基于ECLDeeplab模型提取華北地區(qū)耕地的方法

魏青迪 范昊 張承明

摘要：準(zhǔn)確提取耕地信息對(duì)農(nóng)業(yè)資源調(diào)查、遙感估產(chǎn)以及災(zāi)害監(jiān)測(cè)等具有重要意義，從遙感圖像中提取耕地的信息屬于圖像識(shí)別和分類的問(wèn)題，目前深度學(xué)習(xí)是非常適合的方法。以語(yǔ)義圖像分割（Deeplab）模型為基礎(chǔ)，選擇耕地為提取目標(biāo)，建立了一種從高分2號(hào)遙感影像上提取耕地信息的方法耕地提取語(yǔ)義圖像分割（ECLDeeplab）。首先分析了耕地在高分2號(hào)遙感影像上的表現(xiàn)特點(diǎn);其次依據(jù)耕地的具體特點(diǎn)對(duì)Deeplab的結(jié)構(gòu)進(jìn)行調(diào)整，形成了能夠提取耕地的網(wǎng)絡(luò)結(jié)構(gòu);最后用訓(xùn)練成功的網(wǎng)絡(luò)進(jìn)行提取耕地，得到精度較高的分割結(jié)果。應(yīng)用方法對(duì)山東省肥城市的2016年12月至2017年3月的10幅影像進(jìn)行了試驗(yàn)，試驗(yàn)結(jié)果表明，該方法獲取的耕地精度為88.3%，提取耕地信息得到了較好的結(jié)果。

關(guān)鍵詞：遙感影像分類;卷積神經(jīng)網(wǎng)絡(luò);農(nóng)用地信息;ECL Deeplab模型;高分2號(hào);華北地區(qū)

中圖分類號(hào)： S127文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2020）04-0209-06

收稿日期：2018-11-26

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：41471299）;山東省自然科學(xué)基金（編號(hào)：ZR2017MD018）;山東農(nóng)業(yè)大學(xué)青年科技創(chuàng)新項(xiàng)目（編號(hào)：23659）;中國(guó)氣象局旱區(qū)特色農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警與風(fēng)險(xiǎn)管理重點(diǎn)實(shí)驗(yàn)室開放研究項(xiàng)目（編號(hào)：CAMF-201701）。

作者簡(jiǎn)介：魏青迪（1992—），女，山東煙臺(tái)人，碩士研究生，主要從事遙感信息提取方面的研究。E-mail：weiqingdiyx@163.com。

通信作者：范?昊，博士，副教授，主要從事農(nóng)業(yè)信息化、深度學(xué)習(xí)等方面的研究。E-mail：fanhao@sdau.edu.cn。

實(shí)現(xiàn)農(nóng)田信息的快速獲取與可視化表達(dá)，對(duì)農(nóng)用地管理與決策、耕地保護(hù)以及農(nóng)業(yè)的生產(chǎn)有重要意義。遙感影像因具有大面積、實(shí)時(shí)監(jiān)測(cè)的優(yōu)勢(shì)已成為農(nóng)田信息獲取的一種重要手段，已被應(yīng)用于農(nóng)作物的信息提取、農(nóng)作物識(shí)別、耕地面積估算、植被覆蓋等多個(gè)領(lǐng)域[1-3]。從遙感圖像中提取耕地的信息屬于圖像的識(shí)別和分類問(wèn)題，目前從遙感圖像中提取耕地信息的方法主要有以下幾類：（1）傳統(tǒng)分類方法。這類方法是以像元為基本單元，僅利用像元的光譜信息實(shí)現(xiàn)目標(biāo)提取[4]。傳統(tǒng)方法的耕地提取主觀性強(qiáng)、更新速度不快、且費(fèi)時(shí)耗力。面對(duì)不斷增大的遙感數(shù)據(jù)量，傳統(tǒng)的方法不是可行的，實(shí)現(xiàn)農(nóng)田遙感數(shù)據(jù)自動(dòng)化提取非常有必要。（2）遙感圖像的決策樹分類方法。決策樹分類方法，在遙感圖像分割方面的應(yīng)用也較為廣泛。潘琛等提出一種基于多特征的遙感影像決策樹分類方法，并對(duì)Landsat-5 TM遙感影像進(jìn)行分類試驗(yàn)[5]。Sharma等提出使用決策樹分類算法對(duì)Landsat TM遙感數(shù)據(jù)進(jìn)行分類，結(jié)果表明，決策樹分類法明顯優(yōu)于最大似然（MLC）分類法[6]。但這些算法均存在計(jì)算精度相對(duì)較低、跨算法運(yùn)算等問(wèn)題。（3）基于機(jī)器學(xué)習(xí)的遙感圖像分類方法。呂啟等提出一種基于深度置信網(wǎng)絡(luò)（DBN）模型的遙感合成孔徑雷達(dá)（SAR）圖像的分類模型，并使用該模型在6波段的搭載C波段傳感器的高分辨率商用雷達(dá)衛(wèi)星（RADARSAT2）遙感圖像上進(jìn)行驗(yàn)證，取得了77%的總體精確率[7]。肖錦成等使用誤差逆?zhèn)鞑シǎ˙P）神經(jīng)網(wǎng)絡(luò)搭建了一個(gè)遙感圖像的分類模型，并用于遙感圖像中濕地覆被分類問(wèn)題[8]。（4）基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的遙感圖像分類方法。2013年深度卷積神經(jīng)網(wǎng)絡(luò)被提出用于圖像分割[9]。曲景影等提出一種基于CNN模型的遙感圖像分類方法，并提出了一種基于矩陣乘法的卷積展開技術(shù)的優(yōu)化矩陣乘法卷積（MMCNN）模型，該模型能使卷積的計(jì)算速度加快5倍左右[10]。Long等提出將全卷積神經(jīng)網(wǎng)絡(luò)（FCN）用于圖像分割，利用原始圖像與人工標(biāo)注的標(biāo)簽圖像進(jìn)行訓(xùn)練，提取圖像特征，最后得到較好的圖像分割結(jié)果[11]。

以上各類對(duì)遙感影像識(shí)別和分類的方法，雖然都取得了一定的成果，但由于數(shù)據(jù)精度不高或網(wǎng)絡(luò)不適合耕地細(xì)小特征變化，導(dǎo)致對(duì)耕地信息提取的準(zhǔn)確率和效率一直不高[12-15]。本研究基于語(yǔ)義圖像分割（Deeplab）神經(jīng)網(wǎng)絡(luò)的耕地提取問(wèn)題，提出耕地分割提取方法耕地提取語(yǔ)義圖像分割（ECLDeeplab），并應(yīng)用該方法對(duì)山東省肥城市2017年12月至2018年12月10幅高分2號(hào)遙感影像進(jìn)行試驗(yàn)。試驗(yàn)結(jié)果表明，該方法獲取的耕地精度為90.3%，提取耕地信息得到了較好的結(jié)果。

本研究方法的工作思路為：首先分析耕地在高分2號(hào)遙感影像上的表現(xiàn)特征;然后以Deeplab模型為基礎(chǔ)，依據(jù)地物的具體特點(diǎn)對(duì)Deeplab的結(jié)構(gòu)進(jìn)行調(diào)整，形成能夠提取耕地的ECLDeeplab網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合訓(xùn)練結(jié)果;最后通過(guò)對(duì)比試驗(yàn)比較Deeplab模型和語(yǔ)義分割（Segnet）網(wǎng)絡(luò)模型在耕地提取方面的性能，最終得到準(zhǔn)確率較高的覆蓋度分割圖。

1?基于ECLDeeplab模型耕地信息提取方法

1.1?Deeplab模型結(jié)構(gòu)的工作原理

Deeplab（v3+）采用編解碼器（encoder-decoder）結(jié)構(gòu)，其工作原理見(jiàn)圖1[16]。模型主要通過(guò)調(diào)整帶孔卷積的大小來(lái)控制編碼器分辨率，因而Deeplab模型在圖像識(shí)別時(shí)有較好的尺度適應(yīng)性。模型中編碼器的工作原理是：通過(guò)1×1卷積、不同擴(kuò)張率的多層3×3的空洞卷積、空間金字塔池化共同作用得到特征圖組。模型中解碼器工作原理是：首先將低層卷積特征圖與對(duì)應(yīng)擴(kuò)大后的編碼器特征圖合并?然后進(jìn)行3×3的卷積，最后通過(guò)上采樣

得到與原圖大小相同的特征圖。

1.2?對(duì)Deeplab模型模結(jié)構(gòu)的改進(jìn)

針對(duì)高分2號(hào)遙感影像中耕地的特點(diǎn)，為了對(duì)耕地信息提取更加準(zhǔn)確，本研究對(duì)Deeplab模型進(jìn)行了如下改進(jìn)。

1.2.1?引入卷積核超參數(shù)d?引入一個(gè)新的超參數(shù)d，參數(shù)（d-1）為插入卷積核的空格數(shù)，假定原來(lái)的卷積核大小為s，那么塞入（d-1）個(gè)空格后的卷積核大小n為：

n=s+（s-1）×（d-1）。（1）

假定輸入空洞卷積的大小為i，步長(zhǎng)為s，則空洞卷積后特征圖大小o的計(jì)算公式為：

o=i+2p-k-（k-1）×（d-1）s+1。（2）

空洞卷積綜合了空間信息，但當(dāng)擴(kuò)張率過(guò)大時(shí)忽視了很多細(xì)節(jié)特征，所以在ECLDeeplab的網(wǎng)絡(luò)結(jié)構(gòu)中，采用1×1卷積、多層3×3卷積和1層擴(kuò)張率為2的3×3空洞卷積（圖2）來(lái)共同得到特征組。

1.2.2?使用改進(jìn)激活函數(shù)線性整流函數(shù)（ReLU）

深度卷積網(wǎng)絡(luò)都需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，傳統(tǒng)激活函數(shù)（如tanh函數(shù)和sigmoid函數(shù)）的數(shù)據(jù)計(jì)算量大，幾乎不能夠配合卷積神經(jīng)層完成訓(xùn)練。因此，ECLDeeplab模型中采用了線性激活函數(shù)ReLU。ReLU激活函數(shù)隨機(jī)梯度下降的收斂速度比sigmoid函數(shù)快，而且ReLU只須要1個(gè)閾值就可以得到激活值，而不須要去進(jìn)行一大堆復(fù)雜的運(yùn)算。ReLU的數(shù)學(xué)形式見(jiàn)圖3，ReLU函數(shù)不僅減少了訓(xùn)練時(shí)間，而且提高了算法性能。

1.2.3?ECLDeeplab的網(wǎng)絡(luò)結(jié)構(gòu)加入了相應(yīng)的解碼器組?高分2號(hào)影像耕地在每個(gè)像素中有較多的特征，主要表現(xiàn)為1個(gè)像素包含1個(gè)甚至多個(gè)物體，所以結(jié)合低層卷積特征圖的解碼器對(duì)于從高分2號(hào)影像提取耕地有著重要作用，解碼器組如圖4所示，左側(cè)卷積結(jié)構(gòu)進(jìn)行了多次池化，特征圖不斷減小，使得細(xì)小的特征在最后的特征圖上沒(méi)有體現(xiàn)，而解碼器如圖右側(cè)所示將左側(cè)特征圖與低層特征圖結(jié)合生成的特征圖，這樣結(jié)合了適量的低層特征，使模型最終識(shí)別的細(xì)節(jié)特征更精確。

本研究對(duì)模型的改進(jìn)主要有以下3點(diǎn)：（1）通過(guò)改進(jìn)可以更好地利用地物的空間信息，如耕地規(guī)則的邊緣等特征，使模型獲得更豐富的特征;（2）主要是使隨機(jī)梯度下降的收斂速度加快，減少訓(xùn)練時(shí)間;（3）主要作用是結(jié)合低層特征圖以避免因池化丟失的細(xì)節(jié)特征，使識(shí)別結(jié)果更準(zhǔn)確。

1.3?ECLDeeplab模型的具體步驟

從圖5可以看出，改進(jìn)后模型的具體步驟如下：（1）原圖像分別通過(guò)1層1×1卷積、6層3×3的卷積層、3層3×3的卷積層、3層3×3的空洞卷積得到不同的特征圖。（2）上步中得到的特征圖的像素個(gè)數(shù)是不同的，通過(guò)金字塔池化統(tǒng)一大小，再經(jīng)過(guò)1層卷積合成1張?zhí)卣鲌D。（3）最終解碼器實(shí)現(xiàn)低層特征圖與以上各層合成的特征圖整合，與標(biāo)記文件對(duì)比調(diào)整網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的網(wǎng)絡(luò)。（4）運(yùn)用得到的網(wǎng)絡(luò)對(duì)高分2號(hào)影像進(jìn)行最終的耕地提取。

2?ECLDeeplab模型提取耕地信息的試驗(yàn)步驟

2.1?試驗(yàn)區(qū)

研究區(qū)域?yàn)樯綎|省肥城市（圖6），范圍在116°02′～116°77′E、36°18′～36°28′N之間，全市總面積1 277 km2。研究選取的試驗(yàn)數(shù)據(jù)是2017年12月至2018年3月10幅肥城市的高分2號(hào)影像，將其中4幅作為訓(xùn)練集，6幅為測(cè)試集。

2.2?地面調(diào)查數(shù)據(jù)

通過(guò)與山東省氣象局合作進(jìn)行的實(shí)地調(diào)查，獲得了大量地面數(shù)據(jù)，調(diào)查時(shí)間為2017年3月。調(diào)查時(shí)利用GPS獲取耕地位置信息，并記錄下相應(yīng)的耕地類型。因本試驗(yàn)以提取小麥耕地與裸地為目標(biāo)，所以調(diào)查共獲取90個(gè)樣點(diǎn)數(shù)據(jù)，其中70個(gè)樣點(diǎn)為冬小麥樣點(diǎn)，20點(diǎn)樣點(diǎn)為裸地樣點(diǎn)，采樣點(diǎn)均勻分布在肥城市區(qū)周邊4個(gè)方向。數(shù)據(jù)顯示，該地區(qū)耕地分布均勻、較集中，多數(shù)為小麥和裸地。

2.3?高分2號(hào)影像上耕地的影像特點(diǎn)

一般遙感圖像中的地物類別非常豐富，耕地在高分辨率遙感影像上的影像特征主要表現(xiàn)為如下幾點(diǎn)[17]。

2.3.1?光譜特征?指遙感圖像上不同波段的亮度值、色調(diào)或像元值的差別。耕地的色調(diào)相對(duì)比較均勻，在不同的季節(jié)由于種植的農(nóng)作物不同而呈現(xiàn)出不同的色調(diào)。本試驗(yàn)12月的耕地中，小麥占多數(shù)，裸地也分布較多，在影像上體現(xiàn)為紋理均勻的綠色和褐色。

2.3.2?空間特征?不同的地物類型表現(xiàn)出來(lái)的空間特性也是相同的，空間特征主要表現(xiàn)在地物的面積、外形、陰影（高低）、圖案、位置以及與附近地物的關(guān)聯(lián)等。平原地區(qū)的耕地多呈長(zhǎng)方形，邊緣規(guī)則。

2.3.3?紋理特征?圖像上的細(xì)部結(jié)構(gòu)按照一定的頻率重復(fù)出現(xiàn)就構(gòu)成了紋理特征，它是單一特征的組合，耕地中的紋理主要包括光滑的、波形的、斑紋的、線性的及其他不規(guī)則的紋理。耕地中典型的細(xì)部結(jié)構(gòu)主要是農(nóng)作物，農(nóng)田中的農(nóng)作物單個(gè)來(lái)看是農(nóng)作物葉子的形狀、大小、陰影、色調(diào)、圖形，當(dāng)它們按一定規(guī)律聚集分布時(shí)就形成明顯的紋理特征，裸地有明顯的條狀紋理。

2.3.4?形狀特征?耕地的外形和輪廓，實(shí)際中的耕地一般都是比較規(guī)則的多邊形。

綜上所述，耕地是比較典型的一種地物。在冬季，耕地在影像中總體呈現(xiàn)綠色，也有裸土色，并且耕地分布集中，耕地除了具有明顯的植被光譜特征以外，還具有比較明顯的邊緣特征（田埂），形狀多為規(guī)則的多邊形，具有一定的面積。

要使地物的綜合特征能夠完整地被提取，選擇的遙感數(shù)據(jù)應(yīng)該盡量云量小且區(qū)域容易識(shí)別，根據(jù)這一原則，選擇2016年12月至2017年12月的10幅GF-2遙感影像。選擇2016年12月的2幅影像、2017年3月的2幅影像作為訓(xùn)練數(shù)據(jù)，剩余的2016年12月3幅影像、2017年3月3幅影像為測(cè)試數(shù)據(jù)。

2.4?訓(xùn)練樣本和檢驗(yàn)樣本制作

2.4.1?預(yù)處理

由于原始圖像在生產(chǎn)過(guò)程中會(huì)產(chǎn)生幾何以及輻射變形，所以須要對(duì)遙感影像進(jìn)行預(yù)處理，以便還原圖像的真實(shí)信息[18]，試驗(yàn)利用ENVI 5.3遙感圖像處理軟件，實(shí)現(xiàn)GF-2影像的數(shù)據(jù)預(yù)處理。首先將1 m分辨率影像與4 m分辨率影像作反相色譜（RPC）正射校正，然后將多光譜波段數(shù)據(jù)與全色波段數(shù)據(jù)進(jìn)行融合，再對(duì)融合后的數(shù)據(jù)進(jìn)行快速大氣校正處理。

2.4.2?標(biāo)記

精確的人工標(biāo)注樣本是訓(xùn)練的基礎(chǔ)和關(guān)鍵，本研究使用的標(biāo)注方法為：（1）首先在ArcGIS 10.2中打開預(yù)處理好的原始遙感影像，建立1個(gè)面圖層（.shp）文件，類別如表1所示。（2）矢量轉(zhuǎn)柵格，用C++利用GDAL庫(kù)編實(shí)現(xiàn)矢量轉(zhuǎn)柵格。（3）將 .tif格式轉(zhuǎn)換為模型需要的 .png格式。由于設(shè)置好訓(xùn)練樣本的像素是固定大小，利用python實(shí)現(xiàn)圖像分割，裁剪制作出15 000張的訓(xùn)練樣本。

2.5?ECLDeeplab模型試驗(yàn)過(guò)程

（1）高分2號(hào)遙感圖像預(yù)處理，利用ENVI軟件對(duì)獲取的圖像進(jìn)行預(yù)處理，包括對(duì)全色光譜和多光譜圖像進(jìn)行大氣校正、輻射校正;將全色光譜和多光譜圖像融合，將對(duì)比度拉伸生成彩色增強(qiáng)的合成圖像。（2）使用感興越區(qū)域（ROI）選擇并生成訓(xùn)練樣本，得到標(biāo)記文件。（3）利用python程序?qū)υ跋窈蜆?biāo)記文件進(jìn)行裁剪。數(shù)據(jù)集包括2個(gè)部分，包括13 000張圖像的訓(xùn)練集、2 000張圖像的驗(yàn)證集、170 000張圖像的測(cè)試集。（4）進(jìn)行訓(xùn)練，將圖像-標(biāo)記文件組成的樣本作為ECLDeeplab網(wǎng)絡(luò)的輸入，并對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化。（5）對(duì)樣本中的圖像執(zhí)行前向傳播計(jì)算;將前向計(jì)算后的結(jié)果反向傳播到網(wǎng)絡(luò)內(nèi)部，調(diào)整內(nèi)部參數(shù)，從而得出穩(wěn)定的網(wǎng)絡(luò)。（6）輸入測(cè)試集得到提取結(jié)果，最終須要對(duì)模型的分割結(jié)果進(jìn)行分析評(píng)價(jià)，以精度、準(zhǔn)確率、查全率和κ系數(shù)作為評(píng)價(jià)方法。

3?結(jié)果與分析

3.1?試驗(yàn)結(jié)果

2018年2篇博士論文《基于深度學(xué)習(xí)的神經(jīng)分割方法的研究與實(shí)現(xiàn)》[19]、《一種面向農(nóng)田提取的高分遙感影像分割模型》[20]提出的模型均是在SegNet模型基礎(chǔ)上改進(jìn)的?？梢缘贸鯯egNet網(wǎng)絡(luò)是目前最為高效的深度學(xué)習(xí)模型之一，特別是在道路識(shí)別具有廣泛的應(yīng)用。SegNet網(wǎng)絡(luò)[21]是Badrinarayanan提出的網(wǎng)絡(luò)結(jié)構(gòu)，主要的優(yōu)勢(shì)是利用深度卷積，該網(wǎng)絡(luò)同樣通過(guò)端到端的訓(xùn)練方式來(lái)實(shí)現(xiàn)像素級(jí)的分類，SegNet網(wǎng)絡(luò)分為編碼層和解碼層2個(gè)部分，能夠很好地發(fā)現(xiàn)和提取圖像豐富的細(xì)節(jié)特征。

但在冬季的在高分2號(hào)的遙感圖像上，耕地的綠地與裸地差別非常大，給使用單一卷積結(jié)構(gòu)的SegNet模型發(fā)現(xiàn)共同特征帶來(lái)了較大的困難。而ECLDeeplab模型結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)和概率圖模型的方法，提高了編碼器-解碼器網(wǎng)絡(luò)的運(yùn)行速率和健壯性，不僅能夠很好地挖掘像素間的空間關(guān)系，而且能夠很好地挖掘像素自身的信息。

在比較試驗(yàn)中，將訓(xùn)練得到的模型應(yīng)用到GF-2圖像進(jìn)行分割，這些圖像只用于測(cè)試，不參與訓(xùn)練。SegNet和ECLDeeplab方法得到的結(jié)果見(jiàn)圖3。從圖7-a的原圖中可以看出，耕地的面積占整體圖片的面積比較大，邊緣處較清晰，區(qū)域也比較規(guī)則。圖7-b卷積層為真值，圖7-c為SegNet模型的試驗(yàn)結(jié)果，邊緣有不少漏分并且淺色耕地漏分較多，圖7-d ECLDeeplab模型的試驗(yàn)結(jié)果，最主要的耕地被完整分出，輪廓清晰。

3.2?試驗(yàn)分析

根據(jù)試驗(yàn)的具體情況，使用精度、準(zhǔn)確率、查全率和κ系數(shù)作為評(píng)價(jià)方法的指標(biāo)，這些指標(biāo)是由本研究使用混淆矩陣計(jì)算得到的。如公式（3）所示，表示第i類的像素被錯(cuò)誤分到第j類的像素?cái)?shù)量。正對(duì)角線上的數(shù)值表示被正確分割的像素?cái)?shù)量，其值占總數(shù)的比例越大，表示被正確分割的精度越高，分割結(jié)果越準(zhǔn)確。反之，對(duì)角線上的數(shù)值占總數(shù)的比例越小，說(shuō)明被錯(cuò)誤分割的像素越多，分割效果越差。

CM=c11c12…c1n

c21c22…c2n

cn1cn2…cnn。（3）

精度是指分類結(jié)果中正確分類的樣本數(shù)與總樣本數(shù)之比，本研究使用的精度采用公式（4）計(jì)算所得;分割精度是指測(cè)試集樣本中被正確分割的像素的數(shù)量占整個(gè)測(cè)試集樣本中像素總數(shù)的百分比，即混淆矩陣中對(duì)角線上值的和除以總像素?cái)?shù)，計(jì)算公式中N為像素的總數(shù)，n為分割類別的數(shù)目。

AC=∑ni=1ciiN×100%。（4）

查全率是指分類結(jié)果中正確分出的像素?cái)?shù)與該類實(shí)際的像素?cái)?shù)之比。在此基礎(chǔ)上，將模型的查全率定義為所有類別查全率的平均值。本研究使用的查全率公式定義為：

p=12∑ni=1cii∑ni=1，j=1cij。（5）

κ系數(shù)是一個(gè)用于進(jìn)行一致性檢驗(yàn)的指標(biāo)，本研究使用的κ計(jì)算方式如下：

p0=∑ni=1cii∑ni=1，j=1cij;

pe=∑ni=1c1i×ci1∑ni=1，j=1cij×∑ni=1，j=1cij;

κ=p0-pe1-pe。（6）

根據(jù)上述公式計(jì)算得試驗(yàn)精確度（表2）。ECLDeeplab模型識(shí)別結(jié)果的精度最高，為90.3%，查準(zhǔn)率為95.7%，查全率為89.2%。

4?結(jié)論

本研究提出了針對(duì)耕地提取的ECLDeeplab模型結(jié)構(gòu)。通過(guò)大量樣本進(jìn)行樣本訓(xùn)練和特征提取，最后再將學(xué)習(xí)后的樣本特征運(yùn)用于遙感影像分類完成信息提取。選取山東省肥城市為試驗(yàn)區(qū)進(jìn)行試驗(yàn)和精度驗(yàn)證，平均精度為88.3%，與傳統(tǒng)的SegNet模型識(shí)別結(jié)果相比精度提高了6百分點(diǎn)，最終形成了用于提取耕地的網(wǎng)絡(luò)結(jié)構(gòu)。試驗(yàn)結(jié)果表明，模型能夠高精度地從高分2號(hào)遙感影像上提取出耕地的分布信息。下一步工作中，將針對(duì)如何對(duì)模型進(jìn)行修改、提取其他地物提高精度進(jìn)行研究。

參考文獻(xiàn)：

[1]Liu M W，Ozdogan M，Zhu X. Crop type classification by simultaneous use of satellite images of different resolutions[J]. IEEE Transactions on Geoscience and Remote Sensing，2013，52（6）：3637-3649.

[2]Evans C，Jones R，Svalbe I，et al. Segmenting multispectral landsat TM images into field units[J]. IEEE Transactions on Geoscience and Remote Sensing，2002，40（5）：1054-1064.

[3]李?暉，肖鵬峰，馮學(xué)智，等. 基于向量場(chǎng)模型的多光譜遙感圖像多尺度邊緣檢測(cè)[J]. 測(cè)繪學(xué)報(bào)，2012，41（1）：100-107.

[4]肖?艷，姜琦剛，王?斌，等. 基于ReliefF和PSO混合特征選擇的面向?qū)ο笸恋乩梅诸怺J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（4）：211-216.

[5]潘?琛，林?怡，陳映鷹. 基于多特征的遙感影像決策樹分類[J]. 光電子·激光，2010，21（5）：731-736.

[6]Sharma R，Ghosh A，Joshi P K. Decision tree approach for classification of remotely sensed satellite data using open source support[J]. Journal of Earth System Science，2013，122（5）：1237-1247.

[7]呂?啟，竇?勇，牛?新，等. 基于DBN模型的遙感圖像分類[J]. 計(jì)算機(jī)研究與發(fā)展，2014，51（9）：1911-1918.

[8]肖錦成，歐維新，符海月. 基于BP神經(jīng)網(wǎng)絡(luò)與ETM+遙感數(shù)據(jù)的鹽城濱海自然濕地覆被分類[J]. 生態(tài)學(xué)報(bào)，2013，33（23）：7496-7504.

[9]Zhou S S，Chen Q C，Wang X L. Convolutional deep networks for visual data classification[J]. Neural Processing Letters，2013，38（1）：17-27.

[10]曲景影，孫?顯，高?鑫. 基于CNN模型的高分辨率遙感圖像目標(biāo)識(shí)別[J]. 國(guó)外電子測(cè)量技術(shù)，2016，35（8）：45-50.

[11]Long J，Shelhamer E，Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：3431-3440.

[12]Mas J F，F(xiàn)lores J J. The application of artificial neural networks to the analysis of remotely sensed data[J]. International Journal of Remote Sensing，2008，29（3）：617-663.

[13]刁智華，魏玉泉，吳貝貝，等. 基于圖像的農(nóng)業(yè)信息演變規(guī)律提取現(xiàn)狀分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（16）：8-11.

[14]張日升，張燕琴. 基于深度學(xué)習(xí)的高分辨率遙感圖像識(shí)別與分類研究[J]. 信息通信，2017（1）：110-111.

[15]Fu G，Liu C，Zhou R，et al. Classification for high resolution remote sensing imagery using a fully convolutional network[J]. Remote Sensing，2017，9（6）：498.

[16]Chen L C，Zhu Y K，Papandreou G，et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]. The European Conference on Computer Vision，2018：801-808.

[17]李正國(guó)，唐華俊，楊?鵬，等. 植被物候特征的遙感提取與農(nóng)業(yè)應(yīng)用綜述[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2012，33（5）：20-28.

[18]李?婷，吳克寧. 基于遙感技術(shù)的耕地質(zhì)量評(píng)價(jià)研究進(jìn)展與展望[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（15）：5-9.

[19]徐晨陽(yáng). 基于深度學(xué)習(xí)的神經(jīng)分割方法的研究與實(shí)現(xiàn)[D]. 北京：北京郵電大學(xué)，2018.

[20]程?清. 一種面向農(nóng)田提取的高分遙感影像分割模型[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2018.

[21]Badrinarayanan V，Kendall A，Cipolla R. Segnet：a deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（12）：2481-2495.