EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 9: 1690 - 1704

DOI: https://doi.org/10.12082/dqxxkx.2021.200795

遥感科学与应用技术

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

  • 李国清 , 1, 4 ,
  • 柏永青 , 2, * ,
  • 杨轩 3 ,
  • 陈正超 2 ,
  • 余海坤 1, 4
展开
  • 1. 河南省遥感测绘院,郑州 450003
  • 2. 中国科学院空天信息创新研究院 中国科学院航空遥感中心, 北京 100094
  • 3. 中国科学院空天信息创新研究院 中国科学院数字地球重点实验室,北京 100094
  • 4. 河南省自然资源卫星遥感科技创新中心,郑州 450003
*柏永青（1992— ）,男,甘肃平凉人,助理研究员,主要从事GIS与遥感应用研究。E-mail:

李国清（1977— ）,男,河南郑州人,高级工程师,主要从事摄影测量与遥感应用研究。E-mail:

收稿日期: 2020-12-31

  网络出版日期: 2021-11-25

基金资助

国家自然科学基金项目(42071407)

国家重点研发计划项目(2016YFB0500304)

中国科学院战略性先导科技专项(XDA23100304)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Automatic Deep Learning Land Cover Classification Methods of High-resolution Remotely Sensed Images

  • LI Guoqing , 1, 4 ,
  • BAI Yongqing , 2, * ,
  • YANG Xuan 3 ,
  • CHEN Zhengchao 2 ,
  • YU Haikun 1, 4
Expand
  • 1. Institute of Remote Sensing and Surveying and Mapping Henan, Zhengzhou 450003, China
  • 2. Airborne Remote Sensing Center, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 3. Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 4. Natural Resources and Satellite Remote Sensing Center for Technology and Innovation of Henan Province, Zhengzhou 450003, China
*BAI Yongqing, E-mail:

Received date: 2020-12-31

  Online published: 2021-11-25

Supported by

National Natural Science Foundation of China(42071407)

National Key Research and Development Program of China(2016YFB0500304)

Strategic Priority Research Program of Chinese Academy of Sciences(XDA23100304)

Copyright

Copyright reserved © 2021.
Fold

摘要

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。

关键词： 深度学习; 土地覆盖分类; 高分辨率; 编码解码架构; 卷积神经网络; 自动分类; 残差网络; 多尺度损失函数

本文引用格式

李国清 , 柏永青 , 杨轩 , 陈正超 , 余海坤 . 基于深度学习的高分辨率遥感影像土地覆盖自动分类方法[J]. 地球信息科学学报, 2021 , 23(9) : 1690 -1704 . DOI: 10.12082/dqxxkx.2021.200795

Abstract

Land cover change refers to the areal change and type transformation between vegetation cover and non-vegetation cover caused by climate change and human activities, which is closely related to human survival and development, ecological environment evolution, and material energy cycle. Accurate classification is the basis of land cover change while land cover change is the core of global change research. The rapid development of high-resolution remote sensing technology poses a dual challenge to the speed and accuracy of land surface classification. In recent years, the development of new artificial intelligence technology has realized the automatic segmentation of natural scene images. Intelligent image processing technology has become an important force to promote the improvement of remote sensing information service level in the era of big data. The deep learning method represented by the convolution neural network also has significant advantages in the field of remote sensing image classification. To compare the impacts of deep learning model design on the classification results of high-resolution remote sensing images, this paper takes Gaofen-1 images of Zhengzhou City in Henan Province in 2019 as an example. This paper compares and studies the differences of four diverse deep learning network models, improved based on UNet model, in the application of automatic land cover classification of high-resolution images. Furthermore, this paper discusses the influence mechanism of encoder and decoder architecture settings, such as residual network, multi-scale loss function, skip-layer connection, and attention mechanism module, on classification accuracy. The results show that the MS-EfficientUNet model with multi-scale loss function, skip-layer connection, and attention mechanism module is the best for Zhengzhou City land cover classification, with an overall classification accuracy, based on pixel evaluation, of 0.7981. By introducing multi-scale loss function into the decoder, the classification accuracy of the forest, water, and other categories can be effectively improved. Moreover, by improving the encoder, adding skip-layer connection and attention mechanism, the classification accuracy of grassland, water, and other categories can be further improved. The results show that the powerful generalization ability of deep learning technology can effectively break through the spectral and time-phased differences between images, and realize the feature adaptive enhancement and intelligent decision-making, which has great potential in the field of high-resolution remote sensing image segmentation. However, further improvement of classification accuracy and multi-level and large-scale fine classification method are still the focus of the next step. At the same time, the unification of image sequence and the expansion of training samples are also the key factors to further improve the classification accuracy.

Key words： deep learning; land cover classification; high resolution; encode and decode architecture; convolutional neural network; automatic classification; residual network; multi scale loss function

1 引言

土地覆盖变化是指由于气候变化和人类活动导致的地表植被覆盖物（森林、草原、耕作植被等）和非植被覆盖物（冰雪等）的面积变化和类型间的相互转换[1]。土地覆盖变化与人类生存发展、生态环境演变和物质能量循环等息息相关,长期以来成为全球环境变化的热点和核心领域[2]。自1972年美国陆地卫星发射以来,多种遥感尺度下的大量土地利用/土地覆盖科学研究和工程项目为全球和地区土地资源调查[3,4]、国土空间规划[5,6]、生态环境评估[7,8]、农林牧渔监测[9,10]等政府决策、科学研究和生产生活各方面提供了知识和服务支撑[11],也催生了大量全球或全国范围土地覆被数据产品。如自然资源部陈军团队[12]依托Landsat、HJ-1和GF-1 WFV等影像数据,基于“像元-对象-知识”的地表覆盖POK提取法,生产了2020年全球30 m土地覆盖数据产品GlobeLand30-2020,第三方机构评价总体精度为85.72%;清华大学宫鹏团队[13]基于Sentinel-2数据,依托随机森林分类方法,生产得到全球10 m地表覆被产品,总体精度72.76%。
精准分类是开展土地覆盖变化研究的基础,传统的基于像元的遥感影像监督分类算法主要根据地物光谱对图像进行分类,显著依赖于先验知识和实践经验[14]。然而,米级及以下高分辨率图像的光谱多样性和空间复杂性对分类和提取任务带来了极大挑战,基于物理模型和统计模型的传统土地覆盖分类方法已难以满足大数据时代的遥感信息提取[15]。基于像素分类的深度学习语义分割能快速解析图像深层次语义信息,成为当前图像分割领域最先进的应用技术[16]。卷积神经网络（Convolutional Neural Network,CNN）通过模拟人脑神经元相互传递信息的多层感知机制,自动从大规模数据中学习和提取特征,并把结果泛化到同类型未知数据中,有效避免了人工参与导致的主观判断错误,实现统一标准下的自动生产,从时间、精度和流程3个方面提升传统影像分类工作的速度和质量,在当前图像自动分类识别领域占据重要的地位[17,18]。近年来也诞生了大量基于CNN思想的经典图像识别和图像分割网络模型,如首次实现端对端形式图像分割的全卷积神经网络（Full Convolution Neural Network,FCN）[19]、基于编码-解码（Encode-Decode）架构的UNet[20]、UNet++[21]、SegNet[22]、残差网络 ResNet[23],以及谷歌的DeepLab系列模型[24,25]等,在自然场景图像和医学影像分割领域取得了显著成效。
随着遥感技术的飞速发展和应用领域的不断扩大,用户对遥感影像数据分类的效率和精度要求日益提高。深度学习技术在图像分割领域的快速发展也加速了人工智能和遥感大数据的深度融合[26,27],深度学习技术也逐渐被应用于高分辨率遥感影像土地覆盖自动分类研究之中。李宏达等[28]对比研究了CNN在西宁市东部地区5种不同空间分辨率（4~30 m）遥感影像土地覆被分类中的差异性和提取能力,总体精度均高于89%,且分辨率越高,分类结果精度越高,表明CNN更适合高空间分辨率影像分类。Fu等[29]用卷积层替换传统CNN的全连接层构建FCN,并基于15 000个512像素×512像素的2 m分辨率影像数据开展植被、水体、道路和建筑物分类,精度达到85%以上,表明FCN在高分辨率影像自动分类研究中具有重要应用价值。董秀春等[30]使用0.5 m的谷歌影像基于UNet模型提取研究了云南省陇川县甘蔗种植空间信息,总体精度高于92%,表明UNet神经网络模型在高分辨率遥感影像快速提取农作物方面具有较成熟的应用场景。杨瑞等[31]利用UNet网络模型基于高分2号影像开展了黑河下游额济纳绿洲5类典型地物的分割提取,总体精度高于85%,表明UNet深度学习模型在高分辨率卫星影像地物覆盖分类应用中比传统支持向量机和面向对象方法能更好地提取地物本质特征。
不同于普通图像,高分辨率遥感影像复杂的光谱和空间纹理信息在丰富地表细节特征的同时也提高了自动分类的难度。由于不同类别地物目标的大小差异较大,神经网络需要在不同感受野下对地物目标的特征进行有效提取。比如水体中的湖泊和池塘的大小差异很大,林地覆盖区域也变化多端,城市与村镇也相差较大的数量级,如果网络无法对不同的感受野进行自适应,则可能导致小型地物无法正确提取,或者大型地物内部存在错分,若同种地物光谱变异较大,基于像素的分类通常存在一定程度的“椒盐现象”。不同时相的遥感影像往往存在辐射亮度不一致或云雪覆盖的情况,镶嵌的痕迹也会造成分类结果中的接边效应,图像增强算法一定程度上能降低不同影像之间的色彩差异,但同时也损失了重要的光谱差异信息。针对特定医学图像或自然图像的分割模型很难直接迁移到高分辨率遥感影像分类应用中,异物同谱和同物异谱仍然是遥感影像自动分类面临的主要难题。另外,众多语义分割模型也是各有优劣,FCN可对任意大小的图片进行处理,但对图像细节分割效果欠佳[32];SegNet在上采样过程中利用编码器池化层的下标索引恢复图像分辨率,在一定程度上加速了网络的运行,但上采样仅给对应索引位置的特征赋值,其余位置的信息则发生了丢失;UNet通过编码-解码器的卷积、池化、跳级连接、多特征图融合等操作可实现影像的快速分割,但其简单的编码器结构在网络训练过程中容易出现梯度消失和梯度爆炸的问题[20];UNet++通过增加多层连接来减少编码器和解码器子网络特征映射之间的语义差距,但多层连接带来了网络学习速度慢,loss趋势不稳定,显存开销增大的问题[21];DeepLab系列模型提出空洞卷积支持沿对象边界细化分割,但其空洞卷积模块会导致计算速度变慢,显存开销增大,并且特征聚合抽象能力不如池化的方式[25]。同时,各种模型损失函数的选择更是决定模型收敛水平和预测结果的重要因素。
目前基于深度学习的遥感影像自动分类研究多是对不同网络模型进行横向比较,而根据任务导向对已有成熟模型进行逐层改进并开展纵向对比的研究较少。如何设计一个在高分辨率遥感影像土地覆盖分类应用中较通用的深度学习网络模型,仍然是当前同类研究中难以解决的问题。因此,本文拟基于郑州市2019年高分1号卫星影像数据,选择模型框架简单、通用性较强的UNet语义分割网络为基础,根据需要对网络编码器和解码器结构进行改进,如引入残差结构避免梯度爆炸、引入多尺度损失函数实现感受野自适应、引入深度可分离卷积和通道注意力机制等模块融合地物类型与空间位置关系等,对比统一架构下的不同网络体系对郑州市高分辨率影像土地覆盖分类结果的精度,从而探索深度学习神经网络在高分辨率影像土地覆盖自动分类应用中的先进性和局限性,为遥感大数据时代人工智能技术的快速发展及其在土地资源监测等系列需求中的成熟应用奠定基础和提供支撑。

2 网络结构设计

为研究不同编码解码器架构设计对高分影像土地覆被分类结果的影响,本研究基于UNet基础网络,通过引入残差网络、多尺度损失函数、通道注意力机制等模块来构造生成ResUNet、MS-ResUNet、EfficientUNet、MS-EfficientUNet 4种网络模型,开展对比实验。
（1）ResUNet
针对UNet语义分割网络在训练过程中出现的梯度消失或者梯度爆炸问题,ResNet的残差结构设计提供了有效的解决思路,同时ResNet的批归一化层也加快了网络学习速度,优化了每一层特征的数据分布情况[33]。因此本文首先将UNet的编码器替换为ResNet,得到了如图1(a)和表1所示的ResUNet网络结构。ResUNet的编码器中包括了卷积层、批归一化层以及激活函数组成,下采样则通过步长为2的卷积运算实现,解码器则与UNet保持一致。在图1(a)中ResBlock1代表步长为1的ResNet基本结构,ResBlock2代表步长为2的进行下采样的ResNet基本结构。编码器中每一阶段的浅层特征都与解码器中的深层特征进行融合,逐步上采样特征,恢复特征图的大小。在模型训练阶段,本文采用ResNet-50作为ResUNet的编码器,基于PyTorch深度学习框架,使用两张NVIDIA TITAN RTX显卡,输入1024像素大小的样本切片,通过随机翻转、随机旋转、随机裁切、随机HSV颜色抖动、随机模糊等数据增强操作,得到大小为512像素的增强样本切片,输入网络进行训练。学习率采用WarmUp策略和自适应学习率策略,WarmUp阶段,初始学习率为1e-5,经过10个epoch提升到1e-3;自适应阶段,当连续10个epoch验证集精度不再上升时,学习率乘上系数0.3。最大训练周期为100个epoch。损失函数采用交叉熵与Lovasz Loss的和,优化器采用Adam。
图1 4种网络结构图

Fig. 1 Architecture of 4 networks

表1 ResUNet和MS-ResUNet网络的详细配置

Tab. 1 Detailed configuration of the ResUNet and MS-ResUNet

ResUNet/MS-ResUNet 操作 卷积核大小 输出尺寸/
像素
输入 — — 512×512
编码器 Basic Conv 7×7 256×256
Max Pool 3×3 128×128
Basic ResBlock × 3 3×3 128×128
Basic ResBlock × 4 3×3 64×64
Basic ResBlock × 6 3×3 32×32
Basic ResBlock × 3 3×3 16×16
桥梁 Basic Conv 1×1 16×16
Upsampling — 32×32
解码器 Basic Conv 3×3 32×32
Upsampling — 64×64
Basic Conv 3×3 64×64
Upsampling — 128×128
Basic Conv 3×3 128×128
Upsampling — 512×512
（2）MS-ResUNet
考虑到遥感影像上不同地物的大小差异,神经网络模型设计需要根据影像切片上目标地物的尺寸实现感受野自适应,从而获得更准确的分类结果。因此针对前文提出的ResUNet,本研究引入多尺度Loss（Multi-Scale Loss）进行约束[34,35],在解码器的每个阶段均进行loss计算,在不同尺度下对特征进行约束,改进后的MS-ResUNet（MS表示Multi-Scale Loss）网络结构示意图如图1(b)所示,详细配置如表1所示。具体来说MS-ResUNet有4个输出,本文对编码器的每个阶段都获取预测结果并计算损失函数。随着分辨率的降低,图像特征图细节更加粗糙,因此本研究对不同阶段的loss权重赋予不同的值。最终MS-ResUNet的损失函数如式（1）所示。
loss = ∑ i = 0 3 w i los s i
式中： i表示不同阶段的序号,取值0~3, w i是不同阶段的loss权重, los s i是每一个阶段计算出的损失函数,在本文D0、D1、D2、D3各阶段的具体权重分别为1、0.6、0.4、0.2。多尺度Loss能有效帮助网络关注到不同尺度下的特征,同时也能加速网络的学习过程。为便于对比研究,本文采用ResNet-50作为MS-ResUNet的编码器,模型训练环境、输入设置和学习率均与ResUNet相同,训练周期以收敛为准,损失函数4个阶段均采用交叉熵与Lovasz Loss,优化器采用Adam。
（3）EfficientUNet
模型扩展是提高卷积神经网络分割效果的有效途径,为此Tan等[36]提出EfficientNet,针对其构建的基础网络EfficientNet-b0,通过设计标准化的卷积网络扩展方法,在输入图像分辨率、宽度、深度3个维度上进行网络模型拓展,从而获得了从b1—b7一系列的网络模型。同时EfficientNet使用了移动翻转瓶颈卷积（Mobile Inverted Bottleneck Convolution, MBConv）（图2）作为模型的主干网络,增加了1×1卷积进行跳层连接,使用计算量更小的Depthwise卷积代替普通卷积,还融合了通道注意力机制,优化了特征的提取,促进了模型效率和准确率的提升。由于遥感地物的纹理较为复杂,地物类型与空间位置分布高度相关,因此需要一个更复杂的网络结构来提高特征信息的提取能力。因此,本文将EfficientNet作为网络的编码器,用UNet结构作为解码器,构建了如图1(c)所示的EfficientUNet网络结构,以揭示编码器结构对分类结果的影响程度,本文中EfficientUNet网络的详细配置如表2所示。在图1(c)中,MBConv1表示在1×1的卷积中输入特征图的通道没有改变,MBConv6则表示在1×1卷积中通道数被放大6倍。与ResNet相同,EfficientNet同样使用步长为2的卷积进行下采样。训练过程中,本文采用EfficientNet-b3作为EfficientUNet的编码器,模型训练环境和过程参数设置均同于ResUNet。
图2 MBConv结构

Fig. 2 Architecture of the MBConv

表2 EfficientUNet和MS-EfficientUNet网络的详细配置

Tab. 2 Detailed configuration of the EfficientUNet and MS-EfficientUNet

EfficientUNet/MS-EfficientUNet 操作 卷积核大小 输出尺寸/
像素
输入 — — 512×512
编码器 Basic Conv 3×3 256×256
MBConv1 × 2 3×3 256×256
MBConv6 × 3 3×3 128×128
MBConv6 × 3 5×5 64×64
MBConv6 × 5 3×3 32×32
MBConv6 × 5 5×5 32×32
MBConv6 × 6 5×5 16×16
MBConv6 × 2 3×3 16×16
桥梁 Basic Conv 1×1 16×16
Upsampling — 32×32
解码器 Basic Conv 3×3 32×32
Upsampling — 64×64
Basic Conv 3×3 64×64
Upsampling — 128×128
Basic Conv 3×3 128×128
Upsampling — 512×512
（4）MS-EfficientUNet
在对编码器和解码器架构分别改造之后,本研究参考MS-ResUNet架构,在EfficientUNet的基础上,对解码器引入多尺度Loss约束,设计了结构如图1(d)和表2所示的MS-EfficientUNet网络模型,对比研究不同的编码器和解码器框架设计对高分辨率遥感影像自动分类结果的影响。与MS-ResUNet类似,MS-EfficientUNet拥有4个输出,最终的损失函数计算如式（1）所示,D0、D1、D2、D3各阶段的具体权重分别为1、0.6、0.4、0.2。训练过程中,本文采用EfficientNet-b3作为MS-EfficientUNet的编码器,模型训练环境、输入设置和学习率均与ResUNet相同,训练周期以收敛为准,损失函数4个阶段均采用交叉熵与Lovasz Loss,优化器采用Adam。

3 研究区概况、数据来源和研究方法

3.1 研究区概况

郑州市位于中国华北平原南部的黄河下游地区,地处中国第二级与第三级地貌台阶的交接过渡地带,居河南省中部偏西北,处于112°42′E—114°14′E,34°16′N—34°58′N之间（图3）,全市总面积7446 km2,下辖6个市辖区、5个县级市和1个县。截止2019年底,郑州市常住人口1035.2万人,其中城镇人口772.1万人,城镇化率74.6%[37]。郑州市北依黄河,南临嵩山,区内地形复杂,山地、丘陵和平原分别占总面积的31.9%、30.3%和37.8%,整体呈西南高而东北低的阶梯状下降趋势[38]。郑州市属北温带大陆性季风气候,冷暖交替,四季分明,年平均温度14.3 ℃,多年平均降水量640 mm,其中7—9月份降雨占全年降水量的60%左右[39]。郑州市境内道路河网密集,植被类型多样,工农业生产历史悠久,是中国内陆开放城市和中部地区重要的商贸中心城市,在全国经济发展格局中具有承东启西、贯通南北的重要作用,近年来已经成为我国中西部地区经济增长主要区域之一。
图3 郑州市行政区划及高程分布

Fig. 3 Administrative division and elevation distribution map of Zhengzhou City

3.2 数据来源及预处理

本文使用国产高分1号卫星全色多光谱相机影像作为原始数据,按照云量小于10%的标准,筛选得到覆盖河南省郑州市的14景高分1号影像,成像时间为2019年4—11月,影像数据谱段范围及分辨率情况如表3所示。如图4所示,本研究中数据预处理过程主要包括辐射增强、光谱融合、正射校正、影像配准等。为提升图像对比度,去除薄雾等影响,本研究首先基于直方图统计结果对解压后的全色和多光谱影像进行辐射增强,保留图像高亮和暗部细节,然后采用Pansharpen融合方法对全色影像和多光谱影像进行融合,提高图像分辨率,突出纹理细节,并基于卫星影像的有理多项式系数（Rational Polynomial Coefficient,RPC）参数和数字地面模型（Digital Surface Model,DSM）数据对融合后的影像进行正射校正处理,消除图像几何畸变。其次,以Google影像作为基准参考影像对高分1号影像正射校正结果进行地理配准,提高其定位精度,配准处理后的图像与参考影像配准精度在2像素以内;最后在影像镶嵌的结果上根据语义分割需要对图像进行切片,考虑硬件资源的限制和全卷积神经网络的性能范围,本研究中影像切片大小为10 386像素×10 386像素。
图4 高分1号卫星影像数据预处理流程

Fig. 4 Data preprocessing process of Gaofen-1 satellite images

表3 高分1号卫星影像数据概况

Tab. 3 Overview of Gaofen-1 satellite image data

波段号 相机类型 谱段范围/μm 空间分辨率/m
1 全色 0.45~0.90 2
2 多光谱 0.45~0.52 8
3 0.52~0.59
4 0.63~0.69
5 0.77~0.89

3.3 技术路线与研究方法

3.3.1 技术路线
图5给出了本文基于深度学习的高分辨率遥感影像土地覆盖分类技术流程图。基于经过自动化处理的遥感影像和样本数据集,通过修改编码器和解码器架构,对比4种网络结构在高分辨率遥感影像土地覆被自动分类应用中的差异性,评估不同网络配置对于分类结果总体精度和单类精度的影响,从而得到郑州市土地覆被分类结果。
图5 基于深度学习的高分辨率遥感影像土地覆盖分类技术流程

Fig. 5 Flowchart of high resolution remote sensing image land cover classification based on deep learning

3.3.2 样本制作
与传统遥感影像处理方法相比,深度学习算法在考虑影像光谱信息的基础上,进一步通过逐层增大感受野的方式学习地表覆盖类型的纹理结构特征,弥补了传统方法无法有效、精确识别地表覆盖类型的缺陷和不足。参考生态十年环境遥感监测土地覆盖分类系统的一级分类体系[40],对应联合国政府间气候变化专门委员会的6类土地覆被类型[41],本研究确定了包含林地、草地、水体、耕地、人工表面和其他6类地表覆盖类别的分类系统。
基于深度学习技术的遥感影像分类是通过学习大量样本来估算模型参数,使模型在适应目标颜色和纹理变化的同时能有效抵抗背景信息干扰,从而建立分类模型对特征进行分类[42]。因此,模型的检测和分类性能很大程度上依赖于训练样本的种类和数量,样本数量越多,种类越丰富,则模型的性能更稳定,适应能力更好[42,43]。本研究中土地覆盖样本数据集通过目视判读加人工手绘的方式完成解译。首先根据研究区地理环境、地势地貌等特征,结合已有的中低分辨率土地覆盖分类结果,选取郑州市25%的区域建立解译样区,在高分辨率影像上对样区内土地覆被类型进行目视解译和手工标绘,同时建立属性数据库,并邀请遥感目视解译专家对样区解译结果进行审查修改,从而得到样区土地覆盖分类样本,建立研究区解译标志库。为了保证样本的均匀分布,本文通过间隔采样的方式,在整个研究区内生成了1088景1024像元×1024像元大小的样本切片,每张切片由蓝、绿、红、近红外4个波段与像素级真值标记组成,制作的训练样本如图6所示。在模型训练及预测过程中,本研究参考周志华[44]和苏育挺等[45]提出的模型评估方法,按照7:2:1的比例随机划分训练集、测试集和验证集,以保证模型的稳定性。
图6 土地覆盖训练样本示意

Fig. 6 Schematic diagram of land cover training labels of Zhengzhou City

3.3.3 精度评价方法
有效的精度评价体系是评估深度学习遥感分类结果的重要保障,同时也是数据产品开展应用的基础。本文采用深度学习常用的像素总体精度（Accuracy）评价分类结果的总体分类精度,计算方式如式（2）所示;用交并比（Intersection over Union,IoU）与F1分数（F1_Score）2个指标评价分类结果的单类分类精度,计算方式分别如式（3）和式（4）所示。
Accuracy = TP + TN TP + TN + FP + FN
IoU = TP TP + FP + FN
F 1 _ Score = 2 × Precision × Recall Precision + Recall
Precision = TP TP + FP
Recall = TP TP + FN
式中： Accuracy表示像素总体精度; IoU表示交并比; TP表示分类结果中正样本被正确分类的像素个数, TN表示分类结果中负样本被正确分类的像素个数, FP表示分类结果中正样本被错分的像素个数, FN表示分类结果中负样本被错分的像素个数; F 1 _ Score表示分类结果的F1分数,基于查准率和召回率计算得到, Precision表示查准率,指被分类器判定正例中的正样本的比重,计算方式如式（5）所示, Recall表示召回率,指被预测为正例的占总的正例的比重,计算方式如式（6）所示。

4 结果与分析

4.1 分类结果与精度评价

基于相同的郑州市高分1号影像数据,本文利用ResUNet、MS-ResUNet、EfficientUNet和MS-EfficientUNet共4种不同结构的深度学习网络模型开展训练,并预测对应的土地覆盖分类。本文对比了郑州市高分1号输入影像和对应4种深度学习模型的土地覆盖分类结果（图7）,并统计了4种分类结果中不同土地覆盖类型面积占比（图8）,其中林地、草地、水体、耕地、人工地表和其他6种土地覆盖类别在4种分类结果中的平均占比分别为35.11%、10.86%、1.99%、31.22%、14.17%和6.65%。林地和耕地作为郑州市主要土地覆盖类型,在4种网络的分类结果中都占据较大比例,且在空间上的分布也基本一致,林地多分布在西南地区海拔较高、地形起伏较大的山区,而耕地则大范围分布在全市海拔较低、地形平坦的区域。草地、人工表面和其他类别在4种结果中的空间分布及面积占比存在较大差异,相比之下ResUNet方法分出了更多的人工表面,尤其是郑州市区区域,而MS-ResUNet和EfficientUNet方法则在同样的地方分出了大范围的草地。
图7 郑州市土地覆盖自动分类结果对比

Fig. 7 Comparison of automatic land cover classification results of Zhengzhou City

图8 4种分类结果中不同土地覆盖类型面积占比

Fig. 8 Proportion of different land cover types in four classification results

因原始影像之间存在时相差异,且大气环境状况不一,不同影像显示的色彩范围差别较大,数据预处理在一定程度上降低了影像间的色彩差异,但仍然存在较明显的接边痕迹,如图7(a)所示。而深度学习技术通常具有强大的泛化能力,基于丰富的样本表达,能有效提取图像细节特征,做出正确判断。图7(b)—图7(e)中展示的分类结果均在一定程度上克服了原始影像的接边痕迹,但接边效应依然存在。在ResUNet方法分类结果中,接边效应主要出现在林地和人工地表之间,而MS-ResUNet和EfficientUNet分类结果中,草地和耕地,以及林地和耕地之间存在较明显的接边,随着网络结构的不断改进,分类结果的接边效应逐渐改善,在MS-EfficientUNet分类结果中,接边现象基本消失。
参考3.4小节提出的精度评价方法,本文用像素总体精度、IoU和F1分数等指标基于像元统计了4种深度学习网络模型对应分类结果的总体精度和单类精度（表4）。ResUNet通过引入残差结构避免了深层模型梯度消失或梯度爆炸的问题,但对于草地、水体和其他小占比类别的分类精度很低,导致其总体精度处于较低水平。随着多尺度损失函数加入,MS-ResUNet深度学习神经网络对不同大小的感受野实现自适应,土地覆盖分类总体精度和单类精度均出现明显提升,总体精度达到0.7442,相比ResUNet结果高出0.0891。就单类而言,MS-ResUNet相比ResUNet精度提高的幅度从大到小依次是其他类别、水体、林地、耕地、人工地表和草地,其中其他类别的IoU和F1 Score分别提高0.2936和0.4036,水体提高0.1405和0.134,林地提高0.1009和0.085,耕地提高0.0927和0.065,人工地表提高0.088和0.0716,而草地的精度反而降低。总体来说,MS-ResUNet的分类结果单类IoU和F1 Score的平均值分别比ResUNet方法提高0.1165和0.1218。
表4 分类结果精度

Tab. 4 Accuracy table of classification results

网络模型 精度类别 林地 草地 水体 耕地 人工地表 其他 平均
ResUNet IoU 0.4916 0.1122 0.3791 0.6425 0.5248 0.0684 0.3697
F1得分 0.6591 0.2017 0.5498 0.7823 0.6883 0.1280 0.5016
总体精度 0.6551
MS-ResUNet IoU 0.5925 0.0951 0.5196 0.7352 0.6128 0.3620 0.4862
F1得分 0.7441 0.1737 0.6838 0.8473 0.7599 0.5316 0.6234
总体精度 0.7442
EfficientUNet IoU 0.6125 0.2218 0.6244 0.7415 0.6489 0.3986 0.5412
F1得分 0.7513 0.3785 0.7652 0.8189 0.7682 0.5978 0.6799
总体精度 0.7712
MS-EfficientUNet IoU 0.6557 0.2902 0.6439 0.7801 0.6915 0.4577 0.5865
F1得分 0.7920 0.4498 0.7833 0.8764 0.8176 0.6280 0.7245
总体精度 0.7981
通过引入MBConv模块的跳层连接和注意力机制,EfficientUNet在ResUNet的基础上将编码器由ResNet换成EfficientNet,在地表纹理细节的识别方面更具优势。分类结果表明,EfficientUNet方法的总体分类精度达到0.7712,比ResUNet高出0.1161。在单类精度方面,EfficientUNet对其他类别分类的IoU和F1 Score相比ResUNet分别提高0.3302和0.4698,水体提高0.2453和0.2154,人工表面提高0.1241和0.0799,林地提高0.1209和0.0922,草地提高0.1096和0.1768,耕地提高0.0990和0.0366。总体而言,EfficientUNet的分类结果单类IoU和F1 Score的平均值分别比ResUNet方法提高了0.1715和0.1783,说明本研究中对ResUNet模型编码器框架的改进对分类结果的影响优于对解码器做出的改进。
通过MS-EfficientUNet分类结果的精度统计得分可知,对编码器和解码器进行双向改进可明显提高土地覆盖分类结果精度。其中MS-EfficientUNet方法的总体精度达到0.7981,分别高出ResUNet、MS-ResUNet和EfficientUNet方法0.143、0.0539和0.0269。在单类方面,MS-EfficientUNet对6种类型地物分类的IoU和F1 Score的平均值分别比ResUNet高出0.2168和0.2229,比MS-ResUNet高出0.1003和0.1011,比EfficientUNet高出0.0453和0.0446,表明EfficientNet框架对MS-EfficientUNet模型分类结果的贡献度大于多尺度Loss模块对特征提取的约束。

4.2 结果分析与讨论

为进一步评估分析土地覆盖分类结果的细节特征,本文分别从单类别集中连片、多类别混杂分布、不同时相、复杂地形等角度出发,在郑州市选取7组局部影像,对比分析标准假彩色高分1号影像、地面真值以及4种深度学习神经网络在郑州市高分遥感影像土地覆盖分类中的局部结果（图9）。第1组选区以水体、耕地、草地和林地为主,对比Ground Truth和分类结果发现,ResUNet和MS-ResUNet对形状规则水塘边界的分割准确度远低于EfficientUNet和MS-EfficientUNet,而EfficientUNet则把大量林地和草地错分为水体。第2组选区以耕地、林地和人工表面为主,ResUNet和EfficientUNet把大量耕地错分为林地,而MS-ResUNet则对建筑区和道路等人工地表存在较多漏分,且对地物边界细节特征分割效果低于MS-EfficientUNet。第3组的选区和第2组时相不同,耕地表现为未种植或已收割状态,除MS-EfficientUNet分类结果接近Ground Truth外,另外3种方法均把大量耕地错分为林地、草地或其他类别,且对水体边界的提取也出现较大误差。
图9 郑州市土地覆盖分类局部细节图

Fig. 9 Local detail map of land cover classification in Zhengzhou City

第4组选区地物类型较多样化,主要以耕地和人工地表为主,MS-EfficientUNet方法对耕地和人工地表边界的提取优于其他3种方法,且对草地和其他类型地物的分割也最接近Ground Truth;对比可知,基于ResNet编码器的ResUNet和MS-ResUNet方法对其他类型的分类效果较差,ResUNet将其他类型较多地错分为人工表面,而MS-ResUNet则较多地错分为草地。第5组选区主要体现了成片的林地和耕地,林地在影像上表现较均匀,在4种方法中均能有效识别;但耕地表现为裸露的地表,在MS-ResUNet和EfficientUNet方法的分类结果中出现了大量林地吞并耕地的现象,且部分地区的耕地被错分为草地;而ResUNet方法对耕地内部林地和人工表面等细节的体现不如MS-EfficientUNet方法精细。第6组选区落在地形复杂的山区,山谷处分布少量耕地、人工表面和水体,分类结果中MS-ResUNet把大量山体阴影错分为耕地,而ResUNet和EfficientUNet则损失了部分耕地和人工地表信息。第7组选区像元斑块较整齐且主要以条带状分布的耕地和林地为主,除MS-EfficientUNet分类结果最接近Ground Truth外,其他3种方法对耕地均呈现不同程度的错分,ResUNet方法把大量耕地错分为林地和人工表面,MS-ResUNet错分为林地和其他类别,而EfficientUNet则把部分耕地错分为草地和林地。
在深度学习图像分割方法设计方面,本文采用递进对比的思路,把UNet基础模型的编码架构分别替换为ResNet和EfficientNet,并在解码器架构中加入多尺度损失函数,比较4种网络结构在郑州市高分1号影像土地覆盖分类中的表现。结果表明ResUNet对有规则边界的小范围地物较难准确提取其边界信息,通过加入多尺度损失函数,MS-ResUNet方法对连续性线状地物的分类识别稍有改进,但仍然存在很大程度的错漏,同时MS-ResUNet对非规则边界的地物单元难以实现准确区分。引入EfficientNet之后,EfficientUNet在细小地物识别分类方面有所改善,但结果会出现较严重的错分。最后在EfficientUNet的基础上引入多尺度损失函数,实现模型感受野自适应,融合了MS-ResUNet和EfficientUNet的优势,有效提高了整体和局部分类精度。
在对模型编码器的改造过程中,EfficientNet的网络性能明显优于ResNet,从而关注到更细节的特征信息;对于解码器部分,多尺度损失函数的引入从解码器的各个层中单独提取特征信息计算损失函数,从而提高了分类结果的正确率。除了网络结构对分类结果的影响,模型参数也是决定结果精度的重要因素,本研究中模型参数的设定均是基于前期大量同类研究得到的经验值,且基于对比需求,本研究中4种网络模型开展实验的软硬件环境、参数配置、损失函数和优化机制均保持一致。
本文通过研究不同网络模型配置对高分辨率遥感影像自动分类应用的支撑,表明同时考虑跳层连接、多尺度损失函数和注意力机制的MS-EfficientUNet效果最好,但总体精度依然低于80%,除耕地、人工表面、林地和水体的精度较高外,草地和其他地类的F1 Score则最高不超过0.45和0.63,表明该模型对草地和其他类别的分类结果还处于较低水平。

5 结论与展望

本文基于郑州市高分1号卫星影像数据,对比研究了4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的优越性和局限性。结果表明MS-EfficientUNet方法在郑州市土地覆盖分类应用中表现最优,EfficientUNet和MS-ResUNet次之,而ResUNet方法的效果最差。结合4种深度学习神经网络的构建过程,本研究发现深度学习网络模型解码器中多尺度损失函数的引入可有效提高林地、水体和其他类别的分类精度,而在此基础上对网络模型的编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。基于像元的分类结果精度分析表明,本研究中MS-EfficientUNet模型对郑州市土地覆盖分类整体精度可达0.7981,其中耕地的IoU和F1 Score最高可达0.7801和0.8764。结果表明深度学习技术强大的泛化能力可有效突破输入影像间的光谱和时相差异,实现特征自适应增强和智能决策,在遥感影像分割领域具有巨大的应用潜力。
随着多源高分遥感影像数据的爆炸式增长,基于深度学习的智能图像处理技术将成为推动大数据时代遥感信息服务水平提升的重要力量。本文对高分遥感数据的自动分类方法研究尚且停留在一级分类结果层面,而多级别大范围精细分类结果则在指导国土管控、生态保护和规划发展等应用中具有更重要的价值;其次,本文中郑州市高分1号卫星影像成像时间分布在多个季节,不同时相的影像反射率差异较大,导致镶嵌结果出现明显接边痕迹,因此,对影像时序的统一、训练样本的扩充、模型方法的改进、计算配置的优化等有望获得更高精度的分类结果,这些都是后续研究工作应重点关注的领域。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
全国科学技术名词审定委员会. 生态学名词[M]. 北京: 科学出版社, 2007.

[ China National Committee for Terms in Sciences and Technologies. Chinese Terms in Ecology[M]. Beijing: Science Press, 2007. ]

[2]
张景华, 封志明, 姜鲁光. 土地利用/土地覆被分类系统研究进展[J]. 资源科学, 2011, 33(6):1195-1203.

[ Zhang J H, Feng Z M, Jiang L G. Progress on studies of land use/land cover classification systems[J]. Resources Science, 2011, 33(6):1195-1203. ]

[3]
Pocewicz A, Nielsen-Pincus M, Goldberg C S, et al. Predicting land use change: Comparison of models based on landowner surveys and historical land cover trends[J]. Landscape Ecology, 2008, 23(2):195-210.

DOI

[4]
MacAlister C, Mahaxay M. Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and field survey data[J]. Journal of Environmental Management, 2009, 90(7):2130-2137.

DOI PMID

[5]
徐勇, 赵燊, 段健. 国土空间规划的土地利用分类方案研究[J]. 地理研究, 2019, 38(10):2388-2401.

DOI

[ Xu Y, Zhao S, Duan J. Studies on the land use classification scheme for territory spatial planning[J]. Geographical Research, 2019, 38(10):2388-2401. ]

[6]
Zhao J C, Zhao X, Liang S L, et al. Assessing the thermal contributions of urban land cover types[J]. Landscape and Urban Planning, 2020, 204:103927.

DOI

[7]
黎治华, 高志强, 高炜, 等. 上海近十年来城市化及其生态环境变化的评估研究[J]. 国土资源遥感, 2011, 23(2):124-129.

[ Li Z H, Gao Z Q, Gao W, et al. Researches on changes of urbanization of Shanghai and its ecologic environment based on MODIS time series in the last decade[J]. Remote Sensing for Land & Resources, 2011, 23(2):124-129. ]

[8]
吴炳方, 苑全治, 颜长珍, 等. 21世纪前十年的中国土地覆盖变化[J]. 第四纪研究, 2014, 34(4):723-731.

[ Wu B F, Yuan Q Z, Yan C Z, et al. Land cover changes of China from 2000 to 2010[J]. Quaternary Sciences, 2014, 34(4):723-731. ]

[9]
董立新, 吴炳方, 郭振华, 等. 三峡库区农林用地变化遥感监测及模拟预测[J]. 农业工程学报, 2009, 25(S2):290-297,351.

[ Dong L X, Wu B F, Guo Z H, et al. Remote sensing monitor and simulation prediction of cultivated and woody land changes for Three-gorges reservoir region[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(S2):290-297,351. ]

[10]
李元春, 葛静, 侯蒙京, 等. 基于CCI-LC数据的甘南和川西北地区土地覆盖类型时空动态分布及草地面积变化驱动力研究[J]. 草业学报, 2020, 29(3):1-15.

[ Li Y C, Ge J, Hou M J, et al. A study of the spatiotemporal dynamic of land cover types and the driving forces of grassland area change in Gannan Prefecture and Northwest Sichuan based on CCI-LC data[J]. Acta Prataculturae Sinica, 2020, 29(3):1-15. ]

[11]
刘炜. 土地利用/覆被变化信息遥感图像自动分类识别与提取方法研究[D]. 杨凌:西北农林科技大学, 2012.

[ Liu W. Auto-identify classification technology for LUCC information based on remote sensing data[D]. Yangling: Northwest A & F University, 2012. ]

[12]
Chen J, Chen L J, Chen F, et al. Collaborative validation of GlobeLand30: Methodology and practices[J]. Geo-Spatial Information Science, 2021, 24(1):134-144.

DOI

[13]
Gong P, Liu H, Zhang M N, et al. Stable classification with limited sample: Transferring a 30 m resolution sample set collected in 2015 to mapping 10 m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6):370-373.

DOI

[14]
Zhang C, Sargent I, Pan X, et al. Joint deep learning for land cover and land use classification[J]. Remote Sensing of Environment, 2019, 221:173-187.

DOI

[15]
Verburg P H, Neumann K, Nol L. Challenges in using land use and land cover data for global change studies[J]. Global Change Biology, 2011, 17(2):974-989.

DOI

[16]
席一帆, 孙乐乐, 何立明, 等. 基于改进Deeplab V3+网络的语义分割[J]. 计算机系统应用, 2020, 29(9):178-183.

[ Xi Y F, Sun L L, He L M, et al. Semantic segmentation based on improved deeplab V3+ network[J]. Computer Systems & Applications, 2020, 29(9):178-183. ]

[17]
Alex K, Ilya S, Geoffrey E H. ImageNet classification with deep convolutional neural networks [C]. Proceedings of the 25th International Conference on Neural Information Processing Systems. 2012:1097-1105.

[18]
Zhang L P, Zhang L F, Du B. Deep learning for remote sensing data: A technical tutorial on the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2016, 4(2):22-40.

DOI

[19]
Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation [C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2015:3431-3440.

[20]
Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation [C]. International Conference on Medical Image Computing and Computer-Assisted Intervention. 2015:234-241.

[21]
Zhou Z W, Rahman Siddiquee M M, Tajbakhsh N, et al. UNet++: A nested U-net architecture for medical image segmentation[M]//Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Cham: Springer International Publishing, 2018:3-11.

[22]
Badrinarayanan V, Kendall A, Cipolla R. SegNet: A deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12):2481-2495.

DOI PMID

[23]
He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016:770-778.

[24]
Chen L C, Papandreou G, Kokkinos I, et al. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4):834-848.

DOI

[25]
Chen L, Zhu Y, Papandreou G, et al. Encoder-Decoder with atrous separable convolution for semantic image segmentation [C]. European Conference on Computer Vision. 2018:833-851.

[26]
Zhang B, Chen Z C, Peng D L, et al. Remotely sensed big data: Evolution in model development for information extraction [point of view[J]. Proceedings of the IEEE, 2019, 107(12):2294-2301.

DOI

[27]
Nogueira K, Penatti O A B, dos Santos J A. Towards better exploiting convolutional neural networks for remote sensing scene classification[J]. Pattern Recognition, 2017, 61:539-556.

DOI

[28]
李宏达, 高小红, 汤敏. 基于CNN的不同空间分辨率影像土地覆被分类研究[J]. 遥感技术与应用, 2020, 35(4):749-758.

[ Li H D, Gao X H, Tang M. Land cover classification for different spatial resolution images from CNN[J]. Remote Sensing Technology and Application, 2020, 35(4):749-758. ]

[29]
Fu X M, Qu H M. Research on semantic segmentation of high-resolution remote sensing image based on full convolutional neural network [C]//2018 12th International Symposium on Antennas, Propagation and EM Theory (ISAPE). IEEE, 2018:1-4.

[30]
董秀春, 蒋怡, 王思, 等. 基于U-Net的甘蔗提取方法[J]. 中国农业信息, 2019, 31(6):29-34.

[ Dong X C, Jiang Y, Wang S, et al. Extraction of sugarcane from Google Earth image based on the U-Net model[J]. China Agricultural Informatics, 2019, 31(6):29-34. ]

[31]
杨瑞, 祁元, 苏阳. 深度学习U-Net方法及其在高分辨卫星影像分类中的应用[J]. 遥感技术与应用, 2020, 35(4):767-774.

[ Yang R, Qi Y, Su Y. U-net neural networks and its application in high resolution satellite image classification[J]. Remote Sensing Technology and Application, 2020, 35(4):767-774. ]

[32]
林志斌, 黄智全, 颜林明. 基于Unet的高分辨率遥感图像地物分类[J]. 电子质量, 2020(11):69-76.

[ Lin Z B, Huang Z Q, Yan L M. Remote sensing image classification based on unet[J]. Electronics Quality, 2020(11):69-76. ]

[33]
李海雷, 胡小娟, 郭杭, 等. 迁移学习支持下的土地利用/土地覆被分类[J]. 测绘通报, 2018(9):50-54,73.

[ Li H L, Hu X J, Guo H, et al. Land use/land cover classification based on transfer learning[J]. Bulletin of Surveying and Mapping, 2018(9):50-54,73. ]

[34]
Zhou M T, Sui H G, Chen S X, et al. BT-RoadNet: A boundary and topologically-aware neural network for road extraction from high-resolution remote sensing imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 168:288-306.

DOI

[35]
Huang J F, Zhang X C, Sun Y, et al. Attention-guided label refinement network for semantic segmentation of very high resolution aerial orthoimages[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14:4490-4503.

DOI

[36]
Tan M X, Le Q V. EfficientNet: Rethinking model scaling for convolutional neural networks[EB/OL]. 2019.

[37]
郑州市统计局. 2019年郑州市国民经济和社会发展统计公报[R], 2019.

[ Zhengzhou Bureau of Statistics. Statistical bulletin of national economic and social development of Zhengzhou in 2019[R], 2019. ]

[38]
曹丽琴. 郑州市水文特性分析[J]. 河南水利与南水北调, 2006(8):29-30.

[ Cao L Q. Analysis of hydrological characteristics in Zhengzhou city[J]. Henan Water Resources & South-to-North Water Diversion, 2006(8):29-30. ]

[39]
杜子璇, 刘忠阳, 陈怀亮, 等. 1993—2003年郑州市土地利用/覆被变化特征研究[J]. 气象与环境科学, 2007, 30(1):49-53.

[ Du Z X, Liu Z Y, Chen H L, et al. Land use/cover change in Zhengzhou city in the period between 1993 and 2003[J]. Meteorological and Environment Sciences, 2007, 30(1):49-53. ]

[40]
吴炳方. 中华人民共和国土地覆被地图集(1:1 000 000)[M]. 北京: 中国地图出版社, 2017.

[ Wu B F. Land cover atlas of the People's Republic of China (1:1 000 000)[M]. Beijing: SinoMaps Press, 2017. ]

[41]
张玮. 土地利用/覆被分类与碳储量研究——以青藏高原为例[D]. 北京:中国科学院地理科学与资源研究所, 2007.

[ Zhang W. Research of land use/cover classification and carbon stocks: a case study on Tibetan Plateau[D]. Beijing: Institute of Geographical Sciences and Natural Resources Research, Chinese Academy of Sciences, 2007. ]

[42]
林煜东. 复杂背景下的光学遥感图像目标检测算法研究[D]. 成都:西南交通大学, 2017.

[ Lin Y D. Target detection in optical remote sensing images with complecated background[D]. Chengdu: Southwest Jiaotong University, 2017. ]

[43]
王敏, 陈金勇, 王港, 等. 面向深度学习的遥感图像目标样本生成方法[J]. 国外电子测量技术, 2019, 38(4):60-65..

[ Wang M, Chen J Y, Wang G, et al. Remote sensing image object sample generation method for deep learning[J]. Foreign Electronic Measurement Technology, 2019, 38(4):60-65. ]

[44]
周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

[ Zhou Z H. Machine learning[M]. Beijing: Tsinghua University Press, 2016. ]

[45]
苏育挺, 王明兴, 张静. 一种提升矢量图位图分类精确度的方法: CN109948659A[P]. 2019-06-28.

[ Su Y T, Wang M X, Zhang J. A method for improving the classification accuracy of a vector graph bitmap: CN109948659A[P]. 2019-06-28. ]

Options
文章导航

/

〈 〉