基于深度學習的水土保持措施遙感解譯信息提取研究

彭道松 聶小飛 莫明浩 計勇

［關鍵詞］水土保持措施；遙感圖像解譯；卷積神經網絡；深度學習模型

［摘要］近年來計算機視覺圖像處理的發展與遙感影像分辨率的提高，使得遙感影像水土保持措施快速精準提取成為可能。為有效推進水土保持措施圖斑精準快速提取的研發與應用，在總結水土保持措施信息提取和衛星遙感影像解譯常用方法的基礎上，系統分析深度學習方法在遙感解譯和遙感影像水土保持措施提取方面的改進與運用，對研究發展趨勢進行了展望分析。

［中圖分類號］S157［文獻標識碼］A［文章編號］1000－0941（2023）04－0045－05

水土保持措施是防治水土流失，保護、改良與合理利用水土資源，改善生態環境所采取的工程、植物和耕作措施[1]。準確判別水土保持措施空間分布是深入研究區域水土流失規律、系統評價水土保持效益、科學開展水土流失動態監測的關鍵。遙感影像是提取水土保持措施的重要依據，但對于大范圍的水土保持信息，無論是野外人工走訪調查還是遙感目視解譯都不能滿足快速提取的要求。近年來隨著計算機硬件性能的快速提升及算法的優化發展，以深度學習為代表的人工智能技術在遙感影像分類與地物提取中逐漸得以應用，并顯現出快速、高效等特點。

1遙感解譯信息提取方法

總體上，水土保持措施信息提取經歷了由目視解譯、計算機半自動化解譯到人工智能自動化遙感解譯的發展過程。

1.1目視解譯

目視解譯是早期水土保持措施信息提取的重要方法。一般是由專業人員對遙感影像進行解譯分類，提取水土保持措施信息等。趙幫元等[2]運用ArcGIS軟件，采用人機交互綜合解譯的方式進行水土保持措施信息的提取和驗證；趙興實等[3]使用目視解譯的方法進行黑龍江省土壤侵蝕調查。由于解譯人員對遙感影像上的圖斑信息存在認知差異、不同時相衛片存在色差等，因此解譯結果受解譯人員主觀影響較大，需要多次交叉檢查和復核，導致解譯時間周期過長。目視解譯是遙感影像解譯最經典的方法，且在使用監督學習或半監督學習開展影像分類時需要基于目視解譯結果進行驗證[4]。

1.2基于像元的提取方法

基于像元的提取方法主要有監督分類和非監督分類兩種。監督分類方法又被稱為訓練分類方法，此類方法在訓練模型時需要收集一定量的樣本數據集，一般通過目視判讀或野外調查的方式進行收集，存在一定的人為主觀性因素，其優勢在于使用經樣本數據集訓練后的分類模型，通過有效的精度測試，可對其他遙感影像數據中的地物信息進行分類。監督分類中遙感影像的空間分辨率對分類結果的精度十分重要，但目前遙感影像主要通過衛片獲取，存在著時間分辨率長、易受大氣環境影響等問題。為彌補這些問題，徐存東等[5]使用高像素的無人機設備收集遙感影像，并使用平行六面體、支持向量機等監督分類方法對研究區域的鹽堿地信息進行提取。基于監督分類的地物信息直接提取，分類精度往往受到所選分類樣本的影響，綜合利用多種地物分類方法可以有效減少錯分，提高總體分類精度。比如，邵安冉等[6]基于歸一化植被指數和歸一化水體指數，采用指數計算和監督分類相結合的融合提取方法，能夠對礦區土地利用信息進行快速識別分類，但適用范圍有待驗證且泛化能力不足。

非監督分類方法又稱聚類分析或者點群分析，常用的有K-means法、ISODATA法等算法。其優勢在于分類前不需要獲得任何的先驗知識，而是通過遙感影像上不同地物的光譜實現特征信息提取，缺點是檢測效率較低。基于這個問題，韓萍等[7]提出了一種圖像與非監督分類結合的提取方法；王冬利等[8]提出了一種以非監督分類為核心結合多尺度數據的地面信息提取模型，使模型能夠達到監督分類的精度。半監督分類方法是近年機器學習領域的一個新的研究方向，其優勢在于可以使用少量的訓練樣本對模型進行訓練，并對沒有標簽的數據進行標簽預測。王立國等[9]提出了一種聯合多種空間信息的高光譜半監督分類方法，對高光譜的影像進行預處理并提取其空間特征信息，在訓練樣本少時較經典監督分類方法能夠提高遙感影像的分類性能。在水土保持措施提取方面，ZHANGHYPERLINK"https：//www.sciencedirect.com/science/article/pii/S2095633916301125"l"！"etal.[10]使用高分一號遙感數據，采用邊緣特征統計算法、模板匹配算法和傅里葉變換算法等3種邊緣檢測算法自動識別提取梯田，結果表明上述方法對典型梯田的識別和提取非常有效，但只考慮了梯田紋理和灰度特征，對其他特征信息關注度不足。

1.3基于面向對象的提取方法

面向對象分類是對遙感影像中地物的紋理、空間等信息進行綜合判斷的一種方法，其對光譜分辨率和空間分辨率要求較高[11]。隨著遙感技術的高速發展，遙感影像的分辨率得到了極大提升，面向對象分類方法的性能也得到了進一步提高。無論是基于樣本還是基于規則的方法，在小區域內的地物信息提取都能夠取得較好的效果，但是對于大區域的地物信息提取卻存在泛化能力不足的問題。張雨果等[12]使用面向對象中基于規則的提取方法對梯田進行提取，并且將監督和非監督分類進行對比，結果表明監督分類的結果存在大量細碎斑塊，“椒鹽”現象嚴重；非監督分類方法的目視效果差，地物錯分、漏分嚴重。相對而言，面向對象分類方法具有更好的性能，能夠比較有效地去除“椒鹽”現象[13]，獲得更好的分類精度。夏晨真等[14]基于厘米級無人機影像，采用面向對象分類方法，選取光譜、地形和紋理等特征進行影像分割，開展水土保持措施信息提取，結果表明橫坡改壟和生態恢復喬木林識別精度較高，分別達到了97.35%和96.61%，而非線型水土保持措施的分類精度遠低于線型水土保持措施的。

2深度學習在遙感解譯中的應用

2.1基于初級卷積神經網絡的遙感解譯

在遙感影像分類解譯中，相較于傳統算法，卷積神經網絡的優點在于能夠獲取大量的表層特征信息及豐富的深層語義信息，具有較高的自動化程度和分類準確度，但缺點是依賴于大量的標簽數據集且模型訓練周期較長。在當前大數據的環境下，各種遙感數據集的豐富和遙感影像分辨率的提高，使得卷積神經網絡遙感解譯相較于傳統的目視解譯，在分類效率、可行性和精度方面均具有較大優勢[15]。將深度學習某單一模型或知識運用于遙感影像分類提取，所取得的分類提取精度、效果往往存在著一定的欠缺，而深度學習知識與其他領域知識聯合構成的系統性綜合卷積神經網絡模型在遙感影像的分類提取中，無論是性能穩定性還是分類提取精度都得到了進一步提高。趙伍迪等[16]提出一種將卷積神經網絡與空間紋理特征相結合的多源遙感數據特征融合的分類模型框架T-F-CNN方法，并與支持向量機分類方法進行了對比，結果表明前者分類精度較高。李道紀等[17]采用VGG16與AlexNet分別提取局部和全局視覺特征，與性能優異的U-Net進行對比，在效果相當的情況下模型收斂時間僅為U-Net網絡的15.46%。AlexNet、VGG等基于初級卷積神經網絡的圖像處理模型在遙感影像的提取分類中單獨運用較少，主要用于輔助開展影圖整體分類，作為語義分割等高級模型的主要特征提取模塊，其原因主要是基于初級卷積神經網絡的圖像處理模型僅對輸入影像進行整體的類別判斷，沒有判別主要識別對象的位置及邊界情況。

2.2基于現階段卷積神經網絡的遙感解譯

隨著卷積神經網絡深度和廣度的不斷拓展，各種優化方式、網絡模型結構在初級網絡模型上發展運用，以及高級卷積神經網絡模型與遙感領域中的綜合知識聯合，使得遙感影像分類提取性能得到不斷提高。深度學習模型的深度增加，意味著模型能夠取得更多的深度語義特性，但模型訓練的時間也隨之增加，導致訓練中存在梯度彌散和梯度消失的情況[18]。DeepLab系列網絡模型在初級卷積神經網絡模型的基礎上逐步引入了空洞卷積，加快了模型訓練速度，減少了訓練時間，并且將隨機條件場（CRF）引入了網絡模型，不僅提高了網絡模型的定位精度，而且使得遙感影像語義分割的邊界更加準確[19]。羅李焱等[20]提出了一種基于DeepLabv3+語義分割模型的高分辨率遙感影像建筑物提取方法，收集了大量的樣本數據集，可有效提取各類建筑物。初級卷積神經網絡（如AlexNet和VGG等）都可通過不斷增加網絡深度來獲取更高的層次遙感影像語義信息，但隨著網絡層數的增加，參數呈幾何級數增長，使得模型難以優化。GoogLeNet系列網絡模型則是從另外一個角度思考和用密集成分來近似最優的局部稀疏結構，通過不斷完善發展來保證模型既能夠保持網絡的稀疏性，又能利用密集矩陣的高計算性[21-22]。韓要昌等[23]在GoogLeNet模型基礎上進行結構改進，提出了GoogLeNet16模型，提高了遙感影像分類準確度；Heetal.[24]提出的ResNet是在深層卷積神經網絡的基礎之上，通過引入殘差單元，來解決由于神經網絡模型過深引起的梯度消失問題，使得ResNet網絡模型的深度更深，從而提高網絡模型的識別準確度；章晨等[25]提出一種基于改進殘差網絡結構的ResNet，以適應背景復雜的遙感圖像數據集，與AlexNet、VGGNet-16等卷積神經網絡模型相比，分類提取準確度得到了小幅提升。

現階段遙感影像分類提取解譯中，運用最廣泛的是各類卷積層深度較深的語義分割模型，此類模型的優勢在于完成遙感影像地物提取特征分類后，通過反卷積解碼對原始遙感影像上的每一個像素進行預測分類，提取地物信息邊界并且進行標識。由于遙感影像尺度較大、地物信息豐富復雜，且遙感影像與圖像級攝影機的分辨率仍然存在較大的差距，因此目前語義分割卷積神經網絡模型在遙感影像提取應用方面仍存在較大局限性。在分辨率較小時，語義分割模型提取的各種光譜、紋理、空間等深層的語義信息較少，對提取分類精度的影響較大。因此，現階段的深度學習模型主要用于紋理、空間、光譜特征較為明顯的道路、水體、建筑物等地物提取。U-Net和DeepLab系列模型是運用較為廣泛且效果得到很多研究者驗證的兩種語義分割模型，它們能夠獲得比傳統遙感影像提取方法更好的提取精度，但訓練模型的過程較長，需要人為調整訓練參數，特別是如果需要調整模型的內部結構則需要比較高的計算機編程能力，且擁有大量遙感領域的知識。

當前階段，遙感數據集還未普遍開源共享，需要自主建立大批的數據標簽集，費時費力，且精度受人為因素影響。

3深度學習在水土保持措施信息提取中的應用

深度學習中卷積神經網絡對于圖像分類任務性能優異，能夠預測出整幅圖像的屬性，但無法預測出遙感影像中地類的邊界，并且對于空間大尺度的遙感影像目標地類信息的提取任務，卷積神經網絡的分步、分割、分類提取在程序上復雜和冗余。而深度學習中全卷積神經網絡語義分割模型分類預測的結果更加注重地物圖斑在待分類影像中的位置、邊界、面積等信息，因此深度學習語義分割模型更加適用于水土保持措施圖斑的提取。

目前主流的語義分割模型有DeepLab、FCN[26]、U-Net[27]、PSPNet[28]等。FCN模型和U-Net模型早期主要應用于醫學影像領域，經過遷移學習和模型適應性場景調整能夠應用于各種遙感地類識別提取。金飛等[29]將改進雙U-Net模型用于道路提取，程銳等[30]將改進多種語義分割模型用于耕地提取，可見通過改進深度學習模型，適用于水土保持措施圖斑提取的方法已經在其他地物深度學習模型分類中得到了成功驗證。針對目前水土保持措施圖斑傳統提取方法費時費力等問題，研究如何改進深度學習模型，實現水土保持措施圖斑的智能、高效、精確提取，具有廣闊的前景。

目前對于深度學習在水土保持措施圖斑提取方面的研究成果仍較少，與水土保持措施圖斑的公開數據集有限、圖斑在遙感影像中面積較小、部分措施目視解譯很難分辨有關。因此，現階段主要應用于提取特征信息顯著的水土保持措施圖斑，如工程措施中二級分類梯田（因其形狀規則且與其他地類信息有較為顯著的差異）和生物措施中二級分類造林、種草等。例如，楊亞男等[31]采用以VGG19網絡模型為基礎構建的FCN-8s模型，深度學習后可實現梯田精細化邊界預測和高精度面積提取；白翠[32]將基于MobileNet主干網絡和基于ResNet50主干網絡的深度學習PSPNet模型運用于梯田提取，對比結果表明在驗證精度最優的網絡參數下，基于ResNet主干網絡模型的提取效果明顯優于基于MobileNet主干網絡模型的。郭爭強[33]使用膠囊網絡對新疆唐布拉草地進行分類，結果表明該矢量深度學習模型相較于支持向量機等傳統遙感解譯方法有更好的分類精度，但缺乏與主流的深層卷積模型的對比數據。唐川江等[34]利用DeepLabv3+模型對爐霍縣、丹巴縣、阿壩縣、金陽縣等地的草地進行分類提取，結果表明DeepLabv3+模型與人工判讀的結果相近，比傳統監督分類方法精度更高。劉春亭等[35]利用DeepLabv3+模型對城市的防塵綠網等進行提取，與傳統NDVI方法和經典語義分割模型對比，DeepLabv3+模型具有更高的提取精度，但DeepLabv3+模型對防塵綠網的提取精度略低于其他地物的。葛小三等[36]也得到結論，使用DeepLabv3+模型對道路提取的精確率等高于防塵綠網的。綜上，目前在應用層面，深度學習的水土保持措施信息遙感智能解譯主要是有關面措施的提取，主要集中在梯田等工程措施提取方向，而對于其他的點、線型水土保持措施圖斑，受影像分辨率等因素限制，仍難以取得精準的提取結果。

4結語

隨著無人機影像在小區域遙感分類中的運用，遙感影像的分辨率大幅提高，無論是傳統分類還是深度學習分類的提取精度都得到極大提高。在遙感分類提取中運用深度學習起步較晚，目前主要集中在特征顯著的地物提取上，主要采用卷積神經網絡語義分割模型，相較于傳統的解譯方法提取精度有所提高，但依賴于高分辨率的遙感影像和大量有關地物的標簽數據集，且主要集中于真彩色圖斑提取，對于多光譜信息尚有待發掘運用。

水土保持措施遙感解譯經歷了從傳統費時費力的人工解譯到面向對象的半自動或全自動計算機解譯，逐漸步入到基于深度學習等人工智能技術的智能解譯階段，使水土保持措施信息的高效精準提取逐步成為可能。目前深度學習在水土保持信息提取領域還存在一些有待深入研究的方向：注重遙感影像數據的多源融合，結合無人機等其他高分辨影像，增強各種水土保持圖斑的空間、紋理、顏色特征，進一步提高中小圖斑水土保持措施的辨識率；應用深度學習提取水土保持措施時要想獲得更高的精度，需要依靠海量的水土保持措施圖斑標簽數據集，因此建立包含各種水土保持措施的大容量標簽數據集至關重要；耦合計算機視覺算法及水土保持領域知識的判別方式有望進一步提高水土保持措施提取精度。

[參考文獻]

[1]袁希平，雷廷武.水土保持措施及其減水減沙效益分析[J].農業工程學報，2004（2）：296-300.

[2]趙幫元，馬寧，楊娟，等.基于不同分辨率遙感影像提取的水土保持措施精度分析[J].水土保持通報，2012，32（4）：154-157.

[3]趙興實，田中雨，劉巖，等.衛片目視解譯在土壤侵蝕現狀調查中的應用[J].水土保持通報，1996，16（1）：149-152.

[4]陳斌，王宏志，徐新良，等.深度學習GoogleNet模型支持下的中分辨率遙感影像自動分類[J].測繪通報，2019（6）：29-33，40.

[5]徐存東，李洪飛，谷豐佑，等.基于無人機遙感影像的鹽堿地信息的精準提取方法[J].中國農村水利水電，2021（8）：116-122.

[6]邵安冉，李新舉，周晶晶.基于Sentinel-2A影像的礦區土地利用信息提取方法[J].山東農業大學學報（自然科學版），2020，51（3）：441-446.

[7]韓萍，劉亞芳，韓賓賓，等.圖像分割與分類相結合的PolSAR圖像機場跑道區域檢測[J].信號處理，2021，37（11）：2084-2096.

[8]王冬利，張安兵，趙安周，等.非監督分類的冬小麥種植信息提取模型[J].測繪通報，2019（8）：68-71，77.

[9]王立國，馬駿宇，李陽.聯合多種空間信息的高光譜半監督分類方法[J].哈爾濱工程大學學報，2021，42（2）：280-285.

[10]ZHANGY，SHIMC，ZHAOX，etal.Methodsforautomaticidentificationandextractionofterracesfromhighspatialresolutionsatellitedata（China-GF-1）[J].InternationalSoil&WaterConservationResearch，2017，5（1）：17-25.

[11]劉潔，賴格英，宋月君，等.水土保持措施圖斑遙感識別提取研究進展[J].水土保持應用技術，2020（5）：38-42.

[12]張雨果，王飛，孫文義，等.基于面向對象的SPOT衛星影像梯田信息提取研究[J].水土保持研究，2016，23（6）：345-351.

[13]常虹，詹福雷，楊國東，等.面向對象的高分遙感影像信息提取技術研究[J].測繪通報，2015（1）：99-101，130.

[14]夏晨真，張月.基于厘米級無人機影像的水土保持措施精準識別[J].水土保持學報，2020，34（5）：111-118，130.

[15]曹林林，李海濤，韓顏順，等.卷積神經網絡在高分遙感影像分類中的應用[J].測繪科學，2016，41（9）：170-175.

[16]趙伍迪，李山山，李安，等.結合深度學習的高光譜與多源遙感數據融合分類[J].遙感學報，2021，25（7）：1489-1502.

[17]李道紀，郭海濤，張保明，等.結合雙視覺全卷積網絡的遙感影像地物提取[J].中國圖象圖形學報，2020，25（3）：535-545.

[18]董蘊雅，張倩.基于CNN的高分遙感影像深度語義特征提取研究綜述[J].遙感技術與應用，2019，34（1）：1-11.

[19]CHENLC，PAPANDREOUG，KOKKINOSI，etal.DeepLab：semanticimagesegmentationwithdeepconvolutionalnets，atrousconvolution，andfullyconnectedCRFs[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2018，40（4）：834-848.

[20]羅李焱，朱婷萼，張桂銘，等.基于DeepLabv3+模型的高分辨率遙感影像建筑物提取[J].電子信息對抗技術，2021，36（4）：65-69，73.

[21]IOFFES，SZEGEDYC.Batchnormalization：acceleratingdeepnetworktrainingbyreducinginternalcovariateshift[C].France：JMLR.org，2015：448-456.

[22]SZEGEDYC，IOFFES，VANHOUCKEV，etal.Inception-v4，Inception-ResNetandtheimpactofresidualconnectionsonlearning[C].MenloPark：AAAIPress，2017：4278-4284.

[23]韓要昌，王潔，史通，等.基于改進GoogLeNet的遙感圖像分類方法[J].彈箭與制導學報，2019，39（5）：139-142，153.

[24]HEKMHYPERLINK"https：//ieeexplore.ieee.org/author/37085360867"，ZHANGXYHYPERLINK"https：//ieeexplore.ieee.org/author/37088458974"，RENSHYPERLINK"https：//ieeexplore.ieee.org/author/37085368998"Q，etal.Deepresiduallearningforimagerecognition[C].LasVegas：2016IEEEConferenceonComputerVisionandPatternRecognition（CVPR），2016：770-778.

[25]章晨，夏凱，楊垠暉，等.改進殘差網絡的遙感圖像場景分類[J].測繪科學，2020，45（8）：151-156.

[26]SHELHAMERE，LONGJ，DARRELLT.Fullyconvolutionalnetworksforsemanticsegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2017，39（4）：640-651.

[27]RONNEBERGERO，FISCHERP，BROXT.U-Net：Convolutionalnetworksforbiomedicalimagesegmentation[C].Berlin：SpringerInternationalPublishing，2015，9351：234-241.

［28］ZHAOHS，SHIJP，QIXJ，etal.Pyramidsceneparsingnetwork[C].LosAlamitos：2017IEEEConferenceonComputerVisionandPatternRecognition（CVPR），2017：6230-6239.

[29]金飛，王龍飛，劉智，等.一種雙U-Net的遙感影像道路提取方法[J].測繪科學技術學報，2019，36（4）：377-381，387.

[30]程銳，魏妍冰，陸苗，等.基于集成深度學習模型的耕地地塊提取[J].中國農業資源與區劃，2022，43（7）：273-281.

[31]楊亞男，張宏鳴，李杭昊，等.結合FCN和DenseCRF模型的無人機梯田識別方法研究[J].計算機工程與應用，2021，57（3）：222-230.

[32]白翠.基于深度學習梯田信息提取及其對土壤侵蝕量估算的影響[D].西安：西安科技大學，2021：25-26.

[33]郭爭強.基于深度學習的草地變化監測研究[D].成都：電子科技大學，2020：38-40.

[34]唐川江，唐古拉，魯巖，等.基于深度學習方法的草地信息智能提取研究[J].中國草地學報，2020，42（3）：175-180.

[35]劉春亭，馮權瀧，劉建濤，等.DeepLabv3+語義分割模型的濟南市防塵綠網提取及時空變化分析[J].遙感學報，2022，26（12）：2518-2530.

[36]葛小三，曹偉.一種改進DeepLabV3+網絡的高分辨率遙感影像道路提取方法[J].遙感信息，2022，37（1）：40-46.

［作者簡介］彭道松（1997—），男，江西宜春人，碩士研究生，主要從事水土保持和水資源信息化技術研究；通信作者莫明浩（1981—），男，江西撫州人，博士，教授級高級工程師，主要從事水土保持與生態環境方面的研究。［收稿日期］2022-06-01

（責任編輯李楊楊）

［基金項目］國家自然科學基金項目（42067020）；江西省水利廳科技項目（202123YBKT16，202325ZDKT02）；江西省博士后科研擇優資助項目（2019KY46）；南昌工程學院校級研究生創新計劃項目（YJSCX202106）