基于深度學(xué)習(xí)的農(nóng)業(yè)區(qū)土地利用無(wú)人機(jī)監(jiān)測(cè)分類

田琳靜，宋文龍，盧奕竹，呂 娟，李煥新，陳 靜

（1.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048；2.中國(guó)水利水電科學(xué)研究院 水利部防洪抗旱減災(zāi)工程技術(shù)研究中心，北京 100038；3.渭南市東雷二期抽黃工程管理局，陜西 渭南 714000）

1 研究背景

農(nóng)業(yè)干旱較為復(fù)雜，同時(shí)涉及地上氣象-水文通量（如降水、灌溉、蒸散發(fā)等）和地下水文通量（如土壤水），并且農(nóng)業(yè)干旱情勢(shì)與影響因作物類型及其生長(zhǎng)發(fā)育階段等而異［1-6］。農(nóng)業(yè)區(qū)土地利用快速監(jiān)測(cè)與分類對(duì)農(nóng)業(yè)旱情與旱災(zāi)監(jiān)測(cè)評(píng)估具有重要意義，有助于制定合理的抗旱減災(zāi)應(yīng)對(duì)措施，并為政府部門制定規(guī)劃、土地資源管理、生態(tài)環(huán)境保護(hù)規(guī)劃與決策提供了重要的基礎(chǔ)數(shù)據(jù)［7-8］。

近些年無(wú)人機(jī)（Unmanned Aerial Vehicle，簡(jiǎn)稱UAV）低空遙感技術(shù)快速發(fā)展，具有云下作業(yè)、機(jī)動(dòng)靈活、數(shù)據(jù)分辨率高等優(yōu)勢(shì)，能夠彌補(bǔ)衛(wèi)星遙感影像獲取能力的不足，在高分辨率遙感影像快速獲取與應(yīng)急方面優(yōu)勢(shì)日益突出［9-10］?；谛l(wèi)星遙感的土地利用分類研究較為成熟［11-16］，傳統(tǒng)的分類方法主要包括監(jiān)督分類、非監(jiān)督分類、面向?qū)ο蠓诸惖?。非監(jiān)督分類操作簡(jiǎn)單，人為干預(yù)少，但分類精度較低。監(jiān)督分類需要對(duì)分類地區(qū)有一定的先驗(yàn)知識(shí)，利用樣本區(qū)干預(yù)分類類別及結(jié)果，通過(guò)提高樣本區(qū)的質(zhì)量來(lái)提高分類精度。這兩種分類方法都是基于像元進(jìn)行分類，存在“椒鹽”現(xiàn)象［17］。而面向?qū)ο蠓诸惙椒軌蛴行У臏p少基于像元分類出現(xiàn)的“椒鹽”噪聲現(xiàn)象，但其對(duì)圖像的特征提取不夠全面［18-20］。近年來(lái)，源于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，作為機(jī)器學(xué)習(xí)的一個(gè)研究新領(lǐng)域受到社會(huì)廣泛關(guān)注，具有利用多層非線性的網(wǎng)絡(luò)結(jié)構(gòu)從大量數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)本質(zhì)特征的能力［21-25］。其中，卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法具有較強(qiáng)的分層學(xué)習(xí)特征能力，在語(yǔ)音識(shí)別、視覺(jué)識(shí)別以及圖像分類等方面表現(xiàn)出獨(dú)特優(yōu)勢(shì)［26-29］。杜敬［30］利用深度學(xué)習(xí)方法，結(jié)合無(wú)人機(jī)影像進(jìn)行水體提??；王術(shù)波等［31］對(duì)雜草進(jìn)行分類；金永濤等［32］利用深度學(xué)習(xí)結(jié)合面向?qū)ο蠓椒▽?duì)典型地物進(jìn)行提取，其提取精度較理想。

本文面向無(wú)人機(jī)技術(shù)在高分辨率下墊面信息快速獲取方面的優(yōu)勢(shì)，利用卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法開(kāi)展農(nóng)業(yè)區(qū)土地利用分類研究，主要通過(guò)建立樣本庫(kù)、利用樣本庫(kù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型以及圖像分類等步驟實(shí)施，并與最大似然法比較，利用隨機(jī)選取的樣本點(diǎn)對(duì)二者進(jìn)行精度評(píng)價(jià)，并結(jié)合視覺(jué)評(píng)估驗(yàn)證該方法的可行性。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)選取東雷二期抽黃灌區(qū)中具有代表性下墊面的兩個(gè)典型區(qū)域作為研究區(qū)（見(jiàn)圖1），區(qū)域1、區(qū)域2總面積分別為1 333 099.33m2、168 698.41m2。東雷二期灌區(qū)地處陜西省關(guān)中東部旱塬地區(qū)，位于東經(jīng)109°10′～110°10′、北緯34°41′～35°00′之間，地勢(shì)由西北向東南傾斜，海拔385 ～ 600 m，總面積1469.81 km2。該地區(qū)干濕季分明，年平均降水量519～552 mm，年蒸發(fā)量1700～2000 mm。主要農(nóng)作物為冬小麥、夏玉米，經(jīng)濟(jì)作物為水果、蔬菜等。其中，冬小麥生長(zhǎng)周期為10月至次年6月中旬，夏玉米生長(zhǎng)周期為6月下旬至10月，蔬菜主要采用大棚種植。

圖1 東雷二期抽黃灌區(qū)典型區(qū)域航飛圖（區(qū)域1和區(qū)域2）

2.2 數(shù)據(jù)源研究區(qū)無(wú)人機(jī)航片利用大疆精靈phantom 4 Pro無(wú)人機(jī)搭載全色相機(jī)航拍獲得，無(wú)人機(jī)和相機(jī)主要參數(shù)參見(jiàn)表1。以2018年6月15日東雷二期抽黃灌區(qū)區(qū)域1和區(qū)域2兩個(gè)區(qū)域的無(wú)人機(jī)全色航片為數(shù)據(jù)源，其飛行高度為200 m，每張航片尺寸為5472×3648像素，空間分辨率5.45 cm，采用由中國(guó)水利水電科學(xué)研究院與北京易測(cè)天地科技有限公司聯(lián)合研發(fā)、具有獨(dú)立知識(shí)產(chǎn)權(quán)的無(wú)人機(jī)航片智能處理軟件（YC-mapper）系統(tǒng)，對(duì)無(wú)人機(jī)航片進(jìn)行校正、拼接等預(yù)處理，該軟件無(wú)需人工干預(yù)，可快速完成空三解算、DEM生成、正射影像拼接等一系列任務(wù)。

表1 大疆精靈phantom 4 Pro無(wú)人機(jī)及其相機(jī)主要參數(shù)

3 基于深度學(xué)習(xí)的土地利用分類方法

3.1 深度學(xué)習(xí)原理深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)新的研究方向，其主要利用多層非線性結(jié)構(gòu)，由低到高逐層提取數(shù)據(jù)特征，并利用其特征訓(xùn)練模型，從對(duì)數(shù)據(jù)信息進(jìn)行預(yù)測(cè)及識(shí)別。如圖2所示，深度學(xué)習(xí)模型是由輸入層、隱藏層（一層或多層）和輸出層等多層感知器組成。典型的深度學(xué)習(xí)模型有層疊自動(dòng)去燥編碼機(jī)（Stacked Deoising Autoencoder，SDA）、深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）等［30，33］。

圖2 深度學(xué)習(xí)網(wǎng)絡(luò)模型

其中，CNN在語(yǔ)音識(shí)別、視覺(jué)識(shí)別以及圖像分類等方面應(yīng)用廣泛，并表現(xiàn)出獨(dú)特的優(yōu)勢(shì)［34］。CNN是一種前饋式多層神經(jīng)網(wǎng)絡(luò)，其具有局部連接的結(jié)構(gòu)，權(quán)重共享的特點(diǎn)，并有較強(qiáng)的分層學(xué)習(xí)特征能力。CNN的基本結(jié)構(gòu)主要包括輸入層、卷積層、池化層（子采樣層）、全連接層以及輸出層五個(gè)部分（見(jiàn)圖3）。一個(gè)CNN結(jié)構(gòu)中至少存在一個(gè)卷積層，并且卷積層與池化層是成對(duì)出現(xiàn)的，即一個(gè)卷積層后面緊跟一個(gè)池化層，共同構(gòu)成特征提取器［35］。

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積層是CNN網(wǎng)絡(luò)結(jié)構(gòu)的核心部分，主要作用是從樣本數(shù)據(jù)中提取樣本數(shù)據(jù)特征，并利用這些特征作為濾波器，對(duì)整幅影像進(jìn)行卷積運(yùn)算，最終獲得整幅影像每個(gè)位置不同特征的激活值［31］。其計(jì)算公式為

式中：為卷積層n的第j個(gè)特征圖；f為激活函數(shù)；Mi為選擇輸入特征圖；為卷積層n-1的第i個(gè)特征圖；*為卷積操作；kij為上一卷積層第i個(gè)特征圖與本卷積層第j個(gè)特征圖之間的卷積核；為卷積層n的偏置值。

池化層是對(duì)圖像局部區(qū)域不同位置的特征進(jìn)行聚類統(tǒng)計(jì)運(yùn)算，以減少訓(xùn)練分類器的計(jì)算量，避免過(guò)擬合現(xiàn)象的發(fā)生。其計(jì)算公式為：

式中，f為激活函數(shù)；為子采樣系數(shù)；down（）為子采樣函數(shù)；為子采樣層n-1的第j個(gè)特征圖；為子采樣層n的偏置值。

卷積層與池化層組成的提取器所提取的是局部特征，全連接層的作用在于將提取的局部特征進(jìn)行優(yōu)化，通過(guò)權(quán)值矩陣獲得全局特征，以減少特征數(shù)量提高計(jì)算速度。其計(jì)算公式為

式中，f為激活函數(shù)；wn為全連接網(wǎng)絡(luò)的權(quán)重系數(shù)；xn-1為上一層的特征圖；bn為全連接層n的偏置值。

CNN本質(zhì)是構(gòu)建輸入與輸出的一種映射關(guān)系，根據(jù)輸入層的數(shù)據(jù)由低到高逐層提取特征，從而構(gòu)建一個(gè)從低級(jí)到高級(jí)特征的映射。在這個(gè)過(guò)程中，不需要具體的數(shù)學(xué)公式計(jì)算，只需要用已知的樣本數(shù)據(jù)對(duì)CNN進(jìn)行訓(xùn)練，從而構(gòu)建出具有輸入輸出能力的網(wǎng)絡(luò)［23］。本研究采用CNN深度學(xué)習(xí)方法對(duì)目標(biāo)地物進(jìn)行提取。

3.2 深度學(xué)習(xí)基本流程采用CNN深度學(xué)習(xí)方法，基于高空間分辨率的無(wú)人機(jī)遙感影像，對(duì)農(nóng)業(yè)區(qū)土地利用進(jìn)行分類，基本流程如圖4所示。在通過(guò)深度學(xué)習(xí)方法對(duì)特定的目標(biāo)地物進(jìn)行識(shí)別時(shí)，首先需要建立目標(biāo)地物的樣本庫(kù)，樣本庫(kù)構(gòu)建的質(zhì)量直接影響利用深度學(xué)習(xí)識(shí)別目標(biāo)地物的精度。因此，在建立樣本庫(kù)時(shí)，每類地物的樣本庫(kù)應(yīng)該選取包含該類地物各種形態(tài)的面狀樣本數(shù)據(jù)，并且盡量保證每類樣本庫(kù)都是“較純”樣本庫(kù)，即每類樣本庫(kù)內(nèi)只存在本類樣本，不摻雜其他類型的樣本，以防止給模型的構(gòu)建以及訓(xùn)練帶來(lái)干擾，影響分類結(jié)果。研究區(qū)土地利用分類的樣本庫(kù)構(gòu)建如表2所示，樣本類型主要包括林地、裸地、建設(shè)用地、農(nóng)作物以及大棚等，其中建設(shè)用地包括建筑物和道路等，裸地包括收割后未種植的耕地。然后利用構(gòu)建的樣本庫(kù)訓(xùn)練模型，進(jìn)而利用訓(xùn)練好的模型對(duì)研究區(qū)域進(jìn)行土地利用分類，最終對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。

圖4 基于深度學(xué)習(xí)和無(wú)人機(jī)遙感影像識(shí)別目標(biāo)地物的流程圖

4 結(jié)果分析

4.1 土地利用分類結(jié)果根據(jù)研究區(qū)下墊面類型特征，東雷二期抽黃灌區(qū)研究區(qū)域1面積為133 099.33 m2，土地利用分類主要包括林地、裸地、建設(shè)用地三類，研究區(qū)域2面積為168 698.41 m2，土地利用分類主要包括林地、農(nóng)作物、裸地、大棚、建設(shè)用地五類，分類結(jié)果如圖5和表3所示。因試驗(yàn)區(qū)為農(nóng)作物種植區(qū)，主要土地利用類型以農(nóng)用地為主，包括裸地（收割后未種植耕地）、大棚、生長(zhǎng)中的農(nóng)作物等，建設(shè)用地、林地占比較少。兩個(gè)實(shí)驗(yàn)區(qū)內(nèi)，裸地（收割后未種植耕地）所占比例最大，分別占試驗(yàn)區(qū)總面積的61.49%和51.69%，主要原因是無(wú)人機(jī)航拍時(shí)間為6月15日，冬小麥剛收割，大部分耕地未種植或已種植作物但并未長(zhǎng)出。區(qū)域1中林地占比較大，約為29.15%；區(qū)域2中大棚占比較大，約為27.56%。

表2 目標(biāo)地物樣本庫(kù)

圖5 基于深度學(xué)習(xí)的土地利用分類結(jié)果

表3 土地利用各類型所占面積及比例

4.2 精度驗(yàn)證與分析利用基于最大似然法的監(jiān)督分類方法與本方法進(jìn)行對(duì)比?；谧畲笏迫环ǖ姆诸惤Y(jié)果如圖6所示，并采用隨機(jī)抽樣方法，分別在每個(gè)研究區(qū)域影像上以均勻分布的原則選擇158個(gè)樣本點(diǎn)，用于評(píng)價(jià)兩種方法的分類精度，樣本點(diǎn)分布情況如圖7所示。精度結(jié)果顯示，基于深度學(xué)習(xí)的土地利用分類，區(qū)域1總體精度為93.04%，Kappa系數(shù)為0.90；區(qū)域2總體精度為93.04%，Kap-pa系數(shù)為0.91?；谧畲笏迫环ǖ谋O(jiān)督分類，區(qū)域1總體精度81.65%，Kappa系數(shù)為0.73；區(qū)域2總體精度為70.26%，Kappa系數(shù)為0.62。

圖7 東雷二期抽黃灌區(qū)（區(qū)域1、區(qū)域2）樣本點(diǎn)分布圖

如表4—表7所示，在土地利用分類的混淆矩陣中可以看出，影像中林地、農(nóng)作物這兩類在顏色、紋理等特征上存在極大的相似性，難以完全有效區(qū)分開(kāi)。建筑物附近存在大量的樹(shù)木，且建筑物類型復(fù)雜，增大了分類難度，與林地間也存在部分混分現(xiàn)象。基于深度學(xué)習(xí)的土地利用分類效果較為理想，少數(shù)樣本點(diǎn)存在錯(cuò)分漏分現(xiàn)象。區(qū)域1中，錯(cuò)分誤差低至10.91%，漏分誤差低至9.26%，制圖精度達(dá)到90.74%，用戶精度達(dá)到89.09%。區(qū)域2中，錯(cuò)分誤差低至21.62%，漏分誤差低至13.33%，制圖精度為86.67%，用戶精度為78.36%。由于區(qū)域2比區(qū)域1中分類類別多，其分類精度略低于區(qū)域1的分類精度。而基于最大似然法的土地利用分類結(jié)果錯(cuò)分漏分現(xiàn)象較為嚴(yán)重，其中，建設(shè)用地錯(cuò)分為裸地、大棚的比例較高，林地與農(nóng)作物兩類混分現(xiàn)象較嚴(yán)重。區(qū)域1中，錯(cuò)分誤差高達(dá)36.07%，漏分誤差高達(dá)41.94%，制圖精度低至58.06%，用戶精度達(dá)到63.93%。區(qū)域2中，錯(cuò)分誤差高達(dá)50.00%，漏分誤差高達(dá)79.41%，制圖精度為20.59%，用戶精度為50.00%?；谏疃葘W(xué)習(xí)的土地利用分類結(jié)果優(yōu)于最大似然法的土地利用分類方法，尤其在分類類別較多的情況下優(yōu)勢(shì)更加明顯。

表4 東雷二期抽黃灌區(qū)區(qū)域1土地利用分類混淆矩陣（個(gè)）

基于較高空間分辨率無(wú)人機(jī)航片與深度學(xué)習(xí)方法的農(nóng)業(yè)區(qū)土地利用分類，在地物邊界識(shí)別方面具有明顯優(yōu)勢(shì)，如圖8所示，林地、農(nóng)作物、裸地的邊界能夠被清晰地識(shí)別并提取出來(lái)。但由于受陰影的影響，大棚和建設(shè)用地的邊界提取存在一定的誤差。

表5 東雷二期抽黃灌區(qū)區(qū)域1土地利用錯(cuò)分誤差、漏分誤差、制圖精度與用戶精度（%）

表6 東雷二期抽黃灌區(qū)區(qū)域2土地利用分類混淆矩陣（個(gè)）

表7 東雷二期抽黃灌區(qū)區(qū)域2土地利用錯(cuò)分誤差、漏分誤差、制圖精度與用戶精度（%）

圖8 邊界識(shí)別提取

5 結(jié)論

本文以東雷二期抽黃灌區(qū)具有下墊面代表性的小區(qū)域?yàn)檠芯繀^(qū)，利用深度學(xué)習(xí)方法，針對(duì)較高空間分辨率的無(wú)人機(jī)航片影像，開(kāi)展了農(nóng)業(yè)區(qū)土地利用監(jiān)測(cè)分類研究，并利用基于最大似然法的監(jiān)督分類方法進(jìn)行對(duì)比，探究該方法對(duì)于農(nóng)業(yè)區(qū)土地利用監(jiān)測(cè)分類的適用性。主要結(jié)論如下：

（1）研究區(qū)的土地利用分類總體精度達(dá)到93%以上，Kappa系數(shù)為0.9以上，錯(cuò)分誤差低至21.62%，漏分誤差低至13.33%，制圖精度達(dá)到86.67%以上，用戶精度達(dá)到78.36%以上。錯(cuò)分誤差較大和用戶精度較低的類型為農(nóng)作物，漏分誤差較高和制圖精度較差的類型為大棚。并該方法的分類精度明顯優(yōu)于最大似然法，尤其在分類類別較多的情況下優(yōu)勢(shì)更加明顯。

（2）利用CNN深度學(xué)習(xí)方法對(duì)較高空間分辨率的無(wú)人機(jī)航片影像進(jìn)行土地利用分類，能夠更清晰地識(shí)別提取出地物邊界，如林地、農(nóng)作物以及裸地，但由于受陰影的影響，大棚和建設(shè)用地的邊界提取存在一定的誤差；林地與農(nóng)作物間，林地與建設(shè)用地間，由于顏色、紋理等特征相似性，存在混分現(xiàn)象；進(jìn)一步提高分類精度是未來(lái)該領(lǐng)域的研究方向之一。