基于DeepLabv3+與GF-2 高分辨率影像的露天煤礦區(qū)土地利用分類

張成業(yè)，李飛躍，李 軍，邢江河，楊金中，郭俊廷，杜守航

(1.中國(guó)礦業(yè)大學(xué)(北京) 地球科學(xué)與測(cè)繪工程學(xué)院，北京 100083；2.中國(guó)礦業(yè)大學(xué)(北京) 煤炭資源與安全開采國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100083；3.中國(guó)自然資源航空物探遙感中心，北京 100083；4.煤炭開采水資源保護(hù)與利用國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102209)

煤炭是我國(guó)的主體能源，而煤炭露天開采具有安全生產(chǎn)條件好、開采效率高、采出率高的優(yōu)勢(shì)，在我國(guó)煤炭生產(chǎn)總量中的占比呈現(xiàn)穩(wěn)步上升趨勢(shì)[1]。但我國(guó)露天煤礦產(chǎn)能有90%以上來(lái)自內(nèi)蒙古、新疆、山西等生態(tài)脆弱地區(qū)[1]，煤炭露天開采與脆弱生態(tài)保護(hù)之間的矛盾突出[2-3]。煤炭露天開采對(duì)生態(tài)環(huán)境最直接的影響就是土地挖損與壓占，及時(shí)掌握露天煤礦土地利用情況對(duì)于分析露天開采的生態(tài)損傷過程、科學(xué)制定生態(tài)修復(fù)規(guī)劃具有重要意義。

自2013 年高分辨率對(duì)地觀測(cè)系統(tǒng)首顆衛(wèi)星GF-1發(fā)射以來(lái)，隨著國(guó)家“高分辨率對(duì)地觀測(cè)系統(tǒng)”科技重大專項(xiàng)的推進(jìn)實(shí)施，國(guó)產(chǎn)高分辨率遙感衛(wèi)星逐漸完成組網(wǎng)運(yùn)行，遙感智能解譯算法也不斷推陳出新，為地表土地利用識(shí)別提供了高效率的工具和手段，在農(nóng)業(yè)、林業(yè)等多個(gè)行業(yè)場(chǎng)景中取得了成功應(yīng)用[4-6]。然而，露天煤礦區(qū)土地利用類型不同于其他行業(yè)場(chǎng)景，除了普通土地利用類型(如植被、水體、建筑等)，還有具有礦區(qū)鮮明特色的其他土地利用類型(如露天采場(chǎng)、中轉(zhuǎn)場(chǎng)地、排土場(chǎng)等)[7]。當(dāng)前，礦區(qū)地表土地利用遙感識(shí)別方法主要可以分為2 類[8]：(1) 目視解譯方法:目視解譯是在野外考察和專業(yè)判斷的基礎(chǔ)上，通過礦區(qū)土地利用類型在遙感影像上的形狀、紋理、色調(diào)等特點(diǎn)獲取地物特征的過程[9]。目視解譯方法雖應(yīng)用范圍廣、能獲得較高的精度，但該方法耗費(fèi)大量時(shí)間、人力和物力，不適合大規(guī)模應(yīng)用[10-12]。(2) 監(jiān)督分類方法：常用的監(jiān)督分類方法有隨機(jī)森林[13](Random Forests，RF)、支持向量機(jī)[14](Support Vector Machine,SVM)、最大似然法[15](Maximum Likelihood Method,MLM)等。長(zhǎng)時(shí)間以來(lái)，學(xué)者們對(duì)隨機(jī)森林、支持向量機(jī)、最大似然法3 種分類方法進(jìn)行比較的研究較多，隨機(jī)森林方法憑借分類性好、通用性強(qiáng)、計(jì)算簡(jiǎn)單等特點(diǎn)達(dá)到了較高的精度[16]，但容易受到椒鹽噪聲的影響，尤其在礦區(qū)中地物異質(zhì)性強(qiáng)的情況下準(zhǔn)確分類困難。支持向量機(jī)和最大似然法雖能實(shí)現(xiàn)分類，但二者對(duì)大規(guī)模的訓(xùn)練樣本難以達(dá)到較好的分類效果[17]。

近年來(lái)，深度學(xué)習(xí)成為機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)新的研究方向，主要是通過學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次來(lái)識(shí)別文字、圖像、聲音等[18]。深度學(xué)習(xí)在圖像識(shí)別方面應(yīng)用逐漸成熟，并且已經(jīng)成功應(yīng)用于眾多行業(yè)場(chǎng)景的土地利用識(shí)別中[19-22]。但利用深度學(xué)習(xí)對(duì)露天煤礦區(qū)典型土地利用進(jìn)行識(shí)別的研究相對(duì)較少，現(xiàn)有研究主要是利用高分辨率影像和深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別礦區(qū)的露天采場(chǎng)和尾礦庫(kù)[23-25]。由于影像分辨率高和方法實(shí)用性高等優(yōu)勢(shì)，其識(shí)別精度較傳統(tǒng)方法有了一定的提升，這些研究也為露天煤礦區(qū)典型土地利用識(shí)別奠定了基礎(chǔ)，但是利用深度學(xué)習(xí)進(jìn)行露天煤礦區(qū)典型土地利用識(shí)別的類型并不全面，亟需擴(kuò)展土地利用識(shí)別類型，因此，利用深度學(xué)習(xí)對(duì)礦區(qū)地表土地利用識(shí)別仍然有較大的提升空間。

筆者基于國(guó)產(chǎn)高分二號(hào)(GF-2)衛(wèi)星高分辨率遙感影像數(shù)據(jù)，分別制作子影像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)，構(gòu)建露天煤礦區(qū)地表土地利用識(shí)別樣本庫(kù)，建立DeepLabv3+網(wǎng)絡(luò)模型架構(gòu)，利用樣本數(shù)據(jù)進(jìn)行訓(xùn)練，并對(duì)模型識(shí)別結(jié)果進(jìn)行精度對(duì)比驗(yàn)證，以期為露天礦區(qū)土地利用識(shí)別和生態(tài)修復(fù)規(guī)劃提供參考。

1 研究區(qū)環(huán)境概況與數(shù)據(jù)源

1.1 研究區(qū)環(huán)境概況

神東礦區(qū)位于晉陜蒙3 省接壤地帶[26]，以神府、東勝2 大礦區(qū)為主，總面積約3.12 萬(wàn)km2，現(xiàn)為我國(guó)著名的煤礦開采基地。研究區(qū)位于神東礦區(qū)內(nèi)，屬于典型的溫帶干旱、半干旱大陸性季風(fēng)氣候，干旱多雨，植被覆蓋度較低，土壤沙化嚴(yán)重，生態(tài)環(huán)境脆弱[27]。近30 年來(lái)，研究區(qū)煤炭經(jīng)濟(jì)飛速發(fā)展，礦區(qū)土地利用類型不斷變化，煤炭開采活動(dòng)與生態(tài)修復(fù)活動(dòng)并存。研究區(qū)地理位置如圖1 所示。

圖1 神東露天礦區(qū)地理位置Fig.1 Geographical location of the open-pit coal mine in Shendong coalfield

1.2 數(shù)據(jù)源

GF-2 衛(wèi)星于2014 年8 月19 日發(fā)射成功，搭載了高分辨率1 m 全色和4 m 多光譜相機(jī)，是我國(guó)目前分辨率最高的民用陸地觀測(cè)衛(wèi)星[28]。該影像在使用前進(jìn)行輻射定標(biāo)、大氣校正、幾何校正等預(yù)處理。選用的影像成像時(shí)間為2019 年11 月19 日，為獲得更高空間分辨率的影像，本文采用Pansharp 數(shù)據(jù)融合算法[29]和PIE-Basic 遙感軟件，將4 m 多光譜影像與1 m 全色波段影像進(jìn)行波段融合，得到1 m 空間分辨率的高分辨率多光譜影像。

2 方法與實(shí)驗(yàn)

2.1 建立露天礦區(qū)土地利用樣本庫(kù)

以預(yù)處理完成之后的GF-2 衛(wèi)星高分辨率遙感影像為基礎(chǔ)數(shù)據(jù)，根據(jù)實(shí)地調(diào)查信息對(duì)露天煤礦區(qū)典型土地利用類型進(jìn)行目視解譯，形成露天煤礦區(qū)土地利用高分辨率影像樣本庫(kù)，主要土地利用類型包括：露天采場(chǎng)、中轉(zhuǎn)場(chǎng)地、修復(fù)治理區(qū)(已完成修復(fù)的排土場(chǎng))、排土場(chǎng)(未修復(fù)或未完成修復(fù)的排土場(chǎng))、建筑物、水體、植被、道路。

本文所用到的樣本數(shù)據(jù)包括影像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)。由于深度學(xué)習(xí)程序計(jì)算復(fù)雜，且遙感影像數(shù)據(jù)量較大，需將影像裁剪成較小的子影像來(lái)適配模型訓(xùn)練。標(biāo)簽數(shù)據(jù)的制作使用ArcGIS 軟件完成，需先目視解譯整幅影像，勾畫出露天煤礦區(qū)典型土地利用類型的矢量范圍，再將勾畫好的矢量文件轉(zhuǎn)成柵格，然后將柵格文件裁剪成與子影像相同尺寸的標(biāo)簽數(shù)據(jù)。最后，得到多組一一對(duì)應(yīng)的影像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)，形成露天煤礦區(qū)土地利用樣本庫(kù)。本文使用的樣本數(shù)據(jù)為1 002 張尺寸為512 像素×512 像素的影像。將得到的樣本數(shù)據(jù)集按照7∶3 的比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集，作為深度神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的輸入數(shù)據(jù)。其中訓(xùn)練集702 張，驗(yàn)證集300 張。測(cè)試集為訓(xùn)練集和驗(yàn)證集之外的另一個(gè)露天礦數(shù)據(jù)。

2.2 深度神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

本研究選用語(yǔ)義分割中常用的DeepLabv3+[30]模型，該模型主要用于逐像素分類[31]。DeepLab 系列是在全卷積神經(jīng)網(wǎng)絡(luò)(FCN)理念的基礎(chǔ)上發(fā)展而來(lái)，其版本由v1，v2，v3 發(fā)展到v3+，是目前應(yīng)用最為廣泛的語(yǔ)義分割網(wǎng)絡(luò)之一，在許多經(jīng)典的深度學(xué)習(xí)數(shù)據(jù)集中都取得了較好的圖像分類效果。DeepLabv3+模型具體結(jié)構(gòu)如圖2 所示。DeepLabv3+模型采用了編碼-解碼結(jié)構(gòu)進(jìn)行特征提取與恢復(fù)，在編碼階段，DeepLabv3+模型使用Xception 作為特征提取網(wǎng)絡(luò)，并且加入了空洞空間金字塔池化(ASPP)模塊提取多尺度特征；解碼階段進(jìn)行上采樣恢復(fù)圖像的細(xì)節(jié)分類信息。高分辨率遙感影像輸入到DeepLabv3+模型中經(jīng)過深度卷積網(wǎng)絡(luò)進(jìn)行特征提取生成高層特征圖和低層特征圖。高層特征圖經(jīng)過ASPP 模塊形成多尺度融合之后的特征圖，這一模塊使用不同尺度的空洞卷積進(jìn)行并行計(jì)算并將各個(gè)支路的特征圖進(jìn)行拼接，不同尺度的空洞卷積計(jì)算有助于獲得多尺度的上下文信息。低層特征圖經(jīng)過卷積操作并與經(jīng)過處理的高層特征圖進(jìn)行拼接，經(jīng)過上采樣操作生成與輸入圖像有相同高度與寬度的單波段影像。

圖2 DeepLabv3+模型架構(gòu)[30]Fig.2 Architecture diagram of DeepLabv3+model[30]

2.3 參數(shù)敏感性測(cè)試與優(yōu)選

遙感影像樣本的尺寸大小和裁剪方式會(huì)對(duì)深度學(xué)習(xí)模型的精度和運(yùn)行效率產(chǎn)生重要影響[32]。因此，本文分別探索了幾種常用的深度學(xué)習(xí)遙感影像語(yǔ)義分割樣本尺寸(256 像素×256 像素、384 像素×384 像素、512 像素×512 像素、640 像素×640 像素和768 像素×768 像素)和樣本裁剪方式(隨機(jī)裁剪、規(guī)則格網(wǎng)裁剪、滑動(dòng)窗口裁剪)對(duì)DeepLabv3+模型訓(xùn)練精度和效率的影響，進(jìn)而優(yōu)選出針對(duì)露天煤礦區(qū)土地利用斑塊尺度的最佳適配方案。

以研究區(qū)高分辨率影像為基礎(chǔ)數(shù)據(jù)，從影像的左上角開始，依次創(chuàng)建尺寸為256 像素×256 像素的矢量文件，利用矢量文件對(duì)原始影像以隨機(jī)裁剪的方式進(jìn)行裁剪，得到256 像素×256 像素的子影像和相應(yīng)標(biāo)簽數(shù)據(jù)；然后按照相同的方式創(chuàng)建不同尺寸的矢量文件，多次裁剪同一區(qū)域影像，分別得到尺寸為384 像素×384 像素、512 像素×512 像素、640 像素×640 像素和768 像素×768 像素的子影像和相應(yīng)標(biāo)簽數(shù)據(jù)。盡管裁剪后各尺寸的樣本量不同，但卻包含了相同的研究區(qū)范圍，因而可以進(jìn)行控制變量的對(duì)比實(shí)驗(yàn)。按照上述過程分別制作各種地物類型(露天采場(chǎng)、中轉(zhuǎn)場(chǎng)地、修復(fù)治理區(qū)、排土場(chǎng)、建筑物、水體、植被、道路)的樣本數(shù)據(jù)，所有樣本均為目視解譯實(shí)際勾畫。

將上述樣本尺寸的數(shù)據(jù)分別輸入到DeepLabv3+模型中進(jìn)行訓(xùn)練，得到適用于DeepLabv3+模型效果最優(yōu)的樣本尺寸大小。在此基礎(chǔ)上，再進(jìn)行樣本裁剪方式的優(yōu)選實(shí)驗(yàn)，分別利用規(guī)則格網(wǎng)和滑動(dòng)窗口2 種裁剪方式進(jìn)行樣本數(shù)據(jù)的制作，將做好的樣本數(shù)據(jù)作為模型的輸入數(shù)據(jù)進(jìn)行訓(xùn)練。

2.4 實(shí)驗(yàn)對(duì)比方案

將本文的分類方法與目前常見的分類方法進(jìn)行對(duì)比，驗(yàn)證本文分類方法的優(yōu)勢(shì)。對(duì)比方法有U-Net、FCN、隨機(jī)森林、支持向量機(jī)、最大似然法。

U-Net[33]主要采用完全對(duì)稱的編碼-解碼結(jié)構(gòu)，在編碼器和解碼器的每一層之間都采用一次跳躍連接來(lái)組合淺層特征和深層特征。FCN[34]全卷積神經(jīng)網(wǎng)絡(luò)可以適應(yīng)任何尺寸的輸入，也可以對(duì)影像進(jìn)行逐像元的分類。隨機(jī)森林[35-36]的基本原理是通過Bootstrap 重采樣技術(shù)生成樣本集，構(gòu)造決策樹，再組成隨機(jī)森林，對(duì)新數(shù)據(jù)的分類結(jié)果進(jìn)行投票以達(dá)到分類的目的。支持向量機(jī)[37-38]的主要思想是在高維或無(wú)限維數(shù)據(jù)中找出一個(gè)能把2 個(gè)類分開的最佳超平面，這個(gè)最佳超平面能準(zhǔn)確地把數(shù)據(jù)進(jìn)行預(yù)測(cè)分類。最大似然法[39-40]的原理主要是利用數(shù)據(jù)數(shù)學(xué)參數(shù)(均值和方差等)計(jì)算出的分類函數(shù)得到目標(biāo)影像的分類結(jié)果。表1 展示了6 種方法達(dá)到最優(yōu)識(shí)別效果的重要參數(shù)設(shè)置。其中，由于常見服務(wù)器配置和性能的限制，本實(shí)驗(yàn)中的“batch_size=4”已是較理想的參數(shù)設(shè)置，后續(xù)研究中應(yīng)繼續(xù)對(duì)參數(shù)優(yōu)化，以降低模型訓(xùn)練陷入局部最優(yōu)的風(fēng)險(xiǎn)。

表1 6 種識(shí)別算法的參數(shù)設(shè)置Table 1 Parameter setting of six recognition algorithms

3 結(jié)果與分析

3.1 樣本參數(shù)測(cè)試

露天煤礦區(qū)土地利用場(chǎng)景不同于其他行業(yè)場(chǎng)景，露天采場(chǎng)、排土場(chǎng)等特色土地利用類型具有自身常見的尺度特征。通過樣本尺寸和裁剪方式的優(yōu)選，可以找到適合露天煤礦區(qū)的樣本尺寸大小和裁剪方式。分別對(duì)5 個(gè)常用樣本尺寸(256 像素×256 像素、384 像素×384 像素、512 像素×512 像素、640 像素×640 像素和768 像素×768 像素)開展DeepLabv3+模型訓(xùn)練，得出5 種不同的分類結(jié)果，如圖3 所示。圖3 表明，不同樣本尺寸對(duì)高分辨率遙感影像分類的結(jié)果影響較大。256 像素×256 像素樣本尺寸的結(jié)果中，各類地物的斑塊比較瑣碎雜亂，比如修復(fù)治理區(qū)和水體中均混雜著許多露天采場(chǎng)和排土場(chǎng)；排土場(chǎng)中伴隨著少部分的露天采場(chǎng)(圖3a)。384 像素×384 像素樣本尺寸的結(jié)果中，識(shí)別出來(lái)的水體和修復(fù)治理區(qū)的面積較小，排土場(chǎng)東北方向有部分誤識(shí)別為露天采場(chǎng)的斑塊(圖3b)。512像素×512 像素樣本尺寸的結(jié)果中，除道路之外的各種地物類型較好地被識(shí)別，且斑塊完整程度高(圖3c)。640 像素×640 像素樣本尺寸的結(jié)果中，各類型的面積與真實(shí)標(biāo)簽相差較少，但是修復(fù)治理區(qū)、露天采場(chǎng)、排土場(chǎng)和水體中的瑣碎斑塊較多，尤其是露天采場(chǎng)西南方向的建筑中錯(cuò)誤識(shí)別出了部分水體(圖3d)。768 像素×768 像素樣本尺寸的結(jié)果中，水體、道路和中轉(zhuǎn)場(chǎng)地均未被識(shí)別，且修復(fù)治理區(qū)識(shí)別不完全，效果較差(圖3e)。綜上，從目視效果上來(lái)看，綜合考慮各地物類型的面積和完整程度、瑣碎斑塊的面積等，可以得出512 像素×512 像素樣本尺寸的分類結(jié)果更接近于真實(shí)結(jié)果。

圖3 不同樣本尺寸分類結(jié)果Fig.3 Classification results of different sample sizes

為了進(jìn)一步對(duì)比各種樣本尺寸的分類效果，本文選取混淆矩陣[41]進(jìn)行精度評(píng)價(jià)。并根據(jù)混淆矩陣計(jì)算得到制圖精度(Producer Accuracy，PA)、用戶精度(User Accuracy，UA)、總體精度(Overall Accuracy，OA)、Kappa 系數(shù)等指標(biāo)。表2 為不同樣本尺寸的分類精度比較。從精度上來(lái)看，512 像素×512 像素樣本尺寸的分類精度最高，總體精度達(dá)80.10%，Kappa 系數(shù)達(dá)0.73，說(shuō)明該尺寸更適合露天煤礦區(qū)場(chǎng)景。因此，本文裁剪方式的優(yōu)選實(shí)驗(yàn)和數(shù)據(jù)制作的樣本尺寸均選擇512 像素×512 像素，最后得到一一對(duì)應(yīng)的512 像素×512 像素大小的子影像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)。

表2 不同樣本尺寸分類精度比較Table 2 Comparison of classification accuracy of different sample sizes

在確定了最優(yōu)樣本尺寸的基礎(chǔ)上，進(jìn)行樣本裁剪方式的優(yōu)選實(shí)驗(yàn)，分別得到規(guī)則裁剪和滑動(dòng)窗口裁剪的識(shí)別結(jié)果如圖4 所示，精度檢驗(yàn)結(jié)果見表3。圖4表明，隨機(jī)裁剪的露天采場(chǎng)、排土場(chǎng)和修復(fù)治理區(qū)中的其他類型碎塊均比規(guī)則裁剪和滑動(dòng)窗口裁剪的少，規(guī)則裁剪和滑動(dòng)窗口裁剪中未識(shí)別出水體、中轉(zhuǎn)場(chǎng)地，隨機(jī)裁剪方式有效地識(shí)別出二者。從精度評(píng)價(jià)上來(lái)看，隨機(jī)裁剪的總體精度達(dá)到了80%以上，而規(guī)則裁剪和滑動(dòng)窗口裁剪的總體精度均在80%以下；3 者相比較來(lái)看，隨機(jī)裁剪的Kappa 系數(shù)也是最高的。因此，本文認(rèn)為適用于此礦區(qū)的最佳裁剪方式為隨機(jī)裁剪。

表3 不同樣本裁剪方式分類精度比較Table 3 Comparison of classification accuracy for different cropping modes of sample

圖4 不同樣本裁剪方式分類結(jié)果Fig.4 Classification results of different cropping modes of sample

3.2 精度對(duì)比

分別利用DeepLabv3+模型、U-Net、FCN、隨機(jī)森林、支持向量機(jī)、最大似然法對(duì)露天煤礦區(qū)地表土地利用類型進(jìn)行識(shí)別，并將分類結(jié)果與目視解譯勾畫的標(biāo)簽數(shù)據(jù)進(jìn)行對(duì)比(圖5)。從結(jié)果可以看出，隨機(jī)森林(圖5a)、支持向量機(jī)(圖5b)、最大似然法(圖5c)的識(shí)別結(jié)果中碎片較多，地物類型完整性較差。露天采場(chǎng)中錯(cuò)誤識(shí)別出修復(fù)治理區(qū)、中轉(zhuǎn)場(chǎng)地、建筑物、道路等地物類型，準(zhǔn)確性較差；排土場(chǎng)和修復(fù)治理區(qū)的邊緣摻雜中轉(zhuǎn)場(chǎng)地、采場(chǎng)等地物類型碎片；隨機(jī)森林和支持向量機(jī)方法識(shí)別出的道路較少且不連續(xù)；最大似然法結(jié)果中道路大多識(shí)別在了露天采場(chǎng)的位置，識(shí)別效果較差。另外，最大似然法中的水體識(shí)別結(jié)果比真實(shí)范圍明顯小很多。U-Net 方法識(shí)別結(jié)果中，水體的識(shí)別結(jié)果較好，但是水體周圍摻雜少量排土場(chǎng)碎塊；修復(fù)治理區(qū)、排土場(chǎng)和露天采場(chǎng)識(shí)別的完整程度較低，主要表現(xiàn)為面積較低，道路和中轉(zhuǎn)場(chǎng)地幾乎沒有識(shí)別出來(lái)，整個(gè)區(qū)域西南角的建筑物大部分被錯(cuò)誤識(shí)別為露天采場(chǎng)。FCN 方法的識(shí)別結(jié)果中，修復(fù)治理區(qū)的西北角被錯(cuò)誤識(shí)別為中轉(zhuǎn)場(chǎng)地，且修復(fù)治理區(qū)中摻雜著露天采場(chǎng)、水體、植被和排土場(chǎng)等地物類型，完整性最差，整個(gè)區(qū)域不均勻地分布著排土場(chǎng)碎塊，排土場(chǎng)和露天采場(chǎng)的識(shí)別結(jié)果完整性較差，水體、建筑物和西部的中轉(zhuǎn)場(chǎng)地比其他上述方法效果稍好。本文深度學(xué)習(xí)DeepLabv3+模型識(shí)別結(jié)果中，每種地物類型的識(shí)別范圍與真實(shí)范圍相差較小，形狀基本吻合，完整度較高，并且識(shí)別出除道路之外的所有目標(biāo)類型，道路由于細(xì)窄的特征，其識(shí)別效果不理想。綜合比較可知，利用本文深度學(xué)習(xí)DeepLabv3+模型提取露天礦區(qū)地表土地利用類型范圍的效果最好。

圖5 不同方法土地利用類型提取結(jié)果Fig.5 Extraction results of land use types by different methods

為了更深入地驗(yàn)證DeepLabv3+模型的優(yōu)勢(shì)，本文分別計(jì)算了6 種方法的混淆矩陣，不同方法各類型的精度見表4。通過對(duì)比，不同方法的總體精度指標(biāo)由大到小為DeepLabv3+(80.10%)、U-Net(78.10%)、FCN(77.10%)、RF(72.90%)、SVM(72.20%)、MLM(67.70%)，Kappa 系數(shù)由大到小為DeepLabv3+(0.73)、U-Net(0.70)、FCN(0.69)、RF(0.63)、SVM(0.62)、MLM(0.56)，可知DeepLabv3+模型的總體精度和Kappa 系數(shù)均高于U-Net、FCN、隨機(jī)森林、支持向量機(jī)、最大似然法。為比較各個(gè)類別的識(shí)別精度，選擇常用的單個(gè)類別分類精度的指標(biāo)-F1 分?jǐn)?shù)(F1-score)，F(xiàn)1 值為制圖精度和用戶精度的調(diào)和平均數(shù)，其計(jì)算方法如下：

表4 不同方法各類別分類精度Table 4 Classification accuracy of different types of different methods

式中：F1-score為F1 分?jǐn)?shù)值，其范圍為0 到1；Au為用戶精度；Ap為制圖精度。

F1 分?jǐn)?shù)結(jié)果見表5。從結(jié)果可以看出，DeepLabv3+模型識(shí)別出的露天采場(chǎng)、中轉(zhuǎn)場(chǎng)地、建筑物、修復(fù)治理區(qū)、排土場(chǎng)、水體、植被的F1 分?jǐn)?shù)均較高，其中，露天采場(chǎng)、中轉(zhuǎn)場(chǎng)地、建筑物和排土場(chǎng)的F1 分?jǐn)?shù)表現(xiàn)出最高值；僅道路類型的F1 分?jǐn)?shù)最低；6 種方法對(duì)道路的識(shí)別均未達(dá)到理想狀態(tài)，其F1 分?jǐn)?shù)均在0.13 以下，未得到較高的分類精度。綜合上述情況，DeepLabv3+模型在識(shí)別露天煤礦土地利用類型中達(dá)到了較高的精度。

表5 各方法各類別的F1 分?jǐn)?shù)Table 5 F1-score by different methods and classifications

3.3 速度對(duì)比

為比較不同方法的運(yùn)行速度，所有方法均采用python 語(yǔ)言編程實(shí)驗(yàn)，其方法都是先訓(xùn)練得到模型，然后再利用得到的模型進(jìn)行測(cè)試集的預(yù)測(cè)，最終得到預(yù)測(cè)結(jié)果，并進(jìn)行精度評(píng)價(jià)；且采用同一臺(tái)服務(wù)器進(jìn)行測(cè)試。服務(wù)器操作系統(tǒng)為Windows10，使用的編程語(yǔ)言為Python 3.6，編程環(huán)境為PyCharm Community；在硬件方面，計(jì)算機(jī)的處理器為Intel(R) Xeon(R) Gold5118 CPU@2.30GHz，運(yùn)行內(nèi)存為32 GB，顯卡型號(hào)為NVIDIA GeForce RTX 2080 Ti。運(yùn)行時(shí)間統(tǒng)計(jì)見表6，文中以及表6 內(nèi)所提到的運(yùn)行時(shí)間都是指生成模型之后對(duì)測(cè)試集進(jìn)行預(yù)測(cè)的時(shí)間，不包含模型訓(xùn)練的時(shí)間。

表6 不同方法運(yùn)行時(shí)間對(duì)比Table 6 Comparison of running time of different methods

對(duì)比結(jié)果顯示，6 種方法的運(yùn)行時(shí)間均處在幾十秒，屬于相同的數(shù)量級(jí)水平。其中，DeepLabv3+模型運(yùn)行時(shí)間比隨機(jī)森林、支持向量機(jī)、最大似然法短，比U-Net、FCN 方法的運(yùn)行時(shí)間稍長(zhǎng)，支持向量機(jī)方法運(yùn)行時(shí)間最長(zhǎng)。綜上，6 種方法中，DeepLabv3+模型在精度最優(yōu)的同時(shí)，也達(dá)到了運(yùn)行時(shí)間與常規(guī)方法在同一數(shù)量級(jí)水平。

4 結(jié) 論

a.參數(shù)敏感性測(cè)試結(jié)果分析顯示，512 像素×512 像素的樣本裁剪尺寸和隨機(jī)裁剪方式更適合DeepLabv3+模型對(duì)露天煤礦土地利用進(jìn)行分類。

b.分類結(jié)果對(duì)比和精度結(jié)果對(duì)比顯示，深度學(xué)習(xí)DeepLabv3+模型相較于傳統(tǒng)的識(shí)別方法顯著提升了露天煤礦區(qū)典型地物識(shí)別的精度。在提升精度的同時(shí)，本文方法的運(yùn)行速度與傳統(tǒng)方法保持在同一個(gè)數(shù)量級(jí)水平。

c.驗(yàn)證了深度學(xué)習(xí)DeepLabv3+模型和國(guó)產(chǎn)GF-2 衛(wèi)星高分辨率遙感影像在露天煤礦區(qū)土地利用識(shí)別中的可行性。未來(lái)將繼續(xù)改進(jìn)深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，擴(kuò)大露天礦區(qū)典型地物樣本數(shù)量，提升露天煤礦區(qū)典型地物識(shí)別精度，并應(yīng)用于更多露天煤礦。