摘 要： 如何及時(shí)、準(zhǔn)確地獲取大范圍內(nèi)作物凍害空間分布數(shù)據(jù)，是目前農(nóng)業(yè)領(lǐng)域迫切需要解決的問題。本文根據(jù)凍害冬小麥的生長(zhǎng)變化特點(diǎn)，提出了基于特征增強(qiáng)的冬小麥凍害精細(xì)空間分布遙感提取方法（Winter Wheat Frost DamageFine Spatial Distribution Extraction Method， WWFDFSDEM），用于從高分辨率遙感影像中提取高質(zhì)量的凍害空間分布數(shù)據(jù)。選擇凍害發(fā)生前后兩期高分辨率遙感影像作為數(shù)據(jù)源，根據(jù)正常冬小麥和凍害冬小麥區(qū)域的影像特點(diǎn)，確定以紅、近紅、綠三個(gè)通道以及NDVI作為基礎(chǔ)特征，充分利用像素級(jí)特征的空間相關(guān)性來增強(qiáng)特征的細(xì)節(jié)信息，以交叉熵為基礎(chǔ)，加入特征類內(nèi)差異因子和類間差異因子建立損失函數(shù)，用于增強(qiáng)特征的區(qū)分能力。選擇山東省淄博市高青縣為研究區(qū)，高分2 號(hào)遙感影像為數(shù)據(jù)源，決策樹、經(jīng)典SegNet、RefineNet、ErfNet、UNet 作為對(duì)比模型開展對(duì)比實(shí)驗(yàn)，WWFDFSDEM提取結(jié)果的精度（94.5%），查準(zhǔn)率（ 90.8%）， 查全率（91.3%）均優(yōu)于對(duì)比方法，證明了方法在提取凍害精細(xì)空間分布方面的有效性。方法能夠滿足農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)保險(xiǎn)等領(lǐng)域提取作物凍害精細(xì)空間分布數(shù)據(jù)的需求。

關(guān)鍵詞： 冬小麥凍害；空間分布；特征增強(qiáng)；遙感影像；卷積神經(jīng)網(wǎng)絡(luò)

中圖法分類號(hào)： TP751 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-2324（2024）03-0433-11

小麥?zhǔn)鞘澜缛笾饕r(nóng)作物之一，其產(chǎn)量對(duì)于保障糧食供給具有重要作用，但各類災(zāi)害尤其是凍害嚴(yán)重影響產(chǎn)量穩(wěn)定［1］。凍害一旦發(fā)生，農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)保險(xiǎn)等工作都迫切要求能夠及時(shí)、準(zhǔn)確地獲取大范圍、準(zhǔn)確的冬小麥凍害空間分布，但凍害是多種因素共同作用的結(jié)果，監(jiān)測(cè)工作一直面臨很大的挑戰(zhàn)［2］。遙感技術(shù)能夠快速獲取大范圍的地表信息，如何利用遙感數(shù)據(jù)及時(shí)、準(zhǔn)確地獲取冬小麥凍害空間分布，已成為農(nóng)業(yè)領(lǐng)域密切關(guān)注的熱點(diǎn)問題［3］。

經(jīng)歷強(qiáng)降溫侵害后，凍害冬小麥的性狀需要經(jīng)過一個(gè)較長(zhǎng)的時(shí)期才能表現(xiàn)出來［4］。時(shí)間序列遙感影像能夠描述冬小麥的生長(zhǎng)變化過程，研究者利用MODIS、Sentinel 等數(shù)據(jù)，建立了用于凍害監(jiān)測(cè)的指數(shù)，用于從時(shí)間序列遙感影像提取冬小麥凍害空間分布［5-7］。高空間分辨率遙感數(shù)據(jù)能夠提供豐富的紋理、色調(diào)、形狀和結(jié)構(gòu)等特征信息，為提取精細(xì)的農(nóng)作物空間分布提供了數(shù)據(jù)基礎(chǔ)［8］。

特征提取是農(nóng)作物空間分布遙感提取的關(guān)鍵步驟，光譜特征［9］、紋理特征［10］等傳統(tǒng)的統(tǒng)計(jì)特征雖然具有明確的物理意義，但應(yīng)用于高分辨率遙感影像時(shí)，所生成特征的區(qū)分度不夠理想。與傳統(tǒng)的特征提取方法相比，以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）為代表的深度學(xué)習(xí)方法具有明顯的優(yōu)勢(shì)，能夠從遙感影像中提取出更高質(zhì)量的特征［11］，應(yīng)用較多的卷積神經(jīng)網(wǎng)絡(luò)包括 FCN［12］、Segnet［13］、RefineNe［t 14］、DeepLab［15］、ErfNet［16］和U-Net［17］等模型，其中，以UNET 為代表的U型結(jié)構(gòu)網(wǎng)絡(luò)能夠很好地融合高層語義特征和淺層語義特征，所生成的特征具有更高的區(qū)分能力。研究者以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，成功地從遙感影像中提取了油菜［18］、小麥［19］、水稻［20］等多種農(nóng)作物空間分布，表明了卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物空間分布提取方面具有強(qiáng)大的優(yōu)勢(shì)。

合理組織基礎(chǔ)特征有助于提高卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力［21-22］，在高空間分辨率遙感影像中，凍害冬小麥與正常冬小麥在色彩、紋理上有較明顯的差異，這些差異可通過紅、綠、近紅外等波段以及NDVI等植被指數(shù)表現(xiàn)出來［23］，可以利用這些特征作為提取凍害空間分布的基礎(chǔ)特征?？紤]到高分辨率遙感影像中普遍存在的“同物異譜、同譜異物”現(xiàn)象，需要通過特征增強(qiáng)方法提高卷積神經(jīng)網(wǎng)絡(luò)所提取特征的質(zhì)量，以有利于得到高質(zhì)量的凍害分布提取結(jié)果。

研究者目前已經(jīng)提出了一系列用于特征增強(qiáng)的技術(shù)，陳波等基于注意力機(jī)制提出了用于水工結(jié)構(gòu)裂縫識(shí)別的特征增強(qiáng)方法［24］，羅玉濤等利用通道注意力機(jī)制建立了識(shí)別微小交通標(biāo)志的特征增強(qiáng)技術(shù)［25］，孟月波［26］、張毅［27］等利用多層級(jí)特征聚合進(jìn)行特征增強(qiáng)，馬翔悅等通過對(duì)金字塔池化結(jié)構(gòu)進(jìn)行改進(jìn)實(shí)現(xiàn)特征增強(qiáng)應(yīng)用于高空間分辨率遙感圖像分割［28］。根據(jù)提取目標(biāo)合理設(shè)計(jì)損失函數(shù)，有助于改進(jìn)模型的訓(xùn)練過程，同樣能夠達(dá)到提高特征質(zhì)量的目標(biāo)。曹毅等［29］、赫曉慧［30］等將樣本權(quán)重信息引入到損失函數(shù)中，較好地解決了因樣本導(dǎo)致的損失函數(shù)偏差問題，吳含笑等通過對(duì)損失正則化解決了數(shù)據(jù)平衡對(duì)訓(xùn)練的影響［31］，李忠雨等通過對(duì)損失加權(quán)提高特征的魯棒性［32］。上述研究證明了特征增強(qiáng)技術(shù)能夠有效提高卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力。

從現(xiàn)有公開獲取的文獻(xiàn)來看，現(xiàn)有的特征提取技術(shù)對(duì)如何充分利用像素級(jí)特征的空間相關(guān)性來增強(qiáng)特征的細(xì)節(jié)信息，以及如何利用損失函數(shù)提高特征的區(qū)分度兩個(gè)方面的研究尚有不足，從而在一定程度上影響了卷積神經(jīng)網(wǎng)絡(luò)特征提取的能力。

基于以上分析，本文以利用高分辨率遙感影像提取冬小麥凍害精細(xì)空間分布為目標(biāo)，充分利用U型結(jié)構(gòu)的CNN模型所具有的突出的特征提取能力，選擇紅、近紅、綠三個(gè)通道以及NDVI作為基礎(chǔ)特征，建立考慮空間相關(guān)性的特征增強(qiáng)模塊和考慮特征質(zhì)量的損失函數(shù)作為特征增強(qiáng)方法，形成了一種冬小麥凍害精細(xì)空間分布遙感提取方法（Winter Wheat Frost Damage Fine SpatialDistribution Extraction Method， WWFDFSDEM），用于從高分辨率遙感影像中提取冬小麥凍害精細(xì)空間分布數(shù)據(jù)。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)基本情況

研究區(qū)選擇山東省淄博市高青縣，高青位于東經(jīng)117°33′-118°04′，北緯37°04′-37°19′之間，地勢(shì)西高東低，總面積831 km2。屬暖溫帶大陸性季風(fēng)氣候，四季分明。高青是山東省重要的糧食產(chǎn)地，農(nóng)作物播種面積約81 707.5萬m2，其中冬小麥為主要糧食作物之一，常年播種面積約44 355.5萬m2。該區(qū)域內(nèi)的冬小麥一般10 月上旬左右播種，次年6月上旬左右收獲，發(fā)育期約240 d。