基于FCN與面向?qū)ο蟮臑I海濕地植被分類*

謝錦瑩 丁麗霞 王志輝 劉麗娟

(1. 浙江農(nóng)林大學(xué)省部共建亞熱帶森林培育國家重點實驗室 杭州 311300； 2. 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室 杭州 311300； 3. 浙江農(nóng)林大學(xué)環(huán)境與資源學(xué)院 杭州 311300； 4. 浙江遠(yuǎn)卓科技有限公司 杭州 310012)

濕地被譽(yù)為“地球之腎”，與森林、海洋一起并稱為全球三大生態(tài)系統(tǒng)，在世界各地分布廣泛，不僅可為人類提供大量食物、原料和水資源，而且在維持生態(tài)平衡、保持生物多樣性和珍稀物種資源以及涵養(yǎng)水源、蓄洪防旱、解除污染、調(diào)節(jié)氣候、補(bǔ)充地下水、控制土壤侵蝕等方面均起到重要作用(Corcoranetal.， 2013)。當(dāng)前，濕地的研究焦點主要在生態(tài)環(huán)境退化和可持續(xù)發(fā)展上，開展?jié)竦貢r空變化監(jiān)測研究，對濕地資源科學(xué)利用與合理開發(fā)具有重要意義，可為生態(tài)環(huán)境與經(jīng)濟(jì)社會的協(xié)調(diào)發(fā)展提供科學(xué)參考(祁增營等， 2012)。濕地植被多樣性是濕地生態(tài)環(huán)境的重要因素，濱海濕地植被是濱海濕地生態(tài)系統(tǒng)的主要組成部分，植被演替是濱海濕地形成和演變的重要標(biāo)志，監(jiān)測濱海濕地植被，對于認(rèn)識濱海濕地的演變機(jī)制和趨勢意義重大(鄭云云等， 2013)。

近年來，遙感技術(shù)在濕地植被監(jiān)測方面發(fā)揮了非常大的促進(jìn)作用，國內(nèi)外的監(jiān)測研究大多使用中等分辨率的TM/ETM+遙感影像或高分辨率的航拍影像、QuickBird、WorldViewⅡ、RSAT-2、SAR影像等，采用的分類方法包括最大似然法、支持向量機(jī)、人機(jī)交互目視解譯、分層分類法、BP神經(jīng)網(wǎng)絡(luò)以及面向?qū)ο蠓诸惖?周禹， 2017； 周在明等， 2016； 和曉風(fēng)等， 2015； Boonetal.， 2017； Pengeretal.， 2007； Raoetal.， 1999)。隨著機(jī)器學(xué)習(xí)新算法不斷涌現(xiàn)，對影像處理效果日益增強(qiáng)，許多學(xué)者也嘗試?yán)脵C(jī)器學(xué)習(xí)算法進(jìn)行遙感數(shù)據(jù)處理，其中全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)(Shelhameretal.， 2017)以其自動提取特征能力強(qiáng)、人工干預(yù)少且不受影像輸入大小限制等優(yōu)異特性受到廣泛關(guān)注。目前，已有不少學(xué)者將該方法用于高分辨率遙感影像處理，并得到了不錯的分類效果，但研究區(qū)均是小面積區(qū)域，且分類對象多為城市地表覆蓋，或只對某一種地物進(jìn)行分類提取，對象具有類別邊界清晰、地物混雜現(xiàn)象少等特點(湯浩等， 2016； Sherrah ， 2016； Piramanayagametal.， 2016； Fuetal.， 2017； Lietal.， 2017； Bittneretal.， 2017； 方旭等， 2018； Sunetal.， 2018； 徐逸之等， 2018)。而濱海濕地植被豐富多樣，植物混雜生長現(xiàn)象普遍，空間邊界交錯，這些都會給遙感影像自動分類增加難度，全卷積神經(jīng)網(wǎng)絡(luò)提取濱海濕地植被效果如何尚不清楚。

全卷積神經(jīng)網(wǎng)絡(luò)是一種端對端的網(wǎng)絡(luò)模型，可直接得到單個像元的分類結(jié)果(Shelhameretal.， 2017)，但會造成結(jié)果缺乏空間一致性，存在椒鹽現(xiàn)象; 而面向?qū)ο蠓诸惙椒軌蛴行Э朔搯栴}，優(yōu)化基于像元的分類結(jié)果(張猛等， 2017)。鑒于此，本研究提出一種基于FCN與面向?qū)ο蟮臑I海濕地植被分類方法，以期提高濱海濕地植被監(jiān)測效果。

1 研究區(qū)概況與研究數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于浙江省慈溪市西北部杭州灣南岸地區(qū)，30°16′—30°21′N，121°4′—121°10′E，面積約10 000 hm2。該區(qū)具有明顯的海岸帶土地覆蓋特點，自海岸線向內(nèi)陸依次順序分布有淺?！鉃Ｈ馑懖?Scirpusmariqueter)→互花米草(Spartinaalterniflora)→養(yǎng)殖塘、蘆葦(Phragmitescommunis)、南方堿蓬(Suaedaaustralis)→耕地、不透水地表。海三棱藨草生于潮間帶濕地，互花米草生于潮間帶，耐鹽耐淹，蘆葦生于江河湖澤、池塘溝渠沿岸和低濕地，常連片生長，南方堿蓬生于海灘沙地、鹽田堤埂等處。根據(jù)土地覆蓋特點和濱海植被分類需要，將研究區(qū)土地覆蓋分為13類，即水體、光灘、海三棱藨草、互花米草、蘆葦、南方堿蓬、不透水地表、耕地、裸露地表、睡蓮(Nymphaeatetragona)、樹木、大棚和其他，其中睡蓮生在溝渠、河塘中，樹木泛指行道樹、人工喬木等高大喬木、灌木等，一些雜草和陰影則歸于其他類。

1.2 研究數(shù)據(jù)

1.2.1 遙感數(shù)據(jù) 遙感數(shù)據(jù)為2013年9月的QuickBird影像，空間分辨率0.6 m，影像大小16 426×17 059像元。在ENVI 5.1軟件中，對遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)和大氣校正，并運(yùn)用Gram-Schmidt方法融合影像，提高數(shù)據(jù)分辨率。最佳指數(shù)法(Chavezetal.， 1982)用于影像波段組合評價分析，最終確定4、3、2波段為最優(yōu)組合，該波段組合可將地物光譜差異通過影像色彩差異得到最佳呈現(xiàn)。如圖1所示，蘆葦在影像上表現(xiàn)出成片分布、紋理細(xì)膩平滑、紅色的特征，互花米草在影像上表現(xiàn)出團(tuán)簇分布、亮紅色的特征，海三棱藨草在影像上表現(xiàn)出成片分布、暗紅色的特征，而睡蓮在圖像上則表現(xiàn)出亮粉紅色的特征。

1.2.2 樣本數(shù)據(jù) 樣本數(shù)據(jù)經(jīng)地面調(diào)查獲得一部分，樣點分布如圖1中圓點所示。由于灘涂考察環(huán)境惡劣，實地獲得樣本有限，為補(bǔ)充樣本，本研究結(jié)合地物的影像特征、地理位置特征等建立目視判讀標(biāo)志，根據(jù)各類地物的影像特征選定訓(xùn)練樣本。

為滿足FCN模型訓(xùn)練要求，需標(biāo)注樣本以獲得樣本標(biāo)簽圖。觀察影像發(fā)現(xiàn)，各類地物的邊界和形狀特征均可在100×100窗口下體現(xiàn)，因此本研究以100×100窗口對影像進(jìn)行裁剪，將目視判讀結(jié)果以灰度圖模式保存成樣本標(biāo)簽圖。

圖1 QuickBird遙感影像以及樣點分布

樣本選取完成后對其進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)等操作，以增加樣本數(shù)量，選取10%作為測試樣本，最終獲得訓(xùn)練樣本4 904對、測試樣本544對。

2 研究方法

2.1 試驗方案與流程設(shè)計

本研究采用2種方案： 1) 基于FCN對影像進(jìn)行分類，得到結(jié)果后進(jìn)行精度檢驗； 2) 將FCN與面向?qū)ο蠓指罘椒ㄏ嘟Y(jié)合對影像進(jìn)行分類，得到結(jié)果后進(jìn)行精度檢驗。同時，比較分析2種方案的分類結(jié)果。試驗流程如圖2所示。

圖2 試驗流程

2.2 FCN結(jié)構(gòu)

Shelhamer等(2017)對比分析以AlexNet(Krizhevskyetal.， 2012)、VGGNet16(Simonyanetal.， 2014)、GoogleNet(Szegedyetal.， 2015)為基礎(chǔ)網(wǎng)絡(luò)的FCN在同一數(shù)據(jù)集上的分類結(jié)果，得出VGGNet16表現(xiàn)最優(yōu)； Simonyan等(2014)比較不同數(shù)量卷積層的VGG網(wǎng)絡(luò)分類結(jié)果，認(rèn)為網(wǎng)絡(luò)深度增加有利于提高分類精度?；谝陨?點，本研究確定采用以VGGNet19為基礎(chǔ)網(wǎng)絡(luò)的FCN開展分類試驗。

FCN主要包括卷積層、池化層和上采樣層(Shelhameretal.， 2017)。卷積層由多個特征面組成，每個特征面由多個神經(jīng)元組成，用于對輸入影像進(jìn)行特征提取，層的每個特征都接收來自前一層一個局部接受域的一組特性輸入，后面通常會加一個激活函數(shù)，給網(wǎng)絡(luò)增加一些非線性因素，以更好地解決復(fù)雜問題。池化層跟在卷積層后面，起到二次提取特征的作用，通過池化可降低卷積層輸出的特征向量，減少計算量，減小模型復(fù)雜度，同時改善結(jié)果，防止過擬合出現(xiàn)。上采樣(up sampling)是FCN的一大特點，也可稱為反卷積(deconvolution)，反卷積與卷積類似，都是相乘相加運(yùn)算，不過卷積是多對一，而反卷積是一對多。

FCN網(wǎng)絡(luò)結(jié)構(gòu)包含16層卷積核均為3×3的卷積層和5層池化層，每層卷積層后的激活函數(shù)均為ReLU函數(shù)，池化層窗口大小均為2×2，且步長為2。前4個池化層采用平均池化，最后1層池化層采用最大池化。后接3層卷積層，同樣以ReLU函數(shù)激活，再接1層反卷積層對其特征影像進(jìn)行上采樣恢復(fù)至輸入影像大小。隨著網(wǎng)絡(luò)層次加深，獲取的特征更加抽象，而淺層網(wǎng)絡(luò)獲得的信息較豐富，因此將不同層次上的結(jié)果進(jìn)行融合即可以獲取更多信息。最后將pool 5、pool 4、pool 3的結(jié)果都進(jìn)行上采樣，將三者疊加對其進(jìn)行上采樣輸出，提升結(jié)果精度。模型結(jié)構(gòu)示意如圖3所示。

圖3 模型結(jié)構(gòu)示意

由于該網(wǎng)絡(luò)采用多層3×3的卷積層堆疊，而3×3是最小的能夠捕獲上、下、左、右和中心概念的尺寸，2層3×3的卷積層堆疊相當(dāng)于1層5×5的濾波器，因此，多層3×3的卷積層比1層具有大尺寸濾波器的卷積層具有更多的非線性，同時參數(shù)更少(Simonyanetal.， 2014)。此外，卷積層次越多，網(wǎng)絡(luò)結(jié)構(gòu)越深，影像的細(xì)節(jié)信息能得到更好的提取，但也會造成網(wǎng)絡(luò)的計算量十分龐大。

2.3 多尺度分割

面向?qū)ο筇幚淼淖钚卧辉偈窍裨?，而是含有更多語義信息的多個相鄰像元組成的影像對象，其更多的是利用對象的幾何信息以及影像對象之間的語義信息、紋理信息和拓?fù)潢P(guān)系，而不僅僅是單個對象的光譜信息(張春曉等， 2010)，故可以提高影像信息的利用以及分類結(jié)果的精度，消除椒鹽現(xiàn)象。多尺度分割是面向?qū)ο笥跋穹治鲋谐Ｓ玫姆指罘椒?，對于不同地物適合的分割尺度不同(王露， 2014)，因此對于最優(yōu)尺度的選擇需要進(jìn)行一定的評價。

本研究多尺度分割在易康軟件中完成，由于光譜在植被信息提取中較為重要，而對緊致度和平滑度不敏感，因此確定形狀顏色權(quán)重參數(shù)分別為0.1、0.9，緊致度和平滑度均為0.5。分割尺度以10為步長，在[20， 200]范圍內(nèi)進(jìn)行多次分割，最終采用平均全局評分指數(shù)法(Johnsonetal.， 2011)進(jìn)行最優(yōu)尺度選擇，確定為170。

2.4 影像分類

將獲得的樣本數(shù)據(jù)集輸入到FCN模型中進(jìn)行訓(xùn)練，本研究網(wǎng)絡(luò)學(xué)習(xí)率(learning rate)設(shè)為1e-4，模型學(xué)習(xí)完成后對影像進(jìn)行預(yù)測。上述操作使用Tensorflow框架實現(xiàn)。

FCN是一種基于像元的機(jī)器學(xué)習(xí)方法，結(jié)果中有出現(xiàn)椒鹽現(xiàn)象的可能。對原始影像以170尺度分割后將結(jié)果導(dǎo)出，在Arcmap10.2軟件中根據(jù)導(dǎo)出結(jié)果對FCN學(xué)習(xí)得到的影像進(jìn)行對象邊界約束，劃分出具有空間鄰近性的同質(zhì)區(qū)域，消除結(jié)果中的混雜像元。

3 結(jié)果與分析

3.1 試驗結(jié)果

FCN訓(xùn)練損失曲線如圖4所示，當(dāng)訓(xùn)練到30 000步左右時，損失曲線趨于平穩(wěn)，表明模型已經(jīng)收斂，此時訓(xùn)練可以結(jié)束。

分類結(jié)果如圖5所示。圖6為選取2種方案部分結(jié)果進(jìn)行比較，從二者對比中可看出，經(jīng)FCN學(xué)習(xí)得到的影像存在椒鹽現(xiàn)象，而結(jié)合面向?qū)ο蠓椒ê笤摤F(xiàn)象被消除。

圖4 FCN訓(xùn)練損失曲線

圖5 試驗結(jié)果

圖6 2種方案部分結(jié)果對比

3.2 精度檢驗

本研究基于混淆矩陣和Kappa系數(shù)檢驗結(jié)果，如表1、2所示。采用選取隨機(jī)點目視檢驗方式驗證分類精度，避開有云區(qū)域，每種地類至少創(chuàng)建30個隨機(jī)點，該步驟在Arcmap中完成。

3.3 結(jié)果分析

結(jié)合表1、2數(shù)據(jù)，2種方案分類效果均很好。由表1可知，僅使用FCN方法的分類結(jié)果中，624個真實像元里，分類正確的有589個，分類錯誤的有35個，總體精度為94.39%，Kappa系數(shù)為0.939 2。由表2可知，結(jié)合面向?qū)ο蠓指詈蟮姆诸惤Y(jié)果中，615個真實像元里，分類正確的有600個，分類錯誤的僅為15個，總體精度為97.56%，Kappa系數(shù)為0.973 6，較方案一分別提高了3.17%和0.034 4，說明2種方法結(jié)合應(yīng)用后的總體分類效果有所改善。

由表1中用戶精度可知，蘆葦?shù)腻e分誤差較大。單一查看蘆葦數(shù)據(jù)，48個真實參考像元里，41個分類正確，有3個錯分為樹木，2個錯分為南方堿蓬和1個錯分為海三棱藨草。錯分的主要原因是沿海地區(qū)蘆葦零零散散，且與其他濕地植被交錯分布，存在植被混雜生長現(xiàn)象，不同植被之間邊界特征不明顯，從而影響FCN精確提取蘆葦邊界。分析蘆葦與樹木的錯分現(xiàn)象，二者在4、3、2波段組合上均顯示為紅色，而不同植物的表型存在特征差異，蘆葦紋理細(xì)膩平滑，樹木則大多數(shù)呈現(xiàn)出顆粒狀特征，但是部分區(qū)域樹的分布密集，樹冠影像紋理也較為平滑，從而在模型訓(xùn)練中與蘆葦產(chǎn)生混淆。圖6d、e、f為蘆葦?shù)牟糠纸Y(jié)果比較，在圖6d中可以清晰看出蘆葦紋理細(xì)膩平滑的特點，而圖6e中體現(xiàn)不同地物的交界處即混合像元，由于沒有清晰的紋理特征導(dǎo)致分類情況較為復(fù)雜，但與圖6d比較，圖6f中結(jié)合面向?qū)ο蠓指詈蟮倪吔缜闆r明顯得到優(yōu)化，蘆葦分類邊界更加清晰明確。

互花米草的用戶精度為90%，主要錯分為海三棱藨草。由于互花米草與海三棱藨草的分布區(qū)域交接重合，從而導(dǎo)致2類植被之間存在混合像元產(chǎn)生錯分。

南方堿蓬的用戶精度很高，只有極少部分錯分為蘆葦和海三棱藨草。南方堿蓬主要生長在沿海沙地、鹽田和田埂等，明顯區(qū)別于睡蓮和樹木，因此南方堿蓬與睡蓮和樹木之間不存在錯分。此現(xiàn)象也可從圖6g、h、i的對比中體現(xiàn)，觀察圖6h，單一使用FCN處理后的影像比較粗糙，存在椒鹽現(xiàn)象，而經(jīng)過面向?qū)ο蠓指钐幚砗蟮膱D6i則顯得十分平滑，南方堿蓬的分類結(jié)果邊界清晰，結(jié)合原圖比較，可以看出經(jīng)面向?qū)ο蠓指钐幚砗蟮姆诸惤Y(jié)果更好。

海三棱藨草分布較廣且成片，其影像信息特征呈暗紅色，其他植被類型的影像信息特征明顯區(qū)別于暗紅色，所以極少有錯分，但是某些生長茂盛區(qū)域的影像特征與蘆葦相似，且在靠近陸地的海岸帶與蘆葦交錯分布生長，邊界信息較為模糊，而FCN是一種基于像元的分類方法，像元之間相互獨立，因此相鄰像元的分類結(jié)果可能不一致，導(dǎo)致部分海三棱藨草仍錯分為蘆葦。結(jié)合面向?qū)ο筇幚砗?，能有效克服同物異譜或同譜異物帶來的影響，彌補(bǔ)基于像元分類的缺陷，消除椒鹽現(xiàn)象，提高分類精度。

表1 方案一混淆矩陣①

表2 方案二混淆矩陣

睡蓮的用戶精度為100%，這是因為睡蓮在影像上呈現(xiàn)獨特的亮粉紅色，且其分布區(qū)域大多為溝渠、河塘，紋理特征和邊界信息都很突顯，圖6m、n和o的對比說明該點。

從表1 的制圖精度分析可得，原圖上各實際典型濕地植被類型漏分較少，表明FCN對于本研究影像的分類具有很好的效果。

結(jié)合表1、2與分類結(jié)果影像分析得出，僅使用FCN的分類錯誤大多出現(xiàn)在地物邊界的混合像元區(qū)域，而結(jié)合面向?qū)ο蠓指詈?，通過各對象邊界對像元進(jìn)行邊界約束，將基于像元分類轉(zhuǎn)變?yōu)榛趯ο蠓诸?，可?yōu)化分類效果。

4 討論

本研究采用的FCN基于VGGNet19結(jié)構(gòu)，卷積層數(shù)量多，網(wǎng)絡(luò)層次深，能夠提取較精細(xì)的紋理，如地物的邊、角、輪廓特征，有利于濱海濕地植被的精細(xì)分類；但該網(wǎng)絡(luò)也存在一定缺陷，即得到單個像元分類結(jié)果的同時會產(chǎn)生椒鹽現(xiàn)象。結(jié)合面向?qū)ο蠓指詈?，將原本基于像元轉(zhuǎn)變?yōu)榛趯ο?，對同類地物進(jìn)行邊界約束，加入了地物的空間分布相關(guān)性，可彌補(bǔ)FCN基于像元分類的缺陷，減少混雜像元的數(shù)量，從而降低細(xì)小特征的干擾，有效提高分類精度。

FCN結(jié)合面向?qū)ο蠓椒▽τ谶吔缜逦夜庾V和紋理與其他類差別較大的地物提取精度較高，如本研究中的睡蓮。結(jié)合面向?qū)ο蠓椒ê髮τ谥脖活愋烷g，即使光譜和紋理特征存在相似性，分布區(qū)域邊界模糊，提取精度也較高。但由于環(huán)境、區(qū)域因素的限制，實地采樣方面有所欠缺，無法保證獲取百分百正確的地面真實樣本數(shù)據(jù)，從而產(chǎn)生一些誤差。另外，本研究所用模型參數(shù)固定，若要進(jìn)一步提高該方法的分類精度，下一步可考慮對模型參數(shù)進(jìn)行適當(dāng)調(diào)整，以得到更加合適的網(wǎng)絡(luò)模型。

5 結(jié)論

本研究基于FCN與面向?qū)ο笙嘟Y(jié)合的方法從高分辨率遙感影像中提取濱海濕地植被，結(jié)果表明，僅使用FCN的分類效果不錯，可在復(fù)雜的濱海濕地環(huán)境下精細(xì)提取植被，典型濱海濕地植被分類精度達(dá)85%以上； 但作為一種基于像元的分類方法，其結(jié)果中存在少量椒鹽現(xiàn)象。結(jié)合面向?qū)ο蠓指詈螅軌蛴行符}現(xiàn)象，優(yōu)化基于像元的分類效果，總體精度得到提升，典型濱海濕地植被提取精度均達(dá)90%以上。基于FCN與面向?qū)ο笙嘟Y(jié)合的方法不僅適用于濱海濕地植被的精細(xì)分類，同時也可為環(huán)境復(fù)雜條件下的植被精細(xì)分類提供經(jīng)驗，值得在植被高分辨率遙感影像精細(xì)分類方面推廣和運(yùn)用。