第42卷第3期2021年3月
中国农机化学报
Journal of Chinese Agricultural Mechanization
Vol.42No.3
Mar.2021
DOI：10.13733/j.j cam.issn.2095-5553.2021.03.015
苟杰松1!2!蒋怡二李宗南二董秀春二吴柏清S刘忠友1
(1.四川省农业科学院遥感应用研究所，成都市$10066；
2.成都理工大学旅游与城乡规划学院，成都市，610059)
摘要：为应用深度学习和遥感影像实现养殖水体信息的快速提取，以成都平原为研究区，以Sentinel2A和高分6号多光谱影像为数据源，基于国产开源深度学习平台PaddlePaddle训练Deeplabv3+语义分割模型，构建遥感影像的水体语义分割模型，用于提取成都平原养殖水体信息。Deeplabv3+方法的总体精度和Kappa系数分别达到
94.14%和0.8，均高于归一化差分水体指数法和最大似然监督分类法；模型对阴影和建筑物等误分为水体的抑制
效果较好，而对小面积和细小线状水体信息的提取则受影像分辨率影响，效果无明显改进；成都平原2018年和2020年养殖水体面积分别为22.3Xhm2和28.6Xhm2，其验证区青白江区、新津县和广汉市养殖水体面积的泛化提取结果验证误差均$土10%。该研究结果可为应用深度学习平台建立遥感影像的水体语义分割模型及提取水产养殖水体信息提供参考’
关键词：遥感；深度学习；水体信息；水产养殖；成都平原
中图分类号：S96文献标识码：A文章编号：2095-5553(2021)03-0105-08
苟杰松，蒋怡，李宗南，董秀春，吴柏清，刘忠友•基于Deeplabv3+模型的成都平原水产养殖水体信息提取［J，中国农机化学报，2021,42(3)：105-112
锚垫板Goujiesong,Jiang Yi,Li Zongnan,Dong Xiuchun,Wu Baiqing,Liu Zhongyou.Aquaculture water body information extraction in the Chengdu plain based on Deeplabv3+model［J,.Journal of Chinese Agricultural Mechanization,2021,42
(3)：105-112
0引言
水产养殖提供优质蛋白营养产品，是满足人们食物消费升级的重要途径水体信息反映了水量、水质、时空分布等特征，是研究动植物生存、生态系统调节、水产养殖活动等水资源需求的基础数据［23］'提高水体信息的提取能力有助于水产养殖业科学化管理，对提升渔业信息化具有重要作用4'
光学遥感与微波遥感是获取大范围水体信息的有效途径56'由于数据源较多，光学遥感提取水体信息研究更为成熟和广泛78。水体具有典型光谱特征，其光学反射集中于可见光波长范围尤其是蓝绿波段内，在红外光谱反射率低，易于与其他地物区分⑷’根据光学遥感提取水体信息的技术原理，当前常用的方法主要有基于像元分类的阈值法［10「3和基于目标分类的分类法两种［1417］'
阈值法主要是基于影像的光谱特征构建各种分类模型和水体指数，根据阈值判定水体；目标分类法包括支持向量机、面向对象法、最大似然法等，该类方法能较充分利用影像的光谱、纹理和空间几何等
特征来提取水体信息。遥感影像中水体存在同物异谱、异物同谱的现象：受漂浮物、水草、水深等影响，部分水体光谱特征差异较大；建筑物、阴影等在部分光谱波段的低反射特征与水体近似。因此，阈值法易将低反射率的地物错分为水体。目标分类法能较好地利用影像的光谱特征、像元间的空间临近关系，相比于阈值法能部分抑制背景噪声’
随着卷积神经网络(Convolution Neural Network, CNN)在图像分类和图像识别方面的成功应用［18^20］，深度学习在遥感影像水体分类和语义分割中能更有效
：2020926：202121
!基金项目：四川省科技厅应用基础研究项目(2019YJ0608)；四川省农业科学院前沿学科研究基金(2019QYXK036)
第一作者：苟杰松，男1996年生，四川南充人，硕士；研究方向为农业遥感、土地利用。E-mail：1151524322@qq
通讯作者：李宗南，男1983年生，广西武鸣人，博士，副研究员；研究方向为农业遥感监测、产量估算、农业土地利用变化。E-mail：li_*******************
106中国农机化学报2021年
地利用遥感影像的光谱和纹理等特征，减少光谱特征体地物的错分现象，逐渐得到研究及应用+126。Yuan等使用CNN和Landsat OLI影像识别格林兰冰原湖，水体识别结果优于多种传统分类方法。Zhang等建立一种基于CNN和残差网络ResNet 等集成的水体分类模型，在Landsat TM/ETM+和HJ—1影有效区分了水体和阴影区°Long等却集合CNN和逻辑分类器提取Landsat影体，比向量机和传统经具有更好的性能。陈前等分别用CNN和Deeplabv3对高分一号影像的水体进行分类和语义分割。
着深度学习在遥感影像处理方面的应用，越来越多的研究基于Tensorflow、Caffe、Pytorch等平台搭深度学习模型，但这些同时存理较繁琐和结构调试较等问题。，国产深度学习不断得到建设发展，提供多种从实际业反复
优化的模型，多种数据接口类型和工业级部署，以百度PaddlePaddle和阿里X：Deep Learning等为代表。已有相关研究鲜有利用国内深度学习开展水体信息提取研究。
因此本研究基于百度的PaddlePaddle平台搭建遥感水体提取模型，分析Deeplabv3+语义分割模型和Sentinel2A遥感影像提取水体信息的效果，产养殖遥感水体的快速提取提供依据。
1材料与方法
1.1研究区概况
研究区原，经纬度范围为103.7°〜10927°E,29.27°〜31.39°N，幅员面积约 1.3万km2。该区于亚热带季风性湿润气候，年均气温16°C，年降雨量1000mm左右，干湿明显，雨季主要集中在6月中旬到9月中旬，区域内地势平坦、城镇密集、遍布农田、水体类型，满足研究条件。其中，体提取模型的区选择有河流、湖泊、水库、坑塘等广布的区域，主要分布于都江堰市及周边地区，占地500km2(区用于评估模型和其他对比方法的分类精度，选择存在大量阴影、建筑和农田等对比区，主要分布于新津县及周边地区，占地面积约900km2。
1.2数据来源
Sentinel2A(S—2A)多光谱影像设有13个3种不同空间分辨率的波段(10m、20m和60m)，高分(GF—6))精准农业的高分卫星，配置2m全/8m多光谱和16m多光谱相机。研究选取S：2A卫星10m和GF：6卫星16m多光影据源。证GF—6影S—2A影像空间分辨率一致，将GF—6数据10m空间分辨率。
研究区、区、原用提取区选取2018-2019年多幅S—2A影像和GF—6影像，包括不同区域、不同、不同时相。其中，(1)训练区选用3个不同时期同一区域S—2A影像，该3幅影像质量相对较好，量云雾，水体性变化明显，反量、水质变化影响水体表现的不同光谱、纹理特征，可以兼顾到训练模型的泛化能力(2)测试区选用1幅S—2A影像，模型的分类精度和迁;(3))原水体泛化提取应用中，选用2018年的不同区域S—2A影像拼接得到2018年研究区，选用2020年的不同区域GF—6影像拼接得到2020年研究区。
1.3研究方法
研究基于Deeplabv3+语义分割模型和遥感影像提取水体，主要包括3个：(1)搭建：
(2)建立水体信息语义分据集；(3))存Deeplabv3+语义分割模型。
1.3.1Deeplabv3+模型结构
棱镜片Deeplabv3+是Deeplabv系列的最新版本，在Deeplabv3+8的，其加入了解码器模块，通过编码器一解码器(Encoder-Decoder))的方式连低层特征和高层特征，进行多尺度的融合，原理如图1所示。
Encoder以改进的Xception替换了ResNet作为骨架网络，由一系列深度可分组成，提高了模型语义分割的健壮性和运行速率。其中，多；积(Atrous Convolution)控制DCNN计算特征响应的分辨率，采用多种不同比率取多尺度的内容信息，分高层特征图和低层特征图。Encoder中多孔空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)采用9个并行带有不同比率的多孔卷积和1个全局池化(Image Pooling)对高层特征图分别进行单独处理，处理后的5个特征合到一个1Z1卷积中，然后经过9倍双线性内插上采样(Upsample)输入到Decoder用，连接低层具有相同空间分辨率的特征图。
Decoder中首先用一个1Z1卷积处理低层特征图，减少特征，再将其与经过9倍双线性内插的高层特征行融合，然后3X3经9倍双线性内复至原图分辨率，完成语义分割。
第'期苟杰松等：基于Deeplabv3 +模型的成都平原水产养殖水体信息提取
107
Image
DCNN Atrous Conv
Encoder
图1 Deeplabv3 +模型原理图
Fig. 1 Deeplabv3 + model schematic diagram
Low-Level Features y
3x3 Conv rate63x3 Conv rate 123x3 Conv rate 18Image Pooling
Upsample
gammaproteobacteria1.3.2 Deeplabv3 + 模型搭建研究基于百度PaddlePaddle 平台的PaddleSe g 搭 建水体 提取模型。PaddleSeg 是端到端图像分割
开发套件，集合 了 Dee P labv3 +、U — Net 、ICNet 、 PSPNet,HRNet &Fast — SCNN 等主流分割模型，支持
rgb 、rgba 和gray 三种图片数据接口 ，内置数据校验、
、评估、可视化、预测等
不同的 行
开启特定功能和修改默认 。此外，还包括数据
增强模块、多
和混合精度 等高级功能-
研究Deeplabv3 +模型
具体过程如下。
1) ； -安装模型运行的相关环境依
赖，主要包括 PaddlePaddle 1.6.1、Python 3.7、CUDA
9'PaddleSeg 0.4.0 版本。
2) 建立水体 义分割数据集。(1)样本标
注：在Deeplabv3 +模型的 组织过 ，相对于纯
手动
，
依靠现有的遥感影 其对 丨标
的矢量数据，半自动采集大规模的遥感影
义分，是一种 高效方式。本文从
原S —
2A 影 取了 3景同一区域、不同时期22 500像 素X 22 500像素大小的影像切片，在Arcgis 中以人
解译的方式，对研究区具有代表性的水体进
行 ，水体像素被 1，背 素 0,
结果转换成png 格式，共两种类型
深度学习
模型的 签数据与模型精度验证的
I-
(2) 样本影像的 选择：从S —2A 10 m 空间分辨
率的4个 选取识别率均值最高的3个 ，本分 了红一绿一蓝、&
—红一蓝、&
—
—绿等
组合，最终选取水体信息提取精准度最
高的 (R )—红(G )—绿(S))
行组合。
(3) 样本影像裁剪：由于截取的研究区影像切 度
较大，不 到模型 ，因此 义分割
模型训练前要对训练样本分割。综合考虑模型训练
速度、训练精度以及 空间结构特征的整体
性，通过多尺度的 分 ，将影
胀锚螺栓剪为512 素 X512 素 度 大小 的
，
换jpg 格式。(4)数据集格式：用于水体
义分割
的数据集采用Cityscape 数据集格式。 集标注数
据和
据各1176张，用于训练模型。 集
940 据，用于检测模型的精度和泛化能力-
其中，部分 如图2所示-
3)训练并保存Deeplabv3 +语义分割模型-(1)
训练模型：通过PaddleSeg 库上yalm 文件配置各项参 数，以微调(Fine Tune )的方式
模型，主要设置包
括6项：模型骨架网络选取Xception _65；初始学习率
(Learning Rate)为 0.001；学习策略(Learning Policy) 为“poly *29 ；权重衰减(Weight Decay )为 0.000 04；训
练批数(Batch Size )为R 迭代次数(Epoch Number )为 50' 过 过 增 据增 模 (Aug )，
不足带来的过拟合，提升模型泛化能力和鲁棒
性，即通过
机缩放、镜像翻转、&
离心喷雾干燥塔、非等比例缩放、彩抖动等多种方式来增加
据量-(2)保存模型：导出模型及其
， 陨测
yalm '
1.4水体信息提取
行基于Python 端的模型预测脚本，通过训练好
的Deeplabv3 +模型在线分割测试集S ：2A 影像和研 究区全域影像，预测分 的结果 对
遥感
，并拼接研究区全域矢量水体图斑-
1V 精度评价
本研究以归一化差分水体指数法(Normalized
Difference Water Index ，NDWI )+0］
和最大似然法
108中国农机化学报2021 年
(Maximum Likelihood, ML)[31]等两种水体信息提取方 法作为参照，再辅以2019年3月28日0.5 m 的 Worldview2高分遥感影像获取高精度水体分布数据，评
估Deeplabv3 +水体 义分割方法的性能。随机选择4个500 mX 500 m 包含坑塘、水库等多种水体类型Fig. 2
注：红表示水体，绿表示背景类。
2结果与分析
2.1测试区水体信息提取结果
的样方，获取0.5 m 分辨率水体分类结果，再重采样为
10 m 分辨率的结果，通过设定阈 证重采样后的结果
珍珠岩膨胀炉
与0.5 m 水体 总 不变，以此 体 精度验
证的标准。计算 方法的水体分类混淆矩阵，得 方
法的漏分 、错分 、总体精度和Kappa 系数。
图2水体信息语义分割训练数据集
Water information semantic segmentation training data set
图3(b)) ,3种方法的水体信息提取效果与地面真实标
签吻合度都较好，但Deeplabv3 +语义分割模型能更有 效抑
周围的阴影和建筑等背景干扰，水体错分
根据表1的精度验证结果，使用来源于S-2A 的现象几乎不存在，ML 方法能在一定程度上去除背景
样本数据在Deeplabv3 +模型下提取水体信息性能最
优，总体精度Kappa 系数分别达到94.14% ,0.88，较
之ML 方法和NDWI 方法的总体精度分别提升了
2.53%和6.04%，Kappa 系数提升了 5%和12%，且漏 分
和错分
低，为6.76%和6.21%。说 ；义分割算
对复杂的地物条件下，通过逐层神
经 ，学习 深层
和整体规律，实现目
素级的分类，可提高水体 的提取精度。
表1不同水体信息提取方法的精度对比
Tab. 1 Accuracy contrast from different water
body information extraction methods
方比
分错分总体
Kappa
误差/%/%
精度/%
系数
水体指数法(NDWI )
6.811
7.278
8.100.76最大似然法(ML )
9.778.7791.61
0.83
Deeplabv3 +
6.76
6.21
94.14
0.88
各方法在不同场景下提取水体信息的具体效果见
干扰，NDWI 方法可以通过简单操作和较快速度提取 大部分水体区域，有效抑制植被等因素，但背景噪声
相对较多。在小 和细 体分布的 (图3(c)) , Deeplabv3+语义分割模型表现较差，小面积水体
信息提取效果较一般，对细小线状水体提取
较弱，
体边缘整体呈现 、规整的状态，无法充分描述
边缘的细 ，而ML 方法和NDWI 方
此类
无明显漏分现象，整体提取效果较好。
2.2成都平原养殖水体
提
体 决
产养殖产出能力的重要影响因
素「珂，本研究中的水产养殖水体
内陆养殖水
体(包括 、山 库以及大 等 型水体，不
包括 )，而 殖水体(包括
、浅海设
施养殖区)和典型非养殖水体(包括河流、 等
动性水体及公园内 体)不
的研究范
殖+33] o
研究利用深度学习模型分别对研究区2018年
S-2A 卫星影像和2020年GF-6卫星影像进行了水
图3，其中，图3(a)以大水面为主；图3(b)以大面积池
体信息提取，通过规则识别方法和目视解译判断出养； 3 (c ) 以 小
和 河
o 周 围
殖水体信息，选取2018年青白江区、新津县和广汉市
均分布建筑、阴影和农田作为提取效果对比区o
作成都平原养殖水体面积精度验证区，2018年青白江在水体面积较大的河段水面和池塘上(图3(a )、
区、新津县和广汉市的养殖
水体提取面积分别为
第'期苟杰松等：基于Deeplabv3+模型的成都平原水产养殖水体信息提取109
472hn?、615hm2和785hm2，对应的渔业统计年鉴面积分别为490hm2、571hm2和805hm2，验证结果误差均$士10%，达到全产养殖水体资源遥感监测项相关「33「3门，满足区泛化提取条件。
7.标注真彩18.水体〔法D.Deeplabv3+
图3不同水体信息提取方法的结果对比
Fig.3Results contrast from different water body information extraction methods
注：红表示水体，绿表示背景类。
9.取大：法
对比分析成都平原两年间养殖水体面积的变化，结果如图4所示。
(d)养殖水体局部变化
图4成都平原养殖水体面积变化
Fig.4Change of aquaculture water areas in the Chengdu Plain 注：红表示增加的养殖水体，绿表示减少的养殖水体。
成都平原2018年和2020年养殖水体面积分别为22.3khm2和28.6khm2。图4(a)中部成都市主城区范围基本上无养殖水体面积变化，而原范围内其它区域如图4(d)，养殖池塘水体面积发生较多变化。通过对比研究区S2—A和GF-6两年的养殖水体影像，发现养殖水体面积变化易受人类活动和f 性变化影响，人类活动如政动限制或禁止某一区域水产养殖活动的产生(如城市区、大型湖泊和水库等)，而季节性降雨和排灌也对养殖水体有较大影响。
3讨论
3.1深度学习模型的构建选择
通过验证表明本研究建立的Deeplabv3+语义分割模型可准确提取水体信息，精度总体优于NDWI及ML方法，且能较好地抑影等背景影响，但受限于S—2A遥感影像的空间分辨率较低&影像波段数少、模型等因素，该方法对部分小和细小线状水体的识别、语义分割等存在不足。对此，通过深度学习方一步提高水体提取的精度有待
更多
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议