一種改進的高空間分辨率遙感影像森林類型深度學(xué)習(xí)精細分類方法: 雙支FCN-8s*

郭穎李增元陳爾學(xué)張旭趙磊陳艷王雅慧

(中國林業(yè)科學(xué)研究院資源信息研究所 北京 100091)

近年來，隨著遙感技術(shù)迅速發(fā)展，衛(wèi)星遙感影像的空間、輻射和時間分辨率逐步提升，為提高森林資源的監(jiān)測效率和精度奠定了良好數(shù)據(jù)基礎(chǔ)。但遙感影像空間分辨率大小對影像分類精度的影響具有兩面性：一方面，精細的空間分辨率可減少邊界混合像元，在一定程度上提高分類精度； 另一方面，過高的分辨率也可能導(dǎo)致類別內(nèi)部的光譜可變性增大，采用傳統(tǒng)機器學(xué)習(xí)算法進行森林類型分類時，仍存在分類精度和可有效區(qū)分類別總數(shù)較低的問題(任沖， 2016)。

深度學(xué)習(xí)(deep learning，DL)是機器學(xué)習(xí)領(lǐng)域一個新的研究方向，其本質(zhì)是構(gòu)建含有多隱層的機器學(xué)習(xí)架構(gòu)模型，通過大規(guī)模數(shù)據(jù)進行訓(xùn)練，得到大量更具代表性的特征信息，近年來在計算機視覺、自動駕駛等多類應(yīng)用中取得了突破性進展(尹寶才， 2015)。深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)是一類包含卷積計算且擁有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)(feedforward neural networks)，是深度學(xué)習(xí)的代表算法之一，具有局部連接、權(quán)值共享等特性，可有效提高圖像處理能力，但也存在計算量大、神經(jīng)元感受野受限以及容易丟失像元位置信息等不足(L?ngkvistetal.， 2016)。為了克服這些缺陷，Long等(2014)提出了全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional networks, FCN)模型，該模型可以接受任意大小的輸入圖像，能夠從抽象的特征中恢復(fù)出每個像素所屬類別，使得分類從圖像級別延伸到像素級別，同時更加高效。目前，國內(nèi)外許多學(xué)者已成功將FCN應(yīng)用于高空間分辨率遙感影像分類中(方旭等， 2018； 何小飛等， 2016； 陳廣勝等， 2018； Sherrah, 2016)，但是對于森林類型，特別是細化至優(yōu)勢樹種級別的森林類型遙感精細分類還未見相關(guān)報道。

從FCN構(gòu)建方式來看，現(xiàn)階段主要有完全訓(xùn)練、預(yù)訓(xùn)練和微調(diào)3種策略(Nogueiraetal.， 2016)。完全訓(xùn)練是指從頭開始構(gòu)建網(wǎng)絡(luò)，可以完全控制參數(shù)和架構(gòu)，具有很高的穩(wěn)健性，但是需要大量的訓(xùn)練數(shù)據(jù)(Bengio， 2009)。預(yù)訓(xùn)練和微調(diào)2種策略依賴于使用預(yù)先訓(xùn)練的卷積核，其中，預(yù)訓(xùn)練策略通過移除網(wǎng)絡(luò)最后的分類層，僅將預(yù)先訓(xùn)練的卷積核作為特征提取器進行分類； 微調(diào)策略則是使用預(yù)先訓(xùn)練的卷積核，并基于當前參與建模的遙感數(shù)據(jù)對卷積核的權(quán)重進行微調(diào)。許多研究表明，微調(diào)策略可以優(yōu)化遙感地物類型分類效果(Marmanisetal.， 2018； Rezaeeetal.， 2018)。

歸一化植被指數(shù)(normalized difference vegetation index，NDVI)已被廣泛用于森林類型遙感分類領(lǐng)域中，研究(黃建文等， 2004； 雷光斌等， 2014)表明，針對高空間分辨率遙感影像分類問題，將影像光譜反射率與紋理特征、NDVI、地形因子等結(jié)合，可以提升FCN的分類效果。劉大偉等(2016)在原始光譜特征基礎(chǔ)上加入紋理特征，實現(xiàn)了基于高空間分辨率遙感影像的深度神經(jīng)網(wǎng)絡(luò)模型分類。徐慧敏(2018)將多源數(shù)據(jù)相結(jié)合，有效改善了U-Net模型的分類精度。張永宏等(2018)基于多特征源輸入的 FCN 模型，提升了高空間分辨率遙感影像道路提取精度。Sun等(2018)通過加入數(shù)字表面模型數(shù)據(jù)，有效提高了FCN模型的分類精度。

雙支結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域的一類新興方法。Gaetano等(2018)針對多光譜和全色遙感影像分類，提出一種基于雙分支的端到端深度卷積神經(jīng)網(wǎng)絡(luò)，并在大區(qū)域范圍內(nèi)取得了良好分類效果。Liu等(2018)發(fā)展一種基于深度多實例學(xué)習(xí)的雙支端到端深度卷積模型，聯(lián)合高空間分辨率多光譜和全色數(shù)據(jù)的光譜和空間信息進行分類，發(fā)現(xiàn)該方法優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)和堆疊自編碼網(wǎng)絡(luò)。Tan等(2018)提出一種雙支卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合高空間分辨率全色和多光譜影像的信息自動提取建筑物，結(jié)果表明該方法具有較高的分類精度和較好的泛化能力。

綜上可見，為了充分利用多光譜和全色遙感影像的空間和光譜信息，前人已從網(wǎng)絡(luò)微調(diào)、增加NDVI等多源特征、設(shè)計雙支結(jié)構(gòu)網(wǎng)絡(luò)等方面對FCN的具體應(yīng)用方法進行了優(yōu)化改進，但這些研究多是以市區(qū)一般地物類型的分類為目標，很少有針對森林類型細分的應(yīng)用報道。鑒于此，本研究基于FCN8s模型構(gòu)建雙支結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，綜合利用網(wǎng)絡(luò)微調(diào)以及增加NDVI遙感特征等策略，以期改善高空間分辨率遙感影像用于森林類型分類的效果，從而發(fā)展一種面向高空間分辨率遙感影像森林類型精細分類的雙支FCN-8s方法。

1 研究區(qū)概況與數(shù)據(jù)獲取

1.1 研究區(qū)概況

以內(nèi)蒙古赤峰市旺業(yè)甸林場所轄區(qū)域為研究區(qū)。該區(qū)位于赤峰市喀喇沁旗西南部，118°09′—118°30′E，41°35′—41°50′N，屬生態(tài)主導(dǎo)型多功能林業(yè)區(qū)，行政區(qū)域?qū)儆诳咂烀懒宙?zhèn)。年均氣溫7.4 ℃，年均降雨量400 mm。區(qū)內(nèi)植物種類豐富，森林覆蓋率達94%。林場總面積2 530 7 hm2， 其中有林地面積22 016 hm2，包括天然林11 218 hm2、人工林10 798 hm2。人工林以油松(Pinustabulaeformis)、華北落葉松(Larixprincipis-rupprechtii)為主，天然林以白樺(Betulaplatyphylla)為主。

1.2 遙感影像及其預(yù)處理

采用GF-2 PMS遙感影像，成像時間為2017年9月5日。對遙感影像進行預(yù)處理，預(yù)處理過程包括輻射定標、大氣校正、正射和地形輻射校正以及影像融合。進行輻射定標時，利用中國資源衛(wèi)星數(shù)據(jù)與應(yīng)用中心公布的絕對輻射定標系數(shù)，將衛(wèi)星觀測的像元亮度值轉(zhuǎn)換為表觀輻亮度，根據(jù)GF-2衛(wèi)星多光譜和全色數(shù)據(jù)附帶的太陽高度角參數(shù)，將獲得的表觀輻亮度轉(zhuǎn)換為表觀反射率。采用ENVI5.3軟件的FLAASH(fast line-of-sight atmospheric analysis of hypercubes)模塊完成全色數(shù)據(jù)和多光譜數(shù)據(jù)的大氣校正。利用全色和多光譜影像自帶的參數(shù)進行正射校正，并參考2 m空間分辨率的ZY-3數(shù)字正射影像產(chǎn)品(digital orthophoto map，DOM)，通過尺度不變特征變換算法自動進行影像配準，同時手工采集30個控制點對校正模型進行優(yōu)化，控制點高程信息來自研究區(qū)的ZY-3 DEM。優(yōu)化后的正射模型東西向誤差為1.55 m，南北向誤差為1.25 m。運用VECA地形輻射校正模型(高永年等， 2008)和ZY-3 DEM數(shù)據(jù)對GF-2 PMS影像進行地形輻射校正處理，采用ENVI5.3軟件的融合工具NNDiffuse Pan Sharpening將全色與多光譜影像融合，得到0.8 m高空間分辨率多光譜遙感影像，見圖1。

圖1 預(yù)處理后GF-2影像Fig.1 Preprocessed GF-2 image

1.3 樣本數(shù)據(jù)

為了構(gòu)建深度學(xué)習(xí)模型，本研究在外業(yè)調(diào)查數(shù)據(jù)基礎(chǔ)上，基于多期高空間分辨率遙感影像并結(jié)合林相圖，通過目視解譯方式構(gòu)建了154塊樣本，每塊樣本均由1個預(yù)處理后的遙感影像塊和1個在像素級別匹配的解譯圖像塊構(gòu)成，樣本大小為310像元×310像元(圖2)，其中林相圖數(shù)據(jù)可提供每個小班的樹種起源、林種、優(yōu)勢樹種、郁閉度、小班面積和地類等屬性信息。在模型訓(xùn)練過程中，隨機選取80%樣本塊(124塊)作為訓(xùn)練數(shù)據(jù)，剩余20%樣本塊(30塊)作為測試數(shù)據(jù)?？紤]到樣本不均衡會影響分類效果，本研究在構(gòu)建樣本時將樣本均勻分布在影像空間范圍內(nèi)(圖3)，且保證每個類別所對應(yīng)的樣本數(shù)目均衡。

此外，為了驗證深度學(xué)習(xí)模型的分類精度，于2017年9月進行外業(yè)實地調(diào)查，共采集404個樣點的地類信息，樣點對整個林場的覆蓋情況如圖3所示，圖中方塊區(qū)域為部分訓(xùn)練樣本塊的空間分布情況，圓形區(qū)域為采集樣點的分布范圍。

1.4 分類系統(tǒng)和擬分類別

參考《森林資源規(guī)劃設(shè)計調(diào)查主要技術(shù)規(guī)定(2010)》規(guī)定的地類分類系統(tǒng)，通過對遙感影像預(yù)分類結(jié)果進行潛在地類分析，確定本研究的分類系統(tǒng)如表1所示。共分12個類別，包括油松、華北落葉松、紅松(Pinuskoraiensis)、白樺、山楊、蒙古櫟、其他林地、灌木林地、草地、耕地、建設(shè)用地和其他非林地，其中油松、華北落葉松、紅松、白樺、山楊(Populusdavidiana)、蒙古櫟(Quercusmongolica)、灌木林地和其他木地屬于林地的細分類別，其他非林地主要包括裸地、水體等。

圖2 部分訓(xùn)練樣本細節(jié)Fig.2 Examples in details for some of the training samplesa.原始影像塊Original image blocks； b.與原始影像塊對應(yīng)的解譯影像塊Ground truth (GT) image blocks corresponding to the original image blocks.

圖3 實地調(diào)查樣點和部分訓(xùn)練樣本分布Fig.3 Spatial distribution of the field survey sample points and some of the training samples

2 研究方法

2.1 FCN模型

FCN模型的核心是經(jīng)典CNN網(wǎng)絡(luò)結(jié)構(gòu)，不同的是FCN模型將CNN模型中的全連接層替換為卷積層，這一改變使得模型可以輸入任意大小的圖像，直接在輸出端得到每個像素所屬類別，從而實現(xiàn)一對一的端到端訓(xùn)練。

FCN模型具有卷積化、反卷積和跳躍結(jié)構(gòu)3個特點。卷積化是指將CNN模型的全連接層替換為卷積層，完成對任意大小圖像的分類。反卷積也稱為轉(zhuǎn)置卷積，是卷積的逆過程。FCN模型使用反卷積方式還原圖像原始大小，反卷積卷積核大小ks的計算公式如下(假設(shè)輸入特征圖像大小為wl×wl, 輸出特征圖像大小為wl′×wl′)：

ks=wl′+2×padding-stride×(wl-1)。

(1)

式中： stride為步長； padding為邊界填充值。

由于FCN模型的池化操作會降低圖像分辨率，造成圖像空間細節(jié)信息丟失，為此Long等(2014)提出了跳躍結(jié)構(gòu)進行優(yōu)化。該結(jié)構(gòu)的基本思想是將FCN模型中低層網(wǎng)絡(luò)的細節(jié)信息和高層網(wǎng)絡(luò)的語義信息進行融合，然后對融合結(jié)果進行反卷積操作得到最終結(jié)果。

FCN模型主要包括FCN-32s、FCN-16s和FCN-8s 3種基本結(jié)構(gòu)，如圖4所示。FCN-32s模型將conv7層生成的特征圖像進行32倍上采樣，得到輸出結(jié)果； FCN-16s模型首先對conv7層生成的特征圖像進行2倍上采樣，然后與pool4層生成的特征圖像相結(jié)合，并對結(jié)合結(jié)果進行16倍上采樣，得到輸出結(jié)果； FCN-8s模型則首先對conv7層和pool4層生成的特征圖像分別進行4和2倍上采樣，然后與pool3層生成的特征圖像相結(jié)合，并對結(jié)合結(jié)果進行8倍上采樣，得到輸出結(jié)果?？梢钥闯?，F(xiàn)CN-8s模型在反卷積過程中結(jié)合了多個低層特征，較FCN-32s、FCN-16s模型使用了更多細節(jié)和語義信息，結(jié)果也優(yōu)于2種模型(Longetal.， 2014)。本研究以FCN-8s為基礎(chǔ)模型。

表1 研究區(qū)分類系統(tǒng)Tab.1 Classification system of the study area

圖4 FCN模型架構(gòu)Fig.4 FCN model architecture

2.2 雙支FCN-8s分類方法

雙支FCN-8s分類方法的總體流程如圖5所示。該方法包含2個FCN-8s子模型，基礎(chǔ)分類器均為Resnet(Heetal.， 2016)，其中一個子模型使用GF-2全色增強后影像的R、G、B三波段，基于ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練好的權(quán)重，采用微調(diào)方式構(gòu)建； 另一個子模型使用GF-2全色增強后影像的四波段(R、G、B、NIR)和NDVI特征構(gòu)建。在結(jié)果輸出部分，2個子模型分別提取下采樣8、16和32倍時的輸出結(jié)果，將模型對應(yīng)位置的輸出結(jié)果進行級聯(lián)卷積，并上采樣至與輸入影像相同大小(圖6)； 同時將上采樣結(jié)果進行融合，輸入softmax分類器中，得到每個像元的類別概率值和標號。

2.3 支持向量機分類方法

支持向量機(support vector machine, SVM)是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法(Vapniketal.， 1963)，其基本原理是通過將樣本空間映射到一個高維特征空間中，使得在原有樣本空間中非線性可分的問題轉(zhuǎn)化為在特征空間中線性可分的問題。在高維特征空間中，對數(shù)據(jù)進行分類的直線稱為超平面【式(2)】，距離超平面最近的點稱為支持向量，可通過引入Lagrnage乘子αi轉(zhuǎn)換為對偶問題【式(3)】求解(丁世飛等， 2011)：

圖5 雙支FCN-8s分類方法的總體流程Fig.5 The general workflow of the two-branch FCN-8s classification method

圖6 雙支FCN-8s分類方法的數(shù)據(jù)流程Fig.6 The data flow of the two-branch FCN-8s classification method

wTx+b=0；

(2)

(3)

選擇不同核函數(shù)，可以生成不同SVM模型。本研究選擇徑向基核函數(shù)，通過格網(wǎng)化方法對參數(shù)進行優(yōu)選，其中懲罰系數(shù)C為100，核函數(shù)參數(shù)γ為0.001。

使用SVM模型進行森林類型分類的主要流程為： 首先，對GF-2遙感影像進行分割； 其次，提取光譜波段均值和植被指數(shù)，包括比值植被指數(shù)(ratio vegetation index，RVI)、歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、重新歸一化植被指數(shù)(re-normalized difference vegetation index，RDVI)、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(optimized soil adjusted vegetation index，OSAVI)、歸一化水體指數(shù)(normalized difference water index，NDWI)、歸一化綠度指數(shù)(normalized difference greenness index，NDGI)、可見光波段差異植被指數(shù)(visible difference vegetation index，VDVI)、近紅外波段與藍波段的比值[ratio of near-infrared (NIR) band to blue band，NIRB](Fengetal.， 2017； 黃建文等， 2004； Wangetal.， 2015； 2017)，以及紋理特征，包括均值、標準差、對比度、差異性、熵和同質(zhì)性(Haralicketal.， 1973)； 然后采用隨機森林算法計算每個特征的重要性并排序，通過序列后向搜索方法，每次從特征集合中去掉重要性最小的特征后進行分類，逐次迭代計算每次的分類精度，得到變量個數(shù)最少、分類正確率最高的特征序列，具體為光譜信息中4個波段均值、NDVI、OSAVI、NDGI、VDVI、NIRB、紅波段同質(zhì)性、藍波段和近紅外波段的熵、綠波段和近紅外波段的標準差； 最后將優(yōu)選的特征導(dǎo)入SVM分類器進行分類。

2.4 網(wǎng)絡(luò)訓(xùn)練

雙支FCN-8s網(wǎng)絡(luò)模型基于Tensorflow框架構(gòu)建，使用Adam方法作為優(yōu)化器訓(xùn)練網(wǎng)絡(luò)，參數(shù)按照Kingma(2014)推薦的參數(shù)進行設(shè)置，其中，平滑參數(shù)為1e-08，每次更新后的學(xué)習(xí)率衰減值為0.004，學(xué)習(xí)率初始值為1e-04。網(wǎng)絡(luò)權(quán)重共更新20 000次，每次更新過程中，共迭代15次，每次迭代使用16個樣本對，網(wǎng)絡(luò)權(quán)重每更新1次，所有訓(xùn)練樣本均參與建模。當權(quán)重停止更新的次數(shù)大于10次后，網(wǎng)絡(luò)停止訓(xùn)練。網(wǎng)絡(luò)在1塊NVIDIA Tesla K40C計算顯卡上訓(xùn)練，GPU內(nèi)存為8 G。

2.5 精度檢驗方法

采用基于混淆矩陣的方法評價分類結(jié)果，具體評價指標包括總體精度(overrall accuracy，OA)、用戶精度(user accuracy，UA)、生產(chǎn)者精度(producer accuracy，PA)和Kappa系數(shù)(Foody， 2010)。

3 研究結(jié)果

3.1 雙支FCN-8s方法的分類結(jié)果

雙支FCN-8s方法的分類結(jié)果混淆矩陣見表2，總體分類精度為85.89%，Kappa系數(shù)為0.84。該方法可有效對大部分森林類型進行提取，其中，對針葉樹種、蒙古櫟、草地和灌木林地等類別的分類，生產(chǎn)者精度均在90%左右，但對白樺、山楊和其他林地容易混分和錯分，分析其原因是因為這些類別均屬闊葉樹種，影像獲取時間為生長季，具有相似的光譜信息，較難區(qū)分。具體分類結(jié)果如圖7所示。

圖7 雙支FCN-8s方法分類結(jié)果Fig.7 Classification result of the two-branch FCN-8s method

3.2 雙支FCN-8s與其他模型的分類效果比較

為驗證所提方法的有效性，本研究對雙支FCN-8s方法與傳統(tǒng)FCN-8s方法(本研究簡稱FCN-8s)的分類效果進行比較。FCN-8s方法的基分類器為Resnet，雙支FCN-8s方法在建模時不僅使用融合后的四波段光譜信息，而且還使用NDVI特征，F(xiàn)CN-8s方法同樣使用上述特征參與建模。

從表3可以看出，F(xiàn)CN-8s方法的總體分類精度為82.67%，Kappa系數(shù)為0.80。相比FCN-8s方法，雙支FCN-8s方法可以提高大部分森林類型的分類精度，尤其對油松、紅松、白樺等類別改善效果明顯。

為進一步驗證該方法的效果，本研究同時與經(jīng)過特征優(yōu)選與SVM模型分類效果進行比較，結(jié)果發(fā)現(xiàn)，相對傳統(tǒng)基于特征優(yōu)選的SVM模型而言，雙支FCN-8s方法的總體分類精度由75%上升至85.89%，精度提升大于10%(表3)，各類別的分類效果均有改善。

從分類細節(jié)(圖8)中可以看出，雙支FCN-8s方法可明顯優(yōu)化闊葉混交林和針闊混交林的分類效果，相比而言，F(xiàn)CN-8s會將大部分其他林地錯分為山楊，SVM則會將大面積油松錯分為華北落葉松，白樺和其他林地也會出現(xiàn)大面積錯分現(xiàn)象，同時SVM相對于本研究的深度學(xué)習(xí)方法而言，分類邊界破碎，不夠平滑。

3.3 網(wǎng)絡(luò)微調(diào)策略和NDVI特征對分類效果的影響

為探究微調(diào)策略對分類結(jié)果的貢獻，本研究進一步分析不使用微調(diào)策略的雙支FCN-8s分類效果。由表4可知，不使用微調(diào)策略得到的總體分類精度為79.46%，Kappa系數(shù)為0.77； 使用微調(diào)策略后，模型的總體分類精度由79.46%上升至85.89%，可顯著提高油松、白樺、灌木林地及建筑用地的分類精度。

同時，本研究也對加入NDVI特征前后雙支FCN-8s方法的分類效果進行比較分析。由表4可知，未使用NDVI特征的總體分類精度為81.93%，Kappa系數(shù)為0.80； 加入NDVI特征后，模型對油松、山楊改善效果明顯。

從分類細節(jié)(圖8)中可以看出，使用微調(diào)策略以及加入NDVI特征，可明顯改善其他林地以及山楊和白樺的錯分現(xiàn)象，同時能優(yōu)化灌木林地、草地和蒙古櫟的混分問題，對于建設(shè)用地和耕地的混分現(xiàn)象也有明顯改善。

圖8 分類結(jié)果細節(jié)Fig.8 The detailed classification resultsa.GF-2 PMS； b.解譯樣本Label； c.雙支FCN-8s Two-branch FCN-8s； d.FCN-8s； e.SVM； f.雙支 FCN-8s不使用微調(diào)策略Two-branch FCN-8s without finetune strategy； g.雙支FCN-8s 不加入 NDVI Two-branch FCN-8s without NDVI.

表2 雙支FCN-8s方法的分類結(jié)果混淆矩陣①Tab.2 Confusion matrix of classification result of two-branch FCN-8s

① 總體精度Overall accuracy： 85.89%； Kappa系數(shù)Kappa coefficient： 0.84.

表3 雙支FCN-8s與FCN-8s、SVM的分類精度對比Tab.3 Comparison of classification accuracy among two-branch FCN-8s, FCN-8s and SVM

表4 NDVI特征和微調(diào)策略對雙支FCN-8s模型分類效果的影響Tab.4 Impact of NDVI features and finetune strategy on classification accuracy of two-branch FCN-8s model

4 討論

本研究提出的雙支FCN-8s高空間分辨率遙感影像森林類型深度學(xué)習(xí)精細分類方法，可有效提升森林類型的細分程度和分類精度，滿足高空間分辨率遙感影像林地類型信息提取及森林類型精細識別的應(yīng)用需求。雙支FCN-8s方法對大部分森林類型都可得到90%以上的生產(chǎn)者精度，在同等樣本數(shù)量的條件下，相對于傳統(tǒng)經(jīng)過特征優(yōu)選的SVM模型而言，雙支FCN-8s方法可將分類精度提升10%以上，有效改善分類效果，在一定程度上驗證了該方法的優(yōu)越性。

然而，對于白樺、山楊和其他林地類別，雙支FCN-8s方法的分類精度較低，可能有以下2個原因： 首先，圖9展示了基于GF-2 PMS的典型地物類型(圖9a)以及白樺、山楊和其他林地(圖9b)的光譜曲線，從圖9b中可以看出，白樺、山楊和其他林地的光譜差異很小，特別是白樺和山楊2個類別，本應(yīng)是2條光譜曲線，但現(xiàn)在光譜曲線基本重疊，這不可避免增加了區(qū)分該森林類型的難度； 其次，旺業(yè)甸林場山楊的分布范圍較小，采集的樣本相對較少，在一定程度上會導(dǎo)致模型欠擬合現(xiàn)象，同時由于基于該時相的遙感數(shù)據(jù)，白樺和山楊的邊界難以明確區(qū)分，進一步增加了分類的難度。

圖9 地物類型光譜曲線Fig.9 Spectral curves of land cover typesa.典型地物類型Typical land cover types； b.白樺、山楊和其他林地Betula platyphylla, Populus davidiana and other forest land.

雙支FCN-8s方法的總體分類精度為85.89%，雖然相比傳統(tǒng)基于特征優(yōu)選的SVM模型分類精度明顯提升，但是相對于部分已發(fā)表的基于FCN進行高空間分辨率遙感分類精度高于90%以上的研究而言，本研究分類精度并不高，這可能主要歸結(jié)于以下2方面原因： 首先，本研究僅有124塊樣本塊參與建模，相對于其他研究而言，樣本量成倍減少； 其次，本研究包括12個地物類別，其中6個屬于樹種級類別，較其他研究而言分類類別較細。如Liu等(2018)基于FCN模型對7個地物類型進行遙感分類，分類精度為87.1%，但是該研究利用400個正射影像，共提取2 800塊樣本塊，樣本量遠遠大于本研究； Fu等(2017)基于FCN模型和兩期GF-2影像對城市區(qū)域的地物進行分類，雖然同樣是12個地物類型，但是該研究將兩期遙感影像分割為74塊影像塊，每塊影像塊的像素大小為1 024像元×1 024像元，其中70塊用于訓(xùn)練，4塊進行測試，4塊測試影像最終的平均分類精度為81%。本研究每塊影像塊的像素大小僅為310像元×310像元，樣本量遠低于該研究，但本研究分類精度略高于該研究。這些比較結(jié)果表明本研究提出方法在樣本量有限情況下的有效性。

與以往高空間分辨率遙感影像森林類型精細分類，尤其是樹種分類的研究結(jié)果比較表明，如果只使用單一時相的高空間分辨率遙感影像進行森林類型精細分類，難以有效區(qū)分闊葉樹種，分類精度較低。Xie等(2019)基于多時相ZY-3數(shù)據(jù)在本研究區(qū)進行地物細分類型分類，雖然整體分類精度為84.9%，但是對于白樺、山楊等闊葉樹種的分類精度可達85%左右。使用多時相數(shù)據(jù)進行森林類型精細分類的效果同樣也已被其他一些研究所證明，如任沖等(2016)基于多時相SPOT-5和GF-1數(shù)據(jù)進行森林類型精細分類，精度高達92%；Agata等(2019)基于多時相Sentinel-2和DEM進行大區(qū)域范圍內(nèi)的樹種分類，精度高達94.8%?；诖耍瑢⒍鄷r相遙感數(shù)據(jù)結(jié)合深度學(xué)習(xí)方法進行森林類型精細分類可作為下一階段的研究內(nèi)容。

5 結(jié)論

本研究以內(nèi)蒙古赤峰市旺業(yè)甸林場為研究區(qū)，基于GF-2衛(wèi)星多光譜和全色遙感影像，發(fā)展了一種雙支FCN-8s高空間分辨率遙感影像深度學(xué)習(xí)分類方法，并驗證了該方法的有效性。結(jié)果表明： 1) 雙支FCN-8s方法的總體分類精度為85.89%，Kappa系數(shù)為0.84；相比傳統(tǒng)FCN-8s，雙支FCN-8s方法可提高大部分森林類型的分類精度，尤其對油松、紅松、白樺等類別改善效果明顯。2) 相對于傳統(tǒng)基于特征優(yōu)選的SVM模型而言，雙支FCN-8s方法的總體分類精度由75%上升至85.89%，精度提升大于10%，各類別的分類效果均有改善。3) 使用微調(diào)策略以及加入NDVI特征后，模型可有效改善油松、山楊和白樺等樹種的分類效果?？傊狙芯刻岢龅碾p支FCN-8s高空間分辨率遙感影像森林類型深度學(xué)習(xí)精細分類方法，可有效提升森林類型的細分程度和分類精度。