人工神經(jīng)網(wǎng)絡(luò)在高分影像防沙帶識(shí)別中的應(yīng)用

尼加提·穆合塔爾，周 迪，余 潔,,4,5*，朱 琳,,4,5

（1.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京100048；2.首都師范大學(xué)城市環(huán)境過(guò)程與數(shù)字模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，北京100048；3.首都師范大學(xué) 地球空間信息科學(xué)與技術(shù)國(guó)際化示范學(xué)院，北京100048；4.首都師范大學(xué)三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室，北京100048；5.首都師范大學(xué)資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京100048）

我國(guó)是世界上荒漠化面積最大、受影響人口最多、危害程度最嚴(yán)重的國(guó)家之一。截至2004 年，全國(guó)荒漠化土地總面積為263.62×104km2，占國(guó)土總面積的27.46%[1]。新疆作為我國(guó)土地荒漠化最嚴(yán)重的省區(qū)，輕度荒漠化面積為82 081.10 km2，占新疆總面積的5.69%；中度荒漠化面積為239 066.70 km2，占比為16.58%；重度荒漠化面積為478 421.87 km2，占比為33.19%；極度荒漠化面積為311 588.44 km2，占比為21.61%；重度以上荒漠化面積達(dá)790 010.31 km2，占新疆總面積的47.45%[2]。塔克拉瑪干沙漠地處歐亞大陸腹地，降水稀少，蒸發(fā)極其強(qiáng)烈，空氣十分干燥，且日照時(shí)間長(zhǎng)，晝夜溫差大，屬于極端干旱區(qū)[3]。沙漠邊緣的村莊常年遭受沙漠化的威脅，這些地區(qū)由于干旱少雨、風(fēng)沙侵蝕嚴(yán)重，導(dǎo)致植被稀少、植樹成活率低、成林周期長(zhǎng)。人工鋪設(shè)防沙帶是目前行之有效的防沙固沙、防治沙漠化的辦法[4-6]。防沙帶的分布情況和建設(shè)面積則是評(píng)價(jià)沙漠化防治工作的重要指標(biāo)。由于防沙帶鋪設(shè)于沙漠地區(qū)，常規(guī)的實(shí)地調(diào)查方法操作難度大、成本高，因此利用遙感高分辨率影像進(jìn)行防沙帶計(jì)算機(jī)自動(dòng)識(shí)別成為一種有效的技術(shù)方法。

防沙帶利用短蘆葦桿或尼龍網(wǎng)方格做成“田”字格，規(guī)則地鋪設(shè)在沙漠地區(qū)的村莊邊緣以及沙漠公路兩旁，在高分辨率遙感影像上較容易目視判別出其排列情況，但目視判別工作強(qiáng)度大、效率低、受人為因素的影響大，不適用于大范圍的防沙帶識(shí)別[7]，因此計(jì)算機(jī)自動(dòng)識(shí)別方法成為解決該問題的手段。防沙帶在整體上雖然以規(guī)則形狀排列，但不同區(qū)域的防沙帶存在紋理特征不同的特點(diǎn)，早期鋪設(shè)的防沙帶由于防沙固沙效果的顯現(xiàn)，有的內(nèi)部長(zhǎng)出植被；新鋪設(shè)的防沙帶紋理特征更趨向于沙漠的紋理，因此遙感影像上每塊防沙帶區(qū)域內(nèi)部的顏色和紋理均不盡相同，這就增加了計(jì)算機(jī)自動(dòng)識(shí)別的難度。

最大似然法作為遙感圖像監(jiān)督分類識(shí)別中的一種經(jīng)典算法，具有穩(wěn)定性高、工作量小、分類速度快的特點(diǎn)。然而，由于高分辨率遙感影像的細(xì)節(jié)特征突出，豐富的地表覆蓋細(xì)節(jié)信息使得遙感影像中同一地物目標(biāo)內(nèi)像素光譜測(cè)度變異性增大，將帶來(lái)像素類屬的不確定性，存在嚴(yán)重的“同物異譜”與“異物同譜”現(xiàn)象，從而導(dǎo)致傳統(tǒng)的監(jiān)督分類識(shí)別方法在高分辨率遙感影像上錯(cuò)誤識(shí)別的概率增大。

人工神經(jīng)網(wǎng)絡(luò)具有抗干擾性強(qiáng)、容錯(cuò)性高、并行分布式處理、自組織學(xué)習(xí)和分類精度高等特點(diǎn)，且無(wú)需就模型做出假定，無(wú)需考慮數(shù)據(jù)是否存在正態(tài)分布或連續(xù)性分布[8]。在計(jì)算均值和方差時(shí)采用多次迭代，可減少錯(cuò)誤識(shí)別的概率。人工神經(jīng)網(wǎng)絡(luò)方法能較好地解決高分辨率影像中“同物異譜”與“異物同譜”的問題，其自組織學(xué)習(xí)的特點(diǎn)能更好地識(shí)別與樣本具有一定光譜差異的同類地物，能同時(shí)兼顧防沙帶的空間紋理和光譜特征。

綜上所述，本文以GF-1 號(hào)遙感影像為數(shù)據(jù)源，利用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)新疆和田洛浦縣英蘭干村周圍沙漠地區(qū)防沙帶進(jìn)行了識(shí)別，并與目視解譯得到的防沙帶分布情況進(jìn)行對(duì)比，以驗(yàn)證其識(shí)別精度；再與最大似然法的識(shí)別結(jié)果進(jìn)行比較，以探討人工神經(jīng)網(wǎng)絡(luò)方法識(shí)別防沙帶的有效性，為今后進(jìn)行大規(guī)模防沙帶識(shí)別和年際動(dòng)態(tài)監(jiān)測(cè)提供方法參考，為新疆地區(qū)沙漠化防治工作提供技術(shù)支持。

1 研究區(qū)概況

本文選取的研究區(qū)位于新疆洛浦縣英蘭干村周邊沙漠區(qū)域、昆侖山北麓、塔里木盆地邊緣，地處79°59′～81°83′E，36°30′～39°29′N（圖1a）。洛浦縣屬極度干燥的大陸性氣候，四季分明、晝夜溫差大，光能和熱能資源豐富，空氣干燥、蒸發(fā)量大，多沙暴、多浮塵。在這種自然地理環(huán)境下，沙漠邊緣村莊常年遭受著沙塵暴的侵襲，沙漠化問題嚴(yán)峻，嚴(yán)重影響著當(dāng)?shù)亟?jīng)濟(jì)發(fā)展和人們的生活。利用蘆葦桿或尼龍網(wǎng)方格等緊密排列圍成方格的防沙帶，可一層一層地阻擋飛沙侵蝕，將流沙固定在方格內(nèi)，防止沙漠?dāng)U張（圖1b）。

圖1 研究區(qū)概況

2 數(shù)據(jù)來(lái)源與預(yù)處理

本文選取的GF-1 號(hào)遙感影像為洛浦縣英蘭干村及其周邊的防沙帶建設(shè)區(qū)域，如圖2a 所示，成像時(shí)間為2016-05-14，全色分辨率為2 m，多光譜分辨率為8 m，成像質(zhì)量好。GF-1 號(hào)衛(wèi)星的主要技術(shù)特點(diǎn)為單星上能同時(shí)實(shí)現(xiàn)高分辨率與大幅寬的結(jié)合，2 m 高分辨率實(shí)現(xiàn)了大于60 km 的成像幅寬，16 m 分辨率實(shí)現(xiàn)了大于800 km 的成像幅寬，無(wú)地面控制點(diǎn)50 m 圖像定位精度可滿足用戶精細(xì)化應(yīng)用需求，達(dá)到了國(guó)內(nèi)同類衛(wèi)星的最高水平[9]，具體參數(shù)如表1、2 所示。

表1 GF-1 號(hào)衛(wèi)星軌道參數(shù)

表2 GF-1 號(hào)衛(wèi)星波段參數(shù)

本文利用ENVI 5.2對(duì)GF-1 號(hào)遙感數(shù)據(jù)進(jìn)行裁剪、大氣校正、輻射定標(biāo)、正射校正和影像融合等預(yù)處理工作。所裁剪的研究區(qū)長(zhǎng)度約為19 km，寬度為10 km，如圖2a 矩形紅框所示。由于成像區(qū)域?yàn)樯衬貐^(qū)，無(wú)云霧覆蓋成像質(zhì)量好，因此可直接進(jìn)行快速大氣校正。輻射定標(biāo)是指將衛(wèi)星傳感器響應(yīng)的DN 值轉(zhuǎn)換為具有一定物理含義的表征量，如輻亮度、反射率等，本次輻射定標(biāo)將DN 值轉(zhuǎn)換為反射率。ENVI 目前支持的正射校正包括嚴(yán)格軌道模型和RPC 有理多項(xiàng)式系數(shù)兩種模型。GF-1 號(hào)遙感數(shù)據(jù)自帶RPC 文件，結(jié)合ENVI 自帶的全球900 m 分辨率DEM 數(shù)據(jù)進(jìn)行正射校正可得到理想效果。本文中影像融合采用的方法是NNDiffuse Pan Sharpening 變換，即基于最近鄰擴(kuò)散的全色銳化。該方法支持多種傳感器以及國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)，且融合結(jié)果對(duì)于色彩、紋理和光譜信息均能很好地保留。經(jīng)預(yù)處理后的研究區(qū)如圖2b 所示。

3 研究方法

本文利用ENVI 平臺(tái)進(jìn)行遙感影像處理和防沙帶識(shí)別，識(shí)別結(jié)果分析和精度評(píng)價(jià)通過(guò)ArcGIS 軟件實(shí)現(xiàn)。利用ENVI 5.2 平臺(tái)對(duì)GF-1 號(hào)遙感影像進(jìn)行預(yù)處理，在預(yù)處理后的影像中選取防沙帶、居民用地和荒漠3 類樣本，并計(jì)算3 類樣本的可分離性系數(shù)。經(jīng)計(jì)算可知，3 類樣本的可分離性系數(shù)均大于1.9，可用于后續(xù)的計(jì)算機(jī)識(shí)別。采用人工神經(jīng)網(wǎng)絡(luò)方法和最大似然法分別對(duì)防沙帶進(jìn)行識(shí)別，并將識(shí)別結(jié)果進(jìn)行矢量輸出，以備后續(xù)精度評(píng)價(jià)與分析使用。

圖2 研究區(qū)遙感影像

3.1 防沙帶的人工神經(jīng)網(wǎng)絡(luò)識(shí)別

由于傳統(tǒng)監(jiān)督分類方法識(shí)別高分辨率影像中防沙帶時(shí)存在“同物異譜”和“異物同譜”的不足，本文采用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行防沙帶識(shí)別，并探究其對(duì)防沙帶識(shí)別的有效性。

人工神經(jīng)網(wǎng)絡(luò)屬于非參數(shù)分類器，近年來(lái)在遙感影像分類識(shí)別領(lǐng)域開始得到深入的應(yīng)用[10]。人工神經(jīng)網(wǎng)絡(luò)利用多個(gè)神經(jīng)元構(gòu)成一個(gè)神經(jīng)網(wǎng)絡(luò)層，通過(guò)多個(gè)神經(jīng)網(wǎng)絡(luò)層的連接計(jì)算以及誤差的反向傳播實(shí)現(xiàn)了對(duì)復(fù)雜概念的逼近模擬。根據(jù)人工神經(jīng)網(wǎng)絡(luò)中不同層的作用差異，可將其劃分為3 類：輸入層，用于獲取數(shù)據(jù)輸入；隱含層，負(fù)責(zé)特征的提取和綜合運(yùn)算；輸出層，利用隱含層輸出的特征計(jì)算最終結(jié)果。利用人工神經(jīng)網(wǎng)絡(luò)方法識(shí)別防沙帶時(shí)，其輸入層從目標(biāo)柵格獲取該位置的各項(xiàng)因子，即該柵格的4 個(gè)波段參數(shù)，將數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)進(jìn)行估計(jì)運(yùn)算，再將輸出結(jié)果與防沙帶樣本的反射率進(jìn)行比較，然后根據(jù)其誤差反向傳播調(diào)整整個(gè)神經(jīng)層中的各項(xiàng)權(quán)重參數(shù)。該過(guò)程將使人工神經(jīng)網(wǎng)絡(luò)識(shí)別的結(jié)果逐步逼近防沙帶樣本的值。

本文在ENVI 平臺(tái)運(yùn)行人工神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類，并對(duì)得到的結(jié)果進(jìn)行卷積濾波，以減少“椒鹽”現(xiàn)象，進(jìn)一步提升識(shí)別精度；再將防沙帶的識(shí)別結(jié)果進(jìn)行矢量輸出，如圖3a 所示。為了進(jìn)行對(duì)比分析，本文利用相同的訓(xùn)練樣本，采用傳統(tǒng)監(jiān)督分類方法中的最大似然法進(jìn)行分類識(shí)別，并將最大似然法的識(shí)別結(jié)果進(jìn)行與人工神經(jīng)網(wǎng)絡(luò)方法相同的卷積濾波處理，再矢量輸出，如圖3b 所示。

3.2 防沙帶的目視解譯

經(jīng)過(guò)融合處理后，本文選用的GF-1 號(hào)遙感數(shù)據(jù)可得到2 m 彩色圖像。由于防沙帶鋪設(shè)于沙漠地區(qū)，紋理結(jié)構(gòu)易于辨認(rèn)，且研究區(qū)無(wú)云霧遮擋，地物類型簡(jiǎn)單，因此通過(guò)目視解譯可獲得精準(zhǔn)的防沙帶鋪設(shè)情況（圖4）。該目視解譯結(jié)果可用于人工神經(jīng)網(wǎng)絡(luò)方法和最大似然法識(shí)別結(jié)果的精度評(píng)價(jià)。

圖3 防沙帶識(shí)別結(jié)果圖

圖4 防沙帶的目視解譯

4 研究結(jié)果對(duì)比與分析

為了充分對(duì)比說(shuō)明，本文分別從定性和定量?jī)蓚€(gè)方面對(duì)人工神經(jīng)網(wǎng)絡(luò)方法和最大似然法的防沙帶識(shí)別結(jié)果進(jìn)行分析。

4.1 識(shí)別結(jié)果的定性比較

在ArcGIS 10.1 中分別打開人工神經(jīng)網(wǎng)絡(luò)方法和最大似然法識(shí)別的防沙帶矢量多邊形，通過(guò)屬性文件可獲取其識(shí)別的面積；再將兩種方法識(shí)別的防沙帶矢量多邊形分別與目視解譯的防沙帶矢量進(jìn)行相交處理，相交區(qū)域即為各自正確識(shí)別的面積。

將人工神經(jīng)網(wǎng)絡(luò)方法識(shí)別的防沙帶矢量圖、人工神經(jīng)網(wǎng)絡(luò)方法正確識(shí)別的防沙帶矢量圖和目視解譯的防沙帶矢量圖進(jìn)行疊加，結(jié)果如圖5a 所示；對(duì)最大似然法的識(shí)別結(jié)果進(jìn)行同樣的疊加，結(jié)果如圖5b所示。兩張圖中的綠色區(qū)域?yàn)閮煞N方法各自正確識(shí)別的防沙帶區(qū)域，藍(lán)色區(qū)域?yàn)槲茨苷_識(shí)別的防沙帶區(qū)域，而黃色區(qū)域?yàn)殄e(cuò)誤識(shí)別為防沙帶的區(qū)域，可以看出，人工神經(jīng)網(wǎng)絡(luò)方法錯(cuò)誤識(shí)別的區(qū)域比最大似然法小很多；研究區(qū)中防沙帶與居民用地之間的過(guò)渡帶大片區(qū)域被最大似然法錯(cuò)誤識(shí)別為防沙帶。

圖5 識(shí)別結(jié)果疊加對(duì)比圖

4.2 識(shí)別結(jié)果的定量比較

本文引入目前圖像識(shí)別領(lǐng)域中用于評(píng)價(jià)識(shí)別效果好壞的準(zhǔn)確率、召回率和F 值3 個(gè)指標(biāo)對(duì)結(jié)果進(jìn)行定量評(píng)價(jià)。準(zhǔn)確率是針對(duì)預(yù)測(cè)結(jié)果而言的，表示的是預(yù)測(cè)為正的樣本中有多少是真正的正樣本，其表達(dá)式為準(zhǔn)確率=正確識(shí)別的個(gè)體總數(shù)/識(shí)別出的個(gè)體總數(shù)。召回率是針對(duì)原來(lái)的樣本而言的，表示的是樣本中的正例有多少被預(yù)測(cè)正確了，其表達(dá)式為召回率=正確識(shí)別的個(gè)體總數(shù)/測(cè)試集中存在的個(gè)體總數(shù)。F 值則是綜合這兩個(gè)指標(biāo)，綜合反映整體的指標(biāo)，即準(zhǔn)確率和召回率的調(diào)和平均值，其表達(dá)式為F 值=準(zhǔn)確率×召回率×2/（準(zhǔn)確率+召回率）。

利用圖5a、5b 的屬性表可獲取兩種方法各自正確識(shí)別的防沙帶面積，根據(jù)準(zhǔn)確率、召回率和F 值的定義可得到本文中它們各自的表達(dá)式。

根據(jù)計(jì)算結(jié)果得到的精度對(duì)比結(jié)果如表3 所示，可以看出，人工神經(jīng)網(wǎng)絡(luò)方法的3 個(gè)評(píng)價(jià)指標(biāo)均高于最大似然法，說(shuō)明人工神經(jīng)網(wǎng)絡(luò)方法對(duì)高分辨率遙感影像進(jìn)行防沙帶識(shí)別更具優(yōu)勢(shì)。

表3 精度對(duì)比表

4.3 人工神經(jīng)網(wǎng)絡(luò)方法識(shí)別優(yōu)勢(shì)初探

為了進(jìn)一步探討人工神經(jīng)網(wǎng)絡(luò)方法在高分辨率影像中識(shí)別防沙帶的有效性和優(yōu)勢(shì)，本文結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法的算法特點(diǎn)和最大似然法的算法原理，從地物的光譜反射率和空間紋理的角度，在ENVI 平臺(tái)選取了一塊人工神經(jīng)網(wǎng)絡(luò)方法能準(zhǔn)確識(shí)別而最大似然法不能識(shí)別的防沙帶區(qū)域進(jìn)行分析。

圖6b 中藍(lán)色方塊為人工神經(jīng)網(wǎng)絡(luò)方法能識(shí)別而最大似然法不能識(shí)別的防沙帶區(qū)域，圖6a 為該區(qū)域?qū)?yīng)的反射率曲線，橫坐標(biāo)為反射率，縱坐標(biāo)為對(duì)應(yīng)的像元數(shù)。圖7 為防沙帶樣本的反射率曲線。

最大似然法是根據(jù)貝葉斯定理判斷準(zhǔn)則，將遙感影像多波段數(shù)據(jù)認(rèn)定為多維正態(tài)分布的數(shù)據(jù)，通過(guò)對(duì)預(yù)先選擇的訓(xùn)練區(qū)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，計(jì)算遙感影像中待分類區(qū)域像元的歸屬概率，構(gòu)造最大似然判別函數(shù)與判別規(guī)則，從而實(shí)現(xiàn)對(duì)遙感影像地物分類的一種分類法[11]。其計(jì)算公式為：

式中，m為波段數(shù)為第k類的m維正態(tài)分布密度函數(shù)，反映在第k類中m維隨機(jī)變量x出現(xiàn)各種可能值的概率大小。

圖6 人工神經(jīng)網(wǎng)絡(luò)方法能識(shí)別而最大似然法不能識(shí)別的防沙帶區(qū)域

由圖7 可知，前3 個(gè)波段對(duì)應(yīng)的反射率曲線分布較集中，峰值落在0.21 ～0.22，而防沙帶樣本前3 個(gè)波段的反射率峰值出現(xiàn)在0.21、0.22 和0.24 附近，最大似然法識(shí)別時(shí)通過(guò)概率密度函數(shù)判別比較法無(wú)法將其準(zhǔn)確識(shí)別為防沙帶。通過(guò)觀察所選區(qū)域空間紋理發(fā)現(xiàn)，該防沙帶內(nèi)部呈現(xiàn)一定的淺綠色，內(nèi)部已覆蓋了一層稀疏的植被，最大似然法在判定時(shí)受到這種高分辨率細(xì)節(jié)信息的影響，而將該防沙帶錯(cuò)誤識(shí)別為居民用地。人工神經(jīng)網(wǎng)絡(luò)方法具有聯(lián)想存儲(chǔ)功能，神經(jīng)網(wǎng)絡(luò)能接受和處理模擬的、混沌的、模糊的和隨機(jī)的信息，且可根據(jù)外界環(huán)境輸入信息，改變突觸連接強(qiáng)度，重新安排神經(jīng)元的相互關(guān)系，從而達(dá)到自適應(yīng)環(huán)境變化的目的。因此，當(dāng)防沙帶內(nèi)部被稀疏植被覆蓋時(shí)，人工神經(jīng)網(wǎng)絡(luò)方法能通過(guò)誤差反向傳播機(jī)制克服地物空間紋理細(xì)節(jié)的干擾以及地物反射率特征偏離樣本反射率的問題。

5 結(jié) 語(yǔ)

本文利用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)GF-1 號(hào)遙感影像中的防沙帶進(jìn)行了識(shí)別，并通過(guò)與傳統(tǒng)最大似然法識(shí)別結(jié)果的對(duì)比分析，驗(yàn)證了人工神經(jīng)網(wǎng)絡(luò)方法在高分辨率影像中識(shí)別防沙帶的有效性和優(yōu)勢(shì)。對(duì)于人工神經(jīng)網(wǎng)絡(luò)方法在高分辨率影像防沙帶識(shí)別時(shí)所表現(xiàn)出的優(yōu)勢(shì)，本文從兩種方法的算法特點(diǎn)和原理角度進(jìn)行了初步探討。人工神經(jīng)網(wǎng)絡(luò)方法的自組織學(xué)習(xí)、自適應(yīng)以及根據(jù)輸入的像元數(shù)據(jù)不斷調(diào)節(jié)神經(jīng)元突觸連接強(qiáng)度和權(quán)重等特點(diǎn)，能對(duì)輸入像元進(jìn)行多次迭代計(jì)算和誤差反向傳播，從而修正各連接的權(quán)重，較好地解決了高分辨率影像中細(xì)節(jié)信息對(duì)地物識(shí)別造成的干擾。本文的研究工作可為相關(guān)部門進(jìn)行防沙帶監(jiān)測(cè)提供方法上的參考與借鑒，為新疆地區(qū)沙漠化防治工作提供技術(shù)支持。