石偉博，廖小罕，王紹強(qiáng)，5，6，岳煥印，王東亮

1.中國地質(zhì)大學(xué)(武漢) 地理與信息工程學(xué)院 區(qū)域生態(tài)過程與環(huán)境演變實(shí)驗(yàn)室,武漢 430074;

2.中國科學(xué)院地理科學(xué)與資源研究所 資源與環(huán)境信息系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室,北京 100101;

3.中國科學(xué)院無人機(jī)應(yīng)用與管控研究中心,北京 100101;

4.中國民航局 低空地理信息與航路重點(diǎn)實(shí)驗(yàn)室,北京 100101;

5.中國科學(xué)院地理科學(xué)與資源研究所 生態(tài)系統(tǒng)網(wǎng)絡(luò)觀測與模擬重點(diǎn)實(shí)驗(yàn)室,北京 100101;

6.中國科學(xué)院大學(xué) 資源與環(huán)境學(xué)院,北京 100049

1 引言

森林作為地球上十分重要的生態(tài)系統(tǒng)，具有生物多樣性保護(hù)、固碳釋氧、氣候調(diào)節(jié)、水源涵養(yǎng)、水土保持、環(huán)境凈化等生態(tài)功能（廖亮林 等，2016；Iverson 等，2018；朱萬澤 等，2021），對區(qū)域內(nèi)乃至全球的生態(tài)多樣性、碳循環(huán)等有很大的貢獻(xiàn)。川西亞高山針葉林作為我國第二大林區(qū)（西南林區(qū)）的主體（杜志 等，2014），是長江上游重要的生態(tài)屏障，在區(qū)域氣候調(diào)節(jié)、水源涵養(yǎng)和生物多樣性保育等方面具有不可替代的作用和地位（劉慶 等，2001）。就森林生態(tài)系統(tǒng)而言，了解森林植被分布對于森林的可持續(xù)管理十分重要。過去，為了獲取植被的分布情況，往往采取實(shí)地調(diào)查的方式。這種方法耗時耗力，成本也很高，對于西南林區(qū)而言，由于其復(fù)雜的地形條件，還會有一定的安全隱患。隨著遙感技術(shù)的不斷進(jìn)步，遙感已經(jīng)成為獲取森林植被分布的重要手段之一，在林業(yè)中得到廣泛的應(yīng)用（Fassnacht 等，2016）。傳統(tǒng)的衛(wèi)星數(shù)據(jù)，如Landsat、SPOT 系列等衛(wèi)星影像，由于其空間分辨率較低，無法提供足夠的空間細(xì)節(jié)，往往只用作大范圍植被制圖。高分衛(wèi)星數(shù)據(jù)，如IKONOS、QuickBird、WordView 等衛(wèi)星影像，能提供能米級甚至亞米級的遙感數(shù)據(jù)，但面臨著時效性差、成本高等問題，同時受制于西南林區(qū)多云多雨多霧的氣候特點(diǎn)，導(dǎo)致衛(wèi)星有效觀測時間更短，獲得高質(zhì)量、多時空的遙感影像數(shù)據(jù)難度更大。

近年來隨著無人機(jī)和遙感器技術(shù)的不斷發(fā)展，無人機(jī)的續(xù)航時間不斷提升，搭載能力越來越強(qiáng)，無人機(jī)已經(jīng)成為一種新型的遙感觀測平臺，被廣泛應(yīng)用于各個領(lǐng)域（Colomina 和Molina，2014；廖小罕等，2016；Pajares，2015；Maes 和Steppe，2019）。無人機(jī)的主要優(yōu)勢就在于高頻次、迅捷（廖小罕 等，2019），可以用一種相對較近的方式觀察地物，能夠靈活、方便、快捷的獲取遙感數(shù)據(jù)。此外，相較于衛(wèi)星平臺，無人機(jī)往往在云層下面進(jìn)行觀測，所以無人機(jī)遙感數(shù)據(jù)不需要進(jìn)行過多的大氣校正；由于無人機(jī)對于起降場地要求不高，能夠適應(yīng)林業(yè)復(fù)雜的地理環(huán)境，可以獲取高時間、高空間分辨率的林業(yè)影像數(shù)據(jù)，對森林資源的調(diào)查和監(jiān)測提供了強(qiáng)有力的技術(shù)支撐（曹忠，2016；劉清旺 等，2017），無人機(jī)遙感技術(shù)已經(jīng)應(yīng)用到林火與病蟲害監(jiān)測（何誠 等，2014；黃華毅 等，2021）、森林結(jié)構(gòu)參數(shù)估測（王娟 等，2022；王越 等，2022）、森林植被觀測（Zheng等，2021）與分類（Zhang等，2020b；Hao等，2021）、樹種多樣性監(jiān)測（Xu等，2021）等方面。

隨著深度學(xué)習(xí)的興起，特別是卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Networks）的興起，在計(jì)算機(jī)視覺和模式識別上取得了較大進(jìn)展，越來越多的研究者使用新興的平臺和技術(shù)進(jìn)行森林植被研究（Kattenborn 等，2021）。Zhang 等（2020a）使用機(jī)載高光譜數(shù)據(jù)對南方人工林林場植被進(jìn)行分類，利用改進(jìn)的3D-CNN 分類模型實(shí)現(xiàn)了大面積、高精度的樹種分類；Trier 等（2018）使用機(jī)載激光掃描和高光譜數(shù)據(jù)，結(jié)合深度神經(jīng)網(wǎng)絡(luò)對挪威森林中的3個優(yōu)勢樹種進(jìn)行分類制圖，精度達(dá)87%。然而，高光譜載荷設(shè)備昂貴，飛行成本較高，并且高光譜遙感數(shù)據(jù)往往需要專業(yè)的人員進(jìn)行影像處理，門檻較高，難以在林業(yè)研究中進(jìn)行普及。

隨著消費(fèi)級無人機(jī)的興起，林業(yè)研究者能夠以低成本的代價獲取超高空間分辨率的RGB 影像數(shù)據(jù)，這對于林業(yè)研究有著非常重大的意義。RGB影像數(shù)據(jù)不依賴于復(fù)雜的傳感器，不需要專業(yè)的校準(zhǔn)和數(shù)據(jù)預(yù)處理，節(jié)約了影像處理時間和減少數(shù)據(jù)成本，并且能夠廣泛的應(yīng)用在國內(nèi)外林業(yè)工作中（Natesan 等，2019；林志瑋 等，2019；戴鵬欽等，2020）。Natesan等（2019）等使用消費(fèi)級無人機(jī)獲取加拿大安大略省保護(hù)林的RGB 影像，使用CNN 對白松、紅松兩種優(yōu)勢樹種進(jìn)行分類，精度可達(dá)80%；林志瑋 等（2019）使用無人機(jī)光學(xué)圖像結(jié)合DenseNet 卷積神經(jīng)網(wǎng)絡(luò)模型對12 個樹種進(jìn)行分類，模型精度達(dá)到87.54%。然而在這些研究中大多只考慮了森林的物種多樣性，大部分的實(shí)驗(yàn)地點(diǎn)和研究區(qū)域往往傾向于良好的生態(tài)條件，如地勢較為平坦、林內(nèi)物種復(fù)雜度較低、種內(nèi)年齡組數(shù)量較少、距道路較近等，沒有考慮到森林內(nèi)復(fù)雜的生態(tài)條件，人為干擾因素較多。并且由于無人機(jī)影像的獲取與處理有著自身的特殊性，研究主要集中在樹種分類的精度上，但對于空間分辨率與影像裁剪尺寸上的研究尚不多見。

基于此，本研究選取地形條件復(fù)雜、種內(nèi)年齡組差異較大、人跡罕至、高原高山生態(tài)環(huán)境的川西亞針葉林為研究區(qū)域，擬使用無人機(jī)獲取典型區(qū)域的高分辨率RGB 影像，結(jié)合多類語義分割方法（U-Net）對實(shí)驗(yàn)區(qū)進(jìn)行植被分類，構(gòu)建不同分辨率和裁剪尺寸的樣本集，并建立基于多個樣本集的森林指紋庫；通過模型構(gòu)建和精度比較，分析討論無人機(jī)影像的空間分辨率和裁剪尺寸對CNN 模型精度的影響，以期為川西亞針葉林的植被監(jiān)測研究提供科學(xué)依據(jù)。

2 研究區(qū)域概況

研究區(qū)域位于中國四川省平武縣王朗國家級自然保護(hù)區(qū)（103°55′E—104°10′E，32°49′N—33°02′N）（圖1）。王朗自然保護(hù)區(qū)位于青藏高原與四川盆地兩大地貌單元的交匯地段，地處橫斷山脈北緣的川西高山峽谷地區(qū)，其原始森林是川西北地區(qū)保存最完好的一片（顧人和，2005）。保護(hù)區(qū)屬于丹巴—松潘半濕潤氣候，海拔高度為2300—4980 m，氣候有明顯的垂直地帶性，年平均溫度2.5 ℃—2.9 ℃，最低溫-17.8 ℃，最高溫26.2 ℃，年降雨量859.9 mm。

圖1 研究區(qū)域概況Fig.1 Overview of the study area

該研究區(qū)域地處岷山北部野生大熊貓核心棲息地，是北京大學(xué)和中國科學(xué)院植物研究所主持共建的監(jiān)測樣地，于2020 年加入“中國森林生物多樣性監(jiān)測網(wǎng)絡(luò)（CForBio）”；其遠(yuǎn)離道路和人為因素干擾，生態(tài)環(huán)境復(fù)雜，種內(nèi)年齡組差異較大，屬于高山高原地區(qū)，區(qū)域內(nèi)地形起伏較大，高差達(dá)100多米。根據(jù)樣地清查數(shù)據(jù)顯示，研究區(qū)域內(nèi)以針葉樹、落葉喬木、落葉灌木、藤本為主，其中針葉樹中以岷江冷杉（Abiesfaxoniana）為優(yōu)勢樹種，林中伴隨著紫果云杉（Piceapurpurea）與方枝柏（Sabinasaltuaria）；落葉喬木主要以川西櫻桃（Cerasustrichostoma）、紅樺（BetulaalbosinensisBurk）、紫華衛(wèi)矛（EuonymusporphyreusLoes）為主；落葉灌木主要有紫萼山梅花（Philadelphuspurpurascens）、陜甘花楸（SorbuskoehneanaSchneid）、紅脈忍冬（LoniceranervosaMaxim）等為主；藤本主要以獼猴桃藤山柳（ClematoclethraactinidioidesMaxim）為主。由于原始森林內(nèi)部情況復(fù)雜，難以在無人機(jī)影像上進(jìn)行一一對比，因此本研究綜合考慮了野外實(shí)地調(diào)查結(jié)果和植被樹冠特征，將森林植被分類為岷江冷杉、落葉喬木、落葉灌木、其他植被。其中，其他植被主要指研究區(qū)內(nèi)面積所占比例很小的林窗、藤本、枯木等植被。由于保護(hù)區(qū)為國家級自然保護(hù)區(qū)，同時也是大熊貓棲息地之一，人跡罕至，除卻河流、裸石外無復(fù)雜地物，所以標(biāo)記其他類型植被時人為誤差較小。

3 數(shù)據(jù)來源與研究方法

3.1 數(shù)據(jù)來源

無人機(jī)影像是于2020 年06 月15 日下午使用DJI 大疆Mavic 2 無人機(jī)在王朗自然保護(hù)區(qū)進(jìn)行飛行獲取。該無人機(jī)是消費(fèi)級無人機(jī)，小巧輕便，不到1 kg，便于攜帶，搭載1 英寸CMOS 相機(jī)，具有障礙物感知能力，適合在森林中進(jìn)行無人機(jī)RGB 影像的獲取。由于樣地內(nèi)地形起伏較大，為了保障無人機(jī)飛行時的安全，還能夠獲取較高質(zhì)量的超高分辨率RGB 影像，飛行高度設(shè)置為距起降地300 m，旁向重疊率80%，航向重疊率80%，飛行時天氣整體良好，空中無云。本研究對樣地進(jìn)行了兩次飛行，6月15日中午飛行一次，下午飛行一次；6月16日下午又對樣地進(jìn)行一次飛行，并以相同飛行參數(shù)對相鄰樣地進(jìn)行拍攝。因?yàn)?5日中午陽光強(qiáng)烈，無人機(jī)原始航拍照片過曝嚴(yán)重，導(dǎo)致飛行數(shù)據(jù)無法使用；而下午飛行時陽光較弱，數(shù)據(jù)質(zhì)量無明顯陰影效果；所以最終選擇15日下午的飛行影像進(jìn)行樣本標(biāo)注，而16日拍攝的兩組影像則作為未訓(xùn)練的影像。后續(xù)將獲取到的原始航拍影像等信息導(dǎo)入到專業(yè)拼圖軟件Pix4D Mapper，經(jīng)過影像質(zhì)量檢查、影像數(shù)據(jù)自動匹配、點(diǎn)云處理等操作后，生成DSM和空間分辨率為5 cm的25 hm2正射影像。

3.2 訓(xùn)練樣本的選取及制作

訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型的前提條件之一就是要制作訓(xùn)練樣本。本研究區(qū)域位于王朗自然保護(hù)區(qū)北部，海拔3000 多米，遠(yuǎn)離道路，無法進(jìn)入實(shí)地與無人機(jī)影像上樹木進(jìn)行一一比對。基于無人機(jī)高分影像、樹冠特征與野外調(diào)查數(shù)據(jù)，選取正射影像中典型區(qū)域作為感興趣區(qū)，使用ArcGIS Pro軟件將圖斑標(biāo)記為岷江冷杉、落葉喬木、落葉灌木，其他植被。

由于無人機(jī)正射影像尺寸較大，難以直接進(jìn)行訓(xùn)練，所以要先進(jìn)行影像裁剪。為研究不同尺寸下影像裁剪對分類精度的影響，對無人機(jī)RGB影像選擇三種尺寸進(jìn)行裁剪，分別是128×128、256×256、512×512像素，在野外對應(yīng)6.4 m、12.8 m、25.6 m的樣地距離；在設(shè)置步長時，本研究選擇步長等于裁剪尺寸的一半，保證樣本之間有50%的重疊，步長分別為64、128、256 像素。為了研究不同空間分辨率下的無人機(jī)影像與深度學(xué)習(xí)模型之間的精度關(guān)系，對5 cm 的正射影像進(jìn)行重采樣到10 cm、15 cm、20 cm，以最優(yōu)裁剪尺寸進(jìn)行分割。樣本集的部分樣本如圖2所示。樣本集均通過數(shù)據(jù)增強(qiáng)的方式來擴(kuò)充樣本數(shù)量，這樣可以在增強(qiáng)樣本量的同時降低數(shù)據(jù)擬合的風(fēng)險；最后將樣本集中的90%用作訓(xùn)練集，進(jìn)行模型的訓(xùn)練和擬合，取10%作為驗(yàn)證集進(jìn)行驗(yàn)證。

圖2 樣地內(nèi)植被類型展示Fig.2 Demonstration of vegetation types in the sample plots

3.2 研究方法

3.2.1 U-Net網(wǎng)絡(luò)模型

U-Net 網(wǎng)絡(luò)模型由Ronneberger 等（2015）提出，是一種端到端網(wǎng)絡(luò)模型結(jié)構(gòu)，沿用了編碼器—解碼器結(jié)構(gòu)和跳躍網(wǎng)絡(luò)的特點(diǎn)，使得模型能夠?qū)⒏邔诱Z義信息和淺層特征進(jìn)行融合，充分利用上下文信息和細(xì)節(jié)信息，使得模型在較小的訓(xùn)練集上，也能得到更為準(zhǔn)確的特征圖。

U-Net 網(wǎng)絡(luò)模型主要包括收縮路徑和擴(kuò)展路徑。收縮路徑主要用于提取圖像的上下文特征，有4 個區(qū)塊，每個區(qū)塊有兩個3×3 的卷積層和一個2×2的池化層組成，其中卷積層使用修正線性單元ReLU（Rectified Linear Unit）作為激活函數(shù)。池化層使得圖像經(jīng)過每一個區(qū)塊后圖像的尺寸減少了一半，而卷積層則使得特征通道增加了一倍。擴(kuò)展路徑主要將上下文信息映射到原始尺度，同樣也有4個區(qū)塊。每個區(qū)域先通過一個上采樣的卷積層，再進(jìn)行特征拼接后，最后通過兩個3×3的卷積層和激活函數(shù)（ReLU），每個區(qū)塊都使得圖像的尺寸擴(kuò)大一倍，特征通道減少一倍，同時連接了收縮網(wǎng)絡(luò)的特征信息。最后，通過1×1的卷積操作將全部的特征向量映射到所設(shè)定的類別上。

3.2.2 ResNet-34

ResNet-34 是ResNet 殘差網(wǎng)絡(luò)的一種網(wǎng)絡(luò)結(jié)構(gòu)，是由He 等（2016）提出，主要參考了VGG19網(wǎng)絡(luò)，通過短路機(jī)制加入了殘差單元，使得深度網(wǎng)絡(luò)收斂速度加快，解決了深度網(wǎng)絡(luò)的退化問題。ResNet-34 網(wǎng)絡(luò)是指具有34 層結(jié)構(gòu)的ResNet 網(wǎng)絡(luò)結(jié)構(gòu)，先采用7×7 尺寸，通道64 的卷積核進(jìn)行卷積處理，再進(jìn)行最大池化操作，然后構(gòu)造了由4個不同殘差模塊組成的32 層的卷積殘差結(jié)構(gòu)，最后使用平均池化和全連接層輸出結(jié)果。

本研究將ResNet34 與U-Net 網(wǎng)絡(luò)模型進(jìn)行結(jié)合，使用ResNet34 作為U-Net 模型的骨架模型，能夠有效的利用卷積網(wǎng)絡(luò)模型的深度優(yōu)勢，提升模型的精度。由于研究區(qū)內(nèi)岷江冷杉為優(yōu)勢樹種，落葉灌木樣本較少，所以出現(xiàn)樣本分布不均的情況。為了緩解這種情況，本研究使用加權(quán)分類交叉熵作為損失函數(shù)，使用隨機(jī)梯度下降算法作為分類器的優(yōu)化算法，每次迭代訓(xùn)練的樣本數(shù)目為8，模型訓(xùn)練的epoch 設(shè)置為100，并且當(dāng)模型不在改進(jìn)時，將終止模型訓(xùn)練。模型架構(gòu)如圖3所示。

圖3 基于ResNet34骨架結(jié)構(gòu)的U-Net模型Fig.3 U-Net model based on ResNet34 backbone

3.2.3 精度評價

為了分析尺寸大小、空間分辨率對CNN模型精度的影響，本研究基于生產(chǎn)者精度PA（Producer’s Accuracy）、用戶精度UA（User’s Accuracy）、總體精度OA（Overall Accuracy）和Kappa 系 數(shù)（Kappa Coefficient）來對模型進(jìn)行精度評價。計(jì)算公式如下：

式中，mi為第i類的分類正確樣本數(shù)；Ci為第i類的分類像元總數(shù)；Gi為第i類的真實(shí)像元總數(shù)；N為分類像元總數(shù)。

4 結(jié)果與分析

4.1 模型訓(xùn)練情況

無論是在訓(xùn)練集還是驗(yàn)證集上，每個模型的損失值都隨著批處理的不斷增加而不斷收斂。使用128×128 像素的模型在驗(yàn)證集上模型精度最差，使用256×256像素的模型精度最高。在空間分辨率的研究中，均選擇最優(yōu)裁剪尺寸256×256像素來裁剪影像。使用空間分辨率5 cm和10 cm的模型都能達(dá)到高精度水平，使用空間分辨率20 cm 的模型精度最差。模型訓(xùn)練的情況如圖4所示。

圖4 不同裁剪尺寸和不同分辨率的模型訓(xùn)練結(jié)果Fig.4 Training results of models with different crop sizes and different resolutions

4.2 模型訓(xùn)練結(jié)果

基于不同裁剪尺寸和不同分辨率的植被模型分類情況見表1 和表2。由表1 可見：表現(xiàn)最好的模型是在5 cm 空間分辨率下使用256×256 像素進(jìn)行訓(xùn)練的模型，總體精度達(dá)93.21%，Kappa 系數(shù)為0.90；在使用不同裁剪尺寸建立的深度學(xué)習(xí)模型中，128×128像素的模型效果最差，總體精度為82.30%，Kappa 系數(shù)為0.76；使用512×512 像素的深度學(xué)習(xí)模型效果比使用256×256像素的深度學(xué)習(xí)模型效果差一些，總體精度為88.89%，Kappa 系數(shù)為0.84。在不同尺寸的深度學(xué)習(xí)模型中，對于覆蓋范圍大的植被類型，如岷江冷杉，無論是生產(chǎn)者精度上，還是用戶精度上變化不大，生產(chǎn)者精度從最高95.74%下降到88.42%，用戶精度從最高94.13%下降到88.62%；而對于覆蓋范圍較少的植被類型來說，精度則相差較大，如落葉灌木，用戶精度從最高91.00%下降到79.17%。

表1 基于不同裁剪尺寸大小的植被模型精度對比Table 1 Accuracy comparison of vegetation model based on different pixel tile sizes

表2 基于不同空間分辨率的植被模型精度對比Table 2 Accuracy comparison of vegetation model based on different spatial resolutions

由表2可見，在不同空間分辨率的深度學(xué)習(xí)模型中，模型精度最差的是空間分辨率為20 cm 的深度學(xué)習(xí)模型，總體精度為72.20%，Kappa 系數(shù)為0.61?？臻g分辨率為15 cm 的深度學(xué)習(xí)模型效果一般，總體精度為80.52%，Kappa系數(shù)為0.72；空間分辨率為10 cm 的深度學(xué)習(xí)模型效果良好，總體精度為90.17%，Kappa系數(shù)為0.89。對于覆蓋范圍大的植被類型而言，生產(chǎn)者精度和用戶精度在較高的空間分辨率模型中相差不高，但在低空間分辨率模型中則有下降的趨勢，如岷江冷杉在空間分辨率為5 cm和10 cm的深度學(xué)習(xí)模型中生產(chǎn)者精度和用戶精度均在90%以上，但在20 cm 的深度學(xué)習(xí)模型中，岷江冷杉生產(chǎn)者精度為87.43%，用戶精度為76.31%。而覆蓋范圍低的植被類型在低分辨率的深度學(xué)習(xí)模型中生產(chǎn)者精度和用戶精度下降的更快，如落葉灌木在10 cm空間分辨率的模型下，生產(chǎn)者精度為89.11%，用戶精度為87.38%，而在15 cm 的深度學(xué)習(xí)模型中生產(chǎn)者精度為72.12%，用戶精度為79.79%。

4.3 模型應(yīng)用

為了驗(yàn)證模型的適用性和可遷移性，本研究選擇16 日拍攝的兩幅無人機(jī)RGB 影像作為研究對象，使用256×256 像素下5 cm 空間分辨率的最優(yōu)模型進(jìn)行分類。其中，對同一樣地進(jìn)行飛行拍攝得到的無人機(jī)影像局部放大圖為圖5（a）所示，圖5（b）是模型檢測后的分類圖。由圖5（a）可見岷江冷杉由于其生長周期不同，種間年齡差異較大，樹冠呈現(xiàn)出不同的顏色差異，出現(xiàn)“同物異譜”的現(xiàn)象。從圖5（b）可見：各植被類別邊界清晰，碎圖斑較少，能夠把絕大部分岷江冷杉識別出，岷江冷杉的冠層形態(tài)較好；落葉喬木和落葉灌木整體識別良好，部分區(qū)域出現(xiàn)漏識。黃框標(biāo)注的樹木為岷江冷杉，模型能夠準(zhǔn)確識別，但對于特復(fù)雜的樹木邊緣識別能力較弱；紅框標(biāo)注的樹木為落葉喬木，模型將其誤識為其他植被；整體分類效果不錯，能夠較為準(zhǔn)確的識別出各種植被類型（圖5（a））。

圖5 樣地影像與模型預(yù)測圖對比Fig.5 Comparison of sample site images and model prediction maps

圖6 空間分辨率模型的精度趨勢Fig.6 Accuracy trend of spatial resolution model

對周邊樣地的無人機(jī)可見光影像局部放大圖為圖5（c）所示，圖5（d）是模型檢測后的分類圖。圖5（c）中黃框標(biāo)注的為岷江冷杉，模型誤識為其他類別；紅框標(biāo)注的為落葉喬木，模型誤識為落葉灌木。從圖5（d）中，能看到岷江冷杉的分類效果較好，只有少量的漏分錯分，而落葉喬木和落葉灌木分類效果一般。但從總體來看，主要植被類型都能夠正確的進(jìn)行分類，分類精度較好；不過分類結(jié)果中出現(xiàn)“椒鹽現(xiàn)象”，存在不少碎圖斑，邊緣效應(yīng)明顯。

5 討論

5.1 模型整體表現(xiàn)

雖然本研究區(qū)域生態(tài)條件復(fù)雜，遠(yuǎn)離道路，地形起伏較大，但在僅使用無人機(jī)高分辨率RGB影像的情況下，通過使用U-Net語義分割模型，結(jié)合ResNet 殘差網(wǎng)絡(luò)在復(fù)雜生態(tài)條件下對川西亞高山針葉林植被進(jìn)行分類得到較高的精度；并通過該模型對不同區(qū)域的植被檢測獲得了不錯的分類效果，證明了模型具有一定的可移植性。Zhang 等（2021）使用深度學(xué)習(xí)和無人機(jī)高分影像對杭州城市森林進(jìn)行分類，得到較高的分類精度；Zhang 等（2020a）使用3D 卷積神經(jīng)網(wǎng)絡(luò)處理機(jī)載高光譜數(shù)據(jù)，對南方國有林場進(jìn)行大范圍的樹種分類，在50 ha內(nèi)取得了93.14%的分類精度。然而他們的研究對象生態(tài)環(huán)境簡單，森林異質(zhì)性低，沒有考慮到原始森林的復(fù)雜性，并且后者使用的機(jī)載高光譜數(shù)據(jù)雖然覆蓋范圍廣，能夠獲得大面積的樹種信息，但是數(shù)據(jù)獲取成本高，難以進(jìn)行大面積推廣。

本研究使用消費(fèi)級無人機(jī)對原始森林進(jìn)行影像獲取，建立了高山暗針葉林森林指紋庫。指紋庫內(nèi)包含一個樹種、2個植被類型，不同空間分辨率、不同尺寸的無人機(jī)可見光影像數(shù)據(jù)。這些數(shù)據(jù)具有高度異質(zhì)性的特點(diǎn)，因?yàn)檠芯繀^(qū)域包括不同的植被類型，并且具有不同的年齡結(jié)構(gòu)，如岷江冷杉一年生枝淡黃褐色或淡褐色，二、三年生則呈淡黃灰色或黃灰色，這就導(dǎo)致了岷江冷杉的冠層在同一時期會有不同的顏色，使得同一物種在無人機(jī)可見光影像上有不同的光譜特征，這種特征也在圖5（a）和圖5（c）中有所展示，增加數(shù)據(jù)的異質(zhì)性的同時也增加了分類難度。該結(jié)果也表明，使用卷積神經(jīng)網(wǎng)絡(luò)模型能夠有效的解決“同物異譜”的分類問題。

由于樣地內(nèi)部沒有通訊信號，使用RTK 獲取樣地內(nèi)坐標(biāo)信息進(jìn)行地形校正較困難，使得拼接好的無人機(jī)影像在部分起伏較大的區(qū)域出現(xiàn)輕微變形和空洞情況，但使用高空間分辨率的無人機(jī)影像結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型仍然取得了較好的分類結(jié)果，這與Schiefer 等（2020）和賈莉 等（2022）的研究情況一致。Schiefer 等（2020）在研究德國溫帶森林時表示，對比RGB 影像，使用RGB+DSM 數(shù)據(jù)僅能略微提高分類精度，他認(rèn)為這可能是因?yàn)楦叨刃畔⒁躁幱昂凸庹詹町惖男问揭呀?jīng)包含在RGB影像中。賈莉 等（2022）使用Landsat 8 OLI 30 m影像，結(jié)合GDEM_V2 30m 地形數(shù)據(jù)，也發(fā)現(xiàn)對森林地類精細(xì)的劃分下地形校正未能提高U-Net分類器的分類精度。由于地形起伏所造成的影像差異可能以其他的方式學(xué)習(xí)到模型中，這也充分說明了卷積神經(jīng)網(wǎng)絡(luò)模型在森林起伏環(huán)境下的泛化能力。本研究充分利用了卷積神經(jīng)網(wǎng)絡(luò)中端到端的學(xué)習(xí)能力，結(jié)合使用消費(fèi)級無人機(jī)獲取的可見光影像，驗(yàn)證了CNN 能夠在復(fù)雜的森林生態(tài)條件下進(jìn)行川西亞高山針葉林植被分類的潛力。

5.2 卷積神經(jīng)網(wǎng)絡(luò)模型

隨著深度學(xué)習(xí)的不斷發(fā)展，大量的研究表明CNN優(yōu)于淺層機(jī)器學(xué)習(xí)方法，能夠非常有效的從遙感圖像中提取廣泛的植被特征，甚至能夠提高我們對于植被遙感信號的理解（Kattenborn 等，2021）。這是因?yàn)镃NN 通過大量的輸入數(shù)據(jù)，在不同的空間尺度上進(jìn)行連續(xù)變化，學(xué)習(xí)圖像的空間特征，如邊緣信息，紋理信息等抽象信息，從而能夠準(zhǔn)確的描述目標(biāo)的類別和數(shù)量。

對于高光譜數(shù)據(jù)來說，由于其數(shù)據(jù)高緯度的特性，多用于3D-CNN 模型進(jìn)行處理；而對于可見光數(shù)據(jù)，大多使用二維CNN 模型進(jìn)行處理。而U-Net模型是一種端到端的學(xué)習(xí)方法，不需要過多的預(yù)處理步驟，在小訓(xùn)練集的情況下也能夠得到不錯的分類效果，同時考慮到研究區(qū)植被郁閉度較高、具有復(fù)雜的生態(tài)條件和地形情況，所以選取了U-Net模型進(jìn)行植被分類。

植被指數(shù)作為地表植被狀況最有效度量之一，隨著無人機(jī)可見光影像的不斷發(fā)展，無人機(jī)可見光指數(shù)也越多越多的被提及和使用（汪小欽 等，2015）。戴鵬欽 等（2020）使用融合VDVI和ExGExR 兩種植被指數(shù)的FCN 方法提高了無人機(jī)影像的樹種分類精度，然而更復(fù)雜的模型也需要更多的數(shù)據(jù)預(yù)處理步驟和模型處理時間。由于本研究主要討論空間分辨率和裁剪尺寸對深度學(xué)習(xí)模型分類精度的影響，所以并沒有添加可見光植被指數(shù)進(jìn)行模型實(shí)驗(yàn)。

5.3 尺寸大小

由表1可見選擇合適的裁剪尺寸大小能夠提高模型的分類精度。尺寸為256×256像素的訓(xùn)練模型與尺寸為128×128 像素、512×512 像素的訓(xùn)練模型相比，模型總體精度高10.91%、4.32%，Kappa 系數(shù)高0.14、0.06。尺寸為128×128 像素的模型精度最低，而尺寸為256×256 像素的模型精度比512×512 像素的模型精度略微提升，這可能是因?yàn)檩^大的尺寸能夠增加CNN 的視野，使得模型獲得更多的空間上下文信息，從而提高模型的準(zhǔn)確性；而過大的尺寸大小可能會影響映射輸出的空間粒度，從而降低模型的學(xué)習(xí)能力。

在尺寸模型中，岷江冷杉的生產(chǎn)者精度和用戶精度都在88%以上，落葉喬木在256×256 像素的模型與512×512 像素的模型中精度較高，在128×128 像素的模型中精度最低，PA 為82.45%，UA 為80.80%；落葉灌木和其他植被在128×128 像素的模型中精度最低。對于覆蓋范圍大的植被類型來說，尺寸大小對于訓(xùn)練模型的精度影響不大；然而對于植被覆蓋范圍小的植被類型來說，特別是落葉灌木，尺寸的大小對模型的精度影響很大，這可能與分類目標(biāo)的覆蓋度和尺寸有關(guān)。因?yàn)榈透采w度的植被在小切片上容易丟失上下文信息，并且由于落葉灌木的分布比較零散，更加劇了這一現(xiàn)象。而岷江冷杉為研究樣地的優(yōu)勢樹種，并且樹冠直徑適中，在實(shí)際距離為6.4 m、12.8 m 和25.6 m的尺寸下獲得不錯的分類精度；落葉喬木樹冠則比岷江冷杉較大，在低尺寸下的分類精度則一般，在較大尺寸下分類精度得到明顯提高。所以，我們在進(jìn)行圖像裁剪時，要根據(jù)待分類目標(biāo)的尺寸大小和覆蓋度選取合適的裁剪尺寸，這會更好的發(fā)揮CNN的模型能力，提高分類精度。

5.4 空間分辨率

由表2 發(fā)現(xiàn)隨著空間分辨率的升高，訓(xùn)練模型的分類精度逐漸提升。當(dāng)空間分辨率從5 cm 降到20 cm 時，模型的總體精度從93.21% 降到72.20%，Kappa 系數(shù)從0.90 降到0.61，各類別的分類精度都呈現(xiàn)大幅度降低的情況。這可能是較高的空間分辨率能夠提供更多的空間特征，如紋理信息、邊緣信息等，低分辨率使得模型無法獲得更多的深度信息，導(dǎo)致模型效果變差。林志瑋 等（2019）對比不同航拍高度的影像分類結(jié)果，也發(fā)現(xiàn)隨著航拍高度的上升，分類的正確率呈現(xiàn)下降的趨勢。

在15 cm 空間分辨率的模型中，落葉灌木精度最低，PA 為72.12%，UA 為79.79%；落葉喬木PA為78.42%，UA 為78.01%；而在20 cm 空間分辨率的模型中，落葉喬木精度最低，PA為65.31%，UA為66.67%，落葉灌木的PA為68.93%，UA為69.61%，這是因?yàn)樵趤G失了較多的空間細(xì)節(jié)后，落葉喬木與岷江冷杉容易混淆，導(dǎo)致分類精度降低。然而，從整個模型精度走勢來看，落葉灌木受分辨率影響最大，在低分辨率模型中分類精度一直呈現(xiàn)較低的狀態(tài)。

在空間分辨率模型中，較高分辨率的模型之間精度相差不大。當(dāng)空間分辨率從10 cm 升高到5 cm時，總體精度從90.90%提高到93.21%，Kappa系數(shù)從0.87 提高到0.90，模型的分類精度并沒有明顯提升。這說明當(dāng)空間分辨率到一定精度時，地物的類內(nèi)差異性和類間變異性達(dá)到一個平衡，模型精度的提高受空間分辨率的影響會變低。我們可以這樣認(rèn)為，影像的空間分辨率要根據(jù)待分類地物的特征和類別數(shù)量進(jìn)行選擇；盲目追求過高的空間分辨率并不一定能帶來模型分類精度上的提升，反而會降低無人機(jī)的作業(yè)效率，要求更高的存儲空間，增加更多的模型計(jì)算。這些發(fā)現(xiàn)更加強(qiáng)調(diào)了，與衛(wèi)星影像和機(jī)載數(shù)據(jù)相比，無人機(jī)獲取的高分影像數(shù)據(jù)結(jié)合CNN 在林業(yè)樹種精細(xì)識別和分類方面能夠有巨大的應(yīng)用空間和潛力。

6 結(jié)論

本研究使用消費(fèi)級無人機(jī)對復(fù)雜生態(tài)場景下的川西亞高山針葉林獲取可見光影像數(shù)據(jù)，建立不同分辨率、不同裁剪尺寸下的森林指紋庫；并基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建深度學(xué)習(xí)模型進(jìn)行植被分類，對比了不同分辨率和不同尺寸下的分類精度，并且對不同情況下的分類結(jié)果進(jìn)行了分析，主要結(jié)論如下：

（1）結(jié)合無人機(jī)可見光影像和U-Net模型進(jìn)行復(fù)雜生態(tài)場景下的川西亞高山針葉林植被分類，在5 cm 分辨率和256×256 像素的尺寸下獲得總體精度93.21%，Kappa 系數(shù)為0.90 的高精度分類結(jié)果。本研究也證明了該模型在復(fù)雜生態(tài)場景下的適應(yīng)性和可移植性，同時也放寬了森林?jǐn)?shù)據(jù)獲取的質(zhì)量要求，有利于森林樹種影像的獲取和森林指紋庫的建立與共享。

（2）根據(jù)待分類目標(biāo)的尺寸大小和覆蓋度選取合適的裁剪尺寸，能夠讓卷積神經(jīng)網(wǎng)絡(luò)獲得更多的上下文信息，提高分類精度。低覆蓋度和較小尺寸的植被類別在小尺寸的模型上精度較低。

（3）隨著空間分辨率的升高，訓(xùn)練模型的分類精度逐漸提升，但當(dāng)在空間分辨率達(dá)到一定程度時，模型的分類精度并沒有明顯的提升。因此，模型的空間分辨率要根據(jù)待分類地物的類內(nèi)差異性、類間變異性及類別數(shù)量進(jìn)行選擇，盲目追求過高的空間分辨率是不可取的。

（4）對于區(qū)域內(nèi)代表性不足的植被類型來說，受空間分辨率和尺寸大小的影響要遠(yuǎn)高于區(qū)域內(nèi)優(yōu)勢樹種，特別是空間分辨率的影響最大。

本研究證明了在復(fù)雜的生態(tài)環(huán)境下，使用卷積神經(jīng)網(wǎng)絡(luò)對高空間分辨率的無人機(jī)可見光影像進(jìn)行川西亞高山針葉林植被分類是有效可行的，并且研究了不同尺寸和不同空間分辨率下對模型精度的影響，給林業(yè)工作者對森林植被分類與識別的研究進(jìn)行提供借鑒。同時，建立了以川西亞高山針葉林為研究對象的森林指紋庫，能夠滿足不同尺度下的森林研究，這點(diǎn)對于植被分類，尤其是在區(qū)域性的森林研究有著重大的意義。在未來的研究中，要更加考慮研究區(qū)域的物候性特征，收集多季節(jié)影像增加模型的泛化能力；還要應(yīng)該進(jìn)一步考慮種間類型的差異，進(jìn)行實(shí)地考察搜集復(fù)雜環(huán)境下的落葉喬木樹種信息，細(xì)化植被分類的類別。