基于Keras构建卫星图像到冠层高度的回归模型技术咨询

1. 适配任务的基础Sequential模型代码 #

你的任务属于图像到图像的回归任务，输入为5×5×3的RGB卫星图像，输出为5×8的单波段冠层高度数据。基础模型可采用卷积+转置卷积结构，既保留空间特征，又能精准调整输出尺寸：

from keras.models import Sequential
from keras.layers import Conv2D, Conv2DTranspose, BatchNormalization, Activation

# 定义模型
model = Sequential([
    # 输入层：匹配(5,5,3)的输入尺寸
    Conv2D(32, (3,3), padding='same', input_shape=(5,5,3)),
    BatchNormalization(),
    Activation('relu'),
    
    Conv2D(64, (3,3), padding='same'),
    BatchNormalization(),
    Activation('relu'),
    
    # 转置卷积将宽度从5扩展到8，保持高度5不变
    Conv2DTranspose(32, (3,3), strides=(1, 2), padding='same', output_padding=(0,1)),
    BatchNormalization(),
    Activation('relu'),
    
    # 输出层：单波段(5,8,1)，线性激活适配连续值回归
    Conv2D(1, (3,3), padding='same', activation='linear')
])

# 查看模型结构
model.summary()

模型说明： #

• 普通卷积层负责提取输入图像的空间特征
• Conv2DTranspose（转置卷积）配合步长和输出补零，实现从5到8的宽度扩展
• 最终线性激活层输出连续的冠层高度值，符合回归任务需求

2. 合适的损失函数与编译代码 #

你的任务是回归任务，提供的categorical_crossentropy是多分类任务损失，完全不适用。以下是两组适配的编译方案：

方案一：均方误差（MSE）优先（推荐） #

MSE对较大预测误差惩罚更重，适合追求高精度拟合的场景：

model.compile(
    optimizer='adam',
    loss='mse',
    metrics=['mse', 'mae']
)

方案二：平均绝对误差（MAE）优先 #

MAE对异常值鲁棒性更强，若冠层高度数据存在大量极端值（如超高/超低冠层），可选择此方案：

model.compile(
    optimizer='adam',
    loss='mae',
    metrics=['mae', 'mse']
)

注意： #

• mape（平均绝对百分比误差）需谨慎使用，若真实值存在0会导致计算错误
• adam优化器因自适应学习率，适配大多数回归任务

3. 是否需要对输出数据集进行归一化 #

强烈建议对输出的冠层高度数据进行归一化，原因如下：

1. 冠层高度数值范围通常较大（如0到数十米），归一化可缩小数值区间，避免梯度爆炸/消失，加速模型收敛
2. 归一化能让不同量级的特征对模型的影响更均衡

归一化实现示例： #

使用MinMaxScaler将输出值缩放到0-1区间，训练完成后再反归一化得到真实高度：

from sklearn.preprocessing import MinMaxScaler

# 将Y从(样本数,5,8)转为(样本数*5*8, 1)，便于归一化
y_flatten = Y.reshape(-1, 1)
scaler = MinMaxScaler()
y_flatten_scaled = scaler.fit_transform(y_flatten)

# 还原为原形状(样本数,5,8)
Y_scaled = y_flatten_scaled.reshape(Y.shape)

# 分割数据集时使用归一化后的Y
x_train, x_test, y_train, y_test = train_test_split(X, Y_scaled, test_size=0.25)

# 预测后反归一化得到真实冠层高度
y_pred_scaled = model.predict(x_test)
y_pred_flatten = y_pred_scaled.reshape(-1,1)
y_pred = scaler.inverse_transform(y_pred_flatten).reshape(y_pred_scaled.shape)

关键提示： #

• 仅用训练集拟合归一化器（scaler.fit只在训练集执行），避免数据泄露
• 若冠层高度分布接近正态分布，也可使用StandardScaler（标准化为均值0、方差1）

优化后的完整代码（整合数据加载+归一化+模型） #

import os
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Conv2D, Conv2DTranspose, BatchNormalization, Activation
from PIL import Image

# 加载输入数据X并归一化
X = []
train_folder = 'D:/satellite/data/train/'
for file in os.listdir(train_folder):
    if file.endswith('.png'):
        img = Image.open(os.path.join(train_folder, file))
        X.append(np.array(img))
X = np.array(X) / 255.0  # 归一化到0-1

# 加载输出数据Y并归一化
Y = []
train_folder_y = 'D:/canopy/data/train/'
for file in os.listdir(train_folder_y):
    if file.endswith('.png'):
        img = Image.open(os.path.join(train_folder_y, file))
        Y.append(np.array(img))
Y = np.array(Y)

# 对Y进行归一化处理
y_flatten = Y.reshape(-1, 1)
scaler = MinMaxScaler()
y_flatten_scaled = scaler.fit_transform(y_flatten)
Y_scaled = y_flatten_scaled.reshape(Y.shape)

# 分割训练/测试集
x_train, x_test, y_train, y_test = train_test_split(X, Y_scaled, test_size=0.25)

# 定义模型
model = Sequential([
    Conv2D(32, (3,3), padding='same', input_shape=(5,5,3)),
    BatchNormalization(),
    Activation('relu'),
    Conv2D(64, (3,3), padding='same'),
    BatchNormalization(),
    Activation('relu'),
    Conv2DTranspose(32, (3,3), strides=(1, 2), padding='same', output_padding=(0,1)),
    BatchNormalization(),
    Activation('relu'),
    Conv2D(1, (3,3), padding='same', activation='linear')
])

# 编译模型（选用MSE方案）
model.compile(optimizer='adam', loss='mse', metrics=['mse', 'mae'])

# 训练模型
history = model.fit(
    x_train, y_train,
    batch_size=32,
    epochs=50,
    validation_data=(x_test, y_test)
)

# 预测并反归一化得到真实高度
y_pred_scaled = model.predict(x_test)
y_pred = scaler.inverse_transform(y_pred_scaled.reshape(-1,1)).reshape(y_pred_scaled.shape)

内容的提问来源于stack exchange，提问作者pnz1337