徐渝杰，舒向陽(yáng)，*，陶敏，孫奕函，劉唯佳，4，董高成，何沁，李杰，李一丁，鄧良基，楊雨山

（1.四川農(nóng)業(yè)大學(xué)資源學(xué)院，成都 611130；2.四川師范大學(xué)西南土地資源評(píng)測(cè)與監(jiān)測(cè)教育部重點(diǎn)實(shí)驗(yàn)室，成都 610068；3.四川師范大學(xué)地理與資源科學(xué)學(xué)院，成都 610068；4.成都市農(nóng)林科學(xué)院，成都 611130；5.仁壽蜀錦置業(yè)有限公司，四川 眉山 620500）

草原是世界陸地生態(tài)系統(tǒng)的主要類型之一，其面積占陸地總面積的40%。草原生態(tài)系統(tǒng)是一個(gè)復(fù)雜的綜合體，但非常脆弱。近年來(lái)草原生態(tài)系統(tǒng)已經(jīng)開始退化，原因是人們對(duì)草原系統(tǒng)過(guò)度開墾。草原退化、沙化已經(jīng)影響到了人類經(jīng)濟(jì)和社會(huì)發(fā)展[1]。鑒于草地生態(tài)系統(tǒng)的重要性[2-4]，修復(fù)退化草地[5]已成為國(guó)家層面的關(guān)鍵任務(wù)。同時(shí)，建立有效的修復(fù)成效評(píng)價(jià)方法與技術(shù)對(duì)于未來(lái)的生態(tài)修復(fù)與管理工作至關(guān)重要[6]?；赗S技術(shù)的植被覆蓋度遙感影像信息提取來(lái)監(jiān)測(cè)區(qū)域植被變化情況是近幾年一項(xiàng)普遍使用的技術(shù)，可以作為草地退化程度評(píng)價(jià)指標(biāo)的有力技術(shù)手段[7]。

植物覆蓋度是描述地表植被分布的重要指標(biāo)，也是生態(tài)系統(tǒng)、水土流失和氣候變化模型的重要參數(shù)，通常被定義為植被在單位面積內(nèi)的垂直投影面積所占百分比，是描述植被生長(zhǎng)變化及覆蓋率的重要參數(shù)，也是區(qū)域生態(tài)環(huán)境變化的重要因子[8]。目前植被覆蓋度的檢測(cè)方法主要有地面實(shí)測(cè)方法和遙感反演方法。地面實(shí)測(cè)方法包括目估法、樣方法和攝影法，這些方法精度高，但是很大程度上受到人力、物力的制約，難以獲取區(qū)域尺度上的植被覆蓋度，因此遙感監(jiān)測(cè)逐漸成為監(jiān)測(cè)覆蓋度的重要手段。目前，植被指數(shù)方法[9-12]、混合像元分解法[13-15]、機(jī)器學(xué)習(xí)法[16-21]及利用深度學(xué)習(xí)網(wǎng)絡(luò)[22-23]等方法均為植被覆蓋度遙感估算的較為成熟的方法。其中，針對(duì)衛(wèi)星的遙感測(cè)量中發(fā)生的“椒鹽現(xiàn)象”，采用無(wú)人機(jī)遙感影像技術(shù)提取植被覆蓋度[24-25]可以對(duì)其進(jìn)行有效避免。但是衛(wèi)星影像在時(shí)間分辨率上存在周期長(zhǎng)，空間分辨率上的存在精度不夠的限制，因此多用于中，小尺度的監(jiān)測(cè)。而無(wú)人機(jī)巡航下生成的高分辨率影像則可以在監(jiān)測(cè)方面填補(bǔ)大尺度下植被覆蓋度檢測(cè)的空白。

本文以四川省紅原縣沙化治理示范區(qū)為對(duì)象，利用無(wú)人機(jī)監(jiān)測(cè)平臺(tái)獲取治理示范區(qū)高分辨遙感影像，使用基于U-Net網(wǎng)絡(luò)的語(yǔ)義分割方法、最大似然法、最小距離法和馬氏距離法4種機(jī)器學(xué)習(xí)方法提取植被信息，而后選擇其中精度最高的方法，最終建立一套適合紅原縣沙化治理示范區(qū)的快速植被監(jiān)測(cè)體系，用以輔助示范區(qū)管理者監(jiān)控植被覆蓋情況，更好地進(jìn)行沙化治理。

1 研究區(qū)概況

1.1 研究區(qū)位置

研究區(qū)地處川西北高原阿壩藏族羌族自治州紅原縣瓦切鄉(xiāng)，是四川省沙化治理典型示范區(qū)之一，地理坐標(biāo)30°35′～34°19′N，東經(jīng)100°30′～104°27′E（圖1），地勢(shì)由東南向西北傾斜，地貌為山原向丘狀高原過(guò)渡的典型區(qū)，海拔3 600 m以上。該地氣候?yàn)榇箨懶愿咴疁貛Ъ撅L(fēng)氣候，春季，秋季短促、冬季較長(zhǎng)，夏季極短。該地區(qū)年均降雨量791.95 mm，每年降雨主要集中在5—10月，年均氣溫較低，為1.1 ℃，最冷月平均氣溫為-10.3 ℃，最熱月平均氣溫為10.9 ℃，最低極端氣溫為-36 ℃。日照充分，太陽(yáng)輻射強(qiáng)，年均日照時(shí)間2 158.7 h。該地屬于長(zhǎng)江、黃河水系分水嶺，西南向北注入黃河，是四川省三大江河岷江、大渡河及嘉陵江支流涪江、白龍江的發(fā)源地，經(jīng)濟(jì)以農(nóng)業(yè)和畜牧業(yè)為主。20世紀(jì)90年代以來(lái)，該地區(qū)開展了大規(guī)模的生態(tài)修復(fù)工程[26]。

圖1 紅原縣地理位置Figure 1 The position of Hongyuan county

1.2 數(shù)據(jù)來(lái)源

本研究采用的數(shù)據(jù)為998張4 864 × 3 648大小的無(wú)人機(jī)影像，是通過(guò)Smart 3D平臺(tái)生產(chǎn)研究區(qū)的無(wú)人機(jī)正射影像，如圖2。無(wú)人機(jī)飛行高度為100 m，所生產(chǎn)的無(wú)人機(jī)正射影像分辨率為2.67 cm/像素，該區(qū)域面積大小為0.59 km2。結(jié)合川西北高寒矢量數(shù)據(jù)對(duì)研究區(qū)植被覆蓋度進(jìn)行了監(jiān)測(cè)，以及對(duì)分類結(jié)果進(jìn)行精度對(duì)比。

圖2 沙化治理示范區(qū)概況Figure 2 The desertification control demonstration area

1.3 研究方法

1.3.1 樣本庫(kù)構(gòu)建

①樣本標(biāo)注。通過(guò)ArcGIS Pro對(duì)目標(biāo)區(qū)域利用圖像標(biāo)注工具進(jìn)行標(biāo)注，分為灌木、草地、水體和沙地4類。

②制作數(shù)據(jù)集。本次實(shí)驗(yàn)是根據(jù)無(wú)人機(jī)所拍攝的65 154 × 33 270，每個(gè)像元為0.026 m × 0.026 m大小的無(wú)人機(jī)高分辨率遙感影像。將影像進(jìn)行裁剪，在X、Y方向上步幅均設(shè)置為256，制作大小為512×512的樣本切片共10 000張。

1.3.2 機(jī)器學(xué)習(xí)方法

(1) 最大似然法

最大似然法[27]預(yù)設(shè)每個(gè)遙感圖像波段均為正態(tài)分布，每類地物數(shù)據(jù)在空間中構(gòu)成特定的點(diǎn)群，每一類數(shù)據(jù)在自己的各個(gè)維度上的數(shù)軸上為正態(tài)分布，選取每一維度概率密度最大的值，作為劃分標(biāo)準(zhǔn)進(jìn)行分類。

(2) 馬氏距離

馬氏距離(Mahalanobis distance classification)[28]表示點(diǎn)與一個(gè)分布之間的距離，能夠有效地計(jì)算2個(gè)未知樣本集的相似度。馬氏距離在歐氏距離的基礎(chǔ)上考慮了對(duì)象屬性的方差，將變量按照主成分變換得到相關(guān)性最小的多個(gè)維度，然后縮放特征值倍數(shù)進(jìn)行標(biāo)準(zhǔn)化，最終馬氏距離值最小時(shí)，歸入該類別。

(3) 最小距離法

在有先驗(yàn)知識(shí)的前提下,利用訓(xùn)練樣本數(shù)據(jù)求出未知類別至已知類別中心向量的距離D，通過(guò)計(jì)算每一類的均值向量，將均值向量為在該類特征空間中的中心距離,并統(tǒng)計(jì)輸入圖像中各種像元至各種中心之間的距離,如某像元至某一個(gè)中心的間距為最小,則可歸入該范圍內(nèi)[29]。

(4) 基于U-Net神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法

U-Net網(wǎng)絡(luò)[22]是全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的一種變形，是一種基于FCN框架的網(wǎng)絡(luò)結(jié)構(gòu)，其整體地分為編碼和解碼，編碼部分為下采樣，解碼部分為上采樣。U-Net網(wǎng)絡(luò)基本可以對(duì)任意尺寸的圖片進(jìn)行卷積操作，特別是大尺寸圖片。網(wǎng)絡(luò)結(jié)構(gòu)中舍棄了全連接層（fully connected layers），極大程度減少了需要訓(xùn)練的參數(shù)，使網(wǎng)絡(luò)運(yùn)行更加高效。同時(shí)，得益于U形結(jié)構(gòu)的編碼解碼過(guò)程以及特征拼接操作，更好地利用了高分辨率圖片中的語(yǔ)義信息。

1.4 實(shí)驗(yàn)過(guò)程

1.4.1 無(wú)人機(jī)影像處理

本研究利用大疆無(wú)人機(jī)獲取四川省阿壩州紅原縣瓦切鄉(xiāng)沙化治理示范區(qū)高分辨率影像，通過(guò)3DSmart軟件對(duì)獲取的所有單張小幅無(wú)人機(jī)圖像進(jìn)行去除噪聲、裁剪圖像，最后將小幅圖像拼接成大幅完整的全景圖。

1.4.2 樣本勾畫

用GIS軟件對(duì)正射遙感圖像進(jìn)行目視解譯，建立圖層，分別勾繪出灌木、草地、水體和沙地分別賦值并命名。

1.4.3 樣本可分離性分析

Jeffries-Matusita（Jefries-Matusita距離）[30]和Diver gence transformed divergence（轉(zhuǎn)換分離度）[31]2個(gè)指標(biāo)被應(yīng)用來(lái)描述不同樣本種類的可分割程度，這2個(gè)指標(biāo)的取值范圍是0～2.0。如果這2個(gè)指標(biāo)的取值超過(guò)1.9，那么就說(shuō)明樣本的可分割程度較高，能夠進(jìn)行有效的監(jiān)控和分類；反之，如果這兩個(gè)指標(biāo)的取值低于1.8，則需要重新選擇樣本。如果數(shù)值低于1，就必須考慮是否應(yīng)該把2種類型的數(shù)據(jù)整合到同一類別中。

Jeffries-Matusita公式：

式子中，U為樣本的均值向量，∑為協(xié)方差矩陣，i和j分別表示2個(gè)地物類型。

Diver gence transformed divergence公式：

式中：Dij為2個(gè)類別間的離散度；Ci和Cj為類別i和j的協(xié)方差矩陣；μi和μj為類別i和j的平均矢量。

由表1可知，我們選擇紅原地區(qū)灌木、草地、水體和沙地4類地物，所有地物類型的參數(shù)值均大于1.9，說(shuō)明樣本均滿足劃分標(biāo)準(zhǔn)，可用于實(shí)驗(yàn)。

表1 樣本可分離性Table 1 ROI separability

1.4.4 樣本訓(xùn)練

本研究采用正射全景影像，利用最大似然法、馬氏距離法、最小距離法和深度學(xué)習(xí)（U-Net網(wǎng)絡(luò)[31]）4種機(jī)器學(xué)習(xí)算法進(jìn)行灌木、水體、草本植物和裸露沙地信息進(jìn)行提取，利用預(yù)測(cè)后的結(jié)果圖像計(jì)算植被的覆蓋度。結(jié)果驗(yàn)證則通過(guò)混淆矩陣上述4種機(jī)器學(xué)習(xí)算法的準(zhǔn)確性進(jìn)行評(píng)價(jià)，通過(guò)總體分類精度和kappa系數(shù)的高低，來(lái)選擇最適宜該區(qū)域景觀類型的分類算法。

利用最大似然法、最小距離法、馬氏距離法3種算法，以及GIS軟件中深度學(xué)習(xí)算法(U-net網(wǎng)絡(luò))，分別得到4個(gè)植被信息提取結(jié)果。采用混淆矩陣，總體分類精度，kappa系數(shù)作為精度評(píng)價(jià)指標(biāo)，其中混淆矩陣能夠反映出真實(shí)值與預(yù)測(cè)值相互吻合的部分，也可以反映出與預(yù)測(cè)值不吻合的部分。總體分類精度的高低，可以判斷模型預(yù)測(cè)的精確性，而kappa系數(shù)的高低可以衡量每個(gè)地物分類的正確性。

本研究利用ArcGIS Pro軟件中的deep learning模塊執(zhí)行語(yǔ)義分割，該模塊基于Tensor flow框架，實(shí)現(xiàn)了U-Net深度學(xué)習(xí)模型。

1.4.5 總體分類精度與kappa系數(shù)

混淆矩陣是分類精度評(píng)價(jià)中常用的評(píng)價(jià)指標(biāo)如下表2。

表2 混淆矩陣Table 2 Confusion matrix

TP表示被預(yù)測(cè)預(yù)測(cè)值與真實(shí)值均為正確的個(gè)數(shù)，TP為預(yù)測(cè)值為錯(cuò)誤且真實(shí)值為錯(cuò)誤的個(gè)數(shù)，F(xiàn)P為真實(shí)值為錯(cuò)誤，預(yù)測(cè)值為正確的情況，F(xiàn)N為真實(shí)值為正確，預(yù)測(cè)值為錯(cuò)誤的情況的個(gè)數(shù)。

總體分類精度與kappa系數(shù)均是混淆矩陣中的評(píng)價(jià)指標(biāo)。其中，總體分類精度等于被正確分類的像元總和除以總像元數(shù)，總體分類精度表示分類正確的樣本占總樣本的分類個(gè)數(shù)的比例，結(jié)合上述混淆矩陣。其公式如下：

kappa系數(shù)用于衡量分類精度，由前文中的混淆矩陣，得到真實(shí)值和預(yù)測(cè)值，將對(duì)角線上的真實(shí)值×預(yù)測(cè)值減去某一地物真實(shí)值×預(yù)測(cè)值，最后除以總像元數(shù)的平方減去某一類地物真實(shí)值×預(yù)測(cè)值之和。其公式如下：

總體分類精度與kappa系數(shù)兩者的值越大，代表分類精度越高，分類效果越好。

2 結(jié)果與分析

2.1 深度學(xué)習(xí)結(jié)果精度

本文將影像按照512×512的大小，步幅為256進(jìn)行裁剪，制作標(biāo)簽，最終得到10 000張影像和標(biāo)簽，作為數(shù)據(jù)集。將數(shù)據(jù)集按比例7∶2∶1分別劃分為訓(xùn)練集，預(yù)測(cè)集，驗(yàn)證集。

由圖3可知，隨著訓(xùn)練程度的深入，損失值不斷下降，大約在25 000個(gè)batches后，loss最后達(dá)到0.2左右，準(zhǔn)確率達(dá)到0.87，模型具體參數(shù)如下表3。

表3 網(wǎng)絡(luò)模型具體參數(shù)Table 3 The specific arguments of the network model

圖3 訓(xùn)練和驗(yàn)證損失值Figure 3 Training and validationloss

2.2 影像分類結(jié)果

本試驗(yàn)選擇了一個(gè)0.11 km2的沙地范圍進(jìn)行分類，其中包含了灌木、草地、沙地和水體4個(gè)類別。在使用3種機(jī)器學(xué)習(xí)方法以及深度學(xué)習(xí)方法之后，得到分類結(jié)果如下圖4所示。

圖4 訓(xùn)練區(qū)域分類結(jié)果對(duì)比Figure 4 The sample district and the comparison between the four methods

2.3 評(píng)判精度分析

由表4可知，其中采用U-net網(wǎng)絡(luò)得到的深度學(xué)習(xí)的總體分類精度與kappa系數(shù)最高，最小距離法的總體分類指數(shù)與kappa系數(shù)最低，且這2個(gè)參數(shù)之間的差距均在20%以上，差異明顯。其次馬氏距離法與深度學(xué)習(xí)法接近，傳統(tǒng)的機(jī)器學(xué)習(xí)方法也能符合植被信息提取標(biāo)準(zhǔn)。而深度學(xué)習(xí)方法的精度方面存在如此優(yōu)越之處，在于能夠從大量樣本中學(xué)習(xí)各種特征，從不同的角度去對(duì)圖像進(jìn)行描述，結(jié)合了地物之間的關(guān)系。

表4 總體分類精度與kappa系數(shù)Table 4 Overall classification accuracy and kappa

通過(guò)對(duì)4種分類結(jié)果(圖5)進(jìn)行對(duì)比，我們可以發(fā)現(xiàn)樣本中未對(duì)防護(hù)網(wǎng)進(jìn)行分類，而3種機(jī)器學(xué)習(xí)方法最大似然法，馬氏距離法，最小距離法將防護(hù)網(wǎng)分別分類成灌木、水體和草地，而U-net模型卻沒有將其提取出來(lái)。

圖5 防護(hù)網(wǎng)識(shí)別與灌木陰影識(shí)別對(duì)比Figure 5 The comparison between the protective net identification and the identification of the bush shadow

2.4 面積統(tǒng)計(jì)

通過(guò)比較，我們采用精確度最高的深度學(xué)習(xí)方法進(jìn)行植被信息提取。本研究采用無(wú)人機(jī)影像像元大小為0.026 m×0.026 m，通過(guò)像元個(gè)數(shù)乘以像元面積，最后再進(jìn)行加和，即可得到每一類地物面積。

經(jīng)統(tǒng)計(jì)，整個(gè)沙化治理示范區(qū)內(nèi)，灌木有0.09 km2，草地有0.14 km2，沙地有0.32 km2，水體有0.04 km2，該區(qū)域植被覆蓋度（草木+灌木）為39%（圖6，表5）。

表5 沙化治理示范區(qū)地類統(tǒng)計(jì)Table 5 The classification statistic of the desertification control demonstration area

圖6 沙化治理示范區(qū)分類Figure 6 The desertification control demonstration area classification

3 討論與結(jié)論

從總體分類精度而言，4種方法的精度為：深度學(xué)習(xí)>馬氏距離法>最大似然法>最小距離法，其中深度學(xué)習(xí)方法準(zhǔn)確性高，且能對(duì)目標(biāo)樣本進(jìn)行準(zhǔn)確分類，其在識(shí)別過(guò)程中能從多個(gè)方面綜合地物之間的關(guān)系。

深度學(xué)習(xí)方法能夠區(qū)別植物冠層的陰影與水體，更進(jìn)一步地加強(qiáng)了分類的準(zhǔn)確性，為植被覆蓋度計(jì)算提供了強(qiáng)有力的技術(shù)支持。本文通過(guò)對(duì)4種分類方法的精度進(jìn)行比較和評(píng)價(jià)，篩選出深度學(xué)習(xí)U-net作為最優(yōu)的分類方法，建立了一套可重復(fù)使用、精確的植被蓋度測(cè)量方法，做到能夠及時(shí)準(zhǔn)確地掌握該區(qū)域植被覆蓋情況，進(jìn)行區(qū)域生態(tài)質(zhì)量的監(jiān)測(cè)和評(píng)估，利于維護(hù)紅原縣沙化治理示范區(qū)生態(tài)系統(tǒng)的持續(xù)穩(wěn)定發(fā)展。

本文基于無(wú)人機(jī)遙感技術(shù)和機(jī)器學(xué)習(xí)技術(shù)，可以大大提高評(píng)估的效率和結(jié)果的準(zhǔn)確性，研究成果還可以為未來(lái)該區(qū)域的治理投入提供數(shù)據(jù)支持，同時(shí)減少人力、物力和財(cái)力投入。此外，本研究成果可為未來(lái)該區(qū)域的治理投入提供數(shù)據(jù)支持，促進(jìn)川西北沙化草地治理的可持續(xù)發(fā)展，亦可為其他地區(qū)的沙化治理提供參考和借鑒。