基于改進(jìn)UPerNet和國產(chǎn)高分遙感數(shù)據(jù)的冬小麥種植區(qū)提取

白靜遠(yuǎn) 寧紀(jì)鋒 郭交 楊蜀秦 張智韜

摘要：遙感技術(shù)能夠獲取大區(qū)域下冬小麥的空間分布，為冬小麥估產(chǎn)提供良好基礎(chǔ)。基于2020年5月4日的高分2號多光譜衛(wèi)星影像，構(gòu)建包含光譜特征和植被指數(shù)的數(shù)據(jù)集，并通過改進(jìn)UPerNet模型的上采樣結(jié)構(gòu)、激活函數(shù)以及增加注意力模塊來優(yōu)化模型提取冬小麥效果。選取楊凌示范區(qū)2塊地物類型豐富地區(qū)作為研究區(qū)域，以此探究方法的可行性；然后基于最優(yōu)方法，提取楊凌區(qū)冬小麥種植區(qū)域。研究區(qū)域結(jié)果表明，與僅使用光譜信息作為模型輸入特征相比，基于多光譜和植被指數(shù)的分類效果更好。在融合光譜特征和植被指數(shù)的數(shù)據(jù)集上，改進(jìn)的UPerNet模型分類精度最高，冬小麥提取精度為97.78%，總體分類精度相比于改進(jìn)前的UPerNet提升了2.49%，對比DeepLab V3+提升了3.48%?；诟倪M(jìn)方法，實(shí)現(xiàn)了楊凌示范區(qū)的冬小麥種植區(qū)提?。煌ㄟ^實(shí)地調(diào)查以及對比統(tǒng)計年鑒數(shù)據(jù)的方式，驗證了楊凌示范區(qū)冬小麥空間分布與實(shí)際情況基本一致。改進(jìn)后的UPerNet模型能夠有效區(qū)分遙感數(shù)據(jù)中的地物類別，提升冬小麥種植區(qū)域提取精度，也為基于衛(wèi)星影像獲取冬小麥空間分布提供了技術(shù)支持。

關(guān)鍵詞：冬小麥；種植區(qū)提??；語義分割；高分衛(wèi)星；UPerNet

中圖分類號：S127? 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2023）13-0203-09

冬小麥?zhǔn)俏覈饕Z食作物之一，及時準(zhǔn)確獲取冬小麥種植區(qū)域有助于作物種植結(jié)構(gòu)管理［1］。衛(wèi)星遙感技術(shù)在大尺度的農(nóng)業(yè)種植結(jié)構(gòu)普查中具有及時高效的特點(diǎn)，已成為獲取農(nóng)作物分布信息的主要手段之一［2］。利用衛(wèi)星遙感技術(shù)及時準(zhǔn)確掌握冬小麥的空間分布，對于農(nóng)業(yè)政策制定、優(yōu)化冬小麥種植區(qū)域布局具有重要意義，也可為冬小麥的長勢分析、產(chǎn)量預(yù)估提供基礎(chǔ)數(shù)據(jù)。

我國高分系列衛(wèi)星覆蓋了從全色、多光譜到高光譜，從光學(xué)到雷達(dá)等多種類型，構(gòu)成了一個具有高空間分辨率、高時間分辨率和高光譜分辨率的對地觀測系統(tǒng)，這些系統(tǒng)為精確提取農(nóng)作物空間分布信息提供了強(qiáng)大的數(shù)據(jù)支撐。郭燕等基于高分2號的4 m多光譜影像，采用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和最大似然法，對河南省濮陽市濮陽縣小麥種植空間分布信息進(jìn)行快速提取和精度分析［3］。王冬利等基于高分1號寬幅數(shù)據(jù)，分析不同時間的NDVI，結(jié)合K均值分類法進(jìn)行河北省辛集市的冬小麥種植區(qū)域提?。?］。王利軍等基于高分6號寬幅數(shù)據(jù)，利用隨機(jī)森林算法完成4種不同紅邊波段方案下冬小麥、大蒜和油菜等作物的分類提取［5］。

基于深度學(xué)習(xí)構(gòu)建的分類模型能夠在分類任務(wù)中加入上下文特征信息，從而提升分類精度［6］。不同的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，簡稱CNN）模型已被運(yùn)用于遙感影像的分類中：崔剛等將PSPNet模型應(yīng)用于冬小麥識別研究，文章基于衛(wèi)星影像，探究了深度學(xué)習(xí)對不同分辨率冬小麥識別的適用性［7］。Ayhan等采用DeepLab V3+模型對公開遙感數(shù)據(jù)集中的植被進(jìn)行分類［8］。Liu 等采用UPerNet模型實(shí)現(xiàn)基于航空影像的土地覆蓋分類［9］。

上述研究多采用光譜信息或單一的植被指數(shù)信息作為模型輸入特征，并未綜合利用光譜信息和其他植被指數(shù)信息。基于機(jī)器學(xué)習(xí)的分類模型也多依賴于人工構(gòu)建特征，盡管此類模型具有易于構(gòu)建、占用計算資源少等優(yōu)勢，但分類結(jié)果有著一定的局限性［10］。基于深度學(xué)習(xí)的分類模型中采用的雙線性插值上采樣容易造成分類目標(biāo)邊緣細(xì)節(jié)丟失，并且模型難以直接應(yīng)用在多通道的遙感數(shù)據(jù)中。

為準(zhǔn)確提取冬小麥種植區(qū)域，有效區(qū)分冬小麥和其他農(nóng)作物，本研究提出一種基于深度語義分割方法的冬小麥種植區(qū)域提取模型。UPerNet模型能夠利用特征的層次性捕獲遙感圖像的低級紋理和復(fù)雜特征，通過改進(jìn)UPerNet網(wǎng)絡(luò)結(jié)構(gòu)適應(yīng)融合光譜信息和植被指數(shù)的遙感數(shù)據(jù)，并修改激活函數(shù)、上采樣結(jié)構(gòu)、增加注意力機(jī)制來優(yōu)化模型。試驗結(jié)果表明，改進(jìn)的UPerNet模型的冬小麥提取精度、總體精度（OA）和κ系數(shù)均優(yōu)于隨機(jī)森林（random forest，簡稱RF）、DeepLab V3+和UPerNet模型，驗證了改進(jìn)方法的有效性，為基于衛(wèi)星影像獲取農(nóng)作物種植結(jié)構(gòu)提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于陜西省國家級楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)（107°59′～108°08′E，34°14′～34°20′N），簡稱楊凌區(qū)，總面積為13 500 hm2，地處暖溫帶，年均氣溫為12.9 ℃；氣候為半濕潤半干旱季風(fēng)氣候，年均降水量為635.1 mm；全年四季分明，呈現(xiàn)典型的冬冷夏熱特征。楊凌區(qū)三面環(huán)水，水資源豐富、水利條件優(yōu)越。氣候因素以及水文因素使得楊凌區(qū)適合冬小麥種植。

本研究選取楊凌區(qū)冬小麥集中種植區(qū)作為研究區(qū)域（圖1），其中區(qū)域A面積約為232 hm2， 區(qū)域B面積約為221 hm2。研究區(qū)域地物類型豐富，包含冬小麥、玉米等農(nóng)作物，還包含工業(yè)廠房、居民房屋、農(nóng)業(yè)塑料等其他地物類型。

1.2 數(shù)據(jù)及預(yù)處理

1.2.1 遙感數(shù)據(jù) 本研究選用高分2號光學(xué)遙感衛(wèi)星（簡稱GF-2），該衛(wèi)星搭載了2臺0.8 m全色/4 m多光譜的高分相機(jī)（簡稱：高分相機(jī)）。經(jīng)過實(shí)地調(diào)查，進(jìn)入5月后，冬小麥顏色逐漸變成深綠色，在衛(wèi)星圖像中特征較明顯，利于訓(xùn)練樣本選取與標(biāo)注。結(jié)合冬小麥的生長周期，對5月的衛(wèi)星影像進(jìn)行篩選，最終選取無云時段的衛(wèi)星影像作為本次試驗的數(shù)據(jù)源［11］。影像數(shù)據(jù)由GF-2搭載的高分相機(jī)獲取，數(shù)據(jù)獲取時間及GF-2主要參數(shù)見表1。

1.2.2 遙感數(shù)據(jù)預(yù)處理 GF-2獲取到的數(shù)據(jù)包括1幅4波段的多光譜影像和1幅單波段的全色影像。在ENVI軟件中對獲取的遙感數(shù)據(jù)進(jìn)行預(yù)處理：首先對多光譜影像進(jìn)行輻射定標(biāo)、大氣校正和正射校正處理，再對全色影像進(jìn)行輻射定標(biāo)和正射校正處理，然后將多光譜影像和全色影像進(jìn)行 Gram-Schmidt 圖像融合，獲得高空間分辨率的多光譜影像，預(yù)處理后的GF-2影像采樣率為0.8 m。

1.2.3 地面參考數(shù)據(jù) 根據(jù)實(shí)地調(diào)查結(jié)果以及目視解譯，將研究區(qū)土地類型劃分為冬小麥、裸地、建筑（城鄉(xiāng)房屋、工業(yè)廠房等）、農(nóng)業(yè)塑料覆被（地膜及大棚等）、玉米地以及其他植被（除去冬小麥以及玉米的其他植被，如草地、林地等）共6種類型。通過統(tǒng)計2塊試驗區(qū)域的地面參考數(shù)據(jù)，最終獲取各類別分布情況如圖2所示。為訓(xùn)練分類模型并進(jìn)行分類精度定量評價，需獲取可靠的地面真值數(shù)據(jù)。因此開展實(shí)地調(diào)查，并結(jié)合高分辨率影像進(jìn)行目視解譯，通過ENVI軟件繪制地面真值圖，A、B等2個研究區(qū)的可見光遙感圖像和地面參考數(shù)據(jù)如圖3所示。

1.3 數(shù)據(jù)集構(gòu)建

選取占地面積較大的區(qū)域A遙感影像作為分類模型的訓(xùn)練集和驗證集，占地面積較小的區(qū)域B作為分類模型的測試集。為加快模型訓(xùn)練速度，將網(wǎng)絡(luò)輸入大小設(shè)置為256×256像素，并且按照 256×256像素的窗口大小對研究區(qū)域遙感圖像進(jìn)行裁剪。結(jié)合各類別像素個數(shù)以及所占比例，將訓(xùn)練區(qū)域A劃分為訓(xùn)練集和驗證集，其中驗證集包含908張圖片，用來調(diào)整模型超參數(shù)；訓(xùn)練集包含 2 724 張圖片?？紤]到深度學(xué)習(xí)網(wǎng)絡(luò)對于訓(xùn)練集數(shù)量的依賴，綜合前人學(xué)者研究，隨機(jī)抽取訓(xùn)練集圖像進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、縮放等圖像增強(qiáng)操作，以此擴(kuò)充訓(xùn)練集數(shù)量，增加網(wǎng)絡(luò)泛化能力［12］。最終獲得訓(xùn)練集圖片3 200張，用來訓(xùn)練分類模型。區(qū)域B作為測試集對模型的預(yù)測結(jié)果進(jìn)行精度評價。

1.4 UPerNet深度語義分割模型

語義分割是在像素級別上的分類，屬于同一類的像素被歸為一類，因此語義分割是從像素級別來理解圖像［13］。與傳統(tǒng)圖像分割方法大多只利用圖像表層信息不同，基于深度學(xué)習(xí)的語義分割方法能夠充分利用圖像的語義信息［13］。

Xiao等提出UPerNet模型，該模型可實(shí)現(xiàn)聯(lián)合推理，并發(fā)掘圖像之中豐富的視覺知識［14］。UPerNet具有內(nèi)存效率高的優(yōu)點(diǎn)，適合處理高分辨率的圖像；并且能夠利用特征的層次性，因此可以捕獲圖像的低級紋理和復(fù)雜特征。UPerNet基于特征金字塔網(wǎng)絡(luò)（feature pyramid network，簡稱FPN）［15］。為克服深度卷積網(wǎng)絡(luò)的感受野足夠大但實(shí)際可用的要小很多這一問題，UPerNet把 PSPNet中的金字塔池化模塊（pyramid pooling module，簡稱PPM）用于骨干網(wǎng)絡(luò)的最后一層，在其被饋送至FPN自上而下的分支之前［16］。

1.5 改進(jìn)的UPerNet冬小麥種植區(qū)域提取方法

1.5.1 UPerNet提取冬小麥種植區(qū)的局限性 UPerNet對三通道圖像的處理無法直接應(yīng)用在包含更多通道的遙感圖像中。對于多光譜遙感圖像，除了能夠提供光譜信息還能夠提供植被指數(shù)信息，而現(xiàn)有的UPerNet模型未能有效利用這些信息。一些植被指數(shù)中包含負(fù)值，但語義分割中常用的ReLU激活函數(shù)對負(fù)值無響應(yīng)容易導(dǎo)致性能下降［17］。UPerNet在最終預(yù)測圖的基礎(chǔ)上，采用雙線性插值上采樣直接獲得與輸入相同大小的輸出，但雙線性插值沒有學(xué)習(xí)能力并且會丟失細(xì)節(jié)［18］。因此，針對這些不足，本研究通過遙感圖像信息融合和網(wǎng)絡(luò)結(jié)構(gòu)修改，構(gòu)建適用于多波段遙感影像的語義分割網(wǎng)絡(luò)，以此能夠更好地提取小麥種植區(qū)域。

1.5.2 植被指數(shù)提取 在遙感圖像信息融合方面，通過對GF-2衛(wèi)星影像的光譜信息以及植被指數(shù)進(jìn)行疊加，形成7維度的數(shù)據(jù)集。

結(jié)合表1，選取GF-2影像的紅、綠、藍(lán)以及近紅外波段構(gòu)建光譜特征。除了構(gòu)建光譜特征外，在遙感影像分類中增加植被指數(shù)信息，以此研究植被指數(shù)的加入對模型分類精度的影響。

GF-2包含紅、綠、藍(lán)以及近紅外共4個波段，通過將可見光和近紅外波段進(jìn)行組合，可以計算出歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）和花青素反射指數(shù)2（ARI2），如圖4所示。NDVI是目前檢測植被生長狀態(tài)的常用指標(biāo)［19］。RVI能夠體現(xiàn)植被與土壤背景之間的輻射差異，是植被長勢、豐度的度量方法之一［19］。ARI2常用于植被健康檢測、作物產(chǎn)量分析等方面［20］。

1.5.3 改進(jìn)的UPerNet模型 首先是輸入層的修改：由于UPerNet多應(yīng)用在三通道的圖像中，無法直接訓(xùn)練多通道的遙感數(shù)據(jù)，因此按照構(gòu)建的遙感數(shù)據(jù)維度增加網(wǎng)絡(luò)輸入通道數(shù)。

在引入植被指數(shù)后，考慮到引入的植被指數(shù)中包含負(fù)值，而Mish激活函數(shù)不僅擁有ReLU激活函數(shù)的優(yōu)點(diǎn)，對于負(fù)值也有良好響應(yīng)，因此將網(wǎng)絡(luò)中ReLU激活函數(shù)替換成Mish激活函數(shù)，使得改進(jìn)后的模型更具有魯棒性［21］。Mish激活函數(shù)公式見式（1），其中x代表輸入數(shù)值。

Mish=x×（tanh）［ln（1+ex）］。（1）

由于輸入數(shù)據(jù)包含多個植被指數(shù)以及光譜信息，可能導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時不容易收斂，因此在骨干網(wǎng)絡(luò)ResNet101中加入SimAM注意力模塊提升網(wǎng)絡(luò)對分類目標(biāo)的關(guān)注度，具體加入位置在骨干網(wǎng)絡(luò)的第1層到第4層內(nèi)部——每層的3×3卷積之后，如圖5-a所示［22］。該模塊是無參3D注意力模塊，擁有通道注意力和空間注意力的優(yōu)勢。采用該模塊的好處是不會給網(wǎng)絡(luò)增加額外參數(shù)，并且能夠突出分類任務(wù)的重要特征。

針對原模型中采用雙線性插值來恢復(fù)預(yù)測圖像尺寸，從而導(dǎo)致細(xì)節(jié)丟失的問題，改進(jìn)后的UPerNet網(wǎng)絡(luò)將原網(wǎng)絡(luò)中雙線性插值上采樣部分用密集上采樣卷積（dense upsampling convolution，簡稱DUC）代替（圖5-b）。DUC的關(guān)鍵思想是將整個標(biāo)簽圖劃分為多個通道的較小標(biāo)簽圖，這些較小標(biāo)簽圖與輸入DUC的特征圖具有相同的高和寬，通道個數(shù)為r2×L，r為下采樣倍數(shù)，L為預(yù)測類別個數(shù)。DUC直接在特征圖上應(yīng)用卷積操作，具有可學(xué)習(xí)性，因此能夠捕獲和恢復(fù)在雙線性插值操作中丟失的詳細(xì)信息。

1.6 模型訓(xùn)練

為驗證改進(jìn)方法在小麥種植區(qū)域提取方面的有效性，本研究將其與隨機(jī)森林機(jī)器學(xué)習(xí)算法以及DeepLab V3+和UPerNet這2種常用的深度語義分割模型進(jìn)行比較。

RF是一種集成分類器算法，由多顆分類與回歸樹（classification and regression tree，簡稱CART）構(gòu)成［23］。該算法由于具有分類精度高和對噪聲數(shù)據(jù)不敏感等優(yōu)勢，在農(nóng)業(yè)領(lǐng)域有著廣泛應(yīng)用。在本研究中，為保證RF模型和語義分割模型的輸入數(shù)據(jù)數(shù)量一樣，將數(shù)據(jù)增強(qiáng)后的圖像逐一轉(zhuǎn)換成像素點(diǎn)形式輸入RF模型。

采用Pytorch深度學(xué)習(xí)框架構(gòu)建DeepLab V3+、UPerNet和提出的方法。為提高模型訓(xùn)練速度和應(yīng)用到新數(shù)據(jù)并做出準(zhǔn)確預(yù)測的能力，采用在公共數(shù)據(jù)集訓(xùn)練好的預(yù)訓(xùn)練權(quán)重對上述3種深度學(xué)習(xí)模型的內(nèi)部參數(shù)進(jìn)行初始化；對于新加入的卷積結(jié)構(gòu)無法通過預(yù)訓(xùn)練權(quán)重初始化的問題，采用He初始化方法對新加入的結(jié)構(gòu)進(jìn)行權(quán)重初始化［24］。3種深度學(xué)習(xí)模型均訓(xùn)練300個epoch，批處理尺寸為32；初始學(xué)習(xí)率為0.001，采用多項式衰減（Poly）策略進(jìn)行訓(xùn)練學(xué)習(xí)率的調(diào)整，矩為0.9，權(quán)值退化率為0.000 1。

1.7 精度評價

為定量評價不同分類方法對小麥種植區(qū)域的提取效果，基于混淆矩陣對分類結(jié)果進(jìn)行評價。首先利用分類結(jié)果圖與地面真值圖構(gòu)建混淆矩陣，通過混淆矩陣可以獲取到F1統(tǒng)計量（F1-score）、OA和κ系數(shù)等評價指標(biāo)［25］。本研究用F1-score評價冬小麥種植區(qū)提取精度，用OA和κ系數(shù)作為總體分類的評估指標(biāo)。

2 結(jié)果與分析

2.1 冬小麥提取結(jié)果

基于多光譜和植被指數(shù)，4種分類方法的試驗結(jié)果如表2所示，圖6是分類結(jié)果的可視化。由圖6、表2可知，UPerNet方法相較于RF和DeepLab V3+ 方法表現(xiàn)出更好的分類效果。而改進(jìn)后的UPerNet模型則對應(yīng)著最高的OA和κ系數(shù)，其對冬小麥種植區(qū)提取精度也是最優(yōu)。冬小麥提取精度F1統(tǒng)計量為97.78%，相比于RF、DeepLab V3+ 和UPerNet方法依次提升了21.63百分點(diǎn)、1.44百分點(diǎn)、1.36百分點(diǎn)；OA為88.32%，相比于RF、DeepLab V3+和UPerNet方法依次提升了19.40百分點(diǎn)、3.48百分點(diǎn)、2.49百分點(diǎn)；κ系數(shù)為 0.846 3，相比于RF、DeepLab V3+和UPerNet方法依次提升了0.245 2、0.052 6、0.037 6。

2.2 冬小麥提取結(jié)果分析

2.2.1 深度學(xué)習(xí)和隨機(jī)森林的比較 由表2、圖6可知，基于傳統(tǒng)機(jī)器學(xué)習(xí)的RF方法分類精度不高，椒鹽現(xiàn)象明顯，冬小麥分類結(jié)果呈現(xiàn)不連續(xù)的塊狀，冬小麥與其他植被類別的特征相似，導(dǎo)致冬小麥地塊中出現(xiàn)冬小麥被錯分成其他植被類別。對于裸地以及冬小麥這類具有明顯光譜差異的簡單目標(biāo)，RF能夠較好地區(qū)分。相比于RF方法，基于深度學(xué)習(xí)的DeepLab V3+、UPerNet和改進(jìn)的UPerNet模型分類精度更高、椒鹽現(xiàn)象整體減少，提取的冬小麥種植區(qū)域分布完整性較好。3種深度學(xué)習(xí)方法的分類結(jié)果均優(yōu)于RF方法，說明基于CNN構(gòu)建的深度學(xué)習(xí)方法能夠從高空間分辨率遙感圖像中更充分地學(xué)習(xí)到分類特征。

2.2.2 改進(jìn)模型與其他深度學(xué)習(xí)的比較 對比圖6中3種深度學(xué)習(xí)方法的分類結(jié)果可以看出，3種深度學(xué)習(xí)方法均能夠較好地提取出冬小麥種植區(qū)，但DeepLab V3+和UPerNet方法對于其他種類的提取依然存在不足。DeepLab V3+和UPerNet方法無法有效區(qū)分玉米和其他植被類別，并且預(yù)測的冬小麥地塊中也摻雜其他植被類別。在圖6-c中，UPerNet方法預(yù)測出來的農(nóng)業(yè)塑料覆被邊界模糊，預(yù)測出來的冬小麥地塊邊界連成一片，不符合實(shí)地調(diào)查分布。

而改進(jìn)的UPerNet對于冬小麥的提取精度以及其他地物的分類效果都是最優(yōu)，能夠?qū)⒍←湹貕K、玉米地塊和其他植被地塊有效區(qū)分?；诟倪M(jìn)的UPerNet模型，每個農(nóng)業(yè)塑料覆被之間以及冬小麥地塊邊界變得清晰，邊界模糊問題得到改善。說明本文對UPerNet網(wǎng)絡(luò)的改進(jìn)有助于提高模型提取特征的能力，對于冬小麥提取和地物類型分類有著較好的效果。

3 討論

3.1 植被指數(shù)對冬小麥提取精度的影響及分析

為探究在遙感影像分類任務(wù)中加入植被指數(shù)對冬小麥提取精度的影響，本研究基于上述4種方法，僅將多光譜信息作為模型輸入特征，以此提取冬小麥以及其他類別，最終獲得的結(jié)果如表3和圖7所示。

由表3可知，在遙感影像分類中加入植被指數(shù)有助于提升分類精度，但不同分類模型對于植被指數(shù)的響應(yīng)程度不同。由圖4可知，加入的3種植被指數(shù)對土壤的背景變化均較為敏感，有助于區(qū)分植被與非植被區(qū)域。玉米和其他植被類別的紋理相比冬小麥要更加的粗糙，而且玉米種植相比于其他植被類別更加的規(guī)整；因此在加入圖4中的植被指數(shù)信息后，有助于冬小麥、玉米和其他植被3種類別的相互區(qū)分。深度語義分割模型能夠更好地學(xué)習(xí)到遙感圖像的深層特征，因此與基于純光譜信息作為分類特征相比，在添加了植被指數(shù)后，深度語義分割模型的精度提升程度要略高于RF方法。上述分析表明，多光譜和植被指數(shù)信息結(jié)合有利于區(qū)分不同地物類別，從而提升冬小麥提取精度和總體分類效果。

目視解譯得到的冬小麥分布如圖8-a所示，基于改進(jìn)方法的區(qū)域B冬小麥空間分布如圖8-b所示。經(jīng)統(tǒng)計，在改進(jìn)方法下，基于純光譜信息和基于多光譜、植被指數(shù)信息提取的冬小麥種植面積分別為80.570 24、84.262 45 hm2。相比于目視解譯提取的冬小麥面積86.018 30 hm2，基于純光譜信息和基于多光譜、植被指數(shù)信息提取的冬小麥種植面積相對誤差分別為6.33%、2.04%。說明多光譜和植被指數(shù)信息結(jié)合有利于降低冬小麥面積提取誤差。

3.2 楊凌區(qū)冬小麥空間分布

基于上述結(jié)果與分析，改進(jìn)的UPerNet模型能夠較好地提取試驗區(qū)冬小麥種植區(qū)域，并且多光譜和植被指數(shù)信息結(jié)合有利于降低冬小麥面積提取誤差。因此基于本演技方法，實(shí)現(xiàn)楊凌區(qū)的冬小麥種植區(qū)提取，結(jié)果如圖9所示。

由圖9可知，楊凌區(qū)冬小麥種植整體分散，多集中在楊凌區(qū)西南方向的揉谷鎮(zhèn)以及東北方向的楊陵街道。揉谷鎮(zhèn)冬小麥地塊規(guī)則、分布均勻，而楊陵街道的冬小麥呈不規(guī)則分布。為進(jìn)一步驗證楊凌區(qū)冬小麥空間分布的準(zhǔn)確性，隨機(jī)在楊凌區(qū)選取116個地面點(diǎn)進(jìn)行實(shí)地調(diào)查，其中冬小麥樣點(diǎn)54個，其他類別樣點(diǎn)62個，如圖10所示。結(jié)合實(shí)地調(diào)查，楊凌區(qū)冬小麥空間分布與實(shí)際分布基本相符。通過統(tǒng)計計算，基于本研究方法提取的楊凌區(qū)冬小麥種植面積為647.26 hm2，與2021年陜西省統(tǒng)計年鑒數(shù)據(jù)666.67 hm2相比，相對誤差為2.91%［26］。

4 結(jié)論

基于UPerNet模型，通過改進(jìn)模型的上采樣結(jié)構(gòu)、激活函數(shù)以及增加注意力模塊來優(yōu)化模型，綜合利用衛(wèi)星圖像的光譜信息以及植被指數(shù)，在對研究區(qū)域進(jìn)行冬小麥種植區(qū)域自動提取的基礎(chǔ)上實(shí)現(xiàn)土地利用分類，對比RF、DeepLab V3+和UPerNet方法，改進(jìn)后的UPerNet方法均取得了最優(yōu)的冬小麥提取結(jié)果，對于冬小麥種植區(qū)域的提取精度為97.78%，說明改進(jìn)方法能夠較好地提取冬小麥種植區(qū)域。

在4種分類模型上，與僅使用光譜信息作為模型輸入特征相比，基于多光譜和植被指數(shù)的分類效果要更好，表明在對冬小麥提取中加入植被指數(shù)有助于冬小麥和其他相似類別的區(qū)分，從而提升分類精度。在2種不同的模型輸入特征上，深度學(xué)習(xí)方法的分類效果均優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法，表明深度學(xué)習(xí)在分類任務(wù)中能夠更好地提取遙感圖像特征。

基于改進(jìn)的UPerNet模型，對融合了植被指數(shù)的楊凌區(qū)遙感影像進(jìn)行冬小麥種植區(qū)提取，最終獲得的2020年楊凌區(qū)冬小麥面積為647.26 hm2，對比陜西省統(tǒng)計數(shù)據(jù)，相對誤差為2.91%。同時通過實(shí)地調(diào)查的方式進(jìn)一步驗證了楊凌區(qū)冬小麥空間分布的準(zhǔn)確性。

參考文獻(xiàn)：

［1］劉劍鋒，方 鵬，陳 琳，等. 基于MODIS NDVI的冬小麥?zhǔn)斋@指數(shù)遙感提取［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（13）：219-225.

［2］陳 岳，寇衛(wèi)利，李 瑩，等. 農(nóng)作物遙感災(zāi)損評估研究進(jìn)展［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（16）：12-20.

［3］郭 燕，賀 佳，王利軍，等. 基于高分二號數(shù)據(jù)的小麥快速識別與精度分析［J］. 河南農(nóng)業(yè)科學(xué)，2018，47（10）：143-148.

［4］王冬利，趙安周，李 靜，等. 基于GF-1數(shù)據(jù)和非監(jiān)督分類的冬小麥種植信息提取模型［J］. 科學(xué)技術(shù)與工程，2019，19（35）：95-100.

［5］王利軍，郭 燕，王來剛，等. GF6衛(wèi)星紅邊波段對春季作物分類精度的影響［J］. 河南農(nóng)業(yè)科學(xué)，2020，49（6）：165-173.

［6］Du Z R，Yang J Y，Ou C，et al. Smallholder crop area mapped with a semantic segmentation deep learning method［J］. Remote Sensing，2019，11（7）：888.

［7］崔 剛，吳金勝，于 鎮(zhèn)，等. 深度學(xué)習(xí)對不同分辨率影像冬小麥識別的適用性研究［J］. 遙感技術(shù)與應(yīng)用，2019，34（4）：748-755.

［8］Ayhan B，Kwan C. Tree，shrub，and grass classification using only RGB images［J］. Remote Sensing，2020，12（8）：1333.

［9］Liu C X，Du S Y，Lu H，et al. Multispectral semantic land cover segmentation from aerial imagery with deep encoder-decoder network［J］. IEEE Geoscience and Remote Sensing Letters，2022，19：1-5.

［10］劉 丹，劉學(xué)軍，王美珍. 一種多尺度CNN的圖像語義分割算法［J］. 遙感信息，2017，32（1）：57-64.

［11］李長春，陳偉男，王 宇，等. 基于多源Sentinel數(shù)據(jù)的縣域冬小麥種植面積提取［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52（12）：207-215.

［12］寧紀(jì)鋒，倪 靜，何宜家，等. 基于卷積注意力的無人機(jī)多光譜遙感影像地膜農(nóng)田識別［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52（9）：213-220.

［13］黃 鵬，鄭 淇，梁 超. 圖像分割方法綜述［J］. 武漢大學(xué)學(xué)報（理學(xué)版），2020，66（6）：519-531.

［14］Xiao T T，Liu Y C，Zhou B L，et al. Unified perceptual parsing for scene understanding［C］//European Conference on Computer Vision. Cham：Springer，2018：432-448.

［15］楊建華. 基于FPN的高分辨率建筑物圖像的語義分割［J］. 遙感信息，2021，36（4）：133-141.

［16］蔣晨皓，馬玉良，祝真濱. 基于PSPNet改進(jìn)UNet的輕量級視網(wǎng)膜血管分割算法［J］. 傳感技術(shù)學(xué)報，2022，35（7）：888-896.

［17］楊蜀秦，宋志雙，尹瀚平，等. 基于深度語義分割的無人機(jī)多光譜遙感作物分類方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52（3）：185-192.

［18］田 萱，王 亮，丁 琪. 基于深度學(xué)習(xí)的圖像語義分割方法綜述［J］. 軟件學(xué)報，2019，30（2）：440-468.

［19］劉 東，歐陽安，陳 聰，等. 基于歸一化植被指數(shù)的農(nóng)田邊界識別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（11）：196-201.

［20］麻 坤，趙鵬祥，季菲菲，等. 基于植被指數(shù)的秦嶺森林健康評價方法研究［J］. 西北林學(xué)院學(xué)報，2013，28（6）：145-150.

［21］楊 堅，錢 振，張燕軍，等. 采用改進(jìn)YOLOv4-tiny的復(fù)雜環(huán)境下番茄實(shí)時識別［J］. 農(nóng)業(yè)工程學(xué)報，2022，38（9）：215-221.

［22］Yang L，Zhang R Y，Li L，et al. Simam：a simple，parameter-free attention module for convolutional neural networks［C］// Proceedings of the IEEE International Conference on Machine Learning. Vienna，2021：11863-11874.

［23］袁自然，葉 寅，武 際，等. 基于高光譜成像技術(shù)的辣椒葉片葉綠素含量估算［J］. 江蘇農(nóng)業(yè)科學(xué)，2021，49（16）：189-193.

［24］He K M，Zhang X Y，Ren S Q，et al. Delving deep into rectifiers：surpassing human-level performance on ImageNet classification［C］//2015 IEEE International Conference on Computer Vision. Santiago，2015：1026-1034.

［25］金松林，來純曉，鄭 穎，等. 基于特征選擇和CNN+Bi-RNN模型的小麥抗寒性識別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（10）：201-207.

［26］陜西省統(tǒng)計局，國家統(tǒng)計局陜西調(diào)查總隊. 陜西統(tǒng)計年鑒：2021［M］. 北京：中國統(tǒng)計出版社，2021.