楊丹 李崇貴 常錚 李煜 雷田旺

(西安科技大學(xué)，西安，710054) (西安交通工程學(xué)院)

森林作為地球上最大的陸地生態(tài)系統(tǒng)，對(duì)維系生態(tài)平衡起著至關(guān)重要的作用，也是人類(lèi)賴(lài)以生存和發(fā)展的基礎(chǔ)條件[1]，因此，對(duì)森林資源的調(diào)查和實(shí)時(shí)監(jiān)測(cè)顯得尤為重要。傳統(tǒng)的森林資源調(diào)查因時(shí)效性差、精度低、成本高，難以符合林業(yè)的可持續(xù)發(fā)展[2]。而遙感作為一門(mén)新技術(shù)，能夠有效地提高林業(yè)資源調(diào)查的質(zhì)量與效率，具有重要的社會(huì)和經(jīng)濟(jì)意義[3]。近年來(lái)，各類(lèi)衛(wèi)星不斷發(fā)射，其搭載的傳感器也越來(lái)越先進(jìn)，對(duì)于開(kāi)展低成本和高時(shí)效的植被分類(lèi)提供了新的機(jī)遇[4]。眾多國(guó)內(nèi)外學(xué)者致力于森林植被遙感分類(lèi)方法研究，探索有利于實(shí)際生產(chǎn)的分類(lèi)方法。Agarwal et al.[5]以不同時(shí)相的SPOT影像為數(shù)據(jù)源，結(jié)合植被物候特性，構(gòu)建歸一化植被指數(shù)(NDVI)時(shí)間序列，對(duì)中南亞地區(qū)植被進(jìn)行分類(lèi)，效果較理想；郝衛(wèi)平等[6]采用了多時(shí)相的MODIS數(shù)據(jù)提取了主要作物分布的空間信息；溫一博等[7]利用分層分類(lèi)思想，采用7景不同時(shí)相的TM遙感影像以及多種植被指數(shù)對(duì)優(yōu)勢(shì)樹(shù)種進(jìn)行分類(lèi)，精度比單一時(shí)相提高了16.42%；馬婷等[8]對(duì)落葉松分類(lèi)時(shí)，加入植被指數(shù)時(shí)間序列的影像，提高了森林植被的分類(lèi)精度。綜合來(lái)看，利用多時(shí)相的遙感影像并結(jié)合植被指數(shù)進(jìn)行植被分類(lèi)，考慮了植被生長(zhǎng)規(guī)律，分類(lèi)精度大幅度提高。目前，基于深度學(xué)習(xí)、專(zhuān)家知識(shí)、神經(jīng)網(wǎng)絡(luò)等智能分類(lèi)算法的不斷推廣，為遙感植被分類(lèi)發(fā)展提供了更為廣闊的空間。有很多學(xué)者將深度學(xué)習(xí)應(yīng)用到遙感領(lǐng)域，探究其在遙感分類(lèi)中的適用性[9]。全卷積神經(jīng)網(wǎng)絡(luò)由Long et al.[10]提出的一種端到端的分類(lèi)方法，可以實(shí)現(xiàn)像素級(jí)分類(lèi)，即語(yǔ)義分割。同時(shí)，許多學(xué)者基于全卷積神經(jīng)網(wǎng)絡(luò)(FCN)在各領(lǐng)域?qū)ζ溥M(jìn)行改進(jìn)，開(kāi)發(fā)出一系列語(yǔ)義分割網(wǎng)絡(luò)模型，如U-Net、DeepLab等，在遙感分類(lèi)上得到了廣泛的應(yīng)用[11]。許慧敏等[12]將歸一化數(shù)字表面模型(nDSM)疊加在高分辨率遙感影像上，利用優(yōu)化的U-Net進(jìn)行訓(xùn)練并驗(yàn)證，結(jié)果表明顯著提高了影像的分類(lèi)精度；孫曉敏等[13]采用U-Net方法對(duì)“高分五號(hào)”高光譜影像進(jìn)行土地類(lèi)型分類(lèi)，模型分類(lèi)精度高于支持向量機(jī)(SVM)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)方法；王雅慧等[14]采用深度U-Net優(yōu)化方法，對(duì)高分辨率遙感影像森林分類(lèi)，在原始波段上加入歸一化植被指數(shù)構(gòu)建網(wǎng)絡(luò)，優(yōu)化后的精度高于未加入NDVI的精度，并且該方法精度高于支持向量機(jī)和隨機(jī)森林的精度。因此，U-Net網(wǎng)絡(luò)對(duì)于遙感影像進(jìn)行語(yǔ)義分割具有一定的適用價(jià)值。

綜合來(lái)看，采用多時(shí)相影像并結(jié)合植被指數(shù)進(jìn)行森林樹(shù)種分類(lèi)，精度大大提高，而深度學(xué)習(xí)分類(lèi)方法中，大部分采用高分辨率影像，對(duì)于Landsat-8多光譜影像進(jìn)行分類(lèi)的研究還相對(duì)較少，并且未充分利用森林植被物候特征。因此，本文以孟家崗林場(chǎng)為研究區(qū)，基于多時(shí)相的Landsat-8影像，以森林二類(lèi)調(diào)查數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)為樣地?cái)?shù)據(jù)，根據(jù)各森林類(lèi)別多時(shí)相的光譜曲線(xiàn)確定分類(lèi)的最佳時(shí)相。同時(shí)，進(jìn)一步構(gòu)建多時(shí)相植被指數(shù)(差值植被指數(shù)(IDVI)、增強(qiáng)植被指數(shù)(IEVI)以及纓帽變換中的綠度植被指數(shù)(IGVI))特征，訓(xùn)練分類(lèi)模型并對(duì)森林植被進(jìn)行分類(lèi)，對(duì)比優(yōu)化后的U-Net模型以及最大似然法分別采用單一時(shí)相和多時(shí)相植被指數(shù)的精度，為后續(xù)森林植被分類(lèi)提供參考依據(jù)。

1 研究區(qū)概況

黑龍江孟家崗林場(chǎng)位于樺南縣東北部，地理坐標(biāo)為東經(jīng)130°32′42″～130°52′36″，北緯46°20′16″～46°30′50″，林場(chǎng)經(jīng)營(yíng)面積為16 274 hm2，以經(jīng)營(yíng)落葉松(Larixgmelinii(Rupr.) Kuzen.)樹(shù)種為主的人工林基地。地貌總體表現(xiàn)為低山丘陵，坡度較為平緩，東北部地勢(shì)較高，西南部較低，海拔170～575 m。氣候條件為東亞大陸性季風(fēng)氣候，年平均溫度為7 ℃，年平均降水量550 mm。該林場(chǎng)主要森林樹(shù)種有落葉松、樟子松(Pinussylvestrisvar. Mongolica Litv.)、紅松(PinuskoraiensisSieb. et Zucc.)等。

2 研究方法

2.1 數(shù)據(jù)來(lái)源

采用的Landsat-8遙感影像在地理空間數(shù)據(jù)云中下載，其產(chǎn)品類(lèi)型為L(zhǎng)evel 1T地形矯正影像。根據(jù)研究區(qū)森林植被的生長(zhǎng)特點(diǎn)，選擇4—11月的影像，利用經(jīng)緯度范圍下載4景不同時(shí)相的影像，成像時(shí)間分別為2018年4月16日、2017年6月16日、2017年8月19日、2017年10月22日，行列號(hào)為115/28，影像質(zhì)量良好。

輔助數(shù)據(jù)包括孟家崗林場(chǎng)矢量邊界、研究區(qū)域2014年森林資源二類(lèi)調(diào)查小班矢量數(shù)據(jù)以及2017年典型樣地實(shí)地調(diào)查數(shù)據(jù)，結(jié)合Google Earth影像對(duì)其區(qū)域樹(shù)種進(jìn)行更新，將其類(lèi)別劃分為5類(lèi)，分別為落葉松、樟子松、闊葉林、針闊混交林、其他(農(nóng)作物、耕地等)，并根據(jù)小班數(shù)據(jù)中的屬性字段制作優(yōu)勢(shì)樹(shù)種分布圖，用于制作深度學(xué)習(xí)標(biāo)簽(見(jiàn)圖1)。

圖1 研究區(qū)影像及部分Label標(biāo)簽

2.2 數(shù)據(jù)預(yù)處理

利用ENVI5.3軟件，對(duì)分辨率30 m的Landsat-8多光譜影像進(jìn)行輻射定標(biāo)、大氣校正，對(duì)分辨率15 m的全色影像進(jìn)行輻射定標(biāo)，并采用SFIM融合算法對(duì)其進(jìn)行融合，得到15 m的多光譜影像，并且對(duì)影像各波段進(jìn)行歸一化。采用ARCGIS Pro2.3制作深度學(xué)習(xí)樣本，通過(guò)滑動(dòng)采樣的方式將影像及標(biāo)簽裁剪為256×256像元。為了避免影像中各類(lèi)別樣本分布不均衡，適當(dāng)?shù)膶?duì)數(shù)據(jù)集進(jìn)行重采樣、對(duì)樣本類(lèi)別少的進(jìn)行過(guò)采樣等，使樣本差異減小。在模型訓(xùn)練時(shí)，將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中60%影像(458張)用于模型訓(xùn)練；20%影像(159張)用于驗(yàn)證，訓(xùn)練超參數(shù)；20%的影像(157張)用于測(cè)試模型精度。

2.3 光譜特征

由于不同地物在不同時(shí)相表現(xiàn)的光譜曲線(xiàn)不一致，本研究根據(jù)采集的同一套訓(xùn)練樣本數(shù)據(jù)，分別在4景不同時(shí)相的影像下計(jì)算平均像元值，并且繪制各地物的光譜均值曲線(xiàn)，分析此次分類(lèi)的最佳時(shí)相。

2.4 植被指數(shù)

本文根據(jù)前人的研究以及進(jìn)行大量的實(shí)驗(yàn)，選取了3種植被指數(shù)：差值植被指數(shù)(IDVI)、增強(qiáng)植被指數(shù)(IEVI)以及纓帽變換中的綠度植被指數(shù)(IGVI)。其中，差值植被指數(shù)可以很好地反映植被覆蓋度的變化；增強(qiáng)植被指數(shù)通過(guò)藍(lán)光波段來(lái)修正大氣對(duì)紅光波段的影響，以增強(qiáng)植被信息，適用于高植被覆蓋區(qū)的植被生長(zhǎng)情況；纓帽變換中的綠度植被指數(shù)反映地面植被的綠度。計(jì)算公式如下：

IDVI=BNIR-BR；

IEVI=2.5×[(BNIR-BR)/(BNIR+6.0BR-7.5BB+1)]；

IGVI=-0.294 2BB-0.243 0BG-0.542 4BR+0.727 6BNIR+

0.071 3BSWIR1-0.160 8BSWIR2。

式中：BR、BG、BB、BSWIR1、BSWIR2、BNIR分別為紅光、綠光、藍(lán)光、短波紅外1、短波紅外2以及近紅外波段的反射率。

2.5 U-Net模型

U-Net模型是FCN的改進(jìn)和延伸，它沿用了FCN進(jìn)行圖像語(yǔ)義分割的思想，即利用卷積層、池化層進(jìn)行特征提取，再利用反卷積層還原圖像尺寸。它是一種編碼解碼/下采樣上采樣的網(wǎng)絡(luò)架構(gòu)，其中編碼/上采樣稱(chēng)為收縮路徑，解碼/下采樣稱(chēng)為擴(kuò)張路徑。收縮路徑類(lèi)似于經(jīng)典的卷積網(wǎng)絡(luò)，能夠有效捕捉上下文信息，擴(kuò)張路徑即上采樣，旨在恢復(fù)像素尺寸，擴(kuò)張路徑能夠更為精準(zhǔn)的進(jìn)行分割位置定位。

如圖2所示，從左邊輸入圖像開(kāi)始，每一層使用了兩個(gè)3×3的卷積核進(jìn)行卷積操作，每次卷積都進(jìn)行激活函數(shù)(ReLU)和步長(zhǎng)為2的最大池化進(jìn)行下采樣。經(jīng)過(guò)4次下采樣特征圖尺寸減小。然后進(jìn)入到網(wǎng)絡(luò)的擴(kuò)張路徑，使用2×2的反卷積核進(jìn)行上采樣，特征圖的通道數(shù)減半。與此同時(shí)，將上采樣形成的特征圖和下采樣的特征圖進(jìn)行合并，為保持尺寸不被擴(kuò)大，再進(jìn)行3×3的卷積操作。經(jīng)過(guò)四次上采樣、特征圖合并和3×3卷積逐漸使圖像達(dá)到語(yǔ)義分割，同時(shí)圖像也恢復(fù)到輸入尺寸大小。

圖2 U-Net網(wǎng)絡(luò)結(jié)構(gòu)

由于參數(shù)過(guò)多，進(jìn)行模型訓(xùn)練時(shí)，需要耗費(fèi)大量的內(nèi)存和時(shí)間，導(dǎo)致模型復(fù)雜度上升，所以在U-Net模型的基礎(chǔ)上進(jìn)行改進(jìn)，減少了一定的卷積核數(shù)量，同時(shí)，在卷積層和ReLu激活函數(shù)之間加入了正則化的批標(biāo)準(zhǔn)化，減少權(quán)重值的影響，加速訓(xùn)練并且避免過(guò)擬合。本次實(shí)驗(yàn)是基于Tensorflow 2.0+Keras深度學(xué)習(xí)框架進(jìn)行，采用Adam優(yōu)化算法訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)率設(shè)置為0.001。實(shí)驗(yàn)配置為Intel(R) Core(TM) i5-3230M CPU@2.60GHz，NVIDIA GeForce GT 740M。

2.6 最大似然分類(lèi)法

最大似然分類(lèi)法(MLC)是一種典型的基于貝葉斯準(zhǔn)則并且應(yīng)用廣泛的監(jiān)督分類(lèi)方法，主要依據(jù)光譜性質(zhì)相似來(lái)判別地物的類(lèi)別。假設(shè)訓(xùn)練樣本的光譜特征屬于隨機(jī)事件，各類(lèi)的分布函數(shù)服從正態(tài)分布，根據(jù)訓(xùn)練樣本的均值和方差，通過(guò)求出未知像元對(duì)各類(lèi)別的歸屬概率，將該像元分到歸屬概率大的一類(lèi)。本次實(shí)驗(yàn)采用ENVI 5.3進(jìn)行分類(lèi)。

2.7 精度評(píng)定

以外業(yè)調(diào)查樣本為各類(lèi)別的真值，對(duì)分類(lèi)結(jié)果進(jìn)行檢驗(yàn)，通過(guò)混淆矩陣計(jì)算總體分類(lèi)精度、Kappa系數(shù)，評(píng)判各分類(lèi)方法的效果。本次實(shí)驗(yàn)兩種方法均采用同一套驗(yàn)證樣本進(jìn)行驗(yàn)證。

3 結(jié)果與分析

3.1 根據(jù)光譜特征選取分類(lèi)最佳時(shí)相

由圖3可知，4月16日影像，各森林植被處于生長(zhǎng)初期，均發(fā)生在發(fā)芽階段，各類(lèi)別的光譜變化曲線(xiàn)規(guī)律較為一致，并且各類(lèi)別光譜值有一定的差異。6月16日的影像各森林植被與其他類(lèi)型有明顯差異，而各森林植被之間處于生長(zhǎng)期，光譜曲線(xiàn)變化類(lèi)似，僅在近紅外波段能相對(duì)區(qū)分，其中闊葉林的光譜值最高，其他類(lèi)別之間差異較小，區(qū)分度不高。8月19日的影像中，前4個(gè)波段很難區(qū)分各地物，近紅外波段有一定的差異，其中落葉松和針闊混交林差異較小，不易區(qū)分。10月22日獲取的影像處于生長(zhǎng)末期，落葉松、闊葉樹(shù)均進(jìn)入落葉階段，樟子松為全年常綠植被，光譜曲線(xiàn)值與其他時(shí)相基本一致，TM6、TM7有利于將樟子松、針闊混交林、其他類(lèi)型和落葉松、闊葉林區(qū)分，TM5有利于區(qū)分落葉松和闊葉林，同時(shí)各森林類(lèi)別在其他波段光譜曲線(xiàn)大體一致，且具有較小的差異，相比其他時(shí)相來(lái)說(shuō)，最有利于分類(lèi)。同時(shí)，前人研究也發(fā)現(xiàn)秋季影像更利于區(qū)分森林植被，因此，選取10月22日的影像進(jìn)行單時(shí)相分類(lèi)。

3.2 多時(shí)相植被指數(shù)的最佳組合

在單時(shí)相的基礎(chǔ)上，探索加入多時(shí)相植被指數(shù)U-Net分類(lèi)效果，因此，計(jì)算各生長(zhǎng)階段的植被指數(shù)并繪制曲線(xiàn)圖，分析各森林類(lèi)別之間的差異，選取有利于分類(lèi)的最佳特征組合。

由圖4所示，各森林植被差值植被指數(shù)值的變化趨勢(shì)，闊葉林在夏季具有較大的差值植被指數(shù)值；樟子松的差值植被指數(shù)值在各時(shí)相之間變化較小，四季常綠，均與其他類(lèi)別有明顯差異；落葉松和針闊混交林在6—8月份差值植被指數(shù)變化趨勢(shì)相似，且差異較小，4月份與10月份兩者有明顯差異，但易與其他類(lèi)別混分。6月19日的差值植被指數(shù)，有利于將闊葉林、樟子松、其他農(nóng)作物和落葉松、針闊混交林區(qū)分開(kāi)。

圖3 不同時(shí)相各類(lèi)別光譜均值曲線(xiàn)

圖4 差值植被指數(shù)時(shí)間序列曲線(xiàn)

由圖5可知，各森林植被類(lèi)別增強(qiáng)植被指數(shù)具有相似的變化趨勢(shì)，其他類(lèi)別在6月份增強(qiáng)植被指數(shù)值較小，且易與其他森林類(lèi)別區(qū)分；在6月份與10月份，森林植被增強(qiáng)植被指數(shù)差異明顯，各類(lèi)別之間易于區(qū)分。因此，4月10日、6月19日和10月22日的增強(qiáng)植被指數(shù)參與分類(lèi)，有利于提高分類(lèi)精度，降低分類(lèi)模型的不確定性。

由圖6可知，在夏季闊葉林的綠度植被指數(shù)值大于針葉；樟子松四季常綠，其綠度植被指數(shù)值在4個(gè)時(shí)相變化較小；落葉松和針闊混交林，在夏季綠度植被指數(shù)值基本一致，在4月份與10月份綠度值有明顯差異，可能落葉松處于生長(zhǎng)初期和落葉階段，綠度植被指數(shù)較針闊混交林小。因此，6月19日的綠度植被指數(shù)有利于區(qū)分闊葉林、樟子松、其他與落葉松、針闊混交林。

圖5 增強(qiáng)植被指數(shù)時(shí)間序列曲線(xiàn)

圖6 綠度植被指數(shù)時(shí)間序列曲線(xiàn)

3.3 U-Net及最大似然分類(lèi)

將單一時(shí)相影像和加入多時(shí)相植被指數(shù)影像分別采用優(yōu)化后的U-Net模型進(jìn)行分類(lèi)，比較該方法在兩種數(shù)據(jù)集中的表現(xiàn)效果。同時(shí)，采用最大似然法進(jìn)行分類(lèi)對(duì)比實(shí)驗(yàn)。

將訓(xùn)練集及驗(yàn)證集影像按批次輸入到優(yōu)化的U-Net模型，經(jīng)過(guò)多次訓(xùn)練，精度和損失率達(dá)到穩(wěn)定狀態(tài)，通過(guò)訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行驗(yàn)證。由表1可知，采用U-Net方法分類(lèi)時(shí)，結(jié)合多時(shí)相植被指數(shù)分類(lèi)的總體精度為83.5%，Kappa系數(shù)為0.791 7，比采用單時(shí)相分類(lèi)精度高6.1%；采用最大似然分類(lèi)法時(shí)，加入多時(shí)相植被指數(shù)的分類(lèi)精度為74.4%，比單一時(shí)相分類(lèi)精度高2.3%。無(wú)論是采用單一時(shí)相還是多時(shí)相植被指數(shù)，采用U-Net方法均比最大似然法精度高。

對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，隨機(jī)選取3張256×256像元大小的子圖，對(duì)比不同分類(lèi)方法的效果(見(jiàn)圖7)。由圖7可知，最大似然分類(lèi)結(jié)果地物較粗糙，存在較多細(xì)小錯(cuò)分的現(xiàn)象，而U-Net分類(lèi)結(jié)果較之精細(xì)。同時(shí)，通過(guò)對(duì)比發(fā)現(xiàn)，加入多時(shí)相植被指數(shù)后的分類(lèi)效果比未加入時(shí)要好，說(shuō)明加入多時(shí)相植被指數(shù)利用了植被物候生長(zhǎng)特性，在一定程度上可以提高分類(lèi)精度。對(duì)比各森林類(lèi)別的分類(lèi)效果，發(fā)現(xiàn)闊葉林、落葉松、樟子松分別與針闊混交林存在誤分現(xiàn)象，主要是由于針闊混交林中存在部分闊葉林和落葉松，導(dǎo)致光譜值差異較小，容易造成誤分。整體來(lái)看，U-Net分類(lèi)比最大似然分類(lèi)效果要好，并且減少了“椒鹽”現(xiàn)象。

表1 分類(lèi)結(jié)果精度評(píng)價(jià)

a為單時(shí)相最大似然分類(lèi)法；b為多時(shí)相植被指數(shù)最大似然分類(lèi)法；c為單時(shí)相U-Net方法；d為多時(shí)相植被指數(shù)U-Net方法；e為真實(shí)地物類(lèi)別。

4 結(jié)語(yǔ)

以多時(shí)相的Landsat-8影像為遙感源，根據(jù)森林植被的生長(zhǎng)規(guī)律，結(jié)合多時(shí)相植被指數(shù)，探究?jī)?yōu)化后的U-Net模型對(duì)森林植被的分類(lèi)效果，并與最大似然法進(jìn)行對(duì)比試驗(yàn)。通過(guò)實(shí)驗(yàn)分析，加入多時(shí)相植被指數(shù)時(shí)，U-Net分類(lèi)方法和最大似然分類(lèi)法精度明顯都高于單一時(shí)相影像的分類(lèi)精度，說(shuō)明加入植被指數(shù)，結(jié)合了植被的物候特性，有利于區(qū)分森林各類(lèi)別；對(duì)比U-Net分類(lèi)方法和最大似然法的分類(lèi)精度，發(fā)現(xiàn)優(yōu)化后的U-Net分類(lèi)方法比最大似然分類(lèi)法精度高，說(shuō)明該模型能夠有效地對(duì)森林植被進(jìn)行分類(lèi)。因此，隨著大數(shù)據(jù)、云計(jì)算以及人工智能的發(fā)展，深度學(xué)習(xí)方法的廣泛應(yīng)用，采用優(yōu)化的U-Net模型對(duì)提高森林植被分類(lèi)精度有一定的參考價(jià)值。