深度學習方法在松山湖地區地物分類中的應用

賀丹 張靜

摘? 要：高分一號（GF-1）遙感影像具有分辨率高、光譜信息豐富、紋理清晰等特征，利用GF-1影像研究地物識別具有重要的現實意義。本文以東莞市松山湖地區為研究區域，基于GF-1遙感影像數據，分別采用最大似然法、支持向量機、深度學習（隨機森林）等方法對研究區的地物進行識別。實驗結果表明：采用深度學習方法對地物分類的總精度為92.24%，Kappa系數為0.91，與最大似然法和支持向量機相比，基于深度學習方法的分類精度更高，分類結果更能體現土地實際利用情況。

關鍵詞：深度學習? 松山湖? 地物分類? 遙感? 高分一號

中圖分類號：TN957.52;TP391.41? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2020）11（c）-0021-05

The Application of Deep Learning Method in the Feature Classification of Songshan Lake Area

HE Dan*? ZHANG Jing

（School of Computer and Information， City College of DongGuan University of Technology， Dongguan， Guangdong Province， 523000 China）

Abstract： GF-1 remote sensing image is characterized by high resolution， rich spectral information and clear texture， etc. Therefore， it is of great practical significance to use GF-1 image to study ground object recognition. Based on GF-1 remote sensing image data， this paper takes Songshan Lake area of Dongguan city as the research area， and adopts maximum likelihood method， support vector machine， deep learning（Random Forest， RF） and other methods to identify ground objects in the research area. The experimental results show that the total accuracy of ground objects classification using deep learning method is 90.24%， and the Kappa coefficient is 0.91. Compared with the maximum likelihood method and support vector machine， the classification based on deep learning method has a higher accuracy， and the classification results can better reflect the actual land use.

Key Words： Deep learning; Songshan lake; Feature classification; Remote sensing; GF-1

在城市化的發展進程中，城市土地利用情況可以為城市化的下一步規劃提供指導意見，因此掌握城市地物的分布情況對一個城市的長遠發展具有重要意義[1]。遙感影像作為檢測地物情況最直接的途徑，在地物分布情況的研究過程中發揮了重要作用，遙感影像在土地覆蓋檢測、森林覆蓋檢測、草地覆蓋檢測、濕地覆蓋檢測等領域已經得到廣泛的應用[2]。

隨著高分遙感技術的不斷進步和發展，中國航天事業也迎來了發展的新階段，國產高分辨率遙感衛星技術迅速提升，一系列國產高分遙感衛星陸續發射并投入使用，國產高分衛星的發射推動了我國遙感行業的蓬勃發展。自從2013年發射國產高分一號衛星以來，我國相繼發射了高分二號、高分三號等高分系列衛星。其中，國產高分一號衛星（GF-1）是中國高分辨率對地觀測系統的首發星，突破了高空間分辨率、多光譜與寬覆蓋相結合的光學遙感等關鍵技術[3]。目前，高分一號遙感數據被廣泛應用于城市土地應用[4]、城市發展[5]、地物提取[6-7]等領域。本文以東莞市松山湖地區為主要研究區域，重點研究深度學習方法在高分遙感影像地物分類中的應用。

1? 研究區域及影像數據

1.1 研究區域

東莞市位于中國華南地區，廣東省中南部，地處珠江口東岸，介于東經113°31′～114°15′，北緯22°39′`23°09′之間，東北與惠州市接壤，南接深圳市，西北與廣州市相鄰。東莞市既是珠三角中心城市之一，又是粵港澳大灣區重點城市之一。

松山湖地區是東莞市政府將大嶺山鎮、寮步鎮、大朗鎮三鎮靠近松山湖的部分邊緣地帶劃分出來與湖泊區域重新組合形成新的國家級高新技術產業開發區。東莞市松山湖地區地處東莞市的幾何中心，區域面積72km2，包括8km2的淡水湖和14km2的生態綠地，生態環境保持良好，研究松山湖地區的地物分布情況對松山湖區域未來發展具有重要意義。本文選取松山湖地區極具代表性的矩形區域作為研究對象，松山湖地區的位置信息如圖1所示，該區域為亞熱帶季風氣候，主要土地類型包括林地、耕地、水體、建設用地等，地物類型豐富。

1.2 影像數據

遙感技術是一種非接觸遠距離的探測技術，一般是通過利用傳感器對物體的電磁波的輻射和反射特性進行探測，通過物體表面反射、輻射或散射的電磁波信息對物體信息進行提取、判定、分析和應用。2013年4月，國產高分一號衛星（GF-1）發射成功之后，為國土資源管理部門提供了高精度、多光譜的遙感影像，從而在城市規劃和土地利用情況中發揮了重要作用。

本研究的GF-1影像數據從遙感集市數據中心（http：//www.rscloudmart.com/dataProduct/）獲取，該影像數據采集于2017年9月16日，研究區域所選影像云量為0%。使用ENVI5.2軟件對GF-1遙感影像數據進行處理，主要包括正射校正、影像融合、大氣校正、裁剪等影像預處理操作。預處理之后，研究區域的地理狀況和GF-1遙感影像如圖2所示。

2? 地物分類研究方法

2.1 地物分類方法總覽

遙感影像通過亮度值或像元值的高低差異（反映地物的光譜信息）及空間變化（反映地物的空間信息）來表示不同地物的差異，這是區分不同圖像地物的物理基礎[8]。遙感圖像分類技術就是依據遙感影像中各類地物的光譜信息和空間信息對地物情況進行分析，通常地物分類方法包括監督分類和非監督分類，在ENVI5.2中，監督分類器包括平行六面體、最小距離、馬氏距離、最大似然法、神經網絡、支持向量機等方法，非監督分類器包括ISODATA和K-ean兩種。本文選取監督分類中的最大似然法和支持向量機，并運用深度學習方法，實現松山湖地區的地物分類研究。

2.2 最大似然法

最大似然法（Maximum Likelihood Classification）是通過使用一個概率模型，根據遙感影像中像元的歸屬概率對地物類型進行分類。假設每一個波段的每一類統計都呈正太分布，計算給定像元屬于某一訓練樣本的似然度，像元最終被歸到似然度最大的一類中[8]。在使用最大似然法對地物進行分類時，一開始便假定各地物分類呈正太分布，但是實際情況往往與假定有一定差距，因此在采用最大然法時，對實驗選取的訓練樣本有較高要求。

2.3 支持向量機

支持向量機（Support Vector Machine， SVM）是一種建立在統計學習理論基礎上的機器學習方法，使用了鉸鏈損失函數來計算經驗風險，同時加入了正則化項來優化結構風險，具有稀疏性和穩健性的特點。SVM可以自動化尋找那些對分類有較大區分能力的支持向量，并構造出相應的分類器，可以將類與類之間的間隔最大化，從而有較好的推廣性和較高的分類準確率[8]。通常情況下，使用SVM進行地物分類時，能取得較好的分類效果，但是對某些數據集而言，損失函數中相關參數的設置、核函數參數的設置對SVM分類器的分類效果影響較大，這種情形下需要通過多次交叉驗證試驗才能找到最佳的參數設置，實驗代價較大。

2.4 深度學習之隨機森林

深度學習方法（Deep Learning， DL）是機器學習（Machine Learning， ML）中的新分支，深度學習方法被廣泛的應用于自然語言處理、語音識別、人臉識別等領域。隨著深度學習方法研究的不斷深入，深度學習方法在遙感影像處理領域的應用也取得了較好的效果。深度學習方法常用的算法包括：卷積神經網絡（Convolutional Neural Networks， CNN）、長短時記憶網絡（Long Short Term Memory Network， LSTM）、隨機森林（Random Forest， RF）等。

本文選取深度學習方法中的隨機森林進行地物分類研究，與傳統的監督學習分類方法不同，隨機森林是一種包含多個決策樹的分類器，其輸出的地物類別是由個別樹輸出的地物類別的眾數而決定。在隨機森林中采用CART決策樹為基本分類器，構造一個集成學習模型，不僅克服了決策樹中較常出現的過擬合問題，而且對噪聲數據和異常數據有較好的容忍性，對較高維數據有可擴展性，既能處理離散數據也能處理連續數據。隨機森林結構如圖3所示。

3? 研究過程

3.1 地物分類流程

采用監督分類方法對地物進行分類時，一般的流程包括4個步驟：定義訓練樣本集、執行監督分類、評價分類結果和分類后處理[8]。針對本文的研究重點，結合ENVI5.2中遙感影像處理的一般步驟和流程，將地物分類的流程主要分成如下4個步驟：遙感影像數據預處理、執行遙感影像地物分類、地物分類結果匯總與評價、地物分類結果后處理。在遙感影像數據預處理時，主要執行GF-1遙感影像獲取、遙感影像預處理（包括正射校正、影像融合、大氣校正、裁剪等操作）、地物類型確定、訓練樣本集定義等操作。在執行遙感影像地物分類時，分別采用最大似然法、支持向量機、隨機森林三種方式對松山湖地區遙感影像執行地物分類，并記錄分類結果。在地物分類結果匯總與評價階段，分別從制圖精度、用戶精度、總體分類精度、Kappa系數等角度對3種方式地物分類結果進行算法評價，并對比這3種方式的地物分類結果。在分類后處理階段，將通過Majority/Minority分析、聚類處理、分類統計等操作對分類結果進行處理。

3.2 遙感影像數據預處理

在獲取GF-1遙感影像之后，借助ENVI5.2軟件對松山湖地區遙感影像執行正射校正、影像融合、大氣校正、裁剪等一系列操作，在執行研究區域選取時，盡量選取地物類型豐富、地物特征分明的區域。

根據2017年11月1日由國土資源部組織修訂的國家標準《土地利用現狀分類》（GB/T 21010-2017）[9]，結合東莞市松山湖地區的土地利用情況，將地物分為林地、水體、建設用地、道路、其他用地，在本文的研究中，將重點研究上述五種地物類型的分布情況。

在ENVI5.2軟件中借助ROI工具選取出各個類型地物的樣本點[10]，其中林地樣本點為320個，水體樣本點為410個，建設用地樣本點為380個，道路樣本點為260個，其他用地樣本點為105個，5種地物樣本數據數量均在100個以上，滿足實驗要求。同時，通過ENVI軟件為每一個感興趣區域組合計算Jeffries-Matusita距離和轉換分離度，五類地物的可分離性值均在1.9以上，樣本之間的可分離性良好。此外，隨機選取各類樣本點中的80%為訓練樣本集，剩下的20%樣本點為測試樣本集。

3.3 執行遙感影像地物分類實驗

ENVI5.2中的Toolbox工具箱中提供了分類器選擇功能，為遙感影像分別選用最大似然法、支持向量機兩種方法執行地物分類。

采用深度學習方法中的隨機森林方法執行地物分類步驟為：首先，將ENVI5.2軟件中選取的ROI區域按照地物類型分別保存為CSV格式的文件;接著，使用Python語言實現CSV文件的讀取，借助Google推出的Tensorflow框架實現隨機森林算法模型，并利用訓練樣本集對模型進行訓練，通過測試樣本集對隨機森林算法的分類精度進行評估。

4? 實驗結果

4.1 松山湖地區地物分類結果匯總與評價（3種方法對比）

在完成遙感影像數據預處理、執行遙感影像地物分類兩個步驟之后，分別使用最大似然法、支持向量機、隨機森林3種算法對遙感影像數據進行地物分類實驗，并在實驗之后統計出分類結果，將這些實驗數據匯總如表1所示。

從表1中松山湖地區地物分類結果匯總情況可知，基于最大似然法的地物分類方法道路的用戶精度為78.58%，林地的用戶精度為78.46%，地物分類過程中錯分和漏分的比例較高。支持向量機的分類方法比基于最大似然法的分類方法在總體分類精度上有所提高，提高了4.06%，Kappa系數提高了0.06。但是支持向量機的分類方法在道路、其他用地上的用戶精度分別為83.55%、78.16%，分類精度仍有待提高。

表1中基于隨機森林的地物分類方法在地物分類中體現了較高的分類精度，其中水體、林地的用戶精度分別高達97.25%、95.25%，且總體分類精度為92.24%，Kappa系數為0.91。與最大似然法、支持向量機相比，基于隨機森林的方法地物分類總體精度分別提高了：7.74%、3.68%，Kappa系數分別提高：0.13、0.07。

從分類結果可知，深度學習方法更適用于松山湖地區地物分類研究，其中隨機森林方法在地物分類中體現出明顯的分類精度優勢。同時，深度學習的方法發展速度較快，應用場景廣泛，更適合用于遙感地物分類。

4.2 地物分類結果后處理

在通過最大似然法、支持向量機、隨機森林等方法執行GF-1遙感影像地物分類實驗后，得到的是地物分類的初步結果，初步結果一般情況下還不能達到最終的應用目的，因此，在得到初步分類結果之后，需要進行一系列的地物分類結果后處理操作。在本文中，通過Majority/Minority分析、聚類處理、分類統計等操作對分類結果進行處理。

5? 結語

本文以東莞市松山湖地區為研究區域，利用GF-1高分遙感影像，分別基于最大似然法、支持向量機、深度學習之隨機森林三種算法對遙感影像數據進行地物分類，其中隨機森林算法總體分類精度為92.24%，Kappa系數為0.91，比最大似然法的分類精度提高了7.74%，比支持向量機的分類精度提高了3.68%。深度學習方法能更好的利用訓練數據集訓練模型，并清楚地記錄不同地物的特征，從而展現出更好的地物分類效果。因而，深度學習方法在松山湖地區地物分類中發揮了較好的作用，為松山湖地區的城市規劃和建設提供了參考依據。

城市地物分布情況對城市的未來發展提供了重要依據，而高分遙感影像為地物提取提供了數據支撐，在今后的研究中需要在地物分類算法的精度上不斷加強。同時隨著城市化進程的加快，在實際應用中，一方面城市地物類型的分布情況是十分復雜的，另一方面對城市地物分類精度的要求也在不斷提高，因此，基于高分遙感影像的影像預處理、地物分類、地物識別等算法還有待加強，在今后的研究過程中將研究出更高效的地物分類算法，構建更高精度的地物分類模型。

參考文獻

[1] 袁靜文，武辰，杜博，等.高分五號高光譜遙感影像的城市土地利用景觀格局分析[J].遙感學報，2020，24（4）：465-478.

[2] 遙感影像[DB/OL].[2020-02-07]https：//baike.baidu.com/item/遙感影像/9861856？fr=aladdin.

[3] 高分一號衛星[DB/OL].[2020-05-24]https：//baike.baidu.com/item/高分一號衛星/1669034？fr=aladdin.

[4] 高晨.基于高分一號影像和POI數據的土地功能分類方法研究[D].阜新：遼寧工程技術大學，2017.

[5] 馬建如，裴亮.基于高分一號衛星的城市擴張變化監測研究[J].測繪與空間地理信息，2017，40（6）：61-64.

[6] 孫嘉悅.基于集成學習的高分辨率遙感影像地表水體信息提取[D].長春：吉林大學，2020.

[7] 胡建青.面向對象的高分辨率遙感影像道路信息提取[D].北京：北京交通大學，2019.

[8] 鄧書斌，陳秋錦，杜會建，等.ENVI遙感圖像處理方法[M].2版.北京：高等教育出版社，2014.

[9] 土地利用現狀分類（GB/T 21010-2017）[DB/OL].[2017-11-1] https：//m.wang1314.com/doc/webapp/topic/20936079.html.

[10] 王義慧，宋磊.基于Landsat8的濟南市土地利用分類及變化監測[J].科技創新導報，2020，17（14）：52，54.