EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 12: 2445 - 2455

DOI: https://doi.org/10.12082/dqxxkx.2020.200338

Vegetation Mapping in Taibai Mountain Area Supported by LSTM with Time Series Sentinel-1A Data

  • YANG Dan , 1 ,
  • ZHOU Yanan , 1, * ,
  • YANG Xianzeng 1 ,
  • GAO Lijing 2 ,
  • FENG Li 1
Expand
  • 1. College of Hydrology and Water Resources, Hohai University, Nanjing 211100, China
  • 2. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100010, China
* ZHOU Yanan, E-mail:

Received date: 2020-06-30

  Request revised date: 2020-09-15

  Online published: 2021-02-25

Supported by

National Key Research and Development Program(2019YFC1804301)

Fundamental Research Funds for the Central Universities(B200202008)

Open Fund of State Key Laboratory of Remote Sensing Science(OFSLRSS201919)

Opening Foundation of Key Lab of Spatial Data Mining & Information Sharing, Ministry of Education (Fuzhou University)(2019LSDMIS04)

Copyright

Copyright reserved © 2020
Fold

Abstract

Vegetation classification is the basis and premise of forest resource investigation and dynamic monitoring. Remote sensing techniques have long been important means of forest monitoring with their ability to quickly and efficiently collect the spatial-temporal variability of vegetation. Vegetation classification is a key issue for forest monitoring and is critical to many remote sensing applications in the domain of precision forestry such as vegetation area estimation. Remote sensing applications in vegetation classification have traditionally focused on the use of optical data such as MODIS. However, due to cloud and haze interference, optical images are not always available at phenological stages that are essential to vegetation identification, making it difficult to construct complete time-series vegetation growth and limiting the vegetation classification accuracy. Unlike passive visible and infrared wavelengths which are sensitive to cloud and light, active SAR (Synthetic Aperture Radar) is particularly attractive for vegetation classification due to its all-weather, all-day imaging capabilities. In addition, SAR provides information on the stem and leaf structures of vegetation and is sensitive to soil roughness and moisture content, making it effective in forest applications. In this study, a deep-learning-based time-series analysis method employing multi-temporal SAR data is presented for forest vegetation classification in the Taibai Mountain (the main peak of Qinling Mountains). Firstly, Sentinel-2 optical images and digital elevation data in the study area were used for multi-scale segmentation to produce a precise farmland map. Then pre-processed SAR intensity images were overlaid with the farmland map to construct time-series vegetation growth for each parcel. Finally, a deep-learning-based classifier using the Long Short-Term Memory (LSTM) network was employed to learn time-series features of vegetation and to classify parcels to produce a final classification map. The experimental results show that: (1) Compared with traditional machine learning methods (such as Random Forest and Support Vector Machine), the classification accuracy of the deep-learning-based method proposed in this paper was improved by more than 10%; (2) Among different combinations of Sentinel-1A polarizations, VV+VH performed best, having a similar accuracy with the VV+VH+VV/VH; (3) Time-series classification using all images in the whole year achieved the best performance, with an overall accuracy of 82% using VV+VH. The study shows that the combination LSTM network and time-series Sentinel-1A data can effectively improve the accuracy of vegetation classification and provide new ideas for forest vegetation classification from the perspectives of data source and classification method.

Key words： vegetation classification; Taibai Mountain; time series; Sentinel-1A data; LSTM network; microwave remote sensing; machine learning

Cite this article

YANG Dan , ZHOU Yanan , YANG Xianzeng , GAO Lijing , FENG Li . Vegetation Mapping in Taibai Mountain Area Supported by LSTM with Time Series Sentinel-1A Data[J]. Journal of Geo-information Science, 2020 , 22(12) : 2445 -2455 . DOI: 10.12082/dqxxkx.2020.200338

1 引言

植被是地理环境的重要组成部分;植被遥感研究能够分析植被与生态环境其他因子间的相互作用,有利于理解和认知水、土、气、生的资源现状与循环变化,为有关部门的决策提供必要的参考信息[1]。秦岭—淮河一线是比较公认的一条中国南北分界线,是我国南北气候的分界线[2],也是长江、黄河流域的分水岭。张百平[3]在中国南北过渡带研究的十大科学问题中指出,植被在南北方向上的渐变序列及其形成机理和秦巴山区生物多样性、特有性的格局与机理的研究,是该区域内需要关注和研究的重点。太白山是秦岭的主峰,具有独特的地质地貌特征,自然地理条件优越。对其植被空间分布及其规律的研究,是南北过渡带中植被在南北方向上的渐变序列及其形成机理研究的重要环节。
遥感植被分类通常受限于覆盖研究区遥感数据的时间与空间分辨率,大面积研究区往往只能利用时间分辨率高而空间分辨率较低的影像（如MODIS）进行研究[4,5,6],高空间分辨率的遥感数据仅适用于较小范围内的植被信息提取,且时间分辨率低,多采用单景影像[7,8,9]或无云影像合成[10]。然而生长的植被表现出明显的变化性与周期性,因此利用时间序列遥感影像提取和分析植被生长周期的时序特征能够 提升植被分类的效果[11,12]。综合考虑时间分辨率与空间分辨率之间的矛盾,以往研究也多采用中分辨率遥感以构建植被的时间序列观测,这也启发我们利用中分辨率的时间序列遥感数据源进行植被分 类[13,14,15]。然而受云雨覆盖的影响（尤其是湿润气候区）,光学遥感影像难以构建相对完整的时间序列。加上我国雨热同期的气候特点,植被生长旺盛与变化显著时期的遥感数据往往更难获取（如2018年同一卫星轨道覆盖太白山区且云量小于10%的Landsat8可用影像仅有5景,成像时间分别是2018-02-06、2018-02-22、2018-05-13、2018-10-04和2018-11-21）。因此,数据的缺失限制了光学遥感影像时间序列的构建和植被分类精度的提高,这也使得我们尝试利用时间序列雷达数据改善分类精度。
不同于光学遥感的成像机理,合成孔径雷达（Synthetic Aperture Radar,SAR）具有穿透能力强、不受云雨天气影响的优势,长时间观测能够形成完整的时间序列数据,并广泛应用于作物生长[16,17,18]、湿地退化变迁[19,20,21]、洪水演进[22,23,24]和森林植被[25,26,27]等监测中。Sakarya等[28]基于全局和局部信息的线性判别分析方法使用时间序列TerraSAR-X图像进行植被分类;Ihrig等[29]基于时序SAR数据通过搜索纹理特征的季节性变化对落叶林和针叶林进行物候差异分析;Julie等[30]结合时间序列Sentinel-1影像与Landsat-8光学影像,基于支持向量机分类方法对中国海南热带森林进行植被分类。近年来深度学习发展迅速,广泛运用于遥感影像处理领域[31,32,33]。特别是循环神经网络（Recurrent Neural Network,RNN）,能通过记忆单元将历史存储信息用于当前输出,保留序列关键信息,从而提高时间序列分析水平,在时序雷达影像监测森林植被的应用中具有一定的发展潜力。
因此,本文受上述SAR数据易构建完整时间序列和深度神经网络在时间序列分析方面的独特优势启示,将利用深度循环神经网络学习和提取时序SAR数据的深层时间序列特征,开展太白山区面向对象的植被分类与制图。

2 数据与研究方法

2.1 研究区概况

本文选秦岭山脉主峰太白山为研究区（图1）。太白山跨太白县、眉县、周至县,最高峰拔仙台海拔3771.2 m;东西长直距61 km,南北宽直距39 km,东部与周至县老君岭毗邻,西与嘴头镇相接,南以湑水河为界,北与眉县营头接壤;地理坐标介于33°48' N—34°10' N和107°16′ E—108°12' E之间。研究区呈明显的山地垂直气候,低山属温带季风气候,中山属寒温带季风气候,高山属亚寒带和寒带气候带,多种气候带和得天独厚的地理环境孕育了丰富多样的植被群落。研究区自下而上可分为阔叶林带、针阔混交林带、针叶林带、高山灌丛带和高山草甸带。
图1 陕西秦岭太白山位置及高程

Fig. 1 The location of the Taibai Mountain (the main peak of Qinling Mountains) in Shanxi Province, China

2.2 数据来源

（1）Sentinel-1A微波遥感数据
哨兵一号（Sentinel-1）是哥白尼计划（Copernicus Program,欧盟委员会提出的为协助世界各国应对自然灾害免费提供卫星数据）中的地球观测卫星,由Sentinel-1A和Sentinel-1B 2颗卫星组成,搭载了C波段合成孔径雷达,单颗卫星的重访周期为 12 d。Sentinel-1卫星主要有4种成像模式：条带模式（Stripmap Model,SM）、干涉宽幅（Interferometric Wide Swath,IW）模式、超宽幅（Extra-Wide Swath,EW）模式和波谱模式（Wave Mode,WM）。IW模式是陆地观测的主要采集模式,多极化特征能获取更丰富的影像信息。研究综合考虑成像幅宽、分辨率与极化特征,选取Sentinel-1A卫星2018年全年IW成像模式下的一级地距数据产品;数据含有VH和VV极化通道,空间分辨率为5 m×20 m,幅宽250 km。由于单景Sentinel-1A数据无法覆盖整个研究区,因此将每期同轨SAR数据拼接成一景覆盖研究区影像,SAR数据具体获取时间和参数如表1所示。
表1 Sentinel-1A SAR数据列表

Tab. 1 List of Sentinel-1A images

序号 影像获取时间 极化方式 空间分辨率 序号 影像获取时间 极化方式 空间分辨率
D1 2018-01-11 VV+VH 5 m×20 m D16 2018-07-10 VV+VH 5 m×20 m
D2 2018-01-23 D17 2018-07-22
D3 2018-02-04 D18 2018-08-03
D4 2018-02-16 D19 2018-0815
D5 2018-02-28 D20 2018-08-27
D6 2018-03-12 D21 2018-09-08
D7 2018-03-24 D22 2018-09-20
D8 2018-04-05 D23 2018-10-02
D9 2018-04-17 D24 2018-10-14
D10 2018-04-29 D25 2018-10-26
D11 2018-05-11 D26 2018-11-07
D12 2018-05-23 D27 2018-11-19
D13 2018-06-04 D28 2018-12-01
D14 2018-06-16 D29 2018-12-13
D15 2018-06-28 D30 2018-12-25
（2）Sentinel-2光学影像与数字高程数据
研究采用面向对象的分析方法,利用高分辨率光学遥感影像与数字地形模型（Digital Elevation Model,DEM）数据生成研究区的分割对象（地块）。光学影像选用欧空局的哨兵二号卫星影像（Sentinel-2）;为减少云及其阴影对分析的影响,选取成像时间为2018年2月28日的无云影像;为提高地块的分割精度,本研究采用了Sentinel-2数据中对植被敏感的红光波段（B4）和近红外波段（B8）,与蓝光波段（B2）、绿光波段（B3）参与分割,具体参数信息如表2所示。
表2 Sentinel-2波段信息

Tab. 2 Band information of Sentinel-2

波段 波段宽度/nm 中心波长/nm 空间分辨率/m
B2 65 490 10
B3 35 560 10
B4 30 665 10
B8 115 842 10
太白山地形起伏较大,山体阴影会降低影像分割与地块生成的精度;因此本研究尝试引入数字高程模型来改善地块生成效果[34],实验选取覆盖研究区的ASTER GDEM 30 m数据（包括ASTGTM_N33E107、ASTGTM_N33E108、ASTGTM_N34E107和ASTGTM_N34E108等,进行拼接裁剪以得到覆盖研究区的DEM数据）。本研究的目的是对植被区域进行分类制图,需去除研究区的非植被区域地块,为此参照高分辨率的谷歌遥感影像,剔除研究区的建筑用地与裸地地块。
（3）野外样本数据
研究利用野外实地采集样本进行植被分类模型的训练与精度评价。通过实地调研共获取233个实地样本。然而训练深度学习模型往往需要大量的样本,为此本研究将实地点样本映射到分割地块上、进而映射到地块内像元上,实现实地样本的扩充;共获得像元样本98 985个,其中针叶林26 610个,阔叶林47 070个,针阔混交样本19 818个,高山灌丛5285个和草甸202个。

2.3 研究方法

本研究研发了一种基于深度学习LSTM模型,应用于时序Sentinel-1A SAR数据的植被制图方法,如图2所示。首先,对DEM高程数据与Sentinel-2光学影像进行多尺度分割,生成研究区分割地块图,并参考谷歌影像剔除非植被地块,生成研究区植被地块图;然后,对多时相Sentinel-1A SAR数据进行预处理,生成时间序列影像;接着将时序SAR影像映射到植被地块图上,构建每个地块的多元时间序列曲线;最后,构建并训练基于LSTM循环神经网络的植被时序分类模型,对地块时序曲线分类生成研究区的植被分类图,并与传统方法比较。
图2 基于时间序列Sentinel-1A数据的植被分类流程

Fig. 2 Vegetation classification process based on time series of Sentinel-1A data

2.3.1 数据预处理
借助欧空局的哨兵系列卫星产品综合处理软件SNAP对多时相Sentinel-1A SAR数据进行预处理,具体包括轨道文件获取、热噪声去除、边界噪声去除、辐射定标、斑点滤波、地形校正和地理编码。噪声会严重影响遥感影像解译的准确性,本研究首先进行热噪声和边界噪声的去除,然后进行辐射定标,再选取Refined Lee滤波最大程度降低相干斑点噪声的影响。为了消减地形起伏导致的地形阴影和阴阳坡差异造成的影像亮度值差异,借助SRTM（Shuttle Radar Topography Mission）数据进行地形校正。经过地理编码后最终得到不同时期的VV极化和VH极化的标准后向散射系数。Sentinel-2数据使用ESA官方提供的Sen2cor插件进行辐射定标和大气校正。
2.3.2 光学影像多尺度分割与地块生成
遥感影像分割是面向对象分析的前提和关键步骤,研究利用eCognition软件对Sentinel-2光学影像和DEM数据进行多尺度分割,并利用最优分割尺度评价工具ESP2工具[35]计算不同分割尺度下对象同质性局部方差的变化率,用峰值对应的分割尺度实验和选取最优分割尺度,最终设置尺度80。通常颜色因子与形状因子的和为1,紧致度与光滑度的和为1,由于颜色是遥感影像分割中的重要参考信息,紧致度与光滑度的影响相当,故参数设置中形状因子为0.1,紧致度因子为0.5。在多尺度分割的基础上,通过光谱差异分割进行分割优化,并对部分分割不合理地块进行再次分割和编辑调整,最终地块数为85 000个。
2.3.3 样本数据扩充
本研究中的样本数据合计9万个。由2部分构成,2018年6月实地调研采集233个。因深度学习需要海量样本,且机器学习分类中样本的精度直接影响分类结果的好坏,故在分类之前通过科学有效的方法对样本进行扩充具有重要意义。扩充样本数据的方法为：将地块内实际采样样本类别赋予整个地块,再从地块中获取多个样本,以像元为基本单位逐像元赋予地块类别（图3）。通过算法扩充样本至10万个,经检验部分样本质量较差,筛选后剩余98 985个样本参与分类。
图3 深度学习训练样本扩充示意

Fig. 3 Sample augmentation for LSTM-based classification

2.3.4 地块多元时序曲线构建
（1）长短期记忆网络（LSTM, Long Short-Term Memory）原理
RNN是一种递归神经网络,相比一般的神经网络,能够分析处理时间序列变化数据,处理时序遥感数据时会利用时间相关性,能充分使用时间序列信息所反映的植被的物候特征,具有其独特的优势。实际应用中为了提高学习效率通常会用到RNN的变体LSTM。LSTM是一种应用广泛的RNN变体,可以有效解决梯度消失的问题,能够在更长的时间序列中有更好的表现。LSTM神经元能在任意长短的时间间隔内有选择地记住值。LSTM的基本单元都有4个输入和1个输出,内部具有输入门、输出门和遗忘门三道门,以门控制的方式舍弃不重要信息保留重要信息从而提高模型学习能力。输入门打开时把值写进记忆神经元,对当前输入进行选择性记忆。输出门控制当前状态是否输出。遗忘门决定记忆神经元是否要清除之前的值。
（2）LSTM分类
LSTM的神经网络结构如图4所示,具有一个输入层、一个输出层和多个隐藏层。从遥感影像中提取特征时序曲线（如VH强度）,将归一化处理后的时序曲线作为输入,经过若干隐藏层通过门控制处理后,通过softmax函数输出独热编码（机器学习中常用的一种编码方法）后的植被类型。
图4 LSTM分类器神经网络结构

Fig. 4 Structure of LSTM neural network

本研究中LSTM分类方法搭建于Keras框架,以归一化后的VH时序强度曲线、VV时序强度曲线作为输入,时序长度n_step为30,隐藏层数为4,隐藏层特征数n_hidden设置为32,学习率learn_rates设置为0.0001,迭代次数epochs设为10 000。经过LSTM隐藏层的运算后原始时间序列曲线转换为高级特征,通过全连接层将特征转换为所要输出的植被类别,最后通过softmax激活函数输出类别。
2.3.5 对比方法与分类精度评价
随机森林（Random Forest,RF）方法和支持向量机（Support Vector Machine,SVM）方法是现有机器学习监督分类方法中使用较为广泛的2种分类方法。将样本数据集划分为训练集和测试集,随机抽取80%的样本用于构建模型,剩余的20%进行验证。为了打乱数据集顺序,使训练样本更均匀,选择了交叉验证方法,设置CV为5,进行5折交叉验证。引入GridSearchCV函数遍历最优参数,最终RF方法中,决策树个数（n_estimators）设为250,选取25个特征构建决策树（max_features）,决策树的最大深度（max_depth）设置为16。SVM方法中,经过对分类效果的比较最后选择了径向基函数（RBF）作为核函数,惩罚系数（C）设置为20,函数自带的gamma参数设置为0.01。
从总样本中随机抽取20%作为验证样本,比较分类结果并进行精度评价。选择总体精度、Kappa系数、用户精度UA、制图精度PA和F1共5种评价指标,计算各类别分类精度和总体精度。其中,用户精度指分类正确的部分与该类别所有分类结果的比值,用户精度越高,分类结果中分类正确的部分越多;制图精度指分类正确的部分与该类别所有真实结果的比值,制图精度越高,真实结果中分类正确的部分越多。F1的计算公式为：
F 1 = UA × PA UA + PA × 2
式中：F1是用户精度与制图精度的调和平均数,在0~1之间。F1值越大,分类效果越好,与总体精度和Kappa系数一致。

3 结果及分析

3.1 分类结果及精度评价

3.1.1 分类结果
实验利用基于LSTM的植被分类方法和传统分类方法（SVM和RF）分别对实验数据进行分类制图,如图5所示。从整体上来看,SVM方法的分类结果最差,RF方法的分类结果较好,LSTM方法的分类效果最佳。在SVM分类结果图中,灌丛和草甸的面积偏少,存在明显的漏分现象;针叶林和针阔混交林是分散分布的,这与实际情况不符合。在RF分类结果图中,阔叶林面积占比较大,灌丛和草甸集中分布在山脊,这与实际情况基本一致。LSTM分类结果中,南北坡基带上分布的是阔叶林,相邻的是针阔混交林,针阔混交林是针叶林、阔叶林的过渡带,交错分布少,斑块完整,与实际情况高度一致。从细节上来看,与LSTM分类结果相比, 2种传统分类方法的结果斑块零散现象严重,尤其是SVM的分类结果。SVM的分类结果中,阔叶林自然连续分布,针叶林和针阔混交林破碎程度高。从植被生长周期角度分析,太白山阔叶林多是落叶阔叶,夏绿冬落叶,不同季节特征差异明显,全年的数据提供了多季节特征,因而阔叶林的分类效果较好;而太白山针叶林多为常绿针叶林,季节特征差异较小。针阔混交林组合类别过多,季节特征不具有典型性。因而针叶林与针阔混交林分类效果较差。从分类器自身的特性角度分析,RF和SVM的优势在于处理多特征输入数据,但不能提取特征间的关联和规律并加以利用,而本文所用特征类型少,特征间关系密切。相比之下,本文LSTM分类方法能够充分提取和利用时序数据之间的长短时间依赖信息,获得了更高精度的分类效果。
图5 RF、SVM与LSTM 分类结果对比

注：图中数值表示不同高程/m。

Fig. 5 Comparison of classification results using RF, SVM and LSTM methods

3.1.2 精度评价
本研究中3种不同分类方法得到的精度评价结果如表3所示。从总体上看,LSTM方法得到的精度最高,总体精度达到82.45%;其次是RF方法得到的精度,总体精度达到71.39%;SVM方法得到的精度最低,总体精度为65.57%。
表3 RF、SVM与LSTM3种分类方法的精度评价

Tab. 3 Classification performance using the SVM, RF, and LSTM-based three different classifiers （%）

类别 SVM RF LSTM
UA PA F1 UA PA F1 UA PA F1
阔叶林 68.75 72.24 70.45 69.43 75.24 72.22 83.53 84.67 84.10
针叶林 66.32 67.43 66.87 71.18 74.14 72.63 84.31 82.59 83.44
针阔混交林 64.03 63.45 63.74 65.29 73.34 69.08 80.04 81.27 80.65
灌丛 65.14 62.78 63.94 68.25 68.74 68.49 81.14 78.96 80.04
草甸 64.91 62.36 63.61 67.74 69.37 68.55 79.46 79.35 79.40
总体精度 65.57 71.39 82.45
Kappa系数 61.34 69.58 80.01
从局部来看,LSTM的分类效果也是最好的,其漏分、错分情况是最少的。RF和SVM得到的结果中,灌丛和草甸的漏分现象严重。SVM的分类结果中针阔混交林多错分为针叶林,RF分类结果中阔叶林多错分为针阔混交林,这是由于针阔混交林位于阔叶林和针叶林间的过渡地带,有巴山冷杉/红桦混交林、巴山冷杉/牛皮桦混交林、太白红杉/辽东栎混交林、太白红杉/锐齿槲栎林混交林等多种混交林组合,特征繁杂,机器不易识别和学习,从而容易混分。

3.2 典型地物散射特性分析

不同地物的结构与生长过程都不尽相同,在微波遥感数据上表现为具有不同的亮度、后向散射系数。随着植被生长期的变化,后向散射系数也随着时间的变化而变化,不同类型植被的后向散射时间序列曲线是千差万别的。为进一步分析典型地物后向散射系数的变化规律,计算并绘制针叶林、阔叶林、针阔混交林、灌丛和草甸样本的后向散射系数时序平均曲线（图6）。整体上看,不同植被在VV极化上表现出的可分离度更高。无论是VH极化还是VV极化,草甸都具有较低的散射系数。这是因为亚热带和温带的高山地区的高寒草甸形态通常都比较低矮、结构简单、叶片小,从而后向散射系数较低。针叶林和阔叶林在VH极化和VV极化上的变化趋势是一致的。在图6（a）中,不难发现针叶林在1、2、3、11和12月与其他地物变化明显,易于区分。太白山的针叶林以油松、巴山冷杉和太白红杉等常绿针叶林为主,而其他植被在上述时间内处于非生长期。不同类型植被生长期不同后向散射系数不同,利用后向散射时间序列曲线能更好地区分。在图6（b）中,阔叶林在5—9月散射系数最高。5—9月是阔叶林生长最茂盛的时期,阔叶林树木高大,叶片宽大舒展,树干和树叶的后向散射贡献突出。
图6 双极化Sentinel-1A SAR影像典型地物类型后向散射系数均值随时间变化情况

Fig. 6 Time-varying characteristics of mean backscatter coefficient for typical land cover types in dual-polarization Sentinel-1A SAR images

3.3 LSTM特征参数优化

3.3.1 不同时间序列长短的性能分析
植被在生长过程中遵循特定的物候规律,很多研究已经表明将植被成长关键期的物候特征加入到分类器中可以有效改善分类效果[36,37]。因此,为了测试分类准确性及参与分类的不同长度的时间序列在分类器中贡献值大小,进行不同时间长度的对比实验。将2018年30景影像数据分成6个短时间序列间隔,每个间隔为5景Sentinel-1A影像构成的短时间序列,覆盖时间长度60 d（Sentinel-1A的时间分辨率是12 d）（表4）。
表4 不同时间序列长度信息列表

Tab. 4 Information of different time series

时间长度/个 影像日期 影像数量/景
1 01-11—02-28 5
2 01-11—04-29 10
3 01-11—06-28 15
4 01-11—08-27 20
5 01-11—10-26 25
6 01-11—12-25 30
6个不同时序长度与分类精度的关系如图7所示。随着时序长度的增加,分类精度不断提升,从时序长度1的40%提升到时序长度6的80%,但在时序长度4时分类精度趋于稳定（77%）。分析其原因：一方面,更多的时相观测进一步丰富了用于区分植被类型的特征信息;另一方面,7—8月是研究区植被生长的关键时期,时序长度4已经包括了植被生长的大部分关键信息。此后精度仍有小幅度提高是由于植被从9月开始逐渐凋零,而表现出明显的特征差异。本研究所提出的基于LSTM的分类器能够有效地捕捉到这些时序变化特征,进而实现植被的分类。
图7 不同长度时间序列参与分类结果对比

Fig. 7 Classification performance of different time series

3.3.2 不同极化特征组合的性能对比
为了对LSTM分类器的性能进行进一步测试,设计了一组特征分析实验。第1次实验只选择VV极化作为特征参与分类,第2次实验只选择VH极化作为特征参与分类,第3次实验同时使用VV极化和VH极化作为特征参与分类,有研究表明极化比值能提高地物分类精度[38],因此第4次实验在VV极化和VH极化的基础上,引入了一个新的指数,VV极化与VH极化的比值。不同特征组合参与分类的实验结果如表5、图8所示,VV+VH组合的分类精度比VV极化的分类精度提高了18.2%,比VH极化的分类精度提高了29.08%。VV+VH+VV/VH组合的分类精度相较于VV+VH并未得到提高,反而有轻微降低。
表5 不同极化特征组合参与LSTM分类精度对比表

Tab. 5 Comparison of overall accuracy values using different feature combinations based on LSTM classfier

VV VH VV+VH VV+VH+VV/VH
总体精度 64.25 53.37 82.45 81.36
Kappa系数 61.31 50.25 80.01 79.03
图8 不同特征组合分类结果

Fig. 8 Classification results of different feature combinations

VV+VH组合精度与VV+VH+VV/VH组合精度都显著高于单个极化参与分类,分析其原因,更多极化模式能够提高区分不同植被的能力。图8展示了不同特征组合生成的北坡某典型区域的植被分布情况（为突出对比,没有采用分类图中的配色,而使用对比色系）。单独使用VV极化和VH极化得到的分类结果更为粗糙,针叶林和阔叶林分布比例高,而结合VV极化和VH极化,以及加入极化比值VV/VH得到的分类结果更加精细,很好地区分出了针阔混交林、灌丛和草甸。研究表明,LSTM分类器对多极化特征组合的分类效果优于单极化特征。

4 结论与讨论

4.1 结论

本文引入深度循环网络提取时间序列Sentinel-1A微波遥感数据的深层次特征,并成功用于太白山区植被精准分类制图实验。通过与传统方法对比与方法参数分析,得到以下结论：（1）与传统的RF与SVM方法相比,本文提出的基于LSTM方法的总体分类精度分别提高了11.06%和17.08%,Kappa系数分别提高了10.43%和18.67%;
（2）与单独使用VV极化、VH极化特征相比,同时使用VV极化、VH极化总体分类精度分别提高了18.2%和29.08%,并且引入极化比值VV/VH后分类精度略微降低;
（3）使用更长的时间序列（全年的影像构建时间序列）进行分类,分类精度更高。使用6个时间长度,分类精度达到最高82%。

4.2 讨论

本研究尝试利用深度学习方法（方法）与时间序列微波遥感数据（数据源）实现太白山区的植被分类方法,并验证了方法的可行性与优势,为多云雨地区的时间序列分析提供了新思路。在后续研究中还需从以下2个方面进一步完善：
（1）受限于数据时空分辨率的限制,研究中植被类别仅划分为针叶林、阔叶林、针阔混交林、灌丛和草甸,后续将尝试利用更高时间分辨率和空间分辨率的微波数据（如高分三号数据）,开展更精细的分类;
（2）本文研究仅选取了VV极化、VH极化以及极化比值特征,并没有再引入其他特征,而山地植被分布具有明显的垂直地带分布规律和物候规律,故可结合地形特征和植被物候进一步提高植被分类精度。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
朱晓勤, 刘康, 李建国, 等. GIS支持下的秦岭山地植被分布与环境梯度关系研究[J]. 水土保持研究, 2009,16(2):169-175.

[ Zhu X Q, Liu K, Li J G, et al. Analysis on vegetation-environment gradient correlation in Qinling Mountain based on GIS[J]. Research of Soil and Water Conservation, 2009,16(2):169-175. ]

[2]
竺可桢. 中国的亚热带[J]. 科学通报, 1958(17):524-528.

[ Zhu K Z. Chinese subtropics[J]. Chinese Science Bulletin., 1958(17):524-528. ]

[3]
张百平. 中国南北过渡带研究的十大科学问题[J]. 地理科学进展, 2019,38(3):305-311.

DOI

[ Zhang B P. Ten major scientific issues concerning the study of China's north-south transitional zone[J]. Progress in Geography, 2019,38(3):305-311. ]

[4]
崔一娇, 朱琳, 赵力娟. 基于面向对象及光谱特征的植被信息提取与分析[J]. 生态学报, 2013,33(3):867-875.

DOI

[ Cui Y J, Zhu L, Zhao L J. Abstraction and analysis of vegetation information based on object-oriented and spectra features[J]. Acta Ecologica Sinica, 2013,33(3):867-875. ]

[5]
贾明明, 任春颖, 刘殿伟, 等. 基于环境星与MODIS时序数据的面向对象森林植被分类[J]. 生态学报, 2014,34(24):7167-7174.

DOI

[ Jia M M, Ren C Y, Liu D W. Object-oriented forest classification based on combination of HJ-1 CCD and MODIS-NDVI data[J]. Acta Ecologica Sinica, 2014,34(24):7167-7174. ]

[6]
杨存建, 周其林, 任小兰, 等. 基于多时相MODIS数据的四川省森林植被类型信息提取[J]. 自然资源学报, 2014,29(3):507-515.

[ Yang C J, Zhou Q L, Ren X L, et al. Extracting forest vegetation types from multi-temporal MODIS imagery in Sichuan Province[J]. Journal of Natural Resources, 2014,29(3):507-515. ]

[7]
胡秀娟, 徐涵秋, 黄绍霖, 等. WorldView-2近红外光谱波段反演马尾松植被信息的比较研究[J]. 地球信息科学学报, 2016,18(4):537-543.

DOI

[ Hu X J, Xu H Q, Huang S L, et al. Comparison between the two near infrared bands of WorldView-2 imagery in their applications in Pinus Massoniana Forest[J]. Journal of Geo-information Science, 2016,18(4):537-543. ]

[8]
李丹, 柯樱海, 宫辉力, 等. 基于高分辨率遥感影像的城市典型乔木树种分类研究[J]. 地理与地理信息科学, 2016,32(1):84-89,127.

[ Li D, Ke Y H, Gong H L, et al. Urban tree species classification with machine learning classifier using WorldView-2 imagery[J]. Geography and Geo-Information Science, 2016,32(1):84-89,127. ]

[9]
张俊瑶, 姚永慧, 索南东主, 等. 基于垂直带谱的太白山区山地植被遥感信息提取[J]. 地理信息科学学报, 2019,21(8):1284-1294.

[ Zhang J Y, Yao Y H, Suonan D Z, et al. Mapping of mountain vegetation in Taibai Mountain based on mountain altitudinal belts with remote sensing[J]. Journal of Geo-information Science, 2019,21(8):1284-1294. ]

[10]
别强, 何磊, 赵传燕. 基于影像融合和面向对象技术的植被信息提取研究[J]. 遥感技术与应用, 2014,29(1):164-171.

DOI

[ Bie Q, He L, Zhao C Y. Study on vegetation information extraction based on object-oriented image analysis[J]. Remote Sensing Technology and Application, 2014,29(1):164-171. ]

[11]
Dostalova A, Wagner W, Milenkovic M, et al. Annual seasonality in Sentinel-1 signal for forest mapping and forest type classification[J]. International Journal of Remote Sensing, 2018,39(21):7738-7760.

[12]
Grabska E, Hostert P, Pflugmacher D, et al. Forest stand species mapping using the Sentinel-2 time series[J]. Remote Sens-Basel, 2019,11(10):1197.

[13]
冯莉, 李柳华, 郭松, 等. HJ-1A NDVI与MODIS NDVI时间序列提取植被物候特征对比研究[J]. 遥感技术与应用, 2016,31(6):1158-1166.

[ Feng L, Li L H, Guo S, et al. Comparative study on extracting vegetation phenology information from HJ-1A NDVI and MODIS NDVI time series[J]. Remote Sensing Technology and Application, 2016,31(6):1158-1166. ]

[14]
郭文婷, 张晓丽. 基于Sentinel-2时序多特征的植被分类[J]. 浙江农林大学学报, 2019,36(5):849-856.

[ Guo W T, Zhang X L. Vegetation classification based on a multi-feature Sentinel-2 time series[J]. Journal of Zhejiang A & F University, 2019,36(5):849-856. ]

[15]
郝莹莹, 罗小波, 仲波, 等. 基于植被分区的中国植被类型分类方法[J]. 遥感技术与应用, 2017,32(2):315-323.

[ Hao Y Y, Luo X B, Zhong B, et al. Methods of the national vegetation classification based on vgetation partition[J]. Remote Sensing Technology and Application, 2017,32(2):315-323. ]

[16]
Li H, Zhang C, Zhang S, et al. A hybrid OSVM-OCNN method for crop classification from fine spatial resolution remotely sensed imagery[J]. Remote Sens-Basel, 2019,11(20):2370.

[17]
Tomppo E, Antropov O, Praks J. Cropland classification using Sentinel-1 time series: Methodological performance and prediction uncertainty assessment[J]. Remote Sens-Basel, 2019,11(21):2480.

[18]
Zhou Yn, Luo J, Feng L, et al. Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data[J]. GIScience & Remote Sensing, 2019,56(8):1170-1191.

[19]
Mahdavi S, Salehi B, Amani M, et al. A dynamic classification scheme for mapping spectrally similar classes: Application to wetland classification[J]. International Journal of Applied Earth Observation and Geoinformation, 2019,83:101914.

[20]
Mohammadimanesh F, Salehi B, Mahdianpari M, et al. Full and simulated compact polarimetry sar responses to canadian wetlands: Separability analysis and classification[J]. Remote Sens-Basel, 2019,11(5):516.

[21]
Mohammadimanesh F, Salehi B, Mahdianpari M, et al. Multi-temporal, multi-frequency, and multi-polarization coherence and SAR backscatter analysis of wetlands[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018,142:78-93.

[22]
Grimaldi S, Xu J, Li Y, et al. Flood mapping under vegetation using single SAR acquisitions[J]. Remote Sensing of Environment, 2020,237:111582.

[23]
Parrens M, Al Bitar A, Frappart F, et al. High resolution mapping of inundation area in the Amazon basin from a combination of L-band passive microwave, optical and radar datasets[J]. International Journal of Applied Earth Observation and Geoinformation. 2019,81:58-71.

[24]
Tsyganskaya V, Martinis S, Marzahn P. Flood monitoring in vegetated areas using multitemporal Sentinel-1 data: Impact of time series features[J]. Water, 2019,11(9):1938.

[25]
Erinjery J J, Singh M, Kent R. Mapping and assessment of vegetation types in the tropical rainforests of the Western Ghats using multispectral Sentinel-2 and SAR Sentinel-1 satellite imagery[J]. Remote Sensing of Environment, 2018,216:345-354.

[26]
Yu Y, Li M, Fu Y. Forest type identification by random forest classification combined with SPOT and multitemporal SAR data[J]. Journal of forestry research, 2018,29(5):1407-1414.

[27]
Zhang H, Wang T, Liu M, et al. Potential of combining optical and dual polarimetric sar data for improving mangrove species discrimination using rotation forest[J]. Remote Sens-Basel, 2018,10(3):467.

[28]
Sakarya, Ufuk, Demirpolat, et al. SAR image time series analysis in vegetation classification using global and local information based linear discriminant analysis[C]. 25th Signal Processing and Communications Applications Conference (SIU), Antalya, Turkey, 2017.

[29]
Ihrig, Ramona, Kuny, et al. Analysis of phenological changes of high vegetation in amplitude images of SAR time series[C]. 17th SPIE Conference on Earth Resources and Environmental Remote Sensing/GIS Applications, Warsaw, Poland, 2017.

[30]
Julie B, Sebastien R, Samuel C, et al. TerraSAR-X dual-pol time-series for mapping of wetland vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,107:90-98.

[31]
曹林林, 李海涛, 韩颜顺, 等. 卷积神经网络在高分遥感影像分类中的应用[J]. 测绘科学, 2016,41(9):170-175.

[ Cao L L, Li H T, Han Y S, et al. Application of convolutional neural networks in classification of high resolution remote sensing imagery[J]. Science of Surveying and Mapping, 2016,41(9):170-175. ]

[32]
刘浩, 骆剑承, 黄波, 等. 基于特征压缩激活Unet网络的建筑物提取[J]. 地球信息科学学报, 2019,21(11):1779-1789.

[ Liu H, Luo J C, Huang B, et al. Building extraction based on SE-Unet[J]. Journal of Geo-information Science, 2019,21(11):1779-1789. ]

[33]
吴田军, 骆剑承, 夏列钢, 等. 迁移学习支持下的遥感影像对象级分类样本自动选择方法[J]. 测绘学报, 2014,43(9):908-916.

[ Wu T J, Luo J C, Xia L G, et al. An automatic sample collection method for object-oriented classification of remotely sensed imageries based on transfer learning[J]. Acta Geodaetica et Cartographica Sinica, 2014,43(9):908-916. ]

[34]
Hofmann P. Detecting buildings and roads from IKONOS data using additional elevation information[J]. GeoBIT/GIS, 2001,6(1):28-33.

[35]
Dragut L, Tiede D, Levick S R. ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010,24(6):859-871.

DOI

[36]
Agrawal S, Joshi P K, Shukla Y, et al. Spot Vegetation multi temporal data for classifying vegetation in south central Asia[J]. Current Science, 2003,84(11):1440-1448.

[37]
Aurdal L, Huseby R B, Eikvil L, et al. Use of hidden Markov models and phenology for multitemporal satellite image classification: applications to mountain vegetation classification[A]. 2005 International Workshop on the Analysis of Multi-Temporal Remote Sensing Images[C]. 2005. 220-224.

[38]
Wu F, Wang C, Zhang H, et al. Rice crop monitoring in South China With RADARSAT-2 quad- polarization SAR data[J]. IEEE Geoscience & Remote Sensing Letters, 2011,8(2):196-200.

Options
Outlines

/

〈 〉