張 猛，林 輝，龍湘仁

采用全卷積神經(jīng)網(wǎng)絡與Stacking算法的濕地分類方法

張 猛，林 輝※，龍湘仁

（1. 中南林業(yè)科技大學林業(yè)遙感信息工程研究中心，長沙 410004；2. 中南林業(yè)科技大學林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點實驗室，長沙 410004；3. 中南林業(yè)科技大學南方森林資源經(jīng)營與監(jiān)測國家林業(yè)與草原局重點實驗室，長沙 410004）

高精度濕地制圖對濕地生態(tài)保護與精細管理具有重要的支撐作用。針對傳統(tǒng)濕地分類方法的精度不高等問題，提出了一種采用全卷積神經(jīng)（Fully Convolutional Neural，F(xiàn)CN）網(wǎng)絡與集成學習的濕地分類方法。首先利用全卷積神經(jīng)網(wǎng)絡（SegNet、UNet及RefineNet）對GF-6影像的語義特征進行提取與融合，然后利用Stacking集成算法對融合后的特征進行判別和分類。結果表明，采用全卷積神經(jīng)網(wǎng)絡與Stacking算法能有效提取濕地信息，總體分類精度為88.16%，Kappa系數(shù)為0.85。與采用全卷積神經(jīng)網(wǎng)絡與單一機器學習的隨機森林（Random Forest，RF）、支持向量機（Support Vector Machin，SVM）與k-近鄰（Nearest Neighbor，kNN）算法相比，該研究提出的濕地分類方法在總體分類精度上分別提高了4.87，5.31和5.08個百分點；與采用單一全卷積神經(jīng)網(wǎng)絡（RefineNet、SegNet、UNet）與Stacking算法下的濕地分類結果，該文提出的濕地分類方法在總體分類精度上分別提高了2.78，4.48與4.91個百分點；該方法一方面能通過卷積神經(jīng)網(wǎng)絡提取遙感影像深層的語義特征，另一方面通過集成學習根據(jù)各分類器的表征性能進行合理的選擇并重組，從而提高分類精度及其泛化能力。該方法能為濕地信息提取及土地覆蓋分類方法的研究提供參考。

濕地；分類；卷積神經(jīng)網(wǎng)絡；Stacking；集成學習

0 引 言

濕地是地球上重要的“碳庫”之一，被認為是地球上的氣候“穩(wěn)定器”[1-2]。因此，濕地空間分布、變化及其對區(qū)域生態(tài)環(huán)境的影響，是近年來全球研究的焦點之一[3]。然而，由于人為活動及氣候變化，濕地大面積消失和退化。近年來，盡管國家出臺了一些保護濕地資源的政策，但全球氣候變化使?jié)竦厣鷳B(tài)系統(tǒng)仍面臨著重大威脅[4]。面對當前持續(xù)的全球變化趨勢，構建一種快速且高精度的濕地信息提取方法對中國濕地資源的管理和區(qū)域生態(tài)環(huán)境的保護具有至關重要的作用。

遙感監(jiān)測技術具有省時、省力，對濕地無破壞性采樣，快速宏觀監(jiān)測優(yōu)勢，已成為目前獲取大面積濕地信息的主要途徑[5-8]。傳統(tǒng)的濕地分類方法多利用目視解譯，其依賴于解譯人員豐富的知識和經(jīng)驗，并結合其他輔助數(shù)據(jù)與資源進行綜合分析[9-11]。然而，目視解譯因其高要求、高費用、長周期等特點，已不能滿足長時間序列、大范圍的濕地分類研究[12]。計算機、圖像處理等技術的快速發(fā)展，各種新的理論、方法相繼提出，出現(xiàn)了許多計算機自動解譯方法。早期計算機分類法多以數(shù)學統(tǒng)計原理為基礎，如監(jiān)督分類中的最大似然法、最小距離分類法、波譜角填圖以及非監(jiān)督分類中的迭代自組織數(shù)據(jù)分析算法[13-15]。但這類基于數(shù)學統(tǒng)計的分類方法對于選取的樣本質量要求較高（選取的樣本需隨機均勻且呈正態(tài)分布），同時要求每類樣本數(shù)據(jù)數(shù)量較多?；诖祟悊栴}，多種機器學習算法如支持向量機、決策樹、分層分類、神經(jīng)網(wǎng)絡、面向對象等分類法相繼提出并用于濕地分類研究[16-19]。

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）作為目前深度學習擴展研究最熱門的算法之一，在遙感影像分類方面的研究嘗試較多，且都取得了較好的效果[20-21]。盡管CNN在圖像分類上有較大的效率和精度優(yōu)勢，但其依賴于海量的訓練數(shù)據(jù)，當訓練數(shù)據(jù)不足或缺少時，往往會因訓練不足而造成分類精度不高或不穩(wěn)定[22-23]?；诖?，本研究以洞庭湖濕地為研究對象，首先擬采用多個卷積神經(jīng)網(wǎng)絡模型對遙感影像特征進行提取，然后將這些特征作為新的數(shù)據(jù)集并利用集成效果較好的Stacking模型[24]對濕地信息進行提取，最后利用實地調查數(shù)據(jù)進行精度評價。為檢驗Stacking集成學習算法在濕地信息提取方面的有效性及優(yōu)勢，本研究基于卷積神經(jīng)網(wǎng)絡提取的特征，分別利用單一機器學習算法進行濕地分類。為驗證不同特征下的濕地分類精度，將各卷積神經(jīng)網(wǎng)絡提取的特征及3種卷積神經(jīng)網(wǎng)絡提取特征融合后的融合特征分別利用Stacking集成算法及單一機器學習進行分類，并將這些結果與該文方法的結果進行對比分析，以期為改善與提高濕地分類精度提供有效的技術方法。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

東洞庭湖位于長江中游的荊江南岸湖南省東北部，范圍為28°59′～29°35′N，112°19′～113°05′E（圖1），是中國重要的自然濕地保護區(qū)。研究區(qū)總體面積8.87×103hm2，地形平坦，平均海拔50 m（圖1a），屬亞熱帶季風氣候，年均降水量為1 650 mm，年均溫度為16 ℃[2, 25]。研究區(qū)的濕地類型主要包括湖泊/庫塘、泥沙灘地、苔草、蘆葦及楊樹林。

圖1 研究區(qū)高程及樣本點分布

1.2 數(shù)據(jù)與預處理

本研究所需的遙感數(shù)據(jù)包括GF-6號和Landsat 8 OLI影像，GF-6影像用于濕地分類，Landsat 8 OLI用于GF-6影像的幾何校正。作為中國衛(wèi)星計劃的重要組成部分，裝有PMS和WFV傳感器的GF-6主要應用于精密農(nóng)業(yè)觀測、林業(yè)資源調查等行業(yè)。此外，在GF-6影像中加入了能有效反映作物獨特光譜特征的“紅邊”波段，大大提高了農(nóng)林牧草地資源的監(jiān)測能力[26]。本文選擇的GF-6號影像為PMS傳感器的16 m分辨率多光譜影像，影像來源于中國資源衛(wèi)星應用中心陸地觀測衛(wèi)星數(shù)據(jù)服務平臺（http://36.112.130.153:7777/DSSPlatform /shirologin.html），影像獲取時間為2019年5月24日。5月份苔草、蘆葦、楊樹林等濕地植被的光譜特征差異明顯，便于遙感解譯。GF-6號遙感影像的處理包括輻射定標、大氣校正、正射校正，其中輻射定標和大氣校正分別采用ENVI5.3中的輻射定標工作流和FLAASH模型。選擇ENVI5.3中的正射校正的workflow進行正射校正，由于缺少地面控制點信息，本文選擇直接使用無控制點正射校正功能[26]。

本文的實地驗證數(shù)據(jù)采用外業(yè)調查的形式獲取，獲取日期為2019年5月21—2019年5月25日，采集到實地驗證數(shù)據(jù)7類：湖泊/庫塘、泥沙灘地、苔草、蘆葦、楊樹林，同時還有耕地及其他，樣本數(shù)量分別為：72、60、82、79、56、63、58，樣本分布狀況如圖1b。外業(yè)調查前在研究區(qū)內(nèi)建立的1 km×1 km格網(wǎng)，格網(wǎng)覆蓋整個研究區(qū)。為便于采樣，同時確保濕地樣點調查的有效性，刪除建筑、裸地等非濕地格網(wǎng)獲得濕地集中區(qū)的待確定調查格網(wǎng)。調查時，利用GPS獲取位置信息并記錄土地利用類型。考慮到GF-6影像像元大小與調查樣地的匹配問題，將調查樣地規(guī)格設置為10 m × 10 m。由于部分湖泊/庫塘、泥沙灘地無法直接到達進行數(shù)據(jù)記錄，本文結合Google Earth高分辨率影像采用目視判別的方式進行驗證數(shù)據(jù)的采集。最后，將調整與柵格化的實地調查數(shù)據(jù)用于分類結果的精度驗證。

其他輔助數(shù)據(jù)包括Google Earth高分辨率影像與大比例尺的湖南省土地利用數(shù)據(jù)，用于輔助選擇分類中的用于訓練模型的訓練樣本。通過Google Earth高分辨影像及大比例尺土地利用數(shù)據(jù)，利用目視判別的方式構建了586塊30像元×30像元的樣本，每塊樣本均由預處理后的GF-6遙感影像和像素級別匹配的由3種全卷積神經(jīng)網(wǎng)絡用于提取的特征集，用于Stacking模型的訓練。

2 研究方法

2.1 卷積神經(jīng)網(wǎng)絡（CNN）算法

卷積神經(jīng)網(wǎng)絡通過局部連接，權值共享降低前饋神經(jīng)網(wǎng)絡的復雜性，從而提高對圖像處理與識別的效率和準確率。CNN中的卷積層與池化層構成了一個通用性較強的特征提取器，可以提取遙感影像中高度抽象的深層特征。然而目前許多CNN模型輸入圖像的大小為256×256或299×299像素，無法滿足大范圍濕地特征信息的提取。全卷積神經(jīng)網(wǎng)絡（Fully Convolutional Neural，F(xiàn)CN）將全連接層替換為卷積層[27-29]，可以接受任意大小的影像，能夠實現(xiàn)逐像元分類，因此本文選擇FCN用于提取影像特征。

2.2 集成學習算法

集成學習通過多個基分類器來預測結果，其適用于不同類型場景的能力較強，分類準確率較高[2,24]。因此，本文選擇集成學習模型中，在分類任務中對穩(wěn)定性的分類器集成效果較好的集成學習Stacking模型，用于濕地分類研究。在Stacking集成學習中，第一層的個體分類器被稱為“基本分類器”，它們被用來從基礎訓練數(shù)據(jù)集中提取主要特征，并將輸出的結果作為第二層元分類器的訓練數(shù)據(jù)集，然后生成最終的分類結果[2]。

2.3 采用全卷積神經(jīng)網(wǎng)絡與Stacking算法的濕地分類

樣本量不足的情況下，直接利用FCN對濕地進行分類，會導致FCN訓練不足，參數(shù)無法到達最優(yōu)。本文提出的采用FCN與Stacking的濕地分類，結合了FCN較強的影像特征提取能力和Stacking算法的泛化能力，能夠較好的解決小樣本情況下的高精度濕地分類。該方法主要包括基于FCN模型的影像特征提取和基于集成學習的濕地分類2個部分，技術流程如圖2。由于不同卷積神經(jīng)網(wǎng)絡模型提取特征的能力不同，本研究選取了SegNet、UNet及RefineNet全卷積神經(jīng)網(wǎng)絡[30-33]用于提取特征，并將3種全卷積神經(jīng)網(wǎng)絡提取的特征進行疊加，形成一個新的特征集。最后基于這個特征集，采用Stacking算法進行分類。

注：SegNet、UNet及RefineNet為3種全卷積神經(jīng)網(wǎng)絡。SVM、RF、kNN、LR、NB分別為支持向量機、隨機森林、k-近鄰、邏輯回歸、樸素貝葉斯。下同。

本文SeNet網(wǎng)絡模型用編碼器-解碼器結構，包括26個卷積層、5個最大池化層、5個上采樣層和1個Softmax層。每層卷積設置的卷積核為3×3，滑動步長為1，激活函數(shù)為Relu函數(shù)，卷積核數(shù)量分別設置為64、128、256和512個；池化層的卷積核為2×2，滑動步長為1；每層上采樣設置的行列放大倍數(shù)為2，每層上采樣后，都有一層融合層融合編碼器中的特征；Unet網(wǎng)絡是U型對稱結構，包含19個卷積層，4個最大池化層、4個上采樣層和1個Softmax層。其卷積層中卷積核與上采樣的設置與SegNet一致，池化層的卷積核為2×2，滑動步長為2；RefineNet有3個主要部分：自適應卷積、多分辨率融合和鏈式殘差池化，包含37個卷積層、7個最大池化層、7個上采樣層和1個Softmax層。其池化層中卷積核與上采樣的設置與SegNet一致，每層卷積設置的卷積核為3×3，滑動步長為1，卷積層卷積核數(shù)量設置為為64個、128個、256個和512個、1 024個。

為進一步提高Stacking算法的穩(wěn)定性與泛化能力，本文首先確定了元分類器。以往的研究表明，使用泛化能力較強的機器算法（如Random Forest，RF）作為元分類器可以糾正多個機器算法對于訓練集的偏置情況，并能夠防止過擬合現(xiàn)象和提高預測性能[21]。因此，在本研究中，RF算法被用作元分類器。然后，本文Stacking集成學習的分類器組合模型第一層選擇學習能力較強和差異性較大的算法作為基分類器以便于提升模型的預測效果，包括支持向量機（Support Vector Machine，SVM）[34]、隨機森林（Random Forest，RF）[35]、k-近鄰（k-Nearest Neighbor，KNN）[36]、邏輯回歸（Logistic Regression，LR）[37]和樸素貝葉斯（Naive Bayesian，NB）[38]自由組合并訓練輸入數(shù)據(jù)集。通過交叉驗證，最終得到精度最高的基分類器組合，并輸出預測結果。

參考《濕地公約》并結合洞庭湖濕地實際狀況，通過對遙感影像預分類結果進行潛在分析，確定本研究的分類系統(tǒng)為湖泊/庫塘、泥沙灘地、苔草、蘆葦、楊樹林、耕地及其他。為了避免過度擬合和選擇不同機器學習算法的最優(yōu)超參數(shù)，通過折交叉驗證和分層抽樣方法將訓練樣本分成相同大小的組（1，2，…，D）。選取1集作為訓練集，其余為測試集。分類完成后，進一步利用野外實地調查數(shù)據(jù)對分類精度進行評價，評價指標包括總體分類精度（Overall Accuracy，OA）、Kappa系數(shù)、生產(chǎn)者精度（Producer Accuracy，PA）及用戶精度（User Accuracy，UA），計算式如下：

式中X表示土地覆蓋類型為的樣本數(shù)被歸類為土地覆蓋類型的樣本數(shù)，X代表樣本總數(shù)被歸類為土地覆被類型的樣本數(shù)，代表總數(shù)真正的土地覆蓋類型為的樣本數(shù)，S是正確分類的樣本數(shù)，表示驗證樣本的總數(shù)。

3 結果與分析

3.1 采用卷積神經(jīng)網(wǎng)絡與Stacking的濕地分類結果

采用卷積神經(jīng)網(wǎng)絡與集成學習的濕地分類結果如圖 3，參考Google Earth高分辨率影像，通過目視判別發(fā)現(xiàn)，該方法提取的大部分濕地類型的分布范圍與地表實際狀況比較吻合。苔草主要分布于研究區(qū)中北部，蘆葦沿湖泊均勻分布，楊樹林則主要分布在研究區(qū)南部。

基于本文方法提取濕地信息的總體分類精度為88.16%，Kappa系數(shù)為0.85。該方法能夠有效地提取大部分濕地類型，其中，湖泊/庫塘、泥沙灘地、苔草的生產(chǎn)者精度與用戶精度均在90%左右（表1），但對蘆葦和楊樹林容易形成錯分，主要原因在于兩者在生長季的部分時段具有相似的光譜特征，難以用單時相的遙感影像進行區(qū)分（182個楊樹林像元被分為蘆葦，141個蘆葦像元被分為楊樹林）。同時，苔草與蘆葦、楊樹林及耕地，蘆葦與耕地，湖泊與泥沙及其他類之間也存在著錯分的情況（125個蘆葦像元被分為苔草，158個苔草像元被分為蘆葦；137個耕地像元被分為楊樹林，67個楊樹林像元被分為耕地）。植被之間的誤分情況主要由于洞庭湖濕地植被多樣性豐富，易形成混合像元，單時相GF-6遙感數(shù)據(jù)難以將其準確區(qū)分。5月份春汛使得流入洞庭湖的水泥沙含量較多，因此造成了部分湖泊/庫塘與泥沙灘地之間的錯誤分類。另外，該時期部分耕地未種植農(nóng)作物或經(jīng)濟作物，使得耕地的光譜特征與泥沙灘地類型，這是造成兩者錯分的主要原因。

圖3 采用卷積神經(jīng)網(wǎng)絡與自適應Stacking算法的濕地分類結果

Stacking算法最終得到的最佳基分類器組合為SVM、RF和kNN，各基分類器的最優(yōu)參數(shù)分別為SVM（懲罰系數(shù)=34, gamma系數(shù)=1）、RF（森林中數(shù)的個數(shù)_trees=150）和kNN（最近鄰個數(shù)=5）。盡管基分類器的多樣性會在一定程度上保證分類的精度，但在集成學習中并不是基分類器越多，其分類精度就最高，需要根據(jù)分類中的實際狀況進行適當調整。本文采用的Stacking算法，能夠根據(jù)最高分類精度，自動選擇最佳的基分類器組合，進一步提高了Stacking算法的泛化能力。

表1 濕地分類混淆矩陣及精度

注：土地利用類型對應數(shù)值為其列所在類別被分為行所在類別的像元數(shù)。UA為生產(chǎn)者精度，PA為用戶精度。下同。

Note: The corresponding value of land use type is the number of pixels in which the category of column is divided into the category of row. UA is the producer accuracy, and PA is the user accuracy. Same as below.

3.2 采用全卷積神經(jīng)網(wǎng)絡與單一分類器的濕地分類結果

為進一步檢驗Stacking集成學習算法在濕地信息提取方面的有效性及優(yōu)勢，本研究基于全卷積神經(jīng)網(wǎng)絡提取的特征，分別利用單一分類器SVM、RF和kNN進行濕地分類，結果如圖4。從目視分析來看，相較于集成學習Stacking算法，利用單一分類器提取濕地信息的結果存在一些明顯的錯分情況。利用SVM算法的分類結果中，很大一部分苔草和蘆葦都被誤分為楊樹林，使得楊樹林的分布范圍遍布整個研究區(qū)，這與實際狀況不符?；赗F的整體分類效果要好于SVM算法，但蘆葦?shù)姆植济娣e小于研究區(qū)的實際狀況。單一使用kNN算法的分類結果中，湖泊/庫塘與泥沙灘地存在著一定面積的錯分。

注：FCN、SVM、RF、kNN分別為全卷積神經(jīng)網(wǎng)絡、支持向量機、隨機森林、k-近鄰。

采用卷積神經(jīng)網(wǎng)絡與單一分類器的濕地分類精度表 2，與集成學習Stacking算法相比，單一分類器的總體分類精度與Kappa系數(shù)均有不同程度的降低，其中RF的分類精度是3個單一分類器中最高的（總體分類精度：83.29%，Kappa:0.80）。與采用卷積神經(jīng)網(wǎng)絡與單一分類器相比，該研究提出的濕地分類方法在總體分類精度上分別提高了4.87，5.31和5.08個百分點。就生產(chǎn)者精度與用戶精度而言，相較于Stacking算法，使用單一分類器的分類結果也有所降低。在單一使用SVM算法時，楊樹林的生產(chǎn)者精度和用戶精度均為最低，相較于Stacking算法分別降低了8.03和5.05個百分點。單一使用RF算法會導致蘆葦?shù)纳a(chǎn)者精度和用戶精度大幅度降低（-1.66%和-2.60%）。在僅利用kNN算法時，其分類結果中泥沙灘地的生產(chǎn)者精度與用戶精度的降低幅度最大，較本文方法分別降低了6.22和3.04個百分點。這些定量的精度評價結果與上述的目視分析結果保持了較好的一致性。單一分類器的性能表現(xiàn)出來的隨機性較大，集成學習能夠根據(jù)各分類器的表征性能進行合理的選擇并重組，從而提高分類精度及其泛化能力。

3.3 采用單一全卷積神經(jīng)網(wǎng)絡與Stacking算法的濕地分類結果

為驗證不同特征下的濕地分類精度，將SegNet、UNet、RefineNet各自提取的特征及3種卷積神經(jīng)網(wǎng)絡提取特征融合后的融合特征分別利用自適應Stacking集成算法、SVM、RF與kNN進行分類，分類精度如圖5所示。與采用單一全卷積神經(jīng)網(wǎng)絡和Stacking算法相比，該文提出的濕地分類方法在總體分類精度上分別提高了2.78，4.48與4.91個百分點。由分類精度可知，直接利用卷積神經(jīng)網(wǎng)絡模型訓練與提取的特征具有較好的可分性，不論采用自適應Stacking算法，還是單一的機器學習算法可以實現(xiàn)較高的分類精度（總體分類精度均在80%以上），表明卷積神經(jīng)網(wǎng)絡能夠提取遙感影像深層的語義特征。3種卷積神經(jīng)網(wǎng)絡模型中，RefineNet提取特征的能力要優(yōu)于SegNet、UNet，其總體分類精度與Kappa系數(shù)分別達到了85.38%與0.82。但與3種模型提取的融合特征相比（表1、表2），利用單一卷積神經(jīng)網(wǎng)絡模型提取的特征進行分類，其分類精度均要低一些。將具有差異性的特征進行融合，能夠有效地提高分類精度。

表2 采用全卷積神經(jīng)網(wǎng)絡與單一分類器的濕地分類精度

圖5 采用單一全卷積神經(jīng)網(wǎng)絡與Stacking算法的濕地分類精度

3.4 單一全卷積神經(jīng)網(wǎng)絡或機器學習下的濕地分類結果

為驗證本文方法有效性，在與本文數(shù)量相當?shù)臉颖玖康那榫跋拢繅K樣本均由1個處理好的遙感影像塊和1個在像素級別匹配的解譯圖像塊構成，樣本大小為256像元×256像元），分別采用SegNet、UNet、RefineNet模型對洞庭湖濕地信息進行提取。SegNet網(wǎng)絡迭代次數(shù)為10代，動量為0.9，dropout的值為0.5，學習率為0.000 1，每次學習的樣本數(shù)是16。UNet網(wǎng)絡迭代次數(shù)為15代，動量為0.9，dropout的值為0.5，學習率為0.000 1，每次學習的樣本數(shù)是16。RefineNet網(wǎng)絡迭代次數(shù)為10代，動量為0.9，dropout的值為0.5，學習率為0.001，每次學習的樣本數(shù)是10。結果顯示，3種全卷積神經(jīng)網(wǎng)絡模型下的總體分類精度在80%左右，其中RefineNet模型下的濕地分類精度最高，總體分類精度和Kappa系數(shù)為81.82%和0.79 （圖6）。與單一全卷積神經(jīng)網(wǎng)絡RefineNet、SegNet、UNet相比，該文提出的濕地分類方法在總體分類精度上分別提高了6.34、7.48與7.93個百分點。相較而言，像本來相當?shù)那榫跋拢瑑H利用卷積神經(jīng)網(wǎng)絡對濕地信息提取的精度要低于采用全卷積神經(jīng)網(wǎng)絡與機器學習與集成學習的精度。盡管卷積神經(jīng)網(wǎng)絡提取的特征具有較高的語義性，但在樣本量較少或不足的情況下，導致模型訓練不足，從而使得分類精度不夠理想。先利用卷積神經(jīng)網(wǎng)絡提取的遙感影像的深層特征，再采用其集成學習進行分類能夠一定程度的避免訓練數(shù)據(jù)缺失引起的過度擬合等問題，從而提取分類精度。

本文同時不利用卷積神經(jīng)網(wǎng)絡提取的特征，僅利用GF-6影像反射率波段、歸一化植被指數(shù)和水體指數(shù)，利用SVM、RF與kNN分別對遙感影像進行了分類，其分類精度如圖7。與單一機器學習RF、SVM與kNN算法相比該文提出的濕地分類方法在總體分類精度上分別提高了7.90、9.68和10.01個百分點。從分類精度可知，RF在3種機器學習模型中的性能最好，其總體分類精度在80%以上，而kNN與SVM的總體分類精度均在80%以下。與采用卷積神經(jīng)網(wǎng)絡與單一分類器的濕地分類相比，僅利用機器學習的濕地分類精度明顯下降。這在一定程度上進一步表明了，與機器學習相比，卷積神經(jīng)網(wǎng)絡模型能更好地提取遙感影像特征，從而提高分類精度。

圖6 單一全卷積神經(jīng)網(wǎng)絡下的濕地分類精度

圖7 單一機器學習下的濕地分類精度

4 結 論

濕地生態(tài)系統(tǒng)對區(qū)域環(huán)境及可持續(xù)發(fā)展具有重要的意義，但基于傳統(tǒng)機器分類方法常常存在濕地分類精度不高與泛化能力低等問題。本研究提出的全卷積神經(jīng)網(wǎng)絡與Stacking算法，結合了卷積神經(jīng)網(wǎng)絡與集成學習的優(yōu)勢，首先利用全卷積神經(jīng)網(wǎng)絡用于提取GF-6影像的深層語義特征，然后采用Stacking算法則對提取的特征進行判別與分類，一定程度的避免訓練數(shù)據(jù)缺失引起的過度擬合等問題。研究結論如下：

1）采用全卷積神經(jīng)網(wǎng)絡與Stacking算法能有效提取濕地信息，總體分類精度與Kappa系數(shù)分別為88.16%與0.85。

2）與采用全卷積神經(jīng)網(wǎng)絡與單一機器學習RF、SVM與kNN算法相比，該文提出的濕地分類方法在總體分類精度上分別提高了4.87，5.31和5.08個百分點。

3）與采用單一全卷積神經(jīng)網(wǎng)絡（RefineNet、SegNet、UNet）與Stacking算法下的濕地分類結果，該文提出的濕地分類方法在總體分類精度上分別提高了2.78，4.48與4.91個百分點。

4）與單一全卷積神經(jīng)網(wǎng)絡RefineNet、SegNet、UNet相比，該文提出的濕地分類方法在總體分類精度上分別提高了6.34、7.48與7.93個百分點；與單一機器學習RF、SVM與kNN算法相比該文提出的濕地分類方法在總體分類精度上分別提高了7.90、9.68和10.01個百分點。

本文結果能夠為樣本量缺失或不足情景下的濕地信息提取及土地分類提供參考，后續(xù)的研究會針對卷積神經(jīng)網(wǎng)絡模型、采用卷積神經(jīng)網(wǎng)絡與機器學習及機器學習等方法在不同數(shù)量樣本情景下的分類精度與所耗時間進行進一步探討。

[1]Mao Dehua, Wang Zongming, Du Baojia, et al. National wetland mapping in China: A new product resulting from object-based and hierarchical classification of Landsat 8 OLI images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 164: 11-25.

[2]Cai Yaotong, Li Xinyu, Zhang Meng, et al. Mapping wetland using the object-based stacked generalization method based on multi-temporal optical and SAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 92: 102164.

[3]張猛，曾永年，朱永森. 面向對象方法的時間序列MODIS數(shù)據(jù)濕地信息提?。阂远赐ズ饔驗槔齕J]. 遙感學報，2017，21(3)：479-492. Zhang Meng, Zeng Yongnian, Zhu Yongsen. Wetland mapping of Dongting Lake Basin based on time-series MODIS data and object-oriented method[J]. Journal of Remote Sensing, 2017, 21(3): 479-492. (in Chinese with English abstract)

[4]張猛，曾永年. 長株潭城市群濕地景觀時空動態(tài)變化及驅動力分析[J]. 農(nóng)業(yè)工程學報，2018，34(1)：241-249. Zhang Meng, Zeng Yongnian. Temporal and spatial dynamic changes and driving forces analysis of wetland landscape of Chang-Zhu-Tan urban agglomeration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 241-249. (in Chinese with English abstract)

[5]Baker C, Lawrence R L, Montagne C, et al. Change detection of wetland ecosystems using Landsat imagery and change vector analysis[J]. Wetlands, 2007, 27(3): 610-619.

[6]Davranche A, Lefebvre G, Poulin B. Wetland monitoring using classification trees and SPOT-5 seasonal time series[J]. Remote Sensing of Environment, 2010, 114(3): 552–562.

[7]程琳琳，董雪梅，詹佳琪，等. 基于面向對象的GF-1遙感影像采煤沉陷區(qū)濕地分類[J]. 農(nóng)業(yè)工程學報，2018，34(9)：240-247. Cheng Linlin, Dong Xuemei, Zhan Jiaqi, et al. Classification of wetland based on object-oriented method in coal mining subsidence area using GF-1 remote sensing image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 240-247.

[8]朱長明，李均力，常存，等. 新疆干旱區(qū)濕地景觀格局遙感動態(tài)監(jiān)測與時空變異[J]. 農(nóng)業(yè)工程學報，2014，30(15)：229-238. Zhu Changming, Li Junli, Chang Cun, et al. Remote sensing detection and spatio-temporal change analysis of wetlands in Xinjiang arid region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(15): 229-238. (in Chinese with English abstract)

[9]宮鵬，牛振國，程曉，等. 中國1990和2000基準年濕地變化遙感[J]. 中國科學：地球科學，2010，40(6)：768-775. Gong Peng, Niu Zhenguo, Cheng Xiao, et al. China’s wetland change (1990–2000) determined by remote sensing[J]. Science China: Earth Sciences, 2010, 40(6): 768-775. (in Chinese with English abstract)

[10]牛振國，宮鵬，程曉，等. 中國濕地初步遙感制圖及相關地理特征分析[J]. 中國科學：地球科學，2009，39(2)：188-203. Niu Zhenguo, Gong Peng, Cheng Xiao, et al. Preliminary remote sensing mapping of wetlands in China and analysis of related geographical features[J]. Science China: Earth Sciences, 2009, 39(2): 188-203. (in Chinese with English abstract)

[11]羅開盛，陶福祿. 融合面向對象與纓帽變換的濕地覆被類別遙感提取方法[J]. 農(nóng)業(yè)工程學報，2017，33(3)：198-203. Luo Kaisheng, Tao Fulu. Method for wetland type extraction using remote sensing combing object-oriented and tasseled cap transformation[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 198－203. (in Chinese with English abstract)

[12]Han Xingxing, Chen Xiaoling, Feng Lian. Four decades of winter wetland changes in Poyang Lake based on Landsat observations between 1973 and 2013[J]. Remote Sensing of Environment, 2015, 156: 426-437.

[13]Shi Kun, Zhang Yunlin, Zhu Guangwei, et al. Long-term remote monitoring of total suspended matter concentration in Lake Taihu using 250m MODIS-Aqua data[J]. Remote Sensing of Environment, 2015, 164: 43–56.

[14]Laba M, Blair B, Downs R, et al. Use of textural measurements to map invasive wetland plants in the Hudson River National Estuarine Research Reserve with IKONOS satellite imagery[J]. Remote Sensing of Environment, 2010, 114: 876–886.

[15]Ayoub F, Jones C E, Lamb M P, et al. Inferring surface currents within submerged, vegetated deltaic islands and wetlands from multi-pass airborne SAR[J]. Remote Sensing of Environment, 2018, 212: 148–160.

[16]Mwita E, Menz G, Misana S, et al. Mapping small wetlands of Kenya and Tanzania using remote sensing techniques[J]. International Journal of Applied Earth Observation & Geoinformation, 2013, 21(4): 173–183.

[17]Peng Kai, Jiang Weiguo, Deng Yue, et al., Simulating wetland changes under different scenarios based on integrating the random forest and CLUE-S mode: A case study of Wuhan Urban Agglomeration[J]. Ecological Indicators, 2020, 117, 106671.

[18]Evans T L, Costa M, Tomas W M, et al. Large-scale habitat mapping of the Brazilian Pantanal wetland: A synthetic aperture radar approach[J]. Remote Sensing of Environment, 2014, 155: 89–108.

[19]Ramsey E, Rangoonwala A, Middleton B, et al. Satellite optical and radar data used to track wetland forest impact and short-term recovery from Hurricane Katrina[J]. Wetlands, 2009, 29(1): 66-79.

[20]Zhang Ce, Sargent I, Pan Xin, et al. An object-based convolutional neural network (OCNN) for urban land use classification[J]. Remote Sensing of Environment, 2018, 216: 57-70.

[21]Zhang Meng, Lin Hui, Wang Guangxing, et al. Mapping paddy rice using a convolutional neural network (CNN) with Landsat 8 datasets in the Dongting Lake Area, China[J]. Remote Sensing, 2018, 10(11): 1840.

[22]余東行，張保明，趙傳，等. 采用卷積神經(jīng)網(wǎng)絡與集成學習的遙感影像場景分類[J]. 遙感學報，2020，24(6)：717-727. Yu Donghang, Zhang Baoming, Zhao Chuan, et al. Scene classification of remote sensing image using ensemble convolutional neural network[J]. Journal of Remote Sensing, 2020, 24(6): 717-727. (in Chinese with English abstract)

[23]Wang Jie, Luo Chang, Huang Hanqiao, et al. Transferring pre-trained deep CNNs for remote scene classification with general features learned from linear PCA network[J]. Remote Sensing, 2017, 9(3): 225.

[24]Zhang Meng, Zhang Huaiqing, Li Xinyu, et al. Classification of paddy rice using a stacked generalization approach and the spectral mixture method based on MODIS time series[J]. IEEE Journal of Select Topical Applied Earth Observation and Remote Sensing, 2020, 13: 2264-2275.

[25]張猛，曾永年. 基于多時相Landsat 數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J]. 農(nóng)業(yè)工程學報，2015，31(13)：178-185. Zhang Meng, Zeng Yongnian. Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 178-185. (in Chinese with English abstract)

[26]Yang Aixia, Zhong Bo, Hu Longfei, et al. Radiometric cross-calibration of the wide field view camera onboard GaoFen-6 in multispectral bands[J]. Remote Sensing, 2020, 12(6): 1037.

[27]Long J, Shelhamer E, Darrell T. Fully Convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 39(4): 640-651.

[28]Shelhamer E, Long J and Darrell T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640-651.

[29]Lin H N, Shi Z W, Zou Z X. Maritime semantic labeling of optical remote sensing images with multi-scale fully convolutional network[J]. Remote Sensing, 2017, 9(5): 480.

[30]Badrinarayanan V, Kendall A, Cipolla R. SegNet: A deep convolutional encoder-decoder architecture for imagesegmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

[31]Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation[C]. Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich, Germany: Springer, 2015: 234-241.

[32]Lin G, Milan A, Shen C, et al. RefineNet: Multi-path refinement networks for high-Resolution semantic segmentation[J/OL]. (2016-11-25) [2020-09-09], https:// arxiv.org/pdf/1611.06612.pdf.

[33]宋德娟，張承明，楊曉霞，等. 高分二號遙感影像提取冬小麥空間分布[J]. 遙感學報，2020，24(5)：596-608. Song Dejuan, Zhang Chengming, Yang Xiaoxia, et al. Extracting winter wheat spatial distribution information from GF-2 image[J]. Journal of Remote Sensing, 2020, 24(5): 596-608. (in Chinese with English abstract)

[34]李佳，呂程序，苑嚴偉，等. 快速傅里葉變換結合SVM算法識別地表玉米秸稈覆蓋率[J]. 農(nóng)業(yè)工程學報，2019，35(20)：194-201. Li Jia, Lü Chengxu, Yuan Yanwei, et al. Automatic recognition of corn straw coverage based on fast Fourier transform and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 194-201. (in Chinese with English abstract)

[35]劉煥軍，張美薇，楊昊軒，等. 多光譜遙感結合隨機森林算法反演耕作土壤有機質含量[J]. 農(nóng)業(yè)工程學報，2020，36(10)：134-140. Liu Huanjun, Zhang Meiwei, Yang Haoxuan, et al. Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 134-140. (in Chinese with English abstract)

[36]Gilichinsky M, Heiskanen J, Barth A, et al. Histogram matching for the calibration of kNN stem volume estimates[J]. International Journal of Remote Sensing, 2012, 33(21/22): 7117-7131.

[37]劉立波，程曉龍，戴建國，等. 基于邏輯回歸算法的復雜背景棉田冠層圖像自適應閾值分割[J]. 農(nóng)業(yè)工程學報，2017，33(12)：201-208. Liu Libo, Cheng Xiaolong, Dai Jianguo, Lai Junchen. Adaptive threshold segmentation for cotton canopy image in complex background based on logistic regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 201-208. (in Chinese with English abstract)

[38]翟治芬，徐哲，周新群，等. 基于樸素貝葉斯分類器的棉花盲椿象危害等級識別[J]. 農(nóng)業(yè)工程學報，2015，31(1)：204-211. Zhai Zhifen, Xu Zhe, Zhou Xinqun, et al. Recognition of hazard grade for cotton blind stinkbug based on Naive Bayesian classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(1): 204-211.(in Chinese with English abstract)

Wetland classification method using fully convolutional neural network and Stacking algorithm

Zhang Meng, Lin Hui※, Long Xiangren

(1.,,410004,; 2.,,410004,;3.,,410004,)

High-precision wetland mapping is playing a critical role in wetland ecological protection and fine management. In order to improve traditional classification of wetland, a new wetland classification that coupled with the Fully Convolutional Neural (FCN) network and ensemble learning was proposed in this study. A highly versatile feature extractor, including the convolutional layers and pooling layers in Convolutional Neural Network (CNN), can be used to extract highly abstract deep features in remote sensing images. However, the input image size in many CNN models was 256 × 256 or 299 × 299 pixels, which cannot satisfy the features information extraction of wetland in a large scale. In the FCN, the fully connected layer can be replaced with a convolutional layer, where the images with any size can be accepted for the pixel-by-pixel classification. That was the reason that the FCN was chosen to extract image features. Here, the FCN (SegNet, UNet, and RefineNet) was employed to extract and merge the deep semantic features in the GF-6 images. Since single machine learning was easy to fall into a local optimal solution, with the relatively low generalization ability of unknown samples, ensemble learning can be utilized as multiple base classifiers to predict. A strong ability can be gained to apply for various scenarios with high classification accuracy. Therefore, a stacking ensemble learning model was selected for wetland classification, according to the semantic features derived by FCN, due mainly to a better ensemble effect on the stable classifiers in the task. In some scenarios, the performance of integrated Stacking was better than that of others. However, the performance of integrated stacking may be degraded in some applications. An adaptive stacking was proposed to further improve the stability and generalization ability of current Stacking. The meta-classifier was first determined in the adaptive stacking. The RF in an ensemble classifier was used as the meta-classifier to improve prediction performance. All the base-classifiers were combined freely to train the input dataset, including the Support Vector Machine (SVM), RF, k-Nearest Neighbor (kNN), Logistic Regression (LR), and Naive Bayes (NB). The results showed that the coupled FCN and adaptive Stacking can effectively extract the most types of wetland information, where the overall classification accuracy and Kappa coefficient were 88.16% and 0.85, respectively. The producer accuracy and user accuracy of lakes/pools, mudflat, and sedge were all around 90%, but it was easy to form a misclassification of reed beaches and poplar forest beaches. The main reason was that similar spectral characteristics during the growing season were difficult to distinguish with single-phase remote sensing images. Compared with coupling FCN and single classifier (SVM, RF and kNN), the overall accuracy was improved by 5.31, 4.87, and 5.08 percent points, respectively. Compared with the SVM, RF and kNN, the overall accuracy was improved by 9.68, 7.90, and 10.01 percent points, respectively. Moreover, a higher classification accuracy was achieved, compared with that of SegNet, UNet, or RefineNet. According to the characterization performance of each classifier, ensemble learning can make reasonable selection and reorganization, further to improve the classification accuracy and its generalization ability.

wetland; classification; convolutional neural network; Stacking; ensemble learning

張猛，林輝，龍湘仁. 采用全卷積神經(jīng)網(wǎng)絡與Stacking算法的濕地分類方法[J]. 農(nóng)業(yè)工程學報，2020，36(24)：257-264.doi：10.11975/j.issn.1002-6819.2020.24.030 http://www.tcsae.org

Zhang Meng, Lin Hui, Long Xiangren. Wetland classification method using fully convolutional neural network and Stacking algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(24): 257-264. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.24.030 http://www.tcsae.org

2020-09-17

2020-12-09

國家自然科學基金項目（41901385）；博士后科學基金項目（2019M652815, 2020T130731）

張猛，博士，講師，主要從事資源環(huán)境遙感等方面研究。Email：mengzhang@csuft.edu.cn

林輝，教授，主要從事林業(yè)遙感等方面的研究。Email：linhui@csuft.edu.cn

10.11975/j.issn.1002-6819.2020.24.030

TP79；S127

A

1002-6819(2020)-24-0257-08