论文部分内容阅读
森林资源是陆地生态系统和自然资源的基础,对人类生存发展和生产生活有着不可替代的作用,需要及时准确掌握森林资源信息以实现保护、利用。本文通过对国内外森林资源监测研究现状总结与分析,发现森林分类是实现森林资源精准监测的重要环节。高分辨率遥感影像的丰富为提高森林资源监测精度提供了更加优质的影像资源,但也对影像解译提出了新的技术要求。基于对象的深度学习分类方法可以有效利用高分辨率遥感影像的光谱、空间等信息构建分类特征,实现高精度的森林精细分类,且具有避免“椒盐”现象等优点,是一种优良的森林精细分类方法。但是,目前对于森林资源监测的高分辨率遥感数据仍以国外遥感数据为主。随着我国技术的不断发展,国产遥感数据丰富、数据质量提升以及更多基于国产遥感数据的研究涌现将成为必然的发展趋势。高分二号(GF-2)作为我国首颗亚米级卫星具有高辐射精度、高定位精度、地物光谱、纹理和几何等特征类间差异明显等优点,在森林资源监测中开展了较为广泛的研究,被证实是一种优质的高分辨率遥感数据源。目前基于GF-2森林资源监测研究发现,应用于森林精细分类的方法仍以典型的浅层分类模型为主,精度有限;深度学习方法更新相对滞后,有待丰富。为实现更高效的高精度森林精准分类,本研究基于GF-2遥感影像开展深度学习的森林分类研究。本文应用了一种新的深度学习方法,名为多路径优化网络(Multi-Path Refinement Networks,RefineNet)的全卷积神经网络模型(Fully Convolutional Networks,FCN),进行森林精细分类研究。研究以杭州市临安区与余杭区交界4200hm~2地块为研究区,采用基于对象的FCN分类方法,对研究区森林进行精细分类。将RefineNet分类结果与其他GF-2适用的FCN分类方法(Visual Geometry Group Network,VGGNet和Unity Networking,U-Net)对比,分析RefineNet在各森林类别识别分类中的优势和不足,探讨GF-2遥感影像中较优的分类模型方法,结果表明:(1)面向对象能够有效消除“椒盐现象”,提高分类精度。应用ESP2(Estimationof Scale Parameter 2)尺度评价工具辅助获取不同地物的最优分割参数,在不同层次下取得了良好的分割效果,为分割尺度参数获取提供辅助依据,同时节省分割参数获取时间。采用随机森林算法对分割后影像获取的89个特征变量进行筛选,得到的17个特征变量能够良好反映地物信息。在使用FCN进行森林精细分类时,应用这17个特征变量识别地物,取得了良好的分类效果。(2)RefineNet的方法能够有效学习图像特征,实现端对端的训练和识别。三个FCN结果中,RefineNet总体分类精度、Kappa系数最高,为93.33%和0.9253;比U-Net提高1.16%和0.0130,比VGGNet-19提高2.66%和0.0298。森林总体分类精度91.79%,在各森林类别识别精度上:竹林92.96%,阔叶林94.95%,茶叶89.36%,杉木91.80%,马尾松92.00%,苗圃地87.10%。其中,除茶叶的分类精度上低于U-Net2.13%,其他地类的分类精度表现上均优于VGGNet和U-Net的分类结果。(3)在学习效率的表现上,RefineNet表现出更强的模型拟合性,模型收敛速度快,仅需137轮训练,模型便趋于稳定,远低于U-Net的176轮和VGGNet的274轮。在合理的实验环境配置下,RefineNet和U-Net模型收敛精度达到稳定的训练总时长基本一致,远低于VGGNet的训练总时长。考虑总体和在各森林类别分类中的表现,基于对象的RefineNet分类方法在森林精细分类上具有可行性和有效性,且有较高的识别分类精度和学习效率,对森林资源的动态监测、森林精细分类的发展有着较大的意义。