高分二号卫星影像在地表分类中的研究

陈 昀

（常州市自然资源和规划服务中心，江苏常州 213022）

0 引言

高分二号（GF-2）是国内第一个空间分辨率超过1 m 的民用光学遥感卫星，其配备有2 个1 m 全色、4 m 多波段的高分辨率摄像机，具备亚米级空间分辨率、高精度定位等优点，极大地提高了卫星的综合性能，达到了世界领先水平［1］。在地表监测工作中，高分二号重要用途是获取高分辨率遥感影像以观测地表情况。地形要素中的土壤、地貌、气候、水文、植被等自然因素可为山洪提供松软的固体物源、充足水源和陡峭地势三大基本条件［2］。通过监测地面土壤、地势、地貌等要素，基于高分二号的遥感影像可以观测到地表的变化状况，从而进行灾害的监测与预警任务。研究将使用高分二号和改进的遥感影像分类方法进行地表监测，为地区灾害监测预警提供方法。

1 基于高分二号遥感影像的地表监测方法

1.1 研究区域概况与传感器设置

选取我国江苏省常州市某自然风景区，该地区地势较为平坦，以平原为主，人造道路纵横交错，植被覆盖率高。选择2020 年3 月1 日12：00 国产高分二号PMS-2 传感器关于该地区平原、道路边坡及其他周边环境的遥感影像进行研究。该图像太阳天顶角和方位角分别为29.888°和144.450°；传感器天顶角和方位角分别为79.722 7°和95.980°。

高分二号传感器的光谱响应函数和辐射定标系数采用中国资源卫星应用中心于2016 年发布的参数数据［3］。光谱响应函数为传感器在每个波长处接收到的辐射亮度与入射亮度比值，是传感器的固有参数。若一束光经大气反射到传感器感光元件的固定能量是L，传感器某一波段的光谱响应函数为0.9，则其入射能量表示为0.9L。

研究先将高分二号传感器获取的DF-2L1A 图像用定标系数转换为大气上层辐射亮度图像，然后用MODTRAN 辐射传输模型进行大气校正，其中，包括大气参数估算和地面频谱反射率的演。特别是高空间分辨率像素点相邻效应所引起的交叉辐射通量。基于有理多项式系数模型（RPC）进行几何修正和正射校正，这对PMS-2 传感器高空间分辨率遥感影像的处理具有重要意义。几何修正处理可以消除图像的几何变形，并使图像地图具有坐标系。正射校正以德国DLR 的SRTMX-SARDEM 资料为基准。

1.2 研究区域监测指标选取

此次研究的监测指标选取植被覆盖度、土壤因子、地形坡度因子以及生态因子等。植被覆盖度根据归一化植被指数的像元二分模型估计得出，其过程如式（1）所示：

式中：f为植被覆盖度；NDVI为归一化的植被覆盖指数值。将近似0.05 的累积百分比作为置信区间时，研究域的NDVI直方图中的像元值是NDVIMAX；以0.95 作为置信区间时，研究域的NDVI直方图中的像元值是NDVIMAX。

坡度和坡向都是重要的地形指标，研究采用的ENV15.3 软件基于DLR SRTM DEM 数据，建立了地形坡度预测模型。降水、灌水是土壤水的重要来源，有效持水率是土壤水位基本物理特性。有效持水率与土壤基质组成、有机质含量、土壤矿物种类等有着密切的关系，可以通过土壤质地来估计有效持水率。对于不同的生态指标，如植被覆盖度、土壤指数、坡度系数等，研究根据这些指标对地质生态环境的贡献程度，将它们量化分级。研究通过DEM 计算得出地形坡度，并对各生态因素进行标准化处理。

本研究选择综合指数法进行自然生态环境评价，如式（2）所示：

式中：EI为生态环境状况指数；Gf为归一化的植被覆盖度；Gs为归一化的土壤因子；Gp为归一化的地形坡度因子。

1.3 高分辨率遥感影像分类方法改进

高分辨率遥感影像的信息量较大，提取其信息的主要手段是图像分类。而传统的图像分类法难以满足其要求，因此基于对象的分类技术是当前的主要技术。但是，该分类技术还不完善，在选取最优参数和最优特征时，需要更多的人工干预。所以，更好地实现地表信息的智能化、自动化的图像分类，仍然是一个亟待解决的问题［4］。

此次研究选取UNet 网络改进遥感影像分类技术。UNet 是经典的编码—解码结构，由编码和解码部分组成。前者由最大池化层和卷积层构成，主要进行低层次特征提取；后者进行卷积和过采样，主要用于恢复由于过采样而丢失的高层次特征。解码部分使用Concatente 函数进行特征融合后进行卷积。该网络具有训练所需样本数量少、训练速度快等特点。UNet 网络首先被用于图像复杂度低、背景单一的医疗图像分类。而研究区域地物种类繁多，遥感影像的光谱范围大、背景复杂，传统的UNet 网络很难从其中提取出深层像素点特征。因此研究增加了UNet 网络模型的卷积次数以获取更深层的抽象特征。

改进后的UNet 网络模型采用了4 次过采样和欠采样的对称编码—解码结构，输入图像的尺寸和输出图像一致，都是256×256 像素。模型卷积27次，有4 层最大池化层、2 个Dropout 层，不具备前馈层。该网络的左半部分是一般的卷积网络，也就是欠采样。其组成部分为5 个卷积层和4 个最大的池化层。其中，前2 个卷积层卷积2 次，后3 个卷积3 次，每个卷积核的大小都是3×3，卷积核数量分别是64 个、128 个、256 个、512 个和1024 个。同时，该网络还包含了可以减小输入特征图大小、提取稀疏特征、减小模型参数、简化网络结构的池化层。网络的右半部分与左半部分是对称的，其中心部分是与4 个降采样相对应的过采样和5 个卷积。过采样输出深层的抽象特征，欠采样输出浅层的局部特征，采用Concatente 方法将二者融合，从而获得卷积层的输入数据。如此，模型既能保持特征图的空间维度，又能还原其细节，并在此基础上利用Softmax 函数来实现概率映射。

2 基于高分二号遥感影像的地表分类方法应用结果分析

为评估此次改进的高分辨率遥感影像分类方法是否有效，选取研究区域2020 年部分图像作为训练图像对改进的UNet 网络进行训练。选取的地区涵盖了研究区内的全部地形类别，并且尽量使类型的数目平均分配。将该区各类型的解译矢量进行目视解译，得到包含园地、荒地、林地、水体、草地、建筑、道路等各种地貌类别属性的矢量数据。选择5120×2560 个像素点作为训练数据，5120×2560 个像素点作为验证数据。网络训练环境如下所示：

Inter（R）Core（TM）i7-7700HQCPU@2.80GHz2.80 GHz 处理器，TensorFlow2.0.0 为GPU 版本；测试时为Inter（R）Core（TM）i5-8250UCPU@1.60GHz1.80 GHz 处理器，TensorFlow2.0.0 为CPU 版本；学习框架为Python3.6、Keras2.2.4 软件。

每一次迭代，网络都会有100 个采样，也就是每一次重复500 个采样。当迭代完成后，损失减少时，将权值模型保留，并设定迭代200 次。由于该模型的输入尺寸是256×256 像素，因此，需要定义一个测试图像生成器，将图像转换为能够被输入的图像尺寸，再通过滑动窗口将该图像分割输入到该生成器中，将该图像转换为能够被输入到该模型中的格式。此次实验采用误差矩阵来评定改进UNet网络的分类效果，该矩阵能求出该方法分类不同类型图像的精度，并能反映出研究区的整体精度。为分析本研究方法的性能，还对比了其与决策树、最近邻等传统图像分类方法、文献［5］的基于增强型DeepLab 算法、自适应损失函数方法的分类结果。

UNet 网络分类结果的误差矩阵如图1 所示。该图是一个8×8 的矩阵表达，每个行表示这个类别的像素点分类到其他类别的正确与误分数量。每一种图像分类的精确度就是该类别中的像素点与该地区整体像素点的比率，而整体精确度则是所有分类正确的像素点与研究区总像素点数量之比。该图中单元格的颜色越深表示像素点数量越多。

图1 UNet 网络分类结果误差矩阵

由图1 可知：大部分像素点都被分类到了正确的图像类型之中。其中林地图像的正确分类像素点数量最多，说明本研究方法对带有林地元素的遥感影像分类精度最高。

UNet 网络各类型图像的分类精度如图2 所示。UNet 网络分类的整体准确率可达89.98%，其对林地的划分效果特别好，其中林地的分类准确率高达96.01%，仅次于建筑物，这与林地特征简单易识别有关。荒地和道路对比林地的分类精度要小一些，前者是85.63%，后者是73.60%。建筑的分类准确率是96.00%，部分建筑因为有绿化区域被错误地分类为林地，水体和其他类型相对分类准确率不高，分别为74.30% 和72.67%，其中大部分水域被错误划分为森林和荒地，原因是河流周边的海岸线和沼泽地都有植被，而真正的浅滩和水源丰富的湿地则属于水域。其他类型图像因为数量不多，导致训练样本量较小，因此网络的分类精度较差。道路的准确率为79.88%。草地的分类准确率最低，在68.72% 左右，这与草场样本数量稀少、无法提取深层特征有关。

图2 UNet 网络各类型图像分类精度

改进UNet 方法与决策树法、最近邻法、文献［5］方法的分类结果如图3 所示。

图3 各方法分类精度

由图3 可知：本研究所提出的方法具有较高的分类准确率，其他几种方法的准确率相差不大。改进UNet 方法比最近邻法的整体准确率提高了13.60%，比决策树算法整体准确率提高了16.41%，比文献［5］方法提高了8.83%。除了草地和水体外，本研究方法的分类准确率都是最高的，其余3 种方法的水体类型分类准确率都比较低。这与河流的特点有关，河道滩涂虽然也归属水体但也具有植被，易与林地草地混同。

总之，UNet 网络实现了图像与类型之间的逐像素点匹配，得到了一个快速、高效、相对精确的分类模型。研究得到的研究区域各指标的评价结果如表1 所示，植被覆盖率越高、坡度越小、土壤指数越大，表明研究地区的环境综合评价越好。结合UNet的遥感影像分类结果与监测数据可知：本研究区域的环境状况整体表现良好。道路沿线及其周围的自然生态环境基本没有遭到破坏，生态系统整体稳定，生态系统自身的机能和自我修复能力也较好；地质生态环境对高速公路自身的损害程度不大。但道路两侧部分坡面仍有可能发生崩塌，因此，在雨季期间，应加强持续监测，以更全面地认识边坡滑坡的危险性，并作出相应的预警。

表1 各指标评价结果

3 结语

为研究高分二号在地表分类中的作用，研究将其应用于监测江苏省常州市某自然风景区X 地表并对基于UNet 网络的遥感影像分类方法进行了改进。实验结果显示：改进UNet 网络分类的整体准确率为89.98%，比最近邻法的整体准确率高13.60%，比决策树算法高16.41%，比文献［5］分类方法高8.83%。基于遥感影像与监测数据的评价结果显示：研究区域的环境状况整体表现良好，高分二号的地表监测方法是有效的。结合遥感影像分类结果与监测数据，对该自然风景区环境进行综合评价，得出了以下3 点结论：

1）基于改进UNet 网络的遥感影像分类方法能有效地监测地表变化并提供灾害预警。

2）得益于风景区的建立，该地区的自然生态环境得到了维护，整体生态环境状况较为良好。

3）该地区的地质生态环境整体稳定，但道路边坡的雨季滑坡仍然存在，可借助监测数据及时作出预警。

研究结果有利于拓展高分二号在地表分类中的应用，为其他区域的实际地类分类与监测工作提供借鉴。但此次研究仅对UNet 网络的参数和卷积层进行了修正，网络仍然需要许多次训练才能完成收敛，在今后的研究中还需探索其他方法缩短网络的训练时长，提高收敛性能。