利用深度学习方法提取河南省冬小麦播种面积
小麦是中国最重要的口粮之一,小麦的播种面积及其产量直接关系到国家粮食安全和社会稳定。同时,小麦播种面积是开展小麦长势监测和估产工作的重要环节。随着遥感技术的发展,其为快速、准确提取小麦播种空间分布提供了有效手段。
本文利用ENVI深度学习图像分类工具,从39/43景10米分辨率的哨兵2卫星影像上提取河南省2018~2019年度、2019~2020年度冬小麦的播种面积。
1 冬小麦播种面积
提取结果如下所示:
年份 |
遥感提取面积 |
网上公布面积 |
差值 |
2018~2019年度 |
5926.49千公顷 |
5718.7千公顷 |
+3.6% |
2019~2020年度 |
5882.12千公顷 |
5700千公顷 |
+3.19% |
图:2019~2020年度冬小麦种植空间分布
图:2018~2019年度冬小麦种植空间分布
如下为几个局部提取的效果图:
图:平原地区
图:山地区域
图:耕地类型复杂区域
缺少验证数据,使用训练样本对深度学习训练模型做了验证,结果如下:
- 用户精度:94
- 生产者精度:91
- F1:924
所有操作是在ENVI5.5.3+ENVI Deep Learning1.1中完成,计算机环境为:DELL 7520笔记本电脑(CPU:i7-7700HQ,GPU:NVIDIA Quadro M2200, 4GB,内存:64GB),各个步骤时间如下表所示:
步骤 |
时间 |
说明 |
样本选择 |
10小时 |
采用面向对象分类方法获取样本,方法研究时间未计算。 |
训练模型 |
10小时 |
以2019年影像样本训练模型,模型直接应用于2020年。 |
图像分类 |
2019年:7小时40分钟 2020年:7小时 |
2019年43景影像(重叠覆盖面积多),2020年39景影像 |
分类后处理 |
30分钟内 |
镶嵌、裁剪、小斑去除。 |
计算机处理部分总共时间为:35小时左右。
2 影像数据
影像数据是3月份成像的、欧空间发布的哨兵2数据,云量在1%内。
![]() |
![]() |
图:左侧2020年(39景),右侧2019年(43景)
3 技术流程
技术流程如下:
本次冬小麦面积提取并未对哨兵数据进行预处理,对数据进行归一化处理对提取精度可能有帮助。
4 操作步骤
本次提取河南省冬小麦面积,使用哨兵2号卫星影像,选取Blue、Green、Red、NIR 10米分辨率4波段进行冬小麦提取。
4.1创建标签图像
进行深度学习的第一步是创建标签图像,ENVI提供多种方法获取样本从而生成所需的标签图像。
进行深度学习的第一步是创建标签图像,ENVI提供多种方法获取样本从而生成所需的标签图像。
(一)样本区域选择
由于河南省面积广阔,地域差异较大。选取哪些区域进行样本获取也需要进行综合考虑,使模型可以适应河南省不同地域的影像特点,因此选择河南省中部、北部、南部、东部、西部地区单景哨兵2号数据作为样本区域,获取样本。
图:样本选择影像分布
(二)样本绘制
考虑样本选择区域较大,人工目视解译工作量较大,这里使用ENVI面向对象分类结果作为样本数据。
在ENVI工具箱中选择Feature Extraction/Rule Based Feature Extraction Workflow,使用ENVI FX工具分别对5景影像进行面向对象分割,并根据每幅影像的特点建立不同提取规则,提取冬小麦种植区域。
图:建立分类规则
其中每景影像的规则需要分别进行单独的光谱分析获取。分析方法如下:
- 在ROI样本绘制工具中分别绘制不同类型的样本:不同长势冬小麦、蓝顶房屋、森林植被等各类样本。
- 绘制好样本之后,右键选择Statistics分别对不同样本进行光谱统计分析,根据不同样本的光谱范围差异获取提取阈值,之后在FX中建立规则提取冬小麦。
图:获取分类规则
最终根据不同规则分别提取5景影像的冬小麦种植面积。
图:样本提取结果
(三)生成标签图像
通过面向对象分类方法分别获取5景影像的冬小麦种植区域作为样本,使用Deep Learning/Build Label Raster form Classification工具生成标签栅格进行深度学习模型训练。
4.2训练深度学习模型
有了标签栅格可以在ENVI工具箱中,选择Deep Learning/Train TensorFlow Model,即可进行深度学习模型训练。
图:模型训练
- 在Train TensorFlow Mask Model面板中,点击Input Model下方的New Model初始化一个深度学习多类别提取模型,Number of Bands设置为4波段,Number of Classes设置为1类,其他参数按照默认设置,点击OK。
- 在Training Raster选项中选择创建好的5景Label Raster,同样在Validation Raster中选择相同的5景Label Raster,其它参数按照默认设置。
- 分别设置Output Best Model和Output Last Model的输出路径及文件名,点击OK开始训练深度学习模型。
4.3模型分类
使用训练好的模型分别对河南省2019年43景和2020年39景10米分辨率哨兵2号数据进行冬小麦提取。使用ENVI Modeler建立批量分类工具。
图:ENVI Modeler深度学习批处理分类工具
运行批处理工具,在参数输入面板,输入要提取哨兵数据,模型选择上一步中训练好的H5模型(Best Trained Model),设置输出路径、分类文件文件名和类激活文件文件名,点击OK即可进行深度学习模型分类。
图:深度学习批处理工具
4.4分类后处理
分类后处理主要包括结果镶嵌、裁剪、小图斑处理、分类后编辑。
- 结果镶嵌
使用Mosaicking/Quick Mosaic工具,在弹出的参数对话框中Input Raster选择冬小麦分类文件,Data Ignore Value设置为0,设置输出路径和文件名,点击OK进行镶嵌处理。
- 结果裁剪
使用Region of Interest/Subset Data from ROIs工具,利用河南省行政边界矢量对镶嵌好的冬小麦分类文件进行裁剪。
- 小图斑处理
使用Post Classification/Majority/Minority Analysis工具,在Classification Input File对话框中选择裁剪后的分类文件点击OK,在Majority/Minoruty Parameters对话框中,Select Classes选择要进行小图斑处理的类别名称,Kernel Size设置为9,其它按照默认设置,设置输出路径及文件名,点击OK即可进行小图斑处理。
对于耕地与其他地物类型邻接的混合像元,可以再通过膨胀腐蚀操作滤除或保留。本次冬小麦提取结果滤除耕地与其他类型邻接的混合像元。使用Filter/Convolutions and Morpholopy工具,在弹出的对话框中点击Morphology选择Erode做腐蚀处理,Kernel Size选择3×3,其他按照默认设置点击Apply To File。在Morphology Input File对话框中选择上一步处理的结果,点击OK,在弹出的对话框中选择输出路径和文件名,点击OK进行处理。
- 分类后编辑
将冬小麦提取结果叠加到影像图上,使用ENVI分类编辑工具对错分、漏分像元进行编辑。本文没有对结果做编辑。