基于特征增强的冬小麦冻害精细空间分布遥感提取方法

摘 要： 如何及时、准确地获取大范围内作物冻害空间分布数据，是目前农业领域迫切需要解决的问题。本文根据冻害冬小麦的生长变化特点，提出了基于特征增强的冬小麦冻害精细空间分布遥感提取方法（Winter Wheat Frost DamageFine Spatial Distribution Extraction Method， WWFDFSDEM），用于从高分辨率遥感影像中提取高质量的冻害空间分布数据。选择冻害发生前后两期高分辨率遥感影像作为数据源，根据正常冬小麦和冻害冬小麦区域的影像特点，确定以红、近红、绿三个通道以及NDVI作为基础特征，充分利用像素级特征的空间相关性来增强特征的细节信息，以交叉熵为基础，加入特征类内差异因子和类间差异因子建立损失函数，用于增强特征的区分能力。选择山东省淄博市高青县为研究区，高分2 号遥感影像为数据源，决策树、经典SegNet、RefineNet、ErfNet、UNet 作为对比模型开展对比实验，WWFDFSDEM提取结果的精度（94.5%），查准率（ 90.8%）， 查全率（91.3%）均优于对比方法，证明了方法在提取冻害精细空间分布方面的有效性。方法能够满足农业生产管理、农业保险等领域提取作物冻害精细空间分布数据的需求。

关键词： 冬小麦冻害；空间分布；特征增强；遥感影像；卷积神经网络

中图法分类号： TP751 文献标识码： A 文章编号： 1000-2324（2024）03-0433-11

小麦是世界三大主要农作物之一，其产量对于保障粮食供给具有重要作用，但各类灾害尤其是冻害严重影响产量稳定［1］。冻害一旦发生，农业生产管理、农业保险等工作都迫切要求能够及时、准确地获取大范围、准确的冬小麦冻害空间分布，但冻害是多种因素共同作用的结果，监测工作一直面临很大的挑战［2］。遥感技术能够快速获取大范围的地表信息，如何利用遥感数据及时、准确地获取冬小麦冻害空间分布，已成为农业领域密切关注的热点问题［3］。

经历强降温侵害后，冻害冬小麦的性状需要经过一个较长的时期才能表现出来［4］。时间序列遥感影像能够描述冬小麦的生长变化过程，研究者利用MODIS、Sentinel 等数据，建立了用于冻害监测的指数，用于从时间序列遥感影像提取冬小麦冻害空间分布［5-7］。高空间分辨率遥感数据能够提供丰富的纹理、色调、形状和结构等特征信息，为提取精细的农作物空间分布提供了数据基础［8］。

特征提取是农作物空间分布遥感提取的关键步骤，光谱特征［9］、纹理特征［10］等传统的统计特征虽然具有明确的物理意义，但应用于高分辨率遥感影像时，所生成特征的区分度不够理想。与传统的特征提取方法相比，以卷积神经网络（Convolutional neural network，CNN）为代表的深度学习方法具有明显的优势，能够从遥感影像中提取出更高质量的特征［11］，应用较多的卷积神经网络包括 FCN［12］、Segnet［13］、RefineNe［t 14］、DeepLab［15］、ErfNet［16］和U-Net［17］等模型，其中，以UNET 为代表的U型结构网络能够很好地融合高层语义特征和浅层语义特征，所生成的特征具有更高的区分能力。研究者以卷积神经网络为基础，成功地从遥感影像中提取了油菜［18］、小麦［19］、水稻［20］等多种农作物空间分布，表明了卷积神经网络在农作物空间分布提取方面具有强大的优势。

合理组织基础特征有助于提高卷积神经网络的特征提取能力［21-22］，在高空间分辨率遥感影像中，冻害冬小麦与正常冬小麦在色彩、纹理上有较明显的差异，这些差异可通过红、绿、近红外等波段以及NDVI等植被指数表现出来［23］，可以利用这些特征作为提取冻害空间分布的基础特征。考虑到高分辨率遥感影像中普遍存在的“同物异谱、同谱异物”现象，需要通过特征增强方法提高卷积神经网络所提取特征的质量，以有利于得到高质量的冻害分布提取结果。

研究者目前已经提出了一系列用于特征增强的技术，陈波等基于注意力机制提出了用于水工结构裂缝识别的特征增强方法［24］，罗玉涛等利用通道注意力机制建立了识别微小交通标志的特征增强技术［25］，孟月波［26］、张毅［27］等利用多层级特征聚合进行特征增强，马翔悦等通过对金字塔池化结构进行改进实现特征增强应用于高空间分辨率遥感图像分割［28］。根据提取目标合理设计损失函数，有助于改进模型的训练过程，同样能够达到提高特征质量的目标。曹毅等［29］、赫晓慧［30］等将样本权重信息引入到损失函数中，较好地解决了因样本导致的损失函数偏差问题，吴含笑等通过对损失正则化解决了数据平衡对训练的影响［31］，李忠雨等通过对损失加权提高特征的鲁棒性［32］。上述研究证明了特征增强技术能够有效提高卷积神经网络的特征提取能力。

从现有公开获取的文献来看，现有的特征提取技术对如何充分利用像素级特征的空间相关性来增强特征的细节信息，以及如何利用损失函数提高特征的区分度两个方面的研究尚有不足，从而在一定程度上影响了卷积神经网络特征提取的能力。

基于以上分析，本文以利用高分辨率遥感影像提取冬小麦冻害精细空间分布为目标，充分利用U型结构的CNN模型所具有的突出的特征提取能力，选择红、近红、绿三个通道以及NDVI作为基础特征，建立考虑空间相关性的特征增强模块和考虑特征质量的损失函数作为特征增强方法，形成了一种冬小麦冻害精细空间分布遥感提取方法（Winter Wheat Frost Damage Fine SpatialDistribution Extraction Method， WWFDFSDEM），用于从高分辨率遥感影像中提取冬小麦冻害精细空间分布数据。

1 研究区和数据

1.1 研究区基本情况

研究区选择山东省淄博市高青县，高青位于东经117°33′-118°04′，北纬37°04′-37°19′之间，地势西高东低，总面积831 km2。属暖温带大陆性季风气候，四季分明。高青是山东省重要的粮食产地，农作物播种面积约81 707.5万m2，其中冬小麦为主要粮食作物之一，常年播种面积约44 355.5万m2。该区域内的冬小麦一般10 月上旬左右播种，次年6月上旬左右收获，发育期约240 d。