王妮，閔婕，郭家樂(lè)，何念

（1.滁州學(xué)院 地理信息與旅游學(xué)院，安徽 滁州239000；2.滁州學(xué)院 實(shí)景地理環(huán)境安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 滁州239000）

隨著遙感圖像分辨率和分類(lèi)方法的提高，遙感圖像分類(lèi)已成為森林資源管理和監(jiān)測(cè)的重要手段[1]，及時(shí)、準(zhǔn)確地監(jiān)測(cè)森林資源，掌握森林資源的變化規(guī)律，對(duì)社會(huì)、生態(tài)和經(jīng)濟(jì)都具有重要意義。盡管目前遙感影像分類(lèi)已取得長(zhǎng)足的進(jìn)展， 但樹(shù)種類(lèi)型信息獲取方面中仍存在很多問(wèn)題， 例如分類(lèi)精度不高、數(shù)據(jù)量不足、詳細(xì)程度低等[2]。近十余年來(lái)， 面向?qū)ο蠓诸?lèi)方法在高分影像樹(shù)種分類(lèi)領(lǐng)域顯示出巨大的潛力[3]。 Robert 等人[4]將Landsat-7TM 影像應(yīng)用于俄亥俄州南部的一個(gè)地區(qū)， 采用面向?qū)ο蟮哪：诸?lèi)方法對(duì)大面積常綠落葉林的覆蓋度進(jìn)行了區(qū)分。李丹等[5]使用高分影像為數(shù)據(jù)源，利用面向?qū)ο?、SVM（support vector machine）和RF（support vector machine）算法對(duì)城市優(yōu)勢(shì)喬木進(jìn)行分類(lèi)。劉金麗[6]等人以黑龍江省伊春市華皮羌子林場(chǎng)為研究區(qū)域，基于GF-2 遙感影像數(shù)據(jù)進(jìn)行了面向?qū)ο蟮姆诸?lèi)分割實(shí)驗(yàn)。 面向?qū)ο蟮姆诸?lèi)方法能夠綜合社區(qū)影像空間的局部均勻區(qū)域、 紋理和光譜信息的各種特征，克服傳統(tǒng)方法的缺點(diǎn)。

深度卷積神經(jīng)網(wǎng)絡(luò) （Convolutional Neural Networks,CNN）已廣泛應(yīng)用于遙感圖像的分類(lèi)、提取、識(shí)別和檢索[7]。 利用深度學(xué)習(xí)對(duì)圖像分類(lèi)時(shí)，其分類(lèi)精度、 分類(lèi)時(shí)間等方面已經(jīng)完全超越了傳統(tǒng)方法[8]。 Nogueira 等[9]利用CNN 對(duì)少量標(biāo)記樣本進(jìn)行植被物種識(shí)別。 何海清等[10]采用深度CNN 遞歸識(shí)別模型，成功地適應(yīng)了不同尺度地物的變化，提高了場(chǎng)景分類(lèi)的精度。 數(shù)據(jù)集的規(guī)模是影響網(wǎng)絡(luò)性能的關(guān)鍵因素之一，所以CNN 中的眾多參數(shù)需要大量數(shù)據(jù)來(lái)訓(xùn)練。 但在實(shí)際應(yīng)用過(guò)程中，通常無(wú)法獲得足夠的數(shù)據(jù)來(lái)完成某些特定任務(wù)[11]。為克服訓(xùn)練樣本不足的問(wèn)題， 事先進(jìn)行無(wú)監(jiān)督的預(yù)訓(xùn)練過(guò)程，或者從相關(guān)和不相關(guān)的任務(wù)中轉(zhuǎn)移知識(shí)。 將目標(biāo)數(shù)據(jù)集運(yùn)輸?shù)匠ポ敵鰧拥奶卣魈崛∑骶W(wǎng)絡(luò)中，并重復(fù)訓(xùn)練深度卷積層，得到新的權(quán)重[12]。

本文以QuickBird 高分辨率遙感影像為數(shù)據(jù)源，運(yùn)用多尺度分割算法和遷移學(xué)習(xí)，建立了面向?qū)ο蠛蜕疃忍卣飨嘟Y(jié)合的高分樹(shù)種分類(lèi)模型，以期實(shí)現(xiàn)森林樹(shù)種高精度的識(shí)別與分類(lèi)。

1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

本文以皇甫山國(guó)家森林公園為研究對(duì)象 （見(jiàn)圖1）?；矢ι降靥幗辞鹆陞^(qū)，屬大別山區(qū)。 地理坐標(biāo)為東經(jīng)117°58′-東經(jīng)118°03′， 海拔399.2m。該地區(qū)屬于北亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)北緣， 氣候溫和，四季分明，日照充足；無(wú)霜期220 天，年平均降水量1018.6mm，年平均氣溫14.3℃。 皇甫山森林資源豐富， 植物種類(lèi)繁多， 占地面積高達(dá)35533km2， 森林覆蓋率達(dá)96%， 是江淮地區(qū)最完整、規(guī)模最大的原生次生林景觀帶?；矢α謭?chǎng)主要分布根系發(fā)達(dá)、樹(shù)冠密集、落葉豐富易分解、生長(zhǎng)迅速、郁閉度高的樹(shù)種；其中，松樹(shù)和麻櫟是主要樹(shù)種，約占總株數(shù)的60%；數(shù)量較多的樹(shù)木包括刺槐、楊樹(shù)、柳樹(shù)、楓香樹(shù)和輔助經(jīng)濟(jì)樹(shù)種桃樹(shù)[13]。 本研究數(shù)據(jù)主要為遙感影像數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)，實(shí)地調(diào)查數(shù)據(jù)包括研究區(qū)2014 年森林資源規(guī)劃設(shè)計(jì)調(diào)查數(shù)據(jù)和2019 年9 月實(shí)地調(diào)查數(shù)據(jù)中選取的樣本。

圖1 研究區(qū)域位置

2 研究方法

2.1 最優(yōu)分割尺度

1） 面向?qū)ο蠖喑叨确指?/p>

影像分割的結(jié)果關(guān)系到信息提取的準(zhǔn)確性。影像分割效果越精細(xì)時(shí)， 越符合物體邊界分割的特點(diǎn)，信息提取的效果越好[14]，技術(shù)流程如圖2 所示。 本實(shí)驗(yàn)利用多尺度分割算法（multi- resoulution segmentation，MRS）分割影像，設(shè)定不同的形狀因子、緊致度因子、分割參數(shù)等以實(shí)現(xiàn)最佳分割效果。MRS 算法的分割原理是從單個(gè)像素出發(fā)，由下至上進(jìn)行合并；基于區(qū)域均質(zhì)性和對(duì)象一致性，最大程度上優(yōu)化已分割對(duì)象， 實(shí)現(xiàn)了同一幅圖像中不同尺度像素的聚集[6]。

采用ESP 工具進(jìn)行圖像分割，ESP（estimating the scale parameter）[15]是由Dragut 等人開(kāi)發(fā)的自動(dòng)獲取最佳分割尺度選擇工具。 該工具通過(guò)分割結(jié)果局部方差的均值 （Li） 和相鄰尺度局部方差（ROC）的差異來(lái)評(píng)估各影像地物屬性的最優(yōu)尺度參數(shù)， 差異曲線的峰值直接反映整個(gè)圖像對(duì)象的最大異質(zhì)性。 實(shí)際應(yīng)用中圖像往往比較豐富，ESP得到的最佳分割尺度是多個(gè)值，ROC 的計(jì)算公式如下：

式中：Li為第i 層對(duì)象層的平均局部方差，Li-1為目標(biāo)層第i-1 層中對(duì)象層的平均局部方差，ROC為i 到i-1 層中局部方差變化的百分比。

圖2 面向?qū)ο蠓诸?lèi)技術(shù)流程

2） 多層次分割參數(shù)獲取

為了確定最佳分割參數(shù)， 需要調(diào)整形狀因子和緊致度因子。 分割實(shí)驗(yàn)在尺度參數(shù)為30-200（以10 個(gè)單位遞增）的范圍內(nèi)進(jìn)行；為了確定最佳分割參數(shù)，需要調(diào)整形狀因子和緊密度因子。 首先將形狀因子和緊致度因子分為三類(lèi)，（1）形狀因子為0.4，緊致度因子為0.6；（2）形狀因子為0.5，緊致度因子為0.5；（3）形狀因子為0.6，緊致度因子為0.4。 根據(jù)分割效果，通過(guò)目視判讀，在小尺度范圍內(nèi)確定各特征的合適分割范圍。 樹(shù)種適宜劃分范圍為30～80，耕地為50～80，建筑用地（房屋、道路）適宜劃分范圍為80 以上，水體適宜劃分范圍為60 以上，采伐跡地適宜劃分范圍為70 以上。

通過(guò)比較相同尺度參數(shù)下不同形狀因子和緊致度因子的分割效果，結(jié)果表明：（1）當(dāng)形狀因子為0.4 時(shí)，影像分割對(duì)象與地物邊界重合度高于形狀因子0.5、0.6；（2）當(dāng)緊致度因子為0.6 時(shí)，影像分割更為精細(xì)，地物分割更為準(zhǔn)確；（3）當(dāng)采用傳統(tǒng)方法的0.5 形狀因子和0.5 緊致度因子分割影像時(shí)，分割效果不理想，地物邊界分割不明顯；（4）當(dāng)緊致度因子大于形狀因子時(shí)， 分割結(jié)果更符合本研究區(qū)的邊界特征。

通過(guò)上述實(shí)驗(yàn)，目視判斷30-130 尺度參數(shù)下的影像分割效果。 結(jié)果（見(jiàn)圖3）表明，同一尺度下分割對(duì)象與研究區(qū)樹(shù)種區(qū)域吻合程度不同。

圖3 分割參數(shù)為60；0.5；0.5 時(shí)采伐跡地 （右）、 水體（中）以及樹(shù)種（左）

通過(guò)試驗(yàn)確定了形狀因子和緊致度因子。 在0.4；0.6、0.5；0.6、0.5；0.6 和0.4；0.5 的 條 件 下，用ESP 工具得到了形狀因子和緊致因子的最佳分割尺度值，然后根據(jù)每個(gè)特征的合適分割范圍，選擇三組因子下各特征的合適分割尺度參數(shù)， 通過(guò)目視判讀三種不同因子參數(shù)下的分割結(jié)果， 得出每種地物的適宜分割尺度參數(shù)。 結(jié)果見(jiàn)表1。

表1 多層次分割參數(shù)設(shè)置表

2.2 對(duì)象特征分析及特征優(yōu)選

1） 對(duì)象特征分析

遙感影像數(shù)據(jù)分析的基礎(chǔ)是光譜特征[16]。 它是由實(shí)際地物的組成和影像的成像狀態(tài)決定的固有的光學(xué)和物理性質(zhì)；主要包括灰度、色調(diào)、顏色等。 影響森林樹(shù)種光譜特征的參數(shù)包括各波段的平均值、各波段的標(biāo)準(zhǔn)差、各波段比率等[17]。

影像數(shù)據(jù)分析的另一個(gè)重要特征是影像紋理。 灰度共生矩陣（Gray Level Co-occurrence Matrix GLCM）的統(tǒng)計(jì)方法是由R.Haralick 等人提出。它是一種能計(jì)算局部或整個(gè)區(qū)域內(nèi)兩個(gè)像素或兩個(gè)像素之間在一定距離內(nèi)的灰度值的關(guān)系矩陣；通過(guò)描述灰度空間相關(guān)特性來(lái)描述紋理， 反映森林樹(shù)種紋理信息的參數(shù)主要有:均值、方差、熵和均質(zhì)度等[18]。

2）對(duì)象特征優(yōu)選

分類(lèi)研究過(guò)程中特征對(duì)象的選擇十分重要，關(guān)鍵特征的數(shù)量不同樹(shù)種分類(lèi)結(jié)果不同，因此，本實(shí)驗(yàn)將提取大量的對(duì)象特征[18]。 本實(shí)驗(yàn)基于分割結(jié)果分別提取了對(duì)象的屬性特征， 屬性特征描述見(jiàn)表2，特征分為光譜屬性和紋理屬性。 其中光譜屬性分別為1-3 波段的光譜平均值、標(biāo)準(zhǔn)差、波段比率， 紋理屬性分別為各波段的GLCM 一系列參數(shù)，如同質(zhì)性、差異性、熵、對(duì)比度等。

2.3 CART 算法

本研究采用CART 分類(lèi)器對(duì)樣本樹(shù)種進(jìn)行分類(lèi)。 CART(Classification and Regression Tree)決策樹(shù)算法的原理是將訓(xùn)練樣本數(shù)據(jù)集劃分為實(shí)驗(yàn)變量和目標(biāo)變量，通過(guò)雙變量的周期分析的循環(huán)分析，形成二叉決策樹(shù)；與其他決策樹(shù)模型相比，CART 決策樹(shù)在每個(gè)步驟中最小化分類(lèi)的不純潔程度， 通過(guò)遞歸分區(qū)將訓(xùn)練記錄分成組， 然后在每個(gè)節(jié)點(diǎn)上自動(dòng)選擇最合適的預(yù)測(cè)變量； 如果一個(gè)節(jié)點(diǎn)中100%的觀察值都屬于目標(biāo)字段的同一類(lèi)別， 那么認(rèn)為該節(jié)點(diǎn)“純潔”； 目標(biāo)變量和預(yù)測(cè)變量字段可以是區(qū)間字段或分類(lèi)字段；每個(gè)節(jié)點(diǎn)都采用二元?jiǎng)澐值男问健＝Y(jié)合遙感影像信息提取，目標(biāo)變量為實(shí)際地物類(lèi)型，預(yù)測(cè)變量為地面樣本的特征[17]。

表2 對(duì)象特征與描述

CART 分類(lèi)樹(shù)通過(guò)計(jì)算每一組特征的Gini 系數(shù)增益確定決策樹(shù)劃分的優(yōu)先規(guī)則； 采用二分劃分形式，當(dāng)一列特征有K 個(gè)類(lèi)別，第k 個(gè)類(lèi)別概率為Pk時(shí)， Gini 系數(shù)計(jì)算公式為：

2.4 結(jié)合深度遷移學(xué)習(xí)的高分影像樹(shù)種分類(lèi)模型

深度卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于樹(shù)種分類(lèi)中， 為解決深度卷積神經(jīng)網(wǎng)絡(luò)需要百萬(wàn)數(shù)量圖像集的問(wèn)題， 本文將深度遷移學(xué)習(xí)的方法應(yīng)用于高分影像樹(shù)種分類(lèi)中。 利用遷移學(xué)習(xí)的方法，將源領(lǐng)域和目標(biāo)領(lǐng)域的數(shù)據(jù)從原始特征空間映射到新的特征空間中， 這樣可以減少人工標(biāo)注數(shù)據(jù)的工作量和模型的訓(xùn)練時(shí)間[20]。

采用基于ImageNet[21]訓(xùn)練的大型卷積神經(jīng)網(wǎng)絡(luò)VGG16 作為遷移學(xué)習(xí)模型。樹(shù)種分類(lèi)模型的結(jié)構(gòu)主要包括以下兩個(gè)部分：（1） 利用VGG16 模型參數(shù)初始化深度卷積神經(jīng)網(wǎng)絡(luò)，同時(shí)VGG16 作為特征提取器，可對(duì)樹(shù)種圖像進(jìn)行特征提取。解決了層數(shù)增加期間的梯度下降問(wèn)題， 提高了尺度縮減過(guò)程中特征提取的精度。 （2）在訓(xùn)練后的模型中，利用全局平局壓縮參數(shù)，在網(wǎng)絡(luò)末端添加1024 個(gè)節(jié)點(diǎn)的全連接層和7 個(gè)節(jié)點(diǎn)的softmax 分類(lèi)器層； 采用反向傳播和Adam 優(yōu)化算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練[13]。

VGG16 是由Simonyan 和Zisserman 提出的卷積神經(jīng)網(wǎng)絡(luò)模型。VGG16 模型通過(guò)反復(fù)疊加3x3 個(gè)小卷積核和2x2 個(gè)最大池化層， 成功構(gòu)建了16/19層深的卷積神經(jīng)網(wǎng)絡(luò)； 該模型主要將傳統(tǒng)卷積層提升到卷積塊，卷積塊由2-3 個(gè)卷積層構(gòu)成，同時(shí)多次使用線性整流函數(shù)（ReLu）激活函數(shù)增加線性變換，使之具有更強(qiáng)學(xué)習(xí)能力及特征提取能力[22]；最后在訓(xùn)練時(shí)和預(yù)測(cè)時(shí)使用Multi-Scale 做數(shù)據(jù)增強(qiáng)，并采集各種不同旋轉(zhuǎn)角度的圖像作為數(shù)據(jù)集， 有利于提高深度學(xué)習(xí)的魯棒性。訓(xùn)練時(shí)將樣本先上下、左右翻轉(zhuǎn)后逆時(shí)針90 度翻轉(zhuǎn)。 增加了數(shù)據(jù)量。

在實(shí)驗(yàn)中， 將樹(shù)種影像轉(zhuǎn)換成224×224×3 的數(shù)字矩陣輸入網(wǎng)絡(luò)。 在第一個(gè)卷積層中使用64 個(gè)3×3 大小的卷積層進(jìn)行卷積和激活操作； 其后作2×2 的最大池化層并使用128 個(gè)3×3 的卷積核作三次卷積和激活操作，尺寸變?yōu)?12×112×128；在后面幾個(gè)普通卷積層中進(jìn)行類(lèi)似操作， 得到特征向量尺寸為7×7×512；隨后進(jìn)入1×1×1024 的全連接層；最后通過(guò)softmax 輸出1000 個(gè)預(yù)測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

應(yīng)用本研究方法于皇甫山森林公園Quick-Bird 高分辨率影像中的樹(shù)種分類(lèi)， 并通過(guò)實(shí)地調(diào)查和目視判讀驗(yàn)證分類(lèi)結(jié)果的準(zhǔn)確性。 首先，利用多尺度分割技術(shù)對(duì)部分遙感圖像進(jìn)行分割， 利用ESP 尺度參數(shù)評(píng)價(jià)工具，得到最佳分割尺度為55，最佳形狀因子為0.4，緊致度為0.5；在此基礎(chǔ)上提取樹(shù)種的光譜特征和紋理特征，建立分類(lèi)規(guī)則，獲得樹(shù)種分類(lèi)樣本集。本文采用預(yù)訓(xùn)練模型VGG16，模型輸入大小為224×224 像素，模型訓(xùn)練中，設(shè)置速度衰減周期為100epoch，Batch size 為32。Adam算法中初始學(xué)習(xí)速率為0.0001，epsilon 設(shè)置為10-8。 本文采用TensorFlow 框架中的TensorBoard可視化工具制作曲線圖， 利用曲線圖分析不同參數(shù)下運(yùn)行時(shí)間及迭代次數(shù)的變化趨勢(shì)。

訓(xùn)練過(guò)程中的精度和損失變化曲線如圖4 所示。 在前30 個(gè)迭代，模型的精度迅速提高，損失迅速減少；經(jīng)過(guò)30 個(gè)迭代后，網(wǎng)絡(luò)參數(shù)基本穩(wěn)定。 利用預(yù)訓(xùn)練模型VGG 初始化網(wǎng)絡(luò)參數(shù)，可以有效地加快網(wǎng)絡(luò)訓(xùn)練速度，避免過(guò)擬合問(wèn)題。

圖4 訓(xùn)練精度及損失變化曲線

為研究本文算法的有效性， 將其與傳統(tǒng)CNN模型進(jìn)行比較，表3 的實(shí)驗(yàn)結(jié)果表明，本文分類(lèi)方法在研究區(qū)的森林樹(shù)種分類(lèi)中， 準(zhǔn)確率和kappa系數(shù)可達(dá)84.5%和0.81， 比傳統(tǒng)CNN 高12%和0.13。 除此以外，本方法可解決樣本過(guò)少導(dǎo)致過(guò)擬合的問(wèn)題， 分類(lèi)效果遠(yuǎn)高于未遷移學(xué)習(xí)的分類(lèi)模型。 因此，該方法對(duì)高分影像樹(shù)種具有較高的識(shí)別和分類(lèi)功能。

為探討不同模型對(duì)樹(shù)種分類(lèi)的影響，本研究分別用ResNet50 和VGG16 預(yù)訓(xùn)練模型訓(xùn)練網(wǎng)絡(luò)。VGG16 和ResNet50 輸入圖像大小為224x224pixel，2 個(gè)模型在相同的環(huán)境下進(jìn)行訓(xùn)練。 表3 的結(jié)果顯示：兩種基于遷移學(xué)習(xí)得到的分類(lèi)模型的總體精度、kappa 系數(shù)均優(yōu)于傳統(tǒng)CNN 分類(lèi)算法；VGG16的分類(lèi)效果更好，其原因是樹(shù)種影像不同于自然影像，沒(méi)有非常復(fù)雜的語(yǔ)義特點(diǎn)，所以相對(duì)較小的卷積神經(jīng)網(wǎng)絡(luò)更容易取得良好的效果。

表3 皇甫山高分影像樹(shù)種分類(lèi)精度評(píng)價(jià)

4 結(jié)論

本實(shí)驗(yàn)基于皇甫山QuickBird 高分辨率影像，采用面向?qū)ο蠓椒ㄖ谱鳂颖炯⑤斎肷疃冗w移學(xué)習(xí)模型進(jìn)行森林樹(shù)種分類(lèi)。 研究表明：（1）相對(duì)于傳統(tǒng)CNN， 基于深度遷移學(xué)習(xí)的高分影像的樹(shù)種分類(lèi)提高了分類(lèi)精度，減弱了椒鹽噪聲的影響，加快了損失率的下降速度。 （2）本文采用面向?qū)ο蟮姆诸?lèi)方法， 通過(guò)使用ESP 多尺度分割工具確定最優(yōu)分割尺度，節(jié)約了人工提取的時(shí)間，提高了分割精度，較好地區(qū)分了森林特征，有效地避免了樹(shù)種與其他特征的混淆。 （3） 利用少量的標(biāo)注樹(shù)種影像，實(shí)現(xiàn)了端到端的高分辨率影像分類(lèi)，解決了訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)需要百萬(wàn)數(shù)據(jù)集的問(wèn)題。