基于哨兵2號(hào)遙感影像最優(yōu)時(shí)相組合的棉花提取方法

司凱凱，汪傳建，趙慶展*，楊啟原，任媛媛，袁盼麗

(1 石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院/兵團(tuán)空間信息工程技術(shù)研究中心，新疆 石河子 832003；2 安徽大學(xué)互聯(lián)網(wǎng)學(xué)院，安徽 合肥 230039)

新疆境內(nèi)種植面積最大的農(nóng)作物是棉花，其產(chǎn)量占全國(guó)棉花產(chǎn)量84%以上，近年來，中國(guó)棉花主產(chǎn)區(qū)已經(jīng)從長(zhǎng)江流域、黃河流域、新疆“三足鼎立”演變?yōu)樾陆耙患要?dú)大”[1]，新疆已經(jīng)成為全國(guó)最重要的棉花生產(chǎn)基地，及時(shí)準(zhǔn)確的提取棉花種植區(qū)域?qū)ο嚓P(guān)部門制定政策有著重要的作用。

棉花種植區(qū)域的主要特點(diǎn)在于棉花的種植面積巨大，依靠傳統(tǒng)方法抽樣調(diào)查，手動(dòng)估算，費(fèi)時(shí)費(fèi)力，難以快速準(zhǔn)確的獲得棉田的種植區(qū)域[2-5]，基于傳統(tǒng)方法存在這種缺點(diǎn),衛(wèi)星遙感由于監(jiān)測(cè)范圍大的緣故已廣泛用于農(nóng)作物的提取，如高時(shí)間分辨率的MODIS數(shù)據(jù)，在大面積作物種植信息提取中的應(yīng)用較多[6-9]，實(shí)現(xiàn)了小麥、玉米和大豆等農(nóng)作物的分類識(shí)別和種植結(jié)構(gòu)的提取研究。比MODIS數(shù)據(jù)分辨率高的中等分辨率的landsat 8遙感影像應(yīng)用范圍應(yīng)用比較廣，如闞志毅等[10]使用landsat 8在分析各個(gè)行政分區(qū)的地表覆蓋狀況、作物結(jié)構(gòu)和地塊破碎度差別的基礎(chǔ)上,該模型在提取不同空間分布特征的冬小麥種植面積具有較好的精度，landsat 8遙感影像在草原檢測(cè)、土地分類等方面也有一定的應(yīng)用，實(shí)現(xiàn)了很好的分類與檢測(cè)效果[11-12]。

隨著深度學(xué)習(xí)技術(shù)的興起，由于深度學(xué)習(xí)技術(shù)能夠提取出圖像的高層語義特征，許多學(xué)者將深度學(xué)習(xí)技術(shù)應(yīng)用到農(nóng)作物分類上來[13-15]，但是，對(duì)于該類方法來說，需要海量的數(shù)據(jù)進(jìn)行模型的學(xué)習(xí)，而實(shí)際情況卻是，農(nóng)田區(qū)域都處于農(nóng)村地區(qū)，遙感數(shù)據(jù)保存不易。此外，由于云層過厚等特殊的天氣原因?qū)?dǎo)致影像質(zhì)量難以利用，作物生長(zhǎng)期的遙感數(shù)據(jù)缺失情況時(shí)有發(fā)生，導(dǎo)致了遙感影像數(shù)據(jù)量難以滿足深度學(xué)習(xí)模型的要求，這些情況的出現(xiàn)給我們實(shí)際應(yīng)用造成了很大的困難。為了解決這些問題，許多學(xué)者將時(shí)間序列應(yīng)用到深度學(xué)習(xí)模型上[16-18]，取得了較好的分類效果。而對(duì)于一些常見的遙感影像，如landsat 8遙感影像，其重訪時(shí)間達(dá)到了16 d以上，如MODIS數(shù)據(jù)，其重訪時(shí)間為3 d，空間分辨率僅僅為250 m，時(shí)間分辨率和空間分辨率限制了我們?cè)谵r(nóng)田分類方面的應(yīng)用，而對(duì)于分辨率較高的高分?jǐn)?shù)據(jù)等，其獲取價(jià)格卻是十分昂貴，這些數(shù)據(jù)在一定情況下限制了遙感技術(shù)在農(nóng)業(yè)方面的發(fā)展，而Sentinel-2影像在時(shí)間分辨率、空間分辨率、獲取難度上相較于其他遙感影像都有一定程度的改善，為農(nóng)作物在分類方面提供了新的思路[19-20]。Deeplabv3+作為Deeplab的改進(jìn)型網(wǎng)絡(luò)，結(jié)合了ASPP模塊與編碼器—解碼器結(jié)構(gòu)，在有效捕獲多尺度信息的同時(shí)，能夠獲得更清晰的分割對(duì)象邊界[21]，在道路[22]、水體[23]、綠地[24]、農(nóng)用地[16]等方面均得到了較好的結(jié)果。

針對(duì)傳統(tǒng)方法耗時(shí)耗力，數(shù)據(jù)利用不充分，難以快速準(zhǔn)確獲取棉田種植區(qū)域的問題,將Deeplabv3+模型應(yīng)用到棉花提取上面來，使用棉花生長(zhǎng)期內(nèi)時(shí)序遙感影像，以新疆維吾爾自治區(qū)尉犁縣為研究區(qū)，Sentinel-2遙感影像為數(shù)據(jù)源,通過依次加入最優(yōu)提取時(shí)相來獲得適合棉花提取的最優(yōu)時(shí)相組合，為棉花在數(shù)據(jù)不足及快速準(zhǔn)確提取方面提供一定的參考。

1 資料與方法

1.1 研究區(qū)概況

衛(wèi)星遙感數(shù)據(jù)獲取區(qū)域位于新疆維吾爾自治區(qū)尉犁縣，西部為塔克拉瑪干沙漠，東部為庫(kù)木塔格沙漠，介于40°47′～40°58′N，86°47′～87°07′E之間，屬暖溫帶大陸性荒漠氣候，溫度的年月變化大，最熱月與最冷月的平均氣溫差高達(dá)36 ℃左右，降水稀少，且年際變化大，光照充足，適合棉花種植，其余還散布著一些香梨、棗樹、水域等豐富的地物類別。

1.2 遙感數(shù)據(jù)獲取與預(yù)處理

據(jù)歐空局介紹，哨兵2號(hào)衛(wèi)星共有兩顆衛(wèi)星，其中在2015年發(fā)射的一顆衛(wèi)星名為“哨兵-2A”衛(wèi)星，2017年發(fā)射的另一顆衛(wèi)星名為“哨兵-2B”，兩顆衛(wèi)星為同一組，兩者之間相互補(bǔ)充，每5天可完成一次對(duì)地球赤道地區(qū)的完整成像。Sentinel-2遙感影像地面分辨率分別包含有10 m、20 m和60 m，是唯一一個(gè)在紅邊范圍含有3個(gè)波段的光學(xué)遙感影像，有利于監(jiān)測(cè)植被的健康信息。為了找出最適合提取棉花的時(shí)相，從歐空局哥白尼數(shù)據(jù)中心(https://scihub.copernicus.eu/dhus/#/home)獲取了2019年棉花生長(zhǎng)期內(nèi)4月—10月的遙感影像，在保證影像質(zhì)量和生長(zhǎng)期內(nèi)各個(gè)時(shí)相影像均有的前提下，選取了以下7幅棉花生長(zhǎng)期內(nèi)的Sentinel-2遙感影像，影像采集時(shí)間如表1所示：

表1 影像獲取日期

為了獲取地物真實(shí)反射率情況，對(duì)哨兵-2號(hào)10 m分辨率遙感影像進(jìn)行輻射定標(biāo)、大氣校正和裁剪，并將地實(shí)測(cè)地物數(shù)據(jù)和對(duì)應(yīng)Google Earth的衛(wèi)星數(shù)據(jù)作為數(shù)據(jù)集制作的參考。

由于研究區(qū)的地物類型復(fù)雜，為了更好獲得棉花種植區(qū)域，將研究區(qū)的地物劃分為3個(gè)類別，棉花、非棉花農(nóng)用地及背景，并對(duì)預(yù)處理獲得的TIF文件進(jìn)行切分并獲得樣本尺寸為256×256大小的訓(xùn)練樣本，篩選去除掉農(nóng)作物種植區(qū)域占比較少的小圖，每個(gè)時(shí)相獲得有效樣本小圖66張，并對(duì)獲得的小圖進(jìn)行旋轉(zhuǎn)，濾波，亮度變化進(jìn)行數(shù)據(jù)增強(qiáng)，并將每個(gè)時(shí)相的訓(xùn)練樣本增強(qiáng)到594張，數(shù)據(jù)預(yù)處理過程如圖1所示。

圖1 數(shù)據(jù)集制作過程

1.3 野外數(shù)據(jù)采集及研究區(qū)作物信息

野外調(diào)查數(shù)據(jù)采集時(shí)間是2019年7月1日—7月5日，根據(jù)研究區(qū)特點(diǎn)，選擇駕車和步行相結(jié)合的方式，進(jìn)行隨機(jī)打點(diǎn)并記錄地物類型，共采集1 807個(gè)樣本點(diǎn)，其中有1 008個(gè)樣本點(diǎn)地物類型為棉花，其余點(diǎn)為香梨、棗樹，建筑物，水體，沙漠等地物。根據(jù)野外調(diào)查結(jié)果可知，研究區(qū)的主要農(nóng)作物有棉花、香梨和棗樹，且由于作物生長(zhǎng)方式不同，棉花一般在每年4月初進(jìn)行種植，而香梨棗樹等作物一般是多年種植，在3月中旬由于該地區(qū)氣溫回暖，此時(shí)兩種作物在此時(shí)已處于萌芽期，生長(zhǎng)情況有一定的差異。

1.4 Deeplabv3+網(wǎng)絡(luò)棉花提取模型

1.4.1 Deeplabv3+網(wǎng)絡(luò)結(jié)構(gòu)

DeepLabv3+網(wǎng)絡(luò)是由Deeplabv3網(wǎng)絡(luò)添加解碼器改進(jìn)而來，由Encoder-Decoder架構(gòu)和空間金字塔池塊(Atrous Spatial Pyramid Pooling, ASPP)構(gòu)成，其主體部分是帶有空洞卷積的深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)，Deeplabv3+改進(jìn)Deeplab的部分正在于解碼器部分，該部分可以很好的將高層特征與底層特征進(jìn)行融合，更好的提高分割效果[25]。其整體架構(gòu)如圖2所示。

1.4.2 精度評(píng)價(jià)指標(biāo)

考慮到本文的分割類別為3分類，為了合理的對(duì)模型的棉花提取效果進(jìn)行評(píng)價(jià)，本文選取棉花的準(zhǔn)確度(Precision，P)、召回率(Recall，R)、F1值、交并比(Intersection over Union，IoU)作為分類結(jié)果的評(píng)價(jià)指標(biāo)[26]，計(jì)算公式為：

(1)

(2)

其中，真陽性(True Positive，TP)這被正確分類為棉花數(shù)目的值，假陽性(False Positive，F(xiàn)P)代表非棉花的地物被錯(cuò)誤的分類為棉花，假陰性(False Negative，F(xiàn)N)代表棉花被錯(cuò)分為背景或非棉花地物，準(zhǔn)確度(P)在識(shí)別為棉花的數(shù)目中確實(shí)為棉花的比例，召回率(R)代表實(shí)際識(shí)別出為棉花的地物占總棉花地物的比例，而此時(shí)可能出現(xiàn)實(shí)際識(shí)別出的棉花并不是真正的棉花而是其他地物，即假陽性。為了平衡P和R的關(guān)系，引入F1[26]兩者進(jìn)行調(diào)和，棉花的IoU則是為了更好的反映類別在遙感影像進(jìn)行分割時(shí)的準(zhǔn)確性與完整性，其計(jì)算公式為：

(3)

(4)

1.4.3 分段函數(shù)評(píng)估模型建立

由于Deeplabv3+提取結(jié)果的指標(biāo)及相互對(duì)比較多，為了進(jìn)一步的使用模型對(duì)時(shí)相組合之間的提取效果進(jìn)行較快的量化比較，更快得出提取效果的優(yōu)劣，摒棄了一般深度學(xué)習(xí)模型的多個(gè)指標(biāo)比較，引入高等數(shù)學(xué)間斷函數(shù)[27]的方法，選取了綜合P和R的F1指數(shù)和表征分割完整性的IoU指數(shù)結(jié)合進(jìn)行整體評(píng)價(jià)，建立簡(jiǎn)單的間斷函數(shù)對(duì)兩種組合之間的提取效果進(jìn)行快速比較，簡(jiǎn)化模型如下：

(5)

其中Fi,Fj表示第i,j時(shí)相組合的F1值，Ui,Uj表示第i,j時(shí)相(或組合個(gè)數(shù))的IoU值，用單一數(shù)值函數(shù)Iij進(jìn)行評(píng)價(jià)各時(shí)相及其組合提取效果的比較，其函數(shù)取值情況如下：

Iij=

(6)

其函數(shù)Iij表示取值表示時(shí)相組合取值的效果好壞，取值為2時(shí)表示第i時(shí)相的提取效果F1指數(shù)與IoU指數(shù)均比j時(shí)相的值大，提取效果最好，取值為1時(shí)表示第i時(shí)相的提取效果的F1和IoU兩個(gè)指數(shù)其中一個(gè)相等，一個(gè)大于第j時(shí)相的指數(shù)，提取效果較好，取值為0表示i時(shí)相的提取效果的F1和IoU兩個(gè)指數(shù)分別大于小于第j時(shí)相的指數(shù)，提取效果不相上下，無法判斷，函數(shù)Iij取值為負(fù)時(shí)，比較結(jié)果相反。

1.5 研究方法

結(jié)合以上數(shù)據(jù)處理過程并設(shè)計(jì)以下技術(shù)路線：(1)結(jié)合模型對(duì)單時(shí)相Sentinel-2遙感影像進(jìn)行提??；(2)使用評(píng)估函數(shù)單月份時(shí)相提取結(jié)果進(jìn)行提取效果的比較，并對(duì)單月份時(shí)相提取效果進(jìn)行排序；(3)依次加入提取效果最佳的時(shí)相進(jìn)行棉花提取，并獲得棉花提取的最優(yōu)時(shí)相組合；(4)在最優(yōu)時(shí)相組合下使用本文模型與SegNet和U-Net進(jìn)行對(duì)比分析，本文的技術(shù)路線如圖3所示。

圖3 技術(shù)路線圖

2 結(jié)果與分析

2.1 Deeplabv3+模型對(duì)單時(shí)相遙感影像進(jìn)行棉花提取

為了獲取棉花提取的最優(yōu)時(shí)相及其組合，使用本文模型對(duì)棉花生長(zhǎng)周期的每個(gè)時(shí)相進(jìn)行逐一提取，提取結(jié)果如表2所示。

對(duì)該結(jié)果使用評(píng)估模型進(jìn)行兩兩的比較，函數(shù)Iij取值結(jié)果如表3所示。

其中表3中第一列的月份值為式(5)中的i，第二行的月份值為式(5)中的j，那么從表3可知：

I67=2,I78=2,I89=2,I910=0,I104=2,I45=2。

(7)

根據(jù)該分段函數(shù)評(píng)估結(jié)果式(7)我們可以發(fā)現(xiàn)，模型單時(shí)相提取效果從高到低排序?yàn)?月時(shí)相、7月時(shí)相、8月時(shí)相、9月時(shí)相或10月時(shí)相，4月時(shí)相，5月時(shí)相，當(dāng)時(shí)相為6時(shí)遙感影像的提取效果最好，準(zhǔn)確率、召回率、F1指數(shù)和IoU值可達(dá)到0.86、0.89、0.88、0.78，其中提取效果7月時(shí)相和8月時(shí)相與6月時(shí)相相比略低一些，而對(duì)于9月時(shí)相和10月時(shí)相，提取效果較為相近，時(shí)相為4時(shí)提取效果比5時(shí)相提取效果好，F(xiàn)1和IoU指數(shù)分別高出5%和7%。

表2 模型單時(shí)相提取結(jié)果

表3 分段函數(shù)評(píng)估模型單時(shí)相比較

2.2 Deeplabv3+模型對(duì)不同時(shí)相遙感影像組合進(jìn)行棉花提取

為了獲得最優(yōu)提取時(shí)相組合，通過Deeplabv3+模型使用準(zhǔn)確率P、召回率R、F1指數(shù)和交并比IoU對(duì)棉花提取時(shí)相及其組合對(duì)棉花的提取效果進(jìn)行衡量，分別從上表按提取效果依次加入最佳的時(shí)相進(jìn)行棉花提取。式(7)中我們可以看出，在使用Deeplabv3+模型對(duì)單時(shí)相棉花遙感影像進(jìn)行提取時(shí)，函數(shù)I910=0，9月時(shí)相與10月時(shí)相的遙感影像兩者的提取效果相差不大，而當(dāng)分別訓(xùn)練6月、7月、8月、9月時(shí)相組合和6月、7月、8月、10月時(shí)相組合時(shí)，得出加入10月時(shí)相組合時(shí)的提取結(jié)果P、R、F1、IoU分別為0.93、0.94、0.93、0.87，而加入9月時(shí)相的提取結(jié)果為0.90、0.91、0.91、0.84，此時(shí)兩種時(shí)相組合評(píng)估模型的函數(shù)Iij取值為I6 789,67 810=-2，故按提取結(jié)果從高到低的順序并使用分段函數(shù)評(píng)估模型對(duì)有疑義的組合進(jìn)行重新排序時(shí)，可得該結(jié)果可以按6月、7月、8月、10月、9月、5月、4月進(jìn)行排列，依次加入單時(shí)相進(jìn)行訓(xùn)練組合，組合方式如表4所示。

表4 多時(shí)相影像組合方式

其中1表示該時(shí)相遙感影像輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行運(yùn)算，0表示該時(shí)相遙感影像不輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行運(yùn)算，確定時(shí)相組合方式后，將其輸入到網(wǎng)絡(luò)中，它的訓(xùn)練結(jié)果如表5所示。

表5 多時(shí)相組合提取結(jié)果

將各時(shí)相組合代入到分段函數(shù)評(píng)估模型Iij取值結(jié)果有：

I45=2,I53=2,I36=0,I62=1,I27=1,I71=2。

(8)

2.3 遙感影像多時(shí)相組合棉花提取結(jié)果及分析

2.3.1 多時(shí)相組合遙感影像提取結(jié)果

(1)從式(8)的取值結(jié)果中，我們可以發(fā)現(xiàn)，其多時(shí)相棉花提取效果從高到低的順序?yàn)?個(gè)時(shí)相、5個(gè)時(shí)相、3個(gè)時(shí)相或6個(gè)時(shí)相、2個(gè)時(shí)相、7個(gè)時(shí)相、1個(gè)時(shí)相，即在使用時(shí)相組合個(gè)數(shù)為4個(gè)時(shí)，所獲得棉花提取效果是最好的，此時(shí)多時(shí)相月份的組合為6月、7月、8月和10月，棉花的提取效果最好，其P、R、F1、IoU指數(shù)分別為0.93、0.94、0.93、0.87，訓(xùn)練時(shí)間適中，適合作為棉花提取的最優(yōu)時(shí)相組合，而當(dāng)多時(shí)相組合為5時(shí)，訓(xùn)練時(shí)間開始增加，提取效果開始下降。

(2)由表3可知，在使用單時(shí)相影像對(duì)棉花進(jìn)行提取，時(shí)相為6時(shí)的棉花影像表現(xiàn)最佳，而多時(shí)相組合的提取效果整體上要大于單一時(shí)相的提取效果，為了進(jìn)一步分析時(shí)相組合影像對(duì)棉田提取效果的情況，以棉花的單時(shí)相提取最低指標(biāo)IoU值0.77為基準(zhǔn)得圖4，從圖4知棉花單時(shí)相提取指標(biāo)低于所有的組合時(shí)相的提取指標(biāo)，且按單時(shí)相提取效果依次對(duì)6時(shí)相的影像進(jìn)行組合，此時(shí)隨著時(shí)相組合個(gè)數(shù)的增加，數(shù)據(jù)量也在不斷增加，模型得到充分的訓(xùn)練，對(duì)棉花的提取效果逐漸變好，而當(dāng)時(shí)相組合個(gè)數(shù)為5、6、7時(shí)，雖然數(shù)據(jù)依舊在增加，其提取效果卻不再提高，反而有所下降。

2.3.2 對(duì)多時(shí)相遙感影像提取結(jié)果進(jìn)行分析

我們從圖5影像中可以發(fā)現(xiàn)，由于研究區(qū)內(nèi)不僅含有棉花，還有其它地物，當(dāng)時(shí)相個(gè)數(shù)逐漸增加時(shí)，圖像信息會(huì)變得更多，比如5月遙感影像和6月遙感影像同時(shí)輸入到模型中時(shí)，此時(shí)訓(xùn)練集影像信息將會(huì)變得異常豐富，但由于不同地物生長(zhǎng)期的不同，雖然同一地物在同一時(shí)間所表現(xiàn)出不同的特征，但是在不同時(shí)相時(shí)，其表現(xiàn)出的特征會(huì)發(fā)生類似的情況。

圖4 各月時(shí)相組合指標(biāo)

A為影像的標(biāo)簽，B，C和D為其不同時(shí)相的遙感影像，其中B標(biāo)注為1的區(qū)域?yàn)?月時(shí)相非棉花區(qū)域，C標(biāo)注為2的區(qū)域?yàn)?月時(shí)相非棉花區(qū)域，D標(biāo)注為3的區(qū)域?yàn)?月時(shí)相棉花區(qū)域。圖5 不同時(shí)相相同地物光譜差異

從圖5中可以看到，5月遙感影像(圖5標(biāo)注2)與6月遙感影像(圖5標(biāo)注3)的特征不相同，但是圖5標(biāo)注1中與其它地物光譜與圖5標(biāo)注3中棉花光譜類似，出現(xiàn)了“同物異譜，異物同譜現(xiàn)象”，從而導(dǎo)致影像信息之間發(fā)生了沖突，識(shí)別效果發(fā)生了一些下降。

而棉花一般在9月下旬至10月初采摘，相較于9月時(shí)相遙感影像，10月時(shí)相與其它月份時(shí)相的“同物異譜，異物同譜”的現(xiàn)象得到了緩和，與其它地物光譜差異較大，易于區(qū)分，識(shí)別精度略有提升。

從圖6中可以看到，標(biāo)注1(非棉花區(qū)域)與標(biāo)注2(棉花區(qū)域)光譜較為類似，而到了10月份時(shí)，棉花到了收獲期，原種植棉花的地塊變成了裸地，此時(shí)標(biāo)注3(棉花區(qū)域)與標(biāo)注4(非棉花區(qū)域)差別較大，識(shí)別精度得到了一些提升。

因此，按單時(shí)相提取效果依次對(duì)6時(shí)相的影像進(jìn)行組合，開始時(shí)加入7月時(shí)相和8月時(shí)相時(shí)，棉花的提取效果逐漸變好，由于10月棉花已收獲，10月遙感影像類間區(qū)別變大，當(dāng)加入10月遙感影像時(shí)，提取效果進(jìn)一步提升，而當(dāng)再加入9月時(shí)相、4月時(shí)相和5月時(shí)相時(shí)，“同物異譜，異物同譜”的現(xiàn)象的出現(xiàn)，此時(shí)隨著數(shù)據(jù)量的增加，提取精度并不再增加，而是一點(diǎn)點(diǎn)降低，此時(shí)數(shù)據(jù)量的增加對(duì)提取效果正面的影響小于“同物異譜，異物同譜”對(duì)提取效果負(fù)面的影響。因此，棉花的最優(yōu)提取時(shí)相組合為6月、7月、8月、10月。

2.3.3 不同網(wǎng)絡(luò)模型在最優(yōu)時(shí)相組合下進(jìn)行對(duì)比分析

為了驗(yàn)證該模型在最優(yōu)時(shí)相組合下進(jìn)行棉花提取效果較好，將最優(yōu)時(shí)相組合遙感影像分別輸入到SegNet與U-Net中，它們的提取結(jié)果如表6所示。

此時(shí)可以看到，本文模型對(duì)比U-Net模型，其準(zhǔn)確率、召回率、F1指數(shù)、IoU指數(shù)至少高出4個(gè)百分點(diǎn)，而對(duì)比SegNet模型，各指數(shù)至少高出16個(gè)百分點(diǎn)，棉花提取效果相較于SegNet模型和U-Net模型，其提取效果都有不同程度的提高。為了進(jìn)一步評(píng)價(jià)本文模型相較于其它模型的優(yōu)勢(shì)，對(duì)各模型的提取效果進(jìn)行了可視化，從圖7中可以看到，本文模型相較于SegNet模型農(nóng)田與農(nóng)田的間隙恢復(fù)較好，對(duì)絕大部分地塊的完整性都有很好的表達(dá)，而相較于U-Net模型，U-Net模型出現(xiàn)了大塊農(nóng)田的錯(cuò)分情況。該結(jié)果說明，本文模型對(duì)農(nóng)田的完整性，及地塊邊緣的恢復(fù)都有很好的效果，棉田的實(shí)際情況可以得到充分表達(dá)。

表6 Deeplabv3+、SegNet、U-Net在最優(yōu)時(shí)相組合上的提取結(jié)果

A:地物標(biāo)簽；B:Deeplabv3+;C:SegNet;D:U-Net。圖7 不同網(wǎng)絡(luò)提取結(jié)果

3 結(jié)論

本文通過對(duì)棉花生長(zhǎng)期內(nèi)Sentinel-2遙感影像輸入到模型中，探究了遙感影像不同時(shí)相及時(shí)相組合對(duì)棉花提取的效果，得出了以下結(jié)論：

(1)使用Sentinel-2單時(shí)相遙感影像對(duì)棉花進(jìn)行提取，其在棉花生長(zhǎng)周期內(nèi)遙感影像提取效果從高到低依次為6月、7月、8月、10月或9月、4月、5月，在9月和10月均有相似的提取效果，6月時(shí)相的遙感影像提取效果最佳。

(2)對(duì)Sentinel-2遙感影像按提取效果進(jìn)行組合發(fā)現(xiàn)，組合時(shí)相個(gè)數(shù)從1個(gè)時(shí)相到4個(gè)時(shí)相時(shí)，提取效果逐漸提高，在4個(gè)時(shí)相時(shí)達(dá)到最佳，其最優(yōu)的提取時(shí)相組合為6月、7月、8月、10月，而當(dāng)組合時(shí)相個(gè)數(shù)增加到5個(gè)及以上時(shí)，隨著數(shù)據(jù)量的增加，其棉花提取效果并沒有得到提升，提取效果出現(xiàn)了略微的下降。

(3)通過本文模型與SegNet模型，U-Net模型對(duì)比發(fā)現(xiàn)，本文模型對(duì)棉田的邊緣信息恢復(fù)較好，農(nóng)田的完整性得到更好的表達(dá)，棉田的實(shí)際種植區(qū)域可以進(jìn)行充分完整提取。