張 濤，杜建民

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，內(nèi)蒙古 呼和浩特 010018)

草原生態(tài)系統(tǒng)是我國第二大陸地生態(tài)系統(tǒng)[1]，也是我國北方重要的生態(tài)屏障，在防風(fēng)固沙、維持碳平衡等方面具有重要作用[2]。但受到人們過度放牧、開發(fā)以及氣候等因素的影響，內(nèi)蒙古草原的生物群落遭到破壞，原本的草原植被群落逐漸被其他植被和灌木替代。這些植被與原本的植被相差較大、長勢稀疏，導(dǎo)致土壤長期暴露在外面，使得土壤逐漸沙化形成荒漠草原。草原荒漠化造成草原生物多樣性減少[3]、生產(chǎn)能力下降[4]、生態(tài)系統(tǒng)功能衰弱[5]等一系列問題，對當(dāng)?shù)啬撩竦慕?jīng)濟(jì)收入造成一定影響。

據(jù)統(tǒng)計，內(nèi)蒙古自治區(qū)擁有草原面積8.8×107hm2，占全國草原總面積22%，全區(qū)土地面積的一半以上[6]。根據(jù)2015年全國荒漠化土地面積監(jiān)測，內(nèi)蒙古自治區(qū)荒漠化面積達(dá)6.09×107hm2，占全國荒漠化總面積23.3%，是我國草原荒漠化最嚴(yán)重的地區(qū)之一。2017年內(nèi)蒙古自治區(qū)生態(tài)環(huán)境狀況公報顯示，內(nèi)蒙古草原退化面積接近70%，嚴(yán)重威脅當(dāng)?shù)厣鷳B(tài)環(huán)境安全。因此，亟需探索一種高效、快速的先進(jìn)方法對荒漠草原進(jìn)行有效監(jiān)測，為荒漠草原的動態(tài)監(jiān)測和防治提供理論基礎(chǔ)。

荒漠草原微斑塊的識別與分類，是評價草原荒漠化的一個重要指標(biāo)。傳統(tǒng)的荒漠草原動態(tài)監(jiān)測主要有人工實地統(tǒng)計勘測以及衛(wèi)星遙感監(jiān)測。人工監(jiān)測在時間、地域、面積等方面都有諸多約束，無法進(jìn)行大范圍、高時效的荒漠草原監(jiān)測；衛(wèi)星遙感也常應(yīng)用于植被覆蓋度估算，有相對成熟的理論基礎(chǔ)，但是由于衛(wèi)星遙感的分辨率低等問題，面對荒漠草原微斑塊的識別無法滿足精度要求[7-8]。高光譜具有波段數(shù)多、分辨率高、特征信息豐富等特點[9-11]，常被應(yīng)用在農(nóng)業(yè)監(jiān)測[12]、水資源監(jiān)測[13]、自然災(zāi)害評估[14]等領(lǐng)域。目前康擁朝等[15]采用支持向量機(jī)結(jié)合最小噪聲分離法對地面微斑塊識別，探索支持向量機(jī)對地面微斑塊識的有效性；皮偉強(qiáng)等[16]提出SMPI方法對地面微斑塊識別，分步實現(xiàn)從植被到鼠洞的識別。朱相兵等[17]通過選取特征波長結(jié)合差值植被指數(shù)實現(xiàn)鼠洞與其他微斑塊之間的區(qū)分。綜上所述，一方面目前的荒漠草原微斑塊識別主要采用傳統(tǒng)機(jī)器學(xué)習(xí)方法和閾值法進(jìn)行識別分類，在預(yù)處理階段過于繁瑣耗時，對于實驗對象屬于地面微斑塊的識別探索階段，還未探索空中遙感的微斑塊分類；另一方面也表明利用高光譜圖像對荒漠草原微斑塊識別的可能性。

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的代表算法之一，具有較強(qiáng)的特征提取能力，善于處理復(fù)雜多維數(shù)據(jù)問題，常被應(yīng)用在計算機(jī)視覺、自然語言處理等領(lǐng)域。在遙感圖像的識別分類任務(wù)中，卷積神經(jīng)網(wǎng)絡(luò)也表現(xiàn)出巨大潛力[18-19]。本文以內(nèi)蒙古自治區(qū)烏蘭察布市四子王旗的荒漠草原為研究對象，通過使用無人機(jī)攜帶高光譜儀完成高光譜數(shù)據(jù)收集工作，并采用卷積神經(jīng)網(wǎng)絡(luò)對不同的地物種類進(jìn)行識別。為增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力，本文將不同卷積層的特征進(jìn)行拼接，進(jìn)而提出一種具有多層特征融合的2D卷積神經(jīng)網(wǎng)絡(luò)(multilayer feature fusion 2D convolutional neural network, MFF-2DCNN)識別方法，為草原荒漠化的治理與預(yù)防提供理論基礎(chǔ)，以期實現(xiàn)智能化遙感草原退化監(jiān)測。

1 材料與方法

1.1 研究區(qū)域

本文研究試驗區(qū)域設(shè)在內(nèi)蒙古自治區(qū)烏蘭察布市四子王旗科研基地，地理坐標(biāo)為東經(jīng)111.88°、北緯41.78°。該區(qū)域處于內(nèi)蒙古自治區(qū)中部，平均海拔高度1 456 m。氣候類型屬于中溫帶大陸性季風(fēng)氣候，年均氣溫1～6 ℃；晝夜溫差大、白天日照足、無霜期短；降水量少而集中，年降水量280 mm。草地主要類型為短花針茅、冷蒿及無芒隱子草等，植被稀疏低矮，土壤類型以淡栗鈣土為主，屬于我國荒漠草原的典型代表[20]。

1.2 試驗器材

本研究采用四川雙利合譜科技有限公司研制的GaiaSky-mini型高光譜儀。成像系統(tǒng)采用內(nèi)置掃描系統(tǒng)和增穩(wěn)系統(tǒng)，單幅圖像采集時間為7 s。共設(shè)置采集波段數(shù)128個，光譜分辨率為3.5 nm，波長范圍在400～1 000 nm。無人機(jī)采用大疆M600 Pro，并使用A3 Pro飛行控制系統(tǒng)。空機(jī)質(zhì)量9.5 kg(含電池)，最大載荷6 kg，滿載時可持續(xù)飛行16 min。無人機(jī)高光譜數(shù)據(jù)采集系統(tǒng)如圖1所示。

圖1 無人機(jī)高光譜數(shù)據(jù)采集系統(tǒng)Fig. 1 UAV hyperspectral data acquisition system

1.3 數(shù)據(jù)獲取

野外高光譜數(shù)據(jù)采集時間在2018年與2019年的7月份。為減少采集過程中陰影的影響，選擇采集時間為10:00-14:00，風(fēng)力在3級以下的晴朗天氣，無云霧，自然光下采集。試驗區(qū)采集總面積為2.5 hm2，共放置10個地物樣方，樣方尺寸采用1 m×1 m，并采用地墊進(jìn)行標(biāo)記。此外，樣方內(nèi)地物需包含鼠洞、植被和裸土三類地物。根據(jù)實驗區(qū)的草原植被長勢情況，設(shè)置無人機(jī)飛行高度為30 m。高光譜數(shù)據(jù)單幅圖像空間尺寸大小為696×709像素，波段數(shù)量為128，空間分辨為 1.73 cm。為提高采集數(shù)據(jù)的可用性，每個樣方拍攝不少于3次。

2 實驗原理

2.1 數(shù)據(jù)預(yù)處理

2.1.1 反射率校正

采集過程受諸多因素影響，需要將高光譜數(shù)據(jù)導(dǎo)入Spec VIEW軟件中進(jìn)行篩選，對過曝光、欠曝光等成像不佳的數(shù)據(jù)進(jìn)行剔除；然后，將篩選出的數(shù)據(jù)在Spec VIEW軟件中進(jìn)行反射率校正；最后，根據(jù)反射率校正后的數(shù)據(jù)進(jìn)行再次篩選，挑選出可用的數(shù)據(jù)。經(jīng)反射率校正后的植被、裸土、鼠洞和其他(地墊和垃圾等)地物的光譜曲線如圖2所示。

圖2 地物光譜曲線Fig. 2 Spectral curves of ground features

由圖2可知，4類地物的光譜特征具有很好的光譜差異性，其中，植被的光譜特征由于葉綠素的影響，分別在562.29 nm和681.90 nm處形成一個反射峰和吸收峰，隨后反射率值陡增；裸土的反射率在619.20 nm之前隨著波長的增加而增加，之后降低至716.09 nm時趨于穩(wěn)定；其他(地墊和垃圾等)的反射率在520.20 nm處形成一個峰谷，隨后開始陡增，直至到達(dá)619.20 nm時反射率達(dá)到最大值，之后降低至721.00 nm時趨于穩(wěn)定；鼠洞的反射率在全波段上并無明顯變化，達(dá)到922.59 nm之后，由于噪聲的影響出現(xiàn)一些波動。

2.1.2 樣本標(biāo)簽制作

高光譜的鄰近波段之間往往存在大量冗余信息，波段之間具有較強(qiáng)相關(guān)性。同時，高維度的特征還會產(chǎn)生Hughes現(xiàn)象，增加網(wǎng)絡(luò)的計算量，影響分類精度。因此，有必要對高光譜數(shù)據(jù)進(jìn)行降維?；谥鞒煞址治?principal component analysis, PCA)的降維算法是應(yīng)用最為廣泛的數(shù)據(jù)降維方法之一，常被應(yīng)用于高光譜圖像的數(shù)據(jù)降維[21-22]。因此，本研究采用PCA降維算法，將高光譜數(shù)據(jù)從128個波段壓縮至30個波段，從而減少數(shù)據(jù)的冗余信息，消除特征之間的相關(guān)性。

考慮到網(wǎng)絡(luò)計算成本問題，同時將數(shù)據(jù)尺寸進(jìn)行裁剪，最終獲得的高光譜數(shù)據(jù)空間尺寸大小為520×520像素。根據(jù)大量的地面調(diào)查和實際樣方中各個地物的分布情況記錄，通過ENVI 5.3對所采集的數(shù)據(jù)進(jìn)行選擇和生成樣本，最終獲得植被、裸土、鼠洞及其他地物4類地物的樣本標(biāo)簽，無人機(jī)高光譜假彩色影像和地面真值圖像如圖3所示，每類地物的樣本數(shù)量分別為144 121、123 888、65、2 326，共計270 400個樣本數(shù)據(jù)。植被樣本主要包括短花針茅、無芒隱子草、冷蒿和駝絨藜等，在草原中植被稀疏低矮，覆蓋面積最大；對于裸土樣本，主要是由于人類活動和氣候變化的共同影響致使草原植被退化，進(jìn)而形成光禿的裸地，還有鼠類動物的挖掘行為形成的洞群土丘；鼠洞樣本是由于鼠類動物打洞造穴形成的洞群，大量洞群的出現(xiàn)加劇了草原的退化進(jìn)程；其他樣本主要包括地墊和垃圾等地物，在后續(xù)討論中統(tǒng)稱為其他地物。不同地物樣本的RGB影像如圖4所示。本文將不同地物樣本隨機(jī)打亂，并每類選取2 000個樣本作為訓(xùn)練集，不足2 000個樣本的按該類樣本總數(shù)的60%作為訓(xùn)練集，其余作為驗證集。訓(xùn)練集與驗證集的樣本分配情況如表1。

圖3 無人機(jī)高光譜假彩色影像和地面真值圖像Fig. 3 UAV hyperspectral false color image and ground truth image

圖4 不同地物樣本圖片F(xiàn)ig. 4 Photographs of different feature samples

表1 無人機(jī)高光譜數(shù)據(jù)選取訓(xùn)練集和驗證集的數(shù)量Tab. 1 Number of training and validation sets selected for UAV hyperspectral data

2.2 MFF-2DCNN網(wǎng)絡(luò)結(jié)構(gòu)

本文提出一種多層特征融合的2D卷積神經(jīng)網(wǎng)絡(luò)(MFF-2DCNN)方法，對荒漠草原高光譜圖像進(jìn)行分類，該方法的主要思想是將每一層卷積后的特征與最后一層的特征進(jìn)行合并，加強(qiáng)不同層之間的特征重用，并采用2層全連接層進(jìn)行分類。其中，第1層全連接主要是將合并后的特征進(jìn)行線性融合，第2個全連接層主要進(jìn)行高光譜圖像的分類。

網(wǎng)絡(luò)結(jié)構(gòu)一共包含3層卷積，卷積層采用二維卷積核，前2層卷積之后均采用Batch Normalization加快網(wǎng)絡(luò)的收斂速度，之后再加入ReLU激活函數(shù)來提取數(shù)據(jù)的稀疏特征，從而提高網(wǎng)絡(luò)的分類準(zhǔn)確率。卷積核尺寸越大，感受野也就越大，獲得的信息也越多。因此，將第1層卷積的卷積核尺寸設(shè)置為5×5，從而擴(kuò)大卷積的感受視野來提取更多信息，而后2層則采用3×3卷積核提取細(xì)節(jié)特征，并設(shè)置每一層的卷積核個數(shù)分別為64、128、256。在神經(jīng)網(wǎng)絡(luò)中，淺層網(wǎng)絡(luò)卷積分辨率高，提取的更多是細(xì)節(jié)特征，深層網(wǎng)絡(luò)分辨率低，提取的更多是語義特征[23]。為了將不同層之間的特征進(jìn)行融合，在每一層卷積之后通過全局平均池化層將數(shù)據(jù)壓縮至C×1×1(其中C為通道數(shù))，最后將3層卷積之后的結(jié)果進(jìn)行拼接傳入全連接層。在全連接層中，第1層全連接將拼接后的數(shù)據(jù)進(jìn)行線性特征融合并壓縮至256維度的特征；第2層全連接對降維后的數(shù)據(jù)進(jìn)行分類。由于全連接層中采用的是線性特征映射，因此對于全連接層需要采用ReLU激活函數(shù)增加模型的非線性，并采用Dropout防止訓(xùn)練過程中的過擬合現(xiàn)象。具體網(wǎng)絡(luò)結(jié)構(gòu)見圖5。

圖5 多層特征融合的2D卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig. 5 Structure of 2D convolutional neural network model for multi-layer feature fusion

3 實驗結(jié)果與分析

3.1 參數(shù)設(shè)定

實驗中所采用的計算機(jī)硬件配置為GeForce GTX 1050 Ti、i7-6700 CPU 3.40 GHz、內(nèi)存16.0 GiB，軟件環(huán)境為Pycharm Pytorch 1.7。實驗采用總體精度(overall accuracy, OA)、Kappa系數(shù)作為模型的精度評價指標(biāo)。實驗設(shè)置的數(shù)據(jù)集批處理大小為128；優(yōu)化器選擇Adam；損失函數(shù)采用交叉熵?fù)p失函數(shù)；訓(xùn)練迭代次數(shù)定為20次；學(xué)習(xí)率設(shè)置為0.000 1。經(jīng)過多次實驗，最終確定鄰域輸入尺寸為9×9×30，此時對于荒漠草原地物的分類效果最佳。訓(xùn)練過程中設(shè)置隨機(jī)種子為500，確保每一次訓(xùn)練結(jié)果的穩(wěn)定性。此外，為了緩解訓(xùn)練樣本不均衡問題帶來的影響，在訓(xùn)練過程中將對鼠洞樣本進(jìn)行翻轉(zhuǎn)、模糊處理和加入噪聲等數(shù)據(jù)增強(qiáng)。

3.2 實驗結(jié)果

為了驗證本文所提方法的有效性，分別選取SVM、KNN、2D-CNN 3種高光譜分類算法進(jìn)行對比。為保證實驗的公平性，所有實驗采用相同的預(yù)處理方法，并在同一個實驗環(huán)境下進(jìn)行對比實驗。同時，為驗證本文將多層卷積特征融合后的優(yōu)勢，將其與原始2D-CNN分類算法進(jìn)行比較。本實驗使用混淆矩陣(如圖6)計算上述4種分類模型對不同地物的識別準(zhǔn)確率，計算結(jié)果如表2所示。為觀察更為細(xì)致的分類效果，將鼠洞區(qū)域進(jìn)行局部放大展示，各種實驗分類可視化對比如圖7所示。

表2 分類結(jié)果精度對比Tab. 2 Comparison of accuracy of classification results

圖6 本實驗分類模型的混淆矩陣Fig. 6 Confusion matrices for this experimental classification models

圖7 地面真值圖像和分類結(jié)果可視化圖Fig. 7 Ground truth image and visualization of classification results

3.3 實驗結(jié)果分析

由圖7可以看出，除KNN分類算法以外，其余3種分類算法在植被地物的分類上均表現(xiàn)出很好的分類性能。SVM和KNN 2種傳統(tǒng)的機(jī)器學(xué)習(xí)算法在總體分類效果上表現(xiàn)欠佳，其中KNN分類算法與地面真實標(biāo)簽相比總體分類效果最差，而SVM分類算法相對于地面真實標(biāo)簽總體分類效果有較大提升，但是從圖中還是可以明顯看出對于其他地物的分類上明顯存在諸多錯誤分類。對于2D-CNN分類算法，與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，效果提升明顯，但是從圖中可以看出有小部分植被錯誤地識別成了鼠洞。通過將2D-CNN不同卷積層的特征進(jìn)行融合后的MFF-2DCNN分類算法，在分類效果上比2D-CNN有所提升，相對于地面真實標(biāo)簽，4類地物類別都表現(xiàn)出很好的分類效果。

由表2可以看出，本文所提MFF-2DCNN分類算法的總體精度和Kappa系數(shù)在所有對比分類算法中表現(xiàn)最好，表明本文所提算法的有效性。對于荒漠草原地表微斑塊的識別，在4種分類算法中KNN分類算法識別效果最差，其總體分類精度為66.52%。SVM分類算法的總體精度為87.88%、Kappa系數(shù)為0.756 6；與KNN分類算法相比，總體精度和Kappa系數(shù)分別提升21.36個百分點和0.413 2。由此可見，SVM分類算法的總體識別精度較KNN分類算法提升較大，但是對于鼠洞地物的識別效果表現(xiàn)較差，分類精度僅為44.00%，主要原因是鼠洞樣本過于稀少，只有40個樣本參與訓(xùn)練，同時也體現(xiàn)了SVM分類算法對于小樣本分類的不穩(wěn)定性。2D-CNN分類算法的總體分類精度可達(dá)91.28%，其中鼠洞地物和其他地物的分類精度可達(dá)100%，其余兩類地物(裸土與植被)的分類精度也在90%以上。2D-CNN分類算法與SVM和KNN 2個傳統(tǒng)機(jī)器學(xué)習(xí)分類算法相比，總體精度和Kappa系數(shù)都有較大的提升，相對SVM分類算法分別提升3.4個百分點和0.069 1，相對KNN分類算法分別提升24.76個百分點和0.482 3。由此說明，卷積神經(jīng)網(wǎng)絡(luò)相對于傳統(tǒng)機(jī)器學(xué)習(xí)具有較好的識別效果，能更好地提取無人機(jī)高光譜圖像的光譜特征和空間特征。本文提出的MFF-2DCNN分類算法在所有分類算法中總體分類性能最好，其中總體分類精度為92.23%、Kappa系數(shù)為0.843 7。MFF-2DCNN分類算法與未加入多層卷積特征融合的2D-CNN分類算法相比，OA值和Kappa系數(shù)分別提升0.95個百分點和0.018 0。由此可以看出，通過將不同卷積層的特征進(jìn)行融合后，可以有效利用多層特征的輸出進(jìn)行分類，加強(qiáng)不同卷積層之間的信息重用，從而提高網(wǎng)絡(luò)模型的特征提取能力，增強(qiáng)網(wǎng)絡(luò)模型的泛化能力。

由以上分析可以得出，與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，卷積神經(jīng)網(wǎng)絡(luò)在荒漠草原的地表微斑塊上的識別分類更具優(yōu)勢，尤其是在小樣本的分類識別中，卷積神經(jīng)網(wǎng)絡(luò)也表現(xiàn)出理想的分類性能。而本文通過將不同卷積層進(jìn)行特征融合后，加強(qiáng)了信息之間的重用，進(jìn)一步提升了卷積神經(jīng)網(wǎng)絡(luò)的分類能力。

4 結(jié)語

本文將無人機(jī)高光譜數(shù)據(jù)和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，對荒漠草原微斑塊的分類實現(xiàn)從地面識別到空中識別，驗證了卷積神經(jīng)網(wǎng)絡(luò)在荒漠草原微斑塊識別中的可行性。本研究通過對卷積神經(jīng)網(wǎng)絡(luò)的不同卷積層進(jìn)行特征融合，提出MFF-2DCNN識別方法，進(jìn)一步增強(qiáng)了普通卷積神經(jīng)網(wǎng)絡(luò)模型的特征提取能力，該方法具有更好的泛化能力，OA和Kappa系數(shù)分別可達(dá)92.23%、0.843 7，較SVM、KNN和2D-CNN 3種分類算法分別提升4.35、25.71、0.95個百分點的總體精度。今后將考慮采用不同的算法模型提升荒漠草原微斑塊的識別精度，并在此基礎(chǔ)上探索更加精細(xì)的荒漠草原退化指示物種的識別分類，為今后草原荒漠化監(jiān)測和恢復(fù)治理提供新方法。