趙明海，黎飛明，王 棟，牛麗娟

(陜西鐵路工程職業(yè)技術(shù)學(xué)院，陜西 渭南 714000)

土壤退化是當(dāng)今世界的一個(gè)主要生態(tài)威脅[1-3]。土壤侵蝕通常以滑坡(由雪滑或強(qiáng)降水事件觸發(fā))或侵蝕(由雨滴影響和地表水流引起的表土清除過(guò)程)的形式自然發(fā)生，但也存在人為影響，例如農(nóng)業(yè)活動(dòng)、牲畜飼養(yǎng)等。

侵蝕過(guò)程具有很強(qiáng)的時(shí)間和空間動(dòng)態(tài)成分[4-5]，因此需要對(duì)時(shí)間和空間進(jìn)行大規(guī)模了解和詳細(xì)制圖。然而，由于我國(guó)高山地區(qū)多，人工采集樣本工作量大、成本高，部分地區(qū)難以進(jìn)入，因此無(wú)法從地面全面了解正在進(jìn)行的侵蝕過(guò)程。

一種主流的侵蝕研究方法主要是借助于土壤侵蝕模型[6-8]，例如(修訂后的)通用土壤流失方程。為了徹底了解潛在的土壤侵蝕威脅，必須將模型輸出與觀(guān)測(cè)結(jié)果結(jié)合起來(lái)進(jìn)行驗(yàn)證。然而該方法適用范圍有限，許多經(jīng)驗(yàn)參數(shù)無(wú)法直接移植應(yīng)用。

高分辨率遙感影像的普及與發(fā)展為遠(yuǎn)程評(píng)估和繪制裸地及植被覆蓋率提供了新的思路[9-10]。該方法可以克服某些限制，例如研究區(qū)域的不可接近性或范圍過(guò)大。基于對(duì)象的圖像分析(Object-based Image Analysis，OBIA)[11-12]是一種常用于在衛(wèi)星和航空?qǐng)D像上識(shí)別城市和自然“對(duì)象”的方法，目前已成功用于繪制各種形式的土壤侵蝕或植被覆蓋圖。OBIA通過(guò)將具有相似特性的像素分組在一起來(lái)創(chuàng)建圖像片段，然后可以使用專(zhuān)業(yè)開(kāi)發(fā)的分類(lèi)規(guī)則或各種機(jī)器學(xué)習(xí)分類(lèi)器基于對(duì)象信息(光譜、空間、紋理和上下文)對(duì)圖像片段進(jìn)行分類(lèi)。OBIA是一種適用于較小研究區(qū)域的方法，但大規(guī)模研究很難高效管理。這些限制包括處理時(shí)間，缺乏工作流程到其他場(chǎng)景的可轉(zhuǎn)移性，以及手動(dòng)步驟的參與阻礙了項(xiàng)目的有效空間擴(kuò)展等。

為此，基于OBIA，本文利用U-Net體系結(jié)構(gòu)再現(xiàn)高質(zhì)量的土壤侵蝕制圖。該方法在保證分割準(zhǔn)確率的情況下，能夠?qū)崿F(xiàn)全自動(dòng)化端對(duì)端高效處理大規(guī)模侵蝕制圖。

1 基于對(duì)象的圖像分析

受OBIA技術(shù)啟發(fā)，提出了一種多分辨率分割算法，用于對(duì)具有與對(duì)象語(yǔ)義相似屬性的像素進(jìn)行分組。算法輸入數(shù)據(jù)包括遙感圖像(RGB)、綠色植被指數(shù)和DTM及其衍生指標(biāo)(坡度、坡向和曲率)等信息。對(duì)象語(yǔ)義包含基于所有輸入數(shù)據(jù)的空間、光譜、紋理和上下文屬性等信息。所提方法由兩個(gè)主要部分組成：訓(xùn)練過(guò)程和預(yù)測(cè)過(guò)程。為了訓(xùn)練U-Net模型，使用OBIA標(biāo)簽以及遙感圖像信息(RGB)和DTM信息。U-Net分配像素概率值，從而提供關(guān)于像素屬于特定土壤侵蝕類(lèi)別的可能性的信息。最后，基于概率分配，通過(guò)閾值產(chǎn)生分割結(jié)果。

圖1所示為分割算法流程。首先，基于輸入特征集，對(duì)人工選擇的樣本進(jìn)行隨機(jī)森林分類(lèi)器訓(xùn)練，以識(shí)別裸露土壤或植被覆蓋率降低的地點(diǎn)。隨后，根據(jù)先前確定的含有裸露土壤或減少植被覆蓋對(duì)象的典型外觀(guān)，為額外的決策樹(shù)分配特定的侵蝕等級(jí)。侵蝕等級(jí)包括淺層滑坡、牲畜步道和片狀侵蝕等。需注意，需要對(duì)每個(gè)輸入圖像執(zhí)行整個(gè)工作流，從而提高模型泛化能力。因此，不同輸入圖像的OBIA標(biāo)簽可認(rèn)為是從獨(dú)立模型獲得的。

圖1 分割算法流程Fig.1 Segmentation algorithm flow

2 基于U-Net的遙感土壤檢測(cè)

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

分割算法的核心主要是基于U-Net[13-14]結(jié)構(gòu)(圖2)。U-Net是一種典型的全卷積的神經(jīng)網(wǎng)絡(luò)，由下采樣和上采樣組成。

下采樣：由兩個(gè)卷積層組成，其中包含ReLU激活和最大池化層(max-pooling)。每個(gè)max-pooling的主要作用是將生成的特征大小減半，而對(duì)于后續(xù)卷積層，特征的數(shù)量將增加一倍。

圖2 分割算法網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Segmentation algorithm network structure

上采樣：包含一系列具有ReLU激活的反卷積層，然后再加兩個(gè)卷積層和ReLU激活，使得特征恢復(fù)為原始圖像大小。

從下采樣獲得的特征映射附加到通過(guò)反卷積獲得的特征映射中，從而在擴(kuò)展部分提供細(xì)節(jié)特征。網(wǎng)絡(luò)最后為全連接卷積層(1×1)，接著利用softmax激活函數(shù)提供最終的分割輸出，其中每個(gè)通道代表各個(gè)類(lèi)的分割映射。

softmax函數(shù)將每個(gè)像素的激活重新調(diào)整為[0,1]之間。對(duì)于輸出映射F中的像素f，softmax生成預(yù)測(cè)pc(f)，即像素f屬于類(lèi)c(c∈{1,L,C})的概率。訓(xùn)練時(shí)采用交叉熵?fù)p失懲罰錯(cuò)誤的類(lèi)分配，有：

(1)

式中：N=|F|，是圖像像素個(gè)數(shù)；yc(f)是像素f的真類(lèi)標(biāo)簽值，如果c是正確的類(lèi)，則為1，否則為0。

對(duì)于輸入圖像中的任意像素f，softmax預(yù)測(cè)值p(f)定義如下：

p(f)=(p1(f),p2(f),…,pC(f))

(2)

p(f)提供了類(lèi)c中淺層滑坡、片蝕、牲畜蹤跡等類(lèi)別的概率。

U-Net提供像素級(jí)概率并作為輸出。對(duì)于最終的分割結(jié)果，應(yīng)用不同的概率閾值來(lái)控制獲得候選段的侵蝕等級(jí)。為此，研究只考慮侵蝕類(lèi)，并確定以像素f概率最大的侵蝕類(lèi)為主導(dǎo)侵蝕類(lèi)。如果選擇的侵蝕等級(jí)概率不滿(mǎn)足閾值，則相應(yīng)的像素視為背景像素。

2.2 訓(xùn)練過(guò)程

為了學(xué)習(xí)如何識(shí)別侵蝕點(diǎn)，需要對(duì)不同侵蝕等級(jí)的精確邊界進(jìn)行U-Net訓(xùn)練。訓(xùn)練標(biāo)簽不足會(huì)影響U-Net的時(shí)空泛化能力。

為此，本文使用OBIA方法提供高質(zhì)量訓(xùn)練標(biāo)簽。為有效地處理輸入圖像，訓(xùn)練時(shí)將遙感圖像分成大小為194×176 m的塊，分別對(duì)應(yīng)0.5 m分辨率下的388×352像素和0.25 m分辨率下的776×704像素。同理，對(duì)應(yīng)的DTM數(shù)據(jù)(縱橫比、曲率和斜率)也按照相同的分塊處理。此外，相鄰的塊之間重疊20 m(分別對(duì)應(yīng)0.5 m和0.25 m分辨率下的40和80像素)。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)要求，對(duì)分辨率較高的分塊進(jìn)行下采樣，使所有輸入分塊的大小為388×352像素。表1所示為訓(xùn)練時(shí)相關(guān)參數(shù)。訓(xùn)練過(guò)程中使用Adam優(yōu)化器，并在Pycharm中TensorFlow環(huán)境下實(shí)現(xiàn)網(wǎng)絡(luò)搭建過(guò)程。

表1 網(wǎng)絡(luò)訓(xùn)練參數(shù)Tab.1 Network training parameters

2.3 評(píng)估過(guò)程

在選擇合適的概率閾值后，用準(zhǔn)確度P、召回率R及其調(diào)和平均值F1等指標(biāo)來(lái)評(píng)估分割結(jié)果的質(zhì)量。評(píng)估時(shí)將OBIA和U-Net結(jié)果中重疊的對(duì)象視為真正(True Positive，TP)，并根據(jù)各個(gè)片段的面積對(duì)真正、假正(False Positive，F(xiàn)P)和假負(fù)(False Negative，F(xiàn)N)進(jìn)行加權(quán)。各個(gè)指標(biāo)計(jì)算公式如下，

(3)

(4)

(5)

3 仿真與分析

3.1 數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)數(shù)據(jù)集由分辨率為0.25～0.5 m的10幅正射遙感影像(網(wǎng)絡(luò)訓(xùn)練參數(shù)如表1所示)構(gòu)成。光譜信息在可見(jiàn)光范圍內(nèi)(紅色、綠色和藍(lán)色光譜帶)。所有航空?qǐng)D像的特性(例如空間分辨率、顏色分布和光照條件)略有不同，但總是在7月底—9月初的生長(zhǎng)季節(jié)進(jìn)行記錄，這也是使用OBIA生成的訓(xùn)練數(shù)據(jù)集的基礎(chǔ)。

3.2 仿真及結(jié)果分析

如前文所述，所提的多分辨率分割算法為每個(gè)侵蝕等級(jí)提供了像素級(jí)的概率。此外，通過(guò)對(duì)像素概率應(yīng)用閾值進(jìn)一步處理，從而豐富圖像以形成良好的描繪信息。一般來(lái)說(shuō)，選擇較低的閾值可以識(shí)別大量潛在侵蝕點(diǎn)，但存在虛警情況；較高的閾值會(huì)減少虛警數(shù)量，但召回率將會(huì)降低。概率閾值是一個(gè)自由參數(shù)，可以根據(jù)應(yīng)用程序需求或用戶(hù)偏好進(jìn)行選擇。實(shí)驗(yàn)時(shí)選擇0.2和0.8作為分段劃分的閾值。此外，數(shù)據(jù)集中，80%數(shù)據(jù)作為訓(xùn)練集，20%數(shù)據(jù)作為驗(yàn)證集。

圖3和圖4所示為所提模型的性能曲線(xiàn)(訓(xùn)練/驗(yàn)證準(zhǔn)確率和損失)?？梢钥闯?，模型在138次迭代后可獲得最佳性能。

圖3 訓(xùn)練/驗(yàn)證集中準(zhǔn)確率變化曲線(xiàn)Fig.3 Change curve of training/verification centralized accuracy rate

圖4 訓(xùn)練/驗(yàn)證集中損失變化曲線(xiàn)Fig.4 Change curve of training/verification centralized loss

表2所示為所提方法與OBIA方法相比的召回率、F1分?jǐn)?shù)和準(zhǔn)確率對(duì)比結(jié)果?？梢钥闯?，本文所提方法性能有明顯提升，準(zhǔn)確率達(dá)到83.6%，較傳統(tǒng)OBIA方法提高了4%左右。

表2 不同算法對(duì)比結(jié)果Tab.2 Comparison results of different algorithms %

圖5所示為利用本文方法提取的侵蝕結(jié)果?？梢钥闯觯疚姆椒ㄌ崛〗Y(jié)果能夠接近地面真實(shí)情況，進(jìn)一步驗(yàn)證了所提方法的有效性。

圖5 所提方法侵蝕分割結(jié)果Fig.5 Erosion segmentation results

4 結(jié)論

本文對(duì)植被覆蓋及土壤侵蝕過(guò)程進(jìn)行了研究與分析，并提出了一種多分辨率分割算法，用于對(duì)具有與對(duì)象語(yǔ)義相似屬性的像素進(jìn)行分組。算法利用基于U-Net的土壤檢測(cè)方法對(duì)遙感圖像進(jìn)行分割，從而提高檢測(cè)精度。今后，可對(duì)數(shù)據(jù)集、網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究，進(jìn)一步提升模型泛化能力及檢測(cè)準(zhǔn)確率。