張雷 劉昌華 石林峰 張鷹

(1.河南理工大學(xué)測繪與國土信息工程學(xué)院，河南 焦作 454000；2.自然資源部第一大地測量隊(duì)，陜西 西安 710054；3.河南省現(xiàn)代農(nóng)業(yè)大數(shù)據(jù)產(chǎn)業(yè)技術(shù)研究院，河南 鄭州 450046)

引言

煙草的種植信息在我國的生產(chǎn)管理過程中有著十分重要的作用，可以為我國的煙葉種植以及收購提供重要的決策支持[1,2]。我國煙草的生產(chǎn)和消費(fèi)在世界上占有重要地位，但由于我國地域面積廣闊，不同地區(qū)的地形條件各不相同。傳統(tǒng)的煙草面積提取常采用人工實(shí)地調(diào)查的方法進(jìn)行，這樣不僅耗時(shí)費(fèi)力，而且人為產(chǎn)生的因素可能增大測量的誤差[3]，很難實(shí)現(xiàn)對煙草進(jìn)行實(shí)時(shí)監(jiān)測。

在本原性錯(cuò)誤中，近20%的錯(cuò)誤為概念理解性錯(cuò)誤，近80%的錯(cuò)誤為數(shù)學(xué)推理錯(cuò)誤．就數(shù)學(xué)推理錯(cuò)誤進(jìn)行了訪談，結(jié)果發(fā)現(xiàn)：職前教師之所以認(rèn)為昆明空氣質(zhì)量好，是因?yàn)橹饔^上認(rèn)為昆明是全國有名的空氣質(zhì)量好城市，加之計(jì)算平均數(shù)時(shí)發(fā)現(xiàn)兩者之間差異不大，所以就忽略這種差異，于是“想當(dāng)然”地推理出“心中的答案”．

隨著遙感技術(shù)的發(fā)展，因其監(jiān)測范圍大、快速成像和多波段的特點(diǎn)，被廣泛應(yīng)用于作物監(jiān)測中[4-6]。相比傳統(tǒng)的依靠人工實(shí)地測量的方法，運(yùn)用遙感技術(shù)可以大大節(jié)省人力，并且可以提高其準(zhǔn)確性[7]。劉蕓等[8]采用面向?qū)ο蠓椒?，根?jù)烤煙的NDVI、光譜、紋理以及形狀等特征，提取烤煙種植信息，總體精度達(dá)91%；雷春苗等[9]利用隨機(jī)森林、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、SoftMax和最大似然分類器對柴達(dá)木地區(qū)的枸杞進(jìn)行提取，幾種分類器都有著不錯(cuò)的分類精度。

近年來深度學(xué)習(xí)興起，大量學(xué)者通過深度學(xué)習(xí)的方法進(jìn)行作物分類和識別。Kussul等[10]利用深度學(xué)習(xí)方法對不同的數(shù)據(jù)進(jìn)行農(nóng)作物分類，取得了較高的準(zhǔn)確率；董秀春等[11]利用開放的Google Earth影像結(jié)合U-net網(wǎng)絡(luò)模型，對云南省隴川縣甘蔗種植區(qū)進(jìn)行提取，總體精度達(dá)92%，面積精度為94%；陳妮等[12]利用U-Net深度學(xué)習(xí)網(wǎng)絡(luò)模型對新昌縣土地利用進(jìn)行分類，取得了較高的精度；宋曉倩等[13]利用遷移學(xué)習(xí)方法提取葡萄種植信息，較傳統(tǒng)深度學(xué)習(xí)方法準(zhǔn)確率提高了7%；李濤等[14]在imageNet數(shù)據(jù)集的基礎(chǔ)上，將模型進(jìn)行微調(diào)，對玉米雄穗進(jìn)行識別，證明深度學(xué)習(xí)方法在作物特征識別中的良好表現(xiàn)。

洛寧縣具有良好的生態(tài)環(huán)境，非常適合煙草的生長，煙草的種植一直處于洛陽市前列，成為當(dāng)?shù)氐闹е援a(chǎn)業(yè)，也是當(dāng)?shù)厝嗣衩撠氈赂坏闹匾窘?jīng)之一。快速準(zhǔn)確地掌握煙草的種植分布和面積等情況是政府決策部門的當(dāng)務(wù)之急[15]。

實(shí)驗(yàn)的硬件CPU為英特爾Xeon E5-1620v4@3.20GHz，GPU為NVIDIA Quadro M2000。TensorFlow后端的Keras深度學(xué)習(xí)框架實(shí)現(xiàn)U-net模型的搭建與實(shí)驗(yàn)行每一個(gè)特征點(diǎn)的分類。Keras自帶的生成器不支持多波段，所以自己編寫實(shí)現(xiàn)，并對U-net網(wǎng)絡(luò)添加BN層和Dropout 層，優(yōu)化器選用Adam，損失函數(shù)為交叉嫡函數(shù)。

1 材料與方法

1.1 研究區(qū)概況

高分二號(GF-2)衛(wèi)星是我國自主研制的首顆空間分辨率優(yōu)于1m(星下點(diǎn)全色分辨率0.8m)的民用光學(xué)遙感衛(wèi)星，在作物識別、建筑物識別、礦山遙感監(jiān)測、林業(yè)監(jiān)測等方面有著廣泛的應(yīng)用[17]。

1.2 數(shù)據(jù)來源及預(yù)處理

研究區(qū)位于河南省洛陽市洛寧縣，全縣面積2306km2，位于E111°08′～111°49′，N34°05′～34°38′。地形地貌總體呈“七山二塬一分川”，生態(tài)環(huán)境良好，全縣耕地面積約8.67萬hm2，適宜種煙面積達(dá)3.73萬hm2。本研究實(shí)驗(yàn)區(qū)選擇洛寧縣小界鄉(xiāng)，該鄉(xiāng)連續(xù)7a被洛寧縣政府評為“煙葉生產(chǎn)先進(jìn)鄉(xiāng)鎮(zhèn)”，連續(xù)4a被洛陽市政府評為“煙葉生產(chǎn)先進(jìn)鄉(xiāng)鎮(zhèn)”[16]。

U-net是一個(gè)優(yōu)秀的語義分割模型，如圖1所示。U-net網(wǎng)絡(luò)主要分為上采樣和下采樣部分，下采樣也就是主干特征提取網(wǎng)絡(luò)，利用主干部分，獲得5個(gè)初步有效特征層；在加強(qiáng)特征提取網(wǎng)絡(luò)部分，對獲得的特征層進(jìn)行上采樣，并進(jìn)行特征融合，進(jìn)而得到一個(gè)融合所有特征的有效特征層；利用預(yù)測網(wǎng)絡(luò)，對獲得的融合所有特征的有效特征層進(jìn)行每一個(gè)特征點(diǎn)的分類。

結(jié)合當(dāng)?shù)馗黝愖魑锏奈锖颍?月左右煙草與其它作物最易區(qū)分，因此本研究使用高分二號衛(wèi)星PMS傳感器在2020年7月7日的洛寧縣區(qū)域的5景遙感影像，數(shù)據(jù)來源于中國資源衛(wèi)星應(yīng)用中心(www.cresda.com/CN/)[18]。其中，4景用來制作深度學(xué)習(xí)訓(xùn)練樣本，1景用來煙草信息的提取。另外,利用無人機(jī)拍攝的小范圍高分辨率影像，集思寶實(shí)地調(diào)查記錄煙草地塊空間位置信息數(shù)據(jù)，輔助后期樣本標(biāo)簽的制作。

利用ENVI 5.3對原始影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正和影像融合等預(yù)處理操作。并通過Arcgis軟件結(jié)合無人機(jī)、集思寶數(shù)據(jù)對煙草地塊進(jìn)行標(biāo)注。用于制作深度學(xué)習(xí)訓(xùn)練標(biāo)簽。

1.3 數(shù)據(jù)集構(gòu)建

通過ENVI 5.3對高分二號原始影像進(jìn)行數(shù)據(jù)預(yù)處理，將包含較多煙草的區(qū)域剪切出來，并利用ARCGIS進(jìn)行煙草樣本的標(biāo)注，如果直接將圖像輸入到深度學(xué)習(xí)網(wǎng)絡(luò)中，會(huì)導(dǎo)致內(nèi)存溢出，因此需要將影像剪切成合適的小塊，本研究通過python腳本對影像和標(biāo)簽圖像進(jìn)行隨機(jī)裁剪，生成大小均為256×256的衛(wèi)星圖像和標(biāo)簽圖像。因樣本數(shù)量有限，為了避免訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象，需要對數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)[19]。將裁剪處理后的原始影像和標(biāo)簽圖像進(jìn)行水平翻轉(zhuǎn)、豎直翻轉(zhuǎn)以及對角翻轉(zhuǎn)，樣本擴(kuò)充到2000張。按照7∶3的比例將樣本分類訓(xùn)練集和驗(yàn)證集。

1.4 分類方法

由表２可以看出，大學(xué)生之所以選擇貸款，絕大部分原因是為了補(bǔ)貼生活費(fèi)．提前消費(fèi)是選擇貸款的一個(gè)主要推動(dòng)力，消費(fèi)欲望則是選擇貸款的另一大推動(dòng)力．隱藏在校園貸中的一個(gè)主要問題是大學(xué)生盲目消費(fèi)，不能合理支配資金．在調(diào)查的520個(gè)學(xué)生中，有123個(gè)大學(xué)生使用過校園貸．在使用過校園貸的學(xué)生中，有56.10%的大學(xué)生貸款金額在1 000元以內(nèi)，貸款金額1 001~5 000元的占20.32%，5 001~10 000元的占10.57%，有13.01%的大學(xué)生竟貸款達(dá)到了1萬元以上，遠(yuǎn)遠(yuǎn)超過了他們的承擔(dān)能力．這表明當(dāng)代大學(xué)生存在很多不考慮自身情況及后果的個(gè)體，缺少前瞻性．

在模型訓(xùn)練時(shí)，為控制網(wǎng)絡(luò)的穩(wěn)定性，初始學(xué)習(xí)率設(shè)置為1×10-4，通過Adam優(yōu)化器計(jì)算損失值相對于網(wǎng)絡(luò)參數(shù)的梯度，將參數(shù)進(jìn)行反向傳播，進(jìn)而降低損失值[21]。設(shè)置迭代次數(shù)50次，給訓(xùn)練模型設(shè)置回調(diào)函數(shù)，在val_loss連續(xù)10輪不下降則訓(xùn)練停止，當(dāng)3個(gè)epoch過去而val_loss不下降，學(xué)習(xí)率減半。訓(xùn)練后繪制的loss和acc曲線如圖2、圖3所示，可以看出，訓(xùn)練集和驗(yàn)證集有很好的擬合效果。在進(jìn)行40個(gè)epoch的時(shí)候，曲線開始趨于穩(wěn)定，損失值在0.02左右波動(dòng)。說明學(xué)習(xí)率設(shè)置較為合理，損失函數(shù)實(shí)現(xiàn)快速收斂，可見U-net網(wǎng)絡(luò)對煙草數(shù)據(jù)集進(jìn)行了有效的學(xué)習(xí)。

圖1 U-net網(wǎng)絡(luò)模型

1.5 模型評價(jià)指標(biāo)

為了評價(jià)模型在煙草提取中的性能，本研究對測試結(jié)果進(jìn)行準(zhǔn)確率(P)、召回率(R)和F1值等評價(jià)[20]。計(jì)算公式：

(1)

(2)

(3)

從目前的大學(xué)生就業(yè)形勢來看，就業(yè)形勢嚴(yán)峻并不是工作崗位少，而是工作崗位的匹配度不高，市場上所需的人員和職業(yè)，市場營銷占據(jù)了大多數(shù)。但大學(xué)生的就業(yè)觀念還是停留在傳統(tǒng)的觀念上，認(rèn)為政府機(jī)關(guān)、國企、銀行、大公司、外資企業(yè)的職業(yè)是金飯碗，希望到這類地方就業(yè)，可是，大學(xué)生喜歡的就業(yè)部門都存在不同程度的減員增效和機(jī)構(gòu)合并，崗位十分有限，相比之下就顯得就業(yè)難度較大。此外，由于大學(xué)生剛出校門，沒有技術(shù)經(jīng)驗(yàn)和資金積累，要想進(jìn)行創(chuàng)業(yè)就要突破許多障礙，但難度較大，成功率較低。即使成功后，由于門檻低、技術(shù)性不強(qiáng)等原因也會(huì)被市場淘汰。

2 結(jié)果與分析

2.1 U-net模型訓(xùn)練

當(dāng)前建筑企業(yè)管理在工作開展過程中并沒有嚴(yán)格按照《企業(yè)會(huì)計(jì)準(zhǔn)則》等相關(guān)文件的指導(dǎo)來開展壞賬準(zhǔn)備工作。建筑企業(yè)過度追求產(chǎn)品銷售的利益，在進(jìn)行賒銷銷售款收回過程中，其清算工作并沒有按時(shí)開展，對應(yīng)的資金收回工作也受到影響。同時(shí)，工作人員并沒有及時(shí)與供貨方取得聯(lián)系，隨著時(shí)間的推移，建筑企業(yè)收回資金的可能性逐漸下降。在這種情況下，購貨單位對還款工作的重視程度也會(huì)逐漸下降，不斷地延遲還款，導(dǎo)致建筑企業(yè)的壞賬率逐漸提高。

（2）35歲（含 35歲）以下護(hù)理人員，調(diào)查中顯示來自學(xué)習(xí)方面的壓力很少，說明這一年齡段的人員希通過學(xué)習(xí)來提高自己，針對這個(gè)特點(diǎn)，工會(huì)可結(jié)合自身的“一活動(dòng) 一工程”等活動(dòng)開展一系列的職工技能競賽和培訓(xùn)；

因?yàn)榫W(wǎng)絡(luò)上并沒有公開的煙草數(shù)據(jù)集，本研究使用自己制作的數(shù)據(jù)集對初始網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入的圖像大小為256×256尺寸，將數(shù)據(jù)集按7∶3劃分為訓(xùn)練集和驗(yàn)證集輸入到訓(xùn)練網(wǎng)絡(luò)中。

式中，TP表示樣本的真實(shí)類別是正類，并且模型識別的結(jié)果也是正類的數(shù)量；FP表示樣本的真實(shí)類別是負(fù)類，但是模型將其識別為正類的數(shù)量；FN表示樣本的真實(shí)類別是正類，模型將其預(yù)測為負(fù)類的數(shù)量。

進(jìn)行基層區(qū)隊(duì)腐敗治理的過程當(dāng)中，還需要做好第四步的工作，凸顯出論劍的效果。不斷健全相應(yīng)的監(jiān)督管理制度，以達(dá)到應(yīng)有的目的。具體而言，第一，應(yīng)該對企業(yè)員工工資與獎(jiǎng)金的分配流程予以優(yōu)化和嚴(yán)格管控，通過組織開展相應(yīng)的會(huì)議，同時(shí)將會(huì)議的內(nèi)容予以公開，形成規(guī)范化的審批模式，要求員工親自在工資表上簽字，維護(hù)好職工的利益。第二，注重基層區(qū)隊(duì)文書的管控。依靠構(gòu)建相應(yīng)的業(yè)績考察、溝通互動(dòng)以及腐敗治理等相關(guān)機(jī)制，達(dá)到一定的約束與管控的效果[4]。

圖2 U-net訓(xùn)練集和驗(yàn)證集loss曲線

圖3 U-net訓(xùn)練集和驗(yàn)證集acc曲線

2.2 圖像預(yù)測結(jié)果及驗(yàn)證

利用訓(xùn)練好的模型對待分類影像進(jìn)行預(yù)測，在預(yù)測過程中，如果直接將影像輸入到模型中會(huì)造成內(nèi)存的溢出。所以，一般將圖像裁剪成較小的圖像分別輸入到模型中進(jìn)行預(yù)測，然后再將預(yù)測結(jié)果按順序拼接起來。如果采用常規(guī)的規(guī)則網(wǎng)格裁剪，最后預(yù)測拼接的效果并不是很好，會(huì)有明顯的拼接痕跡。因此，采用忽略邊緣預(yù)測，有重疊地裁剪影像，在拼接時(shí)再采用忽略邊緣的方法進(jìn)行拼接。

將預(yù)測結(jié)果與標(biāo)注后的真實(shí)煙草標(biāo)簽圖像進(jìn)行精度評價(jià)，原始圖像和人工目視標(biāo)注的標(biāo)簽圖像以及預(yù)測結(jié)果圖像如圖4～6所示，將預(yù)測結(jié)果與實(shí)際標(biāo)注的結(jié)果進(jìn)行精度評價(jià)，取得了90.68%的精確率和92.87%的召回率。綜合評價(jià)指標(biāo)F1值為91.76%。

圖4 原始圖像

2.3 不同模型煙草提取結(jié)果對比

為了進(jìn)一步驗(yàn)證本文所使用的U-net網(wǎng)絡(luò)模型的有效性，使用其它常用的分類模型進(jìn)行煙草提取并進(jìn)行精度對比。從圖7可以看出，KNN、Decision Tree和Random Forset模型的準(zhǔn)確率分別為87.68%、83.65%和89.21%，相比之下，U-net網(wǎng)絡(luò)模型的準(zhǔn)確率比其它模型平均高出3.8%。

圖5 人工目視標(biāo)簽圖像

圖6 U-net網(wǎng)絡(luò)預(yù)測圖像

圖7 各分類模型煙草提取準(zhǔn)確率

以上結(jié)果表明，U-net神經(jīng)網(wǎng)絡(luò)模型在少量訓(xùn)練樣本的時(shí)候，依舊可以取得很好的信息提取效果。

3 結(jié)束語

本研究使用U-net神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對煙草種植的提取，對于沒有公開的煙草數(shù)據(jù)集的情況，通過實(shí)地調(diào)查結(jié)合目視解譯制作深度學(xué)習(xí)訓(xùn)練標(biāo)簽。通過與其它常用分類模型進(jìn)行精度對比，U-net在少量數(shù)據(jù)集的情況下，表現(xiàn)出良好的性能。

相關(guān)研究還有待深入，需解決面積漏分的問題，需進(jìn)一步提高訓(xùn)練樣本的多樣性和優(yōu)化網(wǎng)絡(luò)模型；不同煙葉種植地區(qū)地形各不相同，本文只對洛寧縣山區(qū)進(jìn)行煙草面積提取，后續(xù)可在擴(kuò)大數(shù)據(jù)集的基礎(chǔ)上，開展不同地形情況下煙草種植面積提取研究，并進(jìn)一步探究U-net網(wǎng)絡(luò)模型的普適性。