人工神經網絡在高分影像防沙帶識別中的應用

尼加提·穆合塔爾，周 迪，余 潔,,4,5*，朱 琳,,4,5

（1.首都師范大學 資源環境與旅游學院，北京100048；2.首都師范大學城市環境過程與數字模擬國家重點實驗室培育基地，北京100048；3.首都師范大學 地球空間信息科學與技術國際化示范學院，北京100048；4.首都師范大學三維信息獲取與應用教育部重點實驗室，北京100048；5.首都師范大學資源環境與地理信息系統北京市重點實驗室，北京100048）

我國是世界上荒漠化面積最大、受影響人口最多、危害程度最嚴重的國家之一。截至2004 年，全國荒漠化土地總面積為263.62×104km2，占國土總面積的27.46%[1]。新疆作為我國土地荒漠化最嚴重的省區，輕度荒漠化面積為82 081.10 km2，占新疆總面積的5.69%；中度荒漠化面積為239 066.70 km2，占比為16.58%；重度荒漠化面積為478 421.87 km2，占比為33.19%；極度荒漠化面積為311 588.44 km2，占比為21.61%；重度以上荒漠化面積達790 010.31 km2，占新疆總面積的47.45%[2]。塔克拉瑪干沙漠地處歐亞大陸腹地，降水稀少，蒸發極其強烈，空氣十分干燥，且日照時間長，晝夜溫差大，屬于極端干旱區[3]。沙漠邊緣的村莊常年遭受沙漠化的威脅，這些地區由于干旱少雨、風沙侵蝕嚴重，導致植被稀少、植樹成活率低、成林周期長。人工鋪設防沙帶是目前行之有效的防沙固沙、防治沙漠化的辦法[4-6]。防沙帶的分布情況和建設面積則是評價沙漠化防治工作的重要指標。由于防沙帶鋪設于沙漠地區，常規的實地調查方法操作難度大、成本高，因此利用遙感高分辨率影像進行防沙帶計算機自動識別成為一種有效的技術方法。

防沙帶利用短蘆葦桿或尼龍網方格做成“田”字格，規則地鋪設在沙漠地區的村莊邊緣以及沙漠公路兩旁，在高分辨率遙感影像上較容易目視判別出其排列情況，但目視判別工作強度大、效率低、受人為因素的影響大，不適用于大范圍的防沙帶識別[7]，因此計算機自動識別方法成為解決該問題的手段。防沙帶在整體上雖然以規則形狀排列，但不同區域的防沙帶存在紋理特征不同的特點，早期鋪設的防沙帶由于防沙固沙效果的顯現，有的內部長出植被；新鋪設的防沙帶紋理特征更趨向于沙漠的紋理，因此遙感影像上每塊防沙帶區域內部的顏色和紋理均不盡相同，這就增加了計算機自動識別的難度。

最大似然法作為遙感圖像監督分類識別中的一種經典算法，具有穩定性高、工作量小、分類速度快的特點。然而，由于高分辨率遙感影像的細節特征突出，豐富的地表覆蓋細節信息使得遙感影像中同一地物目標內像素光譜測度變異性增大，將帶來像素類屬的不確定性，存在嚴重的“同物異譜”與“異物同譜”現象，從而導致傳統的監督分類識別方法在高分辨率遙感影像上錯誤識別的概率增大。

人工神經網絡具有抗干擾性強、容錯性高、并行分布式處理、自組織學習和分類精度高等特點，且無需就模型做出假定，無需考慮數據是否存在正態分布或連續性分布[8]。在計算均值和方差時采用多次迭代，可減少錯誤識別的概率。人工神經網絡方法能較好地解決高分辨率影像中“同物異譜”與“異物同譜”的問題，其自組織學習的特點能更好地識別與樣本具有一定光譜差異的同類地物，能同時兼顧防沙帶的空間紋理和光譜特征。

綜上所述，本文以GF-1 號遙感影像為數據源，利用人工神經網絡方法對新疆和田洛浦縣英蘭干村周圍沙漠地區防沙帶進行了識別，并與目視解譯得到的防沙帶分布情況進行對比，以驗證其識別精度；再與最大似然法的識別結果進行比較，以探討人工神經網絡方法識別防沙帶的有效性，為今后進行大規模防沙帶識別和年際動態監測提供方法參考，為新疆地區沙漠化防治工作提供技術支持。

1 研究區概況

本文選取的研究區位于新疆洛浦縣英蘭干村周邊沙漠區域、昆侖山北麓、塔里木盆地邊緣，地處79°59′～81°83′E，36°30′～39°29′N（圖1a）。洛浦縣屬極度干燥的大陸性氣候，四季分明、晝夜溫差大，光能和熱能資源豐富，空氣干燥、蒸發量大，多沙暴、多浮塵。在這種自然地理環境下，沙漠邊緣村莊常年遭受著沙塵暴的侵襲，沙漠化問題嚴峻，嚴重影響著當地經濟發展和人們的生活。利用蘆葦桿或尼龍網方格等緊密排列圍成方格的防沙帶，可一層一層地阻擋飛沙侵蝕，將流沙固定在方格內，防止沙漠擴張（圖1b）。

圖1 研究區概況

2 數據來源與預處理

本文選取的GF-1 號遙感影像為洛浦縣英蘭干村及其周邊的防沙帶建設區域，如圖2a 所示，成像時間為2016-05-14，全色分辨率為2 m，多光譜分辨率為8 m，成像質量好。GF-1 號衛星的主要技術特點為單星上能同時實現高分辨率與大幅寬的結合，2 m 高分辨率實現了大于60 km 的成像幅寬，16 m 分辨率實現了大于800 km 的成像幅寬，無地面控制點50 m 圖像定位精度可滿足用戶精細化應用需求，達到了國內同類衛星的最高水平[9]，具體參數如表1、2 所示。

表1 GF-1 號衛星軌道參數

表2 GF-1 號衛星波段參數

本文利用ENVI 5.2對GF-1 號遙感數據進行裁剪、大氣校正、輻射定標、正射校正和影像融合等預處理工作。所裁剪的研究區長度約為19 km，寬度為10 km，如圖2a 矩形紅框所示。由于成像區域為沙漠地區，無云霧覆蓋成像質量好，因此可直接進行快速大氣校正。輻射定標是指將衛星傳感器響應的DN 值轉換為具有一定物理含義的表征量，如輻亮度、反射率等，本次輻射定標將DN 值轉換為反射率。ENVI 目前支持的正射校正包括嚴格軌道模型和RPC 有理多項式系數兩種模型。GF-1 號遙感數據自帶RPC 文件，結合ENVI 自帶的全球900 m 分辨率DEM 數據進行正射校正可得到理想效果。本文中影像融合采用的方法是NNDiffuse Pan Sharpening 變換，即基于最近鄰擴散的全色銳化。該方法支持多種傳感器以及國產衛星數據，且融合結果對于色彩、紋理和光譜信息均能很好地保留。經預處理后的研究區如圖2b 所示。

3 研究方法

本文利用ENVI 平臺進行遙感影像處理和防沙帶識別，識別結果分析和精度評價通過ArcGIS 軟件實現。利用ENVI 5.2 平臺對GF-1 號遙感影像進行預處理，在預處理后的影像中選取防沙帶、居民用地和荒漠3 類樣本，并計算3 類樣本的可分離性系數。經計算可知，3 類樣本的可分離性系數均大于1.9，可用于后續的計算機識別。采用人工神經網絡方法和最大似然法分別對防沙帶進行識別，并將識別結果進行矢量輸出，以備后續精度評價與分析使用。

圖2 研究區遙感影像

3.1 防沙帶的人工神經網絡識別

由于傳統監督分類方法識別高分辨率影像中防沙帶時存在“同物異譜”和“異物同譜”的不足，本文采用人工神經網絡方法進行防沙帶識別，并探究其對防沙帶識別的有效性。

人工神經網絡屬于非參數分類器，近年來在遙感影像分類識別領域開始得到深入的應用[10]。人工神經網絡利用多個神經元構成一個神經網絡層，通過多個神經網絡層的連接計算以及誤差的反向傳播實現了對復雜概念的逼近模擬。根據人工神經網絡中不同層的作用差異，可將其劃分為3 類：輸入層，用于獲取數據輸入；隱含層，負責特征的提取和綜合運算；輸出層，利用隱含層輸出的特征計算最終結果。利用人工神經網絡方法識別防沙帶時，其輸入層從目標柵格獲取該位置的各項因子，即該柵格的4 個波段參數，將數據輸入至神經網絡進行估計運算，再將輸出結果與防沙帶樣本的反射率進行比較，然后根據其誤差反向傳播調整整個神經層中的各項權重參數。該過程將使人工神經網絡識別的結果逐步逼近防沙帶樣本的值。

本文在ENVI 平臺運行人工神經網絡進行識別分類，并對得到的結果進行卷積濾波，以減少“椒鹽”現象，進一步提升識別精度；再將防沙帶的識別結果進行矢量輸出，如圖3a 所示。為了進行對比分析，本文利用相同的訓練樣本，采用傳統監督分類方法中的最大似然法進行分類識別，并將最大似然法的識別結果進行與人工神經網絡方法相同的卷積濾波處理，再矢量輸出，如圖3b 所示。

3.2 防沙帶的目視解譯

經過融合處理后，本文選用的GF-1 號遙感數據可得到2 m 彩色圖像。由于防沙帶鋪設于沙漠地區，紋理結構易于辨認，且研究區無云霧遮擋，地物類型簡單，因此通過目視解譯可獲得精準的防沙帶鋪設情況（圖4）。該目視解譯結果可用于人工神經網絡方法和最大似然法識別結果的精度評價。

圖3 防沙帶識別結果圖

圖4 防沙帶的目視解譯

4 研究結果對比與分析

為了充分對比說明，本文分別從定性和定量兩個方面對人工神經網絡方法和最大似然法的防沙帶識別結果進行分析。

4.1 識別結果的定性比較

在ArcGIS 10.1 中分別打開人工神經網絡方法和最大似然法識別的防沙帶矢量多邊形，通過屬性文件可獲取其識別的面積；再將兩種方法識別的防沙帶矢量多邊形分別與目視解譯的防沙帶矢量進行相交處理，相交區域即為各自正確識別的面積。

將人工神經網絡方法識別的防沙帶矢量圖、人工神經網絡方法正確識別的防沙帶矢量圖和目視解譯的防沙帶矢量圖進行疊加，結果如圖5a 所示；對最大似然法的識別結果進行同樣的疊加，結果如圖5b所示。兩張圖中的綠色區域為兩種方法各自正確識別的防沙帶區域，藍色區域為未能正確識別的防沙帶區域，而黃色區域為錯誤識別為防沙帶的區域，可以看出，人工神經網絡方法錯誤識別的區域比最大似然法小很多；研究區中防沙帶與居民用地之間的過渡帶大片區域被最大似然法錯誤識別為防沙帶。

圖5 識別結果疊加對比圖

4.2 識別結果的定量比較

本文引入目前圖像識別領域中用于評價識別效果好壞的準確率、召回率和F 值3 個指標對結果進行定量評價。準確率是針對預測結果而言的，表示的是預測為正的樣本中有多少是真正的正樣本，其表達式為準確率=正確識別的個體總數/識別出的個體總數。召回率是針對原來的樣本而言的，表示的是樣本中的正例有多少被預測正確了，其表達式為召回率=正確識別的個體總數/測試集中存在的個體總數。F 值則是綜合這兩個指標，綜合反映整體的指標，即準確率和召回率的調和平均值，其表達式為F 值=準確率×召回率×2/（準確率+召回率）。

利用圖5a、5b 的屬性表可獲取兩種方法各自正確識別的防沙帶面積，根據準確率、召回率和F 值的定義可得到本文中它們各自的表達式。

根據計算結果得到的精度對比結果如表3 所示，可以看出，人工神經網絡方法的3 個評價指標均高于最大似然法，說明人工神經網絡方法對高分辨率遙感影像進行防沙帶識別更具優勢。

表3 精度對比表

4.3 人工神經網絡方法識別優勢初探

為了進一步探討人工神經網絡方法在高分辨率影像中識別防沙帶的有效性和優勢，本文結合人工神經網絡方法的算法特點和最大似然法的算法原理，從地物的光譜反射率和空間紋理的角度，在ENVI 平臺選取了一塊人工神經網絡方法能準確識別而最大似然法不能識別的防沙帶區域進行分析。

圖6b 中藍色方塊為人工神經網絡方法能識別而最大似然法不能識別的防沙帶區域，圖6a 為該區域對應的反射率曲線，橫坐標為反射率，縱坐標為對應的像元數。圖7 為防沙帶樣本的反射率曲線。

最大似然法是根據貝葉斯定理判斷準則，將遙感影像多波段數據認定為多維正態分布的數據，通過對預先選擇的訓練區數據進行統計，計算遙感影像中待分類區域像元的歸屬概率，構造最大似然判別函數與判別規則，從而實現對遙感影像地物分類的一種分類法[11]。其計算公式為：

式中，m為波段數為第k類的m維正態分布密度函數，反映在第k類中m維隨機變量x出現各種可能值的概率大小。

圖6 人工神經網絡方法能識別而最大似然法不能識別的防沙帶區域

由圖7 可知，前3 個波段對應的反射率曲線分布較集中，峰值落在0.21 ～0.22，而防沙帶樣本前3 個波段的反射率峰值出現在0.21、0.22 和0.24 附近，最大似然法識別時通過概率密度函數判別比較法無法將其準確識別為防沙帶。通過觀察所選區域空間紋理發現，該防沙帶內部呈現一定的淺綠色，內部已覆蓋了一層稀疏的植被，最大似然法在判定時受到這種高分辨率細節信息的影響，而將該防沙帶錯誤識別為居民用地。人工神經網絡方法具有聯想存儲功能，神經網絡能接受和處理模擬的、混沌的、模糊的和隨機的信息，且可根據外界環境輸入信息，改變突觸連接強度，重新安排神經元的相互關系，從而達到自適應環境變化的目的。因此，當防沙帶內部被稀疏植被覆蓋時，人工神經網絡方法能通過誤差反向傳播機制克服地物空間紋理細節的干擾以及地物反射率特征偏離樣本反射率的問題。

5 結 語

本文利用人工神經網絡方法對GF-1 號遙感影像中的防沙帶進行了識別，并通過與傳統最大似然法識別結果的對比分析，驗證了人工神經網絡方法在高分辨率影像中識別防沙帶的有效性和優勢。對于人工神經網絡方法在高分辨率影像防沙帶識別時所表現出的優勢，本文從兩種方法的算法特點和原理角度進行了初步探討。人工神經網絡方法的自組織學習、自適應以及根據輸入的像元數據不斷調節神經元突觸連接強度和權重等特點，能對輸入像元進行多次迭代計算和誤差反向傳播，從而修正各連接的權重，較好地解決了高分辨率影像中細節信息對地物識別造成的干擾。本文的研究工作可為相關部門進行防沙帶監測提供方法上的參考與借鑒，為新疆地區沙漠化防治工作提供技術支持。