張祖宇，滕永核，秦元麗，廖超明，凌子燕

（1.廣西壯族自治區(qū)地理信息測(cè)繪院，廣西柳州 545000；2.廣西科學(xué)院遙感測(cè)繪研究院，廣西南寧 530001；3.廣西壯族自治區(qū)林業(yè)科學(xué)研究院，廣西南寧 530002；4.南寧師范大學(xué) 自然資源與測(cè)繪學(xué)院，廣西南寧 530001；5.廣西遙暢空間信息科技有限公司，廣西南寧 530023）

遙感分類提取方法主要包括監(jiān)督分類、面向?qū)ο蠓诸惡蜎Q策樹(shù)等，研究人員通過(guò)EOS/MODIS、HJ和GF 等系列衛(wèi)星遙感數(shù)據(jù)，實(shí)現(xiàn)對(duì)各種地表覆被信息的自動(dòng)提取、面積估算及動(dòng)態(tài)變化監(jiān)測(cè)。近年來(lái)，隨著無(wú)人機(jī)技術(shù)的發(fā)展，基于無(wú)人機(jī)獲取的影像具有更高分辨率和更多視角的特點(diǎn)，利用無(wú)人機(jī)獲取的高分辨率影像進(jìn)行地物分類受到越來(lái)越多的研究人員關(guān)注。研究人員利用無(wú)人機(jī)獲取多視角數(shù)據(jù)、基于面向?qū)ο蟮挠跋穹治觯∣BIA）算法成功對(duì)濕地進(jìn)行分類[1]，基于無(wú)人機(jī)獲取的高分辨率圖像實(shí)現(xiàn)對(duì)建筑物信息的提取[2]，這些研究成果表明基于無(wú)人機(jī)獲取的高分辨率影像數(shù)據(jù)完成地表覆被分類或自動(dòng)解譯取得了良好的效果。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，利用深度學(xué)習(xí)對(duì)高分辨率遙感影像進(jìn)行自動(dòng)解譯和分類已成為研究熱點(diǎn)。深度學(xué)習(xí)的核心是卷積神經(jīng)網(wǎng)絡(luò)（CNN）[3]，基于CNN 的深度學(xué)習(xí)算法在圖像的目標(biāo)識(shí)別[4-5]、目標(biāo)檢測(cè)[6]和場(chǎng)景分類[7-8]等方面的應(yīng)用取得了成功。研究人員利用CNN對(duì)高分辨率遙感影像進(jìn)行逐像素分類成像研究，如利用CNN 與遙感數(shù)據(jù)實(shí)現(xiàn)對(duì)城市土地利用類型的分類與制圖[9]；基于CNN和光學(xué)遙感影像對(duì)林地、濕地進(jìn)行分類[10-12]。由于CNN體系結(jié)構(gòu)深和參數(shù)多，訓(xùn)練一個(gè)具有魯棒性的CNN 需要大量且具有特定視覺(jué)的數(shù)據(jù)集。利用少量數(shù)據(jù)集完成高效的深度CNN訓(xùn)練非常困難。為解決由于缺少大量數(shù)據(jù)集而無(wú)法訓(xùn)練出一個(gè)高效的深度CNN 的困境，有研究采用基于CNN的中間激活層對(duì)大型數(shù)據(jù)集（如ImageNet等）完成預(yù)訓(xùn)練并轉(zhuǎn)移到其他數(shù)據(jù)量小的目標(biāo)識(shí)別任務(wù)上，這一方法被稱為遷移學(xué)習(xí)。有研究人員通過(guò)遷移學(xué)習(xí)方法完成特征遷移，實(shí)現(xiàn)對(duì)高分辨率遙感影像圖像的分類[13-14]。

林業(yè)是廣西的支柱產(chǎn)業(yè)，及時(shí)、準(zhǔn)確地掌握林業(yè)作物的空間分布和時(shí)空變化可為地方政府部門(mén)進(jìn)行作物種植結(jié)構(gòu)調(diào)整提供重要參考。U-Net深度學(xué)習(xí)模型具有較強(qiáng)的語(yǔ)義分割功能，可對(duì)圖像上的每個(gè)像素點(diǎn)實(shí)現(xiàn)語(yǔ)義標(biāo)注，在高分辨率遙感影像分類中得到較好應(yīng)用[15-16]。本研究以甘蔗（Saccharum officinarum）種植區(qū)為例，利用無(wú)人機(jī)快速獲取高分辨率遙感影像數(shù)據(jù)，采用U-Net 模型和遷移學(xué)習(xí)方法提取甘蔗種植區(qū)的空間位置信息，研究基于深度學(xué)習(xí)的地表覆被信息自動(dòng)提取方法，為后續(xù)林地覆被空間位置信息自動(dòng)提取提供技術(shù)參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于南寧市上林縣鎮(zhèn)圩瑤族鄉(xiāng)正浪村（108°23′～108°28′E，23°39′～23°43′N）。上林縣地處低緯度地區(qū)，北回歸線橫貫縣境中部，屬南亞熱帶季風(fēng)型氣候，年均氣溫20.9 ℃，年均無(wú)霜期337天；雨量充沛，年均降水量1 527 mm。全縣土壤質(zhì)地以壤土為主，耕作層較厚，土壤肥沃。研究區(qū)的氣候條件和土地資源適宜甘蔗生長(zhǎng)，為本研究獲取數(shù)據(jù)提供便利。

1.2 數(shù)據(jù)獲取與處理

采用大疆M300 多旋翼無(wú)人機(jī)并搭載Canon EOS 5D Mark 數(shù)碼相機(jī)，預(yù)設(shè)的航向重疊度為70%、旁向重疊度為60%，獲取一套空間分辨率為5 cm 的試驗(yàn)區(qū)影像數(shù)據(jù)。采用Pix4Dmapper 4.0 軟件將獲取的影像數(shù)據(jù)處理成正射影像圖（圖1）。

圖1 研究區(qū)的正射影像Fig.1 Orthophoto image of study area

由于原始正射影像圖太大，無(wú)法直接用于訓(xùn)練。為滿足GPU 的顯存要求，將原始正射影像圖切割成13 170 張大小為128×128 像元的數(shù)據(jù)。將切割后的影像分成訓(xùn)練集與測(cè)試集，比例為8∶2。訓(xùn)練集主要應(yīng)用于訓(xùn)練模型，測(cè)試集主要應(yīng)用于驗(yàn)證模型分辨能力。有研究表明，當(dāng)深度學(xué)習(xí)訓(xùn)練時(shí)的訓(xùn)練樣本數(shù)量過(guò)少，會(huì)出現(xiàn)過(guò)擬合現(xiàn)象，降低訓(xùn)練集預(yù)測(cè)精準(zhǔn)性[17]。本試驗(yàn)獲取的訓(xùn)練集數(shù)據(jù)量較少，設(shè)計(jì)通過(guò)數(shù)據(jù)增廣方式擴(kuò)展訓(xùn)練集數(shù)據(jù)，即對(duì)訓(xùn)練集的數(shù)據(jù)進(jìn)行翻轉(zhuǎn)變換、上下左右平移變換的方式進(jìn)行增廣。

1.3 研究方法

基于U-Net 深度學(xué)習(xí)模型并引入遷移學(xué)習(xí)策略，在開(kāi)源數(shù)據(jù)集ImageNet 上預(yù)先訓(xùn)練好的權(quán)重參數(shù)基礎(chǔ)上，根據(jù)當(dāng)前的數(shù)據(jù)集狀態(tài)進(jìn)行參數(shù)調(diào)整，進(jìn)而提高最終分類器的性能。

本研究設(shè)計(jì)的U-Net甘蔗種植區(qū)提取模型架構(gòu)如圖2 所示。首先，將3 波段的RGB 影像數(shù)據(jù)輸入U(xiǎn)-Net模型，運(yùn)用CNN進(jìn)行下采樣，提取出一層又一層的特征；利用提取到的一層又一層特征進(jìn)行上采樣；采用U-Net模型輸出分割后的圖像數(shù)據(jù)。

圖2 U-Net甘蔗種植區(qū)提取模型架構(gòu)Fig.2 U-Net extraction model architecture of S.officinarum planting area

2 結(jié)果與分析

2.1 模型訓(xùn)練

在配備8 核Intel Core i7 處理器、64 GB 運(yùn)行內(nèi)存、NVIDIA GeForce GTX 9 TITAN X 顯卡和Win 10操作系統(tǒng)的計(jì)算機(jī)上進(jìn)行模型訓(xùn)練。試驗(yàn)?zāi)Ｐ瓦x擇Adam 作為優(yōu)化器，該優(yōu)化器可在訓(xùn)練過(guò)程中自適應(yīng)地調(diào)整學(xué)習(xí)率，設(shè)置初始學(xué)習(xí)率為0.001，設(shè)置batch size 為8，迭代周期為50 次，選用Tensorflow +keras深度學(xué)習(xí)框架進(jìn)行模型構(gòu)建、訓(xùn)練與驗(yàn)證。

2.2 試驗(yàn)結(jié)果分析

利用U-Net模型和遷移學(xué)習(xí)方法對(duì)無(wú)人機(jī)影像中的甘蔗種植區(qū)進(jìn)行空間位置信息自動(dòng)提取。將無(wú)人機(jī)獲取的原始影像、人工目視解譯提取的甘蔗種植區(qū)空間信息數(shù)據(jù)（原標(biāo)簽圖像）與本試驗(yàn)結(jié)果進(jìn)行對(duì)比分析（圖3）。利用測(cè)試集樣本數(shù)據(jù)對(duì)試驗(yàn)結(jié)果進(jìn)行精度評(píng)定，本次試驗(yàn)自動(dòng)提取到甘蔗種植區(qū)空間位置信息的準(zhǔn)確率、精確率和召回率分別為98.34%、93.10%和89.21%，表明基于U-Net 模型和遷移學(xué)習(xí)方法可以準(zhǔn)確提取出無(wú)人機(jī)影像中甘蔗種植區(qū)的空間位置信息，且不受甘蔗種植區(qū)分布密集程度的影響。

利用U-Net模型和遷移學(xué)習(xí)方法對(duì)形狀規(guī)則的甘蔗種植區(qū)空間位置信息進(jìn)行提取效果較好（圖3c下圖）。利用U-Net 模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行下采樣和上采樣操作，某種程度上會(huì)導(dǎo)致甘蔗種植區(qū)空間信息提取結(jié)果中存在邊界模糊的現(xiàn)象（圖3c上圖和中圖），需在后續(xù)研究中對(duì)深度學(xué)習(xí)模型和數(shù)據(jù)處理方法進(jìn)一步優(yōu)化。

圖3 部分試驗(yàn)提取結(jié)果Fig.3 Partial experimental extraction results

3 結(jié)論

本研究采用U-Net模型和遷移學(xué)習(xí)方法完成對(duì)無(wú)人機(jī)獲取的高分辨率影像中甘蔗種植區(qū)空間位置信息的提取。針對(duì)研究區(qū)訓(xùn)練集數(shù)據(jù)量不足等問(wèn)題，本研究設(shè)計(jì)采用數(shù)據(jù)增廣方式對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行增廣。采用遷移學(xué)習(xí)方法在開(kāi)源數(shù)據(jù)集IamgeNet預(yù)訓(xùn)練U-Net模型，通過(guò)特征遷移對(duì)試驗(yàn)區(qū)的無(wú)人機(jī)正射影像進(jìn)行甘蔗種植區(qū)空間位置信息自動(dòng)提取。結(jié)果顯示，使用U-Net 模型和遷移學(xué)習(xí)方法，能夠較好地自動(dòng)提取甘蔗種植區(qū)的空間位置信息，其準(zhǔn)確率、精確率和召回率分別達(dá)到98.34%、93.10%和89.21%，且不受甘蔗種植區(qū)分布密集程度的影響。

甘蔗和其他植被在遙感影像上反映的紋理存在一定的相似度，通過(guò)樣本數(shù)據(jù)采集、訓(xùn)練和模型優(yōu)化，本研究方法可應(yīng)用到其他類型的地表覆被空間信息自動(dòng)提取工作中。