基于深度學(xué)習(xí)的洪河保護區(qū)沼澤濕地分類研究

孔圓圓

（哈爾濱師范大學(xué)，黑龍江哈爾濱 150025）

濕地通常是指表面非常潮濕或經(jīng)常被水飽和的區(qū)域，通常由植物、動物、微生物和環(huán)境組成。濕地內(nèi)部結(jié)構(gòu)的空間分布格局對濕地生態(tài)系統(tǒng)的穩(wěn)定性十分重要。近年來，東北地區(qū)的濕地存在退化現(xiàn)象，準(zhǔn)確獲得濕地中各種組成部分的生長和分布情況，對調(diào)節(jié)氣候、維持生態(tài)系統(tǒng)的平衡等發(fā)揮重要作用。

濕地包含多種多樣的地物，相鄰地物之間具有高度的光譜相似性。準(zhǔn)確區(qū)分復(fù)雜地物類型成為濕地土地覆蓋分類的難題。相較于傳統(tǒng)的光譜影像，高光譜圖像可以同時獲得地面的光譜信息和二維空間信息，具有高光譜分辨率，含有豐富的光譜信息，具有圖譜合一、數(shù)據(jù)量大和隱含特征信息豐富等特點，增強了對地物目標(biāo)的探測能力，能為濕地分類提供很好的數(shù)據(jù)源。隨著高光譜數(shù)據(jù)的發(fā)展，高光譜圖像已經(jīng)成為遙感技術(shù)領(lǐng)域的熱點研究方向，其中高光譜數(shù)據(jù)的分析和處理方法也在不斷改進，可以細(xì)分為端元解混、異常檢測、圖像增強和圖像分類等[1-3]。其中一個重要的方面是高光譜圖像的分類，即根據(jù)高光譜圖像中的信息為圖像中每一個像元賦予類別標(biāo)簽，分類的精度和分類效果的準(zhǔn)確度與后續(xù)的實際應(yīng)用聯(lián)系更為密切。傳統(tǒng)的圖像分類可以分為基于光譜特征的、基于空間特征的和基于空譜聯(lián)合特征的3種分類方法?；诠庾V特征的遙感圖像分類方法，主要有主成分分析（Principal Component Analysis，PCA）、最小噪聲分離（Minimum Noise Fraction Rotation，MNF）、獨立主成分分析（Independent Component Analysis，ICA）等，這種利用特征提取的方法簡單直觀，且最大限度地保留了原始光譜數(shù)據(jù)的光譜信息，同時重要信息的丟失與畸變現(xiàn)象也存在。經(jīng)過相關(guān)學(xué)者的算法改進，目前較好的分類器主要有邏輯回歸（Logistic Regreesion）、支持向量機（Support vector machines，SVM）、隨機森林（Randomm Forest，RF）、稀疏表達和K近鄰等?；诳臻g特征的遙感圖像分類，主要是利用中心像素與其上下文之間的關(guān)系，并綜合應(yīng)用到高光譜圖像分類中，常見的空間特征提取方法有灰度共生矩陣、小波變化和局部二值模式等。該方法能有效獲取地物類型的位置、結(jié)構(gòu)等空間信息，但缺點是忽略了高光譜圖像的光譜維度信息，分類效果并不理想。基于統(tǒng)計特性的傳統(tǒng)分類方法有監(jiān)督分類和非監(jiān)督分類2種，兩者的區(qū)別在于是否有已知類別的訓(xùn)練樣本。其中監(jiān)督分類有最大似然法（Maximum Likelihood，ML）、決策樹（Decision Tree）、隨機森林和支持向量機等，要先選取適當(dāng)?shù)囊阎匚镱悇e的訓(xùn)練樣本，讓分類系統(tǒng)對其特征進行學(xué)習(xí)，受方法或數(shù)據(jù)精度的制約，在具體的分類應(yīng)用中提高高光譜數(shù)據(jù)的精度仍有很大的挑戰(zhàn)。非監(jiān)督方法如k-均值分類是典型的聚類方法。在高光譜遙感影像下，應(yīng)用這些淺層的機器學(xué)習(xí)分類模型進行濕地遙感的分類難以挖掘出高光譜圖像深層的信息，而采用深層結(jié)構(gòu)的深度學(xué)習(xí)模型能夠充分利用光譜間的空間信息，如目前圖像識別中主流的技術(shù)深度學(xué)習(xí)能更好地分析和處理光譜間和空間分布的復(fù)雜的高光譜圖像[4]。國內(nèi)外已有學(xué)者將深度學(xué)習(xí)應(yīng)用在遙感圖像的分類和識別中[5-6]，但是很少有人研究深度學(xué)習(xí)方法在沼澤濕地分類中的性能和效果。基于深度學(xué)習(xí)的高光譜圖像分類方法眾多，但是仍面臨著眾多挑戰(zhàn)：異物同譜、同物異譜、波段間信息的冗余和維數(shù)災(zāi)難等，這些都影響高光譜圖像分類的精度。

鑒于此，本文以O(shè)HS 高光譜遙感影像洪河國家級自然保護區(qū)為研究對象，選擇深度學(xué)習(xí)的SegNet網(wǎng)絡(luò)模型和隨機森林算法對高光譜遙感影像進行分類，并對比分析分類結(jié)果和分類精度，為沼澤濕地遙感的植被監(jiān)測和生態(tài)保護提供參考。

1 研究區(qū)概況

洪河國家級自然保護區(qū)位于黑龍江省三江平原東北部的撫遠(yuǎn)縣與同江市的交界地帶，是一塊能夠全面反映三江平原濕地全貌的內(nèi)陸濕地和水域濕地生態(tài)系統(tǒng)類型的自然保護區(qū)。保護區(qū)面積250.9 km2，地理坐標(biāo)（47°42'～47°52'）N，（133°42'～133°46'）E。屬于溫帶大陸性季風(fēng)氣候，年平均氣溫1.6～1.9 ℃，年均降水量為500～700 mm，年蒸發(fā)量為542～580 mm。全長25.7 km 的濃江河從保護區(qū)北部穿過，構(gòu)成洪河國家自然保護區(qū)北側(cè)的自然邊界；此外還有從南向北匯入濃江河的沃綠藍(lán)河，總長7 km，是該保護區(qū)的核心水源。該地地貌單一，地勢平坦，平均海拔高度58 m，相對高差約3 m，由西南向東北傾斜，使得區(qū)內(nèi)河汊、泡沼、蝶形及線性洼地遍布，各類低洼濕地沼澤遍布，構(gòu)成了豐富多變的北方水生、陸生和濕生生態(tài)系統(tǒng)[7-8]。

2 研究方法

2.1 深度學(xué)習(xí)

ENVI Deep Learning Module 是基于深度學(xué)習(xí)框架（TensorFlow）開發(fā)的遙感圖像分類工具，基于圖像的空間和光譜特性識別圖像中的特征，通過一組標(biāo)記的像素數(shù)據(jù)作為樣本對深度學(xué)習(xí)的Seg-Net 網(wǎng)絡(luò)模型進行訓(xùn)練，用訓(xùn)練好的模型在其他圖像中找到更多具有相同特征的像素，以進行特定目標(biāo)的分類[9]。深度學(xué)習(xí)模型的基本流程如圖1所示。

圖1 深度學(xué)習(xí)模型的基本流程

由于研究區(qū)較大，選取子區(qū)域進行標(biāo)簽的制作，子區(qū)域應(yīng)包含待分類圖像中的所有樣本，訓(xùn)練樣本應(yīng)盡可能選取全面覆蓋多種地物類型，保證訓(xùn)練樣本純度的同時，盡可能多地選取樣本。深度學(xué)習(xí)模型的訓(xùn)練是重要流程，經(jīng)過多次訓(xùn)練調(diào)整參數(shù)，最終選取模糊距離（Blur Distance）最大值為2，最小值為1，類別的權(quán)重（Class Weight）最大值為0.70，最小值為0.25以及訓(xùn)練的權(quán)重（Loss Weight）大小為0.6。選取泛化能力最強的訓(xùn)練模型作為深度學(xué)習(xí)分類提取的模型。

2.2 隨機森林

隨機森林算法是由多棵決策樹組成的一種快速準(zhǔn)確的集成學(xué)習(xí)算法。主要分類過程：從訓(xùn)練數(shù)據(jù)集中隨機抽取部分?jǐn)?shù)據(jù)作為子訓(xùn)練集，每棵決策樹通過學(xué)習(xí)子訓(xùn)練集中不同地類的特征，預(yù)測當(dāng)前數(shù)據(jù)的類別，綜合所有的預(yù)測結(jié)果，輸出票數(shù)最多的結(jié)果作為當(dāng)前數(shù)據(jù)最終預(yù)測結(jié)果。隨機森林模型示意如圖2所示。

圖2 隨機森林模型示意

2.3 精度評價

選擇混淆矩陣的評價方法對分類結(jié)果進行精度計算。將每個預(yù)測像元的位置和分類與原始圖像中的訓(xùn)練樣本進行精度對比，選取總體精度（OA）、Kappa 系數(shù)、制圖精度（PA）和用戶精度（UA），作為定量化試驗結(jié)果的評價指標(biāo)，評估確保所選分類方法結(jié)果的可靠性和準(zhǔn)確性。

3 結(jié)果與分析

3.1 硬件要求

本研究在Windonws10（Intel/AMD64 位）操作系統(tǒng)內(nèi)完成，NVIDIAGPU 驅(qū)動程序版本：Windows461.33 版本，具有高級矢量拓展（AVX）指令集的CPU，具有CUDAComputeCapabitlity 版本5-8.6 的NVIDIA顯卡具體環(huán)境為硬盤。

3.2 試驗數(shù)據(jù)與濕地分類體系

珠海一號衛(wèi)星是由珠海歐比特宇航科技股份有限公司發(fā)射并運營的商業(yè)衛(wèi)星，由34顆遙感微納衛(wèi)星組成整個星座，包括10顆OHS高光譜衛(wèi)星、2顆OUS高分光學(xué)衛(wèi)星、10顆OVS視頻衛(wèi)星、2顆SAR雷達衛(wèi)星和8顆OIS紅外衛(wèi)星。其中OHS衛(wèi)星均采用堆掃成像的方式，單次成像范圍在150 km×400（km/min），空間分辨率為10 m，光譜分辨率為2.5 nm，軌道高度500 km，信噪比25～40 Db，波段范圍在400～1 000 nm，共有32個波段。

本文選取2021 年9 月份（植物成熟期）成像的OHS 高光譜影像L1B 級數(shù)據(jù)（下載地址為歐比特遙感數(shù)據(jù)服務(wù)平臺https：//www.obtdata.com），為了保持時間一致性并減少分類結(jié)果中土地覆蓋類型變化的負(fù)面影響，盡可能選擇接近的采集時間影像進行拼接，并結(jié)合精度較高的Landsat8 遙感影像進行精度分析。

獲取的L1B 級標(biāo)準(zhǔn)數(shù)據(jù)，是經(jīng)過輻射校正后的標(biāo)準(zhǔn)產(chǎn)品。在執(zhí)行所提出的方法之前，一些數(shù)據(jù)預(yù)處理步驟是必不可少的，包括波段組合、輻射定標(biāo)、大氣校正、正射校正、圖像鑲嵌及裁剪。首先，對影像進行波段組合，增加定標(biāo)系數(shù)等字段信息，識別RPC 信息。其次，用ENVI5.6 輻射定標(biāo)將遙感影像的DN值轉(zhuǎn)化為有物理意義的大氣表觀輻射亮度值，消除遙感影像中由大氣散射所造成的輻射誤差；用FLASH 模塊對輻射定標(biāo)后的影像進行加光譜響應(yīng)函數(shù)大氣校正，反演地物真實的反射率；與同時期的Landsat8OLI影像進行正射校正，改善明顯的幾何畸變，糾正誤差在0.5 個像元以內(nèi)。最后，將三景影像進行鑲嵌拼接，將洪河濕地矢量邊界作為ROI 對影像進行裁剪。

綜合考慮高光譜影像的光譜特征和研究區(qū)野外實地調(diào)查的結(jié)果，并參考《濕地公約》中的濕地分類準(zhǔn)則，將研究區(qū)劃分為7 種地物類型，分別為水稻田、旱地、水域、林地、灌草、淺水草本沼澤和深水草本沼澤。洪河保護區(qū)沼澤濕地土地利用分類體系及影像特征如表1所示。

表1 洪河保護區(qū)沼澤濕地土地利用分類體系及影像特征

根據(jù)表1的分類體系選取合適的訓(xùn)練樣本進行濕地分類，為了確保濕地植被分類的準(zhǔn)確性，選取的訓(xùn)練樣本的質(zhì)量要有一定的標(biāo)準(zhǔn)，應(yīng)盡可能地選取代表性強的純凈像元。通過對谷歌地球目視解譯和實地考察調(diào)研，在OHS高光譜數(shù)據(jù)上選取感興趣區(qū)提取訓(xùn)練樣本。基于OHS 影像提取的洪河保護區(qū)典型地物分類光譜曲線如圖3 所示，建立的洪河保護區(qū)典型地物的端元光譜曲線，以此標(biāo)準(zhǔn)進行濕地分類訓(xùn)練。

圖3 基于OHS影像的洪河保護區(qū)典型地物分類光譜曲線

3.3 分類情況

通過對比隨機森林分類算法和深度學(xué)習(xí)模型進行高光譜洪河自然保護區(qū)沼澤濕地分類研究結(jié)果，發(fā)現(xiàn)基于深度學(xué)習(xí)的分類中的深水沼澤、喬木植被、水稻田的分類結(jié)果更接近濕地考察的真實地物情況，針對高光譜影像的同物異譜現(xiàn)象也得到了明顯改善，挖掘了高光譜里更多的光譜信息，實現(xiàn)了濕地的有效真實分類。

基于隨機森林和深度學(xué)習(xí)模型算法的分類精度如表2所示。由表2可知，基于深度學(xué)習(xí)的SegNet網(wǎng)絡(luò)分類總體精度比傳統(tǒng)的隨機森林機器學(xué)習(xí)算法的總體精度提高了約0.066；深度學(xué)習(xí)的分類kappa系數(shù)（0.873）明顯優(yōu)于傳統(tǒng)的隨機森林機器學(xué)習(xí)算法（0.787）。因此，深度學(xué)習(xí)的SegNet 網(wǎng)絡(luò)分類降低了基于像素分類過程中的錯選概率，有效改善了分類效果，提高了濕地的分類精度，更適合濕地的分類研究。

表2 2種分類方法的分類精度

4 結(jié)語

本文基于深度學(xué)習(xí)的SegNet網(wǎng)絡(luò)模型應(yīng)用于高光譜的沼澤濕地分類，將分類結(jié)果與傳統(tǒng)的機器學(xué)習(xí)算法RF的分類結(jié)果進行精度對比，定量化地驗證了深度學(xué)習(xí)的SegNet網(wǎng)絡(luò)模型在高光譜沼澤濕地遙感信息提取分類中的可行性。研究得出以下結(jié)論。

（1）基于深度學(xué)習(xí)的SegNet 網(wǎng)絡(luò)模型高光譜淡水沼澤濕地分類。該方法能夠挖掘出高光譜影像深層次的信息，充分利用光譜信息，有效區(qū)分淺水沼澤和深水沼澤。

（2）與傳統(tǒng)的機器學(xué)習(xí)算法RF 相比，基于深度學(xué)習(xí)的SegNet 網(wǎng)絡(luò)模型分類結(jié)果的制圖效果更好，水稻田、旱地和喬木植被等制圖精度和用戶精度均在90%以上，總體精度達到0.903，其分類精度明顯優(yōu)于隨機森林算法。