基于無(wú)人機(jī)高光譜的荒漠草原地表微斑塊分類(lèi)研究

草原荒漠化會(huì)嚴(yán)重破壞草原生態(tài)平衡，荒漠草原地物分類(lèi)已成為草原監(jiān)測(cè)管理的關(guān)鍵問(wèn)題。本文通過(guò)構(gòu)建無(wú)人機(jī)高光譜遙感系統(tǒng)，解決了原有草原調(diào)查方式上效率低與空間分辨率不足問(wèn)題。

一、引言

草原生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)的重要組成部分。我國(guó)草地面積約為4億hm²，每年平均可為畜牧業(yè)發(fā)展提供3.5億噸優(yōu)質(zhì)牧草。但由于自然因素與人為因素影響，全球草原生態(tài)系統(tǒng)出現(xiàn)退化問(wèn)題，逐漸形成荒漠草原。據(jù)統(tǒng)計(jì)，我國(guó)超過(guò)90%的草原出現(xiàn)不同程度退化現(xiàn)象。其中，內(nèi)蒙古自治區(qū)草原總面積約為8.8×107hm²，退化面積約占73.5%。草原退化對(duì)農(nóng)牧民生活及農(nóng)牧業(yè)經(jīng)濟(jì)發(fā)展造成嚴(yán)重威脅?；哪菰乇砦邏K主要包括各種群植被、裸土、鼠洞。草原退化主要表現(xiàn)為植被矮小、植被整體覆蓋度逐漸減少、鼠洞數(shù)量增加等。因此，地表微斑塊精確識(shí)別與分類(lèi)是荒漠草原研究的重要指標(biāo)。傳統(tǒng)荒漠草原研究主要依靠人工實(shí)地監(jiān)測(cè)，精確度較高但費(fèi)時(shí)費(fèi)力。為滿(mǎn)足大空間尺度觀測(cè)需求，遙感技術(shù)應(yīng)用于草原研究。遙感采用非接觸、遠(yuǎn)距離探測(cè)技術(shù)，可實(shí)時(shí)獲取圖像數(shù)據(jù)，與人工調(diào)查相比具有成本低、實(shí)驗(yàn)不受人主觀因素影響等優(yōu)點(diǎn)。常用遙感方式為衛(wèi)星遙感，分辨率在1m左右，應(yīng)用于大面積植被動(dòng)態(tài)監(jiān)測(cè)?；哪菰褂眯l(wèi)星遙感監(jiān)測(cè)具有局限性。

近年來(lái)，低空無(wú)人機(jī)遙感系統(tǒng)逐漸興起，彌補(bǔ)了衛(wèi)星遙感與人工調(diào)查間尺度空缺。以無(wú)人機(jī)搭載高光譜成像儀組建無(wú)人機(jī)高光譜遙感系統(tǒng)拍攝圖像，不僅分辨率高、數(shù)據(jù)源豐富，而且方便快捷、不損壞原有實(shí)驗(yàn)環(huán)境，可重復(fù)進(jìn)行實(shí)驗(yàn)。

隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)不斷應(yīng)用于高光譜圖像分類(lèi)處理任務(wù)。CNN是能夠進(jìn)行深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)，能做到自動(dòng)提取圖像特征。本文通過(guò)構(gòu)建無(wú)人機(jī)高光譜遙感系統(tǒng)，采集荒漠草原地表微斑塊高光譜圖像，建立輕量化卷積神經(jīng)網(wǎng)絡(luò)模型―高分辨率圖像卷積神經(jīng)網(wǎng)，用于地表微斑塊識(shí)別與分類(lèi)任務(wù)，為荒漠草原退化監(jiān)測(cè)提供理論基礎(chǔ)。

二、材料與方法

2.1 研究區(qū)概況

試驗(yàn)區(qū)域如圖1，地處內(nèi)蒙古自治區(qū)烏蘭察布市格根塔拉草原(N41.78o、E111.88o)，草原類(lèi)型為荒漠草原。植被種群稀疏低矮，平均高度10cm。草類(lèi)主要為短花針茅、無(wú)芒隱子草等。鼠類(lèi)主要有長(zhǎng)爪沙鼠、達(dá)烏爾黃鼠等。

圖1 試驗(yàn)區(qū)域衛(wèi)星圖

2.2數(shù)據(jù)采集

高光譜圖像數(shù)據(jù)采集時(shí)間：2022年的7月至8月，中午11:00~14:00。采集條件：光照充足、無(wú)云霧遮擋，少風(fēng)或微風(fēng)。試驗(yàn)區(qū)域總面積為2.5hm²。在試驗(yàn)區(qū)域內(nèi)，隨機(jī)設(shè)置50組樣方，樣方尺寸為1m×1m。樣方內(nèi)部含有植被、裸土、鼠洞，外部使用實(shí)驗(yàn)輔助物（地墊與小旗）進(jìn)行標(biāo)記。此外，實(shí)驗(yàn)輔助標(biāo)記物還有充當(dāng)草原環(huán)境中因人為活動(dòng)導(dǎo)致外來(lái)垃圾的作用。無(wú)人機(jī)飛行高度30m，空間分辨率1.73cm，采集地物樣方光譜圖像尺寸大小為696lines×775samples×256bands，且對(duì)每個(gè)樣方拍攝3次，以提高數(shù)據(jù)的可用性。

2.3 反射率矯正

無(wú)人機(jī)飛行拍攝過(guò)程中因受環(huán)境因素影響導(dǎo)致部分拍攝圖像發(fā)生扭曲變形，故首先將變形及拍攝質(zhì)量較差圖像進(jìn)行人工去除，其次，將初步篩選數(shù)據(jù)（包括黑幀、白幀、樣方原始圖像）導(dǎo)入SpecView軟件進(jìn)行輻射校正。校正計(jì)算如公式：

式中：R為反射率校正后圖像，I_raw為原始圖像，I_white為白幀圖，I_dark為黑幀圖。

圖像經(jīng)反射率校正后，使用ENVI5.3軟件提取每類(lèi)地物純凈像元各100個(gè)進(jìn)行空間統(tǒng)計(jì)（因鼠洞像元較少，故提取20個(gè)進(jìn)行研究），并使用OriginPro2021軟件繪制每類(lèi)地物反射率曲線(xiàn)如圖2所示。

圖2 地物反射率校正圖

從圖2中可看出每類(lèi)地物反射率差異明顯，其中，地墊反射率波動(dòng)較大。小旗在460Band后急劇上升，560Band后增長(zhǎng)趨于平穩(wěn)。裸土與植被反射率差異處為543~687Band，植被存在明顯‘波峰’與‘波谷’。鼠洞反射率增長(zhǎng)最為緩慢。每類(lèi)地物同波段反射率變化不一為后續(xù)地物分類(lèi)提供可能。

2.4 數(shù)據(jù)預(yù)處理

高光譜圖像具有豐富的光譜和空間信息，通常包含幾十到數(shù)百個(gè)連續(xù)光譜波段，但波段間存在較高的相關(guān)性和冗余度，這將使模型在訓(xùn)練階段容易出現(xiàn)Hughes現(xiàn)象。因此，高光譜數(shù)據(jù)使用前應(yīng)做數(shù)據(jù)降維處理。本文采用廣泛應(yīng)用于高光譜數(shù)據(jù)降維的主成分分析算法作為特征提取的方法，有效剔除冗余信息。同時(shí)為有效防止圖像邊緣大量扭曲混合像元對(duì)實(shí)驗(yàn)影響，對(duì)數(shù)據(jù)尺寸進(jìn)行剪裁，最終獲取高光譜圖像數(shù)據(jù)。

根據(jù)研究目的，本次實(shí)驗(yàn)將草原地物分為植被、裸土、地墊、小旗、鼠洞共五類(lèi)。通過(guò)ENVI5.3軟件對(duì)圖像進(jìn)行ROI感興趣區(qū)域標(biāo)簽處理，每類(lèi)樣本數(shù)量分別為31600、27419、686、179、32個(gè)，共計(jì)59916個(gè)樣本。本次實(shí)驗(yàn)將50%的地物樣本劃分為訓(xùn)練集，為保證實(shí)驗(yàn)可靠性將訓(xùn)練集中50%的數(shù)據(jù)劃分為驗(yàn)證集。在圖像識(shí)別與分類(lèi)處理任務(wù)中，深度學(xué)習(xí)效果嚴(yán)重依賴(lài)于樣本數(shù)量，當(dāng)訓(xùn)練樣本較少時(shí)，易使網(wǎng)絡(luò)陷入局部最優(yōu)。本實(shí)驗(yàn)為增加訓(xùn)練樣本數(shù)量，通過(guò)圖像隨機(jī)翻轉(zhuǎn)方法進(jìn)行數(shù)據(jù)增強(qiáng)，使訓(xùn)練集樣本數(shù)量增加至14979個(gè)。此外，為一定程度上解決小樣本數(shù)據(jù)集過(guò)擬合問(wèn)題，對(duì)樣本數(shù)據(jù)進(jìn)行隨機(jī)打亂處理。樣本數(shù)據(jù)如表1所示。

表1 樣本數(shù)據(jù)表

三、草原物種分類(lèi)模型

卷積神經(jīng)網(wǎng)絡(luò)特征提取方法是影響模型優(yōu)劣的關(guān)鍵因素。本文針對(duì)荒漠草原地表微斑塊分類(lèi)問(wèn)題，提出高分辨率圖像卷積神經(jīng)網(wǎng)絡(luò)模型。該模型主要特點(diǎn)包括使用帶有不同大小卷積核的深度可分離卷積作為各分支結(jié)構(gòu)，以降低計(jì)算量和參數(shù)量。通過(guò)逐步使用不同感受野的卷積核，將圖像底層特征提取為高層語(yǔ)義特征。同時(shí)，引入殘差結(jié)構(gòu)將底層特征與高層語(yǔ)義特征進(jìn)行融合，以防止卷積運(yùn)算中的特征丟失和網(wǎng)絡(luò)模型退化問(wèn)題的發(fā)生。在卷積層最后，使用轉(zhuǎn)置卷積將提取的高層語(yǔ)義特征圖映射為高分辨率特征圖像，從而降低圖像中混合像元對(duì)最終分類(lèi)效果的影響，并提高模型分類(lèi)精度。該模型屬于低參數(shù)量的輕量化網(wǎng)絡(luò)模型，共包含兩層分支結(jié)構(gòu)與一層組合結(jié)構(gòu)。分支結(jié)構(gòu)內(nèi)部包括輸入層、三個(gè)深度可分離卷積層、兩個(gè)殘差結(jié)構(gòu)、最大池化層與轉(zhuǎn)置卷積層。組合結(jié)構(gòu)中包括維度拼接層、全連接層與分類(lèi)層。此外，每層卷積運(yùn)算結(jié)束后，均進(jìn)行批量歸一化(BatchNormalization)與激活函數(shù)(Relu)操作，避免梯度消失與爆炸，加快模型收斂速度。具體網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示，網(wǎng)絡(luò)模型運(yùn)行參數(shù)如表2所示。

圖3 高分辨率圖像卷積神經(jīng)網(wǎng)絡(luò)

表2網(wǎng)絡(luò)模型參數(shù)

四、結(jié)果與分析

4.1 實(shí)驗(yàn)結(jié)果

本模型在訓(xùn)練實(shí)驗(yàn)過(guò)程中，除模型訓(xùn)練初期驗(yàn)證集損失出現(xiàn)震蕩外，訓(xùn)練集與驗(yàn)證集整體呈下降趨勢(shì)。在第20個(gè)epoch后趨于平穩(wěn)，此時(shí)共花費(fèi)144s，訓(xùn)練集損失值穩(wěn)定變化在0.023~0.025，驗(yàn)證集損失值穩(wěn)定變化在0.062~0.065。為保證訓(xùn)練模型穩(wěn)定，30個(gè)epoch全部訓(xùn)練完畢共花費(fèi)214s。訓(xùn)練結(jié)果如圖4所示。PLSR模型效果最佳。而在兩種草地類(lèi)型下的N和K含量以及溫性草原下P含量構(gòu)建的RF模型均表現(xiàn)最優(yōu)。

圖4 HR-CNN模型訓(xùn)練損失曲線(xiàn)

4.2 實(shí)驗(yàn)分析

為驗(yàn)證本模型有效性，在采用相同數(shù)據(jù)預(yù)處理及實(shí)驗(yàn)環(huán)境基礎(chǔ)上，采用ResNet34、GoogLeNet兩種常用高光譜圖像分類(lèi)算法進(jìn)行對(duì)比。同時(shí)，為驗(yàn)證深度可分卷積與常規(guī)卷積所構(gòu)模型區(qū)別，將深度可分卷積改為常規(guī)卷積，構(gòu)建常規(guī)2D卷積神經(jīng)網(wǎng)絡(luò)模型(2D-CNN)進(jìn)行對(duì)比驗(yàn)證，因二者具有相同模型結(jié)構(gòu)，故在生成模型所占內(nèi)存及運(yùn)行參數(shù)量方面具有較大差異。

本文在不同模型分類(lèi)混淆矩陣（如圖5所示）基礎(chǔ)上，通過(guò)對(duì)其進(jìn)行運(yùn)算，分別以整體分類(lèi)精度(Overallaccuracy,OA)(公式)、F1得分(F1-score,F1)(公式)及Kappa系數(shù)(公式)作為評(píng)價(jià)指標(biāo)。

其中：TP為預(yù)測(cè)正樣本，TN為預(yù)測(cè)負(fù)樣本，F(xiàn)P為真實(shí)正樣本，F(xiàn)N為真實(shí)負(fù)樣本，N為樣本總數(shù)量。

為便于模型間對(duì)比驗(yàn)證，本文對(duì)Kappa系數(shù)進(jìn)行放大100倍處理。各模型F1分類(lèi)精度如表3所示，OA及Kappa系數(shù)分類(lèi)精度對(duì)比結(jié)果如圖6所示。此外，在相同數(shù)據(jù)預(yù)處理及圖像分類(lèi)預(yù)測(cè)結(jié)果條件下，模型構(gòu)建優(yōu)劣與訓(xùn)練時(shí)間、模型運(yùn)行參數(shù)量所占內(nèi)存有關(guān)。訓(xùn)練時(shí)間越短且內(nèi)存占有量越小，構(gòu)建模型越好。四類(lèi)模型訓(xùn)練時(shí)間及內(nèi)存占有量如表4所示。

圖5 混淆矩陣對(duì)比

由表3可知，四類(lèi)模型對(duì)高光譜圖像中具有較大數(shù)據(jù)量的植被、裸土均具有較高識(shí)別精度。但對(duì)于小樣本數(shù)據(jù)集（地墊、小旗、鼠洞），四類(lèi)模型圖像識(shí)別精度具有較大差異，但HR-CNN模型各地物分類(lèi)精度均表現(xiàn)優(yōu)異。其中，ResNet34、GoogLeNet網(wǎng)絡(luò)模型對(duì)于鼠洞識(shí)別精度較低，相較HR-CNN模型精度分別降低13.40%、18.10%。

表3 F1分類(lèi)精度對(duì)比表

由圖6可知，(c)2D-CNN與(d)HR-CNN模型OA與Kappa值相差不大，但(a)ResNet34相較HR-CNN模型OA與Kappa值分別降低1.91%、0.97，(b)GoogLeNet相較HR-CNN模型OA與Kappa值分別降低0.47%、0.93。

圖6 OA及Kappa系數(shù)分類(lèi)精度

實(shí)驗(yàn)中，四類(lèi)模型在訓(xùn)練階段模型損失逐漸降低并趨于平穩(wěn)（損失平穩(wěn)即為模型構(gòu)建完畢）。各模型構(gòu)建完成時(shí)間（表4），其中HR-CNN模型訓(xùn)練時(shí)間最短為144s，僅占ResNet34、GoogLeNet、2D-CNN模型訓(xùn)練時(shí)間的34.12%、34.29%、86.23%。HR-CNN模型內(nèi)存占有量最小為19.5MB，相比ResNet34、GoogLeNet、2D-CNN分別降低92.11%、79.21%、43.64%。HR-CNN模型運(yùn)行參數(shù)所占內(nèi)存最小為6.06MB，較ResNet34、GoogLeNet、2D-CNN分別降低92.57%、79.03%、46.18%。

表4模型訓(xùn)練時(shí)間及內(nèi)存占有量對(duì)比表

為驗(yàn)證模型分類(lèi)效果，對(duì)高光譜圖像進(jìn)行可視化分類(lèi)研究。由圖7可看出，HR-CNN模型對(duì)草原地物分類(lèi)表現(xiàn)良好。

圖7 高光譜圖像原圖與模型分類(lèi)預(yù)測(cè)圖

五、結(jié)論

本文旨在通過(guò)構(gòu)建無(wú)人機(jī)高光譜遙感系統(tǒng)，并結(jié)合深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)，提出一種高分辨率圖像卷積神經(jīng)網(wǎng)絡(luò)（HR-CNN）用于荒漠草原地表微斑塊分類(lèi)識(shí)別研究。實(shí)驗(yàn)證明該網(wǎng)絡(luò)模型在此類(lèi)任務(wù)中具有較高的識(shí)別精度和計(jì)算效率。該模型通過(guò)引入殘差結(jié)構(gòu)，在高光譜圖像中使用不同大小的卷積核提取各地物影像特征。轉(zhuǎn)置卷積用于重組特征，以生成高分辨率的特征圖，并通過(guò)通道拼接的方式減少特征丟失。此外，引入了深度可分離卷積以減少網(wǎng)絡(luò)參數(shù)量，提升模型性能。與2D-CNN、ResNet34和GoogLeNet網(wǎng)絡(luò)模型相比，HR-CNN在訓(xùn)練時(shí)間和模型內(nèi)存占用方面有顯著改進(jìn)。本模型的輕量化設(shè)計(jì)對(duì)于荒漠草原地表微斑塊的精細(xì)分類(lèi)研究具有重要意義，為進(jìn)一步深入研究荒漠草原地物分類(lèi)、識(shí)別和反演提供了新思路。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專(zhuān)門(mén)用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性?xún)r(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶(hù)需求更換物鏡。