聯合上下文感知與邊界約束的遙感影像林地提取方法

摘要：準確地提取林地分布信息是林地管理、保護和可持續利用的關鍵步驟。針對現有林地提取方法精度較低且邊緣不夠精細的問題，提出一種聯合上下文感知與邊界約束（CABC-Net）的遙感影像林地提取方法。首先，設計上下文感知（CA）模塊，用于探索空間像素信息之間的聯系，并通過層間特征傳遞提取足夠的全局上下文信息，以降低上下文差異和復雜背景對檢測結果的干擾。其次，為進一步優化邊緣細節，提出邊界約束（BC）模塊，將邊界特征與深層特征結合作為模型的輔助特征，縮小定位林地邊界的波動范圍，校準不確定性區域以提高邊界判別能力。最后，為驗證方法的有效性，建立一個新的數據集并開展案例試驗分析。結果表明，該方法交并比提高0.55%～9.45%，像素準確率提高0.19%～7.53%，本方法在面對復雜場景時具有更好的邊界完整度，能夠更好地用于林地提取。

關鍵詞：林地提取；上下文信息；邊界約束；遙感影像；語義分割

中圖分類號：S771.8

文獻標識碼：A

文章編號：2095-5553（2024）12-0162-06收稿日期：2024年3月6日

修回日期：2024年5月14日

*基金項目：江蘇農林職業技術學院科技項目（2024kj29）

作者簡介：胡永進，女，1975年生，江蘇海安人，副教授；研究方向為園林測量、遙感影像處理、園林規劃。E-mail：fairyjin@163.com

Extraction method of remote sensing images forest land by joint context awareness and boundary constraints

Hu Yongjin

（Jiangsu Vocational College of Agriculture and Forestry， Jurong， 212400， China）

Abstract： Accurate extraction of forest resources and their distribution is crucial for the management， protection， and sustainable utilization of forests. In order to address the issues of low accuracy and poor edge definition in existing methods of forest extraction， this paper introduces a novel approach by using remote sensing images called the Context Awareness and Boundary Constraints Network （CABC-Net）. Initially， a Context Awareness （CA） module is developed to explore the interconnections among spatial pixel data， extracting ample global contextual information through the transfer of features across layers. This reduces the impact of contextual variations and complex backgrounds on the detection outcomes. Secondly， to further enhance the edge precision， a Boundary Constraints （BC） module is proposed that integrates boundary features with deeper network features to stabilize the localization of forest boundaries and refine areas of uncertainty， thus boosting edge discernment. Finally， to verify the validity of the method， a new dataset is created and case test is analyzed. The results indicate that the Intersection over Union （IoU） and pixel accuracy （PA） of this method are improved by 0.55% to 9.45%， and by 0.19% to 7.53%， respectively. The analysis demonstrates that the proposed method has better boundary integrity in the face of complex scenes， and can be better applied to forest land extraction.

Keywords： forest land extraction; context information; boundary constraints; remote sensing images; semantic segmentation

0 引言

林地是陸地生態系統的重要組成部分，在減緩全球氣候變化、維護生態平衡和改善生態環境方面發揮著重要作用^［1］。遙感技術具有覆蓋面大、回訪時間短、成本低等特點^［2-4］，能夠快速、準確地檢測林地的類型、分布、面積、結構、質量和林地隨時間變化的狀況。因此，利用遙感技術準確、及時地獲取精細林地信息，對森林科學管理和可持續發展具有重要意義。

傳統的林地提取通常基于監測站或標準樣本進行野外調查，調查過程成本高、耗時耗力、缺乏時效性。遙感技術已廣泛用于林地研究的多個領域，如資源調查^{［5， 6］}、類型識別^［7］、植被制圖^{［8， 9］}和變化監測^［10］。遙感數據也成為全球和區域林地調查的主要方法，例如，30 m分辨率的全球土地覆蓋制圖^［11］。選擇遙感數據源和分辨率是為了滿足不同的研究目標，并與所需的林地信息的相關規模相對應。然而，高時空分辨率的遙感數據在現實中難以實現。為此，科研界已經開發出多種用于遙感圖像增強和時間序列重構的模型和算法，例如采用分形分析^［12］、主成分分析^［13］和小波分析^［14］通過圖像增強來識別目標特征。

近年來，基于深度學習的遙感影像語義分割技術日趨成熟。在提取林地方面，很多學者利用CNN的優勢，提出新的卷積網絡來獲取更好的提取效果。崔維帥等^［15］提出一種改進型PSPNet網絡改進傳統監督分類方法在高分辨率遙感影像提取林地時存在的信息利用不充分、特征選取不精準等問題。朱生陽等^［16］提出一種基于PCA多特征融合的EnFCM林地提取方法，改進傳統EnFCM算法在圖像分割中只考慮灰度特征，導致林地分割提取精度低的問題。曾文等^［17］以SV-1遙感影像為數據源，通過特征可分性、特征重要性、特征間冗余度等建立4種評價準則選擇分類特征，利用支持向量機分類器對研究區林地信息進行提取。董建康等^［18］基于高空間分辨率無人機多光譜數據，提出一種篩選特征波段結合卷積神經網絡U-Net的方法，對影像進行分割并提取林地信息。任詩曼等^［19］針對傳統林地提取方法精度較低且邊界不規則的問題，設計了一種聯合多尺度注意力機制與邊緣約束的林地提取方法。盡管以上研究利用深度學習提取林地信息進展明顯，但遙感影像中林地情況復雜，難以精準提取林地的形狀特征與相對位置關系。因此，在利用深度學習模型從遙感影像中分割林地的任務上，仍然存在著諸多挑戰。

為解決上述問題，本文提出一種聯合上下文感知與邊界約束的林地提取方法（CABC-Net）。首先，為緩解林地內部連續性差，避免提取結果中林地內部出現孔洞等問題，建立上下文感知（Context Awareness， CA）模塊，該模塊精細化融合低層特征和高層特征，捕獲豐富的全局上下文信息并保留高層特征中局部位置信息；隨后，針對邊界提取模糊、不連續等問題，提出邊界約束（Boundary Constraints，BC）模塊，該模塊更加關注邊緣信息，縮小定位林地邊界的波動范圍，將邊界特征與深層特征結合作為模型的輔助特征，以提高邊界完整度。

1 聯合上下文感知與邊界約束網絡框架

1.1 整體框架

圖1為網絡框架，使用VGG16作為編碼器，E1～E4為編碼層，D1～D4為解碼層，CA模塊部署在編碼層和解碼層之間，BC模塊部署在解碼器末端。

1.2 上下文感知模塊

CA模塊的細節圖如圖2所示。

為了更容易獲取上下文以及細節信息，本文在編碼器和解碼器之間放置CA模塊，將編碼器第四層（E4）和第五層（E5）作為模塊的輸入，CA模塊中共有三個分支。首先，在第一分支對E5依次進行1×1的卷積、批標準化與線性整流函數（CBR）初步細化原始特征，而后緊接著4個空洞卷積來擴大感受野，獲取更多的上下文信息，接著將四個不同擴張系數的空洞卷積之間進行拼接和融合，提高對全局信息的感知，得到第一分支輸出 f₁ 。這個過程可以表示為

式中： e₁ ——經過E₄層輸出結果；

Cbr_1×1 ——1×1卷積；

e₅ ——編碼層第五層輸出；

a₁， a₂ ——過渡層的輸出；

?（·） ——通道拼接；

Cbr_3×3 ——3×3卷積；

Ar_i（·） ——擴張系數為i的空洞卷積。

為避免局部細節信息丟失并兼顧全局上下文信息，在后面兩個分支當中加入低層特征。第二個分支是將E4的特征層信息依次進行1×1的CBR操作得到第二分支輸出 f₂， 第三分支分別將E5的特征信息依次進行3×3的CBR以及Sigmoid函數得到第三分支輸出 f₃。 最后，將第一分支 f₁ 與第二分支 f₂ 融合后與第三分支 f₃ 進行相乘，得到最終輸出F。具體計算如式（5）～式（7）所示。

式中： Sig（·） ——Sigmoid函數；

f_i ——不同分支輸出結果。

1.3 邊界約束模塊

邊界約束模塊有效利用了解碼器D1，D2，D3三層特征圖，提高模型對林地邊界的關注，增強邊緣語義特征表達，提高林地邊緣提取效果，結構如圖3所示。

首先，在BC模塊中設計了邊界約束的子模塊，一高一低兩個特征圖（H， L）經過卷積變換和上采樣調整尺度后輸入子模塊中，將（H， L）兩張特征圖進行拼接，之后由Softmax函數沿著通道上進行拆分，拆分后的結果 μ 與經過Sobel算子后的高低特征圖進行相乘后相加，最后輸出帶有邊界約束信息的特征圖 λ。

式中： Soft（·） ——Softmax函數。

然后，將D3和D2作為子模塊的輸入得到 D′。 為了充分約束上下文的邊界信息，弱化耕地邊界的冗余信息，將 D′ 與D1再次送入子模塊中進行邊界約束后得到 D″， 經過1×1卷積調整通道后，輸出預測結果Output。其過程表示如下。

D′=M（D₃，D₂） （10）

D″=M（D′，D₁） （11）

Output=Conv_1×1（D′） （12）

式中： M（·） ——子模塊。

2 數據集和試驗設置

2.1 數據集

數據驗證是神經網絡模型有效性評估的關鍵環節。然而，當前研究中缺少公開的林地信息提取數據集。因此，構建一個新的林地信息提取數據集。在構建用于林地信息提取的遙感影像數據集時面臨了多項挑戰：首先，林地與其他植被區域（如草地、耕地等）在遙感影像中的相似性增加了目視解析的難度；其次，林地在影像中的表現存在顯著尺度差異，范圍從廣闊的森林區域到較小的林塊。為了克服這些難題并驗證深度學習模型在林地信息提取方面的應用效果，通過目視解譯方法建立一個新的遙感影像林地提取數據集。該數據集的原始影像來源于谷歌地球的高分辨率影像，包括40張4 000像素×4 000像素、分辨率為1 m的RGB高分辨率影像。數據集構建由人工目視解譯完成，即通過人工標注確定林地范圍。所有影像處理和標簽制作均在ENVI 5.6平臺上進行，建立規則嚴格按照目標邊界勾畫進行標簽制作，其中林地區域的像素值設為1，背景區域的像素值設為0。

在人工標注之后，為適應模型訓練的需求，進一步將大尺寸影像裁剪成256像素×256像素的圖像，為增強數據多樣性，提升模型的泛化能力并降低過擬合風險，采用隨機裁剪、旋轉、模糊和添加噪聲等數據增強技術。最終構建包含5 052張林地數據的數據集，并按照8∶1∶1的比例分為訓練集、驗證集和測試集，分別包括4 140張、456張和456張影像及對應標簽。圖4為林地信息提取數據集的建立流程。

2.2 試驗設置

2.2.1 訓練參數

試驗在配備單個NVIDIA GeForce RTX 3090 24G GPU的服務器上進行。為避免訓練中發生過擬合現象，本文使用數據增強技術和早停技術。同時，也采用了深監督策略來加快模型收斂。通過不斷調整測試，將批處理大小Batch Size設置為8，初始學習率為0.000 1，權重衰減設置為0.000 01，訓練輪數設置為100。

2.2.2 精度評價指標

選擇語義分割中四種常用的評價指標來對所提出的方法進行評價，包括交并比（IoU），精確度（Precision），召回率（Recall），像素準確率（PA）。

式中：TP——真正例；

FP——假正例；

TN——真負例；

FN——假負例；

p_ii ——預測正確像素個數；

p_ij ——總預測像素個數；

k——分類的類別數目；

i、j——類別的索引。

3 試驗結果與討論

3.1 定量分析

為全面分析所提方法的有效性與優越性，選擇4種近年來優秀的語義分割模型，在相同數據集和試驗條件下進行對比，包括：MEC-Net、C3-Net、U-Net和DeepLabV3+。為使每一種模型都可以得到最優的效果，對所有的訓練模型皆采用遷移學習的策略，利用預訓練模型作為初始化訓練權重以提高網絡性能，對比結果如表1所示。

從表1可以看出，CABC-Net在各項指標中都取得優良成績，與其他方法相比，CABC-Net的優勢顯著，在IoU、Precision、Recall和PA上均為最高分，分別為91.22%、95.15%、95.67%和97.50%，其中IoU提高了0.55%～9.45%；Precision提高了1.01%～4.66%；Recall提高了0.24%～6.36%；PA提高了0.19%～7.53%。總的來說，本文的方法在林地提取上的精度超過了其他方法，具有明顯優勢。

3.2 定性分析

為證明方法的有效性，與四個優秀模型在邊界提取、背景干擾以及林地內部連續性方面上進行全面的定性分析。數據集中包含大型林地和小型林地以及復雜場景下的林地，在數據集中選取4張代表性的圖像在模型中測試并進行顯示和對比，如圖5所示。

本文方法的預測結果準確度為5個網絡中最優，提取結果更接近原始標簽，錯提漏提較少、表面平滑、邊界整齊清晰，對細節處理精細。例如MEC-Net和C3-Net在細節上處理不精細，雜散圖斑較多，其中C3-Net內部孔洞較多，圖斑表面斑駁；而U-Net和DeepLabV3+預測結果細碎圖斑較多，邊界較清晰，圖斑表面雜亂不精細，提取結果不完整。由于林地的復雜性，其他方法提取結果中林地內部存在很大的空缺甚至整體遺漏，而本文方法對林地的關注更加全面，提取結果更加完整。這主要得益于CA模塊將深層次語義信息與低層次語義信息高效融合作用的結果，有效避免了上下文差異導致的上下文信息丟失問題。林地周圍復雜的環境背景對各個模型中林地的邊界提取結果有影響，與其他四種方法對比，CABC-Net可以弱化道路對林地邊界的干擾，提高模型的準確性。在陰影的干擾下，其他方法在邊界區域都存在大量的錯誤提取，而本文方法依然能保持不錯的效果，準確識別林地邊界，這是得益于BC模塊加強了網絡對高低層次語義邊界信息的關注，提高了林地邊界的分割精度。

3.3 方法效率與復雜度分析

為全面評估本文方法的計算效率，設置計算本文方法和其他方法的參數量和浮點運算數，同時，使用各個模型在數據集上的結果作為衡量模型能力的標準，結果如表2所示。從表2可以看出，本文的模型具有更少的網絡參數和浮點運算數，其他指標均位于中間值，在不影響總體精度的情況下可進一步提高運行效率，本文方法在精度、參數量和浮點運算量之間保持較好的平衡。

3.4 消融試驗

為進一步證明每個模塊在CABC-Net中的作用，進行消融試驗，參考評價指標見2.1.1節。首先，研究CABC-Net基線網絡的有效性，去除所有模塊，只保留主干網絡。然后，將單獨的模塊依次加入基線網絡中來驗證模塊的有效性，結果如表3所示。

從表3可以看出，CA模塊和BC模塊對網絡性能的提升效果是非常顯著的。在數據集中加入CA模塊后，IoU、Presicion、Recall、PA分別上升了1.55%、1.60%、0.01%、0.48%；加入BC模塊后，IoU、Presicion、Recall、PA分別上升了1.93%、1.10%、1.02%、0.58%，試驗證明單獨添加這兩個模塊在對網絡的評價指標上都有較大上升。與基線網絡相比，本文方法的IoU、Presicion、Recall、PA提高了2.48%、1.65%、1.07%、0.75%。根據上述結果，本文方法可以顯著提高林地提取能力。

為了驗證CA模塊和BC模塊的作用，本文在林地數據集上對比了基線網絡和僅添加CA模塊和BC模塊的基線網絡的最終輸出結果圖，如圖6所示。可以看出，在未添加CA模塊之前，輸入的圖像中的其他地物干擾了模型對林地的識別效果導致模型的部分注意力分散到背景當中。而添加CA之后，可以從圖中看出模型的注意力明顯集中在林地本身。這表明CA可以有效抑制其他地物對林地提取的干擾。未添加BC模塊之前，道路和地面陰影對林地邊界的識別有干擾作用，基線網絡模型對邊界的關注并不明顯。在加入BC模塊后，BC可以有效地促使模型減少對圖像中林地非邊界區域的關注，而注意力機制則進一步引導模型專注于邊界區域，從而實現了更加精準的邊界識別與定位。例如，如圖6的最后一列所示，在加入BC模塊后，與基線網絡預測圖相比，模型對林地整體的關注更加完整，林地內部的完整性也大幅提高。同時，圖6第五列顯示，在加入CA模塊后，提高了模型對林地邊界的關注，減少了對其他非林地地物的關注，圖斑的邊緣細節信息提取精度明顯提高。

4 結論

1）提出一種CABC-Net網絡用于遙感影像林地信息提取。首先，通過在編碼層與解碼層之間加入CA模塊，精細融合高低層語義信息，該模塊有助于捕獲豐富的全局上下文信息并保留高層特征中的局部位置信息，從而減弱上下文差異所引起的林地內部殘缺與漏洞問題，進而提高林地信息的完整性。隨后，設計BC模塊，該模塊在通道維度和空間維度上增強對林地邊界的定位能力，進一步減小定位林地邊界的波動范圍，提升對林地邊界信息的聚焦能力。

2）建立一個新的林地信息提取數據集，并在此數據集上與4種優秀的網絡模型進行對比分析。結果表明，本文方法的IoU最高可達91.22%，PA可達97.50%，模型參數量僅為21.97 M，檢測速度達到114幀/s，顯著提高林地提取的精度與效率。

3）本文方法適用于森林監測、環境保護和災害響應，方法可高效識別林地，實時監測森林變化，指導資源利用，可評估生態健康和生物多樣性，支持環保政策，支持災后林地評估。未來將優化網絡結構，結合多源數據，提升復雜背景下性能，擴展應用范圍，為林地和環境管理提供技術支持。

參 考 文 獻

［1］ 徐州， 林孝松， 何浪. 基于地形梯度的巫山縣土地利用空間分布特征研究［J］. 中國農機化學報， 2019， 40（10）： 193-199.

Xu Zhou， Lin Xiaosong， He Lang. Study on spatial distribution characteristics of land use in Wushan County based on terrain gradient ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（10）： 193-199.

［2］ 駱有慶， 劉宇杰， 黃華國， 等. 應用遙感技術評價森林健康的路徑和方法［J］. 北京林業大學學報， 2021， 43（9）： 1-13.

Luo Youqing， Liu Yujie， Huang Huaguo， et al. Pathway and method of forest health assessment using remote sensing technology ［J］. Journal of Beijing Forestry University， 2021， 43（9）： 1-13.

［3］ 王小昆， 王耀， 于世勇， 等. 基于遙感技術的全國營造林監測體系建設構想［J］. 林業資源管理， 2020（5）： 52-57.

Wang Xiaokun， Wang Yao， Yu Shiyong， et al. Consideration on construction of national afforestation monitoring system based on remote sensing technology ［J］. Forest Resources Management， 2020（5）： 52-57.

［4］ 卜靜， 蔡子良. 遙感技術在火災后林業經濟損失評估中的應用［J］. 災害學， 2021， 36（3）： 47-50， 56.

Bu Jing， Cai Ziliang. Application of remote sensing technology in forest economic loss assessment after fire ［J］.Journal of Catastrophology， 2021， 36（3）： 47-50， 56.

［5］ Fan Z， Zhan T， Gao Z， et al. Land cover classification of resources survey remote sensing images based on segmentation model ［J］. IEEE Access， 2022， 10： 56267-56281.

［6］ Wang M， Wander M， Mueller S， et al. Evaluation of survey and remote sensing data products used to estimate land use change in the United States： Evolving issues and emerging opportunities ［J］. Environmental Science amp; Policy， 2022， 129： 68-78.

［7］ Duan M， Zhang X. Using remote sensing to identify soil types based on multiscale image texture features ［J］. Computers and Electronics in Agriculture， 2021， 187： 106272.

［8］ Almalki R， Khaki M， Saco P M， et al. Monitoring and mapping vegetation cover changes in arid and semi-arid areas using remote sensing technology：A review ［J］. Remote Sensing， 2022， 14（20）： 5143.

［9］ R?s?nen A， Juutinen S， Tuittila E S， et al. Comparing ultra-high spatial resolution remote-sensing methods in mapping peatland vegetation ［J］. Journal of Vegetation Science， 2019， 30（5）： 1016-1026.

［10］ Bai T， Wang L， Yin D， et al. Deep learning for change detection in remote sensing：A review ［J］. Geo-spatial Information Science， 2023， 26（3）： 262-288.

［11］ Liu L， Zhang X， Gao Y， et al. Finer-resolution mapping of global land cover： Recent developments， consistency analysis， and prospects ［J］. Journal of Remote Sensing， 2021（1）：36-73.

［12］ Peleg S， Naor J， Hartley R， et al. Multiple resolution texture analysis and classification ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1984（4）： 518-523.

［13］ Candès E J， Li X， Ma Y， et al. Robust principal component analysis？ ［J］. Journal of the ACM， 2011， 58（3）： 1-37.

［14］ Torrence C， Compo G P. A practical guide to wavelet analysis ［J］. Bulletin of the American Meteorological Society， 1998， 79（1）： 61-78.

［15］ 崔維帥， 吳勇， 薛雯霞. 基于改進PSPNet模型的高分辨率遙感影像林地提取方法研究［J］. 科學技術創新， 2024（4）： 52-55.

Cui Weishuai， Wu Yong， Xue Wenxia. Research on forest land extractionmethod based on improved PSPNet model for high-resolution remote sensing ［J］. College of Geographic Sciences， 2024（4）： 52-55.

［16］ 朱生陽， 王小鵬， 魏統藝， 等. 一種基于PCA多特征融合的EnFCM遙感圖像林地提取方法（英文）［J/OL］. 測試科學與儀器（英文）， 1-8［2024-08-19］. http：//kns.cnki.net/kcms/detail/14.1357.TH.20231214.1506.002.html.

Zhu Shengyang， Wang Xiaopeng， Wei Tongyi， et al. An EnFCM remote sensing image forest land extraction method based on PCA multi-feature fusion ［J/OL］. Journal of Measurement Science and Instrumentation， 1-8［2024-08-19］. http：//kns.cnki.net/kcms/detail/14.1357.TH.20231214.1506.002.html.

［17］ 曾文， 林輝， 李新宇， 等. 基于高景一號遙感影像的林地信息提取［J］. 中南林業科技大學學報， 2020， 40（7）： 32-40.

Zeng Wen， Lin Hui， Li Xinyu， et al. Study on extracting forest information based on SV-1 image ［J］. Journal of Central South University of Forestry amp; Technology， 2020， 40（7）： 32-40.

［18］ 董建康， 連懿， 趙之江， 等. 基于卷積神經網絡和特征選擇的無人機多光譜影像林地提取方法［J］. 天津師范大學學報（自然科學版）， 2022， 42（4）： 64-71.

Dong Jiankang， Lian Yi， Zhao Zhijiang， et al. Woodland extraction from UAV multispectral image based on convolution neural network and feature selection ［J］. Journal of Tianjin Normal University （Natural Science Edition）， 2022， 42（4）： 64-71.

［19］ 任詩曼， 朱軍， 方錚， 等. 聯合多尺度注意力機制與邊緣約束的SPOT7影像林地提取方法［J］. 武漢大學學報（信息科學版）， 2023， 48（12）： 1951-1958.

Ren Shiman， Zhu Jun， Fang Zheng， et al. Woodland extraction of SPOT7 image based on multi-scale attention mechanism and edge constraint ［J］. Geomatics and Information Science of Wuhan University， 2023， 48（12）： 1951-1958.