朱祺夫 趙俊三 陳磊士

摘要：使用遙感影像對建筑用地進(jìn)行精確和高效的提取，是土地利用的重要信息來源。使用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法對研究區(qū)Landsat8遙感影像圖進(jìn)行分類訓(xùn)練與提取，與作為對照組的支持向量機(jī)方法進(jìn)行比對分析。結(jié)果表明，基于深度學(xué)習(xí)的遙感影像城市建筑用地提取方法提取精度更高，尤其在道路提取精度上有著明顯優(yōu)勢，說明將深度學(xué)習(xí)融入遙感影像建筑用地提取有著廣闊前景。

關(guān)鍵詞：建筑用地；遙感影像；深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)； Landsat 8

DOIDOI：10.11907/rjdk.181278

中圖分類號：TP301

文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2018）010-0018-04

英文摘要Abstract：The use of remote sensing images for accurate and efficient extraction of construction land is an important source of information for many aspects of land use. At present， the extraction accuracy of building land using remote sensing images is affected by the extraction method， time and space， and it has broad prospects to integrate the rapid development of deep learning into the extraction of remote sensing imagery construction land. This paper uses the deep learning method of convolutional neural network model as an example to classify and train the Landsat8 remote sensing image in the study area， and compares it with the results of the support vector machine method as a control group. The research results show that the remote sensing image based on deep learning can extract urban construction land by using relative support vector machine （SVM） method with higher precision， especially on road extraction accuracy. Using the convolutional neural network model in deep learning to obtain Landsat8 imagery for building land has achieved relatively good results，which provides a reference for similar research work.

英文關(guān)鍵詞Key Words：building land； remote sensing image； deep learning； neural network； landsat 8

0 引言

隨著遙感技術(shù)的快速發(fā)展，土地利用工作對遙感影像的需求越來越大，傳統(tǒng)模型如BP神經(jīng)網(wǎng)絡(luò)（Back Propagation）和SVM模型（Support Vector Machine， SVM）的遙感影像分類提取精度已無法滿足需求。為提高遙感影像圖精度，2010年Minh等[1]首次將深度學(xué)習(xí)技術(shù)應(yīng)用于道路信息提取。此后，深度學(xué)習(xí)技術(shù)逐漸在信息提取、高分影像分類、變化監(jiān)測等方面廣泛應(yīng)用，但在影像分類方面應(yīng)用較少，僅Chen等[2]在高光譜分辨率數(shù)據(jù)分類上有所應(yīng)用，另外，劉大偉等[3]在高空間分辨率影像的分類具有代表性。與支持向量機(jī)（SVM）的傳統(tǒng)方法相比，深度學(xué)習(xí)技術(shù)在高分影像空間分布規(guī)律上的挖掘精度更高。高常鑫等[4]通過分層方法建立深度學(xué)習(xí)模型，完成對高分影像的高精度分類。鮑江峰[5]將深度置信網(wǎng)絡(luò)應(yīng)用于探測墨西哥灣溢油區(qū)域。

本文創(chuàng)新性地將深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）模型用于城市建筑用地遙感影像圖的分類提取，通過卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類提取，得到精度非常高的城市建筑用地遙感影像圖，為土地利用的后續(xù)工作提供精確圖像。

1 研究區(qū)概況

選擇昆明市主城區(qū)為研究區(qū)域。昆明市面積為1 760.8km2，包含6個(gè)市轄區(qū)、4個(gè)縣、3個(gè)自治縣和1個(gè)代管縣級市，市轄區(qū)包括官渡區(qū)、五華區(qū)、呈貢區(qū)、盤龍區(qū)、西山區(qū)等。縣及自治縣包括嵩明縣、晉寧縣、富民縣、宜良縣、尋甸回族彝族自治縣、石林彝族自治縣、祿勸彝族苗族自治縣，代管縣級市為安寧市。昆明市地處云貴高原中部，是金沙江、紅河、南盤江的分界處，東鄰曲靖市，西連楚雄彝族自治州，北接涼山彝族自治州，西南與玉溪市，東南與紅河哈尼族彝族自治州毗鄰，是滇中城市群的核心圈。昆明為山原地貌，地處東經(jīng)102°10′-103°40′、北緯24°23′-26°33′，地勢北高南低，自北向南逐漸變緩。大部分區(qū)域海拔在1 500～2 800m左右，均是山原地貌。其中祿勸縣的轎子山馬鬃嶺海拔為4 247m，為海拔最高點(diǎn)；祿勸縣普渡河與金沙江的匯流處海拔為746m，為海拔最低點(diǎn)。昆明主要河流為普渡河與南盤江，普渡河往北流入金沙江，南盤江自東向南川流市內(nèi)。昆明市壩子和湖泊很多，以昆明壩子和滇池為最大。昆明市氣候?yàn)閬啛釒Ц咴撅L(fēng)氣候，四季如春，夏季氣溫清爽宜人，無酷暑，冬季氣溫溫暖無風(fēng)，無嚴(yán)寒。昆明市年均溫度為14～16 ℃，適宜居住，年降水量大約為790.9～1 094.2mm，少雨但市區(qū)降水豐富。昆明市在種植地上屬于高原紅壤地區(qū)，土質(zhì)主要有水稻土、紫土和紅壤土等。礦產(chǎn)資源種類豐富，主要有硅石、磷、粘土、鐵、鈦、煤、鹽、銅等。

2 數(shù)據(jù)來源與處理流程

昆明市主城區(qū)遙感影像圖來源于Landsat8衛(wèi)星數(shù)據(jù)，以及2016年昆明市土地利用現(xiàn)狀圖和現(xiàn)場調(diào)繪數(shù)據(jù)，詳細(xì)參數(shù)如下：數(shù)據(jù)標(biāo)識為LC81290432016327LGN00，分辨率為30m，獲取時(shí)間為2016-11-22 白天。傳感器：OLI_TIRS，接收站：LGN，條帶號：129，行編號：43，太陽高度角：41.34637099，太陽角方位：155.19641257。數(shù)據(jù)處理流程如圖1所示。

在模型訓(xùn)練過程中，為了控制殘差反向傳播以及網(wǎng)絡(luò)的穩(wěn)定性，設(shè)置學(xué)習(xí)率的初始值為0.01，每一批訓(xùn)練樣本的批大小（batch size）根據(jù)不同提取方法作對應(yīng)調(diào)整[14]，對標(biāo)準(zhǔn)化方式處理后的區(qū)域多邊形影像對象分別進(jìn)行20次訓(xùn)練，并記錄其預(yù)測精度。

4 實(shí)驗(yàn)結(jié)果分析

為評價(jià)卷積神經(jīng)網(wǎng)絡(luò)在遙感影像中城市建設(shè)用地信息上的提取能力，本文采用支持向量機(jī)對研究區(qū)域進(jìn)行分類，與卷積神經(jīng)網(wǎng)絡(luò)做精度對比。在提取過程中，影像分割階段采用和卷積神經(jīng)網(wǎng)絡(luò)相同的參數(shù)設(shè)置[15]，在分類器訓(xùn)練和預(yù)測階段均采用默認(rèn)參數(shù)。兩種提取方法下建設(shè)用地信息提取精度比較結(jié)果如圖3和表2所示。卷積神經(jīng)網(wǎng)絡(luò)城市建筑用地提取如圖4所示。

由圖3、表2、圖4可知，在不同的精度評價(jià)方法下，卷積神經(jīng)網(wǎng)絡(luò)在道路信息提取和其它建筑用地提取精度上明顯高于支持向量機(jī)模型。傳統(tǒng)支持向量機(jī)在訓(xùn)練樣本較少時(shí)能取得一定效果，但當(dāng)訓(xùn)練樣本較多、地類間特征差異較明顯時(shí)，提取效果比卷積神經(jīng)網(wǎng)絡(luò)差。支持向量機(jī)在針對性分類提取應(yīng)用中，會隨著分類器的不同而導(dǎo)致特征判定有很大差別，這就使其針對性分類提取加上了人為的局限性。與之相反，卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)識別并學(xué)習(xí)到目標(biāo)結(jié)構(gòu)所包含的特征并進(jìn)行存儲，同時(shí)自主進(jìn)行識別模式的改進(jìn)，在遙感影像建設(shè)用地信息提取中具有明顯優(yōu)勢。

5 結(jié)語

本文研究了深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)在遙感影像提取中的可行性，并通過與傳統(tǒng)的支持向量機(jī)學(xué)習(xí)模型的提取效果進(jìn)行對比分析，證明深度學(xué)習(xí)技術(shù)在城市建筑用地遙感影像提取中具有一定優(yōu)勢。但由于對深度學(xué)習(xí)領(lǐng)域的理論知識欠缺，會在理解上存在不足，同時(shí)深度學(xué)習(xí)技術(shù)理論研究和技術(shù)實(shí)現(xiàn)還在不斷發(fā)展，系統(tǒng)的理論和技術(shù)也在逐步完善，因此本文存在以下不足：

（1）在遙感影像預(yù)處理時(shí)，對遙感影像的選擇沒有進(jìn)行較全面的分析和評價(jià)，其適用性和預(yù)處理效果可能對后續(xù)處理的精度產(chǎn)生影響。

（2）本文所使用的參數(shù)均為軟件默認(rèn)參數(shù)，但由于建設(shè)用地結(jié)構(gòu)復(fù)雜多變，最佳參數(shù)的組合還需進(jìn)一步分析，最佳參數(shù)的選擇還需進(jìn)一步提升。

（3）本文在對影像對象進(jìn)行標(biāo)準(zhǔn)化時(shí)，使用的是較為傳統(tǒng)的標(biāo)準(zhǔn)化方法，而影像對象的特征信息會隨著不同標(biāo)準(zhǔn)產(chǎn)生細(xì)微的變化，進(jìn)而影響提取結(jié)果，因此需要進(jìn)一步探索最優(yōu)化影像對象標(biāo)準(zhǔn)化方法。

（4）本文將當(dāng)下較成熟的深度學(xué)習(xí)模型直接應(yīng)用于城市建筑用地影像信息提取，其它領(lǐng)域的對象信息提取仍值得深度研究。

鑒于上述原因，本文雖取得了一定的研究結(jié)果，但在深度學(xué)習(xí)技術(shù)應(yīng)用于遙感影像信息提取上還存在很多不足，還需進(jìn)一步學(xué)習(xí)和完善。

參考文獻(xiàn)：

[1] MNIH V， HINTON G E. Learning to detect roads in high-resolution aerial images[C].Computer Vision-ECCV 2010， European Conference on Computer Vision， Heraklion， Crete， Greece， September 5-11， 2010， Proceedings. DBLP， 2010：210-223.

[2] CHEN Y， LIN Z， ZHAO X， et al. Deep learning-based classification of hyperspectral data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2017， 7（6）：2094-2107.

[3] 劉大偉，韓玲，韓曉勇.基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J].光學(xué)學(xué)報(bào)，2016（4）：298-306.

[4] 高常鑫，桑農(nóng).基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測[J].測繪通報(bào)，2014（s1）：108-111.

[5] 鮑江峰.機(jī)器學(xué)習(xí)方法在遙感圖像處理中的應(yīng)用研究[D].上海：復(fù)旦大學(xué)，2014.

[6] 李彥冬，郝宗波，雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2016，36（9）：2508-2515.

[7] 李春利，柳振東，惠康華.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[J].軟件導(dǎo)刊，2017（5）：186-188.

[8] 匡青.基于卷積神經(jīng)網(wǎng)絡(luò)的商品圖像分類研究[J].軟件導(dǎo)刊，2017，16（2）：178-182.

[9] 趙爽.基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法研究[D].北京：中國地質(zhì)大學(xué)（北京），2015.

[10] 何海清，杜敬，陳婷，等.結(jié)合水體指數(shù)與卷積神經(jīng)網(wǎng)絡(luò)的遙感水體提取[J].遙感信息，2017（5）：82-86.

[11] 殷文斌.卷積神經(jīng)網(wǎng)絡(luò)在遙感目標(biāo)識別中的應(yīng)用研究[D].北京：中國科學(xué)院大學(xué)，2017.

[12] 葛蕓，江順亮，葉發(fā)茂，等.基于ImageNet預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像檢索[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2018，43（1）：67-73.

[13] 盧藝帆，張松海.基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感圖像目標(biāo)檢測[J].中國科技論文，2017，12（14）.

[14] 陳雪云.基于深層神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測[D].北京：中國科學(xué)院大學(xué)，2014.

[15] 羅娜.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[J].軟件導(dǎo)刊，2008（10）：30-31.

（責(zé)任編輯：杜能鋼）