3D-HRNet網(wǎng)絡(luò)在珠海一號高光譜影像的自然資源監(jiān)測應(yīng)用及生態(tài)環(huán)境分析

曹德龍, 林震, 唐廷元, 李楚鈺, 王曉銳

(1.北京林業(yè)大學(xué)生態(tài)文明研究院,北京 100083; 2.北京市測繪設(shè)計研究院,北京 100038)

0 引言

對自然資源進行監(jiān)測有助于系統(tǒng)掌握自然資源及地表基質(zhì)的數(shù)量、質(zhì)量、空間分布、開發(fā)利用、生態(tài)狀況、動態(tài)變化,科學(xué)評價自然資源輔助經(jīng)濟社會發(fā)展和生態(tài)文明建設(shè)中起到關(guān)鍵性支撐和制約作用。全面、清晰地監(jiān)測、評估自然資源可以有效跟蹤不同時間尺度上自然資源的變化趨勢,滿足區(qū)域空間尺度上的生態(tài)監(jiān)測需求[1],從而為維持生態(tài)平衡和社會經(jīng)濟發(fā)展提供定量數(shù)據(jù)支持[2-3]。

目前自然資源調(diào)查監(jiān)測中,遙感技術(shù)逐漸取代傳統(tǒng)的監(jiān)測方法,成為一種研究熱點。高光譜遙感為當(dāng)前遙感技術(shù)的前沿領(lǐng)域,高光譜遙感影像信息提取已成為礦物測繪、農(nóng)業(yè)、環(huán)境、林業(yè)等領(lǐng)域?qū)崟r應(yīng)用的主要來源[4-5],為相關(guān)應(yīng)用的數(shù)據(jù)分析提供了重要的支撐[6]。深度學(xué)習(xí)具有較強的泛化能力和高效的特征表達能力[7],可以對海量原始數(shù)據(jù)自動執(zhí)行分層特征提取,減少人類對特征規(guī)則的定義、降低人工成本[8-9]。深度學(xué)習(xí)方法可以從高光譜影像中自動提取從低級到高層次的抽象特征,并實現(xiàn)準確的分類。目前,較多的深度學(xué)習(xí)方法采用2D-CNN提取高光譜影像的光譜和空間信息[10-11],這些方法在圖像預(yù)處理過程中易造成光譜信息丟失。為了有效利用高光譜影像豐富的光譜和空間信息,越來越多的研究[12-13]引入3D-CNN提取光譜和空間特征,提升高光譜影像分類的性能。Li等[13]提出一種輕量級高光譜影像3D-CNN分類方法,與2D-CNN相比提高了分類精度,說明3D卷積模塊可同時提取光譜和空間特征,結(jié)合高光譜影像具有較好的應(yīng)用。遙感技術(shù)具有實時、快速、大范圍等優(yōu)點,已深入應(yīng)用于自然資源分析評估中。自然資源分析評估目的是整體上發(fā)現(xiàn)自然資源的現(xiàn)狀與變化態(tài)勢,為生態(tài)開發(fā)、保護、治理提供支撐。2015年原環(huán)境保護部發(fā)布修訂后的《生態(tài)環(huán)境狀況評價技術(shù)規(guī)范》(HJ 192—2015)[14],規(guī)范中定義了反映區(qū)域內(nèi)整體生態(tài)環(huán)境狀態(tài)的生態(tài)指數(shù)(ecological index,EI)。該指數(shù)體系包括生物豐富度指數(shù)(biological richness index,BRI)、歸一化植被指數(shù)(normalized difference vegetation index, NDVI)、水網(wǎng)密度指數(shù)(water-network-density index,WNDI)、土地應(yīng)力指數(shù)(land-stress index,LSI)、污染負荷指數(shù)(pollution load index,PLI)和環(huán)境約束指數(shù)(environment regulation index,ERI),這6個子指標(biāo)分別反映了評價區(qū)域內(nèi)生物豐富度、植被覆蓋度、水網(wǎng)密度、土地脅迫強度、污染物壓力和環(huán)境限制情況。在基于遙感的生態(tài)評價研究中,學(xué)者們在各個方面都取得了豐碩的成果[15],目前研究重點已從單一的用于生態(tài)環(huán)境監(jiān)測的遙感信息發(fā)展為對各種遙感信息的綜合分析[16]。將衛(wèi)星遙感數(shù)據(jù)與社會統(tǒng)計相結(jié)合,納入生態(tài)評價模式,也有助于挖掘驅(qū)動力,促進生態(tài)環(huán)境改善,落實生態(tài)文明建設(shè)行動[17]。

綜上所述,本研究為實現(xiàn)自然資源監(jiān)測、評估的體系研究,以北京市北部部分區(qū)域為研究區(qū),以珠海一號高光譜影像為數(shù)據(jù)源,在HRNet網(wǎng)絡(luò)中引入3D卷積模塊,提出3D-HRNet網(wǎng)絡(luò)構(gòu)建用于自然資源調(diào)查監(jiān)測的語義分割模型,并對比說明3D-HRNet網(wǎng)絡(luò)提取高光譜影像的自然資源的能力; 同時基于《生態(tài)環(huán)境狀況評價技術(shù)規(guī)范》的EI指數(shù)結(jié)合遙感數(shù)據(jù)構(gòu)建EI生態(tài)評價模型,與《生態(tài)環(huán)境狀況公報》進行對比,探究遙感結(jié)合EI生態(tài)評價模型的可行性。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)概況

北京地處我國的華北地區(qū),是我國的首都、直轄市、國家中心城市、超大城市[18]。北京中心位于E116°20′,N39°56′,總面積16 410.54 m2,常住人口2 188.6萬人。北京市的地形以平原、丘陵、山地為主,主要呈西北高、東北低的地勢,西、北和東北方向群山環(huán)繞,東南方向是緩緩向渤海傾斜的大平原。北京市懷柔區(qū)、密云區(qū)、順義區(qū)和延慶區(qū)區(qū)域內(nèi)有平原、丘陵、山地等多種地形,同時包含大型水庫、河流、建設(shè)用地、耕地等多種土地利用類型。

本研究為了更好地研究基于深度學(xué)習(xí)的高光譜智能識別模型以及生態(tài)分析研究,以北京市北部懷柔區(qū)、密云區(qū)、順義區(qū)和延慶區(qū)的部分區(qū)域為研究區(qū)(圖1),利用珠海一號高光譜影像數(shù)據(jù)構(gòu)建用于自然資源調(diào)查監(jiān)測的深度學(xué)習(xí)語義分割模型、并進行遙感生態(tài)分析研究。

圖1 研究區(qū)

1.2 數(shù)據(jù)源及其預(yù)處理

珠海一號高光譜衛(wèi)星數(shù)據(jù)用于獲取北京市懷柔區(qū)、密云區(qū)、順義區(qū)和延慶區(qū)的部分區(qū)域自然資源類型,為了更好地反映區(qū)域內(nèi)自然資源的分布特征,本研究綜合考慮季節(jié)氣候、影像質(zhì)量、云量等因素選擇2020年4月2日拍攝的高光譜影像。高光譜影像空間分辨率10 m,光譜分辨率2.5 μm,波長范圍400～1 000 μm,共32個光譜波段。獲取高光譜數(shù)據(jù)后進行預(yù)處理[19],包括輻射校正、大氣校正、正射校正、影像鑲嵌等操作,消除傳感器、地面物體、大氣等因素的干擾,預(yù)處理的影像如圖2(a)所示。

(a) 珠海一號高光譜影像 (b) 標(biāo)簽數(shù)據(jù)(土地利用類型圖)

為了構(gòu)建用于自然資源調(diào)查監(jiān)測的3D-HRNet語義分割模型,本研究整合武漢大學(xué)遙感信息工程學(xué)院的中國30 m土地覆蓋及其變化1985—2019年數(shù)據(jù)集[20]、中國科學(xué)院空天信息研究院2020年全球30 m地表覆蓋類型產(chǎn)品[21]、谷歌公司10 m全球土地利用數(shù)據(jù)集[22]3種數(shù)據(jù)集制作訓(xùn)練標(biāo)簽數(shù)據(jù)集,標(biāo)簽數(shù)據(jù)類型包含耕地、林地、灌木、草地、水域和建設(shè)用地6類土地利用類型,如圖2(b)所示。利用3種覆蓋數(shù)據(jù)集在本研究區(qū)域地物類別進行歸類合并確定本區(qū)域的地物類別,然后將中國30 m土地覆蓋及其變化1985—2019年數(shù)據(jù)集和2020年全球30 m地表覆蓋類型產(chǎn)品重采樣為10 m空間分辨率,利用投票法對3種數(shù)據(jù)進行疊加處理,最后制作成訓(xùn)練標(biāo)簽數(shù)據(jù)集。

2 方法與流程

研究流程如圖3所示。

圖3 流程圖

本研究在HRNet網(wǎng)絡(luò)[23-24]的基礎(chǔ)上引入3D卷積模塊提出3D-HRNet網(wǎng)絡(luò),構(gòu)建用于自然資源調(diào)查監(jiān)測的高光譜影像深度學(xué)習(xí)語義分割模型,與HRNet模型進行對比驗證3D-HRNet模型應(yīng)用于高光譜自然資源調(diào)查監(jiān)測的有效性; 通過生物豐富度、植被覆蓋度、水網(wǎng)密度、土地脅迫強度、污染物壓力、環(huán)境限制等6個角度構(gòu)建EI生態(tài)指標(biāo),與北京市生態(tài)環(huán)境狀況公報對比,探究遙感EI生態(tài)指標(biāo)對評價地區(qū)生態(tài)環(huán)境狀況的正確性。

2.1 構(gòu)建3D-HRNet自然資源監(jiān)測模型

2.1.1 3D-HRNet網(wǎng)絡(luò)

HRNet網(wǎng)絡(luò)是一種跨分辨率的信息交互、實現(xiàn)高分辨率豐富的語義特征豐富、多尺度融合的深度學(xué)習(xí)模型,網(wǎng)絡(luò)中保持高分辨率信息且并行連接多種分辨率。3D卷積模塊中窗口(filter)需在3個維度(輸入層的長、寬、高)上滑動進行卷積,識別和輸出的結(jié)構(gòu)均為3D結(jié)構(gòu),相比2D卷積模塊能更好地描述高光譜影像中光譜信息和地物立體空間信息的對象關(guān)系。目前3D卷積塊已結(jié)合在3D-CNN網(wǎng)絡(luò)等相關(guān)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)影像檢驗[25]、點云識別[26]等領(lǐng)域,實驗均表明3D卷積能較好地識別3D空間信息。

因此,本研究結(jié)合HRNet網(wǎng)絡(luò)的特點并在網(wǎng)絡(luò)框架中引入3D卷積模塊[27],提出了適用于自然資源監(jiān)測的高光譜遙感影像深度學(xué)習(xí)語義分割模型,即3D-HRNet(圖4為網(wǎng)絡(luò)結(jié)構(gòu))。以北京市北部部分區(qū)域為研究區(qū)域,并與HRNet卷積網(wǎng)絡(luò)進行實驗對比,驗證了該網(wǎng)絡(luò)的有效性。3D-HRNet網(wǎng)絡(luò)的改進如下: 編碼器中,3D卷積模塊嵌入輸入端后,將3D卷積模塊提取的特征與輸入端數(shù)據(jù)相連接至HRNet網(wǎng)絡(luò)的編碼器,主要利用3D卷積層建立高光譜影像不同光譜之間的關(guān)系并提取有效的特征信息,同時連接輸入端從而減少原始信息的缺漏; 解碼器中,將編碼器中3D卷積模塊輸出特征與HRNet編碼器輸出特征相連接,接入HRNet網(wǎng)絡(luò)的解碼器中最后輸出結(jié)果,連接3D卷積模塊結(jié)果可保持網(wǎng)絡(luò)輸出結(jié)果的高分辨率。

圖4 3D-HRNet網(wǎng)絡(luò)結(jié)構(gòu)

2.1.2 實驗環(huán)境和參數(shù)設(shè)置

實驗環(huán)境為Intel Core i7-12700F 2.1GHz 12核處理器、配備16G內(nèi)存和Nvidia GeForce RTX 3060Ti; 軟件環(huán)境方面,使用Windows 11專業(yè)版64位操作系統(tǒng),編程語言是Python 3.6,模型構(gòu)建工具是Tensorflow2.0,圖形處理單元(graphic processing unit,GPU)計算平臺是CUDA 11.0。

在模型訓(xùn)練過程中,批量(Batch)大小設(shè)置為16、初始學(xué)習(xí)速率(learning rate,LR)設(shè)置為0.001、優(yōu)化器使用具有權(quán)重衰減的Adam(權(quán)重衰減系數(shù)為0.001)、迭代(epoch)為100次,并且選擇損失函數(shù)較低、驗證集精度最高的對應(yīng)模型參數(shù)作為最終模型參數(shù)。

此外,將影像隨機切割成尺寸為256像素×256像素的圖片,并進行了水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、對角翻轉(zhuǎn)和90°旋轉(zhuǎn)的數(shù)據(jù)增強[28]操作,構(gòu)建10萬張相關(guān)數(shù)據(jù)集,同時在模型訓(xùn)練擬合階段對數(shù)據(jù)集以8∶2比例隨機劃分訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集。

2.1.3 精度評估

本研究使用召回率(Recall)、精確度(Precision)、F1分數(shù)、總體精度(Accuracy)和Kappa系數(shù)5個指標(biāo)來評估自然資源提取精度,并定量評價所提方法在提取自然資源時的性能。

召回率也稱查全率,即研究區(qū)域內(nèi)正確預(yù)測的一類自然資源像素數(shù)量與實際該類自然資源像素數(shù)量的比列,側(cè)重評估提取結(jié)果是否遺漏。精確度也稱查準率,即研究區(qū)域內(nèi)正確預(yù)測的一類自然資源像素數(shù)量與預(yù)測結(jié)果中該類自然資源像素數(shù)量的比列,側(cè)重評估提取結(jié)果是否被誤判。F1分數(shù)結(jié)合了精確度和召回率的結(jié)果,是精確度和召回率的諧波平均值?？傮w精度是指對每一個隨機樣本,所分類的結(jié)果與檢驗數(shù)據(jù)類型相一致的概率。Kappa系數(shù)是一種衡量分類精度的指標(biāo),既用于一致性檢驗,也可用于衡量分類精度,代表著分類與完全隨機的分類產(chǎn)生錯誤減少的比例。各指標(biāo)計算公式為:

,

(1)

,

(2)

,

(3)

,

(4)

,

(5)

式中:TP為預(yù)測的結(jié)果中被正確標(biāo)識的數(shù)量;FP為預(yù)測的結(jié)果中被錯誤地識別為其他類型的數(shù)量;TN為預(yù)測的其他類型中被正確標(biāo)識為其他類型的數(shù)量;FN為真實類型被錯誤地識別為其他類型的數(shù)量;P0為每一類正確分類的樣本數(shù)量之和除以總樣本數(shù);Pe為真實樣本和預(yù)測樣本在給定樣本上隨機一致性的概率。

2.2 EI生態(tài)評價模型構(gòu)建

EI生態(tài)指數(shù)是評價生態(tài)環(huán)境的綜合指數(shù),包含生物豐富度、植被覆蓋度、水網(wǎng)密度、土地脅迫、污染負荷、環(huán)境限制等子指數(shù)。生物豐富度用BRI表示,公式為:

BRI=0.5(0.35A1+0.21A2+0.28A3+0.11A4+0.04A5+0.01A6)/A

,

(6)

式中:A1為區(qū)域內(nèi)林地面積;A2為區(qū)域內(nèi)草地面積;A3為區(qū)域內(nèi)水域面積;A4為區(qū)域內(nèi)草地面積;A5為區(qū)域內(nèi)建設(shè)用地面積;A6為區(qū)域內(nèi)灌木面積;A為區(qū)域面積?！秴^(qū)域生物多樣性評價標(biāo)準》(HJ 623—2011)中規(guī)定BRI的由棲息地質(zhì)量指數(shù)(habitat-quality index,HQ)和生物多樣性指數(shù)(biodiversity index,BI)決定,而本研究的研究區(qū)域無生物多樣性變化,BRI僅與棲息地質(zhì)量相關(guān),因此公式中系數(shù)為0.5。

植被覆蓋度用NDVI表示,公式為:

,

(7)

式中:Pi為每個像素的NDVI值;n為區(qū)域像素個數(shù)。

水網(wǎng)密度情況用WNDI表示,公式為:

WNDI=W/A

,

(8)

式中W為水域面積。

土地脅迫強度用LSI表示,公式為:

LSI=(0.4A7+0.2A8+0.2A4+0.2A9)/A,

(9)

式中:A7為區(qū)域內(nèi)嚴重流失面積;A8為區(qū)域內(nèi)中度流失面積;A9為區(qū)域內(nèi)其他用地面積。根據(jù)《水土流失分類分級標(biāo)準》規(guī)定,由土地覆蓋類型、坡度、覆蓋面非耕作林草3個指標(biāo)確定,植被覆蓋率、坡度與侵蝕程度如表1所示。

表1 植被覆蓋率、坡度與侵蝕程度關(guān)系表

參照生態(tài)環(huán)境部發(fā)布的《生態(tài)環(huán)境狀況評價技術(shù)規(guī)范》(HJ 192—2015),得出每個評價指標(biāo)權(quán)重,最終計算區(qū)域內(nèi)的EI生態(tài)指數(shù)值,其計算公式為:

EI=0.35BRI+0.25NDVI+0.15WNDI+

0.15(100-LSI)+0.10(100-PLI)+ERI。

(10)

由于本研究區(qū)內(nèi)近10 a未發(fā)生重大、極端的環(huán)境污染事件,PLI和ERI設(shè)值為0。

3 結(jié)果分析與討論

3.1 基于3D-HRNet網(wǎng)絡(luò)的自然資源監(jiān)測研究

本研究基于HRNet網(wǎng)絡(luò)引入3D卷積模塊提出3D-HRNet模型,以珠海一號高光譜遙感影像為數(shù)據(jù)集,構(gòu)建用于自然資源調(diào)查監(jiān)測的高光譜語分割模型,探究高光譜數(shù)據(jù)在自然資源調(diào)查監(jiān)測中的應(yīng)用。為了更全面地比較模型提取自然資源調(diào)查監(jiān)測的性能,本研究選取山區(qū)(區(qū)域一)、平原(區(qū)域二)2種地勢的區(qū)域進行綜合比較,并分別利用HRNet模型、3D-CNN模型和3D-HRNet模型提取自然資源。

表2為監(jiān)測結(jié)果對比,由表2可知,HRNet,3D-CNN和3D-HRNet這3種模型都具有較好的提取結(jié)果,能保持自然資源的邊界完整、清晰,但細節(jié)有一定差別。區(qū)域一主要為北京北部區(qū)域的山區(qū),主要類型包含耕地、林地、水域、草地等。在區(qū)域一的HRNet模型預(yù)測結(jié)果中,耕地類型能完整地提取,出現(xiàn)誤判建設(shè)用地、漏提水域類型的問題; 3D-HRNet模型預(yù)測結(jié)果不僅完整提取水域類型,同時對建設(shè)用地、耕地這2種類型能相對準確地提取; 而3D-CNN表現(xiàn)介于HRNet模型和3D-HRNet模型之中,說明3D卷積能更好地識別高光譜遙感數(shù)據(jù)對地物的影響,同時表明3D-HRNet模型比3D-CNN模型識別自然資源能力更好。區(qū)域二主要為北京北部地區(qū)的平原地區(qū),主要類型包含耕地、草地、大型水庫、建設(shè)用地等類型。在區(qū)域二的結(jié)果中,3D-HRNet模型、3D-CNN模型與HRNet模型識別結(jié)果相近,對平原地區(qū)的耕地、林地等自然資源提取具有較好的結(jié)果,但3D-HRNet模型在水域東北部區(qū)域錯誤提取成林地。從區(qū)域二真彩色影像可知,水域東北部區(qū)域出現(xiàn)與其他區(qū)域不同的顏色,疑似區(qū)域水體葉綠素較高造成與林地的光譜特性相似。根據(jù)結(jié)果,3D-HRNet模型提取自然資源優(yōu)于3D-CNN模型、HRNet模型。

表2 自然資源監(jiān)測結(jié)果對比

模型的精度如表3所示。由表3可知,3D-HRNet模型提取區(qū)域一的自然資源結(jié)果總體精度、F1分數(shù)和Kappa系數(shù)分別為0.86,0.86和0.75,區(qū)域二結(jié)果總體精度、F1分數(shù)和Kappa系數(shù)分別為0.79,0.79和0.75,平均總體精度為0.83、平均F1分數(shù)為0.82、平均Kappa系數(shù)為0.73,定量結(jié)果表明3D-HRNet模型可有效提取高光譜影像中的自然資源結(jié)果。同時與HRNet模型定量結(jié)果對比,總體精度高0.04、F1分數(shù)高0.04、Kappa系數(shù)高0.06; 比3D-CNN模型總體精度高0.04、F1分數(shù)高0.05、Kappa系數(shù)高0.06,表明3D-HRNet模型提取高光譜影像的自然資源結(jié)果更好,3D卷積模塊能更好地利用高光譜特性識別自然資源。

表3 模型精度對比表

3.2 北京市北部部分區(qū)域的生態(tài)分析研究

本研究采用50 m×50 m的格網(wǎng)作為評價單元,利用高光譜影像提取生態(tài)環(huán)境評價因子,統(tǒng)計每個格網(wǎng)內(nèi)的指標(biāo),從而反映研究區(qū)域的生態(tài)環(huán)境空間分布與差異性,最終計算得到各指標(biāo)和EI結(jié)果圖。

北京市北部部分區(qū)域的生物豐富度、植被覆蓋度、水網(wǎng)密度、土地脅迫強度等結(jié)果分布圖如圖5所示。

(a) BRI (b) NDVI (c) WNDI (d) LSI

1)統(tǒng)計計算得出,2020年研究區(qū)的平均BRI為75.0,表明研究區(qū)的生態(tài)環(huán)境整體較好; 由圖5(a)中可知,在研究區(qū)的中部山區(qū)BRI較高、南部城市發(fā)展區(qū)生物豐富度較低。

2)2020年研究區(qū)的平均NDVI為78.9,由圖5(b)可知其分布與BRI相似,研究區(qū)的中部山區(qū)NDVI較高、南部城市發(fā)展區(qū)NDVI低,說明生物豐富度與NDVI呈正相關(guān)。

3)WNDI范圍為0～100,顏色越深、水網(wǎng)越密。由于研究區(qū)大部分為山區(qū)和城市建設(shè)區(qū),WNDI分布大部分為0值。2020年研究區(qū)的平均WNDI為10.9,由圖5(c)可知,水網(wǎng)分布在密云水庫、懷柔水庫等區(qū)域。

4)由坡度與植被覆情況確定侵蝕程度,圖中綠色表示侵蝕程度最低,其次為黃色,橙色表示中度侵蝕,紅色表示嚴重侵蝕。2020年研究區(qū)的平均LSI為81.6,由圖5(d)可見,研究范圍內(nèi)大多數(shù)區(qū)域侵蝕程度較輕。

圖6為研究區(qū)EI分布結(jié)果。由圖6可知,研究區(qū)的生態(tài)環(huán)境狀況與地勢、城市建設(shè)有關(guān),中部山區(qū)區(qū)域的生態(tài)環(huán)境狀況較好,南部城市建設(shè)區(qū)域的生態(tài)環(huán)境狀況較低。通過EI指數(shù)計算公式得2020年研究區(qū)的平均EI指數(shù)為68.2,根據(jù)生態(tài)環(huán)境指標(biāo)等級判定為良好,表明2020研究區(qū)生態(tài)環(huán)境較好,植被覆蓋率較高、生物多樣性較豐富。而《2020年北京市生態(tài)環(huán)境狀況公報》顯示全市生態(tài)環(huán)境狀況級別為“良”、 EI為70.2,與研究結(jié)果接近。

圖6 EI分布結(jié)果

4 結(jié)論

以2020年珠海一號高光譜影像為數(shù)據(jù)源,構(gòu)建用于自然資源調(diào)查監(jiān)測的3D-HRNet深度學(xué)習(xí)語義分割模型提取北京市北部部分區(qū)域2020年自然資源分類結(jié)果,同時采用基于生物豐富度、植被覆蓋度、水網(wǎng)密度、土地脅迫強度、污染物壓力、環(huán)境限制等指數(shù)的EI生態(tài)評價模型對2020年研究區(qū)進行生態(tài)狀況評價。結(jié)果表明:

1)基于HRNet網(wǎng)絡(luò)引入3D卷積模塊提出3D-HRNet模型,提取自然資源具有較好的效果,總體精度為0.83,F1分數(shù)為0.83,Kappa系數(shù)為0.73。

2)3D-HRNet模型提取自然資源結(jié)果比HRNet模型的總體精度高0.04、F1分數(shù)高0.04、Kappa系數(shù)高0.06,比3D-CNN模型總體精度高0.04、F1分數(shù)高0.05、Kappa系數(shù)高0.06,說明3D卷積模塊對提取高光譜影像中的自然資源有一定提升,3D-HRNet模型提取能力比3D-CNN模型高。

3)EI生態(tài)評價模型由遙感數(shù)據(jù)提取的6個分項指標(biāo)組成,是反映生態(tài)質(zhì)量指標(biāo)的良好整合,可以全面反映研究區(qū)生態(tài)環(huán)境質(zhì)量。2020年研究區(qū)的平均EI值為68.2,等級為良好,與北京市生態(tài)環(huán)境狀況公報結(jié)論接近。

本研究提出3D-HRNet網(wǎng)絡(luò)應(yīng)用于高光譜影像提取自然資源結(jié)果,3D卷積模塊能較好地識別各地物的光譜特性,但存在光譜特性相似的地物出現(xiàn)錯誤提取,例如水體中葉綠素較高區(qū)域錯誤識別成林地,后續(xù)將繼續(xù)優(yōu)化網(wǎng)絡(luò)模型同時考慮同譜異物現(xiàn)象。同時利用遙感衛(wèi)星數(shù)據(jù)構(gòu)建EI生態(tài)評價模型,可快速、全面對生態(tài)環(huán)境進行評價,本次研究的EI生態(tài)評價模型具有較好的表現(xiàn),與政府環(huán)境狀況公報結(jié)果相近。遙感衛(wèi)星數(shù)據(jù)的時序長、范圍大等優(yōu)點以及用于EI生態(tài)評價模型的有效性,為北京市生態(tài)狀況的時空分析奠定基礎(chǔ),為北京市改善生態(tài)環(huán)境、促進綠色發(fā)展研究提供了數(shù)據(jù)支撐。

志謝：本實驗的高光譜影像數(shù)據(jù)由珠海歐比特宇航科技股份有限公司提供,同時標(biāo)簽數(shù)據(jù)參考武漢大學(xué)遙感信息工程學(xué)院的中國30 m土地覆蓋及其變化1985—2019年數(shù)據(jù)集、中國科學(xué)院空天信息創(chuàng)新研究院2020年全球30 m地表覆蓋類型產(chǎn)品、谷歌公司10 m全球土地利用數(shù)據(jù)集,在此表示感謝。