地形校正對(duì)U-Net深度神經(jīng)網(wǎng)絡(luò)分類器分類精度的影響

賈莉，鄭柯，唐娉，霍連志

1.中國(guó)科學(xué)院空天信息創(chuàng)新研究院,北京 100094;

2.中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院,北京 100049

1 引 言

遙感影像在國(guó)土資源監(jiān)測(cè)、森林資源調(diào)查等多個(gè)領(lǐng)域得到了廣泛應(yīng)用。為了把遙感影像轉(zhuǎn)換為專題類別信息，普遍使用遙感影像分類技術(shù)（唐娉等，2016）。盡管傳統(tǒng)遙感影像分類技術(shù)取得了巨大進(jìn)步，但仍有很多因素限制著其進(jìn)一步發(fā)展（賈坤等，2011）。在眾多制約因素中，由地形起伏引起的地形效應(yīng)是其中一種外部因素。不規(guī)則的地形起伏造成地表同種地物輻射亮度不一致，進(jìn)而導(dǎo)致地表反射率有所差異，在影像上表現(xiàn)出陰坡暗，陽坡亮的現(xiàn)象。這種因地表坡度與坡向變異引起的輻射畸變會(huì)擾亂地物光譜信息，給影像分類帶來一定誤差，使得基于影像光譜信息的土地覆被分類難以達(dá)到較高精度（何超等，2014）。

為進(jìn)一步提高遙感影像分類精度，國(guó)內(nèi)外學(xué)者基于DEM 數(shù)據(jù)建立了SCS （Gu 和Gillespie，1998）、SCS+C（Soenen 等，2005）、VECA（Gao和Zhang，2007）等多種地形輻射校正模型來消除地形效應(yīng)（姜亢等，2014），并初步評(píng)估了不同地形校正模型對(duì)地表覆蓋分類的影響情況（陳趁新等，2014）。已有的研究表明在最大似然、決策樹、支持向量機(jī)等傳統(tǒng)影像分類法中加入地形校正這一預(yù)處理過程，一定程度上會(huì)恢復(fù)模糊的地表信息，大大提高地表地物特征的表達(dá)與解譯（Brown 等，1998；Li 等，2013；Pimple 等，2017；鄧禹等，2018）。

近年來，深度學(xué)習(xí)技術(shù)被廣泛用于圖像分類領(lǐng)域（許慧敏，2018）。相比傳統(tǒng)主要基于影像光譜信息的統(tǒng)計(jì)分類方法，計(jì)算機(jī)模擬自學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)分類模型能有效地將輪廓、顏色等底層特征抽象成高層易分類特征；并學(xué)習(xí)提取復(fù)雜的本質(zhì)特征、融合多種影像特征信息，從而降低分類不確定性，增強(qiáng)分類效果，成為圖像深度特征提取的有力工具（馬亞飛等，2018）。在圖像分析領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)CNN 表現(xiàn)出獨(dú)特的優(yōu)勢(shì)，獲得了巨大的成功（李彥冬等，2016）。而全卷積網(wǎng)絡(luò)FCN 進(jìn)一步將圖像級(jí)分類延伸到像素級(jí)分類（Shelhamer 等，2017），其中基于FCN 架構(gòu)的語義分割模型U-Net在醫(yī)學(xué)圖像分析領(lǐng)域獲得了較好的分析效果（Ronneberger 等，2015），也逐漸在遙感影像分類研究中取得了較高的分類精度（Maggiori等，2016）。且有研究表明，在非100%精度的樣本標(biāo)記前提下，使用深度神經(jīng)網(wǎng)絡(luò)分類器對(duì)遙感影像進(jìn)行分類，仍然能獲得較好的分類結(jié)果（Isikdogan等，2017；Liu和Chen，2018）。

既然已有研究證明針對(duì)淺層傳統(tǒng)分類器，地形校正能提高影像分類精度（Pimple 等，2017），自然引發(fā)這樣的思考：針對(duì)U-Net等深度神經(jīng)網(wǎng)絡(luò)分類器，地形校正能否達(dá)到同樣的效果？或者說針對(duì)深度神經(jīng)網(wǎng)絡(luò)分類器，地形校正是否必要？本文以Landsat 8 遙感衛(wèi)星影像和30 m 分辨率的ASTER GDEM_V2地形數(shù)據(jù)為例，結(jié)合國(guó)家基礎(chǔ)地理信息中心制作的GlobeLand30 地表覆蓋分類產(chǎn)品（Chen 等，2015）和清華大學(xué)研制的全國(guó)森林分類結(jié)果（Li 等，2014），用U-Net 語義分割網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)區(qū)進(jìn)行地表覆蓋分類研究，并重點(diǎn)對(duì)比分析了不同訓(xùn)練集獲取方式及不同精細(xì)程度分類體系下遙感影像地形校正前后分類精度的差異情況。

2 研究實(shí)驗(yàn)區(qū)和數(shù)據(jù)源

2.1 實(shí)驗(yàn)區(qū)概況

實(shí)驗(yàn)區(qū)位于陜西、山西、河南3省交界處，涵蓋3 省10 余個(gè)縣，中心坐標(biāo)為34°15'18.39"N，110°13'21.61"E，落于陜西省洛南縣境內(nèi)。實(shí)驗(yàn)區(qū)地處秦嶺東段南麓，屬于濕潤(rùn)性暖溫帶季風(fēng)氣候，最高海拔2655 m，最低海拔210 m；地勢(shì)西高東低，黃河穿流而過。研究所選實(shí)驗(yàn)區(qū)見圖1。

圖1 實(shí)驗(yàn)區(qū)示意圖Fig.1 The study area

通過對(duì)GlobeLand30 地表覆蓋分類產(chǎn)品的讀取，參照GlobeLand30-2010 的分類基準(zhǔn)，即耕地、森林、草地、灌木地、濕地、水體、苔原、人造地表、裸地、冰川和永久積雪這十大地類（Chen等，2017），得到本研究實(shí)驗(yàn)區(qū)范圍內(nèi)涵蓋的地物類別，包括耕地、森林、草地、濕地、水體以及人造地表6大類。其中森林面積最大，耕地次之，草地及濕地面積最少，地物種類齊全并且具有明顯的地形效應(yīng)。

2.2 數(shù)據(jù)源

研究中采用了Landsat 8 OLI 衛(wèi)星影像、Globe?Land 30 分類產(chǎn)品、ASTER GDEM_V2 高程數(shù)據(jù)及全國(guó)30 m 森林分類產(chǎn)品這4 種數(shù)據(jù)源，數(shù)據(jù)詳情見表1。

表1 實(shí)驗(yàn)數(shù)據(jù)源列表Table 1 List of experimental data

覆蓋該實(shí)驗(yàn)區(qū)的Landsat 8 OLI影像是由相鄰兩景時(shí)相一致、無云的影像拼接裁剪而成，見圖1，所選用的這兩景影像詳細(xì)信息見表2。

表2 實(shí)驗(yàn)區(qū)Landsat影像數(shù)據(jù)列表Table 2 Landsat image lists of study area

研究中首先使用USGS 官方發(fā)布的輻射校正算法LaSRC 對(duì)Landsat 8 衛(wèi)星影像進(jìn)行了輻射校正處理（Vermote 等，2016），獲取可用于定量計(jì)算的地表反射率數(shù)據(jù)。此外，其他3種數(shù)據(jù)源均具有一定的可靠性：

（1）GlobeLand 30-2010 分類產(chǎn)品經(jīng)第3 方抽樣檢驗(yàn)，得到83.50%的總體精度。其中，水體精度最高，其后是森林、人造地表、耕地、濕地、裸地、草地、永久積雪和冰川、灌木地（Chen 等，2017）。而本研究選擇的實(shí)驗(yàn)區(qū)域中森林、人造地表及耕地占大多數(shù)，該數(shù)據(jù)產(chǎn)品在該實(shí)驗(yàn)區(qū)內(nèi)的精度可以滿足其作為樣本標(biāo)簽數(shù)據(jù)使用的要求。

（2）ASTER GDEM_V2 地形數(shù)據(jù)根據(jù)NASA 新一代對(duì)地觀測(cè)衛(wèi)星TERRA 的觀測(cè)結(jié)果，由ASTER傳感器通過搜集130 萬個(gè)立體像對(duì)數(shù)據(jù)制作完成，數(shù)據(jù)水平精度為30 m，高程精度為20 m，均達(dá)到95%的置信度，較SRTM3 DEM 和GTOPO 30 數(shù)據(jù)有明顯的提高。實(shí)驗(yàn)選取的2 二版數(shù)據(jù)于2011-10 發(fā)布，相較于第一版在水域覆蓋和偏差去除等方面有了進(jìn)一步進(jìn)展，數(shù)據(jù)質(zhì)量得到了很大提高，可滿足研究對(duì)地形數(shù)據(jù)的要求（康曉偉和馮鐘葵等，2011；https//pubs.erusgs.gov/publication/70005960［2019-09-09］）。

（3）全國(guó)30 m 森林分類產(chǎn)品經(jīng)質(zhì)量檢驗(yàn)與分類評(píng)估，在中國(guó)范圍內(nèi)森林/非森林分類的生產(chǎn)者精度達(dá)到了92.0%，用戶精度達(dá)到了95.7%（Li等，2014），數(shù)據(jù)產(chǎn)品具有一定的可靠性。

3 研究方法

本研究的總體方法為：首先針對(duì)本實(shí)驗(yàn)區(qū)從常用的地形校正方法中優(yōu)選最佳的校正方法及其主要參數(shù)，對(duì)原始地表反射率影像進(jìn)行地形校正；其次，根據(jù)地形條件特點(diǎn)對(duì)實(shí)驗(yàn)區(qū)進(jìn)行訓(xùn)練及測(cè)試樣本區(qū)的劃分，并根據(jù)DEM 數(shù)據(jù)提取了研究區(qū)的坡向信息且進(jìn)行了坡向分類；再次，把原始的地表反射率數(shù)據(jù)和經(jīng)過地形校正的地表反射率數(shù)據(jù)分別用于U-Net 模型的訓(xùn)練，得到兩組分類結(jié)果；最后，分別使用測(cè)試樣本對(duì)不同組分類結(jié)果進(jìn)行精度評(píng)價(jià)，研究技術(shù)流程見圖2。

圖2 研究技術(shù)流程圖Fig.2 The flowchart of methods

3.1 地形校正處理

在實(shí)驗(yàn)區(qū)范圍內(nèi)選取部分區(qū)域，分別運(yùn)用C、SCS、SCS+C、VECA 及Teillet 這5 種地形校正模型結(jié)合DEM 數(shù)據(jù)對(duì)地表反射率數(shù)據(jù)進(jìn)行地形校正，校正效果見圖3。

圖3 5種地形校正模型校正效果對(duì)比圖Fig.3 Comparison of correction effects of five topographic correction models

5 種校正結(jié)果中，C、SCS、SCS+C、VECA 模型均存在不同程度的過校正現(xiàn)象，本實(shí)驗(yàn)區(qū)域內(nèi)Teillet 模型的校正效果較其他4 種好。接著從Teillet模型校正結(jié)果中選取方形區(qū)域（圖中黑色方框所示）對(duì)該模型4種不同卷積核的適用性作進(jìn)一步分析，結(jié)果見圖4。

圖4 Teillet模型4種卷積核校正效果對(duì)比圖Fig.4 Comparison of correction effects for four convolution kernels of the Teillet model

4 種卷積核中3×3 大小的核校正效果最好。因?yàn)榫矸e核越大，通過DEM 計(jì)算得到的地形因子越平滑，較大的卷積核會(huì)使細(xì)小地物變模糊，影響校正效果。

為了確保校正結(jié)果的準(zhǔn)確性與可靠性，根據(jù)地物光譜一致性，即不同地形條件下同一類地物目標(biāo)在經(jīng)過地形校正后應(yīng)具有基本相同的反射率（Han等，2010）。以實(shí)驗(yàn)區(qū)部分區(qū)域?yàn)槔?，依?jù)全國(guó)森林分類產(chǎn)品，提取該區(qū)域內(nèi)落葉闊葉林這一種森林類型影像，再分別選取所提取影像中鄰近陰陽坡上兩塊區(qū)域（圖5），生成地形校正前后兩區(qū)域植被均值光譜曲線及光譜差值曲線，以此來比較地形校正前后陰陽坡植被反射率的相似程度。通過對(duì)光譜一致性分析評(píng)價(jià)地形校正效果，地形校正前后光譜一致性曲線見圖6和圖7。

圖5 落葉闊葉林覆蓋區(qū)鄰近陰陽坡選取示意圖Fig.5 The nearby shady-slope and sunny-slope of the deciduous broadleaf area

圖6 地形校正前光譜一致性Fig.6 Spectral consistency before topographic correction

生成的兩組植被光譜曲線中地形校正后陰陽坡光譜曲線形狀趨于一致，光譜之差減小。即經(jīng)Teillet模型校正后削弱了影像數(shù)據(jù)的地形效應(yīng)，產(chǎn)生的地形校正數(shù)據(jù)有可靠性，可作為分類輸入數(shù)據(jù)使用。因而在本研究的后續(xù)實(shí)驗(yàn)中，將采用Teillet校正模型、3×3卷積核做地形校正處理。

3.2 樣本區(qū)劃分

實(shí)驗(yàn)區(qū)被均分成同等大小的九塊區(qū)域，見圖8。選擇6 塊組合成訓(xùn)練樣本區(qū)域，該區(qū)域涵蓋6 大地表覆蓋類型，具有代表性；其余3塊組合成測(cè)試樣本區(qū)域，該區(qū)域既有平坦地區(qū)，也有高低起伏的山地，且森林覆蓋面積大小有異，可以很好地驗(yàn)證研究的合理性。

圖8 訓(xùn)練、測(cè)試樣本區(qū)劃分Fig.8 Distribution of training data and test data

在后續(xù)的實(shí)驗(yàn)中，將通過從訓(xùn)練樣本區(qū)域獲取一定量的訓(xùn)練樣本進(jìn)行分類器模型的訓(xùn)練，并對(duì)3個(gè)測(cè)試區(qū)域分別進(jìn)行分類與精度評(píng)價(jià)。

3.3 坡向分類

為了更好地分析地形校正對(duì)U-Net分類器分類精度的影響規(guī)律，探究不同的訓(xùn)練樣本獲取方式下地形校正對(duì)分類結(jié)果是否具有不同的影響，研究中加入坡向數(shù)據(jù)輔助分類（álvarez 等，2018），基于陰陽坡及平地影像圖獲取訓(xùn)練集。首先利用ArcGIS 軟件對(duì)實(shí)驗(yàn)區(qū)DEM 數(shù)據(jù)求取坡向，并參照國(guó)家森林資源連續(xù)清查技術(shù)規(guī)定進(jìn)行坡向分類，將坡向分為陰坡，陽坡及平地3 類，具體情況見表3。

表3 坡向分類Table 3 Aspect classification

然后經(jīng)波段運(yùn)算分別提取陽坡、陰坡及平地這3類輔助影像，部分區(qū)域提取結(jié)果見圖9。

圖9 陰陽坡及平地提取結(jié)果疊加原始影像顯示Fig.9 Shady-slope，sunny-slope and flat areas superimposed over the original image

3.4 訓(xùn)練樣本獲取

不同于傳統(tǒng)的分類方法，U-Net模型需要輸入一定大小的圖像塊且在每個(gè)圖像塊中逐像素地標(biāo)記類別信息。研究中將該模型輸入的圖像塊大小定為256×256，因而需要對(duì)訓(xùn)練樣本區(qū)按照一定條件裁切出256×256大小的圖像塊，每個(gè)圖像塊將作為一個(gè)訓(xùn)練樣本；此外，還需要對(duì)每個(gè)訓(xùn)練樣本塊中256×256個(gè)像素點(diǎn)逐一標(biāo)注其類別?？紤]到實(shí)驗(yàn)區(qū)Landsat 8獲取時(shí)間為2013年，與GlobeLand30 2010年數(shù)據(jù)時(shí)間相近，且該實(shí)驗(yàn)區(qū)內(nèi)地表覆蓋變化較小，將直接從GlobeLand30 數(shù)據(jù)獲取對(duì)應(yīng)每個(gè)圖像塊中每個(gè)像素點(diǎn)的類別標(biāo)記信息。在類別標(biāo)記獲取之前，需要進(jìn)行重投影、重采樣等操作，以保證不同數(shù)據(jù)集投影方式一致，分辨率及圖像尺寸大小相同。

研究中選取了兩種訓(xùn)練集獲取方式。（1）坡向輔助裁切：根據(jù)提取的陰坡、陽坡、平地3個(gè)輔助影像對(duì)訓(xùn)練樣本所在區(qū)域進(jìn)行裁切，為了保持訓(xùn)練樣本均衡，裁切樣本總數(shù)為12000 個(gè)，陰坡、陽坡、平地均裁切4000 個(gè)；同時(shí)為避免陰陽坡訓(xùn)練樣本的大量重復(fù)，選擇更改訓(xùn)練樣本的裁切步長(zhǎng)得到更全面多樣的樣本數(shù)據(jù)；（2）規(guī)則網(wǎng)格裁切：訓(xùn)練樣本總數(shù)為12000個(gè)，網(wǎng)絡(luò)參數(shù)與前者保持一致。訓(xùn)練樣本具體獲取情況見表4。

3.5 U-Net模型

U-Net 是基于FCN 端到端的網(wǎng)絡(luò)架構(gòu)（Ronne?berger 等，2015），模型具有少樣本學(xué)習(xí)的能力和較高的運(yùn)算速率，在小數(shù)據(jù)集上可以訓(xùn)練得很好。該網(wǎng)絡(luò)有9 層結(jié)構(gòu)，左半部分卷積層結(jié)合4 個(gè)下采樣層提取圖像特征，右半部分4個(gè)上采樣層拼接特征提取部分的輸出獲得準(zhǔn)確分割，網(wǎng)絡(luò)最后采用1×1卷積核映射出對(duì)應(yīng)維數(shù)的特征圖，得到精確的逐像素分類。研究所用U-Net網(wǎng)絡(luò)結(jié)構(gòu)見圖10。

圖10 研究所用U-Net網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.10 The framework of U-Net in our study

研究中模型訓(xùn)練輸入圖像大小為256×256，邊界填充確保輸入輸出圖像尺寸一致。將訓(xùn)練集中80%的樣本做訓(xùn)練，20%的樣本做驗(yàn)證，使用訓(xùn)練集中的全部樣本訓(xùn)練150次，每次迭代訓(xùn)練的樣本數(shù)目（即批量大?。?0，選擇ReLU 函數(shù)作為分類器的激活函數(shù)，選擇隨機(jī)梯度下降算法作為分類器的優(yōu)化方法，選擇多分類交叉熵?fù)p失函數(shù)作為分類器的損失函數(shù)，選擇正確率作為分類器的評(píng)估參數(shù)。實(shí)驗(yàn)基于Keras 框架實(shí)現(xiàn)，Python 語言編寫，在Linux 操作系統(tǒng)上完成，系統(tǒng)配置4 個(gè)NVIDIA Titan XP GPU 顯卡、32 核至強(qiáng)E5 CPU、128 GB內(nèi)存及80 TB硬盤。

3.6 精度評(píng)估

為了定量評(píng)價(jià)分類效果同時(shí)保證精度驗(yàn)證樣本點(diǎn)選取的均勻性，對(duì)每一幅測(cè)試影像，首先創(chuàng)建覆蓋整個(gè)影像的1.32 km×1.32 km 規(guī)則網(wǎng)格，生成1444 個(gè)均勻的驗(yàn)證點(diǎn)；其次由解譯專家以Landsat 8 影像為基礎(chǔ)，并結(jié)合Google Earth 高分辨率影像進(jìn)行真實(shí)類別標(biāo)注；最后將真實(shí)類別與分類器分類結(jié)果進(jìn)行對(duì)比，生成混淆矩陣，并從混淆矩陣中統(tǒng)計(jì)分類總體精度及Kappa系數(shù)。以一幅測(cè)試影像為例，精度驗(yàn)證樣本點(diǎn)的分布及局部放大情況如圖11所示。

圖11 精度驗(yàn)證樣本點(diǎn)分布圖Fig.11 Distribution map of sample points used for accuracy assessment

4 結(jié)果與討論

4.1 分類及精度評(píng)價(jià)結(jié)果

對(duì)3 個(gè)測(cè)試樣本區(qū)域影像，經(jīng)U-Net 得到的分類結(jié)果如圖13和圖14所示，其中圖13為規(guī)則網(wǎng)格裁切采樣所得分類結(jié)果，圖14 為坡向輔助裁切采樣所得分類結(jié)果。為了增加對(duì)比性，原始地表反射率數(shù)據(jù)和地形校正后的地表反射率數(shù)據(jù)如圖12所示。3個(gè)測(cè)試區(qū)域定量的分類精度見表5。

表5 分類精度統(tǒng)計(jì)表Table 5 Classification accuracy statistics

圖12 測(cè)試樣本區(qū)域1，2，3地形校正前后反射率影像圖（7，6，4波段顯示）Fig.12 Reflectivity image before and after topographic correction in test area1，2，3（R：7 G：6 B：4）

圖13 規(guī)則網(wǎng)格裁切方式下測(cè)試樣本區(qū)域1，2，3地形校正前后分類結(jié)果Fig.13 Classification results before and after topographic correction by grid clipping in test area 1，2，3

圖14 坡向輔助裁切方式下測(cè)試樣本區(qū)域1，2，3地形校正前后分類結(jié)果Fig.14 Classification results before and after topographic correction by aspect auxiliary clipping in test area 1，2，3

4.2 討論

研究結(jié)合已有數(shù)據(jù)源及現(xiàn)有分類產(chǎn)品，通過U-Net 分類模型實(shí)現(xiàn)了對(duì)3 個(gè)測(cè)試區(qū)域的分類，得到表5定量的分類精度大小。從表5總結(jié)得到：

（1）3 組測(cè)試區(qū)域中，地形校正后影像的分類精度較未校正影像不變或有極小幅度的降低，降低范圍在0.9—1.39。實(shí)驗(yàn)結(jié)果初步表明，對(duì)于30 m分辨率的Landsat 8 遙感影像數(shù)據(jù)，地形校正未能提高U-Net深度神經(jīng)網(wǎng)絡(luò)分類器的分類精度；

（2）規(guī)則網(wǎng)格裁切與坡向輔助裁切這兩種不同的訓(xùn)練樣本集獲取方式下，地形校正前后的分類精度呈現(xiàn)出一致的變化規(guī)律，且規(guī)則網(wǎng)格構(gòu)建訓(xùn)練樣本的方式比按坡向輔助構(gòu)建方式取得了更高的分類精度。原因在于利用陰陽坡及平地影像輔助裁切訓(xùn)練樣本集時(shí)并不能將所有地類都采樣，導(dǎo)致樣本數(shù)據(jù)訓(xùn)練不充分，影響了測(cè)試集的分類精度；

（3）依據(jù)GlobeLand 30 分類產(chǎn)品的分類體系，在實(shí)驗(yàn)區(qū)內(nèi)只區(qū)分了森林與其他5大地類，并未對(duì)森林這類地物進(jìn)行更精細(xì)的類別劃分。在經(jīng)地形校正后確保陰陽坡輻射差異相對(duì)一致的情況下，森林類型單一可能會(huì)掩蓋地形校正的作用，使得地形校正的效果在這種粗劃分的分類體系中沒有得到很好地體現(xiàn)。

因此，為了進(jìn)一步探討森林體系單一是否是導(dǎo)致以上分類結(jié)果的因素，選擇3.2 節(jié)圖8訓(xùn)練樣本區(qū)3 作為新的實(shí)驗(yàn)區(qū)，該區(qū)域山地起伏尤為明顯、高差較大、有大面積森林覆蓋、地形校正效果突出，具有代表性（圖15）。同時(shí)，選擇2010年全國(guó)30 m 分辨率森林分類圖作為樣本標(biāo)簽。在該產(chǎn)品類別體系中，將森林劃分為六大類：常綠闊葉林、落葉闊葉林、竹子、常綠針葉林、落葉針葉林及混交林。

圖15 森林測(cè)試區(qū)域（訓(xùn)練樣本區(qū)3）地形校正前后反射率影像圖（7，6，4波段顯示）Fig.15 Reflectivity image before and after topographic correction in forest test area（the training area 3）（R：7 G：6 B：4）

U-Net網(wǎng)絡(luò)訓(xùn)練時(shí)，訓(xùn)練樣本集用規(guī)則網(wǎng)格裁切的方式獲取（見3.4 節(jié)），網(wǎng)絡(luò)訓(xùn)練方式同3.5 節(jié)一致，精度評(píng)價(jià)方式同3.6 節(jié)一致。森林測(cè)試區(qū)域（訓(xùn)練樣本區(qū)3）地形校正前后的分類結(jié)果見圖16。

圖16 森林測(cè)試區(qū)域（訓(xùn)練樣本區(qū)3）地形校正前后分類結(jié)果Fig.16 Classification results before and after topographic correction in forest test area（the training area 3）

由分類結(jié)果可知該測(cè)試區(qū)主要的森林類型是落葉闊葉林、常綠針葉林及混交林3大類，落葉闊葉林和混交林居多，常綠針葉林較少。初步統(tǒng)計(jì)得到地形校正前后不同森林類型面積的大小變化，地形校正前落葉闊葉林、常綠針葉林、混交林面積占比分別是41.91%、2.60%、55.49%，校正后面積占比分別是39.80%、2.23%、57.97%。對(duì)比發(fā)現(xiàn)地形校正后3種森林類型面積均有變化，落葉闊葉林和常綠針葉林的面積減小，混交林面積增多。

針對(duì)上述測(cè)試區(qū)，定量的分類精度結(jié)果見表6。結(jié)果表明，在對(duì)森林這一地表類型進(jìn)行更精細(xì)的類別劃分下，地形校正后的分類精度較校正前下降了1.66%，這與上述討論（1）得出的結(jié)論是一致的，地形校正并未提高U-Net深度神經(jīng)網(wǎng)絡(luò)分類器的分類精度。即森林體系劃分單一并不是導(dǎo)致以上分類結(jié)果的因素，而是U-Net分類器自身所達(dá)到的分類結(jié)果。

表6 森林分類精度統(tǒng)計(jì)表Table 6 Classification accuracy statistics in forest area

5 結(jié) 論

本文選擇了深度神經(jīng)網(wǎng)絡(luò)模型U-Net，對(duì)Landsat 8 30 m 分辨率原始地表反射率數(shù)據(jù)及經(jīng)過地形校正的反射率數(shù)據(jù)進(jìn)行了分類提取，對(duì)比了規(guī)則網(wǎng)格裁切和坡向輔助裁切這兩種訓(xùn)練樣本構(gòu)建方式下地形校正前后分類精度大小，并驗(yàn)證了不同精細(xì)程度的分類體系下地形校正前后分類精度的變化規(guī)律，并就不同情況下的分類結(jié)果進(jìn)行了定量對(duì)比分析，得出以下結(jié)論：

（1）在實(shí)驗(yàn)區(qū)范圍內(nèi)利用U-Net深度神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行地表覆蓋分類提取，在規(guī)則網(wǎng)格裁切和坡向輔助裁切這兩種訓(xùn)練樣本集采樣方式下，地形校正均未能提高該深度神經(jīng)網(wǎng)絡(luò)分類器的分類精度。

（2）不同精細(xì)程度的分類體系下地形校正對(duì)U-Net分類器分類精度的影響規(guī)律是一致的。對(duì)森林地類精細(xì)的劃分下地形校正仍然未提高U-Net分類器的分類精度。

（3）按照規(guī)則網(wǎng)格獲取訓(xùn)練集較坡向輔助采樣方式取得了更高的分類精度。規(guī)則網(wǎng)格下的采樣能更好地涵蓋所有地物類別，保證所構(gòu)建的訓(xùn)練樣本具備地物特征的完整性以及多樣性。

本研究初步探索了地形校正在利用深度神經(jīng)網(wǎng)絡(luò)分類器U-Net進(jìn)行地表覆蓋分類時(shí)對(duì)分類精度的影響情況，旨在為簡(jiǎn)化深度神經(jīng)網(wǎng)絡(luò)分類器分類提取流程、提高遙感產(chǎn)品生產(chǎn)效率提供參考依據(jù)。本研究仍然存在著不足：首先，GlobeLand 30和全國(guó)森林分類產(chǎn)品較真實(shí)地表覆蓋類型仍存在一定誤差，后續(xù)會(huì)尋找更精細(xì)、準(zhǔn)確的分類結(jié)果作為樣本標(biāo)簽；其次，本研究中并沒有考慮陰陽坡地表覆蓋類型不同的情形；最后，本研究只針對(duì)U-Net這一種深度神經(jīng)網(wǎng)絡(luò)分類器展開，后續(xù)的研究中將嘗試選擇多種深度神經(jīng)網(wǎng)絡(luò)分類器，探究更精細(xì)尺度下不同深度神經(jīng)網(wǎng)絡(luò)模型在地形校正前后的分類精度變化情況，獲取進(jìn)一步的結(jié)論。