基于U-Net網(wǎng)絡(luò)和GF-6影像的尾礦庫空間范圍識(shí)別

張成業(yè)， 邢江河, 李 軍, 桑 瀟

(1.中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院，北京 100083； 2.中國礦業(yè)大學(xué)(北京)煤炭資源與安全開采國家重點(diǎn)實(shí)驗(yàn)室，北京 100083)

0 引言

尾礦庫是筑壩攔截或圍地構(gòu)成的，用以存儲(chǔ)金屬或非金屬礦山經(jīng)選礦后排出尾礦或其他廢渣的場所，含有大量暫時(shí)無法處理的有用或有害成分，是礦山開采活動(dòng)的必要基礎(chǔ)設(shè)施[1]。尾礦庫是一個(gè)具有高勢能的泥石流危險(xiǎn)源，一旦潰壩可能會(huì)造成大量的人員傷亡、農(nóng)田村莊毀壞、環(huán)境嚴(yán)重污染。2019年，巴西Brumadinho鐵尾礦庫發(fā)生潰壩，造成超過250人死亡，11人失蹤，下游河水中的懸浮物質(zhì)和有毒化學(xué)元素急劇增加[2]。2020年，伊春鹿鳴礦業(yè)有限公司發(fā)生尾礦庫泄露事故，據(jù)生態(tài)環(huán)境部官方公布，該事故次生了我國近20 a來尾礦泄漏量最大、應(yīng)急處置難度最大、后期生態(tài)環(huán)境治理修復(fù)任務(wù)異常艱巨的突發(fā)環(huán)境事件。

我國尾礦庫總量居世界第一，其中非法擴(kuò)張、瞞報(bào)漏報(bào)、未批先建等現(xiàn)象仍然存在，成為不容忽視的重大安全隱患，對尾礦庫進(jìn)一步實(shí)施有效的監(jiān)管手段顯得十分必要。然而，傳統(tǒng)的尾礦庫調(diào)查監(jiān)測主要依賴人工實(shí)地勘察獲取尾礦庫的位置信息和空間分布，這種方法耗時(shí)耗力、成本高且時(shí)效性差。

衛(wèi)星遙感以其大面積同步快速觀測的優(yōu)勢為尾礦庫的有效監(jiān)測提供了重要手段?，F(xiàn)有研究提出的尾礦庫遙感空間范圍識(shí)別思路可以歸為3類： ①人機(jī)交互目視解譯的方法，如郝利娜等[3]對鄂東南尾礦庫開展了遙感特征分析與人機(jī)交互目視解譯工作，為在遙感影像上人工勾畫尾礦庫樣本提供了重要技術(shù)基礎(chǔ)； ②尾礦庫識(shí)別的指數(shù)模型方法，如Ma等[4]和Hao等[5]針對鐵尾礦庫在Landsat8 OLI影像上表現(xiàn)的特征提出指數(shù)模型，開展了尾礦庫目標(biāo)的空間范圍識(shí)別，曹蘭杰等[6]分析了尾礦庫在國產(chǎn)高分一號影像中的特征，構(gòu)建了相關(guān)的指數(shù)模型； ③計(jì)算機(jī)自動(dòng)化解譯方法，如Fuentes等[7]、王立廷[8]、Orimoloye等[9]分別使用隨機(jī)森林、支持向量機(jī)和最大似然分類等方法，利用Landsat和Sentinel等中等分辨率多光譜遙感影像數(shù)據(jù)開展了尾礦庫空間范圍識(shí)別或礦區(qū)地物分類研究。上述方法為尾礦庫遙感識(shí)別提供了重要借鑒，但是尾礦庫遙感智能識(shí)別的發(fā)展仍然緩慢。近年來，利用深度學(xué)習(xí)對遙感圖像開展目標(biāo)識(shí)別與提取越來越受到重視。閆凱等[10]、Li等[11]利用深度學(xué)習(xí)的單次多框檢測器網(wǎng)絡(luò)(single shot detector，SSD)模型對尾礦庫開展了目標(biāo)檢測，對檢測出的尾礦庫目標(biāo)進(jìn)行標(biāo)記，這為利用深度學(xué)習(xí)開展尾礦庫遙感空間范圍識(shí)別奠定了重要基礎(chǔ)。

為了進(jìn)一步實(shí)現(xiàn)尾礦庫遙感空間范圍的準(zhǔn)確識(shí)別，本研究基于國產(chǎn)高分六號(GF-6)影像，提出了基于深度學(xué)習(xí)U-Net網(wǎng)絡(luò)框架的尾礦庫空間范圍識(shí)別方法，并與隨機(jī)森林、支持向量機(jī)和最大似然分類等方法進(jìn)行了對比驗(yàn)證。

1 研究區(qū)概況與數(shù)據(jù)源

研究區(qū)主要位于云南省紅河哈尼族彝族自治州內(nèi)，范圍在E102°41′56″～103°46′46″，N22°41′29″～23°38′16″之間，如圖1所示。研究區(qū)域包含完整的個(gè)舊市以及蒙自市、元陽縣、金平苗族瑤族傣族自治縣、屏邊苗族自治縣、建水縣等行政區(qū)的部分區(qū)域，合計(jì)面積共有約8 175.81 km2。研究區(qū)處于滇東南個(gè)舊-馬關(guān)都龍鎢錫銻多金屬基地。滇東南地區(qū)地質(zhì)構(gòu)造復(fù)雜，有色金屬礦產(chǎn)資源豐富，除鎢錫銻之外還盛產(chǎn)鎳、鉛、銅和鋅等有色金屬礦產(chǎn)。僅個(gè)舊市錫的保有儲(chǔ)量就有90多萬t，占中國錫儲(chǔ)量的1/3，被譽(yù)為“中國錫都”[12]。為了堆放礦產(chǎn)資源開采過程中形成的大量廢渣和尾礦，研究區(qū)內(nèi)建造了大量尾礦庫[13]。

GF-6衛(wèi)星于2018年6月發(fā)射成功，搭載了2 m全色/8 m多光譜相機(jī)(panchromatic & multispectral scanners, PMS)和16 m多光譜寬幅相機(jī)(wide field of view, WFV)。本文采用的2 m全色/8 m多光譜的圖像參數(shù)如表1所示[14]，成像時(shí)間為2019年2月6日。影像格式以及后續(xù)標(biāo)注的圖像樣本均為TIFF格式。真彩色合成影像如圖1所示。

表1 GF-6衛(wèi)星全色/多光譜圖像的詳細(xì)參數(shù)Tab.1 The details of the panchromatic and multispectral images acquired by GF-6

2 研究方法

本文所采用的技術(shù)路線如圖2所示。

圖2 本文技術(shù)路線圖Fig.2 The technical roadmap of this paper

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理過程包括輻射定標(biāo)、大氣校正、幾何糾正，最后將2 m全色影像與8 m多光譜影像利用Pansharp方法進(jìn)行圖像融合，得到2 m分辨率的融合圖像[15]。數(shù)據(jù)預(yù)處理操作使用PIE-Basic 6.0軟件完成。PIE-Basic 6.0軟件針對國產(chǎn)高分系列衛(wèi)星集成了輻射定標(biāo)、大氣校正、幾何糾正、圖像融合等功能算法和參數(shù)。利用野外實(shí)地考察與圖像目視解譯相結(jié)合的手段，對圖像中的尾礦庫進(jìn)行樣本勾畫，作為影像中尾礦庫分布范圍的真實(shí)參考。圖3展示了勾畫的尾礦庫分布范圍的真實(shí)參考示例。

(a) 示例1(b) 示例2(c) 示例3(d) 示例4圖3 研究區(qū)內(nèi)的尾礦庫樣本示例Fig.3 Examples of the tailing ponds in the study area

2.2 尾礦庫空間范圍識(shí)別的深度學(xué)習(xí)方法

本文采用深度學(xué)習(xí)語義分割中應(yīng)用較為廣泛的U-Net網(wǎng)絡(luò)原理。U-Net最早由Ronneberger等[16]提出并應(yīng)用于醫(yī)學(xué)影像分割，實(shí)驗(yàn)證明U-Net網(wǎng)絡(luò)在訓(xùn)練樣本少的情況下仍然能取得很好的分割效果。2017年 Deepsense.ai公司[17]在參與kaggle競賽時(shí)改進(jìn)了U-Net網(wǎng)絡(luò)，改進(jìn)后的U型網(wǎng)絡(luò)與U-Net網(wǎng)絡(luò)相比雖然都使用了編碼-解碼結(jié)構(gòu)，但是在每次池化操作之后并不增大特征圖的維度，而是保持了64層，并對網(wǎng)絡(luò)最終的輸出層做了調(diào)整，使得輸入圖像和輸出圖像在高度和寬度上具有相同的尺寸，這樣的網(wǎng)絡(luò)特性更適宜于遙感圖像中小樣本對象的目標(biāo)識(shí)別與提取。本文以該改進(jìn)后的U-Net為框架，針對GF-6衛(wèi)星影像中的尾礦庫目標(biāo)，設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)和詳細(xì)參數(shù)如圖4所示。

圖4 GF-6衛(wèi)星影像尾礦庫空間范圍識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of spatial range recognition of tailing ponds using GF-6 satellite image

本文設(shè)計(jì)的網(wǎng)絡(luò)采用全卷積運(yùn)算方式實(shí)現(xiàn)，網(wǎng)絡(luò)的輸入是4×512×512尺寸(波段數(shù)為4，圖像寬高均為512像素)的遙感圖像，經(jīng)由卷積層、池化層、激活層、標(biāo)準(zhǔn)化等操作進(jìn)行處理得到64×16×16尺寸的特征圖，這一過程稱為下采樣。為了恢復(fù)到輸入的遙感圖像尺寸大小，需要進(jìn)行圖片的擴(kuò)展操作，即上采樣。上采樣操作主要有一系列的卷積層、激活層、反卷積層和標(biāo)準(zhǔn)化處理等操作構(gòu)成。上采樣與下采樣之間存在直接的信息連接，使得上采樣過程中可以更好地恢復(fù)尾礦庫目標(biāo)的特征細(xì)節(jié)。網(wǎng)絡(luò)的輸出圖像是與輸入影像具有相同尺寸的單波段二值分類結(jié)果圖像，其中，值為1的像元為網(wǎng)絡(luò)識(shí)別的尾礦庫目標(biāo)像元，值為0像元為網(wǎng)絡(luò)識(shí)別的背景像元。

本文以pytorch為編程框架、pycharm為編譯器，通過python語言編程實(shí)現(xiàn)所設(shè)計(jì)的U-Net網(wǎng)絡(luò)，對尾礦庫進(jìn)行空間范圍智能識(shí)別。將研究區(qū)劃分為訓(xùn)練集數(shù)據(jù)采集區(qū)域和測試集數(shù)據(jù)采集區(qū)域。在訓(xùn)練集數(shù)據(jù)采集區(qū)域，將圖像裁剪為4×512×512尺寸的圖像，其中含有尾礦庫目標(biāo)的圖像109張，再隨機(jī)加入109張不含有尾礦庫目標(biāo)的圖像，然后經(jīng)過對稱、旋轉(zhuǎn)、彩色變換等方式對數(shù)據(jù)進(jìn)行擴(kuò)充，最終獲得1 200張4×512×512尺寸的圖像作為訓(xùn)練數(shù)據(jù)(即training data)，即訓(xùn)練樣本的規(guī)模大小為1 200張圖像。在測試集數(shù)據(jù)采集區(qū)域，通過裁剪得到60張4×512×512尺寸的圖像作為測試數(shù)據(jù)(即testing data)，即測試樣本的規(guī)模為60張圖像，用以對本文方法的精度進(jìn)行測試驗(yàn)證。本文使用訓(xùn)練數(shù)據(jù)集對深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使用測試數(shù)據(jù)集對訓(xùn)練完成的模型進(jìn)行精度驗(yàn)證。訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)來源于影像的不同區(qū)域，相互之間不存在交集。訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的時(shí)相均為2019年2月6日。

2.3 對比方法

為了驗(yàn)證本文方法的優(yōu)勢，將本文方法與3種當(dāng)前常見的用于遙感識(shí)別尾礦庫空間范圍的方法進(jìn)行了對比，即隨機(jī)森林算法[7]、支持向量機(jī)算法[8]、最大似然法[9]。表2展示了經(jīng)過網(wǎng)格搜索參數(shù)的方法最終獲得的各個(gè)分類方法達(dá)到最優(yōu)識(shí)別效果的參數(shù)設(shè)置。

表2 4種識(shí)別算法的參數(shù)設(shè)置Tab.2 Parameter setting of four recognition algorithms

3 結(jié)果與討論

3.1 精度對比

本文基于深度學(xué)習(xí)的方法以及隨機(jī)森林、支持向量機(jī)、最大似然法對測試數(shù)據(jù)集區(qū)域的尾礦庫空間范圍識(shí)別結(jié)果如圖5所示。通過將識(shí)別結(jié)果與勾畫的尾礦庫真實(shí)分布范圍參考相對比，可以發(fā)現(xiàn)本文基于深度學(xué)習(xí)的方法提取的尾礦庫空間范圍與尾礦庫的真實(shí)空間范圍分布最為接近，結(jié)果優(yōu)于隨機(jī)森林、支持向量機(jī)、最大似然法等方法。為了進(jìn)一步說明本文方法的精度優(yōu)勢，本研究采用混淆矩陣以及精確率(Precision)、召回率(Recall)、F1-score值3個(gè)參數(shù)對空間范圍提取結(jié)果進(jìn)行了精度評價(jià)。精確率指的是正確識(shí)別的尾礦庫像元數(shù)占所有識(shí)別為尾礦庫像元總數(shù)的比例，即尾礦庫類別的用戶精度。召回率又稱為查全率，指的是正確識(shí)別的尾礦庫像元數(shù)占地面真實(shí)尾礦庫像元總數(shù)的比例，即尾礦庫類別的制圖精度。F1-score是精確率和召回率的調(diào)和平均數(shù)，是精度的綜合評價(jià)指標(biāo)。這3個(gè)指標(biāo)廣泛用于圖像目標(biāo)智能識(shí)別的精度評價(jià)[18-20]。

(a) 本文方法結(jié)果(b) 隨機(jī)森林結(jié)果(b) 支持向量機(jī)結(jié)果

(d) 最大似然法結(jié)果(e) 參考范圍

圖5 尾礦庫識(shí)別結(jié)果及參考范圍Fig.5 The result of recognition of tailing ponds and the real boundary as reference

3個(gè)指標(biāo)的計(jì)算方法為：

(1)

(2)

(3)

式中：TP為尾礦庫正確識(shí)別的像元個(gè)數(shù)；FN為把尾礦庫識(shí)別為非尾礦庫的像元個(gè)數(shù)；FP為把非尾礦庫識(shí)別為尾礦庫的像元個(gè)數(shù)；TN為非尾礦庫正確識(shí)別的像元個(gè)數(shù)。

在相同的測試區(qū)域，不同方法得出的精度如表3所示。最大似然法對尾礦庫空間范圍的提取精度最差，支持向量機(jī)和隨機(jī)森林算法次之，本文方法的精度最好。最大似然法的實(shí)現(xiàn)原理簡單，是遙感圖像分類算法較為廣泛的算法之一，但是該方法假定研究區(qū)的目標(biāo)光譜特征分布近似正態(tài)分布。本研究中最大似然法的精度最差，可能是研究區(qū)的光譜特征分布并不符合該假定條件。雖然隨機(jī)森林的精度優(yōu)于支持向量機(jī)，但是從Precision上看兩者精度差距很小，而且在3個(gè)精度指標(biāo)上均顯著低于本文方法。本文方法在測試數(shù)據(jù)集上得出的結(jié)果誤分區(qū)域面積最小(圖5和表3)，Precision，Recall，F(xiàn)1-score值分別達(dá)到0.874，0.843，0.858； 相比之下，本文方法在測試數(shù)據(jù)集上的精度最高、尾礦庫識(shí)別效果最好，能夠滿足尾礦庫空間范圍準(zhǔn)確提取的需求。

表3 不同方法的精度對比Fig.3 The comparision of the accuracy of different methods

3.2 速度對比

不同方法的計(jì)算機(jī)運(yùn)行環(huán)境相同，詳見表4。為了說明本文方法在識(shí)別尾礦庫空間范圍速度上的可行性，本文對不同方法的運(yùn)行時(shí)間進(jìn)行了統(tǒng)計(jì)，如表5所示。最大似然法由于方法實(shí)現(xiàn)簡單，所以耗時(shí)最短。支持向量機(jī)算法消耗時(shí)間最長。但是，4種方法的消耗時(shí)間在相同的數(shù)量級水平?？傮w來說，本文方法在保持顯著精度優(yōu)勢的前提下，與隨機(jī)森林、支持向量機(jī)、最大似然法的時(shí)間消耗保持相同水平。幾十秒量級的時(shí)間消耗水平為在更大區(qū)域范圍內(nèi)進(jìn)一步應(yīng)用本文方法提供了技術(shù)基礎(chǔ)。

表4 計(jì)算機(jī)配置參數(shù)Tab.4 Details about computer configuration

表5 不同方法的運(yùn)行時(shí)間Tab.5 Run time of different methods

4 結(jié)論與展望

本文針對大面積區(qū)域范圍內(nèi)尾礦庫有效監(jiān)測監(jiān)管的重大需求，提出了基于深度學(xué)習(xí)的尾礦庫空間范圍智能識(shí)別方法。主要結(jié)論包括：

1)本文所提方法是首次利用深度學(xué)習(xí)和GF-6影像開展尾礦庫空間范圍智能識(shí)別，在云南省紅河哈尼族彝族自治州內(nèi)的驗(yàn)證結(jié)果表明空間范圍識(shí)別精度能夠滿足尾礦庫空間范圍變化監(jiān)測的需求。

2)通過不同方法的識(shí)別效果和精度評價(jià)對比，本文方法的識(shí)別效果和識(shí)別精度顯著優(yōu)于隨機(jī)森林、支持向量機(jī)、最大似然法等主流方法。

3)本文方法在識(shí)別尾礦庫空間范圍的時(shí)間消耗上與主流方法保持相同的數(shù)量級水平，時(shí)間消耗符合業(yè)務(wù)化推廣應(yīng)用的實(shí)際需求。

綜上所述，本文方法有望在全國尾礦庫空間范圍變化遙感快速監(jiān)測中開展實(shí)際推廣應(yīng)用。此外，為了進(jìn)一步提升本文方法的識(shí)別精度，在未來的工作中需要進(jìn)一步擴(kuò)充尾礦庫高分影像樣本數(shù)據(jù)。