孫根云，王 鑫，安 娜，張愛竹

1.中國石油大學(xué)(華東)海洋與空間信息學(xué)院，山東 青島 266580；2.海洋國家實驗室海洋礦產(chǎn)資源評價與探測技術(shù)功能實驗室，山東 青島 266071; 3.中國自然資源航空物探遙感中心,北京 100083

近50年來，全球城市化水平持續(xù)提升，預(yù)計到2050年全球約有68%的人生活在城市中[1]，城市的快速擴(kuò)張導(dǎo)致不透水面急劇增加。不透水面被定義為阻止水滲入地下的堅硬區(qū)域，如瀝青道路、停車場、建筑屋頂?shù)热斯そㄖ2]。不透水面的擴(kuò)張侵占了大量森林、農(nóng)田、草地和水體，導(dǎo)致生物棲息地遭到破壞、城市熱島效應(yīng)增強(qiáng)、非點源污染加劇等現(xiàn)象，影響了城市地區(qū)的生態(tài)平衡和水文循環(huán)[3-4]。因此，及時、準(zhǔn)確地獲取不透水面信息對城市規(guī)劃、管理及城市可持續(xù)發(fā)展等具有重要意義。

隨著以Google Earth Engine(GEE)[5]為代表的遙感云計算技術(shù)的發(fā)展，使得數(shù)據(jù)的獲取與處理更加容易[6]。研究者基于GEE和Landsat數(shù)據(jù)，研制了一系列30 m土地覆蓋或不透水面分類產(chǎn)品，如GlobeLand30[7]、GHSL-2014[8]、MSMT-2015[9]、FromGLC-30[10]等產(chǎn)品。這些產(chǎn)品在生態(tài)環(huán)境、氣候變化等研究及應(yīng)用中發(fā)揮了重要作用。但是受數(shù)據(jù)分辨率限制，難以提供更加精細(xì)的不透水面信息，限制了它們的進(jìn)一步應(yīng)用[11]。另外，在熱帶亞熱帶區(qū)域，比如東南亞地區(qū)，常年多云多雨，導(dǎo)致可利用的光學(xué)影像稀少且影像質(zhì)量較差，使得這些產(chǎn)品的精度難以得到保證。

目前，不透水面提取方法大致可以分為3類：混合像元分解法[12]、指數(shù)法[13]和圖像分類法[14]?；旌舷裨纸夥ㄍㄟ^分解出每個像元中各種地物端元所占比例，可以有效解決混合像元對不透水面信息提取的影響[15]。指數(shù)法利用不透水面的光譜特性，通過光譜波段之間的代數(shù)運算來增強(qiáng)不透水面與其他地物的差異，以實現(xiàn)不透水面的提取[16]。圖像分類法將不透水面看成一類地物，利用不透水面的光譜和空間特征對其進(jìn)行分類[17]。近年來，由于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)能夠自動提取圖像的高層語義特征，在計算機(jī)視覺領(lǐng)域得到了大量研究[18]，提出了一系列經(jīng)典的CNN模型，如VGG[19]、Resnet[20]等模型。CNN模型的優(yōu)越性能得到了遙感界的廣泛關(guān)注[21]并逐漸應(yīng)用到土地覆蓋分類和不透水面提取中，取得了顯著效果[22-23]。例如，文獻(xiàn)[24]首先利用CNN提取高層特征，然后結(jié)合面向?qū)ο蠓指钆c模糊聚類實現(xiàn)了高分辨率不透水面的自動提取。文獻(xiàn)[25]結(jié)合CNN與多層感知機(jī)，通過挖掘地物的空間和光譜信息，有效改善了地物邊界處的分類效果。在大尺度制圖方面，CNN也表現(xiàn)出了優(yōu)勢。比如，文獻(xiàn)[26]提出了一種迭代樣本選擇方法，利用少量已標(biāo)注數(shù)據(jù)預(yù)訓(xùn)練CNN模型，然后在大量未標(biāo)注數(shù)據(jù)中迭代選擇樣本，對CNN模型進(jìn)行遷移，提高了大尺度土地覆蓋分類精度。文獻(xiàn)[27]利用改進(jìn)的HRNet語義分割模型并以From-GLC10[28]土地覆蓋產(chǎn)品為標(biāo)簽，進(jìn)行全國3 m土地覆蓋分類，取得了較高的精度。文獻(xiàn)[29]構(gòu)建了一個6層的CNN模型，并從多個不透水面產(chǎn)品中自動獲取大量訓(xùn)練樣本，實現(xiàn)了全球10 m分辨率建成區(qū)提取。上述算法雖然在大尺度制圖上取得了較高的精度，但是依然面臨以下問題：①輸入數(shù)據(jù)源較為單一，無法有效利用多源數(shù)據(jù)提供的互補(bǔ)信息，限制了大范圍復(fù)雜區(qū)域制圖的精度。②CNN模型的性能依賴足夠的訓(xùn)練樣本，然而大量高質(zhì)量的樣本獲取非常困難；另外，樣本噪聲會影響模型性能[30]。③CNN模型參數(shù)量大，模型的訓(xùn)練和預(yù)測消耗了大量的計算資源，計算效率較低。

因此，針對熱帶亞熱帶光學(xué)影像數(shù)量少、質(zhì)量差，以及樣本獲取難、CNN模型運行效率低的問題，本文構(gòu)建了一種融合多源多時相數(shù)據(jù)的超輕量CNN模型，該模型能夠充分利用地物的光譜、空間和微波散射等特征，實現(xiàn)大尺度高分辨率不透水面的精確提取。同時，為了解決訓(xùn)練樣本難以獲取的問題，本文利用OpenStreetMap(OSM)眾源數(shù)據(jù)和開源不透水面產(chǎn)品，提出了一種自動樣本獲取方法。該方法首先利用OSM數(shù)據(jù)自動獲取樣本，然后基于樣本可靠性加權(quán)的思想，利用開源不透水面產(chǎn)品對獲取的OSM樣本進(jìn)行加權(quán)，降低標(biāo)簽噪聲對網(wǎng)絡(luò)訓(xùn)練的影響，提高模型的抗噪性能。最后將訓(xùn)練好的模型用于越南全境的不透水面提取，得到2019年越南10 m分辨率的不透水面專題圖(VNMIS-2019)，并對結(jié)果進(jìn)行了精度評定。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

越南位于中南半島東部，介于8°10′N～23°24′N，102°09′E～109°30′E之間，國土面積約33萬km2。越南地勢由西北向東南傾斜。越南緯度跨度大，山區(qū)較多，常年多云多雨，年平均降水量達(dá)1800～2000 mm。越南復(fù)雜的地形和氣候條件，為大尺度不透水面提取研究提供了豐富的場景，能夠充分檢驗所提方法的有效性和可靠性。

1.2 數(shù)據(jù)源及預(yù)處理

研究所用數(shù)據(jù)包括Sentinel-1/2影像數(shù)據(jù)，美國航天飛機(jī)雷達(dá)地形測繪任務(wù)(shuttle radar topography mission，SRTM)所生產(chǎn)的DEM數(shù)據(jù)(表1)和4個開源不透水面(土地覆蓋)產(chǎn)品(表2)，訓(xùn)練樣本來自O(shè)SM眾源數(shù)據(jù)。

表1 用于不透水面制圖的輸入數(shù)據(jù)

表2 開源不透水面產(chǎn)品信息

光學(xué)影像利用GEE提供的Sentinel-2 L1C級多光譜影像(multi-spectral imagery，MSI)。影像獲取時間為2019年1月至2019年12月，剔除了云量大于70%的影像，共獲得5020景。本文選取了4個10 m空間分辨率的可見光近紅外波段影像(Band 2/3/4/8)和2個20 m分辨率的短波紅外波段影像(Band 11/12)，將短波紅外影像重采樣到10 m。利用質(zhì)量評估波段(QA)對影像中的云進(jìn)行掩膜。最后將所有影像進(jìn)行中值合成，既減小了數(shù)據(jù)冗余，又減弱了殘留的云污染。獲得合成影像后，對合成影像計算歸一化植被指數(shù)[31](normalized differential vegetation index，NDVI)，并設(shè)置一個相對寬松的閾值0.35，對植被區(qū)域進(jìn)行掩膜，減少不透水面的預(yù)測時間。

合成孔徑雷達(dá)(synthetic aperture radar，SAR)影像利用GEE提供的Sentinel-1A/B衛(wèi)星干涉寬幅模式的地距多視產(chǎn)品，空間分辨率為10 m。本文共收集了2019年1月至2019年12月覆蓋越南全境的Sentinel-1A/B影像1735景。每張影像包含VV、VH兩種極化方式。SAR影像幾乎不受天氣影響，大大提高了多云多雨地區(qū)影像的可利用性[32]。為了獲得地物的時相特征，利用均值合成，將獲得的SAR影像每6個月(1～6月、7～12月)合成為一張。SAR影像在均值合成后，減弱了光斑噪聲、地形疊掩等不利影響。

為了確定訓(xùn)練樣本的可靠性，本文利用了4個與制圖時間接近的全球不透水面產(chǎn)品作為輔助數(shù)據(jù)(表2)，包括全球人類居住地圖(GHSL)、全球高空間分辨率人造不透水面逐年動態(tài)數(shù)據(jù)產(chǎn)品[33](GAIA)、全球精細(xì)分辨率土地覆蓋觀測和監(jiān)測產(chǎn)品(FROM-GLC10)和多源多時相不透水面產(chǎn)品(MSMT-2015)。

2 研究方法

本文方法主要包含4個部分(圖1)：①影像與矢量數(shù)據(jù)收集和預(yù)處理；②訓(xùn)練樣本自動獲取與生成；③模型訓(xùn)練與不透水面制圖；④制圖結(jié)果精度評定。

圖1 試驗流程

2.1 訓(xùn)練樣本自動獲取與生成

為了獲取足夠的訓(xùn)練樣本，首先從“Geofabrik”網(wǎng)站(https:∥download.geofabrik.de/asia/vietnam.html，發(fā)布于2019年1月1日)下載越南全境的OSM數(shù)據(jù)集。該數(shù)據(jù)集包括3類數(shù)據(jù)：①面狀數(shù)據(jù)，包括建筑物、水體和土地利用數(shù)據(jù)；②線狀數(shù)據(jù)，包括道路、水路和軌道數(shù)據(jù)；③點狀數(shù)據(jù)，包括興趣點、自然點和交通站點。

在獲取不透水面樣本時，首先選擇其中的建筑物、道路和鐵路、交通站點數(shù)據(jù)；然后，對建筑物數(shù)據(jù)，去除面積小于100 m2的建筑物斑塊，并計算每個建筑物的中心點；對道路和鐵路數(shù)據(jù)，將自行車道、生活街道、人行道和地鐵等寬度較窄的道路移除，同時移除長度小于500 m的道路，計算剩余道路線中每條線段的中點；最后將建筑物中心點、道路中點和交通站點合并，作為原始的不透水面樣本點。

在獲取非不透水面樣本時，使用了其中的水體、土地利用和自然點數(shù)據(jù)集。對土地利用數(shù)據(jù)集去除其中的住宅區(qū)、商業(yè)區(qū)、工業(yè)區(qū)，以及面積小于300 m2小斑塊。防止建筑物和區(qū)域邊界對樣本的干擾。然后，在剩余的土地利用和水體區(qū)域中隨機(jī)撒點，并限制隨機(jī)點之間的距離大于30 m(3個像元)。最后將隨機(jī)點和自然點合并得到原始的非不透水面樣本點。最終獲得不透水面點82 030個，非不透水面點82 125個，所有樣本點的分布如圖2所示。

圖2 OSM訓(xùn)練樣本點分布

從OSM數(shù)據(jù)中獲得的樣本標(biāo)簽，大部分是正確的，但是由于定位與配準(zhǔn)誤差，樣本中存在部分標(biāo)簽噪聲，如圖2(c)黃色橢圓中所示，少量不透水面點落在了植被區(qū)域。為了減弱標(biāo)簽噪聲對模型訓(xùn)練的影響，本文利用上述開源不透水面產(chǎn)品對每一個樣本進(jìn)行加權(quán)，對可靠性高的樣本賦予高權(quán)重，對于可靠性低的樣本賦予低權(quán)重，具體的計算公式如式(1)和式(2)所示

(1)

(2)

式中，yi表示從OSM數(shù)據(jù)中獲得的樣本標(biāo)簽；βi表示不透水面或非不透水面出現(xiàn)的頻率；λi表示第i個樣本的權(quán)；Ij表示第j個開源產(chǎn)品的土地覆蓋類型，不透水面為1，非不透水面為0；m表示開源不透水面產(chǎn)品的數(shù)量，本文中為4。

2.2 模型構(gòu)建

為了利用多源數(shù)據(jù)的互補(bǔ)特性，本節(jié)構(gòu)建了一個超輕量級CNN模型。該模型用3個平行分支融合光學(xué)、SAR和坡度數(shù)據(jù)，如圖3所示。具體說明如下：①MSI分支接受7×7×6的多光譜圖像塊輸入，包含4個卷積層和一個池化層，用來提取地物的空間和光譜信息；②SAR分支將雙時相SAR圖像塊作為輸入，每一時相的圖像塊大小為7×7×2，首先經(jīng)過兩個三維卷積層提取時相和空間信息，再經(jīng)過池化層和卷積層進(jìn)一步提取高層語義信息；③Slope分支的輸入是由DEM計算出的坡度圖，大小為7×7×1，將地形信息融入模型，減弱山地對不透水面提取的影響。最后，將3個分支提取的抽象特征合并，送入由128個神經(jīng)元構(gòu)成的全連接層對中心像元進(jìn)行分類。輸出神經(jīng)元經(jīng)過Sigmoid函數(shù)將模型的輸出值映射到0～1范圍內(nèi)，大于0.5的被判定為不透水面。為了進(jìn)行逐像素分類，采用基于圖像塊和滑動窗口的方法，滑動步長設(shè)置為1。

注：3×3×16@1代表卷積核大小為3×3，卷積核數(shù)量為16，卷積步長為1，其他標(biāo)記類似；Conv代表二維卷積運算，3D Conv代表三維卷積運算，BN代表批標(biāo)準(zhǔn)化，Relu代表修正線性單元激活函數(shù)，MaxPooling代表最大池化運算，Concat代表特征組合，Dense代表全連接層的神經(jīng)元。

2.3 模型優(yōu)化

一個合理的損失函數(shù)是模型獲得良好性能的關(guān)鍵因素。本文基于樣本加權(quán)的思想，在原交叉熵函數(shù)上進(jìn)行改進(jìn)，對樣本的損失值賦予權(quán)重，減弱噪聲樣本對模型的影響。

對于二分類問題，標(biāo)簽取值為0或者1，假設(shè)每個批次訓(xùn)練n個圖像塊，每個圖像塊的交叉熵?fù)p失函數(shù)可以表示為式(3)

(3)

式中，yi表示第i個圖像塊標(biāo)簽值，取值為0或1；pi表示第i個圖像塊的預(yù)測值。

每個圖像塊都有一個從OSM樣本中獲得的一個標(biāo)簽yi，以及從開源產(chǎn)品中獲得的一個權(quán)λi，修改后的損失函數(shù)可以表示為式(4)

ln(1-pi)]

(4)

最后，采用自適應(yīng)矩估計算法(adaptive moment estimation,Adam)進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化。網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.000 1，之后根據(jù)訓(xùn)練輪數(shù)epoch自動調(diào)整學(xué)習(xí)率，Batch size設(shè)置為64。本文的試驗環(huán)境為Ubuntu 18.4操作系統(tǒng)，顯卡為NVIDIA 1050ti，顯存為4 GB，采用Keras神經(jīng)網(wǎng)絡(luò)框架實現(xiàn)。在進(jìn)行圖像預(yù)測時，將影像數(shù)據(jù)從GEE中導(dǎo)出到Google Drive中，并將訓(xùn)練好的模型上傳至Google Drive，最終在Google Drive提供的Colab云計算平臺中獲得越南全境的不透水面產(chǎn)品(簡稱“VNMIS-2019”)。

2.4 精度評價方法

為了定量驗證結(jié)果精度，本文采用分層隨機(jī)抽樣策略，借助Google Earth歷史影像和Sentinel-2影像對樣本點進(jìn)行目視解譯。共計獲得驗證樣本點1583個，用于模型訓(xùn)練時的精度評估與超參數(shù)調(diào)整；獲得測試樣本點2120個，用于對制圖結(jié)果的精度評估。采用了常用的精度評估指標(biāo)，總體精度(overall accuracy，OA)，用戶精度(user 's accuracy,UA)，生產(chǎn)者精度(producer 's accuracy,PA)和Kappa系數(shù)驗證結(jié)果精度與模型識別的一致性[34]。

3 試驗結(jié)果與分析

3.1 精度評估與對比

將訓(xùn)練好的模型用于越南不透水面提取，結(jié)果如圖4所示。圖4展示了越南不透水面的整體分布，以及6個典型區(qū)域的不透水面分布細(xì)節(jié)?？梢钥吹?，越南大部分不透水面分布在東南部的紅河三角洲地區(qū)、東部沿海地區(qū)以及以胡志明市為中心的東南部湄公河三角洲地區(qū)。北部和西部山區(qū)受地形和環(huán)境的影響，不透水面分布極少。

圖4 越南2019年不透水面制圖結(jié)果

基于測試樣本，定量評估了越南不透水面的提取精度，并與其他3個不透水面產(chǎn)品進(jìn)行對比，結(jié)果見表3?？傮w來看，VNMIS-2019獲得了最高的總體精度(91.01%)和Kappa系數(shù)(0.820)，其次是MSMT-2015。相比之下，GAIA-2018的總體精度只有81.33%，Kappa系數(shù)為0.621。從用戶精度看，GAIA-2018的精度高于其他產(chǎn)品，達(dá)到了94.64%，最低為From-GLC10，只有86.72%。這可能與From-GLC10在生產(chǎn)時只使用Sentinel-2多光譜影像有關(guān)。從生產(chǎn)者精度看，VNMIS-2019的生產(chǎn)者精度達(dá)到了最高89.97%，最低的為GAIA-2018，只有75.77%，主要原因可能是GAIA-2018產(chǎn)品分辨率較低，造成小斑塊不透水面的遺漏。

表3 不同不透水面產(chǎn)品的精度對比

為了定性對比不透水面產(chǎn)品之間的差異，本文選取From-GLC10和MSMT-2015，在4種典型場景(城市、郊區(qū)、山區(qū)、農(nóng)村地區(qū))下進(jìn)行對比，如圖5所示?？傮w而言，VNMIS-2019與From-GLC10和MSMT-2015不透水面的整體分布基本相同，但是在細(xì)節(jié)處存在差異：MSMT-2015由于分辨率較低，受混合像元的影響，導(dǎo)致零散細(xì)小的不透水面遺漏和空間細(xì)節(jié)缺失，如圖5(d)黃色橢圓區(qū)域中郊區(qū)與農(nóng)村地區(qū)的道路被遺漏，而在城區(qū)及山區(qū)(圖5(d)藍(lán)色橢圓區(qū)域)存在不透水面高估現(xiàn)象；相比而言，兩個10 m分辨率產(chǎn)品VNMIS-2019和From-GLC10具備更多的細(xì)節(jié)。但是，F(xiàn)rom-GLC10容易將裸地和農(nóng)田錯分為不透水面，造成不透水面高估，如圖5(c)藍(lán)色橢圓區(qū)域。相比之下，VNMIS-2019獲得了最好的目視效果，與定量對比的試驗結(jié)論是一致的。

圖5 不同不透水面產(chǎn)品定性對比

3.2 樣本加權(quán)對精度的影響

由圖6(a)可以看出，在模型訓(xùn)練過程中，原始OSM樣本訓(xùn)練的模型驗證精度在84%左右，而召回率卻達(dá)到了95%，說明對不透水面存在嚴(yán)重的高估現(xiàn)象。相反，加權(quán)樣本模型的驗證精度大于92%，同時召回率與驗證精度相差小于2%(圖6(b))。說明利用開源不透水面產(chǎn)品對OSM樣本進(jìn)行加權(quán)，能夠明顯減弱樣本噪聲對模型訓(xùn)練的影響。另外，本文研究的制圖時間為2019年，與使用的開源產(chǎn)品最大時間間隔僅為5 a。根據(jù)文獻(xiàn)[33]的研究，近年來東南亞地區(qū)不透水面擴(kuò)張相對緩慢，因此，認(rèn)為不會對權(quán)重造成明顯影響。

圖6 使用加權(quán)樣本與原始樣本的精度對比

為進(jìn)一步證明樣本加權(quán)的有效性，本文選取了越南4個具有代表性的場景進(jìn)行可視化對比，如圖7所示。由圖7可以看出，使用原始OSM樣本提取的不透水面結(jié)果，在不同的場景下均存在不同程度的高估(圖7藍(lán)色橢圓區(qū)域)。例如，在建筑密集區(qū)(圖7(a))，使用原始樣本提取的結(jié)果將許多房屋之間的植被分為了不透水面，而在郊區(qū)和沿海地區(qū)(圖7(b)、(c))將高反射率的裸地和農(nóng)田分為不透水面。相反，使用加權(quán)樣本的模型不僅提取出了大塊不透水面區(qū)域，同時提取出了不透水面的精細(xì)結(jié)構(gòu)以及細(xì)小的道路(圖7綠色橢圓區(qū)域)。值得注意的是，在圖7(d)中，雖然影像中存在薄云覆蓋，但是使用加權(quán)樣本訓(xùn)練的模型，仍然精確地分類出了云覆蓋像元。這主要是因為，在深度學(xué)習(xí)模型中融合了多時相SAR數(shù)據(jù)，減弱了云對不透水面提取的影響。

圖7 加權(quán)樣本與原始樣本的不透水面提取效果對比

3.3 模型結(jié)構(gòu)與計算效率分析

因為模型結(jié)構(gòu)和規(guī)模對提取精度和預(yù)測效率都會產(chǎn)生影響，所以本節(jié)分4種情況，一共對比分析了8種模型的提取精度及其預(yù)測1.0×106個像素點所用時間，①模型的分支組合，MSI單分支模型、MSI-SAR雙分支模型(簡寫為MSI-S)、MSI-SAR-Slope三分支模型(簡寫為MSI-SS)；②增加模型分支間的連接，將3個分支間的深度特征相互組合連接，形成分支間的信息交互(命名為MSI-SS-X，如圖8(a)所示)；③擴(kuò)展模型的寬度，將MSI-SS模型每層卷積核數(shù)量增加為原來的2倍和4倍(分別簡寫為MSI-SS2和MSI-SS4)；④增加模型的深度，在MSI-SS模型的每個分支添加兩個卷積層(命名為MSI-SS-D2，如圖8(b)所示)及在每個卷積層后面再增加一個卷積層(簡寫為MSI-SS-D4，如圖8(c)所示)。

圖8 不同結(jié)構(gòu)的CNN模型

試驗結(jié)果見表4，可以看到，MSI-SS模型的OA比MSI單分支模型高2.4%，Kappa系數(shù)高4.8%。這主要是因為MSI-SS模型能夠融合地物的光譜、空間、后向散射及地形特征，從而提高了精度。增加模型分支間交互會輕微提升模型精度，但模型計算復(fù)雜度和參數(shù)量明顯上升，計算效率下降了5.2%。卷積核數(shù)量的增加并沒有明顯提高精度，且導(dǎo)致預(yù)測效率明顯降低。MSI-SS2和MSI-SS4模型的預(yù)測效率比MSI-SS模型分別降低了16.9%和59.0%。另外，MSI-SS-D2和MSI-SS-D4模型雖然輕微地提升了精度(<1%)，但是，預(yù)測效率比MSI-SS模型分別降低了10.4%和23.7%。由于制圖范圍較大，在綜合考慮了精度、預(yù)測效率和參數(shù)量后，本文最終采用MSI-SS模型。

表4 不同模型結(jié)構(gòu)的精度與計算效率

3.4 樣本數(shù)量對精度的影響

由于訓(xùn)練樣本來自于OSM眾源數(shù)據(jù)，各個地區(qū)的可用樣本數(shù)量相差較大。為了驗證該方法在其他地區(qū)的適用性，進(jìn)一步研究了樣本數(shù)量與精度之間的關(guān)系。試驗結(jié)果如圖9所示，隨著樣本數(shù)量的增加，使用加權(quán)或原始樣本的分類精度都有所提升，但是，加權(quán)樣本的分類精度一直高于原始樣本。當(dāng)樣本量超過總量的30%時，加權(quán)樣本的分類精度超過92%，原始樣本的分類精度只有84%左右，繼續(xù)增加樣本量精度幾乎不再發(fā)生變化。這表明，即使在OSM樣本比較少的地區(qū)依然可以使用該方法。

圖9 精度與訓(xùn)練樣本量的關(guān)系

4 結(jié) 論

本文結(jié)合多源遙感影像和OSM眾源數(shù)據(jù)，提出了一個自動的大尺度高分辨率不透水面提取方法。該方法利用開源不透水面產(chǎn)品對獲得的原始OSM樣本進(jìn)行加權(quán)，對可靠性高的樣本賦予高的權(quán)重，對低可靠性樣本賦予低權(quán)重。通過樣本加權(quán)，有效抑制了標(biāo)簽噪聲對模型訓(xùn)練的影響，提高了模型的泛化能力。在此基礎(chǔ)上，為了解決熱帶亞熱帶地區(qū)云雨覆蓋對不透水面提取的影響，提出了一個三分支的超輕量CNN模型，融合了光學(xué)、SAR和地形數(shù)據(jù)，實現(xiàn)了大尺度10 m分辨率不透水面的精確提取。通過對越南全境的不透水面制圖試驗，并與其他開源不透水面產(chǎn)品進(jìn)行對比，檢驗了算法的有效性。試驗發(fā)現(xiàn)獲得的不透水面專題圖總體精度達(dá)到了91.01%，Kappa系數(shù)達(dá)到0.82，高于目前已公開的不透水面產(chǎn)品。未來將考慮利用全卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)不透水面自動提取，進(jìn)一步提高分類效率；并研究更優(yōu)的加權(quán)策略，獲取更高質(zhì)量的訓(xùn)練樣本。