基于改进UPerNet和国...遥感数据的冬小麦种植区提取_白静远.pdf

白静远，宁纪锋，郭 交，等 基于改进 和国产高分遥感数据的冬小麦种植区提取 江苏农业科学，（）：基基于于改改进进 和和国国产产高高分分遥遥感感数数据据的的冬冬小小麦麦种种植植区区提提取取白静远，宁纪锋，郭 交，杨蜀秦，张智韬（西北农林科技大学信息工程学院，陕西杨凌；陕西省农业信息感知与智能服务重点实验室，陕西杨凌；西北农林科技大学水利与建筑工程学院，陕西杨凌）摘要：遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。基于 年 月 日的高分 号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进 模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区 块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上，改进的 模型分类精度最高，冬小麦提取精度为，总体分类精度相比于改进前的 提升了 ，对比 提升了 。基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的 模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。关键词：冬小麦；种植区提取；语义分割；高分卫星；中图分类号：文献标志码：文章编号：（）收稿日期：基金项目：陕西省自然科学基础研究计划（编号：）。作者简介：白静远（），男，陕西蒲城人，硕士研究生，从事卫星遥感图像分类等研究。：。通信作者：宁纪锋，博士，教授，从事计算机视觉、模式识别和机器学习研究。：。冬小麦是我国主要粮食作物之一，及时准确获取冬小麦种植区域有助于作物种植结构管理。卫星遥感技术在大尺度的农业种植结构普查中具有及时高效的特点，已成为获取农作物分布信息的主要手段之一。利用卫星遥感技术及时准确掌握冬小麦的空间分布，对于农业政策制定、优化冬小麦种植区域布局具有重要意义，也可为冬小麦的长势分析、产量预估提供基础数据。我国高分系列卫星覆盖了从全色、多光谱到高光谱，从光学到雷达等多种类型，构成了一个具有高空间分辨率、高时间分辨率和高光谱分辨率的对地观测系统，这些系统为精确提取农作物空间分布信息提供了强大的数据支撑。郭燕等基于高分 号的 多光谱影像，采用支持向量机、人工神经网络和最大似然法，对河南省濮阳市濮阳县小麦种植空间分布信息进行快速提取和精度分析。王冬利等基于高分 号宽幅数据，分析不同时间的，结合 均值分类法进行河北省辛集市的冬小麦种植区域提取。王利军等基于高分 号宽幅数据，利用随机森林算法完成 种不同红边波段方案下冬小麦、大蒜和油菜等作物的分类提取。基于深度学习构建的分类模型能够在分类任务中加入上下文特征信息，从而提升分类精度。不同的卷积神经网络（，简称）模型已被运用于遥感影像的分类中：崔刚等将 模型应用于冬小麦识别研究，文章基于卫星影像，探究了深度学习对不同分辨率冬小麦识别的适用性。等采用 模型对公开遥感数据集中的植被进行分类。等采用 模型实现基于航空影像的土地覆盖分类。上述研究多采用光谱信息或单一的植被指数信息作为模型输入特征，并未综合利用光谱信息和其他植被指数信息。基于机器学习的分类模型也多依赖于人工构建特征，尽管此类模型具有易于构建、占用计算资源少等优势，但分类结果有着一定的局限性。基于深度学习的分类模型中采用的双线性插值上采样容易造成分类目标边缘细节丢江苏农业科学 年第 卷第 期失，并且模型难以直接应用在多通道的遥感数据中。为准确提取冬小麦种植区域，有效区分冬小麦和其他农作物，本研究提出一种基于深度语义分割方法的冬小麦种植区域提取模型。模型能够利用特征的层次性捕获遥感图像的低级纹理和复杂特征，通过改进 网络结构适应融合光谱信息和植被指数的遥感数据，并修改激活函数、上采样结构、增加注意力机制来优化模型。试验结果表明，改进的 模型的冬小麦提取精度、总体精度（）和 系数均优于随机森林（，简称）、和 模型，验证了改进方法的有效性，为基于卫星影像获取农作物种植结构提供参考。材料与方法 研究区概况研究区位于陕西省国家级杨凌农业高新技术产业示范区（，），简称杨凌区，总面积为 ，地处暖温带，年均气温为 ；气候为半湿润半干旱季风气候，年均降水量为 ；全年四季分明，呈现典型的冬冷夏热特征。杨凌区三面环水，水资源丰富、水利条件优越。气候因素以及水文因素使得杨凌区适合冬小麦种植。本研究选取杨凌区冬小麦集中种植区作为研究区域（图），其中区域 面积约为，区域 面积约为。研究区域地物类型丰富，包含冬小麦、玉米等农作物，还包含工业厂房、居民房屋、农业塑料等其他地物类型。数据及预处理 遥感数据本研究选用高分 号光学遥感卫星（简称 ），该卫星搭载了 台 全色 多光谱的高分相机（简称：高分相机）。经过实地调查，进入 月后，冬小麦颜色逐渐变成深绿色，在卫星图像中特征较明显，利于训练样本选取与标注。结合冬小麦的生长周期，对 月的卫星影像进行筛选，最终选取无云时段的卫星影像作为本次试验的数据源。影像数据由 搭载的高分相机获取，数据获取时间及 主要参数见表。表 卫星主要参数及冬小麦遥感数据获取时间卫星空间分辨率（）波段获取时间高分 号全色 年 月 日多光谱（红、绿、蓝、近红外）遥感数据预处理 获取到的数据包括 幅 波段的多光谱影像和 幅单波段的全色影像。在 软件中对获取的遥感数据进行预处理：首先对多光谱影像进行辐射定标、大气校正和正射校正处理，再对全色影像进行辐射定标和正射校正处理，然后将多光谱影像和全色影像进行 图像融合，获得高空间分辨率的多光谱影像，预处理后的 影像采样率为 。江苏农业科学 年第 卷第 期 地面参考数据根据实地调查结果以及目视解译，将研究区土地类型划分为冬小麦、裸地、建筑（城乡房屋、工业厂房等）、农业塑料覆被（地膜及大棚等）、玉米地以及其他植被（除去冬小麦以及玉米的其他植被，如草地、林地等）共 种类型。通过统计 块试验区域的地面参考数据，最终获取各类别分布情况如图 所示。为训练分类模型并进行分类精度定量评价，需获取可靠的地面真值数据。因此开展实地调查，并结合高分辨率影像进行目视解译，通过 软件绘制地面真值图，、等 个研究区的可见光遥感图像和地面参考数据如图 所示。数据集构建选取占地面积较大的区域 遥感影像作为分类模型的训练集和验证集，占地面积较小的区域 作为分类模型的测试集。为加快模型训练速度，将网络输入大小设置为 像素，并且按照 像素的窗口大小对研究区域遥感图像进行裁剪。结合各类别像素个数以及所占比例，将训练区域 划分为训练集和验证集，其中验证集包含 张图片，用来调整模型超参数；训练集包含 张图片。考虑到深度学习网络对于训练集数量的依赖，综合前人学者研究，随机抽取训练集图像进行翻转、旋转、缩放等图像增强操作，以此扩充训练集数量，增加网络泛化能力。最终获得训练集图片 张，用来训练分类模型。区域 作为测试集对模型的预测结果进行精度评价。深度语义分割模型语义分割是在像素级别上的分类，属于同一类的像素被归为一类，因此语义分割是从像素级别来理解图像。与传统图像分割方法大多只利用图像表层信息不同，基于深度学习的语义分割方法能够充分利用图像的语义信息。等提出 模型，该模型可实现联合推理，并 发 掘 图 像 之 中 丰 富 的 视 觉 知 识。具有内存效率高的优点，适合处理高分辨江苏农业科学 年第 卷第 期率的图像；并且能够利用特征的层次性，因此可以捕获图像的低级纹理和复杂特征。基于特征金 字 塔 网 络（，简 称）。为克服深度卷积网络的感受野足够大但实际可用的要小很多这一问题，把 中的金字塔池化模块（，简称）用于骨干网络的最后一层，在其被馈送至 自上而下的分支之前。改进的 冬小麦种植区域提取方法 提取冬小麦种植区的局限性 对三通道图像的处理无法直接应用在包含更多通道的遥感图像中。对于多光谱遥感图像，除了能够提供光谱信息还能够提供植被指数信息，而现有的 模型未能有效利用这些信息。一些植被指数中包含负值，但语义分割中常用的 激活函数对负值无响应容易导致性能下降。在最终预测图的基础上，采用双线性插值上采样直接获得与输入相同大小的输出，但双线性插值没有学习能力并且会丢失细节。因此，针对这些不足，本研究通过遥感图像信息融合和网络结构修改，构建适用于多波段遥感影像的语义分割网络，以此能够更好地提取小麦种植区域。植被指数提取 在遥感图像信息融合方面，通过对 卫星影像的光谱信息以及植被指数进行叠加，形成 维度的数据集。结合表，选取 影像的红、绿、蓝以及近红外波段构建光谱特征。除了构建光谱特征外，在遥感影像分类中增加植被指数信息，以此研究植被指数的加入对模型分类精度的影响。包含红、绿、蓝以及近红外共 个波段，通过将可见光和近红外波段进行组合，可以计算出归一化植被指数（）、比值植被指数（）和花青素反射指数（），如图 所示。是目前检测植被生长状态的常用指标。能够体现植被与土壤背景之间的辐射差异，是植被长势、丰度的度量方法之一。常用于植被健康检测、作物产量分析等方面。改进的 模型首先是输入层的修改：由于 多应用在三通道的图像中，无法直接训练多通道的遥感数据，因此按照构建的遥感数据维度增加网络输入通道数。在引入植被指数后，考虑到引入的植被指数中包含负值，而 激活函数不仅拥有 激活函数的优点，对于负值也有良好响应，因此将网络中 激活函数替换成 激活函数，使得改进后的模型更具有鲁棒性。激活函数公式见式（），其中 代表输入数值。（）（）。（）由于输入数据包含多个植被指数以及光谱信息，可能导致网络训练时不容易收敛，因此在骨干网络 中加入 注意力模块提升网络对分类目标的关注度，具体加入位置在骨干网络的第 层到第 层内部 每层的 卷积之后，如图 所示。该模块是无参 注意力模块，拥有通道注意力和空间注意力的优势。采用该模块的好处是不会给网络增加额外参数，并且能够突出分类任务的重要特征。针对原模型中采用双线性插值来恢复预测图像尺寸，从而导致细节丢失的问题，改进后的 网络将原网络中双线性插值上采样部分用密集上采样卷积（，简称）代替（图 ）。的关键思想是将整个标签图划分为多个通道的较小标签图，这些较小标签图与输入 的特征图具有相同的高和宽，通道个数为 ，为下采样倍数，为预测类别个数。江苏农业科学 年第 卷第 期 直接在特征图上应用卷积操作，具有可学习性，因此能够捕获和恢复在双线性插值操作中丢失的详细信息。模型训练为验证改进方法在小麦种植区域提取方面的有效性，本研究将其与随机森林机器学习算法以及 和 这 种常用的深度语义分割模型进行比较。是一种集成分类器算法，由多颗分类与回归树（，简称）构成。该算法由于具有分类精度高和对噪声数据不敏感等优势，在农业领域有着广泛应用。在本研究中，为保证 模型和语义分割模型的输入数据数量一样，将数据增强后的图像逐一转换成像素点形式输入 模型。采用 深 度 学 习 框 架 构 建 、和提出的方法。为提高模型训练速度和应用到新数据并做出准确预测的能力，采用在公共数据集训练好的预训练权重对上述 种深度学习模型的内部参数进行初始化；对于新加入的卷积结构无法通过预训练权重初始化的问题，采用 初始化方法对新加入的结构进行权重初始化。种深度学习模型均训练 个，批处理尺寸为；初始学习率为 ，采用多项式衰减（）策略进行训练学习率的调整，矩为 ，权值退化率为 。精度评价为定量评价不同分类方法对小麦种植区域的提取效果，基于混淆矩阵对分类结果进行评价。首江苏农业科学 年第 卷第 期先利用分类结果图与地面真值图构建混淆矩阵，通过混淆矩阵可以获取到 统计量（）、和 系数等评价指标。本研究用 评价冬小麦种植区提取精度，用 和 系数作为总体分类的评估指标。结果与分析 冬小麦提取结果基于多光谱和植被指数，种分类方法的试验结果如表 所示，图 是分类结果的可视化。由图、表 可知，方法相较于 和 方法表现出更好