孫逸飛，柳平增，張艷，宋長青，張大雷，馬學文

(1. 山東農業(yè)大學信息科學與工程學院，山東泰安，271000； 2. 山東農業(yè)大學農業(yè)大數(shù)據(jù)研究中心，山東泰安，271000；3. 農業(yè)農村部黃淮海智慧農業(yè)技術重點實驗室，山東泰安，271000；4. 山東科技大學泰山科技學院，山東泰安，271000； 5. 山東農大肥業(yè)科技有限公司，山東泰安，271000)

0 引言

冬小麥作為我國重要的糧食作物之一，精準、高效的提取大范圍冬小麥種植面積和空間分布數(shù)據(jù)，可為農業(yè)管理部門指導農業(yè)生產、調整農業(yè)結構提供技術支撐[1]。濰坊市是我國重要的糧食生產基地，每年的小麥種植面積和產量都穩(wěn)居山東省前五位，近些年受設施農業(yè)發(fā)展、城市化進程加速等因素影響，對濰坊市冬小麥的種植產生了較大的沖擊。因此，精準、高效地獲取冬小麥種植面積、空間分布以及變化趨勢，對于提高冬小麥針對性管理的高效性、種植結構布局的有效性等有重要的推動作用[2]。但傳統(tǒng)的基于抽樣和統(tǒng)計部門逐級上報農情的調查方法，效率低、結果不直觀且容易出現(xiàn)人為因素造成的誤差[3]。遙感技術具有覆蓋范圍廣、重訪周期短，獲取成本相對低等優(yōu)勢，在作物長勢監(jiān)測、農業(yè)氣象以及產量估算中扮演著重要的角色，且對大面積露天農業(yè)生產的調查、評價、監(jiān)測和管理具有獨特的作用[4-5]。

隨著遙感技術的發(fā)展，中高空間分辨率的遙感衛(wèi)星影像數(shù)據(jù)資源增多，并開始逐漸應用于農作物空間分布信息提取。但中高空間分辨率遙感影像細節(jié)更加豐富，傳統(tǒng)的基于單像元的分類方法，已經難以滿足實際應用的精度要求。近年來，國內外學者針對面向對象、深度學習方法在高效精確的目標地物提取上進行了積極探索。金永濤等[6]利用深度學習結合面向對象對典型地物進行提取，提取精度較為理想。白宇[7]利用深度學習算法識別不同地區(qū)的林地范圍。陳燕生等[8]使用基于U-Net自主改進的卷積神經網絡，對小宗作物遙感圖像進行高精度分割研究，實現(xiàn)精細化分割效果。Rezaee等[9]使用CNN分類框架對不同類型的濕地進行識別，試驗結果表明CNN在復雜濕地分類提取中效果優(yōu)于隨機森林。Duarte-Carvajalino等[10]采用淺層學習和深度學習方法對土豆作物的生長狀況進行監(jiān)測識別，試驗結果表明CNN和RF的效果優(yōu)于DNN、SVM。

本研究利用Sentinel-2A遙感影像數(shù)據(jù)，以濰坊市為研究區(qū)，在實地調研掌握研究區(qū)域地物分布真實樣本基礎上，利用面向對象與深度學習相結合的方法，綜合利用地物光譜及紋理等特征，選取合適的分割尺度，訓練出最優(yōu)冬小麥提取模型，利用混淆矩陣對分類結果進行精度評價。

1 研究區(qū)概況、數(shù)據(jù)源、預處理及技術路線

1.1 研究區(qū)概況

濰坊市(118°10′E～120°01′E，35°41′N～37°26′N)位于山東半島中部，南依泰沂山脈，北瀕渤海萊州灣，市域自北向南，由低到高，大體上分為低地、平原及低山丘三個地貌區(qū)。濰坊市域屬于北溫帶季風區(qū)，受典型季風的季風氣候的影響，四季分明，氣候溫和，雨量適中，光照充足，適宜農作物的種植。冬春季種植作物主要有冬小麥、玉米、棉花、油菜等，冬小麥和玉米是該地主要的糧食作物。濰坊市作物結構較為復雜，地塊破碎，使得精確提取冬小麥種植空間分布具有一定的挑戰(zhàn)性?？焖偬崛《←湻N植區(qū)域信息，分析2017—2021年冬小麥種植的空間分布特征，對濰坊市農業(yè)產業(yè)政策的制定及結構調整起到積極的參考作用。

1.2 數(shù)據(jù)獲取及預處理

1.2.1 Sentinel-2A數(shù)據(jù)獲取

本研究綜合考慮影像質量、作物生長和分布情況等因素，選擇Sentinel-2A衛(wèi)星影像數(shù)據(jù)。Sentinel-2A衛(wèi)星設計了一種可靠的多光譜地球觀測系統(tǒng)，將高空間分辨率與寬視場結合，并采用三軸姿態(tài)控制，能夠獲得優(yōu)越的精度和穩(wěn)定性。重訪周期為10 d，并攜帶覆蓋13個波段的多光譜成像儀，除可見光及近紅外、短波紅外等常用波段外，還包括3個植被生長與變化敏感的紅邊波段(表1)，紅邊波段的引入增加了地物之間的可分性測度，減少了影像噪聲造成的景觀破碎度的增加，有利于作物種植面積提取[11]。

表1 Sentinel-2A影像多光譜波段主要參數(shù)信息

在中華人民共和國農業(yè)農村部種植業(yè)管理司獲取到濰坊市主要作物物候期表(表2)，由表2可知從種植當年12月到次年3月是冬小麥的苗期，而其他大宗農產品尚未播種或返青，是識別冬小麥的關鍵生育期。通過歐空局官方網站(https://scihub.copernicus.eu/)獲取2017年—2021年2月到3月份L1C級別的濰坊市Sentinel-2A遙感數(shù)據(jù)(影像云量小于5%)。

表2 濰坊市主要作物物候期表

1.2.2 其他資料

1) 濰坊市各縣區(qū)行政區(qū)劃矢量數(shù)據(jù)，數(shù)據(jù)來源于全國地理信息資源目錄服務系統(tǒng)。

2) 濰坊市2017—2021年統(tǒng)計年鑒和實際調研數(shù)據(jù)。

1.2.3 Sentinel-2A數(shù)據(jù)預處理

影像在成像過程中會受到衛(wèi)星速度變化、電磁場與大氣相互作用、隨機噪聲等因素的干擾，地物波譜信息發(fā)生變化，為改善影像的解譯條件，提高可辨性，需對影像進行預處理。預處理包括：輻射定標、大氣校正、像素重采樣、鑲嵌裁剪、波段融合等操作。

1.3 技術路線

本研究基于Sentinel-2A影像，對影像進行預處理后，分別利用面向對象方法和隨機森林方法進行試驗并對比精度。選擇分類精度較高的算法進一步進行深度學習模型訓練。具體流程見圖1。

圖1 總體流程

2 基于面向對象與隨機森林分類方法提取

2.1 面向對象方法

面向對象提取流程如圖2所示。

圖2 面向對象提取流程

面向對象的遙感分類方法是對利用遙感數(shù)據(jù)的空間、紋理和光譜特征建立判別規(guī)則或判別函數(shù)的推理對分割后的目標對象進行分類提取[12-13]。該方法能有效避免“同物異譜”和“同譜異物”的問題，避免出現(xiàn)“椒鹽現(xiàn)象”[14-15]。關鍵技術包括：影像分割、影像合并、特征選擇和規(guī)則建立。

2.1.1 影像分割與影像合并

采用多尺度分割算法(Multiresolution Segmentation)實現(xiàn)影像的分割。多尺度面向對象分割算法將圖像看作是一個由區(qū)域和區(qū)域之間的拓撲關系組成的一張區(qū)域臨接圖[16]，根據(jù)指定尺度進行分割，采用從單像元大小的區(qū)域開始相鄰影像區(qū)域兩兩合并增長的方法，設定閾值控制合并區(qū)域，保證生成高度同質性(或異質性最小)的影像分割區(qū)域(影像對象)[17]，從而適應于最佳分離和表示地物目標。在進行影像區(qū)域的合并操作時，以區(qū)域鄰接圖中的各個區(qū)域為研究對象，找到滿足局部最優(yōu)合并條件的區(qū)域對，將最優(yōu)合并條件區(qū)域對進行合并操作，與此同時更新區(qū)域對原本相連接的區(qū)域的特征值，及其與更新區(qū)域的合并權重。

為了得到適合冬小麥提取的最佳分割參數(shù)，基于Sobel算子的邊緣影像分割尺度、Full Lambda-Schedule算法影像片段合并和紋理內核參數(shù)進行了大量試驗。最終選取冬小麥影像錯分率最小的分割尺度。影像最終分割效果圖如圖3所示。

圖3 分割效果圖

2.1.2 特征選擇、分類規(guī)則建立

影像分割完成后，多邊形對象包括很多屬性信息。主要包括：光譜特征、形狀特征、紋理特征、顏色空間和波段比值等[18]。將分割形成的有特定含義的子區(qū)域定義為一個個的影像對象，每個對象都有其特有的屬性信息，存放在矢量面文件中。將屬性信息進行進一步挖掘，提取出特征變量。采用基于規(guī)則特征的面向對象的提取方法，利用目標地物的波譜、紋理、RENDVI值、形狀、顏色的差異，進行冬小麥區(qū)域的提取。圖4為組合分類特征后冬小麥提取效果圖細節(jié)展示。

圖4 冬小麥種植面積提取效果圖(面向對象)

2.2 隨機森林分類

隨機森林技術路線圖如圖5所示。

圖5 隨機森林算法技術路線圖

隨機森林通過對數(shù)據(jù)及特征變量進行隨機重采樣，構建多個CART決策樹，最終采用多決策樹投票的方式確定數(shù)據(jù)的類別歸屬。它能夠處理具有高維特征的輸入樣本，又對過度擬合不敏感[19]。在生成過程中可以對誤差建立一個無偏估計，因此對于遙感影像農作物面積提取有良好的抗噪性能，在農業(yè)制圖研究方面取得了良好的分類結果[20-21]。隨機森林算法可以處理具有多維特征的輸入樣本，并且不需要降維，在生成過程中能夠獲取到內部生成誤差的一種無偏估計，對于缺省問題也能獲得良好的結果，不需要做很多參數(shù)的調試。設置隨機森林分類器參數(shù)max_features取值為6，選擇Gini Coefficient函數(shù)。number_of_trees取值為100。

圖6為本次分類中選擇的訓練樣本樣例，經分類后，輸出此類分類結果，結果如圖7所示。

(a) 冬小麥

圖7 冬小麥提取效果圖(隨機森林)

2.3 分類結果精度對比

隨機選取研究影像中的500個樣本點像元，通過混淆矩陣計算出總體精度和Kappa系數(shù)，對分類結果進行精度評價，結果如圖8所示。結果表明面向對象的分類方法結果優(yōu)于隨機森林算法。故接下來的研究采用面向對象方法得出的分類結果創(chuàng)建標簽進行深度學習。

圖8 精度評價

3 基于深度學習算法冬小麥種植面積提取模型

3.1 深度學習算法與U型網絡

深度學習是機器學習的分支，它可以通過學習一種深層非線性網絡結構，實現(xiàn)復雜函數(shù)的逼近，展現(xiàn)了強大的從少數(shù)樣本中集中學習數(shù)據(jù)集本質特征的能力[22]。ENVINet5模型基于Tensorflow框架開發(fā)，模型架構基于U-Net神經網絡改進。該架構基于Ronneberger、Fischer和Brox(2015)開發(fā)的U-Net架構，用于對圖像中的每個像素進行分類[23]。

圖9為ENVINet5模型架構。

圖9 ENVINet5模型架構

該架構有5個級別和27個卷積層，每個級別表示模型中不同的像素分辨率。架構的上下文視場表示在訓練期間周圍區(qū)域對每個像素的貢獻程度。將原始遙感圖像輸入神經網絡模型，進行切片，切片大小大于上下文視場時允許一次執(zhí)行更多的訓練，并更快的分類。再通過3×3的卷積層對切片進行卷積，使得圖像特征增多，使用Rule激活函數(shù)避免訓練中出現(xiàn)過擬合現(xiàn)象。一個epoch表示在偏倚判定調整之前訓練的切片數(shù)。通過2×2池化層減小圖像尺寸，保留重要特征。使用逆變換抽樣的統(tǒng)計技術，使得傳入模型的樣本與它們對概率密度函數(shù)的貢獻成正比。加入偏差損失函數(shù)會使得損失函數(shù)偏向于尋找特征像素。提供一個實體距離Solid Distance參數(shù)來擴展線狀特征大小，使得能夠完整地表示冬小麥區(qū)域。為解決深度學習難以學習銳利邊緣的問題，引入Blur Distance參數(shù)，設置一個模糊邊緣。

3.2 提取過程

TensorFlow模型是由一組基本的神經網絡參數(shù)定義的，為了讓模型能夠提取特定目標，必須先使用一組能夠指明這些特征的標簽圖像對模型進行訓練，提取結果為類激活灰度圖CAM，在類激活灰度圖中，DN值代表該像元屬于目標的概率。該方法在ENVI5.5中使用Deeplearning模塊實現(xiàn)，操作步驟主要有：創(chuàng)建標簽柵格、訓練模型、模型分類、得到分類結果。技術路線如圖10所示。

圖10 基于深度學習算法冬小麥種植面積提取流程

3.2.1 創(chuàng)建標簽圖像

在創(chuàng)建標簽圖像時，需要輸入一個收集感興趣區(qū)域的樣本。目標特征分為一維、二維和點狀。支持點、像元、多邊形、折線或閾值。采用二維特征標記冬小麥的輪廓。標簽圖像包含輸入圖像的原始波段和一個掩膜波段。掩膜波段DN值為1的像元代表目標，0代表背景。

3.2.2 初始化及訓練TensorFlow模型

在初始化TensorFlow模型時，需定義該模型的體系結構、切片大小(patch size)、訓練所用波段等。訓練是將標簽圖像反復暴露在模型中。隨著訓練的進行，模型將學習把標簽圖像中的光譜和空間信息轉換為CAM灰度圖。在訓練過程中，模型嘗試初始猜測并生成一個隨機CAM灰度圖，將其與標簽圖像中的掩膜波段進行對比。通過擬合優(yōu)度函數(shù)(損失函數(shù))可以識別隨機猜測的結果哪些是錯誤的。通過調整模型的權重，對提取效果進行優(yōu)化。

3.2.3 執(zhí)行分類及批處理操作

將訓練好的模型在其他圖像中定位相同的特征。并將2017—2021年研究區(qū)域內影像在該模型中進行批處理分類操作，圖11是深度學習冬小麥種植面積提取結果圖。

圖11 基于深度學習算法冬小麥種植面積提取效果圖

3.2.4 分類后處理

將相同年份的影像進行鑲嵌、裁剪、小圖斑處理，并進行統(tǒng)計，得出2017—2021年濰坊市冬小麥種植面積并與統(tǒng)計年鑒中抽樣調查得到的濰坊市冬小麥種植面積數(shù)據(jù)進行對比，如表3所示。

表3 濰坊市冬小麥種植面積提取結果

從2017—2021年濰坊市冬小麥種植面積提取結果可以看出，冬小麥主要分布在濰坊市的東南部，諸城市和高密市為濰坊市冬小麥種植面積較大的兩個地級市，高密市的冬小麥種植密度最高。2017—2021年間的冬小麥種植面積變化于降低的狀態(tài)，面積降低約7.4%。

3.3 精度評價

利用高分辨率的Google影像建立真實的冬小麥樣本區(qū)域，對濰坊市2017—2021年冬小麥提取結果分別進行混淆矩陣精度評價并取平均。并加入制圖精度、用戶精度兩個評價指標。

制圖精度(Producer Accuracy)表示實際中某個地物i樣本在分類結果中被正確分類為地物i的概率。制圖精度計算公式

(1)

用戶精度(User Accuracy)表示從分類結果中任意取一個地物i像元，其在實際中是地物i類型的概率。用戶精度計算公式

(2)

式中：Pii——混淆矩陣第i行第i列的像元數(shù)；

P+i、Pi+——混淆矩陣第i行和第i列的像元總數(shù)。

2017—2021年深度學習冬小麥提取制圖精度達到97.13%，用戶精度達到97.87%，總體精度達到93.1%，誤差精度2.81%，Kappa系數(shù)0.91，該精度滿足以市級或直轄市為主的局部尺度的農情遙感監(jiān)測精度的需求。

4 結論

本研究在綜合考慮冬小麥大尺度種植面積監(jiān)測業(yè)務運行成本和信息提取精度的前提下，利用圖像分割、RENDVI、紋理特征作為分類特征，分別利用面向對象、隨機森林方法進行提取，并利用精度較高的方法結果建立標簽圖像，再利用深度學習技術建立了冬小麥提取模型，分別提取了2017—2021年濰坊市冬小麥種植面積。利用ENVI和ArcGIS統(tǒng)計各縣區(qū)冬小麥種植提取面積，并與統(tǒng)計調查數(shù)據(jù)進行精度檢驗，最終獲得冬小麥提取結果。得出以下結論。

1) 通過RENDVI時間序列及反射光譜曲線，選擇冬小麥遙感提取的最佳時相，相比于NDVI時間序列可以更好地將大蒜與冬小麥區(qū)分開來。利用圖像分割技術并加入紋理特征后，面向對象分類的提取精度相比于隨機森林方法有顯著提高。

2) 在利用深度學習建立冬小麥提取模型時，對圖像進行隨機裁剪和全景縮放，歸一化以及閾值處理并利用監(jiān)督分類結合手工采集來解決標簽冬小麥數(shù)據(jù)集采集分類問題，提高了模型的訓練速度和精度。與面向對象分類方法相比，深度學習方法精度更高，總體精度提高了4%，Kappa系數(shù)提高了0.07，且有效的減少了背景地物的干擾。