基于高分衛星影像與深度學習的廣東省臺山市互花米草識別

摘" 要：針對互花米草（Spartina alterniflora）傳統實地調查方法工作量大、成本高、效率低等問題，該研究基于遙感技術，探討適用于林業基層互花米草調查工作的方法。研究基于高分辨率衛星影像，采用ArcGIS Pro軟件中集成的深度學習工具對臺山市遭受互花米草入侵的海岸帶進行語義分割，在缺少編程先驗知識的情況下快速識別互花米草圖斑。測試集結果顯示，U-Net和DeepLabV3模型皆能在擁有更高空間分辨率的北京二號影像上取得良好的互花米草分類精度，Accuracy分別為97.24%、97.72%，F1 Score分別為0.68、0.79，綜合表現DeepLabV3模型更優；而兩者在PlanetScope衛星影像上表現均不理想。為分類結果設置適當的緩沖區，Recall提升，對實際作業更有指導意義。該研究方法識別互花米草的精度高，技術易于推廣，可有效提高互花米草調查工作效率，為互花米草治理工作提供數據支持。

關鍵詞：深度學習；衛星影像；互花米草；入侵植物；ArcGIS Pro；航拍

中圖分類號：S765.1" " " " " 文獻標志碼：A" " " " " " " "文章編號：2096-9902（2025）06-0016-07

Abstract： In view of the problems of large workload， high cost， and low efficiency of the traditional field survey method of Spartina alterniflora， this research is based on remote sensing technology to explore methods suitable for the survey of Spartina alterniflora at the forestry grassroots level. Based on high-resolution satellite images， the study used the deep learning tools integrated in ArcGIS Pro software to semantically segment the coastal zone of Taishan City invaded by Spartina alterniflora， and quickly identify the sketch spots of Spartina alterniflora without prior knowledge of programming. The test set results show that both U-Net and DeepLabV3 models can achieve good classification accuracy of Spartina alterniflora on the Beijing-2 image with higher spatial resolution. Accuracy is 97.24% and 97.72% respectively， and F1 Score is 0.68 and 0.79 respectively. The comprehensive performance of DeepLabV3 model is better; both of them perform poorly on PlanetScope satellite images. Set up appropriate buffers for classification results and improve Recall， which is more instructive for actual operations. This research method has high accuracy in identifying Spartina alterniflora and is easy to popularize. It can effectively improve the efficiency of Spartina alterniflora investigation and provide data support for Spartina alterniflora management work.

1979年，以防風護岸，促淤造陸、改良土壤、提高海灘植被覆蓋度等為目的，我國從美國引入互花米草（Spartina alterniflora）[1-2]。由于互花米草在鹽沼地有極強的環境適應性而進行了大范圍人為引種，其在我國沿海濕地形成了大規模入侵[3]，導致我國濱海濕地生態系統出現不同程度的退化，嚴重威脅濱海濕地生態安全和可持續發展[4]。2003年，我國公布的首批外來入侵物種名單中，互花米草赫然在列[5]。互花米草在我國經過40多年的入侵擴散，已經遍布沿海各省區。目前，我國已成為全球最大的互花米草分布區[6-8]。在廣東省，沿海14個城市均有分布。互花米草通常生長在河口、海灣等灘涂區域上，受潮汐的周期性影響，間歇地處于水淹狀態[9-10]，受海堤及濱海公路的圍欄隔離，使用常規的調查手段對互花米草斑塊進行準確定位和描繪費時費力。因此，通過遙感技術監測互花米草的入侵，可提高互花米草調查效率，為后續治理提供數據支持。

越來越多的研究基于機器學習或深度學習，以無人機航拍圖或衛星影像為數據源，提取互花米草的分布信息。郭欣等[11]在2013—2015年開展3年連續地面和無人機觀測廣東湛江紅樹林自然保護區范圍內和周邊區域的外來植物互花米草；岳英潔等[12]利用無人機航攝技術獲取山東省互花米草入侵范圍內互花米草破碎斑塊分布信息。可見采用無人機調查互花米草具有分辨率高、便攜性強等優點，是開展跟蹤調查互花米草的一種有效手段。

在大尺度的互花米草監測方面，衛星影像因其時空跨度大而有著天然的優勢，Liu等[13]使用了2014年至2016年的43幅Landsat-8 OLI圖像，結合基于對象的圖像分析（OBIA）和支持向量機（SVM）方法來提取互花米草的分布；Han等[14]使用Sentinel-2衛星圖像（10 m分辨率）和基于規則的數據噪聲去除方法，從2017年至2019年的時間序列圖像中提取了互花米草鹽沼的物候指標。

目前，隨著技術的革新，衛星影像的空間分辨率也不斷突破極限，衛星影像已經被廣泛應用于外來入侵植被的監測。

上述研究大多采用植被指數法或傳統機器學習識別影像中的互花米草，它們都取得了較為準確的結果，但這些研究中對植物的分類都需要研究人員對不同植被在光譜維度和時間維度上變化特征有一定的了解，然后通過人工的方式對特征進行提取，并找到能夠將不同植被類別區分出來的特征集合用以分類[15]，因此對植被分類研究人員的專業知識有一定要求。人工提取的特征通常僅是影像的淺層特征，對深層特征的挖掘很有限，難以滿足更高精度、更精細的植被類別分類研究需要，當前新興的深度學習技術則可以彌補這些缺陷。李巖舟等[16]應用5種卷積神經網絡，分別對包含互花米草、紅樹林及其他地物背景的無人機航拍圖像數據集進行模型的訓練、驗證，然后通過訓練好的5種網絡模型對整個試驗區域的互花米草及地物背景進行識別并標記，準確率達96.96%，且在測試集上耗時僅為5.47 s；朱玉玲等[17]基于多光譜LANDSAT8 OLI 影像，構建融合淺層特征的8層深度卷積神經網絡分類模型，開展互花米草遙感監測的方法研究。前人的研究體現了深度學習無論是配合無人機航拍圖還是衛星影像進行調查工作都有良好的表現。

由于深度學習由復雜的代碼所構成，不利于在基層林業工作中的推廣，因此，本研究嘗試以廣東省臺山市海岸帶為試驗區，以高空間分辨率衛星影像為數據源，使用ArcGIS Pro中內置的深度學習工具識別互花米草圖斑，并利用無人機實地航拍數據作為輔助驗證，對比分析深度學習模型在不同的衛星影像中的性能表現。探討適用于基層林業工作的互花米草圖斑識別流程，并論證其可行性，為流程化、智能化治理互花米草的后續研究提供參考。

1" 試驗地及數據

1.1" 試驗地概況

臺山市位于珠江三角洲西南部，介于東經112°18′～113°03′，北緯21°34′～22°27′之間，南臨南海。結合北京二號衛星影像、Google衛星影像與實地調查，發現在臺山市范圍內互花米草分布在廣海灣與鎮海灣的部分海岸帶，其他區域沒有分布。本試驗的數據集覆蓋如圖1所示，用不同顏色帶將其標識。

1.2" 數據獲取

在華南地區，互花米草4月開始復綠，9—10月是完熟期間，11月份開始衰老；而紅樹林則是四季常綠。根據這些物候特征，可知在試驗區內紅樹植被與互花米草在影像上的可區分性是在互花米草衰老后開始呈現的，在互花米草完全枯萎時可區分性達到最大；此外還要考慮互花米草完全枯萎后與其所在灘涂的可區分性，所以遙感識別互花米草的窗口期應該在互花米草的衰老期內且在完全枯萎前，為12月前后。

本研究同時獲取了2022年12月、2023年12月的衛星影像，由于2022年12月的影像成像質量好，對試驗區域覆蓋度高，而2023年的影像由于覆蓋率的問題缺失較多，所以將2022年12月拍攝的北京二號衛星影像、PlanetScope衛星影像作為本次試驗模型訓練和性能測試的數據集。

2023年11月，使用無人機DJI mavic3對廣海灣和鎮海灣疑似互花米草區域進行實地航拍調查，航拍點位如圖1所示，飛行高度約為120 m，飛行速度約為5 m/s，每2 s拍攝一次，垂直拍攝。為了對衛星影像產生的數據進行更準確的驗證，航拍調查區域覆蓋試驗區海岸線60%以上。無人機航拍數據與2023年12月衛星影像數據共同作為本試驗目視判讀的依據。

1.3" 數據處理

數據集范圍限定在以海岸線為中心，分別向海、向陸緩沖300 m的區域，在鎮海灣和廣海灣選取長度為13.00 km和3.20 km海岸帶作為測試集的一部分，訓練集與測試集的比例約為2∶8，其位置如圖1所示。利用 Pix4Dmapper 對無人機航拍圖進行拼接，生成DOM數據，分辨率為0.1 m；然后將其導入ArcGIS Pro，與衛星影像進行精確配準。

2" 研究方法

本研究首要探究的是應用ArcGIS Pro 3.0進行基于深度學習的分類像素任務，包括模型訓練、分類精度、效率等，其次探討對互花米草圖斑分類前后的數據處理技術。試驗以PyTorch為深度學習框架支持深度學習任務，GPU使用NVIDIA GeForce GTX 1050 Ti （4G顯存） ，Cuda版本為11.4。

2.1" 樣本集制作

通過無人機實地航拍及Google影像的目視判讀了解互花米草的分布和形態特征，再利用ArcGIS Pro中“影像分割”工具把柵格影像根據光譜細節和空間細節進行分割，最后利用無人機航拍圖進行對照確認。在ArcGIS Pro中，使用“訓練樣本管理器”工具標注互花米草樣本，分割后在“訓練樣本管理器”中快速地把形狀各異的樣本進行快速選取。圖2為各種影像下互花米草樣本的標注。

標注樣本后，使用ArcGIS Pro中“導出訓練數據進行深度學習”工具，輸入遙感影像將標注的矢量或柵格數據轉換為深度學習訓練數據集。在工具參數中，本試驗設置圖像格式為tiff，切片大小X/Y皆為256，步幅（stride）為128，旋轉角度為0，元數據格式為已分類切片。

2.2" 模型訓練

在ArcGIS Pro中，使用“訓練深度學習模型”工具以訓練模型，該工具使用已導出的訓練數據進行深度學習，輸出已訓練模型文件。模型訓練過程中，根據數據特征，通過“試誤法”調整參數至最適。

該試驗步驟設置參數：max_epochs為100輪次，當模型停止改進時自動停止訓練；batch_size為8，class_balancing、mixup、focal_loss默認為1，learning_rate（學習率）為自動提取最佳學習率，backbone_model為ResNet-34，不凍結預訓練模型中的骨干層，驗證集為訓練集的10%。最終通過輸出的model_metrics了解模型的訓練過程及精度評價，以此作為調整參數的依據。

2.3" 使用深度學習分類像素

創建深度學習模型后，在ArcGIS Pro中使用“使用深度學習分類像素”工具部署深度學習模型，將不同的測試集和訓練模型輸入工具，該步驟設置參數：batch_size為4，padding為56，predict_background為ture，分類結果以柵格的形式輸出推斷為互花米草的區域。

2.4" 后處理與分類精度評價

現有的高分辨遙感圖像語義分割方法中普遍存在著明顯的“椒鹽現象”，其由“同物異譜”（地物類內不一致）和“同譜異物”（地物類間差別不明顯）引起[18]。在分類結果中，“椒鹽點”通常只占零星像素點面積，而人們更關注的是大面積的類型，所以本試驗使用ArcGIS Pro進行以下后處理：通過濾波工具減少“椒鹽點”，使分類結果看起來更加平滑；進一步使用緩沖工具增強圖斑邊緣，在合理范圍內減少“椒鹽效應”的影響，同時更能反映可連片治理的范圍。

試驗采用混淆矩陣來對深度學習任務的分類精度進行評價，對于二分類任務，混淆矩陣的大小為2×2（圖3），4個方格分別是：真正例（True Positive， TP）：實際為互花米草，且被模型預測為互花米草的樣本數；假正例（False Positive， FP）：實際為背景，但被模型預測為互花米草的樣本數；真負例（True Negative， TN）：實際為背景，且被模型預測為背景的樣本數；假負例（False Negative， FN）：實際為互花米草，但被模型預測為背景的樣本數。通過混淆矩陣可以計算準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1分數（F1 Score）等性能指標。

準確率是模型正確預測的樣本數量占總樣本數量的比例，計算公式為

精確率是模型預測為互花米草的樣本中實際為互花米草的比例，計算公式為

召回率是實際為互花米草的樣本中被模型正確預測的比例，計算公式為

F1分數是精確率和召回率的調和平均值，可以綜合考慮模型的準確性和召回率，計算公式為

3" 結果與分析

3.1" 深度學習分類結果

本研究利用外業核查結合目視判讀的方式記錄實際互花米草位置與數量，與深度學習模型分類結果進行對比。試驗得出互花米草分類混淆矩陣見表1，分類精度評價見表2，測試集分類結果如圖4所示，局部分類效果如圖5所示。

觀察表1、2可知，當以北京二號衛星影像為數據集時，U-Net與DeepLabV3模型在執行互花米草分類任務時均有良好的性能表現，U-Net模型分類精確率略高，而DeepLabV3模型綜合表現更優。當以PlanetScope衛星影像為數據集時，U-Net模型雖然保持了較好的準確率和精確率，但大大犧牲了召回率，從而模型綜合表現較差；而DeepLabV3模型則在同樣的超參數下未能被正常訓練，不能分類出任何互花米草圖斑。以上結果說明利用ArcGIS Pro中的深度學習工具識別互花米草具有極高的可行性，同時突出了高空間分辨率衛星影像作為數據集時的優越性。

觀察分類結果圖4、圖5可知，當以北京二號衛星影像作為數據集時，U-Net模型分類出的互花米草圖斑有輕微的椒鹽現象，具體表現為圖斑破碎、邊界不完整；而DeepLabV3模型分類出的互花米草圖斑則相對完整，邊界相對順暢柔和，整體上DeepLabV3模型分類效果更優，這與觀察表1、2得出的結論相印證。當PlanetScope衛星影像作為數據集時，U-Net模型仍能發揮一定的性能，說明相較于DeepLabV3模型，U-Net模型在空間分辨率稍遜的影像上兼容性更好。

3.2" 后處理效果分析

對結果進行后處理是為了更符合實際作業需求。在圖5局部分類效果中可看出，漏分類互花米草通常和被正確分類的互花米草位置相近，即使它們沒有被正確地分類，在實際作業中亦是連片治理的一部分。在本文3.1章節中，可觀察到U-Net模型的分類結果圖斑破碎、邊界不連貫，有必要進行結果后處理。本試驗以3.1章節中的分類結果圖4（a）為例進行后處理，對分類結果“濾波”處理并設置30 m緩沖區，局部效果如圖6所示，對比可看出后處理圖斑更加連貫、完整，此時召回率達84.35%。

4" 結論

本文充分發揮ArcGIS Pro軟件中深度學習模塊的易操作性和衛星影像覆蓋范圍大的優點，提出基于高分衛星影像，在ArcGIS Pro中進行高效的深度學習分類互花米草任務，涵蓋了數據處理、樣本標注、制作數據集、模型訓練等一系列操作，最后對測試集進行多次深度學習分類，并進行精度評價，主要結論如下。

1）基于高分衛星影像，使用ArcGIS Pro軟件中的深度學習工具可以在缺少編程先驗知識的情況下快速完成分類互花米草任務，結果擁有良好的精度，在基層林業工作中可推廣性高，可有效提高互花米草的調查效率。

2）U-Net模型和DeepLabV3模型分別在北京二號衛星影像和PlanetScope衛星影像上對互花米草的分類結果顯示，擁有更高空間分辨率的北京二號衛星影像在互花米草分類任務中存在優勢；DeepLabV3模型的互花米草分類圖斑更加完整，邊界更加柔和；U-Net模型在互花米草分類任務中對數據集的兼容性更好。

3）互花米草分類結果經過濾波工具過濾“椒鹽點”并設置緩沖區處理后，圖斑更加連貫、完整，更加有效地指導實際作業。

本研究只探討了相同超參數下的U-Net和DeepLabV3兩種深度學習模型，并未對其他語義分割模型及其他超參數下的可行性進行討論，在往后的研究試驗中，可根據不同的數據集特征選擇不同的深度學習模型和超參數進行測試。

參考文獻：

[1] CHUNG C. Forty years of ecological engineering with Spartina plantations in China[J]. Ecological Engineering， 2006，27（1）： 49-57.

[2] 徐國萬，卓榮宗，曹豪，等.互花米草生物量年動態及其與灘涂生境的關系[J].植物生態學與地植物學學報，1989（3）：230-235.

[3] ZHANG D， HU Y， LIU M， et al. Introduction and Spread of an Exotic Plant， Spartina alterniflora， Along Coastal Marshes of China[J]. Wetlands （Wilmington， N.C.）， 2017，37（6）： 1181-1193.

[4] 劉曉丹，趙佳琳，石曉蕾，等.煙臺市互花米草入侵現狀與治理建議[J].漁業信息與戰略，2023，38（1）：27-31.

[5] 中華人民共和國生態環境部.關于發布中國第一批外來入侵物種名單的通知[EB/OL].（2003-01-10）https：//www.gov.cn/gongbao/content/2003/content_62285.htm.

[6] STRONG D R， AYRES D R. Ecological and Evolutionary Misadventures of Spartina[J]. Annual Review of Ecology， Evolution， and Systematics， 2013，44（1）： 389-410.

[7] AN S Q， GU B H， ZHOU C F， et al. Spartina invasion in China： implications for invasive species management and future research[J]. Weed Research， 2007，47（3）： 183-191.

[8] 王卿，安樹青，馬志軍，等.入侵植物互花米草——生物學、生態學及管理[J].植物分類學報，2006（5）：559-588.

[9] 王卿.互花米草在上海崇明東灘的入侵歷史、分布現狀和擴張趨勢的預測[J].長江流域資源與環境，2011，20（6）：690-696.

[10] 王維奇，仝川，張林海，等.閩江河口濕地互花米草入侵機制[J].自然資源學報，2011（26）：1900-1907.

[11] 郭欣，潘偉生，陳粵超，等.廣東湛江紅樹林自然保護區及附近海岸互花米草入侵與紅樹林保護[J].林業與環境科學，2018，34（4）：58-63.

[12] 岳英潔，朱玉玲，畢永坤，等.基于無人機遙感監測的互花米草破碎斑塊分布特征研究[J].海洋湖沼通報，2022，44（4）：73-81.

[13] LIU M， MAO D， WANG Z， et al. Rapid Invasion of Spartina alterniflora in the Coastal Zone of Mainland China： New Observations from Landsat OLI Images[J]. Remote Sensing， 2018，10（12）： 1933.

[14] HAN X， WANG Y， KE Y， et al. Phenological heterogeneities of invasive Spartina alterniflora salt marshes revealed by high-spatial-resolution satellite imagery[J]. Ecological Indicators， 2022（144）：109492.

[15] 楊超，鄔國鋒，李清泉，等.植被遙感分類方法研究進展[J].地理與地理信息科學，2018，34（4）：24-32.

[16] 李巖舟，何艷洲，覃鋒，等.基于卷積神經網絡的互花米草識別研究[J].中國農機化學報，2023，44（4）：159-166.

[17] 朱玉玲，王建步，王安東，等.融合淺層特征的深度卷積神經網絡互花米草遙感監測方法[J].海洋科學，2019，43（7）：12-22.

[18] 韓吉南，竇鑫，陳力，等.基于全局-邊界融合網絡的高分辨率遙感影像語義分割方法[C]//第七屆高分辨率對地觀測學術年會，長沙：高分辨率對地觀測學術聯盟，2020：1-13.

基金項目：聯合國環境署“南中國海”項目（S1-32GFL-000631，SB-009056）；廣東省林業科技創新項目（2022KJCX019）；臺山市林業外來入侵物種普查項目（20230217）

第一作者簡介：陳湛昊（1998-），男，碩士研究生。研究方向為林業有害生物防治。

*通信作者：孫思（1980-），男，博士，副教授。研究方向為林業有害生物遙感監測與防控。