基于三维卷积神经网络模型的吉林一号光谱星影像森林类型分类

摘要 为探究基于三维卷积神经网络模型应用吉林一号光谱卫星数据的森林类型分类效果，以安图县与敦化市交界地带为研究区，采用吉林一号光谱卫星影像为主要数据源，基于三维卷积神经网络深度学习模型对研究区森林类型进行分类，并与传统的随机森林分类方法进行对比分析。结果表明：当三维卷积神经网络的训练样本数量为2 400，训练次数为70 000时，分类效果最佳。基于三维卷积神经网络方法的总体分类精度为92.9%，Kappa系数为0.92；与随机森林方法分类结果对比，总体分类精度和Kappa系数分别提高了2.8百分点和0.03；三维卷积神经网络能够更加充分地利用遥感影像丰富的光谱信息和空间信息，提高森林类型的分类精度，在斑块构成和景观破碎度方面均得到较大提升，内部完整度较高，破碎化程度较轻微，更贴合实际工作需要。说明国产吉林一号光谱卫星遥感数据可以有效地对森林类型进行识别，在林业的生产经营上具有极大的应用潜力。

关键词 三维卷积神经网络；吉林一号光谱卫星；森林类型分类

中图分类号 S757;S771;TP751  文献标识码 A  文章编号 0517-6611（2023）13-0096-06

doi：10.3969/j.issn.0517-6611.2023.13.023

Forest Type Classification with Jilin-1GP Spectral Satellite Image Based on Three-dimension Convolution Neural Network

LIU Ting1， BAO Guang-dao1， LI Zhu-qiang2 et al

（1. Jilin Provincial Academy of Forestry Sciences，Changchun， Jilin 130033; 2.College of Geo-exploration Science and Technology， Jilin University， Changchun， Jilin 130026）

Abstract In order to explore the effect of forest type classification with Jilin-1 spectral satellite（Jilin-1GP） data based on the three-dimensional convolution neural network model， the junction of Antu County and Dunhua City was taken as the study area， the image of Jilin-1GP was used as the main datasource to classify forest types in the study area based on the deep learning model of three-dimensional convolution neural network. The method was compared with the traditional random forest classification method. The results showed that when the number of training samples of three-dimensional convolution neural network was 2 400 and the number of training times was 70 000， the classification effect was the best. The overall classification accuracy based on the three-dimensional convolution neural network method was 92.9%， and the Kappa coefficient was 0.92. Compared with the classification results of the random forest method， the overall classification accuracy and Kappa coefficient increased by 2.8 percentage points and 0.03， respectively. Three-dimensional convolution neural network could make full use of the rich spectral and spatial information of remote sensing images to improve the classification accuracy of forest types. The result had been greatly improved in patch composition and landscape fragmentation. The internal integrity was higher， and the degree of fragmentation was slight， which was more in line with the actual work needs. At the same time， it also showed that the domestic Jilin-1GP remote sensing data could be used to effectively identify forest types. That had great application potential in forestry production and management.

Key words Three-dimension convolution neural network;Jilin-1GP spectral satellite （Jilin-1 GP）;Forest type classification

基金项目 吉林省发改委创新能力建设项目（2021C044-9）：吉林省自然科学基金项目（YDZJ202201ZYTS446）；吉林省科技发展计划项目（YDZJ202102CXJD046）；吉林省自然科学基金项目（20220101315JC）；吉林省科技厅重点研发项目（2023020-2098NC）；吉林省科技发展计划项目（20200602006ZP）。

作者简介 刘婷（1987—），女，吉林长春人，助理研究员，硕士，从事林业遥感研究。通信作者，助理研究员，从事林业遥感研究。

收稿日期 2022-11-19；修回日期 2023-02-20

森林类型是确定同质性森林资源空间分布，定量估算森林生态功能的关键依据。准确掌握不同类型森林的空间分布及变化趋势，森林类型准确、及时地掌握森林资源空间分布及其变化能够为制定林业方针政策、宏观规划及精准的森林资源经营、监测方案提供重要的数据支撑［1］。我国现行的森林类型获取方法以地面调查结合遥感影像人工判读为主，虽然数据精度高、可靠性强，但同时也存在成本高、周期长、工作量大的缺点。遥感技术具有低成本、高效率、覆盖范围广的特点，是当前林业监测业务应用最广泛的技术之一，为森林类型自动分类提供了有力手段。

传统的遥感影像分类方法通常基于图像像元的光谱特征和数据统计特征，如K邻近算法［2］，最大似然法［3］及支持向量机［4-5］等。由于遥感图像存在“同谱异物”“同物异谱”现象，利用传统分类方法会导致斑块破碎化，难以满足林业工作对同质化森林斑块提取的需求。为了克服这种现象，董心玉等［6-7］选取面向对象方法，不仅避免传统基于像元方法产生的“椒盐”现象，且产生的对象特征也可用于分类。毛学刚等［8］采用Radarsat-2数据和Quick Bird遥感影像协同进行面向对象的森林类型分类研究，明确了最优分割尺度，取得了良好的分类结果。虽然面向对象方法提高了分类结果的完整性和精度，但森林斑块面积和分布差异很大，自动获取的最优分割与合并尺度参数仍具有挑战性和不确定性，限制了该方法在多源、多尺度研究上的应用。基于深度学习的数据驱动型识别算法可以通过大量数据挖掘隐含特征并进行分类反演，成为遥感图像识别研究的新方向［9］。近几年，国内有学者开展应用深度学习方法对遥感影像进行分类，郭颖等［10］对全卷积神经网络模型进行双支化改进，进行森林类型分类，提高了大部分森林类型的分类精度。王雅慧等［11］使用增加NDVI特征构建模型，并增加条件随机场后处理过程的深度U-net优化方法，有效改善了森林类型分类的效果。

目前，国内外森林类型遥感分类相关研究中，分类方法多采用随机森林面向对象和支持向量机等方法，应用三维卷积神经网络多是针对城市地表覆盖类型［12-14］，对森林类型细分的应用文献报道较少。此外，在遥感数据源选择上，多选用Landsat TM系列［15-16］、哨兵系列［17-19］、高分系列［12，20-21］等，利用吉林一号光谱星遥感影像的研究鲜见报道。因此，笔者以吉林一号光谱星多光谱遥感影像为主要数据源，通过基于三维卷积神经网络的深度学习方法对研究区森林类型进行提取，分析样本数量及训练次数对模型精度的影响，并与随机森林法（Random Forest，RF）分类结果进行精度和景观指数的对比分析，探讨基于三维卷积神经网络方法结合国产吉林一号光谱星在森林类型提取应用中的可行程度，为加深林业遥感技术的应用深度，拓展遥感技术在林业工作中的应用场景提供科技支撑。

1 研究区及数据源

1.1 研究区概况

研究区位于长白山西北麓的吉林省安图县与敦化市交界地带，地理坐标为127°58′22″～128°52′32″ E，43°9′22″～42°40′44″ N，总面积3 396.49 km2（图1）。地势为四周高、中部低，境内平均海拔为756 m。属中温带湿润气候区，山区气候特点明显，年平均气温2.6 ℃，年降雨量631.8 mm。有效积温2 400～2 500 ℃，无霜期110～120 d。区内植被为长白山植物区系，属于红松云冷杉针阔叶混交林小区［22］，该区针叶树种主要有：红松（Pinus koraiensis）、云杉（Picea spp.）、臭松（Symplocarpus foetidus）、落叶松（Larix gmelinii）、樟子松（Pinus sylvestris var.mongolica）等；阔叶树种主要有水曲柳（Fraxinus mandschurica）、胡桃楸（Juglans mandschurica）、黄檗（Phellodendron amurense）、椴树（Tiliatuan Szyszyl.）、柞树（Xylosma racemosum）、榆树（Ulmus pumila）、色木（Acer mono）和枫桦（Betula costata）等。

1.2 数据源

1.2.1 遥感数据。

该研究选取的卫星数据源为吉林一号光谱星（吉林林草一号）。吉林一号光谱星是由吉林省长光卫星技术有限公司结合林业和草原行业需要与林草系统深度合作自主研发的一颗多光谱林草专属卫星。该星搭载了多光谱成像仪，短波、中波、长波红外相机，能够获得5 m分辨率、110 km幅宽、19谱段的遥感数据。该研究的影像获取时间为2019年5月12日。通过ENVI软件分别对遥感影像进行辐射定标、大气校正、正射校正等预处理工作，得到研究区遥感影像数据。除卫星遥感数据外，辅助数据包括2019年研究区的吉林省林地变更一张图及更高分辨率的谷歌地球影像。