基于三維卷積神經(jīng)網(wǎng)絡(luò)模型的吉林一號(hào)光譜星影像森林類型分類

劉婷 包廣道 李竺強(qiáng) 朱瑞飛 包穎 張忠輝

摘要 為探究基于三維卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用吉林一號(hào)光譜衛(wèi)星數(shù)據(jù)的森林類型分類效果，以安圖縣與敦化市交界地帶為研究區(qū)，采用吉林一號(hào)光譜衛(wèi)星影像為主要數(shù)據(jù)源，基于三維卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型對(duì)研究區(qū)森林類型進(jìn)行分類，并與傳統(tǒng)的隨機(jī)森林分類方法進(jìn)行對(duì)比分析。結(jié)果表明：當(dāng)三維卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)量為2 400，訓(xùn)練次數(shù)為70 000時(shí)，分類效果最佳。基于三維卷積神經(jīng)網(wǎng)絡(luò)方法的總體分類精度為92.9%，Kappa系數(shù)為0.92；與隨機(jī)森林方法分類結(jié)果對(duì)比，總體分類精度和Kappa系數(shù)分別提高了2.8百分點(diǎn)和0.03；三維卷積神經(jīng)網(wǎng)絡(luò)能夠更加充分地利用遙感影像豐富的光譜信息和空間信息，提高森林類型的分類精度，在斑塊構(gòu)成和景觀破碎度方面均得到較大提升，內(nèi)部完整度較高，破碎化程度較輕微，更貼合實(shí)際工作需要。說(shuō)明國(guó)產(chǎn)吉林一號(hào)光譜衛(wèi)星遙感數(shù)據(jù)可以有效地對(duì)森林類型進(jìn)行識(shí)別，在林業(yè)的生產(chǎn)經(jīng)營(yíng)上具有極大的應(yīng)用潛力。

關(guān)鍵詞 三維卷積神經(jīng)網(wǎng)絡(luò)；吉林一號(hào)光譜衛(wèi)星；森林類型分類

中圖分類號(hào) S757;S771;TP751? 文獻(xiàn)標(biāo)識(shí)碼 A? 文章編號(hào) 0517-6611（2023）13-0096-06

doi：10.3969/j.issn.0517-6611.2023.13.023

Forest Type Classification with Jilin-1GP Spectral Satellite Image Based on Three-dimension Convolution Neural Network

LIU Ting1， BAO Guang-dao1， LI Zhu-qiang2 et al

（1. Jilin Provincial Academy of Forestry Sciences，Changchun， Jilin 130033; 2.College of Geo-exploration Science and Technology， Jilin University， Changchun， Jilin 130026）

Abstract In order to explore the effect of forest type classification with Jilin-1 spectral satellite（Jilin-1GP） data based on the three-dimensional convolution neural network model， the junction of Antu County and Dunhua City was taken as the study area， the image of Jilin-1GP was used as the main datasource to classify forest types in the study area based on the deep learning model of three-dimensional convolution neural network. The method was compared with the traditional random forest classification method. The results showed that when the number of training samples of three-dimensional convolution neural network was 2 400 and the number of training times was 70 000， the classification effect was the best. The overall classification accuracy based on the three-dimensional convolution neural network method was 92.9%， and the Kappa coefficient was 0.92. Compared with the classification results of the random forest method， the overall classification accuracy and Kappa coefficient increased by 2.8 percentage points and 0.03， respectively. Three-dimensional convolution neural network could make full use of the rich spectral and spatial information of remote sensing images to improve the classification accuracy of forest types. The result had been greatly improved in patch composition and landscape fragmentation. The internal integrity was higher， and the degree of fragmentation was slight， which was more in line with the actual work needs. At the same time， it also showed that the domestic Jilin-1GP remote sensing data could be used to effectively identify forest types. That had great application potential in forestry production and management.

Key words Three-dimension convolution neural network;Jilin-1GP spectral satellite （Jilin-1 GP）;Forest type classification

基金項(xiàng)目 吉林省發(fā)改委創(chuàng)新能力建設(shè)項(xiàng)目（2021C044-9）：吉林省自然科學(xué)基金項(xiàng)目（YDZJ202201ZYTS446）；吉林省科技發(fā)展計(jì)劃項(xiàng)目（YDZJ202102CXJD046）；吉林省自然科學(xué)基金項(xiàng)目（20220101315JC）；吉林省科技廳重點(diǎn)研發(fā)項(xiàng)目（2023020-2098NC）；吉林省科技發(fā)展計(jì)劃項(xiàng)目（20200602006ZP）。

作者簡(jiǎn)介 劉婷（1987—），女，吉林長(zhǎng)春人，助理研究員，碩士，從事林業(yè)遙感研究。通信作者，助理研究員，從事林業(yè)遙感研究。

收稿日期 2022-11-19；修回日期 2023-02-20

森林類型是確定同質(zhì)性森林資源空間分布，定量估算森林生態(tài)功能的關(guān)鍵依據(jù)。準(zhǔn)確掌握不同類型森林的空間分布及變化趨勢(shì)，森林類型準(zhǔn)確、及時(shí)地掌握森林資源空間分布及其變化能夠?yàn)橹贫謽I(yè)方針政策、宏觀規(guī)劃及精準(zhǔn)的森林資源經(jīng)營(yíng)、監(jiān)測(cè)方案提供重要的數(shù)據(jù)支撐［1］。我國(guó)現(xiàn)行的森林類型獲取方法以地面調(diào)查結(jié)合遙感影像人工判讀為主，雖然數(shù)據(jù)精度高、可靠性強(qiáng)，但同時(shí)也存在成本高、周期長(zhǎng)、工作量大的缺點(diǎn)。遙感技術(shù)具有低成本、高效率、覆蓋范圍廣的特點(diǎn)，是當(dāng)前林業(yè)監(jiān)測(cè)業(yè)務(wù)應(yīng)用最廣泛的技術(shù)之一，為森林類型自動(dòng)分類提供了有力手段。

傳統(tǒng)的遙感影像分類方法通?；趫D像像元的光譜特征和數(shù)據(jù)統(tǒng)計(jì)特征，如K鄰近算法［2］，最大似然法［3］及支持向量機(jī)［4-5］等。由于遙感圖像存在“同譜異物”“同物異譜”現(xiàn)象，利用傳統(tǒng)分類方法會(huì)導(dǎo)致斑塊破碎化，難以滿足林業(yè)工作對(duì)同質(zhì)化森林斑塊提取的需求。為了克服這種現(xiàn)象，董心玉等［6-7］選取面向?qū)ο蠓椒?，不僅避免傳統(tǒng)基于像元方法產(chǎn)生的“椒鹽”現(xiàn)象，且產(chǎn)生的對(duì)象特征也可用于分類。毛學(xué)剛等［8］采用Radarsat-2數(shù)據(jù)和Quick Bird遙感影像協(xié)同進(jìn)行面向?qū)ο蟮纳诸愋头诸愌芯?，明確了最優(yōu)分割尺度，取得了良好的分類結(jié)果。雖然面向?qū)ο蠓椒ㄌ岣吡朔诸惤Y(jié)果的完整性和精度，但森林斑塊面積和分布差異很大，自動(dòng)獲取的最優(yōu)分割與合并尺度參數(shù)仍具有挑戰(zhàn)性和不確定性，限制了該方法在多源、多尺度研究上的應(yīng)用?；谏疃葘W(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)型識(shí)別算法可以通過(guò)大量數(shù)據(jù)挖掘隱含特征并進(jìn)行分類反演，成為遙感圖像識(shí)別研究的新方向［9］。近幾年，國(guó)內(nèi)有學(xué)者開(kāi)展應(yīng)用深度學(xué)習(xí)方法對(duì)遙感影像進(jìn)行分類，郭穎等［10］對(duì)全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行雙支化改進(jìn)，進(jìn)行森林類型分類，提高了大部分森林類型的分類精度。王雅慧等［11］使用增加NDVI特征構(gòu)建模型，并增加條件隨機(jī)場(chǎng)后處理過(guò)程的深度U-net優(yōu)化方法，有效改善了森林類型分類的效果。

目前，國(guó)內(nèi)外森林類型遙感分類相關(guān)研究中，分類方法多采用隨機(jī)森林面向?qū)ο蠛椭С窒蛄繖C(jī)等方法，應(yīng)用三維卷積神經(jīng)網(wǎng)絡(luò)多是針對(duì)城市地表覆蓋類型［12-14］，對(duì)森林類型細(xì)分的應(yīng)用文獻(xiàn)報(bào)道較少。此外，在遙感數(shù)據(jù)源選擇上，多選用Landsat TM系列［15-16］、哨兵系列［17-19］、高分系列［12，20-21］等，利用吉林一號(hào)光譜星遙感影像的研究鮮見(jiàn)報(bào)道。因此，筆者以吉林一號(hào)光譜星多光譜遙感影像為主要數(shù)據(jù)源，通過(guò)基于三維卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法對(duì)研究區(qū)森林類型進(jìn)行提取，分析樣本數(shù)量及訓(xùn)練次數(shù)對(duì)模型精度的影響，并與隨機(jī)森林法（Random Forest，RF）分類結(jié)果進(jìn)行精度和景觀指數(shù)的對(duì)比分析，探討基于三維卷積神經(jīng)網(wǎng)絡(luò)方法結(jié)合國(guó)產(chǎn)吉林一號(hào)光譜星在森林類型提取應(yīng)用中的可行程度，為加深林業(yè)遙感技術(shù)的應(yīng)用深度，拓展遙感技術(shù)在林業(yè)工作中的應(yīng)用場(chǎng)景提供科技支撐。

1 研究區(qū)及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于長(zhǎng)白山西北麓的吉林省安圖縣與敦化市交界地帶，地理坐標(biāo)為127°58′22″～128°52′32″ E，43°9′22″～42°40′44″ N，總面積3 396.49 km2（圖1）。地勢(shì)為四周高、中部低，境內(nèi)平均海拔為756 m。屬中溫帶濕潤(rùn)氣候區(qū)，山區(qū)氣候特點(diǎn)明顯，年平均氣溫2.6 ℃，年降雨量631.8 mm。有效積溫2 400～2 500 ℃，無(wú)霜期110～120 d。區(qū)內(nèi)植被為長(zhǎng)白山植物區(qū)系，屬于紅松云冷杉針闊葉混交林小區(qū)［22］，該區(qū)針葉樹(shù)種主要有：紅松（Pinus koraiensis）、云杉（Picea spp.）、臭松（Symplocarpus foetidus）、落葉松（Larix gmelinii）、樟子松（Pinus sylvestris var.mongolica）等；闊葉樹(shù)種主要有水曲柳（Fraxinus mandschurica）、胡桃楸（Juglans mandschurica）、黃檗（Phellodendron amurense）、椴樹(shù)（Tiliatuan Szyszyl.）、柞樹(shù)（Xylosma racemosum）、榆樹(shù)（Ulmus pumila）、色木（Acer mono）和楓樺（Betula costata）等。

1.2 數(shù)據(jù)源

1.2.1 遙感數(shù)據(jù)。

該研究選取的衛(wèi)星數(shù)據(jù)源為吉林一號(hào)光譜星（吉林林草一號(hào)）。吉林一號(hào)光譜星是由吉林省長(zhǎng)光衛(wèi)星技術(shù)有限公司結(jié)合林業(yè)和草原行業(yè)需要與林草系統(tǒng)深度合作自主研發(fā)的一顆多光譜林草專屬衛(wèi)星。該星搭載了多光譜成像儀，短波、中波、長(zhǎng)波紅外相機(jī)，能夠獲得5 m分辨率、110 km幅寬、19譜段的遙感數(shù)據(jù)。該研究的影像獲取時(shí)間為2019年5月12日。通過(guò)ENVI軟件分別對(duì)遙感影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正等預(yù)處理工作，得到研究區(qū)遙感影像數(shù)據(jù)。除衛(wèi)星遙感數(shù)據(jù)外，輔助數(shù)據(jù)包括2019年研究區(qū)的吉林省林地變更一張圖及更高分辨率的谷歌地球影像。

1.2.2 樣本數(shù)據(jù)。

地面調(diào)查數(shù)據(jù)來(lái)源于2019年6月13日至8月26日開(kāi)展的野外調(diào)查。在研究區(qū)獲取各典型地類和主要森林類型，并對(duì)不同類別開(kāi)展調(diào)查，樣地為15 m×15 m的正方形樣方，通過(guò)GNSS設(shè)備對(duì)樣地中心點(diǎn)進(jìn)行定位，調(diào)查內(nèi)容為樣方內(nèi)的樹(shù)種組成、林分類型、優(yōu)勢(shì)樹(shù)種，累計(jì)調(diào)查樣地262個(gè)，每種森林類型樣本數(shù)均在50個(gè)以上（圖2）。參考林地變更一張圖、外業(yè)調(diào)查數(shù)據(jù)及更高分辨率的谷歌地球影像，通過(guò)目視解譯制作樣本數(shù)據(jù)，每類地物選取380個(gè)大小為15 m×15 m且空間分布均勻的方形樣本（圖2），并按7∶3 的比例隨機(jī)抽取形成訓(xùn)練樣本和驗(yàn)證樣本。

2 研究方法

2.1 森林類型分類體系

參考《國(guó)家森林資源連續(xù)清查技術(shù)規(guī)定》的地類劃分標(biāo)準(zhǔn)和《森林資源規(guī)劃設(shè)計(jì)調(diào)查主要技術(shù)規(guī)定》中的林地分類系統(tǒng)，根據(jù)研究區(qū)土地，利用類型/覆蓋情況和主要林分類型，考慮到遙感影像的可分程度及研究區(qū)林地變更一張圖森林植被類型的具體情況，確定了研究區(qū)8種土地覆蓋類型，其中包括5種森林類型：闊葉混交林、柞樹(shù)林、落葉松林、紅松林、針闊混交林，以及3種其他土地覆蓋類型：建設(shè)用地、耕地和水體。

2.2 分類方法

該研究基于吉林一號(hào)光譜星遙感影像，利用三維卷積神經(jīng)網(wǎng)絡(luò)方法構(gòu)建森林類型分類模型，探討訓(xùn)練次數(shù)和訓(xùn)練樣本數(shù)量對(duì)分類精度的影響，利用最優(yōu)模型對(duì)研究區(qū)森林類型進(jìn)行分類，并將結(jié)果與利用RF分類方法進(jìn)行對(duì)比，通過(guò)分類精度和分類結(jié)果的景觀指數(shù)，分析2種方法在森林類型提取中的適用空間和潛力。

2.2.1 三維卷積神經(jīng)網(wǎng)絡(luò)模型。

采用一種聯(lián)合條件隨機(jī)場(chǎng)優(yōu)化的三維卷積神經(jīng)網(wǎng)絡(luò)模型（3D-CNN）進(jìn)行森林類型提取，該方法由李竺強(qiáng)等［23-24］在構(gòu)建一種三維卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，增加多標(biāo)簽條件隨機(jī)場(chǎng)優(yōu)化算法，對(duì)神經(jīng)網(wǎng)絡(luò)識(shí)別的地物斑塊根據(jù)邏輯條件進(jìn)行了合理調(diào)整，使分類精度得到進(jìn)一步提升。

在PyCharm平臺(tái)下，結(jié)合TensorFlow 2.0工具包開(kāi)展卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建，神經(jīng)網(wǎng)絡(luò)參數(shù)采用如下設(shè)置：其中第1卷積層卷積核的大小為［3×3×6］，卷積步長(zhǎng)［1，1，4］，第1個(gè)池化層大小［3×3×3］，第2個(gè)卷積層卷積核大小［3×3×6］，卷積步長(zhǎng)［1，1，2］，第2個(gè)池化層大小［3×3×3］，第1個(gè)全連接層隱藏單元大小400，第2個(gè)全連接層的隱藏單元大小200，學(xué)習(xí)速率大小0.005。

2.2.2 隨機(jī)森林分類法。

隨機(jī)森林分類法：是于2001年由Leo［25］提出的一種由一系列決策樹(shù)組合而成的機(jī)器學(xué)習(xí)方法。具體過(guò)程為：首先對(duì)原始訓(xùn)練集，采用逐步引導(dǎo)重采樣技術(shù)隨機(jī)有放回地抽取N個(gè)訓(xùn)練集，每個(gè)訓(xùn)練集大小約為原始訓(xùn)練集的2/3；再為每個(gè)訓(xùn)練集分別建立決策樹(shù)，并分別對(duì)待分元素進(jìn)行判斷；在每棵決策樹(shù)的構(gòu)建時(shí)，從所有的特征向量中，隨機(jī)無(wú)放回地選擇M個(gè)特征；最后集合N個(gè)決策樹(shù)的分類結(jié)果，根據(jù)多數(shù)投票法得到最終結(jié)果。該試驗(yàn)中設(shè)置的決策樹(shù)數(shù)量為100，每個(gè)決策樹(shù)隨機(jī)選擇5個(gè)特征構(gòu)建模型，并通過(guò)投票法得到分類類別。

2.3 精度檢驗(yàn)

采用Google earth高清影像結(jié)合外業(yè)調(diào)查數(shù)據(jù)選取驗(yàn)證樣本對(duì)研究區(qū)分類結(jié)果的正確性進(jìn)行檢驗(yàn)。驗(yàn)證樣本共1 257個(gè)，并保證每種地物類型樣本數(shù)在150個(gè)以上。利用混淆矩陣方法計(jì)算制圖精度（producers accuracy，PA）、用戶精度（users accuracy，UA）、總體分類精度（overall accuracy，OA）及Kappa系數(shù)等精度評(píng)價(jià)指標(biāo)。

2.4 景觀指數(shù)

該研究基于景觀生態(tài)學(xué)原理，結(jié)合Fragstats景觀分析軟件和Arcgis地理信息軟件，選取斑塊數(shù)量（NP）、斑塊密度（PD）、最大斑塊占景觀面積比例（LPI）、景觀形狀指數(shù)（LSI）、邊緣面積分維度（FRACT）、蔓延度指數(shù)（CONTAG）、分離度指數(shù)（SPLIT）、香農(nóng)多樣性（SHDI）及香農(nóng)均勻度（SHEI）對(duì)森林類型提取結(jié)果進(jìn)行分析，各景觀指數(shù)可參見(jiàn)相關(guān)文獻(xiàn)［26-27］。

3 結(jié)果與分析

3.1 樣本數(shù)量及訓(xùn)練次數(shù)對(duì)分類結(jié)果的影響

在三維卷積神經(jīng)網(wǎng)絡(luò)的分類中，樣本數(shù)量和訓(xùn)練次數(shù)直接影響三維卷積神經(jīng)網(wǎng)絡(luò)分類的精度。當(dāng)樣本數(shù)量較少時(shí)，會(huì)遭受潛在欠擬合問(wèn)題。當(dāng)樣本數(shù)量或訓(xùn)練次數(shù)較大時(shí)，分類精度提升的同時(shí)也會(huì)導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)［28］。為提高分類的精度及效率，該研究將各地類樣本數(shù)量以100個(gè)為階梯遞增，直至3 000個(gè)為止。

從圖3可以看出，準(zhǔn)確率表現(xiàn)出隨著樣本數(shù)量的增加有部分波動(dòng)，但總體呈現(xiàn)出先上升后趨于平穩(wěn)趨勢(shì)。分析樣本數(shù)據(jù)發(fā)現(xiàn)，導(dǎo)致波動(dòng)的原因與新增樣本引發(fā)類別內(nèi)光譜一致性變化，進(jìn)而影響分類準(zhǔn)確率所致。當(dāng)樣本數(shù)量為2 400時(shí)，準(zhǔn)確度較高且浮動(dòng)不大，趨于穩(wěn)定。因此，將三維卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)量設(shè)為2 400。

在確定樣本最優(yōu)數(shù)量為2 400后，研究訓(xùn)練次數(shù)對(duì)分類精度的影響，按照每5 000次進(jìn)行分級(jí)精度測(cè)試。由圖4可知，隨著模型訓(xùn)練次數(shù)的增加，模型分類準(zhǔn)確率整體呈先增加后趨于平穩(wěn)，與訓(xùn)練樣本趨勢(shì)類似，但準(zhǔn)確率波段幅度較訓(xùn)練樣本變化導(dǎo)致的變化更大，這與卷積神經(jīng)網(wǎng)絡(luò)自訓(xùn)練機(jī)制有直接關(guān)系。結(jié)合準(zhǔn)確率變化趨勢(shì)，發(fā)現(xiàn)在訓(xùn)練次數(shù)為70 000時(shí)精度達(dá)到最高，因此確定三維卷積神經(jīng)網(wǎng)絡(luò)分類的最優(yōu)參數(shù)，樣本數(shù)量為2 400，訓(xùn)練次數(shù)為70 000。

3.2 分類結(jié)果

通過(guò)利用吉林一號(hào)光譜星遙感影像，基于三維卷積神經(jīng)網(wǎng)絡(luò)分類的方法，樣本數(shù)量為2 400，訓(xùn)練次數(shù)為70 000進(jìn)行研究區(qū)森林類型分類，分類結(jié)果如圖5所示，混淆矩陣見(jiàn)表1。

由表1可知，基于吉林一號(hào)光譜星遙感影像利用三維卷積神經(jīng)網(wǎng)絡(luò)方法的分類結(jié)果總體分類精度達(dá)92.9%，Kappa系數(shù)為0.92。其中，柞樹(shù)林、紅松林和落葉松林的制圖精度和用戶精度均達(dá)到了90%以上。針闊混交林和闊葉混交林的制圖精度與用戶精度也都超過(guò)了85%。柞樹(shù)林的制圖精度為91%，用戶精度為94%，主要以大面積純林分布，且具有典型性和代表性，與其他的森林類型在光譜特征和生物學(xué)特征等方面都存在著明顯的差異，因此分類精度高。紅松林的制圖精度為90.7%，用戶精度為91.8%，落葉松林的制圖精度為90.6%，用戶精度為94.7%，2種森林類型主要以純林分布，易于提取，精度較好。但少部分小面積紅松林存在部分錯(cuò)分為針闊混交林的情況，主要原因在于純林的連續(xù)分布面積以及針闊混交林的混交程度的分割閾值難以界定。落葉松的分布不集中，且吉林一號(hào)光譜星數(shù)據(jù)成像時(shí)間為立夏，該季節(jié)的落葉松林剛開(kāi)始萌芽，且存在與白樺、楊樹(shù)等森林類型混交多的現(xiàn)象，與闊葉混交林中的其他針葉林在光譜和紋理上具有一定的相似性，導(dǎo)致部分錯(cuò)分為闊葉混交林的情況，這是造成落葉松林分類精度低的主要原因。針闊混交林與闊葉混交林的制度精度分別為93.2%和88.7%，用戶精度分別為87.2%和86.0%，分類精度較低。這主要是由于界限不明顯，易發(fā)生混淆，尤其是受復(fù)雜地形造成的陰影區(qū)的影響，冠層接收的入射輻射降低，導(dǎo)致反射輻射絕對(duì)能量減弱，使識(shí)別精度受到影響。此外，通過(guò)圖5可以看出，紅松林和落葉松林的分類結(jié)果表現(xiàn)出明顯的邊緣膨脹外擴(kuò)的特征，造成周邊地類（如柞樹(shù)林、針葉混交林和闊葉混交林等）被錯(cuò)誤劃分為紅松林或落葉松林等森林類型的現(xiàn)象，從而導(dǎo)致紅松林和落葉松林等分類精度較低。

3.3 與RF分類方法的對(duì)比分析

為了驗(yàn)證該研究所使用的三維卷積神經(jīng)網(wǎng)絡(luò)分類方法在森林類型提取中的效果，選取目前機(jī)器學(xué)習(xí)方法中廣泛應(yīng)用的隨機(jī)森林方法作為對(duì)比，采用相同的樣本開(kāi)展森林類型分類。RF分類方法的精度驗(yàn)證和與三維卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果的對(duì)比見(jiàn)表2、圖6。

通過(guò)對(duì)比表1、2可知，利用RF方法的分類結(jié)果總體分類精度達(dá)90.1%，Kappa系數(shù)為0.89。與三維卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果相比，總體分類精度和Kappa系數(shù)分別降低了2.8百分點(diǎn)和0.03。在利用RF分類的森林類型中，僅有紅松林的制圖精度和用戶精度均達(dá)到90%以上，分別為90.1%和96.0%。與三維卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果相比，RF對(duì)研究區(qū)內(nèi)落葉松林的識(shí)別效果更佳，提取更加全面。利用RF方法分類的柞樹(shù)林的制圖精度和用戶精度分別為84.3%和88.2%，明顯低于三維卷積神經(jīng)網(wǎng)絡(luò)分類的90.6%和93.5%。柞樹(shù)林中存在大量與闊葉混交林的錯(cuò)分，尤其是分布于溝谷或山陰處受復(fù)雜山區(qū)地形的影響，導(dǎo)致識(shí)別精度降低。RF分類中的針闊混交林的制圖精度為82.8%明顯低于三維卷積神經(jīng)網(wǎng)絡(luò)的93.2%，主要是受針闊混交林和闊葉混交林界限不明顯的影響，易造成混淆錯(cuò)分情況的發(fā)生。

通過(guò)圖6可以看出，2種分類方法的空間結(jié)構(gòu)具有明顯差異。RF分類結(jié)果破碎化程度劇烈，且具有明顯的顆粒感。而利用三維卷積神經(jīng)網(wǎng)絡(luò)方法得到的分類結(jié)果內(nèi)部完整性較高，地塊內(nèi)同質(zhì)性地物的分類一致性較高，邊界與實(shí)際調(diào)查成果和林地一張圖的數(shù)據(jù)基本吻合，這主要是由于RF算法是基于像素為計(jì)算單元，三維卷積神經(jīng)網(wǎng)絡(luò)算法是基于卷積核特征完成像素分類，具有高度抽象的能力，更貼合實(shí)際工作需要。

3.4 景觀格局

混淆矩陣方法能提供像素尺度分類正確性指標(biāo)，難以體現(xiàn)分類結(jié)果的斑塊特性，為進(jìn)一步對(duì)比2種分類結(jié)果的斑塊特征，量化評(píng)價(jià)分類結(jié)果的整體性表現(xiàn)，引入景觀指數(shù)，從景觀格局角度對(duì)2種方法分類結(jié)果進(jìn)行分析。該研究從斑塊構(gòu)成、景觀破碎度和景觀多樣性3個(gè)方面，選取了9個(gè)景觀指數(shù)用于對(duì)分類結(jié)果進(jìn)行分析。

由表3可知，在斑塊構(gòu)成方面，與RF分類法相比，三維卷積神經(jīng)網(wǎng)絡(luò)方法的分類結(jié)果，在斑塊數(shù)量、最大斑塊占景觀面積比例、景觀形狀指數(shù)、斑塊密度、邊緣面積分維度5個(gè)方面得到提升，其中斑塊數(shù)量由742 823個(gè)下降至104 703個(gè)，景觀形狀指數(shù)由449.14下降至176.18，斑塊密度由188.35下降至26.55。邊緣面積分維度由1.405下降至1.281。在景觀破碎度方面，三維卷積神經(jīng)網(wǎng)絡(luò)方法分類結(jié)果較RF表現(xiàn)更為完整，其中蔓延度指數(shù)由50.43提高至55.62，分離度指數(shù)由34.84提高至36.40，說(shuō)明RF分類法的斑塊內(nèi)部完整度較高，破碎化程度較輕微。景觀多樣性方面，三維卷積神經(jīng)網(wǎng)絡(luò)方法的分類結(jié)果與RF分類法相比數(shù)值相差較小，說(shuō)明2種分類方法的景觀分離程度和多樣性基本一致。

4 結(jié)論

該研究以吉林一號(hào)光譜星感影像為主要數(shù)據(jù)源，通過(guò)利用三維卷積神經(jīng)網(wǎng)絡(luò)分類方法對(duì)研究區(qū)開(kāi)展森林類型分類研究，并與RF分類方法進(jìn)行對(duì)比分析，得到結(jié)論如下：

（1）研究了三維卷積神經(jīng)網(wǎng)絡(luò)分類中樣本數(shù)量和訓(xùn)練次數(shù)對(duì)分類精度的影響程度，結(jié)果表明，總分類精度均表現(xiàn)出隨著樣本數(shù)量或訓(xùn)練次數(shù)的增加呈上升的趨勢(shì)，當(dāng)樣本數(shù)量為2 400，訓(xùn)練次數(shù)為70 000時(shí)，總分類精度較高且浮動(dòng)不大，趨于穩(wěn)定。確定該三維卷積神經(jīng)網(wǎng)絡(luò)分類的最優(yōu)參數(shù)，樣本數(shù)量為2 400，訓(xùn)練次數(shù)為70 000。

（2）該研究采用三維卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)吉林一號(hào)光譜星的遙感數(shù)據(jù)進(jìn)行森林類型分類，總體分類精度為92.9%，Kappa系數(shù)為0.92，與傳統(tǒng)機(jī)器學(xué)習(xí)的RF分類結(jié)果相比，分類精度和Kappa系數(shù)分別提高了2.8百分點(diǎn)和0.03，且三維卷積神經(jīng)網(wǎng)絡(luò)得到的分類結(jié)果內(nèi)部完整性較高，與實(shí)際工作需要更加貼合。

（3）通過(guò)對(duì)比2種方法分類結(jié)果的景觀指數(shù)表明，三維卷積神經(jīng)網(wǎng)絡(luò)方法在斑塊構(gòu)成和景觀破碎度方面均得到較大提升。斑塊數(shù)量由742 838個(gè)下降至104 703個(gè)，景觀形狀指數(shù)由449.14下降至176.18，斑塊密度由188.35下降至26.55，邊緣面積分維度由1.405下降至1.281，蔓延度指數(shù)也由50.43提高至55.62，分離度指數(shù)由34.84提高至36.40?；诩忠惶?hào)光譜星遙感影像利用三維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)森林類型分類方法的研究可以為實(shí)現(xiàn)遙感和地面監(jiān)測(cè)的森林經(jīng)理數(shù)據(jù)集成和林業(yè)科學(xué)數(shù)據(jù)平臺(tái)森林資源信息的快速提取提供理論依據(jù)。

（4）該研究結(jié)果表明，三維卷積神經(jīng)網(wǎng)絡(luò)分類法在中高分辨率的遙感影像森林類型分類中，比RF法更有優(yōu)勢(shì)，分類準(zhǔn)確度更高且效率差異不大，是一種有效的分類方法；國(guó)產(chǎn)吉林一號(hào)光譜星多光譜數(shù)據(jù)可以有效地對(duì)森林類型進(jìn)行識(shí)別，在林業(yè)的生產(chǎn)經(jīng)營(yíng)上有極大的應(yīng)用潛力。

參考文獻(xiàn)

［1］ 唐小明，張煜星，張會(huì)儒，等.森林資源監(jiān)測(cè)技術(shù)［M］.北京：中國(guó)林業(yè)出版社，2012.

［2］ SAMANIEGO L，BARDOSSY A，SCHULZ K.Supervised classification of remotely sensed imagery using a modified k-NN technique［J］.IEEE transactions on geoscience and remote sensing，2008，46（7）：2112-2125.

［3］ EDIRIWICKREMA J，KHORRAM S.Hierarchical maximum-likelihood classification for improved accuracies［J］.IEEE transactions on geoscience and remote sensing，1997，35（4）：810-816.

［4］ MELGANI F，BRUZZONE L.Classification of hyperspectral remote sensing images with support vector machines［J］.IEEE transactions on geoscience and remote sensing，2004，42（8）：1778-1790.

［5］ 李夢(mèng)穎，邢艷秋，劉美爽，等.基于支持向量機(jī)的Landsat-8影像森林類型識(shí)別研究［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2017，37（4）：52-58.

［6］ 董心玉，范文義，田甜.基于面向?qū)ο蟮馁Y源3號(hào)遙感影像森林分類研究［J］.浙江農(nóng)林大學(xué)學(xué)報(bào)，2016，33（5）：816-825.

［7］ 董心玉.基于面向?qū)ο蟮母叻忠惶?hào)遙感影像森林分類研究［D］.哈爾濱：東北林業(yè)大學(xué)，2016.

［8］ 毛學(xué)剛，魏晶昱.基于多源遙感數(shù)據(jù)的面向?qū)ο罅址诸愋妥R(shí)別［J］.應(yīng)用生態(tài)學(xué)報(bào)，2017，28（11）：3711-3719.

［9］ 鄭胤，陳權(quán)崎，章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展［J］.中國(guó)圖象圖形學(xué)報(bào)，2014，19（2）：175-184.

［10］ 郭穎，李增元，陳爾學(xué)，等.一種改進(jìn)的高空間分辨率遙感影像森林類型深度學(xué)習(xí)精細(xì)分類方法：雙支FCN-8s［J］.林業(yè)科學(xué)，2020，56（3）：48-60.

［11］ 王雅慧，陳爾學(xué)，郭穎，等.高分辨率多光譜遙感影像森林類型分類深度U-net優(yōu)化方法［J］.林業(yè)科學(xué)研究，2020，33（1）：11-18.

［12］ 李淼，陳海鵬，邱博.一種融合面向?qū)ο笈c深度學(xué)習(xí)的地表覆蓋監(jiān)測(cè)成果質(zhì)檢技術(shù)［J］.測(cè)繪通報(bào)，2022（S2）：174-178.

［13］ 呂冬梅，馬玥，李華朋.基于CNN的吉林一號(hào)衛(wèi)星城市土地覆被制圖潛力評(píng)估［J］.遙感技術(shù)與應(yīng)用，2022，37（2）：368-378.

［14］ 李竺強(qiáng)，朱瑞飛，高放，等.三維卷積神經(jīng)網(wǎng)絡(luò)模型聯(lián)合條件隨機(jī)場(chǎng)優(yōu)化的高光譜遙感影像分類［J］.光學(xué)學(xué)報(bào)，2018，38（8）：404-413.

［15］ 李振，胡慧萍，楊敏華，等.Landsat-8多時(shí)相遙感影像亞熱帶森林分類［J］.測(cè)繪與空間地理信息，2018，41（9）：147-149.

［16］ KONRAD TURLEJ C，OZDOGAN M，RADELOFF V C.Mapping forest types over large areas with Landsat imagery partially affected by clouds and SLC gaps［J/OL］.International journal of applied earth observation and geoinformation，2022，107［2022-04-25］.https：//doi.org/10.1016/j.jag.2022.102689.

［17］ 李萌，年雁云，邊瑞，等.基于多源遙感影像的青海云杉和祁連圓柏分類［J］.遙感技術(shù)與應(yīng)用，2020，35（4）：855-863.

［18］ 李瑾，王雷光，鄭晨，等.云南香格里拉區(qū)域尺度森林類型遙感分類評(píng)價(jià)［J］.西南林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2022，42（1）：124-132.

［19］ CHENG K，WANG J L.Forest type classification based on integrated spectral-spatial-temporal features and random forest algorithm-A case study in the Qinling mountains［J］.Forests，2019，10（7）：1-18.

［20］ 劉思涵，尚夏明，馬婷.基于隨機(jī)森林特征選擇的森林類型分類［J］.北京測(cè)繪，2019，33（12）：1518-1522.

［21］ 王懷警，譚炳香，王曉慧，等.多分類器組合森林類型精細(xì)分類［J］.遙感信息，2019，34（2）：104-112.

［22］ 《吉林森林》編輯委員會(huì).吉林森林［M］.長(zhǎng)春：吉林科學(xué)技術(shù)出版社，1988：119.

［23］ 李竺強(qiáng)，朱瑞飛，馬經(jīng)宇，等.聯(lián)合連續(xù)學(xué)習(xí)的殘差網(wǎng)絡(luò)遙感影像機(jī)場(chǎng)目標(biāo)檢測(cè)方法［J］.光學(xué)學(xué)報(bào)，2020，40（16）：179-191.

［24］ 朱瑞飛，馬經(jīng)宇，李竺強(qiáng)，等.多層感知卷積神經(jīng)網(wǎng)絡(luò)的國(guó)產(chǎn)多光譜影像分類［J］.光學(xué)學(xué)報(bào)，2020，40（15）：200-212.

［25］ LEO B.Random forests［J］.Machine learning，2001，45（1）：5-32.

［26］ 鄔建國(guó).景觀生態(tài)學(xué)：格局、過(guò)程、尺度與等級(jí)［M］.2版.北京：高等教育出版社，2007.

［27］ 鄭新奇，付梅臣.景觀格局空間分析技術(shù)及其應(yīng)用［M］.北京：科學(xué)出版社，2010.

［28］ 徐希巖.基于深度學(xué)習(xí)的小樣本圖像分類研究［D］.哈爾濱：東北林業(yè)大學(xué)，2018.