基于人工智能深度学习的卫星影像分类研究

冷天熙，钱发斌，胡文萍

(云南省林业调查规划院，云南 昆明 650051)

1 森林资源监测技术发展概况

经过60多年的发展，我国森林资源监测技术不断进步，体系日臻完善。然而，随着国际国内形势的深刻变化和林业现代化建设的深入推进，森林资源监测工作面临着前所未有的挑战。监测时效性、协同性差，现势性弱，信息采集能力不足，信息服务水平不高的问题也日益显现出来[1]。人工智能是研究、开发应用于模拟人的智能理论、方法、技术及应用系统的一门新的技术科学[2]。人工智能已成为继自动化、电气化和信息化之后新一轮工业革命的基石，人工智能不仅应用在工业领域，还在教育、医疗和金融等领域得以运用，均是革命性的技术创新[3]。国家林业和草原局《关于促进林业和草原人工智能发展的指导意见》(林信发〔2019〕105号)中关于森林生态系统保护的主要任务为：通过接收卫星影像并进行分析，跟踪森林生态系统实时变化，运用机器视觉技术和深度学习算法，及时发现森林消长变化，进行动态监测，有效评价森林生态健康状况。

目前，我国森林资源监测主要通过对卫星影像进行人工判读来发现森林资源变化图斑，但人工判读工作效率低且对判读人员工作经验及技术水平要求较高。如何实现从海量的遥感影像中高效准确地获取森林资源变化数据，成为森林资源监测领域日益迫切的需求。为此，以云南省芒市为研究对象，利用2019年森林资源监测成果数据及卫星影像，结合人工智能深度学习方法，开展基于人工智能的卫星影像分类研究，希望能够为人工智能在森林资源监测领域的深入开展提供借鉴和帮助。

2 数据处理及模型训练

2.1 数据处理

收集芒市2019年卫星影像及2019年林地一张图成果，将全市卫星影像裁剪成正方形面积为666.67 m2的影像。在裁剪出的影像中，每个地类随机抽取 4 000 张图片作为样本使用自定义ResNet18网络进行深度学习。因疏林地、苗圃地、未利用地等地类所占面积较少，本次只按林地、非林地、有林地、灌木林地、未成林地、耕地、建设用地共7个类别进行分类识别。

2.2 模型训练

PyTorch是Facebook在深度学习框架Torch的基础上使用Python重写的一个全新的深度学习框架，PyTorch具有丰富的API，设计简洁高效，本次采用PyTorch作为学习框架。

2.2.1深度学习

深度学习是机器学习的一个分支，而机器学习是实现人工智能的必经路径。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，其模仿人脑的机制来解释数据，例如图像，声音和文本等[4]。深度学习模型有卷积神经网络( convolutional neural network,CNN)、循环神经网络(recurrent neural netword,RNN)等，近年来卷积神经网络在图像识别领域得到广泛应用。在林业领域将卷积神经网络用于植物叶片病害检测、害虫识别、烟雾识别等方面已有较多研究及应用。

2.2.2深度神经网络(ResNet)结构

采用卷积神经网络中的深度神经网络(ResNet)结构，ResNet网络结构由华人何凯明提出，ResNet网络增加短路机制形成残差学习(图1)，一定程度上解决了传统的卷积网络在信息传递过程中可能因信息丢失而导致梯度消失或者梯度爆炸问题。ResNet在2015年获得ImageNet分类任务第一名后，分类、检测、分割等任务大规模使用ResNet作为网络骨架。

图1 ResNet块示意图

2.2.3模型及参数

本研究在深度学习时优化器使用Adam，Adam是比较常见的优化算法，其利用梯度的一阶矩与二阶矩动态地估计调整每一个参数的学习率，是一种学习率自适应算法，可以使模型更快收敛。损失函数使用交叉熵( Cross Entropy Loss)函数。

自定义ResNet18网络进行模型训练,网络学习率为0.001，迭代次数(epoch)为50。ResNet18网络中输入数据的通道数(in_channel)为3，卷积核大小(kennel_size)为3，步长(stride)为1，填充值(paddnig)为1，自定义ResNet18网络具体实现代码如下：

class ResBlk(nn.Module):

def __init__(self,ch_in,ch_out,stride=1):

super(ResBlk,self).__init__()

self.conv1=nn.Conv2d(ch_in,ch_out,kernel_size=3,stride=stride,padding=1)

self.bn1=nn.BatchNorm2d(ch_out)

self.conv2=nn.Conv2d(ch_out,ch_out,kernel_size=3,stride=1,padding=1)

self.bn2=nn.BatchNorm2d(ch_out)

self.extra=nn.Sequential()

if ch_out != ch_in:

self.extra=nn.Sequential(

nn.Conv2d(ch_in,ch_out,kernel_size=1,stride=stride),

nn.BatchNorm2d(ch_out)

def forward(self,x):

out=F.relu(self.bn1(self.conv1(x)))

out=self.bn2(self.conv2(out))

out=self.extra(x)+ out

（4）加强喷混植生施工成本控制体系的研究。当前喷混植生施工成本偏高，在市场竞争激烈的条件下，不利于该项技术的普及推广，应着力研究：施工材料购置成本的控制，施工工艺的降耗途径，低养护成本的管理体系，喷混植生整体技术效益的监控。通过上述研究和开发，促使喷混植生形成成熟的成套技术，为我国资源与环境保护科学的发展作出创新贡献。

out=F.relu(out)

return out

class ResNet18(nn.Module):

def __init__(self,num_class):

super(ResNet18,self).__init__()

self.conv1=nn.Sequential(

nn.BatchNorm2d(16)

)

self.blk1=ResBlk(16,32,stride=3)

self.blk2=ResBlk(32,64,stride=3)

self.blk3=ResBlk(64,128,stride=2)

self.blk4=ResBlk(128,256,stride=2)

self.outlayer=nn.Linear(256*3*3,num_class)

def forward(self,x):

x=F.relu(self.conv1(x))

x=self.blk1(x)

x=self.blk2(x)

x=self.blk3(x)

x=self.blk4(x)

x=x.view(x.size(0),-1)

x=self.outlayer(x)

return x

3 结果分析

将裁剪后的影像按有林地、灌木林地、未成林地及耕地、建设用地5个类别用自定义ResNet18模型进行深度学习，并对学习结果进行验证。实验结果显示：在模型训练过程中，当所选样本中10%用于模型训练，90%用于模型测试时，最高模型训练准确率为 0.793 2(图2)。

图2 自定义ResNet18及迁移学习ResNet18的训练准确率

随着迭代次数增加，模型的损失值逐渐减小，收敛较好(图3)。

当所选样本中60%用于模型训练，40%用于模型测试时，最好识别准确率为0.8549。训练样本越多，准确率越高。

将裁剪后的影像分为林地、非林地、有林地、灌木林地、未成林地及耕地、建设用地7个类别。将7个类别分别两两使用自定义ResNet18模型进行深度学习，其中10%用于模型训练，90%用于模型测试。结果显示，针对各地类识别均有较高的准确率，除灌木林地与未成林地、灌木林地与耕地，其余准确率均大于0.9(表1)。

表1 地类间的分类识别准确率

4 结论与讨论

从研究结果看，基于深度学习的卫星影像分类准确且高效。林地与非林地分类识别准确率高于93%，有林地与其它地类分类准确率高于94%，其中有林地与建设用地分类准确率高达99.58%，而准确率最低的灌木林与未成林地的分类也接近80%，后续仍可通过增加样本及调整参数、模型等方法进行提升。

森林资源监测工作作为我国国情林情普查的重要组成部分，必须顺应新时代的发展要求，以创新发展为驱动，不断加强监测能力和服务能力建设，不断增强依法治林、科学兴林的保障作用，为生态文明建设和经济社会发展做出更大贡献[1]。随着新一代人工智能技术不断取得应用突破，全球加速进入智慧化新时代，人工智能将成为未来第一生产力，对人类生产生活、社会组织和思想行为带来颠覆性变革[5]。将人工智能应用于森林资源监测，将传统的监测数据及技术与人工智能相结合，建立快捷高效、准确实用的森林资源监测平台显得尤为必要。