陳磊士，趙俊三,董智文，朱褀夫

(1.昆明理工大學(xué) 國(guó)土資源工程學(xué)院，云南 昆明 650500；2.北京長(zhǎng)地萬方科技有限公司佛山分公司，廣東 佛山 528305)

0 引言

城市建設(shè)用地信息提取是進(jìn)行城市開發(fā)利用和環(huán)境變化研究的一項(xiàng)重要數(shù)據(jù)來源，為城市規(guī)劃管理工作提供數(shù)據(jù)參考。近年來我國(guó)城市快速發(fā)展，城市建設(shè)用地信息變化呈現(xiàn)出范圍廣、速度快的特點(diǎn)，而多光譜遙感因具有快速獲取空間連續(xù)和觀測(cè)持續(xù)的影像數(shù)據(jù)能力，成為快速獲取城市建設(shè)用地信息的重要方法[1]，國(guó)內(nèi)外已有大量取得了較好效果的相關(guān)研究。為了進(jìn)一步提高遙感影像圖精度，深度學(xué)習(xí)技術(shù)逐漸在信息提取、遙感影像分類、變化監(jiān)測(cè)等領(lǐng)域廣泛應(yīng)用。但基于深度學(xué)習(xí)技術(shù)的影像分類應(yīng)用目前較少，劉亞丹[2]在遙感影像分類任務(wù)上的嘗試較具有代表性。與以支持向量機(jī)為例的傳統(tǒng)方法相比，深度學(xué)習(xí)技術(shù)在影像空間分布規(guī)律上的挖掘精度更加準(zhǔn)確，高常鑫[3]等通過分層方法建立深度學(xué)習(xí)模型，完成了對(duì)影像的高精度分類；張?chǎng)锡圼4]等通過提取變化和未變化區(qū)域深層特征有效辨別變化區(qū)域，闞希[5]等利用多光譜衛(wèi)星遙感和深度學(xué)習(xí)方法進(jìn)行青藏高原積雪判識(shí)研究，取得了較好結(jié)果；鮑江峰[6]將深度置信網(wǎng)絡(luò)應(yīng)用于探測(cè)墨西哥灣溢油區(qū)域情況。而在西南地區(qū)高原山地城市應(yīng)用深度學(xué)習(xí)進(jìn)行多光譜遙感影像快速提取城市建設(shè)用地信息的研究較為鮮見。

機(jī)器學(xué)習(xí)是人工智能的核心，隨著當(dāng)前機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)模型憑借多隱層結(jié)構(gòu)優(yōu)勢(shì)，被廣泛應(yīng)用于多個(gè)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)是前饋神經(jīng)網(wǎng)絡(luò)的一種，其特點(diǎn)包括：局部感知域、權(quán)值共享域和池化，對(duì)于影像的提取分類有明顯優(yōu)勢(shì)，其層次多、容量大的優(yōu)點(diǎn)滿足了影像分類中對(duì)大量數(shù)據(jù)處理的需要，近年來在遙感影像分類處理領(lǐng)域取得了很好的成果[7]。本文分別對(duì)Landsat8 OLI_TIRS遙感影像使用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行城市建設(shè)用地分類提取處理，使用BP神經(jīng)網(wǎng)絡(luò)作為對(duì)照實(shí)驗(yàn)組，按照對(duì)象個(gè)數(shù)、對(duì)象面積和地表覆被吻合度3種提取精度評(píng)價(jià)指數(shù)對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)分析[8]。

1 研究區(qū)概況

曲靖是云南省下轄地級(jí)市，位于云南省東部，與貴州省、廣西壯族自治區(qū)毗鄰，有“云南咽喉”之稱。國(guó)土總面積2.89萬km2，地跨東經(jīng)102°42′-104°50′，北緯24°19′-27°03′?？?cè)丝?34萬人。世居漢、彝、回、壯、布依、苗、水、瑤等8個(gè)主體民族，其中少數(shù)民族49.03萬人。是云南省僅次于昆明的重要工商業(yè)城市，也是省區(qū)域中心城市和第二大綜合性城市。境內(nèi)土壤類型從赤紅壤到亞高山草甸土均有分布，土壤地理分布具有明顯的垂直帶和一定的水平差距，自1971-2000年間的日平均氣溫為14.4℃，年平均降水985.8mm，全市屬于低緯度地區(qū)高原山地季風(fēng)性氣候[9]。

曲靖市主城區(qū)概況如圖1所示，其東與富源縣接壤，南與羅平縣、陸良縣毗鄰，西與馬龍縣交界，北與沾益區(qū)相連，根據(jù)云南省第二次土地調(diào)查結(jié)果顯示，主城區(qū)總面積為1 201.01km2，截至2013年底人口達(dá)到100萬人，近年來隨著城市的快速發(fā)展，建成區(qū)范圍擴(kuò)展迅速，對(duì)城市建設(shè)用地信息快速提取的需求持續(xù)加大。其主城區(qū)由9部分組成：麒麟?yún)^(qū)南寧街道、建寧街道、寥廓街道、白石江街道、三寶街道、珠街街道、沿江街道、西城街道和馬龍縣通泉鎮(zhèn)及沾益縣西平鎮(zhèn)。

圖1 研究區(qū)概況

2 數(shù)據(jù)來源與預(yù)處理

2.1 數(shù)據(jù)來源

本研究采用的數(shù)據(jù)源包括：2015年11月20日的Landsat8 OLI_TIRS遙感影像，數(shù)據(jù)標(biāo)識(shí)碼為L(zhǎng)C81290422015324LGN00，分辨率為30m，接收站LGN，中心經(jīng)度103.457，太陽(yáng)高度角40.74°，太陽(yáng)方位角155.83°，條帶號(hào)129，行編號(hào)42。輔助數(shù)據(jù)包括：曲靖市主城區(qū)矢量范圍線，用于研究區(qū)范圍劃定；曲靖市土地利用現(xiàn)狀圖(2015年)及野外調(diào)研資料，用于地類提取過程中樣本選取與精度評(píng)定；SRTM.V4曲靖市30m精度DEM數(shù)據(jù)，用于影像地形校正。

2.2 預(yù)處理

使用FLAASH大氣校正工具，F(xiàn)LAASH模塊能夠精確補(bǔ)償大氣影像，導(dǎo)入Landsat8影像數(shù)據(jù)配套MLT文件相關(guān)參數(shù)，輻射率單位調(diào)整系數(shù)設(shè)定為0.1，大氣模型參數(shù)則按照氣候模型設(shè)定[10]。

對(duì)數(shù)據(jù)進(jìn)行地形校正地理編碼(GTC)，配合已有的SRTM.V4曲靖市30m精度DEM數(shù)據(jù)，與地理坐標(biāo)系建立映射關(guān)系后進(jìn)行地形校正。選擇C模型法校正地形，C模型是一種應(yīng)用半經(jīng)驗(yàn)系數(shù)C的基于余弦校正的模型[11]，其公式為：

(1)

其中，LH代表校正后像素輻射量度，LT代表校正前像素輻射量度；θs為太陽(yáng)天頂角，i為太陽(yáng)有效入射角；c為半經(jīng)驗(yàn)系數(shù)，無明確物理含義。

選擇ENVI軟件中提供的二次多項(xiàng)式法為幾何校正方法，將誤差控制在0.5個(gè)像元之內(nèi)，完成遙感影像預(yù)處理過程[12]。

3 卷積神經(jīng)網(wǎng)絡(luò)模型

3.1 基本結(jié)構(gòu)

經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)主要組成部分包括輸入層、卷積層、池化層、全連接層和輸出層5個(gè)部分[13]。卷積神經(jīng)網(wǎng)絡(luò)模型的運(yùn)算通常為先輸入原始圖像X，再通過卷積層得到特征圖，本文用Hi表示卷積神經(jīng)網(wǎng)絡(luò)第i層的特征圖(H0=X)。設(shè)Hi為卷積層，則Hi特征圖產(chǎn)生過程如式(2)所示。

Hi=f(Hi-1?Wi+bi)

(2)

其中，Wi為第i層卷積核權(quán)值向量，運(yùn)算符號(hào)“?”代表第i-1層圖像或者特征圖與卷積核進(jìn)行的一系列卷積操作，卷積操作后得到圖形，與第i層的偏移向量bi相加，最后使用非線性激勵(lì)函數(shù)f(x)進(jìn)行非線性計(jì)算，得到第i層特征圖。

卷積層之后與之相連的通常是池化層，將特征圖根據(jù)一定的池化規(guī)則進(jìn)行池化[7]。池化層主要是將特征圖進(jìn)行降維的同時(shí)，在一定程度上維持特征的尺度不變特性。池化層工作原理如式(3)所示。

Hi=subsampling(Hi-1)

(3)

在通過多個(gè)池化層和卷積層的相互傳遞后，卷積神經(jīng)網(wǎng)絡(luò)模型通過全連接網(wǎng)絡(luò)對(duì)目標(biāo)對(duì)象特征進(jìn)行針對(duì)性提取和分類，基于輸入對(duì)象得到概率分布Y(li表示第i個(gè)標(biāo)簽類別)[8]。如式(4)所示，卷積神經(jīng)網(wǎng)絡(luò)的本質(zhì)是基于特征尺度不變特性的前提下，將原始矩陣(H0)經(jīng)過降維，在多層次的數(shù)據(jù)變換后，映射到一個(gè)新的特征表達(dá)(Y)數(shù)學(xué)模型中。

Y(i)=P(L=li|H0;W,b))

(4)

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目的是將網(wǎng)絡(luò)損失函數(shù)L最小化。輸入H0進(jìn)行前向傳導(dǎo)，再通過損失函數(shù)計(jì)算出目標(biāo)與期望值之間的殘差。常見損失函數(shù)有均方誤差(Mean Squared Error, MSE)函數(shù)和負(fù)對(duì)數(shù)似(Negative Log Likelihood, NLL)函數(shù)[8]，如式(5)、式(6)所示。

(5)

(6)

最終，損失函數(shù)通常通過增加L2減輕過擬合問題，通過參數(shù)λ(weight decay)控制過擬合作用的強(qiáng)度，通過范數(shù)控制權(quán)值的過擬合[9]，如式(7)所示。

(7)

卷積神經(jīng)網(wǎng)絡(luò)通常使用梯度下降方法作為訓(xùn)練的優(yōu)化方法。殘差經(jīng)過梯度下降進(jìn)行反向傳播，進(jìn)而逐層更新卷積神經(jīng)網(wǎng)絡(luò)的每層可訓(xùn)練參數(shù)(W和b)。其中學(xué)習(xí)速率參數(shù)(η)控制殘差梯度下降時(shí)反向傳播的強(qiáng)度[14]，如式(8)、式(9)所示。

(8)

(9)

3.2 基本原理

20世紀(jì)90年代，LeCun等在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上引入了卷積核池化概念，首次提出了卷積神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層、分類層和輸出層構(gòu)成。在具體的應(yīng)用中池化層和卷積層的參數(shù)、層數(shù)及全連接運(yùn)層類器類型可隨之改變，其基本原理[15]如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)基本原理

(1)輸入層。輸入一幅大小規(guī)范的二維圖像。

(2)卷積層。通過卷積處理將輸入的圖像分為4個(gè)特征圖。

(3)池化層。將C1層中得到的毎一個(gè)特征圖相鄰局部區(qū)域進(jìn)行加權(quán)運(yùn)算，再乘以—個(gè)乘子偏差，加上一個(gè)附加偏差，最后通過一個(gè)激勵(lì)函數(shù)在下采樣層S1得到4個(gè)特征圖，池化層計(jì)算公式如式(10)所示。

(10)

(4)重復(fù)(2)、(3)后得到C2和S2層，使特征圖通過不斷卷積和池化處理縮小，直到最后一次卷積得到一維數(shù)據(jù)。

(5)通過一系列的卷積和池化后，在最后一層一維池化層后加入特定的分類器進(jìn)行數(shù)據(jù)識(shí)別分類。

4 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)的精度，本文基于深度學(xué)習(xí)框架MXNet系統(tǒng)，以GoogleNet Inception V3為分類器，并以常用的BP神經(jīng)網(wǎng)絡(luò)作為對(duì)比方法，對(duì)圖像標(biāo)準(zhǔn)化處理后，輸入不同網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練、驗(yàn)證和預(yù)測(cè)，比較兩種不同提取方法的提取效果，兩種提取方法的影像數(shù)量統(tǒng)計(jì)如表1所示。

在模型訓(xùn)練過程中，為了控制殘差反向傳播及網(wǎng)絡(luò)穩(wěn)定性，設(shè)置學(xué)習(xí)率初始值為0.01，根據(jù)不同提取方法對(duì)應(yīng)調(diào)整每一批訓(xùn)練樣本的批大小(batch size)，對(duì)以標(biāo)準(zhǔn)化方式處理后的區(qū)域多邊形影像對(duì)象分別進(jìn)行30次訓(xùn)練，并記錄其提取精度[16]。

表1 不同提取方法下對(duì)象數(shù)目統(tǒng)計(jì)

使用卷積神經(jīng)網(wǎng)絡(luò)提取的曲靖市主城區(qū)建筑用地范圍如圖3所示，為了評(píng)價(jià)卷積神經(jīng)網(wǎng)絡(luò)對(duì)城市建設(shè)用地信息遙感影像的提取能力，本文提取了BP神經(jīng)網(wǎng)絡(luò)對(duì)研究區(qū)域進(jìn)行城市建設(shè)用地作為卷積神經(jīng)網(wǎng)絡(luò)的對(duì)照組[17]，在提取過程中，影像預(yù)處理階段采用與卷積神經(jīng)網(wǎng)絡(luò)相同的參數(shù)設(shè)置[18]，在分類器訓(xùn)練和提取階段均采用相同的參數(shù)設(shè)置。兩種提取方法下建設(shè)用地信息提取的精度對(duì)比如表2所示，在對(duì)象個(gè)數(shù)、對(duì)象面積和地表覆被吻合度提取精度的評(píng)價(jià)方法中，卷積神經(jīng)網(wǎng)絡(luò)的提取精度達(dá)到92.99%、94.78%和89.64%，遠(yuǎn)高于常用的BP神經(jīng)網(wǎng)絡(luò)提取精度：75.42%、80.76%和78.97%，證明卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于實(shí)驗(yàn)區(qū)城市建設(shè)用地取得了較高的提取精度。

表2 不同提取方法下提取精度對(duì)比

由此可知，根據(jù)不同的精度評(píng)價(jià)方法，卷積神經(jīng)網(wǎng)絡(luò)的提取精度在道路信息提取和其它建筑用地提取上精度明顯高于BP神經(jīng)網(wǎng)絡(luò)法。如圖4所示，在圖像細(xì)節(jié)特征分類提取中，尤其在城市道路的提取上，卷積神經(jīng)網(wǎng)絡(luò)法相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)法，其精度有了顯著提高。因此無論是在數(shù)據(jù)上還是在效果圖上，均表現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)法在滇中城市多光譜影像建設(shè)用地提取研究中體現(xiàn)了較高的提取精度。

圖3 使用卷積神經(jīng)網(wǎng)絡(luò)的曲靖市主城區(qū)建筑用地提取

圖4 建筑用地提取影像提取精度局部對(duì)比

經(jīng)過實(shí)驗(yàn)可知，相比于以卷積神經(jīng)網(wǎng)絡(luò)模型為代表的深度學(xué)習(xí)城市建設(shè)用地提取方法，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本較少時(shí)能取得一定效果，但當(dāng)訓(xùn)練樣本較多時(shí)或地類特征差異較明顯時(shí)，提取效果比卷積神經(jīng)網(wǎng)絡(luò)差，且BP神經(jīng)網(wǎng)絡(luò)在該類具有針對(duì)性的分類提取應(yīng)用中，隨著分類器的不同會(huì)產(chǎn)生差別較大的特征判定，使其在進(jìn)行有針對(duì)性的分類提取工作中收到局限性影像。與之相比，卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)識(shí)別、學(xué)習(xí)并存儲(chǔ)目標(biāo)結(jié)構(gòu)特征，同時(shí)自主改進(jìn)識(shí)別模式[19]，因此在進(jìn)行多光譜影像建設(shè)用地信息提取中具有明顯優(yōu)勢(shì)，尤其是在以曲靖市為代表的滇中城市取得了較好提取效果。

5 結(jié)語(yǔ)

以曲靖市主城區(qū)為例，本文使用以卷積神經(jīng)為代表的深度學(xué)習(xí)方法對(duì)該區(qū)域Landsat8 OLI_TIRS多光譜遙感影像數(shù)據(jù)進(jìn)行城市建設(shè)用地信息提取，將當(dāng)前機(jī)器學(xué)習(xí)技術(shù)中較為前沿與熱門的深度卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于多光譜影像城市建設(shè)用地影像提取，研究對(duì)比了BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)兩種機(jī)器學(xué)習(xí)算法的提取精度，驗(yàn)證了深度學(xué)習(xí)技術(shù)在城市建筑用地遙感影像提取中具有一定優(yōu)勢(shì)。但在進(jìn)行Landsat8 OLI_TIRS數(shù)據(jù)預(yù)處理時(shí)，在多光譜影像提取波段的選擇上未進(jìn)行足夠全面的分析和評(píng)價(jià)，可能會(huì)影響后續(xù)處理精度[20]。另外，本文提取方法對(duì)城市大范圍建成區(qū)域和城市道路的提取效果較好，但對(duì)以鄉(xiāng)鎮(zhèn)為代表的小尺度建設(shè)用地提取仍存在一定改進(jìn)空間，深度學(xué)習(xí)相關(guān)理論研究和技術(shù)實(shí)現(xiàn)領(lǐng)域仍有很大空間有待拓展。本文利用深度卷積神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)兩種分類器進(jìn)行監(jiān)督分類，人工選取樣本，并結(jié)合已有資料和野外調(diào)研數(shù)據(jù)，雖然精度較高但較繁瑣，下一步可展開對(duì)樣本自動(dòng)選取的研究，提高提取工作的簡(jiǎn)便性和適用性，尤其是結(jié)合現(xiàn)有機(jī)器學(xué)習(xí)方法，未來有廣闊的研究空間[21]。