高分二號(hào)衛(wèi)星影像在地表分類中的研究

陳 昀

（常州市自然資源和規(guī)劃服務(wù)中心，江蘇常州 213022）

0 引言

高分二號(hào)（GF-2）是國(guó)內(nèi)第一個(gè)空間分辨率超過1 m 的民用光學(xué)遙感衛(wèi)星，其配備有2 個(gè)1 m 全色、4 m 多波段的高分辨率攝像機(jī)，具備亞米級(jí)空間分辨率、高精度定位等優(yōu)點(diǎn)，極大地提高了衛(wèi)星的綜合性能，達(dá)到了世界領(lǐng)先水平［1］。在地表監(jiān)測(cè)工作中，高分二號(hào)重要用途是獲取高分辨率遙感影像以觀測(cè)地表情況。地形要素中的土壤、地貌、氣候、水文、植被等自然因素可為山洪提供松軟的固體物源、充足水源和陡峭地勢(shì)三大基本條件［2］。通過監(jiān)測(cè)地面土壤、地勢(shì)、地貌等要素，基于高分二號(hào)的遙感影像可以觀測(cè)到地表的變化狀況，從而進(jìn)行災(zāi)害的監(jiān)測(cè)與預(yù)警任務(wù)。研究將使用高分二號(hào)和改進(jìn)的遙感影像分類方法進(jìn)行地表監(jiān)測(cè)，為地區(qū)災(zāi)害監(jiān)測(cè)預(yù)警提供方法。

1 基于高分二號(hào)遙感影像的地表監(jiān)測(cè)方法

1.1 研究區(qū)域概況與傳感器設(shè)置

選取我國(guó)江蘇省常州市某自然風(fēng)景區(qū)，該地區(qū)地勢(shì)較為平坦，以平原為主，人造道路縱橫交錯(cuò)，植被覆蓋率高。選擇2020 年3 月1 日12：00 國(guó)產(chǎn)高分二號(hào)PMS-2 傳感器關(guān)于該地區(qū)平原、道路邊坡及其他周邊環(huán)境的遙感影像進(jìn)行研究。該圖像太陽(yáng)天頂角和方位角分別為29.888°和144.450°；傳感器天頂角和方位角分別為79.722 7°和95.980°。

高分二號(hào)傳感器的光譜響應(yīng)函數(shù)和輻射定標(biāo)系數(shù)采用中國(guó)資源衛(wèi)星應(yīng)用中心于2016 年發(fā)布的參數(shù)數(shù)據(jù)［3］。光譜響應(yīng)函數(shù)為傳感器在每個(gè)波長(zhǎng)處接收到的輻射亮度與入射亮度比值，是傳感器的固有參數(shù)。若一束光經(jīng)大氣反射到傳感器感光元件的固定能量是L，傳感器某一波段的光譜響應(yīng)函數(shù)為0.9，則其入射能量表示為0.9L。

研究先將高分二號(hào)傳感器獲取的DF-2L1A 圖像用定標(biāo)系數(shù)轉(zhuǎn)換為大氣上層輻射亮度圖像，然后用MODTRAN 輻射傳輸模型進(jìn)行大氣校正，其中，包括大氣參數(shù)估算和地面頻譜反射率的演。特別是高空間分辨率像素點(diǎn)相鄰效應(yīng)所引起的交叉輻射通量?；谟欣矶囗?xiàng)式系數(shù)模型（RPC）進(jìn)行幾何修正和正射校正，這對(duì)PMS-2 傳感器高空間分辨率遙感影像的處理具有重要意義。幾何修正處理可以消除圖像的幾何變形，并使圖像地圖具有坐標(biāo)系。正射校正以德國(guó)DLR 的SRTMX-SARDEM 資料為基準(zhǔn)。

1.2 研究區(qū)域監(jiān)測(cè)指標(biāo)選取

此次研究的監(jiān)測(cè)指標(biāo)選取植被覆蓋度、土壤因子、地形坡度因子以及生態(tài)因子等。植被覆蓋度根據(jù)歸一化植被指數(shù)的像元二分模型估計(jì)得出，其過程如式（1）所示：

式中：f為植被覆蓋度；NDVI為歸一化的植被覆蓋指數(shù)值。將近似0.05 的累積百分比作為置信區(qū)間時(shí)，研究域的NDVI直方圖中的像元值是NDVIMAX；以0.95 作為置信區(qū)間時(shí)，研究域的NDVI直方圖中的像元值是NDVIMAX。

坡度和坡向都是重要的地形指標(biāo)，研究采用的ENV15.3 軟件基于DLR SRTM DEM 數(shù)據(jù)，建立了地形坡度預(yù)測(cè)模型。降水、灌水是土壤水的重要來源，有效持水率是土壤水位基本物理特性。有效持水率與土壤基質(zhì)組成、有機(jī)質(zhì)含量、土壤礦物種類等有著密切的關(guān)系，可以通過土壤質(zhì)地來估計(jì)有效持水率。對(duì)于不同的生態(tài)指標(biāo)，如植被覆蓋度、土壤指數(shù)、坡度系數(shù)等，研究根據(jù)這些指標(biāo)對(duì)地質(zhì)生態(tài)環(huán)境的貢獻(xiàn)程度，將它們量化分級(jí)。研究通過DEM 計(jì)算得出地形坡度，并對(duì)各生態(tài)因素進(jìn)行標(biāo)準(zhǔn)化處理。

本研究選擇綜合指數(shù)法進(jìn)行自然生態(tài)環(huán)境評(píng)價(jià)，如式（2）所示：

式中：EI為生態(tài)環(huán)境狀況指數(shù)；Gf為歸一化的植被覆蓋度；Gs為歸一化的土壤因子；Gp為歸一化的地形坡度因子。

1.3 高分辨率遙感影像分類方法改進(jìn)

高分辨率遙感影像的信息量較大，提取其信息的主要手段是圖像分類。而傳統(tǒng)的圖像分類法難以滿足其要求，因此基于對(duì)象的分類技術(shù)是當(dāng)前的主要技術(shù)。但是，該分類技術(shù)還不完善，在選取最優(yōu)參數(shù)和最優(yōu)特征時(shí)，需要更多的人工干預(yù)。所以，更好地實(shí)現(xiàn)地表信息的智能化、自動(dòng)化的圖像分類，仍然是一個(gè)亟待解決的問題［4］。

此次研究選取UNet 網(wǎng)絡(luò)改進(jìn)遙感影像分類技術(shù)。UNet 是經(jīng)典的編碼—解碼結(jié)構(gòu)，由編碼和解碼部分組成。前者由最大池化層和卷積層構(gòu)成，主要進(jìn)行低層次特征提?。缓笳哌M(jìn)行卷積和過采樣，主要用于恢復(fù)由于過采樣而丟失的高層次特征。解碼部分使用Concatente 函數(shù)進(jìn)行特征融合后進(jìn)行卷積。該網(wǎng)絡(luò)具有訓(xùn)練所需樣本數(shù)量少、訓(xùn)練速度快等特點(diǎn)。UNet 網(wǎng)絡(luò)首先被用于圖像復(fù)雜度低、背景單一的醫(yī)療圖像分類。而研究區(qū)域地物種類繁多，遙感影像的光譜范圍大、背景復(fù)雜，傳統(tǒng)的UNet 網(wǎng)絡(luò)很難從其中提取出深層像素點(diǎn)特征。因此研究增加了UNet 網(wǎng)絡(luò)模型的卷積次數(shù)以獲取更深層的抽象特征。

改進(jìn)后的UNet 網(wǎng)絡(luò)模型采用了4 次過采樣和欠采樣的對(duì)稱編碼—解碼結(jié)構(gòu)，輸入圖像的尺寸和輸出圖像一致，都是256×256 像素。模型卷積27次，有4 層最大池化層、2 個(gè)Dropout 層，不具備前饋層。該網(wǎng)絡(luò)的左半部分是一般的卷積網(wǎng)絡(luò)，也就是欠采樣。其組成部分為5 個(gè)卷積層和4 個(gè)最大的池化層。其中，前2 個(gè)卷積層卷積2 次，后3 個(gè)卷積3 次，每個(gè)卷積核的大小都是3×3，卷積核數(shù)量分別是64 個(gè)、128 個(gè)、256 個(gè)、512 個(gè)和1024 個(gè)。同時(shí)，該網(wǎng)絡(luò)還包含了可以減小輸入特征圖大小、提取稀疏特征、減小模型參數(shù)、簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)的池化層。網(wǎng)絡(luò)的右半部分與左半部分是對(duì)稱的，其中心部分是與4 個(gè)降采樣相對(duì)應(yīng)的過采樣和5 個(gè)卷積。過采樣輸出深層的抽象特征，欠采樣輸出淺層的局部特征，采用Concatente 方法將二者融合，從而獲得卷積層的輸入數(shù)據(jù)。如此，模型既能保持特征圖的空間維度，又能還原其細(xì)節(jié)，并在此基礎(chǔ)上利用Softmax 函數(shù)來實(shí)現(xiàn)概率映射。

2 基于高分二號(hào)遙感影像的地表分類方法應(yīng)用結(jié)果分析

為評(píng)估此次改進(jìn)的高分辨率遙感影像分類方法是否有效，選取研究區(qū)域2020 年部分圖像作為訓(xùn)練圖像對(duì)改進(jìn)的UNet 網(wǎng)絡(luò)進(jìn)行訓(xùn)練。選取的地區(qū)涵蓋了研究區(qū)內(nèi)的全部地形類別，并且盡量使類型的數(shù)目平均分配。將該區(qū)各類型的解譯矢量進(jìn)行目視解譯，得到包含園地、荒地、林地、水體、草地、建筑、道路等各種地貌類別屬性的矢量數(shù)據(jù)。選擇5120×2560 個(gè)像素點(diǎn)作為訓(xùn)練數(shù)據(jù)，5120×2560 個(gè)像素點(diǎn)作為驗(yàn)證數(shù)據(jù)。網(wǎng)絡(luò)訓(xùn)練環(huán)境如下所示：

Inter（R）Core（TM）i7-7700HQCPU@2.80GHz2.80 GHz 處理器，TensorFlow2.0.0 為GPU 版本；測(cè)試時(shí)為Inter（R）Core（TM）i5-8250UCPU@1.60GHz1.80 GHz 處理器，TensorFlow2.0.0 為CPU 版本；學(xué)習(xí)框架為Python3.6、Keras2.2.4 軟件。

每一次迭代，網(wǎng)絡(luò)都會(huì)有100 個(gè)采樣，也就是每一次重復(fù)500 個(gè)采樣。當(dāng)?shù)瓿珊?，損失減少時(shí)，將權(quán)值模型保留，并設(shè)定迭代200 次。由于該模型的輸入尺寸是256×256 像素，因此，需要定義一個(gè)測(cè)試圖像生成器，將圖像轉(zhuǎn)換為能夠被輸入的圖像尺寸，再通過滑動(dòng)窗口將該圖像分割輸入到該生成器中，將該圖像轉(zhuǎn)換為能夠被輸入到該模型中的格式。此次實(shí)驗(yàn)采用誤差矩陣來評(píng)定改進(jìn)UNet網(wǎng)絡(luò)的分類效果，該矩陣能求出該方法分類不同類型圖像的精度，并能反映出研究區(qū)的整體精度。為分析本研究方法的性能，還對(duì)比了其與決策樹、最近鄰等傳統(tǒng)圖像分類方法、文獻(xiàn)［5］的基于增強(qiáng)型DeepLab 算法、自適應(yīng)損失函數(shù)方法的分類結(jié)果。

UNet 網(wǎng)絡(luò)分類結(jié)果的誤差矩陣如圖1 所示。該圖是一個(gè)8×8 的矩陣表達(dá)，每個(gè)行表示這個(gè)類別的像素點(diǎn)分類到其他類別的正確與誤分?jǐn)?shù)量。每一種圖像分類的精確度就是該類別中的像素點(diǎn)與該地區(qū)整體像素點(diǎn)的比率，而整體精確度則是所有分類正確的像素點(diǎn)與研究區(qū)總像素點(diǎn)數(shù)量之比。該圖中單元格的顏色越深表示像素點(diǎn)數(shù)量越多。

圖1 UNet 網(wǎng)絡(luò)分類結(jié)果誤差矩陣

由圖1 可知：大部分像素點(diǎn)都被分類到了正確的圖像類型之中。其中林地圖像的正確分類像素點(diǎn)數(shù)量最多，說明本研究方法對(duì)帶有林地元素的遙感影像分類精度最高。

UNet 網(wǎng)絡(luò)各類型圖像的分類精度如圖2 所示。UNet 網(wǎng)絡(luò)分類的整體準(zhǔn)確率可達(dá)89.98%，其對(duì)林地的劃分效果特別好，其中林地的分類準(zhǔn)確率高達(dá)96.01%，僅次于建筑物，這與林地特征簡(jiǎn)單易識(shí)別有關(guān)?；牡睾偷缆穼?duì)比林地的分類精度要小一些，前者是85.63%，后者是73.60%。建筑的分類準(zhǔn)確率是96.00%，部分建筑因?yàn)橛芯G化區(qū)域被錯(cuò)誤地分類為林地，水體和其他類型相對(duì)分類準(zhǔn)確率不高，分別為74.30% 和72.67%，其中大部分水域被錯(cuò)誤劃分為森林和荒地，原因是河流周邊的海岸線和沼澤地都有植被，而真正的淺灘和水源豐富的濕地則屬于水域。其他類型圖像因?yàn)閿?shù)量不多，導(dǎo)致訓(xùn)練樣本量較小，因此網(wǎng)絡(luò)的分類精度較差。道路的準(zhǔn)確率為79.88%。草地的分類準(zhǔn)確率最低，在68.72% 左右，這與草場(chǎng)樣本數(shù)量稀少、無法提取深層特征有關(guān)。

圖2 UNet 網(wǎng)絡(luò)各類型圖像分類精度

改進(jìn)UNet 方法與決策樹法、最近鄰法、文獻(xiàn)［5］方法的分類結(jié)果如圖3 所示。

圖3 各方法分類精度

由圖3 可知：本研究所提出的方法具有較高的分類準(zhǔn)確率，其他幾種方法的準(zhǔn)確率相差不大。改進(jìn)UNet 方法比最近鄰法的整體準(zhǔn)確率提高了13.60%，比決策樹算法整體準(zhǔn)確率提高了16.41%，比文獻(xiàn)［5］方法提高了8.83%。除了草地和水體外，本研究方法的分類準(zhǔn)確率都是最高的，其余3 種方法的水體類型分類準(zhǔn)確率都比較低。這與河流的特點(diǎn)有關(guān)，河道灘涂雖然也歸屬水體但也具有植被，易與林地草地混同。

總之，UNet 網(wǎng)絡(luò)實(shí)現(xiàn)了圖像與類型之間的逐像素點(diǎn)匹配，得到了一個(gè)快速、高效、相對(duì)精確的分類模型。研究得到的研究區(qū)域各指標(biāo)的評(píng)價(jià)結(jié)果如表1 所示，植被覆蓋率越高、坡度越小、土壤指數(shù)越大，表明研究地區(qū)的環(huán)境綜合評(píng)價(jià)越好。結(jié)合UNet的遙感影像分類結(jié)果與監(jiān)測(cè)數(shù)據(jù)可知：本研究區(qū)域的環(huán)境狀況整體表現(xiàn)良好。道路沿線及其周圍的自然生態(tài)環(huán)境基本沒有遭到破壞，生態(tài)系統(tǒng)整體穩(wěn)定，生態(tài)系統(tǒng)自身的機(jī)能和自我修復(fù)能力也較好；地質(zhì)生態(tài)環(huán)境對(duì)高速公路自身的損害程度不大。但道路兩側(cè)部分坡面仍有可能發(fā)生崩塌，因此，在雨季期間，應(yīng)加強(qiáng)持續(xù)監(jiān)測(cè)，以更全面地認(rèn)識(shí)邊坡滑坡的危險(xiǎn)性，并作出相應(yīng)的預(yù)警。

表1 各指標(biāo)評(píng)價(jià)結(jié)果

3 結(jié)語(yǔ)

為研究高分二號(hào)在地表分類中的作用，研究將其應(yīng)用于監(jiān)測(cè)江蘇省常州市某自然風(fēng)景區(qū)X 地表并對(duì)基于UNet 網(wǎng)絡(luò)的遙感影像分類方法進(jìn)行了改進(jìn)。實(shí)驗(yàn)結(jié)果顯示：改進(jìn)UNet 網(wǎng)絡(luò)分類的整體準(zhǔn)確率為89.98%，比最近鄰法的整體準(zhǔn)確率高13.60%，比決策樹算法高16.41%，比文獻(xiàn)［5］分類方法高8.83%?；谶b感影像與監(jiān)測(cè)數(shù)據(jù)的評(píng)價(jià)結(jié)果顯示：研究區(qū)域的環(huán)境狀況整體表現(xiàn)良好，高分二號(hào)的地表監(jiān)測(cè)方法是有效的。結(jié)合遙感影像分類結(jié)果與監(jiān)測(cè)數(shù)據(jù)，對(duì)該自然風(fēng)景區(qū)環(huán)境進(jìn)行綜合評(píng)價(jià)，得出了以下3 點(diǎn)結(jié)論：

1）基于改進(jìn)UNet 網(wǎng)絡(luò)的遙感影像分類方法能有效地監(jiān)測(cè)地表變化并提供災(zāi)害預(yù)警。

2）得益于風(fēng)景區(qū)的建立，該地區(qū)的自然生態(tài)環(huán)境得到了維護(hù)，整體生態(tài)環(huán)境狀況較為良好。

3）該地區(qū)的地質(zhì)生態(tài)環(huán)境整體穩(wěn)定，但道路邊坡的雨季滑坡仍然存在，可借助監(jiān)測(cè)數(shù)據(jù)及時(shí)作出預(yù)警。

研究結(jié)果有利于拓展高分二號(hào)在地表分類中的應(yīng)用，為其他區(qū)域的實(shí)際地類分類與監(jiān)測(cè)工作提供借鑒。但此次研究?jī)H對(duì)UNet 網(wǎng)絡(luò)的參數(shù)和卷積層進(jìn)行了修正，網(wǎng)絡(luò)仍然需要許多次訓(xùn)練才能完成收斂，在今后的研究中還需探索其他方法縮短網(wǎng)絡(luò)的訓(xùn)練時(shí)長(zhǎng)，提高收斂性能。