蔡淑穎 何少柏 韓 凝 杜華強(qiáng)*
城市森林結(jié)構(gòu)復(fù)雜、分布破碎,采用高分遙感數(shù)據(jù),通過(guò)深度學(xué)習(xí)等智能機(jī)器學(xué)習(xí)算法精準(zhǔn)監(jiān)測(cè)提取城市森林信息,是城市森林資源智能監(jiān)測(cè)管理的關(guān)鍵性基礎(chǔ)環(huán)節(jié)。本文以杭州市余杭區(qū)部分城區(qū)WorldView-3高分衛(wèi)星遙感影像為數(shù)據(jù)源,采用改進(jìn)的U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),并結(jié)合面向?qū)ο蠖喑叨确指罘椒?,研究城市森林智能精?zhǔn)提取。首先,通過(guò)大量的訓(xùn)練數(shù)據(jù)獲得最佳模型參數(shù);其次,使用U-net網(wǎng)絡(luò)進(jìn)行語(yǔ)義分割得到分類(lèi)結(jié)果圖;最后,結(jié)合面向?qū)ο笞顑?yōu)分割修正深度學(xué)習(xí)城市森林提取結(jié)果,從而最終得到城市森林提取結(jié)果。研究表明,(1)基于改進(jìn)的U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)得到的城市森林總體分類(lèi)精度達(dá)90.50%,Kappa系數(shù)為0.886;(2)經(jīng)面向?qū)ο蠓指顚?duì)U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)果中的“椒鹽現(xiàn)象”及邊界地物錯(cuò)分現(xiàn)象進(jìn)行修正后,分類(lèi)總精度提高到93.83%,Kappa系數(shù)提高到0.9295。因此,U-net網(wǎng)絡(luò)模型結(jié)合面向?qū)ο蠓椒梢杂行У馗纳七b感目標(biāo)識(shí)別及地物分類(lèi)的效果,保證城市碎片化植被提取與植被區(qū)域邊界的準(zhǔn)確性,從而提高城市森林植被提取精度。
城市森林;WorldView-3;U-net;深度學(xué)習(xí);面向?qū)ο?/p>
城市森林與城市景觀建設(shè)、公園管理、城市規(guī)劃等息息相關(guān),通過(guò)影響城市的物理空間和生物環(huán)境變化來(lái)緩解城市發(fā)展帶來(lái)的環(huán)境質(zhì)量的下降,在城市CO2減排、空氣凈化、PM2.5吸收、城市雨洪調(diào)控與水質(zhì)提高、噪聲降低、小氣候改善等方面具有重要的功能[1]。因此,監(jiān)測(cè)并提取城市森林信息是城市森林資源管理、服務(wù)功能評(píng)價(jià)的關(guān)鍵性基礎(chǔ)環(huán)節(jié)。遙感技術(shù)能為城市森林監(jiān)測(cè)提供強(qiáng)大的技術(shù)支持,而高分辨率影像紋理特征豐富、空間特征明顯,影像地物的尺寸、形狀和鄰域地物的關(guān)系能更好地得到反映[2],在監(jiān)測(cè)結(jié)構(gòu)復(fù)雜、分布破碎、下墊面異質(zhì)的城市森林具有明顯優(yōu)勢(shì)。如何從高分辨率影像精準(zhǔn)監(jiān)測(cè)城市森林,尤其隨著“智慧城市”的推進(jìn),如何實(shí)現(xiàn)高分辨率遙感影像城市森林精準(zhǔn)智能監(jiān)測(cè)對(duì)智慧城市建設(shè)具有重要的實(shí)踐意義。
面向?qū)ο蟮姆诸?lèi)方法可以綜合利用影像的光譜特征、幾何特征、紋理特征等進(jìn)行分類(lèi),為高分辨率遙感影像分類(lèi)提供了新的途徑,并在高分遙感植被信息提取[3-4]和城市土地利用分類(lèi)中得到了很好的應(yīng)用[5-8]。深度學(xué)習(xí)是當(dāng)前人工智能領(lǐng)域重要的技術(shù)方法之一,在圖像分類(lèi)、語(yǔ)義分割方面有很大優(yōu)勢(shì),它通過(guò)大量數(shù)據(jù)來(lái)進(jìn)行特征學(xué)習(xí),從而獲取數(shù)據(jù)的內(nèi)在信息,使其在圖像識(shí)別、遙感圖像分類(lèi)[9-11]、定量估算、各種感知數(shù)據(jù)的綜合分析等方面擁有更多“智慧化”特征[12-15],因此可以更快、更準(zhǔn)確地挖掘遙感影像中的潛在特征,從而實(shí)現(xiàn)遙感信息智能精準(zhǔn)提取。如楊知等采用LinkNet卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了基于高分辨率遙感影像的水體信息提取[16];汪傳建等將深度學(xué)習(xí)用于無(wú)人機(jī)遙感農(nóng)作物識(shí)別[17],利用卷積神經(jīng)網(wǎng)絡(luò)提取農(nóng)作物特征,實(shí)現(xiàn)精細(xì)分類(lèi);王雅慧等使用U-net深度學(xué)習(xí)方法對(duì)高分辨率多光譜遙感影像進(jìn)行森林類(lèi)型的分類(lèi)[18];深度學(xué)習(xí)算法在森林的提取以及樹(shù)種的分類(lèi)方面得到廣泛的應(yīng)用[19-22]??傊b感影像的分類(lèi)從最初的目視解譯到人工智能技術(shù)的應(yīng)用,分類(lèi)方法正向著智能化方向發(fā)展。
U-net網(wǎng)絡(luò)由Ronneberger等人于2015年針對(duì)醫(yī)學(xué)影像分割提出[23],該網(wǎng)絡(luò)借鑒了全卷積神經(jīng)網(wǎng)絡(luò)FCN將深層特征和低層特征相融合的思想,是全卷積神經(jīng)網(wǎng)絡(luò)FCN的延伸[24],具有FCN的所有特點(diǎn)。U-net網(wǎng)絡(luò)廣泛應(yīng)用于高分影像地物的分類(lèi)和提取[25-28],研究表明,利用該網(wǎng)絡(luò)進(jìn)行遙感影像信息提取能在分類(lèi)精度上有很大的提高,如石林山等提出了一種基于U-net的多時(shí)相高分遙感影像農(nóng)用地語(yǔ)義分割方法[29],結(jié)果表明U-net的分割準(zhǔn)確率高于FCN和SegNet,且對(duì)邊緣分割得較為平整;李越帥等采用U-Net網(wǎng)絡(luò)對(duì)胡楊樹(shù)冠覆蓋區(qū)域進(jìn)行精準(zhǔn)分割[30],同時(shí)結(jié)合標(biāo)記分水嶺方法,實(shí)現(xiàn)了密集區(qū)域單株胡楊冠層的精準(zhǔn)提取和株數(shù)的精準(zhǔn)計(jì)算。
本研究以杭州市余杭區(qū)部分城區(qū)WorldView-3高分衛(wèi)星遙感影像為數(shù)據(jù)源,采用改進(jìn)的U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),并結(jié)合面向?qū)ο蠖喑叨确指罘椒?,研究城市森林的智能精?zhǔn)提取。首先,通過(guò)大量的訓(xùn)練數(shù)據(jù)獲得最佳模型參數(shù);其次,使用U-net網(wǎng)絡(luò)進(jìn)行語(yǔ)義分割得到分類(lèi)結(jié)果圖;最后,結(jié)合面向?qū)ο笞顑?yōu)分割修正深度學(xué)習(xí)城市森林提取結(jié)果,從而實(shí)現(xiàn)城市森林高分遙感智能精準(zhǔn)提取。
杭州市余杭區(qū)緊鄰杭州市中心,位于杭州北部,地勢(shì)平坦。區(qū)內(nèi)森林植被樹(shù)種種類(lèi)較多,包括針葉林、常綠闊葉林、常綠落葉闊葉混交林、針葉闊葉混交林等,森林覆蓋率較高。在余杭區(qū)境內(nèi)選擇了一塊65.24 hm2的區(qū)域進(jìn)行城市森林信息智能提取研究。研究區(qū)及所采用的WorldView-3衛(wèi)星遙感數(shù)據(jù)如圖1所示。
1. 研究區(qū)及WorldView-3衛(wèi)星影像圖
WorldView-3是DigitalGlobe商用高分辨率遙感衛(wèi)星,于2014年8月13日成功發(fā)射。該衛(wèi)星屬于太陽(yáng)同步衛(wèi)星,回訪周期為1天,衛(wèi)星的壽命是7.3年,軌道高度為617 km。WorldView-3波譜特征覆蓋可見(jiàn)光、近紅外、短波紅外波段,在植被監(jiān)測(cè)上應(yīng)用前景廣闊。
2. 樣本標(biāo)簽示意圖(a原始影像,b標(biāo)簽圖)
3. 技術(shù)路線
本研究中,WorldView-3衛(wèi)星遙感影像的獲取時(shí)間為2018年10月28日。影像數(shù)據(jù)包括分辨率為0.5 m的全色波段和分辨率為2 m的多光譜波段,其中多光譜波段包括紅、綠、藍(lán)、近紅外4個(gè)波段。為充分利用0.5 m全色波段空間紋理等信息,本研究采用Gram-Schmidt Pan Sharpening將多光譜影像與全色波段進(jìn)行融合[31],得到分辨率為0.5 m的多光譜遙感影像。另外,為了減少大氣對(duì)影像光譜信息的影像,采用ENVI軟件中Radiomotric Calibration與FLASH模塊分別對(duì)影像進(jìn)行輻射定標(biāo)和大氣校正。
為基于U-net實(shí)現(xiàn)研究區(qū)城市森林智能提取,需要制作包括訓(xùn)練集和驗(yàn)證集的樣本標(biāo)簽數(shù)據(jù)。選取標(biāo)簽樣本的原則是樣本塊內(nèi)的地物易于目視解譯識(shí)別,并且盡量保持各類(lèi)別的樣本像元均勻分布。本研究建立了森林、綠地、農(nóng)用地、水體、建設(shè)用地、陰影等主要地物信息的影像標(biāo)簽圖(圖2)。
為提高網(wǎng)絡(luò)訓(xùn)練速度,本研究中將影像裁剪為許多張小圖像,即將所有樣本塊標(biāo)簽及其對(duì)應(yīng)的地面真實(shí)數(shù)據(jù)同時(shí)進(jìn)行規(guī)則順序裁剪。裁剪時(shí),為了保證物體的幾何形狀和連續(xù)性,選擇使用288×288像素的裁剪窗口和100步長(zhǎng)進(jìn)行裁剪,然后分批送入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。
本研究中,U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)合面向?qū)ο蟮某鞘猩指叻钟跋裥畔⑻崛》譃閮蓚€(gè)階段:第一階段利用改進(jìn)的U-net網(wǎng)絡(luò)進(jìn)行城市森林提取,即在Keras深度學(xué)習(xí)框架下搭建U-net神經(jīng)網(wǎng)絡(luò),利用制作好的標(biāo)簽圖及對(duì)應(yīng)原圖對(duì)U-net網(wǎng)絡(luò)進(jìn)行訓(xùn)練,提取城市森林的特征,然后利用訓(xùn)練好的U-net網(wǎng)絡(luò)提取城市森林信息。第二階段通過(guò)計(jì)算對(duì)象同質(zhì)性指標(biāo)、異質(zhì)性指標(biāo)以及全局評(píng)價(jià)函數(shù),確定研究區(qū)最優(yōu)分割尺度并基于面向?qū)ο蠓椒ㄟM(jìn)行分割和分類(lèi),然后采用面向?qū)ο蠖喑叨确指罱Y(jié)果對(duì)U-net網(wǎng)絡(luò)城市森林提取結(jié)果進(jìn)行修改。技術(shù)路線如圖3所示。
4. 改進(jìn)的U-net網(wǎng)絡(luò)結(jié)構(gòu)
U-net是一種典型的編碼—解碼U型結(jié)構(gòu),采用對(duì)稱結(jié)構(gòu)連接所有層。U-net網(wǎng)絡(luò)的特點(diǎn)是在上采樣部分進(jìn)行了多次卷積操作,使整個(gè)網(wǎng)絡(luò)學(xué)習(xí)到更關(guān)鍵的融合特征,同時(shí)更加注重上下文特征的融合,能夠充分利用所提取的特征,從而使得原始輸入的各個(gè)尺度的特征在最終的特征圖中得到體現(xiàn)。基礎(chǔ)的U-net網(wǎng)絡(luò)主要針對(duì)醫(yī)學(xué)影像分割,而遙感影像復(fù)雜程度高,地物種類(lèi)多樣、光譜信息豐富,使用基礎(chǔ)的U-net網(wǎng)絡(luò)難以達(dá)到精確提取地物的要求。因此,本研究對(duì)U-net架構(gòu)進(jìn)行改進(jìn),加深了網(wǎng)絡(luò)結(jié)構(gòu),從而可以提取遙感影像更加復(fù)雜的光譜特征信息,改進(jìn)的U-net網(wǎng)絡(luò)架構(gòu)如圖4所示。
改進(jìn)的U-net網(wǎng)絡(luò)架構(gòu)沿用了基礎(chǔ)U-net結(jié)構(gòu),包括一個(gè)輸入層、一個(gè)輸出層和九個(gè)中間層。整個(gè)網(wǎng)絡(luò)采用對(duì)稱的編碼—解碼結(jié)構(gòu),主要分為左半邊的壓縮路徑和右半邊的擴(kuò)張路徑,同時(shí)使用了邊界填充保證U-net結(jié)構(gòu)的輸入與輸出的圖像大小相同,即288×288。
壓縮路徑(圖4左側(cè))每一層為卷積降級(jí)步驟,其作用是為了提取影像的深層特征。首先,進(jìn)行一次卷積操作,輸入影像被轉(zhuǎn)換為32維的特征圖;然后,對(duì)每層進(jìn)行3次卷積核大小為3×3的卷積操作;最后,使用ReLU激活函數(shù)以及步長(zhǎng)為2的最大池化操作,從而得到大小為9×9的特征圖。
壓縮路徑之后就進(jìn)入右半邊的擴(kuò)張路徑(圖4右側(cè)),其作用是為了還原影像的特征信息。首先,每一層都使用2×2大小的卷積核進(jìn)行上采樣操作;然后,將壓縮路徑上通過(guò)下采樣生成的特征圖疊加到擴(kuò)張路徑對(duì)應(yīng)位置上,再使用2個(gè)卷積層進(jìn)行3×3的卷積操作,如此重復(fù),共經(jīng)過(guò)5次上采樣,將低層信息與深層信息進(jìn)行融合,彌補(bǔ)在下采樣過(guò)程中因池化過(guò)程帶來(lái)的信息損失,增加了特征圖像的細(xì)節(jié)信息;最后,輸出大小為288×288的6通道圖像,每個(gè)通道對(duì)應(yīng)一類(lèi)地物即圖2所示的6個(gè)地物類(lèi)別。
5. U-net網(wǎng)絡(luò)訓(xùn)練流程圖
6. 不同分割尺度的結(jié)果
本研究隨機(jī)選取其中80%的樣本標(biāo)簽作為訓(xùn)練集,20%作為驗(yàn)證集對(duì)U-net進(jìn)行訓(xùn)練,訓(xùn)練流程如圖5所示。
網(wǎng)絡(luò)訓(xùn)練部分包括前向傳播和后向傳播兩部分。前向傳播是利用裁剪的288×288像素的遙感圖像及其相應(yīng)的帶有標(biāo)注的圖像作為網(wǎng)絡(luò)模型的輸入,對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,利用網(wǎng)絡(luò)計(jì)算并輸出特征圖,并得到概率分布圖。而后向傳播部分是將得到的結(jié)果與地面真實(shí)標(biāo)簽進(jìn)行對(duì)比,計(jì)算損失值,不斷調(diào)整U-net模型參數(shù),優(yōu)化模型,從而得到精確的預(yù)測(cè)結(jié)果。本研究網(wǎng)絡(luò)訓(xùn)練采用多分類(lèi)交叉熵?fù)p失函數(shù)和Adam優(yōu)化算法,當(dāng)損失值達(dá)到閾值后,訓(xùn)練停止。
經(jīng)過(guò)訓(xùn)練得到具有最佳參數(shù)的U-net網(wǎng)絡(luò)后,順序?qū)⒉眉艉玫拇崛〉挠跋窦斎刖W(wǎng)絡(luò)進(jìn)行前向傳播,計(jì)算預(yù)測(cè)概率結(jié)果,即網(wǎng)絡(luò)通過(guò)不斷卷積提取影像深層特征,并通過(guò)上采樣進(jìn)行還原,從而輸出有6個(gè)類(lèi)別的圖像,然后通過(guò)順序拼接得到研究區(qū)分類(lèi)結(jié)果。
面向?qū)ο蠓诸?lèi)方法可以綜合利用影像的光譜特征、幾何特征、紋理特征等進(jìn)行分類(lèi),為高分辨率遙感影像分類(lèi)提供了新的途徑[3],它是以影像分割產(chǎn)生的對(duì)象作為分類(lèi)單元,因此,分割最優(yōu)尺度對(duì)分類(lèi)結(jié)果有直接影響[32-34]。從圖6可以看出,若分割尺度過(guò)小,會(huì)造成對(duì)象數(shù)量過(guò)多從而使影像過(guò)于破碎,地物提取精度降低;而分割尺度過(guò)大,則會(huì)產(chǎn)生欠分割現(xiàn)象,對(duì)象內(nèi)部異質(zhì)性變大,不同地物會(huì)出現(xiàn)一定程度的混合。
當(dāng)提取整個(gè)影像信息時(shí),可利用全局最優(yōu)分割尺度對(duì)圖像進(jìn)行分割,使得同一對(duì)象內(nèi)部的同質(zhì)性較高,不同類(lèi)型對(duì)象間具有較好的異質(zhì)性。因此,本研究根據(jù)Johnson B等提出的評(píng)價(jià)方法[35],采用全局最優(yōu)判斷平均影像分割質(zhì)量從而選擇最優(yōu)尺度。另外,有研究表明[36],對(duì)遙感影像進(jìn)行主成分分析后,計(jì)算得到同質(zhì)性指標(biāo)和異質(zhì)性指標(biāo),優(yōu)于僅使用傳統(tǒng)紅、綠、藍(lán)三波段,因此評(píng)價(jià)指標(biāo)是在圖像主成分變換的基礎(chǔ)上進(jìn)行的。對(duì)主成分分析后的影像進(jìn)行分割,即以30為起始尺度,步長(zhǎng)為10進(jìn)行分割,然后計(jì)算評(píng)價(jià)指標(biāo),選擇最優(yōu)分割尺度。具體步驟如下:
首先,分別計(jì)算公式(1)和(2)所示的對(duì)象同質(zhì)性指標(biāo)V和異質(zhì)性指標(biāo)MI。同質(zhì)性指標(biāo)值越低,表示對(duì)象內(nèi)同質(zhì)性越好;而異質(zhì)性指數(shù)越低,對(duì)象之間的異質(zhì)性越低,分割效果更好。
式(1)中,vi是方差,ai是區(qū)域i的面積,n為該分割尺度下整幅影像的分割對(duì)象個(gè)數(shù),加入面積因子可以使大的對(duì)象有更大的權(quán)重,減小不穩(wěn)定性;式(2)即Moran指數(shù),是空間鄰接矩陣,若對(duì)象i和j鄰接,則wij為1,否則為0;yi是對(duì)象i的平均值,是某主成分的均值。
其次,對(duì)同質(zhì)性指數(shù)與異質(zhì)性指數(shù)進(jìn)行歸一化處理。
最后,為綜合評(píng)價(jià)每一次分割結(jié)果,在考慮各個(gè)主成分權(quán)重的基礎(chǔ)上計(jì)算公式(3)(4)所示的全局質(zhì)量評(píng)價(jià)指數(shù)GS。GS越低分割尺度分割效果越好,即GS越低表明對(duì)象內(nèi)同質(zhì)性越高、對(duì)象間異質(zhì)性越高,根據(jù)以上原則進(jìn)行最優(yōu)分割尺度的確定[35]。
式(3)中,Eb表示第b主成分的特征值,Vnorm表示歸一化MI方差,MInorm表示歸一化全局MI指數(shù)。每一次圖像分割的綜合評(píng)價(jià)結(jié)果是將歸一化后的方差Vnorm與全局MI指數(shù)相加,得到分割質(zhì)量評(píng)價(jià)函數(shù)GSb。在每一個(gè)尺度下計(jì)算PC1、PC2、PC3各個(gè)主成分的全局質(zhì)量評(píng)價(jià)函數(shù)GS1、GS2、GS3,為了包含各個(gè)主成分信息,用各主成分的特征值加權(quán)得到全局質(zhì)量評(píng)價(jià)指數(shù)GS,權(quán)重的設(shè)置與執(zhí)行分割時(shí)設(shè)置的權(quán)重相同,體現(xiàn)了分割過(guò)程與評(píng)價(jià)過(guò)程的一致性。
圖7為全局質(zhì)量評(píng)價(jià)指數(shù)GS隨分割尺度變化的曲線。由圖可見(jiàn),在分割尺度為70時(shí),全局評(píng)價(jià)函數(shù)值最低為0.43左右,即分割尺度為70時(shí),影像分割結(jié)果可以保持對(duì)象內(nèi)部均勻同時(shí)對(duì)象間差異最大。因此,研究以70作為最優(yōu)尺度對(duì)圖像進(jìn)行分割。
除了最優(yōu)分割尺度外,面向?qū)ο蠖喑叨确指钸€需要考慮光譜信息權(quán)重(wcolor)、形狀信息權(quán)重(wshape)、緊湊度指數(shù)(hcompact)和平滑度指數(shù)(hsmooth)[19]等分割參數(shù)?;贕S分析方法,當(dāng)緊湊度指數(shù)為0.6、形狀權(quán)重信息為0.3時(shí),GS值最??;而光譜信息權(quán)重、平滑度指數(shù)等可參考孫曉艷等文獻(xiàn)[32]進(jìn)行設(shè)置。
7. 全局質(zhì)量評(píng)價(jià)指數(shù)GS
8. 多尺度分割約束流程圖
11. 兩種分類(lèi)方法局部對(duì)比圖
10. U-net結(jié)合面向?qū)ο蟮姆诸?lèi)結(jié)果圖
9. U-net分類(lèi)結(jié)果圖
采用U-net網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的影像結(jié)果是基于像素的分類(lèi)結(jié)果,會(huì)出現(xiàn)椒鹽現(xiàn)象,難以提取出閉合區(qū)域。面向?qū)ο蟮亩喑叨确指钍菍⒂跋穹指畛扇舾纱笮〔灰?guī)則的對(duì)象區(qū)域,能有效提取地物邊緣。因此研究采用多尺度分割結(jié)果對(duì)U-net網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行修正。
面向?qū)ο蠼Y(jié)合深度學(xué)習(xí)方法的具體流程如圖8。首先,確定最優(yōu)分割尺度并進(jìn)行多尺度分割,并采用U-net方法對(duì)影像進(jìn)行分類(lèi);其次,以多尺度分割后的結(jié)果作為區(qū)域單位,統(tǒng)計(jì)U-net方法分類(lèi)結(jié)果中該區(qū)域單元各類(lèi)別像素?cái)?shù);最后,采用最大投票數(shù)目方式,將統(tǒng)計(jì)量最大的類(lèi)別作為該區(qū)域的整體標(biāo)簽。該方法將多尺度分割與深度學(xué)習(xí)U-net網(wǎng)絡(luò)相結(jié)合,可以得到區(qū)域級(jí)的語(yǔ)義類(lèi)別,可以充分利用二者優(yōu)勢(shì),從而提高分類(lèi)精度。
優(yōu)化后U-net網(wǎng)絡(luò)土地利用分類(lèi)結(jié)果如圖9,分類(lèi)結(jié)果精度評(píng)價(jià)混淆矩陣見(jiàn)表2。由表2可見(jiàn),基于U-net深度學(xué)習(xí)方法的研究區(qū)分類(lèi)總體精度為90.50%,Kappa系數(shù)為0.886,分類(lèi)結(jié)果總體較好。然而,就森林而言,其用戶精度為86.11%,在6個(gè)土地類(lèi)型中分類(lèi)精度最低,這主要是因?yàn)椴糠稚直诲e(cuò)分為農(nóng)用地和綠地,一些大塊的農(nóng)用地上存在一些灌木林地,而深度學(xué)習(xí)預(yù)測(cè)過(guò)程是每一次預(yù)測(cè)288×288大小的地塊,若該范圍內(nèi)森林過(guò)少,則會(huì)產(chǎn)生錯(cuò)分。另外,城市綠地的制圖精度在6個(gè)類(lèi)型中精度最低,一方面綠地的光譜紋理特征與森林植被有一定的相似性,容易混淆,另一方面,農(nóng)用地中部分植被生長(zhǎng)茂盛,與綠地的光譜很接近從而難以區(qū)分。
表2 U-net分類(lèi)結(jié)果混淆矩陣
表3 U-net結(jié)合面向?qū)ο蠓诸?lèi)結(jié)果的混淆矩陣
由圖9 U-net分類(lèi)結(jié)果和表2精度分析知,基于U-net的分類(lèi)結(jié)果存在“椒鹽現(xiàn)象”,且森林、綠地和農(nóng)用地之間存在一定的混淆,從而影響分類(lèi)精度。為此,本研究通過(guò)面向?qū)ο蠖喑叨确指顚?duì)U-net分類(lèi)結(jié)果進(jìn)行修正。修正后的分類(lèi)結(jié)果如圖10所示,修正后分類(lèi)結(jié)果精度評(píng)價(jià)混淆矩陣見(jiàn)表3。
對(duì)比表3與表2可知:(1)U-net深度學(xué)習(xí)方法結(jié)合面向?qū)ο蟮姆诸?lèi)結(jié)果總精度為93.83%,Kappa系數(shù)為0.9295,高于僅采用U-net深度學(xué)習(xí)方法的分類(lèi)結(jié)果;(2)綠地、森林和農(nóng)用地錯(cuò)分明顯減少,綠地的制圖精度和森林的用戶精度均得到提高。
U-net以像元為單位進(jìn)行分類(lèi),其錯(cuò)分情況大多是在地物的邊界處,而面向?qū)ο蟮姆诸?lèi)方法綜合利用影像的光譜特征、幾何特征、紋理特征等,以對(duì)象為單元進(jìn)行分類(lèi)。因此,U-net深度學(xué)習(xí)方法結(jié)合面向?qū)ο蠓诸?lèi)方法有效提高植被區(qū)域邊界的準(zhǔn)確性。面向?qū)ο蠖喑叨确指罘椒ǔ叨冗x擇尤為重要,如果一些土地利用類(lèi)型斑塊較小,而分割尺度的邊界過(guò)大,就容易將造成誤分。如本研究一些小的綠地通過(guò)在最優(yōu)尺度上分割后被劃分為森林,導(dǎo)致在一定程度上降低了綠地用戶精度(表3)。
U-net深度學(xué)習(xí)分類(lèi)結(jié)果與U-net結(jié)合面向?qū)ο蠖喑叨确指畹姆诸?lèi)結(jié)果局部對(duì)比如圖11所示,由圖可知,U-net結(jié)合面向?qū)ο蠖喑叨确指畹姆诸?lèi)結(jié)果有效解決了U-net深度學(xué)習(xí)分類(lèi)結(jié)果中的“椒鹽現(xiàn)象”。
本研究以杭州市余杭區(qū)部分城區(qū)WorldView-3高分衛(wèi)星遙感影像為數(shù)據(jù)源,采用改進(jìn)的U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),并結(jié)合面向?qū)ο蠓椒ǘ喑叨确指罘椒?,研究城市森林智能精?zhǔn)提取。研究表明:(1)基于改進(jìn)的U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)得到的城市土地利用分類(lèi)總精度較高,但森林、綠地和農(nóng)用地植被存在一定的誤分;(2)經(jīng)面向?qū)ο笞顑?yōu)分割對(duì)U-net深度學(xué)習(xí)分類(lèi)結(jié)果中的“椒鹽現(xiàn)象”及邊界地物錯(cuò)分現(xiàn)象進(jìn)行修正后,分類(lèi)總精度提高到93.83%,Kappa系數(shù)提高到0.9295,且森林制圖精度、綠地用戶精度也得到了提高,森林、綠地、農(nóng)用地間的誤分減少,整體分類(lèi)效果明顯改善。因此,U-net網(wǎng)絡(luò)模型結(jié)合面向?qū)ο蠓椒梢杂行У馗纳七b感目標(biāo)識(shí)別及地物分類(lèi)的效果,保證城市碎片化植被提取與植被區(qū)域邊界的準(zhǔn)確性,從而提高植被提取精度。
U-net深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的精度與訓(xùn)練標(biāo)簽圖有很大關(guān)系,因此制作的標(biāo)簽圖要盡量接近真實(shí)地物,以提高模型的訓(xùn)練精度。網(wǎng)絡(luò)訓(xùn)練的過(guò)程中,訓(xùn)練輸入的影像波段數(shù)、裁剪影像尺寸、訓(xùn)練次數(shù)等參數(shù)的設(shè)置也會(huì)影響網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)的精度,在相關(guān)研究中需根據(jù)實(shí)際情況進(jìn)行設(shè)置。
在U-net深度學(xué)習(xí)與面向?qū)ο蠖喑叨确指罱Y(jié)合過(guò)程中,最優(yōu)分割尺度的選擇會(huì)影響分類(lèi)精度,本研究采用全局最優(yōu)判斷平均影像分割質(zhì)量從而選擇70作為最優(yōu)尺度,并在綜合考慮光譜信息權(quán)重、形狀信息權(quán)重、緊湊度指數(shù)和平滑度指數(shù)的基礎(chǔ)上對(duì)圖像進(jìn)行分割,從而得到較好的分類(lèi)結(jié)果。因不同的遙感影像空間分辨率、光譜信息等差異,因此針對(duì)不同的影像數(shù)據(jù)需要優(yōu)化分割尺度等參數(shù)。
智慧城市已成為當(dāng)今世界城市發(fā)展不可逆轉(zhuǎn)的歷史潮流,城市森林是建設(shè)低碳、綠色和可持續(xù)發(fā)展城市的重要基礎(chǔ)。因此,推進(jìn)智慧城市建設(shè),城市森林資源遙感智能監(jiān)測(cè)必不可少。現(xiàn)今,高、中、低分辨率遙感數(shù)據(jù)越來(lái)越多,遙感數(shù)據(jù)處理和信息提取進(jìn)入智能化時(shí)代,因此,采用深度學(xué)習(xí)等智能機(jī)器學(xué)習(xí)方法精確、快速提取城市森林資源信息,對(duì)智慧城市和森林城市群建設(shè)具有重要的實(shí)踐意義。