基于卷積神經(jīng)網(wǎng)絡(luò)和特征選擇的無人機(jī)多光譜影像林地提取方法

董建康，連 懿，2，趙之江，張 虎，馮晨陽

（1.天津師范大學(xué)地理與環(huán)境科學(xué)學(xué)院，天津 300387；2.中國科學(xué)院國家天文臺，北京 100012）

林地具有緩解全球氣候變化、改善生態(tài)環(huán)境和維護(hù)生態(tài)平衡等生態(tài)系統(tǒng)服務(wù)功能.提取林地信息可以監(jiān)測林地變化、預(yù)測林地密度，有助于管理和維護(hù)林地生態(tài)系統(tǒng).傳統(tǒng)獲取林地信息的方法效率低、時效性差且成本較高，而遙感信息技術(shù)憑借實(shí)時、快速等優(yōu)勢成為獲取林地信息的重要手段[1-2]，為林地提取提供了豐富的數(shù)據(jù)來源，如GF-1、MODIS、Sentinel-2和Landsat系列等中等空間分辨率衛(wèi)星影像數(shù)據(jù)以及IKONOS、QuickBird和WorldView系列等高空間分辨率衛(wèi)星影像數(shù)據(jù)[3].中等分辨率的影像數(shù)據(jù)空間分辨率較低，對零散林地的識別效果不佳，且難以及時獲得特定研究區(qū)域的高分辨率衛(wèi)星影像數(shù)據(jù).無人機(jī)遙感技術(shù)因具有低成本、低風(fēng)險、高時效、高分辨率、不受云層影響和自由規(guī)劃航線等特點(diǎn)，很好地解決了這些問題[4]，更適合特定區(qū)域遙感監(jiān)測的應(yīng)用場景[5-6].

近年來，研究人員基于不同種類遙感影像數(shù)據(jù)，采用多種方法開展林地信息提取方法的研究[7-9].各類遙感數(shù)據(jù)中，衛(wèi)星影像和雷達(dá)數(shù)據(jù)已廣泛應(yīng)用于林地提取.Lu等[10]利用極化與干涉信息融合的SAR數(shù)據(jù)進(jìn)行林地提?。籇ong等[11]基于中高分辨率的MODIS數(shù)據(jù)提出了一種林地提取方法.雷達(dá)數(shù)據(jù)雖然能夠獲取林地的三維特征信息，但處理過程較為復(fù)雜，所需成本較高；衛(wèi)星數(shù)據(jù)雖具有宏觀觀測的優(yōu)勢，但由于空間分辨率的制約，其對小范圍特定研究區(qū)的提取精度有限，無人機(jī)遙感的發(fā)展有效解決了這些問題.機(jī)器學(xué)習(xí)方法中，隨機(jī)森林法和支持向量機(jī)法均可以完成林地的識別.黃建文等[1]基于高分六號衛(wèi)星多光譜數(shù)據(jù)提出隨機(jī)森林的分層分類法用于人工林地提??；曾文等[12]以高景一號遙感影像為數(shù)據(jù)源，基于支持向量機(jī)（support vector machines，SVM）分類器進(jìn)行林地提取.機(jī)器學(xué)習(xí)算法的優(yōu)點(diǎn)是算法簡單，運(yùn)行速度快，但無法處理復(fù)雜的分類問題，此外，面對大數(shù)據(jù)量的問題時會表現(xiàn)出不穩(wěn)定性，識別結(jié)果的精度受到限制；而深度學(xué)習(xí)算法很好地解決了機(jī)器學(xué)習(xí)算法無法處理復(fù)雜分類的問題，成為當(dāng)前的研究熱點(diǎn)[13].

基于多源遙感數(shù)據(jù)的林地提取研究有很多，但大多只考慮提取精度，對林地提取效率和成本方面的研究較少.本研究運(yùn)用數(shù)據(jù)降維思想[14]，在綜合考慮效率和準(zhǔn)確度的基礎(chǔ)上，利用高空間分辨率無人機(jī)多光譜數(shù)據(jù)和深度學(xué)習(xí)方法提取林地，并對以無人機(jī)遙感作為數(shù)據(jù)源和深度學(xué)習(xí)算法的優(yōu)點(diǎn)進(jìn)行分析，提出了一種林地提取方法，并通過選擇特定研究區(qū)域來驗(yàn)證分析.

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位置以及樣本分布如圖1所示.由圖1可以看出，研究區(qū)為位于天津市西青區(qū)天津師范大學(xué)內(nèi)的部分區(qū)域（117°7′15″E～117°7′25″E，39°3′25″N～39°3′38″N）.天津師范大學(xué)地處北半球中緯度亞歐大陸東岸，屬溫帶季風(fēng)氣候，四季分明，冷暖適中，年平均氣溫約14℃，適宜多種植物生長.研究區(qū)地形起伏較小，面積約為0.091 km2，區(qū)域內(nèi)植被覆蓋種類繁多，包含喬木、灌木、草地和稀疏草地等，林地類型主要為落葉闊葉林.此外，研究區(qū)貼近生活區(qū)，方便觀察記錄，有助于研究的順利展開.

圖1 研究區(qū)位置示意圖和樣本分布情況Fig.1 Location of the studied area and distribution of samples

1.2 數(shù)據(jù)獲取及處理

1.2.1 數(shù)據(jù)獲取

本研究使用的六旋翼無人機(jī)是一種具備垂直升降和懸停等靈活飛行性能優(yōu)勢的無人機(jī)，它通過上下共軸放置的3組共6個電機(jī)提供升力，通過改變旋翼轉(zhuǎn)速來調(diào)整姿態(tài)，進(jìn)一步實(shí)現(xiàn)位置控制，具有懸停性能優(yōu)異、移動靈活、機(jī)械結(jié)構(gòu)緊湊和零部件可靠性高等優(yōu)點(diǎn)[15].無人機(jī)平臺搭載的傳感器為Tetracam公司生產(chǎn)的Micro MCA12 Snap多光譜攝相機(jī)陣列成像系統(tǒng)，該系統(tǒng)質(zhì)量輕、體積小且能實(shí)現(xiàn)遠(yuǎn)程觸發(fā)，適用于無人機(jī)搭載.傳感器各波段的波長及波寬如表1所示.該相機(jī)可以同時獲取自由組合的12個波段的影像數(shù)據(jù)，且能夠?qū)?shù)據(jù)實(shí)時記錄在大容量高速SD閃迪卡內(nèi)，為成功獲取影像提供了保障.

表1 傳感器各波段波長及波寬Tab.1 Wavelength and bandwidth of each band of the sensor

本次實(shí)驗(yàn)拍攝時間為2019年7月30日，此時段內(nèi)植被長勢茂盛，天氣狀況良好，風(fēng)力影響較小.本研究利用搭載了傳感器的無人機(jī)拍攝，獲得了空間分辨率為0.05 m的無人機(jī)多光譜影像，包含490～950 nm的12個波段數(shù)據(jù)，其中前8個位于可見光波段范圍，后4個位于近紅外波段范圍[16].

1.2.2 數(shù)據(jù)處理

無人機(jī)的數(shù)據(jù)處理主要包括幾何校正和輻射校正.數(shù)據(jù)處理工作中，將測得的一部分地面控制點(diǎn)數(shù)據(jù)作為控制點(diǎn)用于攝影測量處理時的幾何校正，另一部分作為檢查點(diǎn)用于驗(yàn)證無人機(jī)多光譜影像幾何校正的精度，利用檢查點(diǎn)的均方根誤差（root mean square error，RMSE）評價幾何校正的精度.對所有檢查點(diǎn)進(jìn)行誤差統(tǒng)計(jì)發(fā)現(xiàn)，檢查點(diǎn)的平面誤差為0.2 m，高程誤差為0.4 m.參照《CH/Z 3003-2010低空數(shù)字航空攝影測量內(nèi)業(yè)規(guī)范》[17]可知，較平坦地區(qū)的成圖比例尺為1∶500的數(shù)字正射影像圖平面檢查點(diǎn)誤差應(yīng)不大于0.5 m且高程檢查點(diǎn)誤差不大于0.4 m，因此本次幾何校正符合要求.

通過在研究區(qū)內(nèi)設(shè)置典型的定標(biāo)點(diǎn)，利用ASD光譜儀進(jìn)行地面測量實(shí)驗(yàn)，獲得目標(biāo)地物的純凈反射光譜值.通過線性回歸耦合無人機(jī)影像上對應(yīng)像元點(diǎn)的像元亮度值（digital number，DN），求出任意波段處的增益和偏移量，建立DN值與反射率之間的相互關(guān)系，實(shí)現(xiàn)無人機(jī)多光譜影像的輻射校正[16].具體步驟為：①假設(shè)圖像DN值與反射率間存在線性關(guān)系，r=gain·DN+bias，其中r為某一波段的地表反射率，gain和bias分別為相應(yīng)的增益和偏移；②確定地面測量區(qū)域與影像像元的空間對應(yīng)關(guān)系；③通過所測數(shù)據(jù)建立DN值與地物反射率的線性回歸關(guān)系；④用擬合優(yōu)度評價校正結(jié)果精度，并對評價結(jié)果進(jìn)行顯著性檢驗(yàn)[16].DN值與反射率間的關(guān)系如圖2所示，圖2中R2為度量擬合優(yōu)度的系數(shù)，最大值為1，其值越接近1說明回歸直線對觀測值的擬合程度越好.

圖2 DN值與地物反射率的關(guān)系Fig.2 Relationship between the DN value and the reflectivity of ground objects

表2為顯著性檢驗(yàn)結(jié)果，當(dāng)計(jì)算出的顯著性概率值P＜0.05時，說明擬合關(guān)系顯著有效.由圖2可知，多光譜數(shù)據(jù)中多數(shù)波段的R2＞0.9，只有少數(shù)波段的R2＜0.9，但也接近，且表2中各波段P值均明顯小于0.05.由此可知，本研究方法進(jìn)行輻射校正的效果良好.

表2 顯著性檢驗(yàn)Tab.2 Significance test

2 研究方法

2.1 林地提取方法構(gòu)建

為了更好地提取林地信息，本研究對處理后的影像進(jìn)行主成分分析降維和相關(guān)性分析.首先選取貢獻(xiàn)度高的主成分特征波段與相關(guān)性分析篩選后的特征波段進(jìn)行波段融合，再利用U-Net網(wǎng)絡(luò)實(shí)現(xiàn)區(qū)域的林地提取[18-19]，最后評價提取結(jié)果的精度并針對分類中存在的問題展開討論，對應(yīng)的技術(shù)流程如圖3所示.

圖3 技術(shù)流程圖Fig.3 Technical flowchart

2.2 特征波段提取方法

在林地識別的過程中，大量多光譜信息無疑會增加訓(xùn)練網(wǎng)絡(luò)的復(fù)雜性，利用原變量之間的相互關(guān)系以及降維的思想，使用較少的新變量代替原來較多的變量，能夠讓多個有用信息集中到少數(shù)幾個相互獨(dú)立的波段，對多光譜數(shù)據(jù)進(jìn)行波段篩選將極大地提升提取效率.本研究主要采用主成分分析和相關(guān)性分析的方法來實(shí)現(xiàn)分類特征的重構(gòu)和篩選.

2.2.1 主成分分析

本研究所用無人機(jī)多光譜影像波段數(shù)較多，造成影像的數(shù)據(jù)維度較大，給林地信息提取帶來諸多不便，為此需要運(yùn)用PCA對數(shù)據(jù)進(jìn)行降維處理[20].PCA又稱主分量分析或矩陣數(shù)據(jù)分析，它通過變量變換的方法把相關(guān)變量變?yōu)槿舾刹幌嚓P(guān)的綜合指數(shù)變量，實(shí)現(xiàn)對數(shù)據(jù)集的降維，從而簡化問題，是一種基本的數(shù)據(jù)降維方法，在多光譜數(shù)據(jù)壓縮、去相關(guān)和特征提取中發(fā)揮了重要作用[21].

2.2.2 相關(guān)性分析

相關(guān)性分析指對2個或多個具備相關(guān)性的變量元素進(jìn)行分析，衡量2個變量因素的相關(guān)密切程度，確定元素間相關(guān)關(guān)系的存在、呈現(xiàn)的形態(tài)和方向及其密切程度.一般通過統(tǒng)計(jì)相關(guān)波段間的相關(guān)性系數(shù)來衡量波段間的冗余程度.相關(guān)性系數(shù)代表了波段間像元灰度值的重疊度，其值越大說明波段間數(shù)據(jù)重疊度越高，冗余信息越多[21].為了減少多余信息，要盡可能選擇相關(guān)系數(shù)小的波段.

2.3 U-Net網(wǎng)絡(luò)

U-Net網(wǎng)絡(luò)框架是Ronneberger等[22]在2015年提出的，其最初是為了解決生物醫(yī)學(xué)圖像方面的問題，后來被廣泛應(yīng)用于語義分割的各個方向.U-Net網(wǎng)絡(luò)結(jié)構(gòu)主要包含下采樣、上采樣和跳躍連接3個部分，結(jié)構(gòu)模型如圖4所示.網(wǎng)絡(luò)中較淺的高分辨率層可以用來解決像素定位問題，較深層可以用來解決像素分類的問題，從而實(shí)現(xiàn)圖像語義級別的分割.U-Net的結(jié)構(gòu)包括1個捕獲上下文信息的收縮路徑和一個允許精確定位的對稱拓展路徑.通過這種方法，使用非常少的數(shù)據(jù)即可完成端到端的訓(xùn)練，并獲得很好的效果[23].U-Net網(wǎng)絡(luò)模型具有跳躍連接的編碼和解碼結(jié)構(gòu)，能夠融合不同層的特征，對特征較少的圖像分類也具有非常好的效果.

圖4 U-Net網(wǎng)絡(luò)模型Fig.4 U-Net network model

3 結(jié)果與分析

3.1 特征波段選擇

本研究對原始影像進(jìn)行主成分分析，結(jié)果如圖5所示.

圖5 主成分分析結(jié)果Fig.5 Results of principal component analysis

由圖5可以看出，少數(shù)幾個主成分因子能夠提取原始指標(biāo)變量的大部分信息，且彼此之間互不相關(guān).前3個分量特征具有約99.3%的特征信息，其中第一主成分包含圖像信息的84.8%，其他成分包含的有效信息較少.為了最大限度保留原始空間的主要信息，在不減少有效信息的前提下降低特征空間的維數(shù)，提高數(shù)據(jù)表示效果，本研究選取第一主成分、第二主成分和第三主成分.

無人機(jī)多光譜數(shù)據(jù)的波段較多，而針對特定地物而言，波段間（尤其是非峰值波段之間）存在的冗余信息多，研究顯示相互間關(guān)聯(lián)性小的波段其相關(guān)性越小，波段的標(biāo)準(zhǔn)差越大，因此對各波段進(jìn)行相關(guān)性分析，結(jié)果如圖6所示.

圖6 相關(guān)性分析結(jié)果Fig.6 Correlation analysis results

由圖6可以看出，12個波段的相關(guān)性分為2大組：①波段1～8之間相關(guān)性系數(shù)偏高，相關(guān)性系數(shù)平均值由小到大依次排序?yàn)椋?＜6＜1＜3＜4＜7＜2＜8；②波段9～12之間相關(guān)性系數(shù)偏高，相關(guān)性系數(shù)平均值由小到大依次排序?yàn)椋?2＜9＜10＜11；③2個波段組間的相關(guān)性要明顯小于組內(nèi)各波段間的相關(guān)性.比較分析各波段與其他波段相關(guān)性大小可知，波段5和波段12是與其他波段相關(guān)性均值最小的波段，波段8和波段11則是與波段5和波段12相關(guān)性最小的波段.因此，綜合分析后本研究選取了波段5、波段8、波段11和波段12這4個相關(guān)性較小的波段與前3個主成分作為林地提取的數(shù)據(jù).

將相關(guān)性分析結(jié)果與PCA結(jié)果進(jìn)行組合，所得影像兼顧了波段的信息量和獨(dú)立性，波段組合信息量充足且相關(guān)性低，有利于林地信息的提取.

3.2 林地識別

基于野外考察數(shù)據(jù)和無人機(jī)多光譜影像，將研究區(qū)分為訓(xùn)練區(qū)和驗(yàn)證區(qū)，將目視解譯結(jié)果作為U-Net網(wǎng)絡(luò)模型的真實(shí)數(shù)據(jù)，建立訓(xùn)練集和測試集，其中訓(xùn)練樣本共包括208個圖斑，共計(jì)2 636 953個像元.在此基礎(chǔ)上，利用U-Net網(wǎng)絡(luò)模型進(jìn)行10輪訓(xùn)練，每輪迭代次數(shù)為1 000次，總迭代次數(shù)為10 000次，并利用該模型對研究區(qū)進(jìn)行林地提取，結(jié)果如圖7所示，圖7中綠色部分為正確提取的林地，藍(lán)色部分為漏分的林地，紅色部分為錯分的林地.由圖7可以看出，該模型有效實(shí)現(xiàn)了研究區(qū)林地信息的識別，對所有紋理復(fù)雜的林地信息均基本判斷準(zhǔn)確.

圖7 林地提取結(jié)果Fig.7 Results of forest land extraction

本研究的總體精度采用正確率、錯分率和漏分率進(jìn)行表征.錯分誤差（commission error，CE）指被分為林地，而實(shí)際上屬于其他類別的像元占林地提取結(jié)果的百分比.

式（1）中：Ns為林地提取結(jié)果的總像元數(shù)；Nt為正確提取的林地像元數(shù).

漏分誤差（omission error，OE）指本屬于林地地類，但沒有被分為林地的像元數(shù)占林地提取結(jié)果的百分比.

式（2）中：Nr為驗(yàn)證樣本的像元個數(shù).本研究將人工識別所得樣本作為驗(yàn)證樣本.

總體精度（overall accuracy，OA）指被正確分類的像元數(shù)占總像元數(shù)的百分比.

研究區(qū)林地識別的正確率、錯分率和漏分率分別為84.79%、15.21%和15.78%，基本滿足林地提取的需要，但也存在錯分和漏分現(xiàn)象.圖7（a）所示的區(qū)域A中，對于一些零散單株樹木的提取效果不理想，主要原因是模型訓(xùn)練過程中零散樹木的樣本較少，訓(xùn)練樣本不足，其次是單株樹木所占面積較小，包含的林地信息較少，易造成漏分.區(qū)域B（圖7（b））中將部分草地錯分為林地是由于該區(qū)域林地周圍的草地密集程度較高，且實(shí)地調(diào)查結(jié)果表明，該區(qū)域草地的生物多樣性比較豐富，而在圖像中的表征紋理相對復(fù)雜，導(dǎo)致該區(qū)域草地圖像表現(xiàn)的卷積特征與林地更加類似，容易造成錯分.區(qū)域C（圖7（c））中錯分為林地的地物是水體中的蘆葦，相比草地，蘆葦在高度和紋理復(fù)雜度上都更接近林地，因此在波段信息中與林地相似度更高，在研究區(qū)中是錯分為林地最多的地物，在訓(xùn)練模型中沒能有效地區(qū)分蘆葦和林地，這是造成錯分的主要原因.區(qū)域D（圖7（d））中林地邊緣的提取效果較差，在地物邊緣位置存在一些像元尺度錯分和漏分的區(qū)域，這可能是由于高分辨率遙感影像上的信息高度細(xì)節(jié)化以及混合像元與隨機(jī)噪聲的影響導(dǎo)致對像元級林地邊緣的提取效果不理想.

4 結(jié)論

本研究基于高空間分辨率無人機(jī)多光譜數(shù)據(jù)，提出一種篩選特征波段結(jié)合卷積神經(jīng)網(wǎng)絡(luò)U-Net的方法，對影像進(jìn)行分割并提取林地信息，并通過深度學(xué)習(xí)算法構(gòu)建了基于U-Net的林地分割模型，對模型提取結(jié)果進(jìn)行精度驗(yàn)證和評價分析，得到以下結(jié)論：

（1）林地提取的總體分類精度為84.79%，說明本方法能夠較好地區(qū)分林地和其他地物，達(dá)到較高的精度水平，表明此方法能夠?qū)崿F(xiàn)小尺度區(qū)域林地資源調(diào)查和變化監(jiān)測，具有可行性、有效性和一定的應(yīng)用價值.

（2）本方法的優(yōu)勢主要體現(xiàn)在神經(jīng)網(wǎng)絡(luò)模型的選取和特征波段的篩選上.因神經(jīng)網(wǎng)絡(luò)一般需要依賴大量的樣本訓(xùn)練才能達(dá)到較高的精度，時間成本比較高，而U-Net使用較少的訓(xùn)練樣本即可達(dá)到良好的訓(xùn)練結(jié)果，相比其他網(wǎng)絡(luò)模型具有更高的訓(xùn)練效率.特征波段的選擇通過主成分分析減少了數(shù)據(jù)維度和數(shù)據(jù)冗余，通過相關(guān)性分析又進(jìn)一步減少了數(shù)據(jù)量，且在減少多余數(shù)據(jù)的基礎(chǔ)上充分利用了影像的光譜特征和紋理特征，避免了僅依靠單一特征提取林地造成的提取結(jié)果不準(zhǔn)確的問題，對陰影也有較好的區(qū)分，提高了訓(xùn)練的效率和準(zhǔn)確度.

（3）本研究僅利用無人機(jī)多光譜數(shù)據(jù)進(jìn)行林地信息提取，實(shí)現(xiàn)小范圍特定研究區(qū)的林地資源調(diào)查，具有一定的片面性，其他地區(qū)的提取精度能否達(dá)到較高水平還有待驗(yàn)證.因此，如何結(jié)合多源遙感數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)間的優(yōu)勢互補(bǔ)，彌補(bǔ)無人機(jī)影像數(shù)據(jù)自身缺陷，實(shí)現(xiàn)更大尺度的林地監(jiān)測，進(jìn)一步提高林地信息提取精度還有待進(jìn)一步研究.