基于多尺度特征融合網(wǎng)絡(luò)的新疆積雪覆蓋度估算

張永宏，許 帆，闞 希，曹海嘯

（1.南京信息工程大學(xué) 自動(dòng)化學(xué)院，南京 210044；2.南京信息工程大學(xué) 濱江學(xué)院，江蘇 無(wú)錫 213982）

0 概述

積雪在地球表面覆蓋范圍廣泛且變化活躍，其在可見光波段呈現(xiàn)的高反射率和低導(dǎo)熱性直接影響地表反照率、空氣及土壤的溫度，是反映全球能量平衡的重要指標(biāo)［1］。新疆作為我國(guó)穩(wěn)定的三大季節(jié)性積雪區(qū)之一［2］，其大范圍積雪覆蓋的相關(guān)信息研究為亞洲季風(fēng)氣候、降水等課題提供了可靠的參考來(lái)源，同時(shí)對(duì)當(dāng)?shù)氐Y源管理、強(qiáng)降雪等災(zāi)害預(yù)防以及居民生產(chǎn)生活產(chǎn)生一定的影響，因此構(gòu)建高精度、高效率、高穩(wěn)定性的積雪覆蓋度反演模型具有重要的科學(xué)與現(xiàn)實(shí)意義。在多分辨率遙感衛(wèi)星技術(shù)發(fā)展之前，新疆區(qū)域的積雪監(jiān)測(cè)研究受地面氣象站點(diǎn)的數(shù)量少及不均勻分布的限制，無(wú)法提供范圍廣、空間代表性強(qiáng)的數(shù)據(jù)資料。

相比傳統(tǒng)二值化積雪遙感產(chǎn)品，基于亞像元尺度下的積雪覆蓋度（Fractional Snow Cover，F(xiàn)SC）估算產(chǎn)品能為下墊面類型復(fù)雜、混合像元嚴(yán)重以及邊緣信息模糊的積雪地區(qū)提供更細(xì)致、準(zhǔn)確的積雪面積參數(shù)。目前，通過光學(xué)和微波遙感獲得積雪范圍遙感監(jiān)測(cè)與制圖的衛(wèi)星數(shù)據(jù)［3］。由于微波遙感數(shù)據(jù)受制于較低的空間分辨率，因此基于亞像元尺度的FSC 反演方法的研究多集中于光學(xué)遙感資料。光學(xué)遙感FSC 的反演算法大致分為線性回歸算法、基于光譜分析的混合像元分解算法和基于機(jī)器學(xué)習(xí)算法。

文獻(xiàn)［3］基于雪蓋算法提出FSC 與歸一化冰雪指數(shù)（NDSI）存在著正相關(guān)線性關(guān)系的概念，并給出了相應(yīng)的計(jì)算模型，為后期各類型FSC 的估算研究提供了思路。隨著FSC 研究的不斷深入，研究人員發(fā)現(xiàn)經(jīng)驗(yàn)算法在處理地物類型復(fù)雜研究區(qū)域的FSC估算工作中存在一定的不足，僅利用各類型影響因子建立的積雪覆蓋度線性關(guān)系模型通常存在泛化能力較差、穩(wěn)定性低的問題。

大多數(shù)研究人員通過構(gòu)建混合像元分解模型來(lái)解決FSC 估算問題。文獻(xiàn)［4］提出基于Landsat8 TM的積雪制圖算法，通過決策樹的回歸與分類模型對(duì)TM 圖像進(jìn)行解混。文獻(xiàn)［5］提出一種基于光譜線性混合與輻射傳輸?shù)闹蟹直媛食上窆庾V儀（MODIS）積雪覆蓋率和雪粒徑反演的模型（MODSCAG），該模型準(zhǔn)確率較高，但容易產(chǎn)生大量無(wú)意義的負(fù)值。近年來(lái)，國(guó)內(nèi)基于混合像元分解理論的研究也取得一些進(jìn)展。文獻(xiàn)［6］通過對(duì)MOD09GA 數(shù)據(jù)進(jìn)行純凈像元自動(dòng)提取，并采用多端元光譜混合分析實(shí)現(xiàn)FSC 反演。文獻(xiàn)［7］利用空間光譜端元提取方法自動(dòng)提取端元，通過全約束最小二乘法求解線性混合模型，基于此，提出國(guó)產(chǎn)FY-3D 衛(wèi)星MERSI-II 資料積雪覆蓋率提取算法。混合像元分解方法在各項(xiàng)參數(shù)可靠的基礎(chǔ)上能夠解決積雪覆蓋度的估算問題，但在現(xiàn)實(shí)情況中參數(shù)的獲取面臨儲(chǔ)多困難，且該方法的運(yùn)算量較大。

近年來(lái)，研究人員嘗試?yán)靡陨疃葘W(xué)習(xí)為代表的人工智能技術(shù)解決數(shù)據(jù)來(lái)源廣、尺度不一的遙感數(shù)據(jù)解譯以及參數(shù)反演的問題。文獻(xiàn)［8］將MODIS地表反射率、NDSI、NDVI 和地表覆蓋類型數(shù)據(jù)作為輸入，基于人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于FSC 估算。文獻(xiàn)［9］將小波分析技術(shù)與ANN 模型相結(jié)合，F(xiàn)SC 提取結(jié)果表明通過小波變換進(jìn)行預(yù)處理，能夠顯著提高積雪覆蓋度估算精度。文獻(xiàn)［10］以MODIS 地表反射率數(shù)據(jù)、NDSI、地表溫度、海拔等數(shù)據(jù)作為輸入，以Landsat/ETM+積雪范圍作為樣本標(biāo)簽，基于BP 神經(jīng)網(wǎng)絡(luò)模型在黑河流域進(jìn)行FSC 反演。文獻(xiàn)［11］使用線性回歸、混合像元分解及BP 神經(jīng)網(wǎng)絡(luò)方法分別對(duì)山區(qū)FSC 進(jìn)行估算，結(jié)果表明，在地形復(fù)雜的現(xiàn)實(shí)條件下，考慮多因素的線性回歸模型能夠?qū)崿F(xiàn)更高的預(yù)測(cè)精度和穩(wěn)定性。

隨著國(guó)產(chǎn)衛(wèi)星遙感技術(shù)的快速發(fā)展，尤其是我國(guó)新一代地球靜止軌道氣象衛(wèi)星風(fēng)云四號(hào)A 星（FY-4A）的正式投入使用，其搭載的多通道輻射掃描計(jì)（AGRI）具有較高的時(shí)間分辨率，利用AGRI 時(shí)序特征可以提取更多相關(guān)信息。在FSC 反演過程中，預(yù)測(cè)模型的精度一定程度上依賴于數(shù)據(jù)源的空間分辨率，尤其在面對(duì)混合像元現(xiàn)象嚴(yán)重的研究區(qū)域時(shí)，通常不符合精度標(biāo)準(zhǔn)要求。

本文提出一種基于多尺度特征融合網(wǎng)絡(luò)的積雪覆蓋度估算方法。根據(jù)FY-4A/AGRI 遙感數(shù)據(jù)，基于ResNet 網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合特征金字塔模式對(duì)卷積層特征圖進(jìn)行重構(gòu)，融合深度網(wǎng)絡(luò)中深、淺層特征的多尺度信息，增強(qiáng)網(wǎng)絡(luò)模型的特征表達(dá)能力，從而得到精度較高的積雪覆蓋度估算結(jié)果，同時(shí)為國(guó)產(chǎn)遙感衛(wèi)星下的積雪大范圍覆蓋研究提供有效的FSC 參數(shù)。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

新疆地區(qū)與西藏、東北地區(qū)并列，是我國(guó)季節(jié)性積雪資源最為豐富的省份之一［12］。研究結(jié)果表明，近五十年來(lái)新疆地區(qū)的積雪期一般從當(dāng)年11 月份持續(xù)到次年3 月份，積雪空間分布規(guī)律遵循北多南少，積雪豐富區(qū)域大多分布在天山山區(qū)和新疆北部阿勒泰、塔城和伊犁河谷。新疆地區(qū)地理高程及研究數(shù)據(jù)源分布如圖1 所示（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版）。新疆年平均自然降水量?jī)H為155 mm，積雪融水為河川徑流和生態(tài)發(fā)展提供了主要水資源［13］。降雪與融雪從兩個(gè)方面影響著當(dāng)?shù)亻L(zhǎng)期的生產(chǎn)環(huán)境，過于頻繁的降雪使得牧區(qū)草場(chǎng)被積雪長(zhǎng)時(shí)間覆蓋，難以保障畜牧正常覓食活動(dòng)，而積雪消融期的融雪性洪水給當(dāng)?shù)鼐用竦纳a(chǎn)和生活帶來(lái)巨大的阻礙。由于新疆的地面氣象站分布稀疏，地面積雪觀測(cè)資料較為缺乏，因此高時(shí)空分辨率的遙感積雪資料對(duì)新疆地區(qū)積雪范圍監(jiān)控有著重要意義。

圖1 新疆?dāng)?shù)字高程及研究數(shù)據(jù)源分布Fig.1 Distribution of digital elevation and research data sources in Xinjiang

1.2 數(shù)據(jù)來(lái)源及處理

1.2.1 FY-4A/AGRI 數(shù)據(jù)

FY-4A 是我國(guó)第二代地球靜止軌道（GEO）定量遙感衛(wèi)星的首顆星［14］，AGRI 作為其主要載荷之一，可實(shí)現(xiàn)分鐘級(jí)的區(qū)域快速掃描。輻射成像通道覆蓋了可見光、短紅外波、中波紅外和長(zhǎng)波紅外等波段。本文使用AGRI L1 級(jí)產(chǎn)品2 000 m 空間分辨率的7通道影像數(shù)據(jù)作為主要研究數(shù)據(jù)，具體通道數(shù)據(jù)信息如表1 所示。

表1 FY-4A/AGRI 7 通道數(shù)據(jù)信息Table 1 Data information of FY-4A/AGRI 7 channels

由于地形起伏、大氣折射、地球自轉(zhuǎn)等因素導(dǎo)致遙感圖像在地理位置上發(fā)生變化［15］。為排除上述因素帶來(lái)的誤差，本文需要對(duì)原始影像數(shù)據(jù)結(jié)構(gòu)進(jìn)行重建。AGRI 數(shù)據(jù)預(yù)處理主要分為可見光近紅外波段定標(biāo)、幾何校正、矢量裁剪3 個(gè)步驟。FY-4A/AGRI數(shù)據(jù)源預(yù)處理流程如圖2 所示。幾何校正采用地理位置查找表（GLT）將源影像轉(zhuǎn)換成0.02°等經(jīng)緯度影像，以完成待處理數(shù)據(jù)中每個(gè)像元與地理空間信息的匹配，根據(jù)新疆區(qū)域矢量文件裁剪出感興趣區(qū)域文件，最終獲得預(yù)處理后的圖像。新疆地區(qū)FY-4A/AGRI 真彩圖像如圖3 所示（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版）。

圖2 FY-4A/AGRI 數(shù)據(jù)源預(yù)處理流程Fig.2 Preprocessing procedure of FY-4A/AGRI data source

圖3 新疆地區(qū)FY-4A/AGRI 真彩圖像Fig.3 True color images of FY-4A/AGRI in Xinjiang

1.2.2 地理信息數(shù)據(jù)源和特征參數(shù)

地理信息數(shù)據(jù)源包括地理高程數(shù)據(jù)、坡度和坡向數(shù)據(jù)。本文采用GTOPO30（Global 30 Arc-Second Elevation）作為高程數(shù)據(jù)。高程數(shù)據(jù)、坡度和坡向數(shù)據(jù)主要反映研究區(qū)域的地理特征，其中坡度和坡向數(shù)據(jù)由高程數(shù)據(jù)計(jì)算得出，增加坡度和坡向地理信息數(shù)據(jù)為FSC 提取模型的輸入增添了多樣性，同時(shí)也為積雪不規(guī)則分布地區(qū)的FSC 反演工作增加了穩(wěn)定性因素，新疆地區(qū)坡度和坡向圖分別如圖4、圖5所示（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版）。

圖4 新疆地區(qū)坡度圖Fig.4 Slope map in Xinjiang

圖5 新疆地區(qū)坡向圖Fig.5 Aspect map in Xinjiang

1）歸一化冰雪指數(shù)（NDSI）用于區(qū)別云雪在AGRI 通道1 和通道5 反射率差異，如式（1）所示：

2）歸一化植被指數(shù)（NDVI）用于反映植被覆蓋情況，包括AGRI 通道5 和通道3，如式（2）所示：

1.2.3 積雪遙感產(chǎn)品（MOD10A1）

本文使用的MODIS 每日積雪產(chǎn)品MOD10A1來(lái)源于美國(guó)國(guó)家航空航天局（National Aeronautics and Space Administration，NASA）的地球觀測(cè)系統(tǒng)數(shù)據(jù)及信息系統(tǒng)網(wǎng)站［12］，被廣泛用于積雪范圍的監(jiān)測(cè)和研究。

為實(shí)現(xiàn)MODSI 數(shù)據(jù)的FSC 制圖，文獻(xiàn)［13］構(gòu)建一種NDSI 和FSC 的線性關(guān)系模型，如式（3）所示：

本文將MOD10A1 產(chǎn)品數(shù)據(jù)投影到WGS84 地理坐標(biāo)系，使用Google Earth Engine 大數(shù)據(jù)云平臺(tái)，根據(jù)式（3）輸出FSC 通道數(shù)據(jù)。

1.2.4 真值標(biāo)簽

真值標(biāo)簽的制作是有監(jiān)督深度學(xué)習(xí)方法的關(guān)鍵步驟［16］。本文FSC 真值標(biāo)簽來(lái)源于30 m 空間分辨率的Landsat8-OLI 陸地成像儀拍攝的影像，2019 年1 月29 日軌道號(hào)為147031 的Landsat8-OLI 遙感影像FSC 的真值提取圖像如圖6 所示，估算方法如下：

圖6 Landsat8-OLI 遙感影像積雪覆蓋度提取圖像Fig.6 Image extracted from Landsat8-OLI remote sensing FSC

1）基于Google Earth Engine 大數(shù)據(jù)平臺(tái)，篩選出云覆蓋不高于10%的Landsat8-OLI 影像，將符合要求的圖像按式（4）提取FSC；

2）將真值圖投影成WGS84 地理坐標(biāo)系，將其與AGRI 預(yù)處理后的遙感數(shù)據(jù)進(jìn)行像元對(duì)像元的地理配準(zhǔn)，如式（4）所示：

3）使用ENVI 遙感數(shù)據(jù)處理工具，通過像素聚類方法將30 m 空間分辨率真值圖重采樣到2 000 m 空間分辨率。

2 本文方法

用于FSC 研究的遙感數(shù)據(jù)規(guī)模龐大，其在不同波段的光譜信息和地理信息要素之間存在十分復(fù)雜的非線性關(guān)系，然而，深度學(xué)習(xí)方法具有較高的非線性擬合能力和運(yùn)算效率［17］。在此基礎(chǔ)上，本文構(gòu)建一個(gè)基于ResNet的改進(jìn)網(wǎng)絡(luò)模型，對(duì)新疆地區(qū)FY-4A/AGRI FSC 進(jìn)行估算與研究，其方法流程如圖7 所示。云/雪的誤判是影響積雪遙感產(chǎn)品精度的一個(gè)重要因素，當(dāng)?shù)匦位驓庀髼l件變得嚴(yán)峻時(shí)，尤其在新疆的高海拔地區(qū)，存在大量混淆信息。去云算法是根據(jù)FY-4A/AGRI 高時(shí)間分辨率特性，基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)積雪的時(shí)序特征進(jìn)行提取，從而降低云雪誤判概率。

圖7 本文方法流程Fig.7 Procedure of the proposed method

2.1 深度殘差網(wǎng)絡(luò)

2.1.1 殘差學(xué)習(xí)

網(wǎng)絡(luò)的加深可以提取更復(fù)雜的特征，以達(dá)到更高的預(yù)測(cè)精度，但是在網(wǎng)絡(luò)學(xué)習(xí)過程中僅采用堆疊層數(shù)、加深網(wǎng)絡(luò)的方式，通常存在梯度爆炸和梯度消失的問題［18］。深度殘差網(wǎng)絡(luò)（ResNet）通過構(gòu)建恒等映射為向量輸入-輸出增加多條短路連接路徑，進(jìn)而快速有效地解決網(wǎng)絡(luò)退化的問題。深度殘差網(wǎng)絡(luò)模型由若干個(gè)基本殘差單元組合而成，基本殘差單元如式（5）所示：

深度殘差網(wǎng)絡(luò)通過遞歸可將任意層的殘差單元的特征XL表達(dá)出來(lái)，如式（6）所示：

其中：Xl為對(duì)應(yīng)殘差單元的輸入；F為殘差函數(shù)。

殘差單元的學(xué)習(xí)過程如圖8 所示，通過圖8 中捷徑連接的方式（相當(dāng)于電路連接中的短路操作）直接將輸入Block 的x傳播到輸出位置，并將其作為初始結(jié)果H（x），當(dāng)F（x）=0 時(shí)，即H（x）=x，以實(shí)現(xiàn)恒等映射。輸入信息的傳遞可通過捷徑連接方式跨過若干冗余層，再將誤差通過捷徑連接方式向上傳播。

圖8 殘差單元學(xué)習(xí)過程Fig.8 Learning process of residual unit

2.1.2 ResNet 網(wǎng)絡(luò)結(jié)構(gòu)

相比卷積神經(jīng)網(wǎng)絡(luò)的其他經(jīng)典架構(gòu)（如VGG、AlexNet 等），ResNet 具有層級(jí)結(jié)構(gòu)清晰、特征表達(dá)能力較好、傳播效率高等優(yōu)點(diǎn)，其主要結(jié)構(gòu)由卷積層、池化層、全連接層組成，如圖9 所示。

圖9 ResNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 Structure of ResNet network

ResNet 網(wǎng)絡(luò)模型具有較高的數(shù)據(jù)利用率、較低的冗余信息和良好的可優(yōu)化性，能較好地匹配光譜信息與地理因素間的非線性關(guān)系，因此適用于解決遙感積雪覆蓋度反演的問題。但是ResNet 網(wǎng)絡(luò)深層的特征圖具有較低的分辨率，缺乏對(duì)空間幾何細(xì)節(jié)的表達(dá)，在一定程度上會(huì)影響模型的估算精度，在地形復(fù)雜、邊緣信息模糊的研究區(qū)條件下，難以呈現(xiàn)細(xì)節(jié)豐富的FSC 制圖。

2.2 積雪覆蓋度估算方法

深層特征圖和淺層特征圖在語(yǔ)義表達(dá)和空間表達(dá)方面具有不同的優(yōu)勢(shì)［19］。基于深度殘差網(wǎng)絡(luò)和特征金字塔模式融合高層與低層特征的表達(dá)優(yōu)勢(shì)，本文綜合考慮預(yù)測(cè)結(jié)果和地理空間分布兩個(gè)層面，提出一種更合理的FSC 估算方法。

2.2.1 降維和上采樣

由于ResNet 網(wǎng)絡(luò)的卷積過程是自底向上的，輸出的特征也是越來(lái)越深的，因此在初步的特征提取過程中，本文對(duì)高、低層特征圖自頂向下、由深至淺進(jìn)行1×1 的卷積降維，使得高層特征圖的通道數(shù)與鄰近特征層的通道數(shù)相匹配。本文采用最鄰近差值法依次對(duì)降維后的每層特征進(jìn)行尺度為2 的上采樣操作，該方法在保持高速率運(yùn)算的同時(shí)，還最大程度地保留了語(yǔ)義信息。

2.2.2 特征重構(gòu)

特征的提取與重構(gòu)主要分為2 個(gè)步驟。

1）通過ResNet 網(wǎng)絡(luò)對(duì)FY-4A/AGRI 遙感圖像進(jìn)行初步的特征提取，由于第1 個(gè)STAGE 卷積層輸出的低層特征不具備較多的語(yǔ)義信息，因此只對(duì)STAGE2～STAGE5 共4 個(gè)階段的激活特征進(jìn)行重構(gòu)，分別對(duì)應(yīng)為c2、c3、c4、c5。STAGE2～STAGE5 每個(gè)階段的卷積層3×3。

2）c2、c3、c4、c5 共4 個(gè)階段特征圖遵循從高到低逐層上采樣的規(guī)律，將上采樣映射結(jié)果疊加到相同分辨率的鄰近層特征圖上，每個(gè)階段的輸出結(jié)果都作為下一個(gè)階段的輸入，分別對(duì)應(yīng)為S1、S2、S3，重構(gòu)過程如圖10 所示。其中：L1 為AGRI 7 通道光譜數(shù)據(jù)；L2 為地理數(shù)據(jù)層；X2 為尺度為2 的上采樣操作；將升采樣后的特征圖疊加到相應(yīng)尺度的特征圖上，通過逐層的疊加與組合，最終生成增強(qiáng)的特征信息。重構(gòu)過程的參數(shù)信息如表2 所示。

表2 特征重構(gòu)參數(shù)信息Table 2 Parameters information of feature reconstruction

圖10 基于ResNet 改進(jìn)網(wǎng)絡(luò)的積雪覆蓋度估算流程Fig.10 Estimation procedure of FSC based on ResNet improved network

損失函數(shù)通過度量真實(shí)值與預(yù)測(cè)值之間的偏差，以衡量模型預(yù)測(cè)效果［20］。本文對(duì)融合FY-4A/AGRI 光譜信息和地理特征信息后的遙感數(shù)據(jù)進(jìn)行回傳損失，損失表達(dá)如式（7）所示：

其中：n為輸入圖像像素?cái)?shù)量之和；ti為FSC 真實(shí)值；pi為FSC 預(yù)測(cè)值。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)設(shè)計(jì)

本文方法將2018 年11 月 至2020 年1 月FY-4A/AGRI 2 000 m 空間分辨率的L1 級(jí)數(shù)據(jù)的衛(wèi)星影像數(shù)據(jù)作為主要數(shù)據(jù)來(lái)源。按照80%和20%的占比劃分為訓(xùn)練集和測(cè)試集。選擇MODIS 過境新疆地區(qū)的MOD10A1 積雪產(chǎn)品V006 版本的遙感影像用于與本文FSC 估算方法進(jìn)行對(duì)比分析。其中，MOD10A1 的載體為太陽(yáng)同步極軌衛(wèi)星，每日固定過境時(shí)間采用西八區(qū)計(jì)時(shí)規(guī)則，AGRI 研究數(shù)據(jù)采用與MOD10A1 成像時(shí)間最接近的5 時(shí)30 分的影像。真值標(biāo)簽的設(shè)計(jì)與制作采用Landsat8-OLI 30 m 空間分辨率遙感圖像，篩選云量低于10%并符合要求的圖像，共計(jì)70 幅遙感源影像，驗(yàn)證集4 幅遙感源影像。實(shí)驗(yàn)硬件環(huán)境為：Intel i9-9900K 16 核心CPU、Nvidia RTX2080 Ti 11GB 顯存。軟件環(huán)境為：python3.7、Ptorch 學(xué)習(xí)框架、pycharm 集成開發(fā)環(huán)境。

3.2 對(duì)比與驗(yàn)證

本文采用新疆地區(qū)的A1、A2、A3、A4 共4 個(gè)樣本區(qū)作為主要研究區(qū)域，使用4 種不同的FSC 估算方法，分別為基于線性回歸算法代表的MOD10_FSC、基于深度學(xué)習(xí)算法的 BP-ANN_FSC、ResNet_FSC，以及本文提出的Our_FSC。本文將提取的Landsat 8 FSC 通道數(shù)據(jù)作為真值，基于FY-4A/AGRI 和MOD10A1 影像數(shù)據(jù)進(jìn)行遙感FSC 的提取研究。圖11 為新疆地區(qū)FSC 比例化制圖（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版），其中圖像中FSC 值的區(qū)間為0～1，不同的比例值呈現(xiàn)在不同的顏色區(qū)間內(nèi)。

圖11 新疆全景積雪覆蓋度比例化制圖Fig.11 Proportional mapping of panoramic FSC in Xinjiang

本文使用相關(guān)系數(shù)（R-Square）、解釋回歸模型方差得分（Explained Variance Score，EVS）和均方誤差（Mean Squared Error，MSE）作為模型的評(píng)估指標(biāo)。表3 為不同F(xiàn)SC 估算方法與真值對(duì)3 種評(píng)估指標(biāo)的擬合結(jié)果。本文方法在4 個(gè)樣本區(qū)與真值FSC的R-Square 平均值為0.57，EVS 平均值為0.65，MSE平均值為0.10。

表3 不同積雪覆蓋度估算方法與真值的擬合結(jié)果Table 3 Fitting results of different FSC estimation methods and true values

圖12 為 在A1（2018 年12 月5 日）、A2（2019 年1 月29 日）、A3（2019 年2 月14 日）、A4（2019 年11 月19 日）樣本區(qū)不同F(xiàn)SC 估算方法的比例化制圖對(duì)比（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版）。

圖12 不同積雪覆蓋率估算方法的比例化制圖對(duì)比Fig.12 Proportional mapping comparison among different FSC estimation methods

從4 組實(shí)驗(yàn)提供的比例化制圖的成像效果可以得出以下結(jié)論：

1）MOD10_FSC 方法對(duì)比例值低于0.3 的區(qū)域不敏感，即呈現(xiàn)的藍(lán)紫色塊較少，且在部分區(qū)域的色塊呈現(xiàn)“過紅”現(xiàn)象，間接說明MOD10_FSC 方法會(huì)高估像元預(yù)測(cè)值。

2）BP-ANN_FSC 方法的比例化制圖整體成像效果與真值標(biāo)簽圖相比，A1～A3 組實(shí)驗(yàn)在積雪豐富區(qū)域存在較嚴(yán)重的低估現(xiàn)象。在A4 組實(shí)驗(yàn)中，該方法與ResNet-FSC 方法出現(xiàn)了對(duì)積雪覆蓋度的低估現(xiàn)象。在BP-ANN_FSC 與相同分辨率的Our_FSC 方法的成像效果對(duì)比時(shí)，BP-ANN_FSC 方法的比例化制圖相近顏色色塊分布較為集中，說明該方法無(wú)法精準(zhǔn)地預(yù)測(cè)比例值相差較小的區(qū)域。

3）ResNet_FSC 方法，雖然在A2組實(shí)驗(yàn)中R-Square擬合精度略高于MOD10_FSC 方法，但平均精度和穩(wěn)定性較低。與本文方法相比，ResNet_FSC 方法呈現(xiàn)的比例化制圖的紋理不清晰，對(duì)細(xì)節(jié)特征的表達(dá)能力較差，無(wú)法完成高精度的FSC 反演工作。

本文方法的主要優(yōu)勢(shì)與特點(diǎn)在于：FY-4A/AGRI數(shù)據(jù)源具有較高的時(shí)間分辨率，從而提供更多的光譜信息特征；采用去云算法形成云掩膜，以降低云覆蓋因素帶來(lái)的干擾；基于ResNet網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合特征金字塔模式對(duì)卷積層特征圖進(jìn)行重構(gòu)，以融合深層和淺層特征的表達(dá)優(yōu)勢(shì)，從而更好地?cái)M合光譜信息與地理因素間的非線性關(guān)系，在實(shí)現(xiàn)模型預(yù)測(cè)高精度的同時(shí)保證了FSC 制圖在地理空間分布上的高連續(xù)性。

4 結(jié)束語(yǔ)

積雪覆蓋度估算的相關(guān)研究在一定程度上依賴于遙感數(shù)據(jù)源的分辨率，然而現(xiàn)有深度網(wǎng)絡(luò)模型對(duì)源圖像的特征提取能力有限，對(duì)于中低分辨率遙感數(shù)據(jù)的反演效果不理想。本文提出一種基于多尺度特征融合網(wǎng)絡(luò)的積雪覆蓋度估算方法。通過融合深層和淺層特征的多重語(yǔ)義信息，同時(shí)融入地理信息數(shù)據(jù)，并結(jié)合AGRI 數(shù)據(jù)高時(shí)間分辨率的特性，以提高數(shù)據(jù)源和特征信息的整體利用率，從而得到更準(zhǔn)確和合理化的積雪覆蓋度反演圖像。實(shí)驗(yàn)結(jié)果表明，本文提出的FSC 估算方法能夠充分結(jié)合數(shù)據(jù)源優(yōu)勢(shì)和深度學(xué)習(xí)方法的特點(diǎn)，相比MOD10_FSC、ResNet_FSC 等方法，該方法的R-Square 和EVS 均值分別為0.57 和0.65，能夠得到高精度的積雪覆蓋度估算結(jié)果。后續(xù)將針對(duì)不同地物類型進(jìn)行分類討論，進(jìn)一步提高模型精度和泛化能力。