混合U-Net模型下南方丘陵地區耕地識別

吳瑞姣

(福建省地質測繪院,福建 福州 350011)

準確的耕地面積和空間分布信息是權衡農業生產效益與生態環境保護的重要依據[1],也是解決產量估算[2]、土地利用規劃和農業生產管理等問題的關鍵[3]。衛星和高分辨率影像的迅速發展和快速獲取,為大范圍、精確有效的耕地信息監測提供了可能[4]。高分辨率遙感影像解譯是遙感信息處理領域的研究熱點之一[5]。隨著多源高分遙感影像數據的爆炸式增長,基于深度學習的智能圖像處理技術成為推動大數據時代遙感信息服務水平提升的重要力量[6]?；谙袼胤诸惖纳疃葘W習語義分割能快速解析圖像深層次語義信息,成為當前圖像分割領域最先進的應用技術[7],如全卷積神經網絡[8]、 U-Net[9]、 U-Net++[10]、殘差網絡ResNet[11]等,在自然場景圖像和醫學影像分割領域取得了顯著成效[6]。文獻[3-4,12-13]基于深度學習技術提取中高分辨率衛星遙感影像耕地開展了相關研究。然而以上研究,多數是基于高分、資源系列(0.65～2.5 m)或更低分辨率的衛星遙感影像,對于耕地地塊小、形狀不規則、農業景觀破碎的區域,混合像元影響大大增加了耕地遙感提取的難度,難以獲取準確的耕地提取結果[14]。而基于更高分辨率衛星遙感影像的耕地識別研究鮮有報道。越高分辨率衛星遙感影像,其光譜和空間紋理信息越復雜,地表細節特征越豐富,自動提取的難度也越大[6]。

因此,針對南方丘陵地區耕地零散、破碎、不規則導致的山垅田識別難度大、準確率低等問題,本文擬在 U-Net語義分割網絡基礎上,引入高效通道注意力(efficient channel attention,ECA)和注意力門(attention gate,AG)雙注意力模塊,構建一種混合U-Net模型,以福建省南安市2021年WorldView-2衛星影像為數據源,并對比不同網絡模型下耕地預測分類結果的精度,驗證本文方法的有效性,為糧食產量估算、耕地種植用途監測、耕地非糧化等提供準確可靠的技術支持。

1 研究區域和數據

1.1 研究區域

研究區為福建省南安市,位于福建省東南沿海,地處晉江中游、戴云山脈東南麓,境內以山地丘陵為主。南安市作為全國百強縣,經濟發展迅速,建設用地緊張、耕地保護壓力大,快速獲取該區域的耕地空間分布信息具有較強的實際需求。如圖1所示。

圖1 南安市研究區

1.2 影像數據及預處理

本文所使用的影像數據源為WorldView-2衛星影像18景,空間分辨率為0.5 m,成像時間是2021年1月15日-2月15日,含藍、綠、紅和近紅4個波段。利用PIE Orth軟件,根據影像自帶的RPC信息,基于基礎底圖和高精度DEM分別對全色和多光譜數據進行正射校正、配準、融合、重采樣和裁切等預處理。

1.3 模型訓練和驗證數據集

模型訓練和驗證數據使用WorldView-2影像標注耕地標簽,數據標簽的標記通過ArcGIS矢量化工具對采樣區域耕地矢量輪廓的勾畫,并轉化為柵格數據,生成二值化的掩膜標簽圖(即耕地與非耕地)。

首先通過目視檢查,剔除含耕地信息小于40%及明顯標注錯誤的圖片,再以4∶1的比例,將樣本劃分為訓練集和驗證集。然后通過縮放、翻轉(水平、垂直、對角線)、旋轉、隨機擴增策略進行數據增強,提升模型泛化能力。最后,分別得到512×512的訓練和驗證影像171 34張和4285張。

耕地精度驗證數據是2021年4月在南安外業實地調查時獲取的,共有1384個(如圖1所示)。其中,耕地981個,非耕地403個。

2 研究方法

2.1 融合ECA和AG雙注意力模塊的 U-Net

本文采用 U-Net深度學習網絡框架[9],即編碼器-解碼器結構。編碼器用于提取原始影像的特征,解碼器則將編碼器所提取的特征進行解碼重建,從而獲取像素級的分類結果。針對高分辨率遙感影像上山垅田識別難度大、準確率低等問題,在 U-Net模型基礎上引入ECA模塊[15]和AG模塊[16],構建一種基于 U-Net改進的雙注意力模塊混合U-Net模型進行高分辨率衛星遙感影像耕地信息提取。如圖2所示。

圖2 基于雙注意力模塊的混合U-Net模型

2.1.1 ECA模塊

通道注意力機制可以有效提高 U-Net的語義分割性能,但不可避免增加了模型的復雜度。ECA通過恰當的跨通道交互可以在降低模型復雜度的情況下提升語義分割性能。因此,本文在 U-Net中加入ECA模塊。該模塊使用一維卷積快速實現一種無降維的局部跨通道交互策略,在付出少量的參數代價的情況下,提高模型對不同波段的影像學習能力,增強對多尺度上下文信息的提取和利用,并抑制高分辨率遙感影像中冗余、無關信息的影響,提高耕地有效特征的提取精度。

ECA模塊如圖3所示。首先使用全局均值池化在空間維度對特征進行壓縮,獲取通道維度的全局特征;然后使用具有自適應卷積核的一維卷積構建局部特征通道間的相關性;最后使用一個Sigmoid函數獲得0～1之間歸一化的權重,并將其加權到每個通道的特征中。

圖3 嵌入bottleneck block中的ECA模塊

2.1.2 AG模塊

AG模塊中的注意力權重是由編解碼中兩部分的信息共同確定的,編碼部分淺層的神經網絡更善于提取局部的細節特征,而解碼部分深層的神經網絡更善于提取全局的語義特征。因此,AG模塊則是添加在 U-Net模型的編解碼器之間,同編解碼器之間的跳連接和上一層神經網絡相連,由編解碼信息共同構建的AG模塊可在把握耕地目標全局特征的情況下,將更多注意力集中于耕地目標的細節特征,從而使模型更多地關注耕地目標在形狀和大小上的變化,提升小塊耕地提取精度。如圖4所示。

圖4 AG模塊

g和xl分別為注意力模塊的輸入,其中g來自模型的編碼部分,具有低層次的語義信息,xl來自解碼部分,具有高層次的語義信息。AG模塊的具體實現過程為:首先將g和xl通過1×1的卷積后相加,突出編解碼均有的特征;然后經過ReLU激活函數,增加非線性操作;最后經過1×1卷積和Sigmoid函數,得到歸一化后的注意力權重α,并將其與xl相乘得到具有不同特征權重的新xl。

2.2 對比方法設置

為了更好地驗證所構建的模型,設置了兩個不同模型的對比試驗。第1個是基于編碼-解碼架構的 U-Net模型;第2個是在 U-Net模型基礎上添加了單一注意力機制,即在 U-Net編碼模塊中引入了殘差結構和ECA注意力機制,形成了ECA U-Net模型。通過對比分析3個模型的耕地預測提取結果,探究所提出的混合U-Net模型對于南方丘陵地區山垅田及零散獨立小地塊的空間特征提取效果。

2.3 模型訓練與結果預測

考慮Adam優化器在模型訓練過程相較其他優化器收斂得更快[17],在TensorFlow框架下選擇Adam優化器,使用3塊GPU NVIDIA GeForce RTX 2080 Ti(11 GB)顯卡進行模型參數訓練,其中batch＿size設置為4,初始學習率設置為1×10-4,在訓練中,學習率產生4次遞減,每次遞減為原學習率的0.2倍,模型在第150個epoch時結束。

當神經網絡模型訓練完成后,可以通過前向傳播過程得到影像的預測結果。使用處理后的遙感影像和訓練后的模型進行耕地信息結果預測,獲得耕地的空間分布圖。

2.4 精度評價

為了驗證混合U-Net模型在0.5 m高分辨率衛星遙感影像上提取耕地的精度和有效性,采用基于實際外業點,通過構建混淆矩陣計算用戶精度和生產者精度來定量化描述模型對南安市耕地提取的總體精度。

此外,另外選取了3個測試區域,選取的辦法是將南安市按照3072 m×3072 m劃分網格,共有278幅,扣除處于縣級行政界限邊緣未滿圖幅87幅,在剩余圖幅中按照10%的比例隨機挑選20幅作為候選測試區域。在此基礎上,按照耕地破碎程度、形狀規則程度,以及所處的坡度等級,人工選擇了3個代表性圖幅(山區、半山區半丘陵、平原)作為測試區域。采用深度學習語義分割常用的F1分數和交并比(IoU)作為評價指標,計算公式分別為

(1)

(2)

式中,TP為預測正確的正樣本;FP為預測錯誤的正樣本;TN為預測正確的負樣本;FN為預測錯誤的負樣本。

3 結果與分析

3.1 南安市耕地識別結果精度評價

基于調查的實地外業點,通過構建混淆矩陣計算用戶精度和生產者精度來定量化描述模型對南安市耕地提取的總體精度(見表1)。試驗結果表明,添加雙注意力機制的結果均優于添加單一注意力機制和不添加注意力機制的結果?；诨旌蟄-Net分類結果總體精度達到了93.42%,較ECA U-Net模型和 U-Net模型分別提升了9.75%和19%,總體精度較好。從3種網絡模型得出的生產者和用戶精度中發現:耕地的生產者和用戶精度均比非耕地的生產者和用戶精度高;ECA U-Net模型和 U-Net模型耕地的用戶精度大于生產者精度,漏分現象大于錯分現象;混合U-Net模型生產者精度大于用戶精度,錯分現象大于漏分現象。

表1 耕地提取精度 (%)

3.2 測試區域識別結果對比

在3個測試區域內,將不同模型測試結果與通過三調耕地結合人工目視解譯獲得的耕地真實值進行比對(見表2)。結果表明,混合U-Net模型、ECA U-Net模型和 U-Net模型的3個區域耕地F1分數平均值分別為0.918 6、0.810 1和0.631 5,IoU平均值分別為59.37%、72.53%和76.97%?；旌蟄-Net模型優于ECA U-Net模型和 U-Net模型的結果,尤其是在測試區域1(山區)和測試區域2(半山區、半丘陵)結果提升明顯。3個測試區域內,不同模型測試結果對比如圖5所示。

表2 測試區域耕地提取精度

圖5 3個測試區域不同方法提取耕地的驗證結果

測試區域1,位于南安市北部的向陽鄉,地處群山環抱的內陸山區,梯田和坡地類型耕地占區域1耕地總面積的94.54%。 U-Net模型提取的耕地與真實耕地一致性低的主要原因是漏提比較嚴重,如西側大片耕地的光譜特征因與林、園地相似而被錯分為非耕地,東側被四周林地包圍的獨立耕地遺漏,從而大大降低了提取耕地的精度。ECA U-Net模型在西側耕地與林園地光譜特征相似的情況下漏錯分現象得到改善,但并不能提升村莊周邊的小塊耕地及被林地包圍的獨立耕地提取精度。而混合U-Net模型,從圖5中可以明顯看到,東側數個被林地包圍的獨立耕地部分得到了提取,同時,在梯狀耕地地塊末端邊界精度也得到了部分改善。

測試區域2,位于南安市西部的碼頭鎮及詩山鎮,屬半山區、半丘陵地貌。村莊內部及周邊耕地為平地,占區域2耕地總面積的37.35%;梯田和坡地類型耕地則分布在村莊較遠的地區,占62.65%。 U-Net模型在村莊內部及周邊的平地耕地提取精度較好,但在村莊較遠的梯田和坡地上耕地提取精度偏低,特別是在西側村莊邊緣的山區耕地無法準確識別,出現了較大面積的漏分,也存在少量耕地光譜特征與林園相似錯分。ECA U-Net模型與真實耕地相比較,明顯改善了村莊邊緣的山區 U-Net模型無法識別的耕地,但對小塊耕地及被林地包圍的獨立耕地提取效果不佳?；旌蟄-Net模型相較ECA U-Net模型,對于村莊周邊小塊耕地及被林地包圍的小塊獨立耕地的識別得到了進一步提升,但仍有少部分圖斑會與村莊周邊的陰影、剛栽種的果園及水庫周邊的灘涂存在錯分現象。

測試區域3,主要為南安市南部的水頭鎮,屬平原地區,建設用地密集,地物之間異質性大。區域內耕地以平原耕地為主,占90.27%。本文設計的3種深度學習網絡模型預測的耕地結果在測試區域3的F1分數均在0.8以上,較測試區域1和測試區域2以梯田和坡地為主的識別能力更高。但由于地物之間異質性大,特別是 U-Net模型在被城鎮內部房屋包圍的小塊耕地、與平整地特征相類似的休耕地及房屋陰影遮蓋處的耕地容易出現漏分,而部分林園、荒草地、操場內部、養殖場等光譜特征與耕地相類似出現了錯分,提取的耕地邊界較真實耕地邊界,因耕地邊上荒草地錯納入耕地邊界,耕地內部非常小的林地、設施農用地未剔除。ECA U-Net模型相較U-Net模型,平整地特征相類似的休耕地漏分現象得到緩解,荒草地、操場內部、養殖場等光譜特征與耕地相類似錯分比例有所下降,但受房屋陰影遮蓋下的耕地及被城鎮內部房屋包圍的小塊耕地漏分仍然存在?；旌蟄-Net模型針對被城鎮內部房屋包圍的小塊耕地部分得到了提取,進一步提高了耕地提取精度。

3.3 南安市耕地空間分布分析

南安市預測的耕地(如圖6所示),面積為26 219.32 hm2。從耕地立地條件看,位于坡度≤2°的耕地為10 240.84 hm2,占全市耕地的39.06%;坡度位于(2°,6°]的耕地為6 248.41 hm2,占23.83%;位于(6°,15°]的耕地為5927.57 hm2,占22.61%;位于(15°,25°]的耕地為3 113.35 hm2,占11.87%;坡度>25°的耕地為689.25 hm2,占2.63%。從地理空間分布來看,平原、平原邊緣以上的坡麓、臺地及山地丘陵均有分布。耕地集中連片分布較少,零散農田較多,地塊較小,較多呈階梯狀和魚鱗狀分布。只有南部溪谷、河谷沖積平原和濱海平原處耕地比較集中、地塊較規則。

圖6 南安市耕地空間分布及坡度分級

4 結 語

本文提出了混合U-Net模型,在福建省南安市2021年WorldView-2衛星影像數據的耕地提取中取得了較好精度,優于單一注意力機制模型ECA U-Net和 U-Net模型,特別是在山區和半丘陵區,F1分數達到了0.921 2和0.902 5。 U-Net在平原地區耕地提取精度較好,但對山垅田的識別容易與耕地光譜特征相近的林地、荒草地、園地、平整地等混淆及受陰影影響導致分類精度降低,尤其是小塊耕地及被其他復雜地物包圍的獨立耕地的識別程度不高。ECA U-Net通過引入ECA注意力機制優化 U-Net的編碼器增強特征提取以提升性能,對于與耕地光譜特征相近的地物錯漏分現象明顯下降,整體分類效果提升明顯。但由于耕地的形狀和大小在南方丘陵山區差異較大,ECA U-Net只是單純地把同層的下采樣層的特征直接concate到上采樣層中,分類效果不如混合U-Net?；旌蟄-Net在編解碼器之間使用了AG注意力模塊,用于學習不同形狀和大小耕地目標,而使得一些較小的耕地及被其他復雜地物包圍的獨立耕地得到關注,具有較好的普適性。

盡管構建的混合U-Net模型在耕地提取上取得了較好的精度,本文仍然存在以下問題可以改進:①本文所需的精確樣本依靠人工制作,費時費力,樣本制作方面可利用聚類方法或active learning方法快速提取,因此如何快速制作精確樣本是需要進一步解決的問題;②高分辨率遙感影像耕地地塊的自動化提取算法依然是國內外遙感領域共同面臨的科學問題,傳統耕地地塊提取技術的效率已無法滿足當前精細化農業應用快速響應的需求,因此在本文基礎上,可以進一步研究耕地地塊的提取算法。