趙志國(guó)

(上海元易勘測(cè)設(shè)計(jì)有限公司, 上海 201203)

0 引言

植被是構(gòu)成地球生態(tài)循環(huán)的重要組成部分,可以有效監(jiān)測(cè)地球的生態(tài)變化。如今伴隨著衛(wèi)星技術(shù)以及傳感器的發(fā)展,多光譜遙感影像的應(yīng)用越來越廣泛。現(xiàn)在多光譜遙感影像經(jīng)常用于植被分類,傳統(tǒng)的人工目視解譯法耗費(fèi)時(shí)間,而且對(duì)于解譯者來說需要有十分專業(yè)的知識(shí),花費(fèi)大量的人力才能夠完成工作。深度學(xué)習(xí)被大量應(yīng)用于各種不同的研究領(lǐng)域,原因是深度學(xué)習(xí)在計(jì)算機(jī)應(yīng)用中顯示出的極高效率,遙感領(lǐng)域也是如此,以前超大數(shù)據(jù)量的運(yùn)算和處理,人工無法勝任,深度學(xué)習(xí)到來之后就變得不再那么遙不可及。遙感領(lǐng)域中對(duì)數(shù)據(jù)的發(fā)掘以及利用都可以通過深度學(xué)習(xí)來實(shí)現(xiàn)。

在遙感影像植被分類中,中低分辨率的多光譜影像能夠用于較大尺度的植被群落級(jí)別的分類,我們通過使用Google Engine合成多個(gè)時(shí)段的中分辨率成像光譜儀(Moderate-resolution Imaging Spectroradiometer,MODIS)反射率數(shù)據(jù)構(gòu)建新的偽高光譜數(shù)據(jù),該數(shù)據(jù)具有時(shí)間特性,在一定程度上可以保留全年的相關(guān)信息,也可以降低云霧等信息造成的干擾。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域

本研究所用的遙感影像數(shù)據(jù)為2016年1月1日至2016年12月31的MODIS數(shù)據(jù)，影像地區(qū)是上海、福建、陜西、遼寧。數(shù)據(jù)源選擇的是2016年目標(biāo)區(qū)域全年MODIS數(shù)據(jù),共366 d的樣本反射率數(shù)據(jù)。

1.2 訓(xùn)練集數(shù)據(jù)

訓(xùn)練集數(shù)據(jù)選取的是MODIS數(shù)據(jù)中的MOD09GA.006 Terra Surface Reflectance Daily Global 1 km和500 m影像集,其對(duì)大氣氣體以及氣溶膠的低水平數(shù)據(jù)進(jìn)行了校正,MOD09GA提供了1～7個(gè)波段,訓(xùn)練集所選取的是較為常見的紅光、藍(lán)光、綠光和近紅外光4個(gè)波段。

1.3 驗(yàn)證集數(shù)據(jù)

驗(yàn)證集數(shù)據(jù)采用的是MODIS Land Cover(MCD12Q1)土地覆蓋數(shù)據(jù)集,MCD12Q1產(chǎn)品數(shù)據(jù)中含有13套分類標(biāo)準(zhǔn),選擇其中LC_Type3葉面積指數(shù)(Leaf Area Index,LAI),此套標(biāo)準(zhǔn)中含有11個(gè)分類類型,足夠500 m分辨率下進(jìn)行分類研究[1]。

2 研究方法

2.1 數(shù)據(jù)預(yù)處理

在使用MODIS官網(wǎng)下載的影像過程中發(fā)現(xiàn),找尋無云數(shù)據(jù)十分困難,而且有云數(shù)據(jù)在計(jì)算過程中有干擾作用,良好的無云數(shù)據(jù)會(huì)使試驗(yàn)效果更真實(shí)。為此,我們選擇使用Google平臺(tái)上的MODIS數(shù)據(jù)。Google Earth Engine平臺(tái)上存儲(chǔ)著公開可用的2000年至今的MODIS數(shù)據(jù)。由于每個(gè)遙感影像數(shù)據(jù)并不是所有部分都被大量云霧所遮蓋,利用這個(gè)特點(diǎn),找出不同影像上含云量稀少部分,進(jìn)行裁剪,之后將所有裁剪下來的部分進(jìn)行拼接,成為一幅“無云”的遙感影像。通過實(shí)驗(yàn)發(fā)現(xiàn)每8個(gè)數(shù)據(jù)就能很好地拼接一個(gè)無云數(shù)據(jù)。于是使用8 d合成算法選出 8 d內(nèi)云霧、觀測(cè)角度、太陽角度等干擾最小的反射率數(shù)據(jù),根據(jù)所需數(shù)據(jù)量可合成相應(yīng)數(shù)據(jù)[2]。

通過真實(shí)值數(shù)據(jù)中的分類點(diǎn),進(jìn)行隨機(jī)選點(diǎn)來制作測(cè)試集、驗(yàn)證集和訓(xùn)練集,其中訓(xùn)練集隨機(jī)選取了1萬個(gè)點(diǎn)作為訓(xùn)練數(shù)據(jù),驗(yàn)證集選取了總大小的20%的點(diǎn),剩下的點(diǎn)作為測(cè)試集。在進(jìn)行隨機(jī)選點(diǎn)的過程中確保三個(gè)數(shù)據(jù)集中沒有重合的部分,為了減少計(jì)算量,使用掩膜對(duì)矩陣進(jìn)行處理,掩膜矩陣中的0和1分別代表是否選取該位置點(diǎn)。

本文為了驗(yàn)證時(shí)序影像對(duì)分類精度的影響,從Google Earth Engine下載了1個(gè)月、3個(gè)月、6個(gè)月、9個(gè)月以及12個(gè)月數(shù)據(jù)量的影像,利用matlab對(duì)影像數(shù)據(jù)進(jìn)行處理并將影像矩陣進(jìn)行堆疊,提取出對(duì)應(yīng)時(shí)間長(zhǎng)度的紅綠藍(lán)(Red Green Blue,RGB)三色波段數(shù)據(jù)單獨(dú)作為一個(gè)輸入數(shù)據(jù),圖1為預(yù)處理流程。

圖1 預(yù)處理流程

2.2 決策樹分類器——隨機(jī)森林

1995年,貝爾實(shí)驗(yàn)室的Tin Kam Ho提出了隨機(jī)決策森林。隨機(jī)森林(Random Forest,RF)是以決策樹為基礎(chǔ)的一種高級(jí)算法。形似決策樹一般,隨機(jī)森林既可以用來回歸也可以用來分類。隨機(jī)構(gòu)建一個(gè)森林,森林中由許多獨(dú)立的決策樹組成。實(shí)際上隨機(jī)森林從本質(zhì)上來說是屬于機(jī)器學(xué)習(xí)中的一個(gè)重要分支,叫作集成學(xué)習(xí)。集成學(xué)習(xí)通過建立幾個(gè)模型的組合來集中解決單一的預(yù)測(cè)問題。它的工作原理是通過生成多個(gè)分類器,各自獨(dú)立學(xué)習(xí)特征并且做出預(yù)測(cè)[3]。

然后將這些預(yù)測(cè)合成為單一預(yù)測(cè),所以比任何一個(gè)單分類的方法做出的預(yù)測(cè)都要準(zhǔn)確。隨機(jī)森林在分類中的精度要優(yōu)于單棵決策樹,隨機(jī)森林較之于決策樹引入了隨機(jī)變量來控制每一棵樹的生長(zhǎng)。對(duì)于第i棵樹引進(jìn)的隨機(jī)變量θi,它和前面的i-1隨機(jī)變量θ1,θ2,…,θi-1是獨(dú)立分布的[4]。

目前,隨機(jī)森林方法相較于其他神經(jīng)網(wǎng)絡(luò)計(jì)算方法,其計(jì)算量要小很多且結(jié)果精度有一定保證,因此,常用于大面積農(nóng)業(yè)遙感影像分類、森林火災(zāi)預(yù)警、森林資源調(diào)查等方面,對(duì)于地理國(guó)情監(jiān)測(cè)和土地分類覆蓋方面有著較為重要的作用。

2.3 實(shí)驗(yàn)設(shè)計(jì)

對(duì)MCD12Q1中的圖表數(shù)據(jù)對(duì)應(yīng)的遙感影像做好標(biāo)記得到真實(shí)值數(shù)據(jù),反射率數(shù)據(jù)預(yù)處理后將目標(biāo)的區(qū)域作為訓(xùn)練的數(shù)據(jù),然后將這其中的20%作為驗(yàn)證組,將數(shù)據(jù)輸入訓(xùn)練方法中進(jìn)行訓(xùn)練,得到結(jié)果后對(duì)真實(shí)值數(shù)據(jù)進(jìn)行精度對(duì)比,之后再將數(shù)據(jù)作為初始數(shù)據(jù)代入之前的方法中進(jìn)行訓(xùn)練。設(shè)定隨機(jī)森林生成樹木最大為500,挑選出其中精度最高的一組作為植被分類圖,使用python將矩陣數(shù)據(jù)進(jìn)行上色,得到可視化的植被分類圖。

3 實(shí)驗(yàn)結(jié)果

3.1 影像時(shí)序結(jié)果對(duì)比

在完成隨機(jī)森林模型建立后,將1個(gè)月、3個(gè)月、6個(gè)月、9個(gè)月以及12個(gè)月的數(shù)據(jù)依次帶入模型中進(jìn)行計(jì)算,得到的數(shù)據(jù)如表1所示。

表1 識(shí)別準(zhǔn)確率表 單位：%

分析以上結(jié)果可以得出：影像時(shí)序豐度越大,得到的分類精度越高,但隨著時(shí)序豐度的增加,準(zhǔn)確率曲線對(duì)于其敏感度會(huì)下降,最終準(zhǔn)確率會(huì)在一年準(zhǔn)確率的范圍內(nèi)進(jìn)行微小波動(dòng),不再大幅度提升。其原因在于,在一年時(shí)間內(nèi),由于選用驗(yàn)證數(shù)據(jù)標(biāo)準(zhǔn)為葉面積指數(shù)(Leaf Area Inde,LAI),針對(duì)植被變化會(huì)較為敏感,而且影像分辨率為500 m,對(duì)于小范圍變化同樣不敏感,所以當(dāng)時(shí)序數(shù)據(jù)量達(dá)到12個(gè)月時(shí)該地區(qū)的目前狀況下的特征提取已經(jīng)比較完備,所以準(zhǔn)確率會(huì)進(jìn)行波動(dòng),不再增長(zhǎng)。

3.2 地區(qū)分類結(jié)果對(duì)比

本次試驗(yàn)針對(duì)四個(gè)目標(biāo)區(qū)域進(jìn)行了對(duì)比,分類結(jié)果如表2所示。

表2 隨機(jī)森林分類結(jié)果的橫向?qū)Ρ?/p>

表2中左側(cè)GT為MCD12Q1中真實(shí)值數(shù)據(jù)影像，之后依次為本地區(qū)1個(gè)月、3個(gè)月、6個(gè)月、9個(gè)月以及12個(gè)月的數(shù)據(jù)帶入模型中進(jìn)行計(jì)算得到的識(shí)別結(jié)果，圖中的空白區(qū)域?yàn)樗w。根據(jù)表2的分類結(jié)果,可以看到,隨機(jī)森林分類方法精度效果受水體限制較大,在上海區(qū)域內(nèi)擁有較多水體,在進(jìn)行隨機(jī)森林決策樹訓(xùn)練的時(shí)候較多參數(shù)分配給了水體的識(shí)別,而且在圖中可以發(fā)現(xiàn)分類精度較高的地區(qū)分類種類相較于低精度地區(qū)都較少，分類種類較少時(shí)隨機(jī)森林的分類精度更高。

4 結(jié)束語

本文使用MOD09GA數(shù)據(jù)并且用其中LAI層植被反射率數(shù)據(jù)作為輸入矩陣,運(yùn)用GEE通過8 d合成算法對(duì)數(shù)據(jù)進(jìn)行處理,得到云量最低反射角度最好的數(shù)據(jù),通過RGB三波段輔助判斷,先對(duì)植被邊緣進(jìn)行篩選。針對(duì)上海、遼寧、陜西、福建四個(gè)地區(qū)的MODIS影像數(shù)據(jù),建立每個(gè)地區(qū)5個(gè)時(shí)間序列的訓(xùn)練集,通過隨機(jī)森林機(jī)器學(xué)習(xí)方法,學(xué)習(xí)一年內(nèi)目標(biāo)區(qū)域的時(shí)序變化規(guī)律,從而獲取更為精確的分類效果,根據(jù)區(qū)域特點(diǎn)對(duì)比研究該算法對(duì)于上述四個(gè)地區(qū)識(shí)別方法的優(yōu)劣。實(shí)驗(yàn)結(jié)果顯示:隨機(jī)森林分類法在沒有海部的地區(qū)識(shí)別效果能夠達(dá)到90%以上,使用訓(xùn)練集數(shù)據(jù)量越大,識(shí)別率越高,數(shù)據(jù)量達(dá)到一年左右后,識(shí)別率只有微小波動(dòng)。

隨機(jī)森林分類法已經(jīng)證明是同類分類法中效果最好的一種,其運(yùn)算速度較為迅速而且分類精度也有一定的保障;在我們以往的工作過程中發(fā)現(xiàn),隨機(jī)森林分類方法的穩(wěn)定性超過了神經(jīng)元網(wǎng)絡(luò)分類法,受工作時(shí)間及硬件的限制,本次試驗(yàn)并沒有將現(xiàn)有數(shù)據(jù)進(jìn)行神經(jīng)元網(wǎng)絡(luò)分類識(shí)別,在以后的試驗(yàn)中我們會(huì)增加分類識(shí)別的方法以獲得更完善的結(jié)論。

去云處理將產(chǎn)生影像部分不連續(xù),這在一定程度上會(huì)導(dǎo)致識(shí)別率下降,增加時(shí)序影像的數(shù)量一定程度上能夠彌補(bǔ)這種不足,使隨機(jī)森林分類法得到更高的準(zhǔn)確率。比較遺憾的是本次試驗(yàn)只用了反射率數(shù)據(jù)作為輸入數(shù)據(jù),并沒有比較EVI和NDVI的時(shí)間序列數(shù)據(jù),理論上,通過增加時(shí)間序列數(shù)據(jù)的輸入應(yīng)該可以對(duì)訓(xùn)練數(shù)據(jù)的準(zhǔn)確性進(jìn)行二次修正,會(huì)進(jìn)一步提升隨機(jī)森林分類法的精度。