间，所提方法的平均总体精度可达92.96%。本文发表于期刊ISPRS Journal of Photogrammetry and Remote Sensing。
一、研究背景：
城市绿色空间（UGS）是指城市内部的树木、草地、湿地和水体等自然地物。认知UGS的空间格局是维系城市生态系统服务和可持续发展等领域的重要基础。随着中高分辨率遥感成像技术的发展，许多研究研制了城市、国家和全球尺度的UGS地图，但是局限于无云影像制图。而云遮挡是光学遥感影像不可避免的问题，特别在热带和亚热带地区，致使现有产品的空间不连续。目前的解决方案多为采用多时相或多源数据，但鲜有学者探讨众源地理空间数据提高云遮档下UGS制图精度的可行性。
本文结合Sentinel-2多光谱影像与众源地理空间数据，改进全球范围内的云遮挡区域的UGS制图。主要研究内容包括：
（1）提出了一种空间连续且高质量的UGS制图方法，包含辅助数据预处理模块、云注意力智能网络（CAI-net）模块以及无云区域分类模块；
（2）生成一套高质量的全球UGS产品。
二、研究方法：
实验的整体流程如图1所示。所使用的数据主要包括Sentinel-2A和HLS遥感影像和OSM数据、全球地表水数据集GSWO等辅助数据。
（1）辅助数据预处理模块
对于OSM的POI数据，在ArcGIS中使用10米带宽的核密度估计生成密度图。然后与GSWO数据集的水体像素聚合，得到辅助地图。
（2）云注意力智能网络（CAI-net）模块
如图2所示，CAI-net包含云检测模块CDM和云分类模块CCM。CDM使用全卷积网络提取局部—全局深度云特征，并通过位置和光谱注意力增强云上下文语义特征，自适应地突出主要信息并抑制云遮挡影像的噪声。CCM相比于CDM增加了（i）基于辅助地图提取云遮挡区域的UGS特征；以及（ii）逐元素求和以更新CDM的云注意力。两个阶段均使用卷积LSTM细化云注意力图，并进一步通过边界增强模块改善UGS的边界。
（3）无云区域分类模块
使用地理空间神经网络在遥感影像中提取无云区域的UGS。
三、研究结果：
（1）与不同方法的对比
为了评估CAI-net的性能，本文采用不同的方法（DeepLab v3plus、FCN、地理空间神经网络）在不同城市覆盖场景中提取UGS，并进行对比。提取结果如图3所示，DeepLab v3plus、FCN、地理空间神经网络在无云区域取得了较好的制图结果，但针对云遮档区域的识别则无能为力。本文的CAI-net则可以有效识别云遮档下的UGS类别。表1的定量结果同样支持了这一结论。
图3：不同方法在不同城市覆盖场景对UGS的提取效果。（a）Sentinel-2影像；（b）标签；（c）DeepLab v3plus；（d）FCN；（e）地理空间神经网络；（f）CAI-net。
表1：四种方法的定量评估结果。
（2）不同地理环境的UGS制图性能
本文选择了三种不同模式的城市（背景、武汉和广州），测试CAI-net对云遮档下UGS的识别能力。所提CAI-net可以从三种城市模式中生成空间连续的UGS地图。三个城市的平均总体精度达到了94.38%，平均Kappa达0.901。
（3）全球UGS制图
本文选择HLS数据和众源地理空间数据作为绘制全球UGS的数据源。所选1080个城市分布如图5所示。图6展示了6个不同气候带的城市的制图结果，CAI-net可以很好的捕捉全球不同气候带的UGS空间格局。
四、研究意义：
本文提出了一种基于智能云注意力网络的时空连续UGS制图方法。注意力机制的引入消除了云遮档的影响，进而提供不同地理环境下的高质量UGS地图。但当云量大于 50% 时，CAI-net无法提取精细的UGS类别，而且性能依赖于辅助数据的质量。
五、引用格式：
Chen Y, Weng Q, Tang L, et al. Developing an intelligent cloud attention network to support global urban green spaces mapping[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 198: 197-209.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
