-
传统的森林资源调查成本高、难度大、精度低,难以满足林业的可持续发展[1]。近年来,航天遥感技术的不断发展,获取大尺度、高时效以及高分辨率影像的能力也逐步增强,为森林类型识别提供了新的机遇[2]。目前,学者们结合多种数据源,采用MODIS数据、Landsat系列数据、Sentinel-1/2以及高分数据等对植被进行分类,均表现出不同的优势。其中,哨兵数据具有较高的空间分辨率,以及丰富的光谱信息,同时红边波段对植被具有较强的敏感性。因此,本研究选取哨兵数据进行植被分类。由于植被存在同谱异物等现象,仅依靠单一时相进行森林分类难以取得较好的效果。有学者发现根据森林植被物候特性,并且构建多时相植被指数以及红边指数,能够提高分类精度[3-7]。Agarwal、温一博、刘瑞清等[5, 8- 9]采用多时相的遥感影像,结合植被物候特性,大大提高了植被之间的可分性。目前,分类方法层出不穷,从目视解译到智能提取,再到深度学习,为遥感植被分类提供了广阔的空间[10]。有学者将深度学习的方法引入遥感领域,探究其适用性。该方法通过训练能够自动学习更高维的特征,获得更准确的结果。其中,由Long等[11]在2015年提出的全卷积神经网络(FCN),可以进行语义分割,从而实现像素级分类。基于此,专家学者们开发出一系列深度学习模型(U-Net、DeepLab以及SegNet等)。同时,对模型进行不同程度的改进,使其在遥感分类中得到广泛应用[12-15]。Marggiori E等[16]将FCN应用到遥感影像识别中,取得较好的效果;Guangsheng Chen等[17]基于DeepLab V3对高分辨率影像分类,其在边界以及小目标表现良好;Cao K等[18]基于机载高分辨率影像,提出一种深度学习Res-UNet模型进行树种分类,结果取得较高的分类精度;许慧敏、孙晓敏等[19-20]采用U-Net方法对遥感影像进行分类,其精度高于SVM和CNN;王雅慧等[21]基于高分辨率遥感影像对森林植被分类,并加入NDVI波段,采用优化后的深度学习模型进行训练学习,结果表明该模型加入NDVI的分类精度高于未加入时精度,同时该模型精度高于SVM和RF。因此,基于U-Net模型进行森林植被分类,能够有效提高分类精度,具有一定的研究意义。但是,目前基于U-Net模型的植被分类研究仅采用了单时相影像,未根据植被物候信息结合多时相影像进行研究。本研究以孟家岗林场为研究区,以多时相哨兵影像和DEM为数据源,通过计算各类别的可分性确定最佳单一时相;同时构建植被指数以及红边指数时间序列,分析能够有效区分植被的特征,并将DEM作为辅助信息参与分类,分别采用支持向量机和优化后的U-Net模型对单一时相 + DEM和单一时相 + DEM + 多时相植被指数两种方案进行林分类型分类,为后续森林资源调查及监测提供相应的技术手段。
-
首先对4景不同时相的哨兵影像,计算各类别之间的JM距离,最终得出10月30日的JM距离较其他时相大,各类别可分性较其他时相好。因此,选取10月30日影像并以DEM作为辅助信息,分别采用U-Net模型和支持向量机方法对森林植被进行分类。
-
经过前人研究以及大量实验进行分析,最终选取差值植被指数(EVI)、红边归一化植被指数(mNDVI)、红边叶绿素指数(CIred-edge)、归一化差值红边指数(NDre1)。
如图4所示,阔叶林在夏季具有较大的DVI值;樟子松随时间的变化范围较小,主要是由于该树种四季常绿,与其他类别有着较明显的差异,7月22日影像中,樟子松能够与其他类别区分;落叶松和针阔混交林趋势类似,仅表现出较小的差异,各时相不易区分。因此,可以选取7月22日的差值植被指数(DVI722),有利于区分樟子松与阔叶林和针阔混交林。
图5为各森林类别mNDVI随时间变化情况,可以看出森林各类别趋势相似,差异较小,对于5月30日影像,阔叶林开始生长,与其他针叶树种有较小差异。夏季阔叶林的值较其他类别高,秋冬季节,其值逐渐减小,主要是由于阔叶树的覆盖度降低,由于针阔混交林中可能包含常绿树种,其值比阔叶树高一些,樟子松由于其属于常绿针叶乔木,覆盖度变化相对较小。因此,可选取5月30日、10月30日的红边归一化植被指数(mNDVI530、mNDVI1030),能够将樟子松、阔叶林以及针阔混交林区分开。
图6为CIred-edge随时间变化曲线,可以看出,对于5月份和10月份,由于处在植被生长初期及末期,各森林类别的叶绿素含量非常低,对于夏季,各类别均生长茂盛,其覆盖度及生物量达到最高,相应的叶绿素含量也达到最大,但各类别之间由于其内部机理不同,红边叶绿素指数也存在差异,因此可以选取7月22日和9月20日的红边叶绿素指数(CIred-edge722、CIred-edge920)来区分各类别。
图7为NDre1随时间变化曲线,可以看出从春季到夏季,叶片色素含量呈上升趋势,并在夏季达到最高,进入秋冬季节时,叶片色素含量逐渐下降,叶片进入衰老阶段。同时,春季及秋冬季各类别之间其叶片色素含量的不同,导致其NDre1的值也存在一定的差异。因此,选取5月30日、7月22日和10月30日的归一化差值红边指数(NDre1530、NDre1920、NDre11030)可以区分各类别。
在单一时相的基础上,加入以上选取的特征指数(DVI722、mNDVI530、mNDVI1030、CIred-edge722、CIred-edge930、NDre1530、NDre1920、NDre11030),计算各类别之间的JM距离(见表1)。可以看出,单一时相 + DEM + 多时相植被指数及红边指数之后,各类别的可分性较好。其中,JM距离越大,可分性越好。
林分类型
Forest typeJM距离
JM distance樟子松-针阔混交林
Pinus sylvestris-Mixed broadleaf-conifer forest1.814 3 落叶松-针阔混交林
Larix gmelinii-Mixed broadleaf-conifer forest1.856 4 阔叶林-针阔混交林
Broad-leaved forest-Mixed broadleaf-conifer forest1.862 0 阔叶林-落叶松
Broad-leaved forest-Larix gmelinii1.975 6 阔叶林-樟子松
Broad-leaved forest-Pinus sylvestris1.983 6 落叶松-其他
Larix gmelinii-Others1.996 4 落叶松-樟子松
Larix gmelinii-Pinus sylvestris1.998 9 其他-针阔混交林
Others-Mixed broadleaf-conifer forest1.999 5 阔叶林-其他
Broad-leaved forest-Others1.999 9 其他-樟子松
Others-Pinus sylvestris1.999 9 Table 1. JM distance between categories
-
分别采用优化后的U-Net模型及支持向量机对单一时相 + DEM和单一时相 + DEM + 多时相植被指数及红边指数两种方案进行分类,对比U-Net模型和支持向量机的分类精度,同时验证在单一时相基础上加入多时相植被指数及红边指数,分类精度是否提高。为了凸显本研究方案的可行性,在单一时相基础上扩充其他时相影像原始波段(红光波段、红边波段以及近红外波段)进行分类对比实验。
对U-Net方法进行训练时,将训练集和验证集按批次输入到网络中,其中训练集进行训练,验证集采用交叉验证的方法调整训练超参数,从而降低泛化误差。直到训练集和验证集的loss值趋于稳定,模型训练结束。之后,采用训练好的模型对测试集进行测试,最终计算得到分类精度如表2。
分类方法
Classification实验方案
Experimental scheme总体精度
Overall accuracy/%Kappa系数
Kappa coefficient支持向量机
SVM方案1:单一时相 + DEM
Scheme 1: mono-temporal images + DEM68.66 0.589 2 方案2:单一时相 + DEM + 多时相植被指数及红边指数
Scheme 2: mono-temporal images + DEM + multi temporal
vegetation index and red edge index71.20 0.625 0 方案3:多时相原始波段 + DEM
Scheme 3: multi-temporal raw bands + DEM70.28 0.607 7 U-Net模型
U-Net Model方案1:单一时相 + DEM
Scheme 1: mono-temporal images + DEM73.24 0.629 2 方案2:单一时相 + DEM + 多时相植被指数及红边指数
Scheme 2: mono-temporal images + DEM + multi temporal
vegetation index and red edge index77.87 0.710 6 方案3:多时相原始波段 + DEM
Scheme 3: multi-temporal raw bands + DEM74.14 0.664 6 Table 2. Classification accuracy
由表2可以看出,对于单时相影像 + DEM分类时,U-Net模型的总体精度为73.24%,Kappa系数为0.629 2;SVM分类的总体精度为68.66%,Kappa系数为0.589 2;在单一时相 + DEM的基础上,加入多时相植被指数及红边指数特征进行分类时,U-Net模型精度为77.87%,Kappa系数为0.710 6;比SVM分类精度高6.67%。对于多时相原始波段 + DEM,U-Net模型和SVM分类的总体精度分别为74.14%和70.28%。从中可以看出,多时相影像分类精度明显高于单时相影像分类精度;然而对于多时相原始波段和多时相植被指数2种方案,加入多时相植被指数的分类精度更高,可能是由于植被指数是通过对波段进行运算,能够增强植被特征,从而使分类效果更好。对比方案1和方案2,加入多时相植被指数及红边指数特征后,考虑了植被的物候特性,分类精度有很大的提高。深度学习U-Net模型能够学习影像内部丰富的光谱和空间特征,并且挖掘深层信息,对比U-Net模型和SVM的分类结果,深度学习U-Net模型均表现出较高的精度。
图8为不同方案分类结果的混淆矩阵,图9为部分分类结果细节图。从中可以看出,传统的分类方法SVM存在“椒盐”噪声,并且分类边缘呈锯齿状,而深度学习U-Net方法在一定程度上能够避免该现象,其分类结果更加细腻。同时,对比图9中的(a)与(b)、(c)与(d),均可以看出加入多时相植被指数及红边指数特征之后,分类效果更好,减少了像元混分错分的情况。结合图8对比各类别的分类情况,可以看出针阔混交林与其他类别还存在较为严重的误分现象,主要是由于针阔混交林中交错混合生长着其他林分类型,从而被误分到落叶松、樟子松、阔叶林等类别中;落叶松和樟子松之间的误分主要是由于光谱特征相似,而加入多时相植被指数及红边指数后,对比图8(a)(c)和图8(b)(d)可以看出落叶松和樟子松的误分现象大大减小;同时混合像元也可能导致错分现象。综合来看,U-Net模型的分类效果较传统的SVM方法更加细腻,错分情况也大大减小,同时避免了椒盐噪声、边缘锯齿状等现象。
Forest Type Classification Based on Multi-temporal Sentinel-2A/B Imagery Using U-Net Model
- Received Date: 2021-11-24
- Accepted Date: 2022-02-10
- Available Online: 2022-08-20
Abstract: