滕文秀，王 妮，施慧慧，許振宇

(1. 南京林業(yè)大學(xué)林學(xué)院，江蘇 南京 210037； 2. 滁州學(xué)院地理信息與旅游學(xué)院，安徽 滁州 239000； 3. 安徽省地理信息智能感知與服務(wù)工程實(shí)驗(yàn)室，安徽 滁州 239000)

樹種分類對森林資源管理和森林資源監(jiān)測具有重要意義[1]。傳統(tǒng)樹種調(diào)查方法主要依賴于實(shí)地調(diào)查或利用大比例尺航片進(jìn)行人工判讀[2]，該方法成本高且效率低下。高分辨率遙感圖像具有豐富的光譜和空間信息，為樹種分類提供了一種高效的方式?，F(xiàn)有的樹種分類方法主要采用手工提取特征結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)的方法。文獻(xiàn)[3]綜合利用光譜、紋理、植被指數(shù)、時相、地形等特征，在不同層次上采用適用于該層的支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)、多分類器組合(multiple classifier combination，MCC)等分類方法。文獻(xiàn)[4]利用光譜和紋理特征結(jié)合隨機(jī)森林(random forest，RF)和支持向量機(jī)(support vector machine，SVM)進(jìn)行樹種分類。文獻(xiàn)[5]探討不同移動窗口大小對紋理特征的影響，選擇合適的窗口大小及紋理因子組合提高了樹種分類精度。上述方法取得了較好的分類結(jié)果，但手工提取特征的方式自動化程度低，而且這些特征是針對特定研究區(qū)特定任務(wù)設(shè)計(jì)的，如果使用在其他研究區(qū)其他任務(wù)上錯誤率可能顯著提高，這種特征具有不可遷移性。深度學(xué)習(xí)[6]是人工智能的重要進(jìn)展之一，它顛覆了傳統(tǒng)算法的設(shè)計(jì)思路，能夠自動從數(shù)據(jù)中學(xué)習(xí)特征，避免了傳統(tǒng)算法中人工設(shè)計(jì)、提取特征的復(fù)雜性和局限性，在沒有人為干預(yù)的情況下，具有極大的特征學(xué)習(xí)潛力，特別是深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,CNN)[7]已經(jīng)被廣泛用于遙感圖像的分類、提取、識別和檢索，基本全面超越了傳統(tǒng)方法[8]。為此本文將深度學(xué)習(xí)技術(shù)和高分影像樹種分類相結(jié)合，提出一種結(jié)合面向?qū)ο蠛蜕疃忍卣鞯母叻钟跋駱浞N分類方法，實(shí)現(xiàn)端到端的樹種分類，可以為森林資源管理和監(jiān)測提供技術(shù)支持。

1 研究區(qū)概況與數(shù)據(jù)來源

皇甫山國家森林公園位于安徽省滁州市，地處北亞熱帶溫潤性季風(fēng)氣候區(qū)，海拔399.2 m，占地面積35 533 km2，是皖東地區(qū)保存最完整、面積最大的原始次生林國家森林公園。保護(hù)區(qū)森林覆蓋率達(dá)到96%，區(qū)內(nèi)建設(shè)有皇甫林場，以人工林著稱，主要分布具備根系發(fā)達(dá)、樹冠濃密、落葉豐富易分解、生長迅速、郁閉緊密等特點(diǎn)的樹種，在江淮流域地區(qū)植被類型有一定的代表性。其中，以松(pinus)和麻櫟(quercus acutissima)為主，占總株數(shù)的60%左右，其他數(shù)量較多的樹種還有刺槐(robinia pseucdoacacia)、楊樹(populus)、柳樹(salicaceae)、楓香樹(liquidambar formosana)，以及輔助經(jīng)濟(jì)樹種，如桃樹(persica)等。本文采用2017年2月QuickBird遙感影像數(shù)據(jù)，像素分辨率為0.61 m，區(qū)域無云覆蓋，質(zhì)量較好，利用二類調(diào)查成果與野外調(diào)查成果驗(yàn)證樹種分類精度。

2 研究方法

針對現(xiàn)有樹種分類方法采用人工提取特征自動化程度低并具有不可遷移性的問題，提出了一種結(jié)合面向?qū)ο蠛蜕疃葘W(xué)習(xí)的高分影像樹種分類方法。為了獲取精確的樹種邊界，首先利用多尺度分割技術(shù)分割整幅遙感影像，并選擇訓(xùn)練樣本作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入。為了避免樣本數(shù)量少導(dǎo)致過擬合問題，采用遷移學(xué)習(xí)方法，使用ImageNet上訓(xùn)練的VGG16模型參數(shù)初始化深度卷積神經(jīng)網(wǎng)絡(luò)，并利用全局平局池化壓縮參數(shù)，在網(wǎng)絡(luò)最后添加1024個節(jié)點(diǎn)的全連接層和7個節(jié)點(diǎn)的Softmax分類器層，利用反向傳播和Adam優(yōu)化算法訓(xùn)練網(wǎng)絡(luò)。最后分類整幅遙感影像，生成樹種專題地圖。本文分類流程如圖1所示。

圖1 結(jié)合面向?qū)ο蠛蜕疃冗w移學(xué)習(xí)的高分影像樹種分類流程

2.1 面向?qū)ο蠖喑叨确指?/h2>

現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像制圖方法中，滑動窗口方法沒有考慮像素的空間和光譜相關(guān)性，生成塊狀專題地圖，地圖邊界模糊[9]，而像素級別的分類效率較低，容易出現(xiàn)“椒鹽現(xiàn)象”，已經(jīng)被證明不適合高空間分辨率遙感影像制圖[10]。為了獲得更精確的樹種專題地圖，本文引入面向?qū)ο蠹夹g(shù)，首先利用圖像分割技術(shù)分割整個遙感影像。圖像分割技術(shù)面向?qū)ο蠓诸惖幕A(chǔ)，它在整個影像信息提取中有著非常重要的作用。多尺度分割技術(shù)[11]是指采取不同的分割尺度對不同尺度的圖像對象層次進(jìn)行分割，進(jìn)而生成一個由不同尺度數(shù)據(jù)構(gòu)成的影像層次網(wǎng)狀結(jié)構(gòu)。它采用一種自下而上的分割算法，合并異質(zhì)性閾值以內(nèi)的空間鄰近對象，逐漸合并對象由小及大，循環(huán)往復(fù)，直至沒有相鄰對象小于異質(zhì)性閾值，最終結(jié)束合并。多尺度分割算法中需要設(shè)置的參數(shù)包括尺度參數(shù)、形狀因子的權(quán)重和緊致因子的權(quán)重，影像分割后的區(qū)域在光譜信息上有一定的相似性，同時也有紋理、大小或上下文之間的一致性。通常假設(shè)每個區(qū)域中的全部像素都是屬于一個類別的，但在實(shí)際應(yīng)用中很難成立，為了避免一個對象中包含多個樹種對分類產(chǎn)生影響，本文采用過分割的方式分割整幅遙感影像，確保區(qū)域內(nèi)的像素具有相同的樹種類別。本文選取最優(yōu)分割尺度為35，最優(yōu)形狀因子為0.6，緊致度為0.4。多尺度分割后選擇部分對象作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

2.2 結(jié)合深度遷移學(xué)習(xí)的高分影像樹種分類模型

深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)數(shù)量多，利用少量的樣本訓(xùn)練一個深度卷積神經(jīng)網(wǎng)絡(luò)會導(dǎo)致過擬合問題，為此本文引入遷移學(xué)習(xí)方法，避免過擬合問題并加速網(wǎng)絡(luò)的學(xué)習(xí)和優(yōu)化。為了避免樣本數(shù)量少導(dǎo)致過擬合問題，采用遷移學(xué)習(xí)方法，使用ImageNet[12]上訓(xùn)練的VGG16模型參數(shù)初始化深度卷積神經(jīng)網(wǎng)絡(luò)，并利用全局平局池化壓縮參數(shù)，在網(wǎng)絡(luò)最后添加1024個節(jié)點(diǎn)的全連接層和7個節(jié)點(diǎn)的Softmax分類器層，最后利用反向傳播和Adam優(yōu)化算法訓(xùn)練網(wǎng)絡(luò)。本文設(shè)計(jì)的高分影像樹種分類模型如圖2所示。

圖2 高分影像樹種分類模型

卷積和池化層：將大型卷積及神經(jīng)網(wǎng)絡(luò)模型VGG16去掉全連接層，利用剩余的卷積和池化層提取樹種影像的特征圖。假設(shè)輸入樹種影像為I，F(xiàn)i為卷積神經(jīng)網(wǎng)絡(luò)第i層的特征圖(F0=I)，卷積和池化操作可分別表示為

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

(1)

Fi=subsampling(Fi-1)

(2)

式中，Wi為第i層卷積核的權(quán)值；?代表卷積核與第i-1層圖像或特征圖進(jìn)行卷積操作，卷積的輸出與第i層的偏移bi相加，最終通過非線性的激活函數(shù)f(x)得到第i層的特征圖Fi；subsampling為下采樣(池化)函數(shù)，修正線性單元(Relu)作為激活函數(shù)，可表示為

(3)

(4)

全連接層：經(jīng)過特征提取和全局平局池化后，將全局平局池化后的所有特征值與全連接層每個節(jié)點(diǎn)連接，VGG16包含兩個4096個節(jié)點(diǎn)的全連接層，由于本文數(shù)據(jù)量較少，為了避免過擬合問題，本文利用一個1024個節(jié)點(diǎn)的全連接層。

Softmax分類器：最后一層使用Softmax分類器，將網(wǎng)絡(luò)輸出的特征放到Softmax分類器中進(jìn)行分類，其類標(biāo)簽為y∈{1,2,…,K}，K為類別標(biāo)簽數(shù)量，本文N=7，分為松樹、麻櫟、楊樹、柳樹、楓香樹、毛竹、杉木7類。

對于模型的訓(xùn)練，本文利用Adam優(yōu)化算法和反向傳播更新全連接層可訓(xùn)練參數(shù)。Adam優(yōu)化算法[14]能夠自適應(yīng)選擇每個訓(xùn)練參數(shù)的學(xué)習(xí)率，并且該算法對內(nèi)存需求較小，具體表示為

(5)

(6)

3 試驗(yàn)與分析

為驗(yàn)證本文方法的有效性，采用本文方法對皇甫山森林公園的QuickBird高分影像進(jìn)行樹種分類，并利用二類調(diào)查成果與野外調(diào)查成果驗(yàn)證分類精度。首先利用多尺度分割技術(shù)分割整幅遙感影像，最優(yōu)分割尺度為35，最優(yōu)形狀因子為0.6，緊致度為0.4，然后選擇訓(xùn)練樣本，將訓(xùn)練樣本從影像中裁剪下來后縮放到模型輸入大小，本文采用預(yù)訓(xùn)練模型為VGG16[15]，模型輸入大小為224×224像素，對于模型的訓(xùn)練，速率衰減周期設(shè)置為100 epoch，Batch size設(shè)置為32，Adam優(yōu)化算法中初始學(xué)習(xí)速率設(shè)置為0.000 1，epsilon設(shè)置為10-8，速率衰減因子為0.9，訓(xùn)練過程中的精度和損失變化曲線如圖3所示，從圖中可看出，模型在前40個epoch精度迅速上升，損失迅速下降，在經(jīng)過40個epoch后基本穩(wěn)定，因此使用預(yù)訓(xùn)練模型初始化網(wǎng)絡(luò)參數(shù)能夠有效加快網(wǎng)絡(luò)的訓(xùn)練，避免過擬合問題。

圖3 訓(xùn)練精度及損失變化曲線

模型訓(xùn)練完成后對整幅遙感影像進(jìn)行分類，利用二類調(diào)查成果與野外調(diào)查成果驗(yàn)證分類精度。為了驗(yàn)證本文方法的有效性，本文分別用支持向量機(jī)、隨機(jī)森林及本文方法對樹種進(jìn)行分類，利用混淆矩陣、總體精度和Kappa系數(shù)進(jìn)行精度評價(jià)，結(jié)果見表1，制圖結(jié)果如圖4所示。本文方法樹種分類總體精度和Kappa系數(shù)分別為78.98%和0.685 0，比支持向量機(jī)高15.63%和23.85%，比隨機(jī)森林高6.82%和13.01%，其中柳樹、麻櫟、杉木、楊樹、毛竹的分類精度都高于傳統(tǒng)淺層機(jī)器學(xué)習(xí)方法支持向量機(jī)和隨機(jī)森林，松樹和楓香樹的分類精度相比傳統(tǒng)方法精度相對較低，但都很接近?？傮w來看，由于深層結(jié)構(gòu)模型包含多層非線性變換，具有更強(qiáng)的表達(dá)與建模能力，能夠從樹種影像中自動學(xué)習(xí)有效的特征表示，因此分類精度優(yōu)于傳統(tǒng)淺層機(jī)器學(xué)習(xí)方法。綜上所述，本文方法能夠有效提高高分影像樹種分類精度，而且自動化程度更高，更具有穩(wěn)健性，是一種有效的樹種分類方法。

表1 皇甫山高分影像樹種分類精度評價(jià)

4 結(jié) 論

本文針對傳統(tǒng)手工提取特征方法需要專業(yè)領(lǐng)域知識，提取高質(zhì)量特征困難，提出了一種結(jié)合面向?qū)ο蠛蜕疃忍卣鞯母叻钟跋駱浞N分類方法。利用面向?qū)ο蠓指罴夹g(shù)獲取樹種的精確邊界，并利用遷移學(xué)習(xí)方法，將現(xiàn)有的知識遷移到高分影像樹種分類中，避免了樹種訓(xùn)練樣本較少容易導(dǎo)致過擬合問題，實(shí)現(xiàn)了端到端的高分影像樹種分類，避免了手工提取特征的不可遷移性。為驗(yàn)證本文方法的有效性，以安徽省滁州市的皇甫山國家森林公園為研究區(qū)，QuickBird高分影像作為數(shù)據(jù)源，采用本文方法進(jìn)行樹種分類。試驗(yàn)結(jié)果表明，本文方法樹種分類總體精度和Kappa系數(shù)分別為78.98%和0.685 0，在保證樹種精度的同時實(shí)現(xiàn)了端到端的樹種分類，可以為森林資源管理和監(jiān)測提供技術(shù)支持。

圖4 皇甫山樹種專題地圖