基于無人機(jī)高光譜的荒漠草原地物精簡學(xué)習(xí)分類模型

王 圓 畢玉革

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特 010018；2.鄂爾多斯應(yīng)用技術(shù)學(xué)院信息工程系，鄂爾多斯 017000)

0 引言

荒漠草原是我國北方重要的生態(tài)安全屏障，在保持生物多樣性及維護(hù)生態(tài)平衡方面具有特殊地位[1]?；哪菰匚锍尸F(xiàn)細(xì)碎分布，分類要求趨于精細(xì)化[2]，無人機(jī)低空遙感平臺(tái)克服了傳統(tǒng)遙感空間分辨率不足[3-5]的缺點(diǎn)，在草原生態(tài)環(huán)境保護(hù)領(lǐng)域逐漸得到應(yīng)用[6]。高光譜數(shù)據(jù)具有“圖譜合一”的特點(diǎn)[7]，在地物精細(xì)識(shí)別分類中，以無人機(jī)為高光譜成像儀搭載平臺(tái)，可充分發(fā)揮納米級(jí)光譜分辨率與厘米級(jí)空間分辨率相結(jié)合的優(yōu)勢(shì)[8-9]。

從目前研究現(xiàn)狀來看，許多性能優(yōu)異的卷積神經(jīng)網(wǎng)絡(luò)模型經(jīng)過改進(jìn)后被引入到遙感影像解譯中[10-11]，這些模型[12-13]通過加深網(wǎng)絡(luò)獲取RGB圖像特征[14-15]，然而采用經(jīng)典模型缺少對(duì)遙感場景特殊性的考慮[16-18]。大量研究成果為獲得較高分類精度而創(chuàng)建了多層網(wǎng)絡(luò)模型[19-20]，如汪傳建等[21]建立7層二維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)多種農(nóng)作物進(jìn)行分類，PI等[22]創(chuàng)建5層三維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)荒漠草原裸土、植被進(jìn)行分類，這些深度網(wǎng)絡(luò)模型可能存在計(jì)算過度、耗費(fèi)時(shí)間過長等問題。應(yīng)用于高光譜遙感的3D-CNN可以同時(shí)提取高光譜遙感影像數(shù)據(jù)的光譜信息和空間信息，缺點(diǎn)是3D-CNN卷積操作本身計(jì)算復(fù)雜度高，易造成計(jì)算壓力加大，訓(xùn)練成本增加等問題。

本文集成無人機(jī)高光譜遙感系統(tǒng)，選擇典型荒漠草原為研究對(duì)象，在保證地物分類精度的基礎(chǔ)上，提出3D-CNN精簡學(xué)習(xí)分類模型，并通過超參數(shù)調(diào)優(yōu)，以降低模型深度為目標(biāo)，向輕量、高效模型方向探索，以期建立適用于荒漠草原細(xì)碎地物分類應(yīng)用的精簡學(xué)習(xí)分類模型。

1 研究區(qū)與數(shù)據(jù)采集

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古自治區(qū)四子王旗，地理坐標(biāo)為北緯41°47′17″，東經(jīng)111°53′46″，海拔1 450 m，地處溫帶草原向干旱荒漠過渡的典型荒漠草原。無人機(jī)航飛數(shù)據(jù)采集區(qū)域?yàn)?.61 hm2，氣候類型屬于中溫帶大陸性季風(fēng)氣候，春季干旱多風(fēng)，夏季炎熱，年降水量約200 mm，該地具有荒漠草原典型地域的特征[23]，植被草層低矮稀疏，蓋度低且呈碎片化分布[24-25]。研究區(qū)域位置及無人機(jī)航飛區(qū)域衛(wèi)星圖像如圖1所示。

圖1 研究區(qū)域位置及其衛(wèi)星圖像

1.2 無人機(jī)高光譜遙感采集系統(tǒng)

本研究集成的無人機(jī)高光譜遙感系統(tǒng)為六旋翼無人機(jī)搭載Gaia Sky-mini型高光譜儀，該高光譜儀具有256個(gè)波段，采用內(nèi)置推掃成像工作方式，光譜分辨率為3.5 nm，光譜范圍為400～1 000 nm，可將高空間分辨率與高光譜分辨率優(yōu)勢(shì)結(jié)合，并實(shí)現(xiàn)“空譜合一”，無人機(jī)高光譜遙感系統(tǒng)如圖2所示。

圖2 無人機(jī)高光譜遙感系統(tǒng)

2 研究方法

無人機(jī)高光譜影像數(shù)據(jù)采集后，在數(shù)據(jù)完成預(yù)處理的基礎(chǔ)上，首先利用目視解譯提取裸土、植被、標(biāo)記物純凈像元光譜，進(jìn)行光譜特征分析，計(jì)算反射率均值，選取特征波段；而后利用特征波段構(gòu)建分類規(guī)則，進(jìn)行閾值統(tǒng)計(jì)與分析，選取最佳可分性閾值，制作數(shù)據(jù)集；最后構(gòu)建精簡學(xué)習(xí)分類模型，并進(jìn)行超參數(shù)優(yōu)化，圖3為研究方法的具體技術(shù)流程。

圖3 技術(shù)路線流程圖

2.1 高光譜影像獲取和預(yù)處理

2.1.1無人機(jī)遙感系統(tǒng)數(shù)據(jù)采集及野外實(shí)測(cè)

根據(jù)2021年荒漠草原氣候特征及其植被的生長周期特性，在植物長勢(shì)茂盛的2021年7月上旬進(jìn)行野外試驗(yàn)，通過人工踏訪，在植被相對(duì)聚集區(qū)設(shè)置樣方，共設(shè)置植被混合樣方20個(gè)，為滿足光學(xué)遙感所需的氣象條件，選擇無風(fēng)晴朗少云的天氣進(jìn)行野外數(shù)據(jù)采集并及時(shí)校正標(biāo)準(zhǔn)參考白板。為了便于無人機(jī)空中采集數(shù)據(jù)辨認(rèn)樣方種類，由樣方外西南角插下藍(lán)色小旗、東北角放置藍(lán)色地墊共同指示，標(biāo)記物圖像如圖4中紅色方框所示。

圖4 標(biāo)記物圖像

無人機(jī)飛行高度30 m時(shí)，獲得的高光譜遙感影像的空間分辨率為2.3 cm，滿足荒漠草原裸土、植被群落和標(biāo)志物的目視解譯要求。為了進(jìn)一步減小隨機(jī)誤差，對(duì)每個(gè)樣方采集5次，圖5為無人機(jī)數(shù)據(jù)采集流程圖。

圖5 無人機(jī)數(shù)據(jù)采集流程圖

2.1.2數(shù)據(jù)預(yù)處理

本文數(shù)據(jù)預(yù)處理包括去除扭曲變形圖像、輻射校正、濾波降噪等環(huán)節(jié)。先由人工目視法去除因陣風(fēng)影響發(fā)生扭曲變形的圖像，而后使用SpectView軟件進(jìn)行輻射校正，將遙感影像像元亮度值(Digital number，DN)轉(zhuǎn)換為光譜反射率[26]，得到地物真實(shí)的反射率數(shù)據(jù)，再使用ENVI 5.3軟件進(jìn)行反射率檢查，進(jìn)一步篩選出可用數(shù)據(jù)。由于野外采集光譜受到環(huán)境干擾、儀器噪聲等多種因素影響，導(dǎo)致光譜曲線附帶較多噪聲，影響后續(xù)光譜分析。為使光譜曲線降低噪聲干擾[27]，更易發(fā)現(xiàn)波峰、波谷，因此需要對(duì)反射率校正后的光譜曲線進(jìn)行光譜平滑去噪[28-29]，本文采用Savitzky-Golay方法進(jìn)行平滑降噪。

2.2 樣本數(shù)據(jù)制作

高光譜圖像由數(shù)百個(gè)高度相關(guān)的光譜波段組成，光譜信息豐富，具有遙感大數(shù)據(jù)的特征[30]，因此高光譜遙感影像數(shù)據(jù)的處理方式不同于RGB 3波段圖像數(shù)據(jù)處理，高光譜圖像處理通常用到波段選擇[31]、特征提取[32]等方法。

2.2.1存儲(chǔ)格式轉(zhuǎn)換

本研究采集數(shù)據(jù)默認(rèn)的存儲(chǔ)格式為波段按行交叉格式(Band interleaved by line format，BIL)，由于按波段順序排列存儲(chǔ)格式(Band sequential format，BSQ)更適合空間分析應(yīng)用，因此將無人機(jī)獲得的高光譜數(shù)據(jù)由BIL格式轉(zhuǎn)換為BSQ格式。

2.2.2包絡(luò)線去除

基于荒漠草原地物之間光譜差異微弱的特點(diǎn)，直接使用原始反射率光譜構(gòu)建植被指數(shù)難以實(shí)現(xiàn)地物分類，因此需要采用光譜變換的方法增強(qiáng)光譜差異。本文采用包絡(luò)線去除法，將原始反射率光譜進(jìn)行連續(xù)統(tǒng)去除變換，有效突出了地物的光譜特征。

2.2.3植被指數(shù)構(gòu)建

利用經(jīng)過連續(xù)統(tǒng)去除變換后的高光譜數(shù)據(jù)，選取第50波段(中心波長為508.6 nm)和第65波段(中心波長為543.5 nm)構(gòu)建差值植被指數(shù)(Difference vegetation index，DVI)，選取第125波段(中心波長為686.7 nm)和第145波段(中心波長為735.8 nm)構(gòu)建歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)。以上2種植被指數(shù)利用近紅外波段高反射率和紅光波段低反射率進(jìn)行波段合成[33]。通過構(gòu)建的2種植被指數(shù)，獲得植被圖像增強(qiáng)的灰度圖，提高了目視解譯精度，便于進(jìn)一步選取感興趣區(qū)域[34-35]。

2.2.4自制數(shù)據(jù)集

數(shù)據(jù)采集時(shí)由于空間分辨率的影響導(dǎo)致存在大量混合像元，干擾地物邊界提取，造成光譜數(shù)據(jù)不確定，導(dǎo)致地物像素分類難度加大。通過對(duì)感興趣區(qū)域裸土、標(biāo)記物、植被3種地物提取純凈端元，構(gòu)建植被指數(shù)分別進(jìn)行閾值統(tǒng)計(jì)。具體過程為：①通過選取每類地物各50個(gè)純凈像元確定特征波段。②利用特征波段建立植被指數(shù)，獲得灰度圖。③在灰度圖上選出各地物像元，進(jìn)行置信度為5%～95%的DN值統(tǒng)計(jì)。④分析得出各地物的最佳可分閾值，設(shè)定NDVI大于0.15且DVI大于0標(biāo)記為植被，NDVI取[0,0.08]標(biāo)記為裸土。裸土、植被、標(biāo)記物對(duì)應(yīng)的顏色編碼和樣本數(shù)量如表1所示。

表1 數(shù)據(jù)集顏色編碼和樣本數(shù)量

在確定地物間最佳可分閾值基礎(chǔ)上制作數(shù)據(jù)集，數(shù)據(jù)集共有181 693個(gè)數(shù)據(jù)樣本，其中裸土有42 608個(gè)，標(biāo)記物(地墊、旗子)有586個(gè)，植被有138 499個(gè)。在進(jìn)行模型訓(xùn)練之前，隨機(jī)選取數(shù)據(jù)集中80%的數(shù)據(jù)作為訓(xùn)練集，其余20%的數(shù)據(jù)作為測(cè)試集，訓(xùn)練集共有145 354個(gè)樣本，測(cè)試集共有36 339個(gè)樣本，數(shù)據(jù)集標(biāo)簽圖如圖6所示。

圖6 數(shù)據(jù)集標(biāo)簽圖

2.2.5數(shù)據(jù)降維

高光譜圖像數(shù)據(jù)大量波段間的高度相關(guān)性帶來了數(shù)據(jù)冗余，有必要進(jìn)行數(shù)據(jù)降維[36]，本研究獲取的高光譜數(shù)據(jù)共有256個(gè)波段，采用主成分分析(PCA)法，設(shè)置8個(gè)新的主成分進(jìn)行降維，將圖像信息保留到98%以上。

2.2.6patch分割

高光譜遙感數(shù)據(jù)地物分類是類似于圖像語義分割的技術(shù)，即把分類器的預(yù)測(cè)結(jié)果映射到遙感影像的每個(gè)像素，實(shí)現(xiàn)影像分割。3D-CNN是以影像像素的鄰域塊作為網(wǎng)絡(luò)的輸入，基于滑動(dòng)窗口patch進(jìn)行高光譜遙感影像語義分割，設(shè)置窗口尺寸為17，即表示采用一個(gè)尺寸17×17的滑動(dòng)窗口，按照從左到右、從上到下遍歷整個(gè)高光譜遙感影像，將每個(gè)窗口的內(nèi)容放在卷積神經(jīng)網(wǎng)絡(luò)里面進(jìn)行分類，分類結(jié)果就是每一個(gè)窗口的中心像素點(diǎn)的類別。

2.3 精簡學(xué)習(xí)分類模型構(gòu)建和精度評(píng)價(jià)

2.3.1精簡學(xué)習(xí)分類模型構(gòu)建

與傳統(tǒng)的機(jī)器學(xué)習(xí)特征工程[37-38]相比，深度學(xué)習(xí)可以自動(dòng)提取圖像內(nèi)在深層特征，有利于解決復(fù)雜的分類問題，因此現(xiàn)有研究中模型卷積層個(gè)數(shù)普遍大于1層，但隨著層數(shù)的增加容易造成計(jì)算過度的問題。本研究旨在建立適用于荒漠草原地物分類的單層卷積學(xué)習(xí)分類模型，以構(gòu)建精簡模型的思路解決荒漠草原地物分類的問題，并在此基礎(chǔ)上，進(jìn)行網(wǎng)絡(luò)超參數(shù)的優(yōu)化，達(dá)到高精度識(shí)別各類地物的目的，精簡學(xué)習(xí)分類模型結(jié)構(gòu)示意圖如圖7所示。

圖7 精簡學(xué)習(xí)分類模型結(jié)構(gòu)示意圖

初始網(wǎng)絡(luò)模型中，卷積核數(shù)量為4，卷積核尺寸為7×7×7，窗口尺寸為17，學(xué)習(xí)率為0.001，批量規(guī)模為32，訓(xùn)練輪數(shù)為100。初始網(wǎng)絡(luò)模型如表2所示。

表2 初始網(wǎng)絡(luò)模型

2.3.2精度評(píng)價(jià)

為評(píng)價(jià)精簡學(xué)習(xí)分類模型的分類精度，本文采用混淆矩陣、測(cè)試準(zhǔn)確率、總體分類精度(Overall accuracy,OA)、平均分類精度(Average accuracy,AA)、Kappa系數(shù)等作為精度評(píng)價(jià)指標(biāo)，對(duì)分類結(jié)果進(jìn)行分析并評(píng)價(jià)模型性能。其中，混淆矩陣以表格形式對(duì)多分類結(jié)果進(jìn)行可視化展示，總體分類精度以數(shù)值形式表示被正確分類的樣本數(shù)占分類樣本總數(shù)的比例。

3 結(jié)果與分析

3.1 初始模型可視化分類結(jié)果

對(duì)初始精簡學(xué)習(xí)分類模型進(jìn)行訓(xùn)練，得到初始模型分類結(jié)果：初始模型的裸土測(cè)試準(zhǔn)確率為99.835%，植被測(cè)試準(zhǔn)確率為99.913%，Kappa系數(shù)為0.988，總體分類精度(OA)為99.573%。

初始模型可視化分類結(jié)果如圖8所示，從圖8可以看出，初始模型未識(shí)別到任何標(biāo)記物，即標(biāo)記物識(shí)別率為0%，初始模型平均分類精度為66.583%，識(shí)別結(jié)果未達(dá)到預(yù)期效果，因此本模型需進(jìn)行超參數(shù)優(yōu)化，進(jìn)一步改善模型分類性能。

圖8 初始模型可視化分類結(jié)果

3.2 精簡學(xué)習(xí)分類模型超參數(shù)優(yōu)化

根據(jù)參數(shù)邏輯關(guān)系及單變量原理，依次調(diào)整初始精簡學(xué)習(xí)分類模型中的超參數(shù)，逐步得到最優(yōu)超參數(shù)組合并進(jìn)行預(yù)測(cè)。具體超參數(shù)有訓(xùn)練輪數(shù)、卷積核尺寸、卷積核數(shù)量、學(xué)習(xí)率、批量規(guī)模等。

(1)訓(xùn)練輪數(shù)。通過反復(fù)多次進(jìn)行模型訓(xùn)練，結(jié)果顯示模型在訓(xùn)練輪數(shù)前50次期間，訓(xùn)練精度已趨于一個(gè)穩(wěn)定值，所以在隨后訓(xùn)練中，訓(xùn)練輪數(shù)均取50即可。

(2)卷積核數(shù)量。卷積核起到特征提取的作用，增加卷積核數(shù)量可以提高模型性能，訓(xùn)練時(shí)間也相應(yīng)增加。因此在初始精簡學(xué)習(xí)分類網(wǎng)絡(luò)模型卷積核數(shù)量為4的基礎(chǔ)上，逐漸增加卷積核數(shù)量至5、6、7、8、9、10，分別進(jìn)行模型精度測(cè)試，得到總體分類精度分別為95.546%、99.912%、99.931%、99.568%、99.584%、99.917%。

當(dāng)卷積核數(shù)量為5、6、7時(shí)，總體分類精度逐步升高，卷積核數(shù)量為7時(shí)達(dá)到最大值。當(dāng)卷積核數(shù)量為8時(shí)，分類精度下降，卷積核數(shù)量為9和10時(shí)，分類精度有所上升，但未達(dá)到最大值。

(3)學(xué)習(xí)率及卷積核尺寸。保持初始模型的學(xué)習(xí)率為0.001，卷積核數(shù)量為4，將卷積核尺寸分別設(shè)置為1×1×1、3×3×3、5×5×5時(shí)，得到分類結(jié)果如表3所示，從表3可看出，這3種卷積核尺寸條件下的標(biāo)記物均未被識(shí)別出。

表3 初始模型的學(xué)習(xí)率為0.001時(shí)的分類結(jié)果

將學(xué)習(xí)率設(shè)置為0.000 1，對(duì)卷積核尺寸依次設(shè)置為1×1×1、3×3×3、5×5×5、7×7×7，得到分類結(jié)果如表4所示。

表4 初始模型的學(xué)習(xí)率為0.000 1時(shí)的分類結(jié)果

由表4可以看出，在學(xué)習(xí)率為0.000 1條件下，卷積核尺寸為3×3×3、5×5×5、7×7×7時(shí)均可以高精度識(shí)別標(biāo)記物，模型在卷積核尺寸為7×7×7時(shí)達(dá)到最優(yōu)。

(4)批量規(guī)模。在初始模型各項(xiàng)參數(shù)保持不變的基礎(chǔ)上，取批量規(guī)模依次為16、32、64、128、256、512，對(duì)比模型在不同批量規(guī)模下的分類結(jié)果，如 圖9所示。當(dāng)學(xué)習(xí)率保持0.001時(shí)，改變批量規(guī)模，隨著批量規(guī)模增加，各項(xiàng)指標(biāo)均得到提升，當(dāng)批量規(guī)模為512時(shí)，模型分類結(jié)果達(dá)到最優(yōu)。

圖9 不同批量規(guī)模的分類結(jié)果

(5)其他參數(shù)。將卷積層valid模式更改為same模式進(jìn)行訓(xùn)練，分類效果基本不變，卷積運(yùn)算模式對(duì)本模型分類結(jié)果影響不大；將池化參數(shù)由(1,1,2)更改為(2,2,2)后進(jìn)行訓(xùn)練，結(jié)果顯示此操作不能對(duì)標(biāo)記物識(shí)別結(jié)果起到改善作用。

3.3 模型優(yōu)化結(jié)果分析

研究表明學(xué)習(xí)率、卷積核尺寸、批量規(guī)模對(duì)精簡學(xué)習(xí)分類模型性能影響較大，而卷積模式、池化參數(shù)對(duì)模型性能影響較小。綜合以上研究結(jié)果，設(shè)定各超參數(shù)為：批量規(guī)模為512，學(xué)習(xí)率為0.000 1，卷積核尺寸為7×7×7，訓(xùn)練輪數(shù)為50，卷積核數(shù)量為4，連續(xù)訓(xùn)練5次，分類結(jié)果如表5所示。

表5 連續(xù)訓(xùn)練5次的分類結(jié)果

通過模型優(yōu)化，本研究將初始精簡學(xué)習(xí)分類模型在數(shù)據(jù)集上的總體分類精度從99.573%提高到99.746%(5組數(shù)據(jù)的計(jì)算平均值)。模型優(yōu)化后可視化分類結(jié)果如圖10所示。

圖10 模型優(yōu)化后的可視化分類結(jié)果

分析初始學(xué)習(xí)精簡分類模型識(shí)別標(biāo)記物小樣本出現(xiàn)的問題，原因是學(xué)習(xí)率為0.001時(shí)，損失函數(shù)曲線波動(dòng)較大，不利于標(biāo)記物的識(shí)別?？蓪W(xué)習(xí)率降低，設(shè)置學(xué)習(xí)率為0.000 1，采用優(yōu)化后的超參數(shù)組合，得到模型損失函數(shù)曲線如圖11所示，由圖11可知，曲線較為平滑，模型優(yōu)化效果較好。

圖11 優(yōu)化后模型損失函數(shù)曲線

4 結(jié)論

(1)針對(duì)荒漠草原植被稀疏、裸土呈細(xì)碎化分布的特點(diǎn)，集成了無人機(jī)高光譜遙感系統(tǒng)，選擇在典型荒漠草原進(jìn)行地物光譜數(shù)據(jù)采集，首次提出基于3D-CNN的精簡學(xué)習(xí)分類模型，對(duì)荒漠草原植被、裸土、標(biāo)記物等地物進(jìn)行分類，得到了較高精度。精簡學(xué)習(xí)分類模型具有輕量、高效的特點(diǎn)，在荒漠草原地物的分類與識(shí)別應(yīng)用中具有較大優(yōu)勢(shì)。

(2)采集的無人機(jī)高光譜數(shù)據(jù)具有256個(gè)波段，不能直接輸入精簡分類模型，需通過主成分分析法進(jìn)行降維，為保留98%的信息量，獲得8個(gè)主成分，若保留更少的信息量，主成分?jǐn)?shù)量也可減少，分類模型可進(jìn)一步簡化。

(3)對(duì)初始模型調(diào)優(yōu)的過程中發(fā)現(xiàn)3個(gè)主要規(guī)律：針對(duì)初始模型對(duì)標(biāo)記物的識(shí)別效果不佳問題，通過對(duì)學(xué)習(xí)率、批量規(guī)模、卷積核尺寸、卷積核數(shù)量等超參數(shù)優(yōu)化，可有效提高標(biāo)記物識(shí)別率，而通過改變卷積模式、池化參數(shù)等方式，不能改善標(biāo)記物識(shí)別效果；學(xué)習(xí)率對(duì)模型訓(xùn)練有較大影響，當(dāng)學(xué)習(xí)率偏大時(shí)，損失函數(shù)曲線呈現(xiàn)出較大波動(dòng)，不利于標(biāo)記物識(shí)別，應(yīng)降低學(xué)習(xí)率，使損失函數(shù)曲線趨于平滑后再進(jìn)行標(biāo)記物識(shí)別；在確定適當(dāng)學(xué)習(xí)率基礎(chǔ)上，選擇尺寸較大的卷積核有利于標(biāo)記物的分類與識(shí)別。精簡學(xué)習(xí)分類模型的優(yōu)化建立在多種超參數(shù)不斷調(diào)整的基礎(chǔ)上，需充分對(duì)比不同組合分類效果，來獲得精度高、耗時(shí)短、性能穩(wěn)定的最優(yōu)模型。