趙 霖 張曉麗 吳艷雙 張 斌

(北京林業(yè)大學森林培育與保護教育部重點實驗室 精準林業(yè)北京市重點實驗室 北京100083)

樹種精細分類對于提取樹木特征屬性、經(jīng)營管理以及保護生物多樣性十分重要，是森林資源監(jiān)測的基礎(chǔ)和關(guān)鍵內(nèi)容之一。傳統(tǒng)的樹種分類主要依靠人力野外調(diào)查，成本高，費時費力，且調(diào)查信息不夠全面，不利于森林樹種信息的更新。林業(yè)中廣泛使用的多光譜遙感數(shù)據(jù)光譜分辨率較低，也難以獲得精確的樹種分類結(jié)果。精細的樹種分類往往依賴于豐富的數(shù)據(jù)，如多時相/多季相、多數(shù)據(jù)源融合(雷達、高光譜、高空間分辨率)等，但實際應(yīng)用中這些數(shù)據(jù)獲取成本較高，且不容易得到； 同時，樹種分類研究需要對這些數(shù)據(jù)進行特征提取、特征選擇，工作量較大，且針對某一區(qū)域或某些樹種的特征篩選結(jié)果不能很好地適用于其他區(qū)域。高光譜影像(hyperspectral image，HSI)波譜間隔窄，包含更多的光譜信息，能夠探測、區(qū)分出具有細微光譜差異的各類地物。隨著遙感傳感器的快速發(fā)展，高光譜數(shù)據(jù)的獲取和收集更加容易，成本也大幅降低，特別是機載高光譜數(shù)據(jù)，兼?zhèn)涓呖臻g和高光譜分辨率特征，數(shù)據(jù)獲取靈活快捷。因此，基于機載高光譜數(shù)據(jù)的樹種分類研究具有重要意義。

在進行基于高光譜數(shù)據(jù)的樹種分類時，一般先對數(shù)據(jù)降維，然后采用支持向量機(support vector machine，SVM)、隨機森林等方法進行分類； 但高光譜影像中包含大量連續(xù)的窄波段，簡單的降維不能充分發(fā)揮高光譜影像的優(yōu)勢。近年來，深度學習在計算機視覺和圖像處理領(lǐng)域表現(xiàn)優(yōu)異，并在圖像分類、物體檢測等方面得到了廣泛應(yīng)用?；谏疃葘W習的方法一般是構(gòu)建3層以上的多層網(wǎng)絡(luò)學習不同水平數(shù)據(jù)表示的模型，以充分提取和利用輸入數(shù)據(jù)(如圖像、語音、文本等)中包含的信息。模型可由低級特征學習到高級特征，實現(xiàn)抽象和不變特征的提取，并進一步實現(xiàn)如分類和目標檢測等任務(wù)。目前，深度信念網(wǎng)絡(luò)(deep belief network，DBN)(Hintonetal.， 2006a; 2006b)、棧式自編碼器(stacked autoencoder，SAE)(Le Rouxetal.， 2010； Vincentetal.， 2010)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)(Krizhevskyetal.， 2012)等模型已用于高光譜數(shù)據(jù)分類，研究表明，在分類(Szegedyetal.， 2015； Simonyanetal.， 2014)和目標檢測(Girshicketal.， 2014)任務(wù)中，CNN明顯優(yōu)于其他深度學習模型(如DBN、SAE)。

然而，直接將2D-CNN應(yīng)用于高光譜數(shù)據(jù)分類前需對所有各波段原始數(shù)據(jù)進行2D卷積，每個輸入波段都有一組需要訓練的卷積核。不同于普通RGB 三波段圖像，在網(wǎng)絡(luò)輸入的高光譜數(shù)據(jù)光譜維度通常有上百個，需要大量卷積核(參數(shù))，會導(dǎo)致過擬合，并顯著增加計算成本，因此，在應(yīng)用2D-CNN進行特征提取和分類前往往采用降維法降低原始數(shù)據(jù)的光譜維數(shù)。Yue 等(2015)通過主成分分析(principal component analysis，PCA)從HSI中提取前3個主成分，使用2D-CNN對壓縮后窗口大小為42×42的高光譜數(shù)據(jù)提取深度特征并預(yù)測每個像素的類別。Makantasis等(2015)在使用2D-CNN進行特征提取和分類前，采用隨機主成分分析(randomized PCA, R-PCA)沿光譜維度壓縮HSI，僅保留前10或前30的主成分用于后續(xù)分類任務(wù)。此類方法在訓練CNN模型前通過降維將HSI數(shù)據(jù)壓縮到可管理的規(guī)模，不能很好地保留光譜信息，且由于空間特征和光譜特征是分開提取的，無法充分利用空間/光譜聯(lián)合特征，進而影響分類性能。為解決這一問題，國內(nèi)外學者將3D-CNN(Lietal.， 2017； 李竺強等， 2018)引入到HSI分類，但其采用的是年代比較久遠的公開數(shù)據(jù)集，空間分辨率低、數(shù)據(jù)量小，且網(wǎng)絡(luò)結(jié)構(gòu)簡單，提出的方法并不能適用于機載高光譜數(shù)據(jù)分類。

鑒于此，本研究在以往研究基礎(chǔ)上，針對機載高光譜數(shù)據(jù)特點，提出一種新的3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)。該模型將全光譜帶作為輸入，不需要額外的預(yù)處理或后處理，得到的深度分類器模型以端到端方式進行訓練。在相同規(guī)模上，3D-CNN比其他基于深度學習的方法涉及更少的參數(shù)，更適合于HSI分類中訓練樣本數(shù)量有限的情況。將3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)與其他基于深度學習的HSI分類方法以及目前林業(yè)中常用的面向?qū)ο蠓指?、隨機森林特征篩選方法進行比較，3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)能夠?qū)崿F(xiàn)更高精度、更高效率的森林樹種分類。

1 研究區(qū)概況與數(shù)據(jù)采集

1.1 研究區(qū)概況

研究區(qū)位于廣西南寧國有高峰林場界牌分場(圖1)，地理位置108°31′E，22°58′N，屬南亞熱帶季風氣候，年均氣溫21.6 ℃，極端最高溫40.0 ℃，極端最低溫-2 ℃，年均降雨量1 304.2 mm，平均相對濕度79%。森林植被以人工林為主，其中針葉林主要包括杉木(Cunninghamialanceolata)、馬尾松(Pinusmassoniana)，闊葉林包括巨尾桉(Eucalyptusgrandis×E.urophylla)、尾葉桉(Eucalyptusurophylla)、紅椎(Castanopsishystrix)、油茶(Camelliaoleifera)等。

1.2 數(shù)據(jù)收集與處理

1.2.1 機載高光譜數(shù)據(jù) 研究采用的高光譜數(shù)據(jù)由中國林業(yè)科學研究院機載LiCHy(LiDAR，CCD and Hyperspectral)系統(tǒng)搭載的AISA EagleⅡ衍射光柵推掃式高光譜成像儀獲取。AISA EagleⅡ高光譜數(shù)據(jù)采集于2018年1月13日和1月30日，共飛行2個架次，實際飛行航高約1 000 m。獲取的高光譜數(shù)據(jù)包含125個波段，波長范圍400～1 000 nm，光譜分辨率3.3 nm，空間分辨率1 m。LiCHy系統(tǒng)在采集高光譜數(shù)據(jù)時，同步獲取研究區(qū)LiDAR數(shù)據(jù)、CCD影像以及IMU(慣導(dǎo))和GPS數(shù)據(jù)。CCD影像空間分辨率為0.2 m，用于輔助地面真實值的勾畫和驗證； LiDAR數(shù)據(jù)為高光譜數(shù)據(jù)預(yù)處理過程中提供精確的DEM。LiCHy系統(tǒng)AISA EagleⅡ高光譜主要參數(shù)見表1。

圖1 廣西南寧高峰林場界牌分場Fig.1 Jiepai, Gaofeng forest farm, Nanning city of Guangxi

表1 LiCHy系統(tǒng)AISA EagleⅡ 高光譜主要參數(shù)Tab.1 The main parameters of AISA EagleⅡ hyperspectral system of LiCHy

對原始AISA EagleⅡ高光譜數(shù)據(jù)進行預(yù)處理，包括輻射定標、幾何校正、影像空間分辨率重采樣、正射校正、大氣校正、地形輻射校正等(莢文等， 2016)。根據(jù)SPECIM公司提供的AISA EagleⅡ傳感器定標文件完成輻射定標。 基于LiCHy系統(tǒng)同步獲取的DEM及定位姿態(tài)系統(tǒng)(position and orientation system, POS)提供的航跡文件完成幾何校正。大氣校正是為了消除成像時光照和大氣對地物反射率的影響，反演地物本身的反射率，以便于下一步地物特征提取和分類。機載高光譜數(shù)據(jù)受大氣影響較小，校正相對容易，本研究采用ENVI 5.3 的QUAC快速大氣校正工具進行高光譜數(shù)據(jù)的大氣校正。為了減弱地形對光譜的影響，采用綜合輻射校正法(integrated radiometric correction，IRC)(Kobayashietal., 2009)完成地形輻射校正。

1.2.2 野外調(diào)查數(shù)據(jù) 研究所用數(shù)據(jù)包括森林資源二類調(diào)查小班數(shù)據(jù)和2018年1—2月野外調(diào)查數(shù)據(jù)，調(diào)查點分布見圖1，各地物類型分別調(diào)查10～20個點。外業(yè)調(diào)查前通過GF-2數(shù)據(jù)目視解譯，確定調(diào)查區(qū)域，設(shè)置樣地和采樣點位置。2018年1月16日—2月5日開展地面樣地數(shù)據(jù)調(diào)查，主要集中在杉木純林、桉樹純林和闊葉混交林內(nèi)，共調(diào)查19塊樣地，其中6塊為桉樹純林、7塊為杉木純林、其余為其他林分和混交林，樹種主要包括桉樹、杉木、紅椎、馬尾松等，共1 657株。樣地大小為25 m×25 m和25 m×50 m，使用手持GPS實地觀測樣本精確位置，記錄坡度、坡向等樣地信息，進行每木檢尺，包括樹種、樹高、冠幅、枝下高、胸徑等。

結(jié)合實地調(diào)查情況以及本研究目的，將研究區(qū)劃分為尾葉桉、巨尾桉、紅椎、米老排(Mytilarialaosensis)、其他軟闊、濕地松(Pinuselliottii)、杉木、馬尾松、油茶9種森林植被類別和建筑用地、道路、采伐跡地3種非森林植被類別。

2 研究方法

2.1 三維卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的2D-CNN中，卷積運算僅用于捕獲2D特征圖的空間特征；而在處理3D數(shù)據(jù)如視頻分析時，需要同時捕獲空間維度和時間維度信息。為了解決這個問題，Ji等(2013)首次提出3D-CNN，即將3D卷積運算應(yīng)用于3D特征圖以計算3D輸入數(shù)據(jù)(如視頻數(shù)據(jù))的“時空特征”。

在高光譜數(shù)據(jù)分類中，保留豐富的光譜信息是非常重要的。2D卷積運算是在空間維度對輸入數(shù)據(jù)進行卷積，無論輸入數(shù)據(jù)是2D數(shù)據(jù)還是3D數(shù)據(jù)，輸出的特征圖都是相對獨立的2D數(shù)據(jù)，將2D卷積運算應(yīng)用于高光譜數(shù)據(jù)，會丟失大量光譜信息； 而3D卷積運算同時在空間維度和光譜維度上對輸入數(shù)據(jù)進行卷積，輸出的是3D 立方塊(volume)，可以保留高光譜數(shù)據(jù)輸入的光譜信息。

2D卷積運算可以表示為：

(1)

3D卷積運算可以表示為：

(2)

式中：S表示3D卷積核在光譜維度上的大??；i表示網(wǎng)絡(luò)上一層特征塊的數(shù)量；j表示該層包含卷積核的個數(shù)。對應(yīng)地，該層(第i層)的輸出包括l×j個3D特征塊(feature volumes)。

2.2 3D-CNN分類框架

高光譜數(shù)據(jù)同時包括空間信息和光譜信息，本研究將影像中的光譜信息與空間信息整合在一起，以構(gòu)建空間-光譜聯(lián)合CNN分類框架。

不同于一般圖像級別的3D-CNN分類模型(Jietal.， 2013； Tranetal.， 2015)，本研究提出的用于高光譜影像分類的3D-CNN為像元級別分類模型，輸入數(shù)據(jù)不是整幅高光譜影像，而是像元周圍較小的鄰域空間-光譜立方體。

根據(jù)2D-CNN 研究結(jié)果，具有更深架構(gòu)的3×3卷積核的小感受域通常會產(chǎn)生更好的效果。相對于圖像級別的分類模型而言，遙感影像分類模型采用的輸入數(shù)據(jù)空間大小相對較小，且卷積運算后特征圖的空間大小進一步減小，一般都會使用空間上較小的卷積核以避免輸入信息過多損失。 Tran等(2015)證明小的3×3×3卷積核是時空特征學習中3D-CNN的最佳選擇。Li等(2017)針對常見高光譜公開數(shù)據(jù)集的3D-CNN研究中同樣采用3×3空間大小的3D卷積內(nèi)核，且取得了很好效果。受此啟發(fā)，本研究將3D卷積內(nèi)核的空間大小固定為3×3，在此基礎(chǔ)上將內(nèi)核的光譜深度定為7。模型包含4層卷積層，其中下一層包含的卷積核數(shù)量為上一層的2倍，很多著名的CNN模型，如ImageNet(Krizhevskyetal.， 2012)也是采用這樣的比率。

3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，具體過程如下。

1) 樣本數(shù)據(jù)構(gòu)建： 以目標像元為中心，提取大小為S×S×B的空間-光譜立方體及對應(yīng)標簽l作為樣本數(shù)據(jù)。其中S×S為空間鄰域大小，B為影像波段數(shù)，S×S×B尺寸數(shù)據(jù)作為模型的輸入數(shù)據(jù)。按比例隨機抽取每類像元，劃分訓練樣本、驗證樣本和測試樣本。

圖2 3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.2 3D-CNN network architecture diagram

3) 全連接層： 將最后一層3D卷積層輸出的特征展平，通過全連接層F1將3D立方體變成維度為1×128的特征向量。

4) Logistic回歸： 在全連接層后添加邏輯回歸分類器。Logistic回歸分類器采用針對多分類任務(wù)的softmax，將一層輸入特征展平后，輸出屬于類i的輸入特征的概率：

(3)

式中：W為權(quán)重；b為偏差；Wi和bi為連接i類輸出單元的權(quán)重和偏差；Y為分類結(jié)果；s為softmax函數(shù)。輸出層中隱藏單元數(shù)量等于類別的總數(shù)。

模型參數(shù)采用隨機初始化，使用隨機梯度下降(stochastic gradient descent，SGD)反向傳播來最小化網(wǎng)絡(luò)損失，完成模型訓練。在設(shè)置權(quán)重更新規(guī)則前，需要合適的損失函數(shù)。本研究采用mini-batch更新策略，以適用于大型數(shù)據(jù)集的處理，損失函數(shù)的計算基于mini-batch輸入，公式如下：

(4)

采用線性修正單元ReLU(Krizhevsketal.， 2012)作為激活函數(shù)，公式如下：

f(x)=max(0,x)。

(5)

ReLU是一種廣泛使用的非飽和激活函數(shù)，就梯度下降和訓練時間而言，效率高于其他飽和激活函數(shù)。

網(wǎng)絡(luò)在最后一層3D卷積層和第1層全連接層中加入Dropout，即按照設(shè)定概率將神經(jīng)元的輸出設(shè)定為0，以減少隱藏單元的相互作用，使網(wǎng)絡(luò)學習更具魯棒性特征并降低噪聲的影響，通過減少過擬合問題來改善神經(jīng)網(wǎng)絡(luò)(Hintonetal.， 2012)。

技術(shù)路線如圖3所示。

2.3 參數(shù)設(shè)置

完成3D-CNN網(wǎng)絡(luò)設(shè)計后，配置訓練過程，通過反向傳播損失函數(shù)梯度更新三維卷積核參數(shù)。由于訓練集相對較小，批量大小(batch size)設(shè)置為64，采用SGD優(yōu)化器完成訓練過程。學習速率用于控制每次訓練迭代的學習進度，不合適的學習速率會導(dǎo)致梯度離散或收斂緩慢，本研究采用網(wǎng)格搜索方法，將學習速率設(shè)定為{0.01，0.003，0.001，0.003，0.000 1，0.000 3}，分別對模型進行300個周期的訓練，基于訓練中精度、損失的變化及分類結(jié)果，選擇最佳學習速率為0.000 1。根據(jù)模型在驗證集的表現(xiàn)及最終分類結(jié)果，本研究采用的最佳3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示。

2.4 對比試驗

為驗證3D-CNN在高光譜數(shù)據(jù)中的分類能力，本研究采用近年來樹種分類研究中應(yīng)用較多的面向?qū)ο蠓指?毛學剛等， 2017)、隨機森林特征篩選方法(張瑩等， 2018)和2D-CNN(Chenetal.， 2016)進行對比分析。

2.4.1 基于特征選擇的面向?qū)ο髽浞N分類 首先選擇最佳分割參數(shù)進行圖像分割，然后采用分層分類方法將非林地去除，避免與各樹種混淆； 從機載高光譜影像中提取特征變量，包括獨立成分分析(independent component analysis,ICA)降維波段、光譜指數(shù)、紋理特征及由LiCHy系統(tǒng)同步搭載的LiDAR數(shù)據(jù)獲取的冠層高度模型(canopy height model,CHM)特征(特征見表3)；利用隨機森林法選擇最優(yōu)特征變量。

圖3 技術(shù)路線Fig.3 Technology roadmap

表2 最佳網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)(輸入W=11，N=4)Tab.2 Optimal network structure parameters (input W=11, N=4)

采用2種方案完成樹種分類： 1) 將上述所有特征疊加，使用SVM分類器對分割后的對象進行分類； 2) 采用隨機森林特征篩選方法從表3的特征中篩選出18個特征變量用于樹種分類，篩選的特征包括4個ICA變換特征、7個植被指數(shù)特征(包括歸一化植被指數(shù)NDVI、光化學植被指數(shù)PRI、綠度歸一化植被指數(shù)GNDVI、植被衰減指數(shù)PSRI、結(jié)構(gòu)不敏感色素指數(shù)SIPI和花青素反射指數(shù)1ARI1)、6個紋理特征(HOM_G550、ENT_G550、CON_G550、COR_G550、DIS_G650和DIS_R650)以及CHM特征。

2.4.2 基于2D-CNN的樹種分類 通過PCA將原始數(shù)據(jù)的125個波段生成3個主成分，并分別提取27×27×3和9×9×3的數(shù)據(jù)作為原始特征，網(wǎng)絡(luò)中包含3層卷積層和2層池化層。卷積核大小為5×5，每層卷積核個數(shù)分別為32、64和128。

表3 面向?qū)ο髽浞N分類中使用的特征Tab.3 Image object metrics used in tree species classification

3 結(jié)果與分析

3.1 數(shù)據(jù)集劃分

考慮實際遙感影像分類時通常難以獲取足夠多的樣本用于模型訓練，為了使模型在實際應(yīng)用中具有可用性，分別從各類標簽數(shù)據(jù)中隨機選出10%作為訓練數(shù)據(jù)用于模型訓練，10%作為驗證數(shù)據(jù)，在訓練過程中監(jiān)測模型學習效果、調(diào)整模型參數(shù)，其余80%作為測試數(shù)據(jù)，用于完成模型測試及計算分類指標。本研究12種地物選取的訓練樣本、驗證樣本以及測試樣本像元數(shù)量如表4所示。

3.2 樹種分類結(jié)果

基于特征選擇的面向?qū)ο髽浞N分類在易康軟件中完成，基于2D-CNN和3D-CNN的樹種分類采用Python編程，利用Tensorflow、Keras 開源深度學習框架實現(xiàn)，運行平臺硬件配置包括IntelRXeon(R) E5-2620 v4 @ 2.10 GHZ CPU及2塊nvidia GeForce GTX 1080Ti GPU。表5為不同分類方法的精度對比，基于深度學習的方法模型訓練時間為訓練300個周期(epochs)需要的時間。

面向?qū)ο蠓指罘椒軌蜉^好識別出道路、采伐跡地，但馬尾松、濕地松光譜比較接近，混分現(xiàn)象十分嚴重； 隨機森林特征篩選方法可有效提高分類總體精度，但由于一些特征缺失使得米老排、馬尾松等一些總體數(shù)量較少的類別分類精度下降。

2D-CNN中，窗口大小為9時無法分出馬尾松、建筑用地，且杉木誤分嚴重， 當設(shè)置較大窗口(W=27)時，能實現(xiàn)較高的總體精度；但對于細小地物存在比較嚴重的誤分(圖4)。網(wǎng)絡(luò)中W=11、N=8時雖然能夠?qū)崿F(xiàn)最高的總體精度，但是會引入更多需要訓練的參數(shù)，增加訓練、預(yù)測時的計算成本； 濕地松、其他軟闊、道路等訓練樣本數(shù)量相對少的類別分類精度相對低，模型平均精度不如W=11、N=4。3D-CNN(W=11、N=4)在實現(xiàn)較高精度的同時，訓練、預(yù)測速度相對快一些。

表4 地物類別以及訓練樣本、驗證樣本、測試樣本像元數(shù)量Tab.4 Summary of samples for training, validation and testing for each land cover class

表5 不同分類方法的精度對比Tab.5 Comparisons of accuracy assessment results among different methods

4 討論

4.1 輸入數(shù)據(jù)空間大小對模型分類能力的影響

為了評估輸入數(shù)據(jù)空間大小對模型分類能力的影響，本研究嘗試將每個像元的5×5、7×7、9×9、11×11、13×13鄰域作為輸入對模型進行測試，結(jié)果如圖5所示。可以發(fā)現(xiàn)，適當增加輸入數(shù)據(jù)空間大小有助于提高分類精度；然而，過大的區(qū)域可能產(chǎn)生額外噪聲，尤其當像元位于一個類別的角落或邊緣時，會導(dǎo)致精度下降。此外，過大的輸入也會顯著增加網(wǎng)絡(luò)訓練、預(yù)測時的計算量，導(dǎo)致需要更長的訓練時間。綜合上述結(jié)果，11×11窗口能取得較好效果。

圖5 輸入數(shù)據(jù)空間大小對模型分類能力的影響Fig.5 The effect of the spatial size of input data on the classification performence of the model

4.2 加入Dropout對模型訓練的影響

李竺強等(2018)提出的三維卷積神經(jīng)網(wǎng)絡(luò)在每層卷積層后加入三維最大池化層，該池化層可有效縮小參數(shù)矩陣尺寸，減少最后全連接層中的參數(shù)數(shù)量。與城市土地覆蓋類型相比，森林樹種之間光譜差異較小，引入光譜維度池化的數(shù)據(jù)降維方式會使原始細節(jié)丟失，導(dǎo)致分類精度下降，所以本研究提出的3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)沒有加入此類池化層。但是保持數(shù)據(jù)維度會造成網(wǎng)絡(luò)后幾層參數(shù)較多，隨著網(wǎng)絡(luò)規(guī)模增大，訓練過程中會出現(xiàn)過擬合問題。

本研究在最后一層卷積層和全連接層(即整個網(wǎng)絡(luò)中參數(shù)最多的2層)加入比率為0.5的Dropout，即在每次批訓練中，忽略掉一半特征檢測器，通過減少特征檢測器間的相互作用，避免模型過于依賴某些局部特征，從而提高模型的泛化性。圖6為加入Dropout與未加入Dropout訓練時精度和損失隨訓練迭代次數(shù)的變化情況，可以發(fā)現(xiàn)，未加入Dropout時存在較嚴重的過擬合問題，即模型對訓練數(shù)據(jù)的適應(yīng)性要優(yōu)于測試數(shù)據(jù)，且當?shù)螖?shù)在150左右時，驗證集上的損失出現(xiàn)上升; 加入Dropout后可較好解決這一問題，并在一定程度上加速了網(wǎng)絡(luò)訓練過程。

4.3 訓練樣本數(shù)量對模型分類能力的影響

將訓練樣本數(shù)量由原來全部數(shù)據(jù)的10%變?yōu)?%、2.5%和20%，檢驗?zāi)Ｐ驮谛颖居柧殫l件下的分類效果，結(jié)果如圖7所示?？梢园l(fā)現(xiàn)，隨著訓練樣本數(shù)量減少，模型分類總體精度逐漸降低，但當僅用全部數(shù)據(jù)的2.5%訓練模型、其余95%進行測試時，總體精度為95.89%，仍高于隨機森林、2D-CNN方法，這說明該模型適用于小樣本情況下的應(yīng)用。

圖6 訓練時加入Dropout與未加入Dropout對比Fig.6 Impact of adding Dropout on model training

圖7 訓練樣本數(shù)量對模型分類能力的影響Fig.7 Effect of the number of training samples on classification performence of the model

5 結(jié)論

針對廣西高峰林場機載高光譜數(shù)據(jù)的樹種分類結(jié)果表明，本研究提出的3D-CNN結(jié)構(gòu)可獲得比基于傳統(tǒng)面向?qū)ο蠓指?、隨機森林特征篩選和2D-CNN的樹種分類方法更好的分類結(jié)果，通過合理的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，并選擇合適的訓練策略，在少量樣本情況下仍可達95.89%的總體分類精度。

3D-CNN模型能夠充分利用高光譜影像中的空間信息和光譜信息，實現(xiàn)高精度區(qū)分亞熱帶森林樹種，且不需要對數(shù)據(jù)進行復(fù)雜預(yù)處理或后處理，同時也省去人工特征提取、特征篩選的步驟，模型結(jié)構(gòu)相對簡單，模型訓練、優(yōu)化過程也比較簡單，訓練過程僅需61.5 min，使用訓練好的模型對研究區(qū)整幅影像進行分類僅需62 s。