許晴，張錦水，張鳳，蓋爽，楊志，段雅鳴

1.北京師范大學(xué) 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100875;2.北京師范大學(xué) 地理科學(xué)學(xué)部北京市陸表遙感數(shù)據(jù)產(chǎn)品工程技術(shù)研究中心,北京 100875;3.北京師范大學(xué) 地理科學(xué)學(xué)部遙感科學(xué)與工程研究院,北京 100875

1 引 言

準(zhǔn)確的分類圖是作物面積估算、長勢動(dòng)態(tài)監(jiān)測和產(chǎn)量預(yù)測等方面有著重要的用途，也是研究全球變化、物質(zhì)與能量流動(dòng)的支撐數(shù)據(jù)，被廣泛應(yīng)用于農(nóng)業(yè)管理、作物保險(xiǎn)、供應(yīng)鏈物流等領(lǐng)域（Cai等，2018）。

傳統(tǒng)的農(nóng)作物遙感分類方法，如支持向量、機(jī)SVM（Support Vector Machine）和隨機(jī)森林RF（Random Forest）已經(jīng)比較成熟，能夠充分利用遙感影像的自身特征進(jìn)行作物的識(shí)別（Belgiu 和Dr?gu?，2016；Rodriguez-Galiano 等，2012；Rudiyanto等，2019），主要流程包括遙感數(shù)據(jù)預(yù)處理、獲取訓(xùn)練樣本、反演和確定分類特征、選擇特定分類器和評(píng)價(jià)精度等（Lu 和Weng，2007），其中分類特征和分類器是影響分類結(jié)果的關(guān)鍵因素（賈坤和李強(qiáng)子，2013）。但在實(shí)際應(yīng)用中，基于人工的訓(xùn)練樣本選擇和特征提取過程高度依賴專家經(jīng)驗(yàn)和行業(yè)知識(shí)，缺乏靈活度，難以實(shí)現(xiàn)高效的自動(dòng)化生產(chǎn)。

隨著人工智能的技術(shù)迅速發(fā)展，大數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)在計(jì)算機(jī)視覺、語音識(shí)別和自然語言處理等諸多領(lǐng)域被廣泛應(yīng)用，成為近十年來的研究熱點(diǎn)（Ball 等，2017）。深度卷積神經(jīng)網(wǎng)絡(luò)DCNN（Deep Convolutional Neural Networks）是一種被廣泛研究與應(yīng)用的深度學(xué)習(xí)模型（Hinton 等，2006；曲景影等，2016），能克服傳統(tǒng)分類方法的缺點(diǎn)，實(shí)現(xiàn)“端到端”自動(dòng)化分類，高效地提煉出大量深層次特征，具有強(qiáng)大的處理復(fù)雜分類問題的能力、魯棒性和泛化性（賈坤和李強(qiáng)子，2013；劉大偉等，2016；楊紅衛(wèi)和童小華，2012）。近年來，深度卷積神經(jīng)網(wǎng)絡(luò)已逐漸拓展到遙感影像的研究中，如針對(duì)中高分辨率衛(wèi)星的目標(biāo)檢測（Audebert 等，2018）和語義分割（Zhang 等，2020；Zhong 等，2019）、對(duì)高光譜影像進(jìn)行空間和光譜變量提?。℉u 等，2015；Kussul等，2017；Li等，2017），以及SAR影像解譯（Wagner，2014）等。遙感影像分類更是得益于其特征表達(dá)的靈活性、端到端的學(xué)習(xí)和運(yùn)行的高效性。

大量高精度訓(xùn)練標(biāo)簽樣本是訓(xùn)練深度學(xué)習(xí)模型的前提。如ImageNet 圖像數(shù)據(jù)集（http：//www.image-net.org/［2021-03-11］）目前為2 萬多個(gè)場景類別提供了1400 多萬幅圖像。對(duì)于農(nóng)作物遙感分類而言，在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)，需要依靠大量準(zhǔn)確、全覆蓋的標(biāo)記訓(xùn)練樣本進(jìn)行空間特征提取，而這需要大量人力物力的投入，限制了深度學(xué)習(xí)方法在農(nóng)作物遙感分類的應(yīng)用。

受Kaiser 等（2017）利用OpenStreetMap 弱標(biāo)簽樣本進(jìn)行房屋和道路提取的啟發(fā)：有一定誤差的弱標(biāo)簽樣本也能夠訓(xùn)練出高精準(zhǔn)的模型，因此我們探討利用傳統(tǒng)分類方法提取出的作物分布作為樣本來探討用于訓(xùn)練深度學(xué)習(xí)模型的適用性。這種非100%準(zhǔn)確精度的樣本視為弱樣本，但這些弱樣本達(dá)到一定的識(shí)別精度，包含了豐富的作物特征信息，滿足大樣本的數(shù)量要求（Hao 等，2020）。本研究的目標(biāo)是以傳統(tǒng)分類方法識(shí)別的結(jié)果為樣本（弱樣本），訓(xùn)練DCNN，提取遼寧省水稻和玉米的空間分布，分析弱樣本的適用性，討論弱樣本誤差對(duì)分類模型魯棒性的影響，解決獲取大量DCNN樣本困難的問題，為利用深度學(xué)習(xí)實(shí)現(xiàn)大尺度作物分類提供一定的技術(shù)鋪墊。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

本文研究區(qū)為遼寧省，總面積為148×103km2（38°43′—43°26′N，118°53′—125°46′E）（圖1），屬于典型的溫帶大陸性季風(fēng)氣候區(qū)，雨熱同期，地處中國最大的平原——東北平原，土壤肥沃，2017年耕地總面積約為32×103km2（來自FROMGLC 2017數(shù)據(jù)集），是中國重要的糧食農(nóng)作物種植區(qū)和生產(chǎn)基地。該地區(qū)的主要糧食作物包括水稻和玉米，這兩種作物的種植總面積超過了本省糧食作物種植面積的91%（數(shù)據(jù)來源于國家統(tǒng)計(jì)局2018年中國統(tǒng)計(jì)年鑒，http：//www.stats.gov.cn/tjsj/ndsj/2018/indexch.htm［2021-03-11］）。因此，準(zhǔn)確快速地識(shí)別出水稻和玉米的空間分布對(duì)政府部門制定合理農(nóng)業(yè)政策，調(diào)整農(nóng)業(yè)種植結(jié)構(gòu)具有重大意義。水稻和玉米屬于同期生長作物，全年種植一季，具體生長物候期見表1。

圖1 研究區(qū)概況Fig.1 The study area

2.2 遙感影像

許多研究利用不同關(guān)鍵時(shí)相遙感數(shù)據(jù)，捕捉不同作物的生長過程在遙感影像上的特征變化，從而提高農(nóng)作物識(shí)別精度（Jia 等，2013；Murthy 等，2003；Shao 等，2001）。其中，選擇最佳分類時(shí)相遙感數(shù)據(jù)是農(nóng)作物分類的基礎(chǔ)（賈坤和李強(qiáng)子，2013），如王娜等（2017）主要選取了3 個(gè)作物生長時(shí)期的GF-1 影像提取蘇北地區(qū)水稻和玉米分布，總體精度最高達(dá)到了0.97?；诖?，本文通過分析遼寧省作物生長的物候期（表1），選擇作物生長的兩個(gè)時(shí)相影像進(jìn)行識(shí)別：（1）作物早期生長階段，時(shí)間為4月15日—6月30日，基本上處于作物播種和出苗初期，這個(gè)階段能夠?qū)⒆魑锖推渌脖粎^(qū)分開，同時(shí)稻田中含水量高，遙感影像上水體特征明顯，玉米地在影像上則呈現(xiàn)裸地或弱植被光譜特征；（2）作物生長旺盛階段，時(shí)間為7月15日—9月30日，兩種作物在遙感影像上均表現(xiàn)出強(qiáng)植被信息，這個(gè)階段主要是通過作物的遙感特征進(jìn)行識(shí)別。因此，將這兩個(gè)時(shí)期數(shù)據(jù)視為關(guān)鍵期影像來識(shí)別玉米和水稻。

表1 遼寧省主要農(nóng)作物物候表Table 1 Main crop calendar in Liaoning Province

分析整個(gè)區(qū)域的遙感影像，云是一個(gè)不可回避的限制性因素，幾乎每一景影像上都有云的存在，為保證充分?jǐn)?shù)量的影像用于作物識(shí)別，只要是整景影像云覆蓋占比低于70%的影像都被用來作物的識(shí)別。因此本研究選取了215 景GF-1 WFV影像數(shù)據(jù)，第一階段126 景，第二階段89 景。影像有藍(lán)（0.45—0.52μm）、綠（0.52—0.59μm）、紅（0.63—0.69 μm）和近紅（0.77—0.89 μm）4 個(gè)波段，空間分辨率為16 m。

GF-1 WFV 原始影像通過一系列標(biāo)準(zhǔn)化預(yù)處理，包括大氣校正、幾何精校正、云/云陰影檢測和中值合成生成晴空影像，為便于影像處理采用30 km×30 km 格網(wǎng)單元進(jìn)行組織，數(shù)據(jù)類型為16 位整型。云/云陰影等不可避免地干擾農(nóng)作物識(shí)別結(jié)果，因此利用研究組提出的深度學(xué)習(xí)方法檢測云和云陰影（Duan，2020），之后以中值合成方式生成無云影像（Roy等，2014），計(jì)算公式為

式中，xi為像元值，當(dāng)xi在影像上為云像元時(shí)，則為空值。為了方便高效地管理和搜索數(shù)據(jù)，以邊長為30 km 的矩形格網(wǎng)作為處理單元裁剪影像。格網(wǎng)中每個(gè)像元的取值為同生長季內(nèi)無云影像像元值數(shù)組的中值，最后生成研究區(qū)兩個(gè)時(shí)間窗口內(nèi)的無云中值合成影像（圖2）。

圖2 研究區(qū)兩期GF-1中值合成影像Fig.2 GF-1 median fusion images of two phases in our study area

2.3 檢驗(yàn)數(shù)據(jù)

本研究的真實(shí)地表數(shù)據(jù)包括野外樣點(diǎn)數(shù)據(jù)集和目視解譯樣方數(shù)據(jù)。野外樣點(diǎn)數(shù)據(jù)為2017年在遼寧省采集的GPS 樣點(diǎn)數(shù)據(jù)。在遼寧省測試區(qū)內(nèi)，共收集了1250 個(gè)地面點(diǎn)，其中水稻98 個(gè)，玉米633 個(gè)，其他類別519 個(gè)（圖3）。目視解譯樣方為在測試區(qū)內(nèi)隨機(jī)選取的14 個(gè)1 km×1 km 矩形樣方（編號(hào)A—N），通過人工目視解譯高分辨率影像獲得樣方內(nèi)水稻、玉米和其他類別的空間分布，作為真實(shí)地表數(shù)據(jù)，如圖3所示。

圖3 野外采樣點(diǎn)和目視解譯樣方分布Fig.3 Distribution map of field sampling points and visual interpretation samples

3 實(shí)驗(yàn)流程

3.1 SVM作物分類

利用SVM 分類結(jié)果作為訓(xùn)練標(biāo)簽樣本訓(xùn)練模型。大量的標(biāo)簽樣本是深度學(xué)習(xí)的基礎(chǔ)，為訓(xùn)練出具備高精度和強(qiáng)泛化能力的深度卷積網(wǎng)絡(luò)模型，獲取足夠多的訓(xùn)練標(biāo)簽樣本數(shù)據(jù)是基本要求之一（莊福振等，2015）。利用ENVI 5.3 軟件中監(jiān)督分類的SVM 分類器工具分縣區(qū)對(duì)遼寧省水稻、玉米和其他地物3 種類型分類，為DCNN 訓(xùn)練提供弱樣本。遼寧省一共有100個(gè)縣區(qū)。根據(jù)分類體系，參照2017年Google Earth 高分辨率影像，結(jié)合研究區(qū)的作物物候信息，以縣區(qū)為單位采用隨機(jī)手工選點(diǎn)的方式，獲取了16966個(gè)地面點(diǎn)作為SVM分類的訓(xùn)練樣本點(diǎn)，其中水稻3475 個(gè)，玉米7595 個(gè)，其他類別5896 個(gè)。該實(shí)驗(yàn)過程包括了分區(qū)縣SVM 分類、人工分類后處理、耕地地塊掩膜等操作，采用人機(jī)交互后處理方式保證識(shí)別結(jié)果的準(zhǔn)確性。

3.2 構(gòu)建模型數(shù)據(jù)集

根據(jù)模型訓(xùn)練需求，SVM 分類結(jié)果作為弱樣本用于模型的訓(xùn)練，分為訓(xùn)練集和測試集。圖2表明，遼寧省共有220 個(gè)30 km×30 km 格網(wǎng)，其中有61 個(gè)格網(wǎng)跨在省邊界上，缺少部分的標(biāo)簽樣本，這一部分格網(wǎng)作為測試數(shù)據(jù)；剩余159個(gè)格網(wǎng)按照7∶3 比例隨機(jī)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，并使各個(gè)數(shù)據(jù)集在不同地形地貌景觀中均有分布，保證樣本的多樣性，如圖4和圖8（a）所示。之后將測試數(shù)據(jù)裁剪成256×256像元大小的切片，重疊度為50%，最終獲得26024個(gè)遙感影像分塊。

圖4 數(shù)據(jù)集在不同地形地貌景觀中的分布Fig.4 Image distributions in various terrain landscape

3.3 模型訓(xùn)練與作物識(shí)別

本研究在PSPNet 模型的基礎(chǔ)上構(gòu)建農(nóng)作物分類模型。Zhao 等（2017）提出PSPNet 模型能夠融合多層次特征，保留地物的局部空間信息的同時(shí)實(shí)現(xiàn)像元級(jí)的語義分割，具有較強(qiáng)的表征能力，提升分類的準(zhǔn)確率。在此基礎(chǔ)上，農(nóng)作物遙感分類的深度卷積神經(jīng)網(wǎng)絡(luò)DCNN（Deep Convolutional Neural Network）模型做了一些改進(jìn)（圖5），主要包括2 個(gè)核心模塊：加入膨脹卷積（Holschneider等，1990）的殘差模塊（He 等，2016）和金字塔平均池化模塊。模型采用10 個(gè)殘差結(jié)構(gòu)塊用于挖掘影像的深層抽象特征，并對(duì)最后3個(gè)殘差塊增加膨脹卷積層，增大模型對(duì)像元周圍語義信息的感知度，防止深層特征丟失像元之間的空間關(guān)系。之后4個(gè)不同尺度的平均池化層將深層特征的上下文信息結(jié)合起來，來提高目標(biāo)像元的定位精度。此外，考慮到本研究使用了2 個(gè)時(shí)期共8 個(gè)波段的遙感影像，我們也對(duì)模型的輸入模塊進(jìn)行相應(yīng)的調(diào)整，由傳統(tǒng)的三通道變?yōu)榘送ǖ?。在?xùn)練階段，輸入數(shù)據(jù)為8個(gè)波段兩時(shí)期遙感影像塊和對(duì)應(yīng)弱樣本標(biāo)簽；測試階段僅輸入遙感影像塊。

圖5 深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）框架Fig.5 Deep Convolutional Neural Network（DCNN）framework

輸入訓(xùn)練集對(duì)DCNN進(jìn)行訓(xùn)練，參考Krizhevsky等（2017）在ILSVRC-2012比賽中的學(xué)習(xí)策略對(duì)超參數(shù)進(jìn)行設(shè)置。為了防止訓(xùn)練過擬合，我們采用隨機(jī)分層分組的方法，從訓(xùn)練集中提取1/7 數(shù)據(jù)作為模型的驗(yàn)證數(shù)據(jù)。采用隨機(jī)梯度下降法（SGD）更新權(quán)值，學(xué)習(xí)率衰減策略為fixed，固定學(xué)習(xí)速率為1×10-10，每批次容量為16，反復(fù)進(jìn)行前向—后向傳播計(jì)算，迭代優(yōu)化模型。此外，分別將動(dòng)量和權(quán)值衰減常數(shù)設(shè)為0.9 和5×10-4，平滑每次迭代的權(quán)值更新，增強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)的穩(wěn)定性。為了避免因訓(xùn)練數(shù)據(jù)量小造成模型過擬合，將在ImageNet分類數(shù)據(jù)集預(yù)訓(xùn)練好的模型參數(shù)作為DCNN的初始化權(quán)值（Zhang 等，2020）。最后通過最小交叉熵?fù)p失函數(shù)值Loss 找到最優(yōu)權(quán)值，對(duì)測試集進(jìn)行預(yù)測分類，計(jì)算公式如下：

式中，N為批次容量，即等于16；C為類別總數(shù)，本研究C=3；ai為輸入影像對(duì)應(yīng)到每個(gè)類別標(biāo)簽i的概率。

3.4 弱樣本混入噪聲策略

為進(jìn)一步驗(yàn)證弱樣本能夠支撐DCNN 模型分類，我們進(jìn)一步設(shè)計(jì)噪聲實(shí)驗(yàn)分析弱樣本標(biāo)簽噪聲對(duì)DCNN 分類的影響。已有相關(guān)研究（Kussul 等，2017；宋德娟等，2020）表明，使用CNN 模型提取遙感影像地物時(shí)，分類結(jié)果容易在小型目標(biāo)地物及地物邊緣地帶出現(xiàn)錯(cuò)分和漏分現(xiàn)象。基于此，我們設(shè)計(jì)了玉米膨脹—水稻腐蝕實(shí)驗(yàn)，即擴(kuò)大玉米分布來侵蝕水稻的分布，如圖6所示。首先，從1 倍開始依次以1 倍的增量對(duì)弱樣本中的玉米分布進(jìn)行4 次膨脹運(yùn)算，然后再增加5—40 倍膨脹運(yùn)算，每次膨脹間隔5 倍，共8 次膨脹實(shí)驗(yàn)，因此獲得12 個(gè)新的弱樣本標(biāo)簽。之后利用新標(biāo)簽樣本訓(xùn)練DCNN模型，對(duì)測試集進(jìn)行分類并精度評(píng)價(jià)，分析DCNN分類模型對(duì)噪聲標(biāo)簽的魯棒性。需明確的是，在預(yù)實(shí)驗(yàn)中，發(fā)現(xiàn)玉米膨脹—水稻腐蝕和水稻膨脹—玉米腐蝕過程均能反映弱樣本噪聲對(duì)模型分類的影響，且原理相同，故本研究只介紹玉米膨脹—水稻腐蝕實(shí)驗(yàn)過程和結(jié)果。

圖6 玉米膨脹—水稻腐蝕實(shí)驗(yàn)示意圖Fig.6 The schematic diagram of corn dilation-rice erosion experiment

3.5 DCNN模型性能評(píng)價(jià)

本文通過野外樣點(diǎn)、目視解譯數(shù)據(jù)和SVM 分類結(jié)果3 種不同參考數(shù)據(jù)驗(yàn)證基于弱樣本DCNN 模型識(shí)別作物的性能。野外采樣點(diǎn)覆蓋范圍廣，可從整體上反映模型的分類性能；目視解譯數(shù)據(jù)精細(xì)到地塊級(jí)別，用于具體分析不同農(nóng)業(yè)景觀下的分類效果和弱樣本噪聲對(duì)模型分類結(jié)果中作物地塊識(shí)別細(xì)節(jié)的影響；SVM 結(jié)果在農(nóng)作物分類上取得了很好的效果，作為弱樣本訓(xùn)練模型也可視為一種參照，將DCNN識(shí)別結(jié)果與之對(duì)比，更好體現(xiàn)DCNN的優(yōu)勢。

采用總體精度OA（Overall Accuracy）、用戶精度UA（User Accuracy）、制圖精度PA（Producer Accuracy）、F1 分?jǐn)?shù)（F1 score）、一致性指數(shù)CI（Consistency Index）作為量化的評(píng)價(jià)指標(biāo)，計(jì)算公式如下：

式中，i指類別，n指類別總數(shù)，Pii指被正確分類的像元數(shù)，N指參考數(shù)據(jù)像元總數(shù)，Nr指結(jié)果分為第i類的像元數(shù)，Nt指參考數(shù)據(jù)中第i類的像元數(shù)，Pii_svm指與SVM 結(jié)果分類一致的像元數(shù)，Nsvm指SVM結(jié)果總像元數(shù)。

4 結(jié)果與討論

4.1 弱樣本結(jié)果分析

采用野外樣點(diǎn)驗(yàn)證SVM 分類結(jié)果，總體精度達(dá)到了0.92，其中水稻和玉米的制圖精度分別為0.97、0.80，用戶精度均為0.97。通過比較相關(guān)研究結(jié)果發(fā)現(xiàn)（Waske和Benediktsson，2007；Yang等，2011；張健康等，2012），本研究中的作物分類精度與已有研究的結(jié)果提取出的作物精度（平均總體精度約為0.90）持平。統(tǒng)計(jì)分類結(jié)果計(jì)算出遼寧省水稻和玉米種植面積約為6×103km2、34×103km2，水稻種植為玉米的1/5，結(jié)合分類結(jié)果圖7 可以看出，兩種作物集中種植在中部平原區(qū)，少數(shù)分布在東西山區(qū)丘陵地帶及東南沿海平原（圖1），與耕地空間分布較為一致（圖1）。

圖7 遼寧省SVM分類結(jié)果Fig.7 Classification results of SVM in Liaoning Province

4.2 基于弱樣本DCNN作物識(shí)別結(jié)果

模型在遼寧省測試集上取得較好的農(nóng)作物分類結(jié)果，如圖8 和表2 所示。使用野外點(diǎn)對(duì)其進(jìn)行精度驗(yàn)證，總體精度高達(dá)0.90，其中兩種作物的制圖精度和用戶精度均大于0.70，較高的F1分?jǐn)?shù)，分別為0.81、0.90。對(duì)比兩種作物的識(shí)別結(jié)果發(fā)現(xiàn)，水稻整體提取精度比玉米偏低，存在較明顯的漏分誤差。由圖7 中SVM 識(shí)別結(jié)果可知，水稻的種植面積遠(yuǎn)小于玉米，因此訓(xùn)練集存在不同類別標(biāo)記樣本不平衡的問題：水稻的樣本數(shù)量少，玉米的樣本量多，這可能影響了模型對(duì)小樣本量地物的識(shí)別精度。

圖8 分類結(jié)果Fig.8 The classification results

表2 作物分類精度表Table 2 Classification accuracy table for crop

4.3 農(nóng)業(yè)景觀對(duì)DCNN性能的影響

通過圖8（b）可見，平原區(qū)、山區(qū)因地形地貌差異導(dǎo)致了作物種植結(jié)構(gòu)的空間分布有所差異：平原區(qū)地塊規(guī)整，山區(qū)地塊破碎。利用弱樣本訓(xùn)練的DCNN 模型能夠準(zhǔn)確地識(shí)別出平原S1 和山地S2子區(qū)中水稻和玉米的空間分布。

DCNN 模型表現(xiàn)出良好的分類性能，不受地形地貌的影響。通過計(jì)算高程和方差，將測試集格網(wǎng)劃分成平原區(qū)和山區(qū)兩種地貌類型，利用野外樣點(diǎn)集分別對(duì)每個(gè)格網(wǎng)進(jìn)行精度評(píng)價(jià)，并分析在每個(gè)區(qū)內(nèi)誤差的變化，如圖9所示。從整體分布上看，平原區(qū)格網(wǎng)總體精度集中在0.93—1.00，而位于山區(qū)的格網(wǎng)總體精度分布較為離散，最小值和最大值分別為0.70 和1.00。兩種類型格網(wǎng)OA 中值均大于0.93，且平原區(qū)略高于山區(qū)，其中75%平原區(qū)格網(wǎng)的總體精度高于0.95，75%山區(qū)格網(wǎng)的總體精度高于0.85。這表明DCNN 模型在平原和山地不同地貌類型中均表現(xiàn)出較好的分類效果，具有一定的魯棒性，究其原因是PSPNet 采用多尺度特征非監(jiān)督學(xué)習(xí)，既能夠?qū)W習(xí)到作物的遙感語義，又能夠?qū)W習(xí)到細(xì)節(jié)特征（Zhang 等，2020），只要弱樣本中保留的作物可分遙感特征被PSPNet 模型學(xué)習(xí)到，就能夠?qū)崿F(xiàn)準(zhǔn)確的作物分類。

圖9 平原區(qū)和山區(qū)作物識(shí)別總體精度空間分布Fig.9 The spatial distribution of OA in plain and mountainous area

對(duì)于復(fù)雜種植結(jié)構(gòu)的農(nóng)業(yè)景觀，該方法也表現(xiàn)出較好地識(shí)別作物類型。斑塊形狀是描述區(qū)域景觀的重要指標(biāo)之一。在農(nóng)業(yè)景觀中，耕地地塊的幾何形狀在一定程度上影響遙感影像分類的準(zhǔn)確性。因此，本文引入了景觀形狀指數(shù)LSI（Landscape Shape Index）（鄔建國，2000）來表達(dá)研究區(qū)農(nóng)業(yè)景觀中耕地地塊的形狀特征：

式中，E表示景觀中所有斑塊邊界的總長度（m），A表示景觀中所有斑塊的總面積（m2），0.25 為正方形校正常數(shù)。LSI≥1，景觀中斑塊形狀越不規(guī)則或偏離正方形時(shí)，LSI 值越大。本文實(shí)驗(yàn)在測試集內(nèi)隨機(jī)選取14個(gè)1 km×1 km典型樣方（A—N），如圖3 所示。利用目視解譯結(jié)果對(duì)DCNN 作物識(shí)別結(jié)果計(jì)算OA 并降序排列，與每個(gè)1 km 樣本的LSI對(duì)比分析，見圖10。隨著LSI 從2.59 增加至5.81，OA 在0.82—0.99 呈現(xiàn)出上下波動(dòng)，沒有出現(xiàn)明顯的上升或下降趨勢，說明了耕地地塊形狀的復(fù)雜性對(duì)分類結(jié)果影響不明顯，如樣方I的LSI值最大，為5.81，比樣方M 的LSI 值高了0.55，而前者OA值（0.92）卻比后者OA 值（0.82）高0.10。因此，這說明了由地塊形狀的變化所引起的空間分布差異幾乎沒有影響DCNN模型的分類性能，在復(fù)雜種植結(jié)構(gòu)的農(nóng)業(yè)景觀下利用所提出的方法策略進(jìn)行作物分類依舊能保持一定的準(zhǔn)確度，這是因?yàn)镈CNN 模型中的金字塔池化模塊能夠?qū)Σ煌叨鹊奶卣鬟M(jìn)行融合，解決了耕地地塊形狀變化的多尺度分割問題（Zhang等，2020）。

圖10 14個(gè)1 km×1 km典型樣方分類總體精度（OA）和景觀形狀指數(shù)（LSI）對(duì)比Fig.10 Comparison of OA and LSI of 14 1 km×1 km typical samples in different agricultural landscapes

4.4 DCNN和SVM識(shí)別結(jié)果的一致性分析

對(duì)SVM和DCNN模型的分類結(jié)果進(jìn)行一致性檢驗(yàn)，結(jié)果為0.90，表明兩種方法在整體上識(shí)別結(jié)果達(dá)到較高的空間吻合度（圖11），特別是在大面積作物種植區(qū)。本文選取了兩個(gè)30 km×30 km典型格網(wǎng)分類結(jié)果進(jìn)行對(duì)比，并分別從中提取了5 km×5 km子區(qū)放大觀察局部分布。從圖12中發(fā)現(xiàn)，同種作物大面積成片種植范圍內(nèi)，兩種方法均能準(zhǔn)確分類；但在種植范圍小和邊緣處，兩種方法則出現(xiàn)較多差異。對(duì)于地物之間交界地帶處的像元，兩種方法的識(shí)別結(jié)果均出現(xiàn)了像元錯(cuò)分漏分，導(dǎo)致邊界模糊現(xiàn)象，且SVM出現(xiàn)更多細(xì)碎的錯(cuò)分現(xiàn)象，這是因?yàn)镾VM分類過程中像元與周邊像元之間是相互獨(dú)立的，而DCNN模型在卷積過程中考慮了空間特征。

圖11 模型與SVM作物分類結(jié)果對(duì)比Fig.11 Comparison of crop mapping results of module and SVM

圖12 30 km×30 km格網(wǎng)和5 km×5 km子區(qū)分類結(jié)果圖Fig.12 Classification results of 30 km×30 km grids and 5 km×5 km subsets

4.5 弱樣本誤差對(duì)DCNN性能的影響

隨著新訓(xùn)練樣本噪聲的不斷增強(qiáng)，模型的分類性能呈現(xiàn)出明顯的變化，如圖13 所示。利用目視解譯數(shù)據(jù)集評(píng)價(jià)實(shí)驗(yàn)分類精度，從OA 上看，隨倍數(shù)逐步增加，精度值呈波動(dòng)下降趨勢，最大值為0.88，最小值為0.83，僅降低了0.05，這是由于研究區(qū)中其他類別相比水稻和玉米面積占比較大，因此即使在誤差倍數(shù)逐步增大的情況下，對(duì)比其他指標(biāo)的變化，總體精度值仍維持在較高水平。對(duì)于PA，水稻和玉米呈現(xiàn)相反的變化趨勢。玉米曲線仍有較弱的上升趨勢，增加了0.02，而水稻曲線則急劇下降，從0.74 直接降至0，漏分誤差明顯增大，表明隨著樣本噪聲的增多，新模型對(duì)水稻出現(xiàn)嚴(yán)重的漏分現(xiàn)象。相應(yīng)地，水稻的UA 曲線表現(xiàn)出波動(dòng)上升狀態(tài)，從第30 倍開始，之后的精度值為空，說明模型識(shí)別的水稻像元越來越少，直至為0，全部轉(zhuǎn)化為玉米，因此其錯(cuò)分誤差逐漸減小到變?yōu)榭罩?。玉米UA 曲線呈現(xiàn)微弱的下降趨勢，從0.97 減少至0.90。F1-score 指標(biāo)將兩種作物的OA 和PA 結(jié)合起來，玉米曲線對(duì)膨脹系數(shù)的增大無明顯變化，而水稻曲線隨著膨脹系數(shù)增大而波動(dòng)下降，從第30 倍之后為空值。綜上，從4 個(gè)指標(biāo)曲線分布可以發(fā)現(xiàn)，模型對(duì)樣本噪聲的變化有著明顯的響應(yīng)，且當(dāng)玉米膨脹倍數(shù)不高于5 倍時(shí)，模型預(yù)測結(jié)果的精度能保持在一定范圍內(nèi)上下浮動(dòng)，超過5 倍之后，4 個(gè)指標(biāo)值均發(fā)生劇烈變化，說明了模型分類性能在5倍樣本噪聲左右發(fā)生了顯著的差異。

圖13 誤差實(shí)驗(yàn)分類精度評(píng)價(jià)結(jié)果Fig.13 Accuracy results of classification of error experiments

本文統(tǒng)計(jì)了每個(gè)新標(biāo)簽樣本作物的空間一致性（CI）和誤差面積比例（R），計(jì)算公式如下：

式中，S0指原始弱樣本中各類作物面積，S1指新樣本中各類作物面積。計(jì)算結(jié)果如圖14 所示，膨脹倍數(shù)為0 表示原始弱樣本。隨著膨脹倍數(shù)增加，新樣本對(duì)應(yīng)原始樣本中的玉米分布保持不變，空間一致性均為1，而水稻空間一致性斷崖式下降至0.1 以下。誤差面積比例曲線則均呈現(xiàn)出隨倍數(shù)增大而上升狀態(tài)，且變化率慢慢減小。當(dāng)樣本噪聲為5倍時(shí)，水稻的空間一致性和誤差面積比例分別變化了0.35、0.36，玉米的誤差面積比例增加了0.08，空間一致性保持不變。綜上，結(jié)合前面精度變化可知，當(dāng)研究區(qū)內(nèi)模型在5倍樣本噪聲內(nèi)，即樣本最大誤差面積比例不超過0.36 時(shí)，模型具有一定的魯棒性，識(shí)別結(jié)果總體精度維持在0.86 以上，這進(jìn)一步證明了弱樣本用于訓(xùn)練DCNN模型策略的可行性。

圖14 膨脹倍數(shù)對(duì)應(yīng)的作物空間一致性和誤差面積比例統(tǒng)計(jì)結(jié)果Fig.14 Statistical results of space consistency and error area ratio of crop corresponding to the expansion ratio

圖15 可視化了測試集中一個(gè)格網(wǎng)的分類結(jié)果，直觀對(duì)比每次誤差實(shí)驗(yàn)結(jié)果的空間分布，分析弱樣本誤差空間分布對(duì)DCNN 的影響。觀察圖15（b）、（c）和（d）可知，大片水稻分布在規(guī)整的平原耕地，當(dāng)中混雜著零星的玉米地塊，DCNN原始預(yù)測結(jié)果整體上能夠準(zhǔn)確識(shí)別出耕地形狀和作物類別（圖15（a））。隨著膨脹倍數(shù)的增大，水稻和玉米之間的混分現(xiàn)象越嚴(yán)重。在膨脹系數(shù)第5倍之后，兩種作物的空間分布較原始分類結(jié)果開始發(fā)生顯著的劇烈變化。對(duì)比所有誤差實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，產(chǎn)生識(shí)別誤差空間范圍并不是隨機(jī)分布的，而是在上一次結(jié)果邊界上的向外延伸區(qū)域：隨著膨脹倍數(shù)增加，玉米識(shí)別結(jié)果呈現(xiàn)膨脹分布趨勢，分布在玉米耕地周圍的水稻像元越多地被錯(cuò)分為玉米，與對(duì)應(yīng)實(shí)驗(yàn)中弱樣本標(biāo)簽的空間分布規(guī)律一致。這說明了DCNN模型能夠充分學(xué)習(xí)到訓(xùn)練樣本的空間位置特征，樣本中的誤差空間分布在DCNN結(jié)果中的作物邊緣帶也得到了明顯的反映。因此，弱樣本的誤差空間分布會(huì)影響DCNN的識(shí)別效果，弱樣本的誤差空間分布規(guī)律能夠通過DCNN 傳遞到預(yù)測結(jié)果中，即預(yù)測結(jié)果誤差也主要出現(xiàn)在地塊的邊緣帶，進(jìn)一步驗(yàn)證了DCNN識(shí)別遙感影像的誤差空間分布規(guī)律。

圖15 30 km×30 km格網(wǎng)誤差實(shí)驗(yàn)結(jié)果對(duì)比Fig.15 Comparison of error experiment results in grid level

5 結(jié) 論

本文通過弱樣本深度學(xué)習(xí)作物建模分類以及分析農(nóng)業(yè)景觀、弱樣本誤差對(duì)建模精度的影響，探討了弱樣本對(duì)深度學(xué)習(xí)作物遙感分類模型的適用性，說明了基于傳統(tǒng)分類方法得到的作物分類結(jié)果作為標(biāo)簽樣本（弱樣本）訓(xùn)練深度學(xué)習(xí)模型能夠取得較高的作物識(shí)別精度，且在不同地形地貌、復(fù)雜種植結(jié)構(gòu)的農(nóng)業(yè)景觀下都表現(xiàn)出良好的魯棒性，證明了采用傳統(tǒng)分類結(jié)果作為弱樣本用于深度學(xué)習(xí)建模的可行性理論；通過噪聲實(shí)驗(yàn)說明了弱樣本只要保證一定的標(biāo)識(shí)精度就可用于訓(xùn)練DCNN建模，建立了弱樣本精度與深度學(xué)習(xí)模型精度之間的定量關(guān)系，降低了深度學(xué)習(xí)建模標(biāo)記樣本的獲取門檻。綜上，該方法一定程度上彌補(bǔ)了深度學(xué)習(xí)模型對(duì)大量人工標(biāo)記樣本高度依賴的局限，并且在不同作物類型、不同地形地貌、不同種植結(jié)構(gòu)等情形下均具有普適性。同時(shí)，考慮到弱樣本獲取的便捷性，一般重大的科研計(jì)劃或項(xiàng)目中已形成大量作物分類結(jié)果，如美國CDL（Cropland Data Layer），作為標(biāo)記樣本用于訓(xùn)練DCNN 模型，可解決標(biāo)記樣本獲取困難的問題。本研究成果為兩種大尺度分類策略打下實(shí)驗(yàn)基礎(chǔ)，其一是在空間尺度上，在一個(gè)局部區(qū)域獲取弱樣本后訓(xùn)練模型，空間上進(jìn)一步推廣到更廣泛區(qū)域；其二是在時(shí)間尺度上，訓(xùn)練某一年份的弱樣本模型后，可以在來年甚至多年中推廣應(yīng)用，這兩種分類策略都能解決傳統(tǒng)作物分類方法“逐區(qū)域、逐年份”的不足，提高大尺度作物分類的效率。

在弱樣本適用深度學(xué)習(xí)作物分類建模的理論基礎(chǔ)上，今后將開展系列研究工作：（1）延伸研究對(duì)象和研究范圍，針對(duì)不同作物類型（大豆、春小麥、冬小麥、棉花等）、不同農(nóng)業(yè)景觀（華北平原、長江中下游平原等）進(jìn)一步定量分析弱樣本誤差與深度學(xué)習(xí)作物建模精度的關(guān)系，細(xì)化弱樣本精度的適用區(qū)間范圍，為采用歷史樣本進(jìn)行大尺度作物深度學(xué)習(xí)分類建模打下理論基礎(chǔ)；（2）訓(xùn)練樣本存在作物類型樣本不平衡問題，后續(xù)研究可嘗試采用按比例分層抽樣、數(shù)據(jù)增強(qiáng)等方法，提高弱樣本的應(yīng)用能力。