1试验区概况
研究区图木舒克市51团位于*维吾尔自治区境内，地处喀什、阿克苏、克州、和田4地的中心地带,是新亚欧大陆沿途的重要城市。研究区地处塔里木盆地西部，属于温带大陆性干旱荒漠气候，平均海拔m，地势较为平坦，是棉花、水果的生产基地，浓缩西域的自然风光。研究区如图1所示。
2无人机数据获取
本文试验数据于年8月2日通过无人机平台获取，飞行平台采用成都纵横垂直起降固定翼无人机CW-20搭载MicroMCA12Snap多光谱相机。最大续航时间3h，巡航速度~km/h，相机单幅影像尺寸x像素，满足试验要求。为获取不同空间分辨率的影像数据，试验一架次飞行3个高度，每个高度飞行时间相同，航线规划见表1。同时，在起飞地点地面布设反射率分别为3%、22%、48%、64%的4块地面靶标，用于将原始DN值校正为反射率。
3数据预处理
飞行任务完成后，使用设备将地面基站中的POS信息导出。从MicroMCA12Snap多光谱相机中导出所有波段RAW格式的原始影像数据，利用自带的TetracamPixelWrench2软件设置传感器尺寸等参数，对原始影像数据进行波段合成并导出ENVI等软件可识别的TFF格式的栅格数据。为使单幅影像和POS信息相对应，便于后续的拼接处理，在Excel中将POS信息和单幅影像数据进行一一匹配。通过Pix4Dmapper软件进行影像拼接，得到具有地理参考坐标的正射影像。
对拼接完成的3幅正射影像进行辐射校正，根据定标方程，首先以感兴趣区域的方式分别统计地面布设4块靶标影像的DN值，并与4块靶标对应的标准反射率值相对应，采用最小二乘法进行拟合，从而获得机载MicroMCA12Snap多光谱仪辐射定标系数a和b。对校正完成的影像数据进行裁剪，影像边缘区域存在质量较差及异常值的现象，通过裁剪操作保留质量好的中心区域。由于3幅不同高度的影像数据地理坐标存在偏差，通过ArcGIS10.6的地理配准工具，以m高度影像数据为基准，选取30~40个地面控制点将m和m的影像数据进行配准,最后通过裁剪选取3幅影像的相同区域作为研究区域。通过ENVI软件对研究区域进行样本标注，由于多光谱影像各波段以灰度值的形式显示，不能直观地辨别，不利于数据标注，因此基于假彩色(nm、nm、nm)显示进行数据的标注，共得到10个样本，防护林标签值为1，其他地物签值为0。
对研究区域以4:1选取训练集和验证集，通过Matlab软件对训练集和验证集进行分片切割，裁剪成多张x像素的图像块，3个高度(m、m、m)分别得到36张、55张、张图像，由于图像数量较少，容易造成过拟合现象，对图像进行旋转、平移等操作得到张训练集数据，为U-Net模型训练做准备。
4U-Net网络模型
U-Net网络模型由Ronne-berger等于年提出，是一种在FCN框架基础上改进的端到端网络模型结构，并且沿用了编码器解码器结构和跳跃网络的特点，使得模型能够将高层语义信息和浅层特征进行融合，充分利用上下文信息和细节信息，得到更为准确的特征图u本文参考传统的U-Net网络模型，网络结构如图2所示。有9层结构，左半部分为特征提取层，相当于编码器结构，由卷积层结合4个下采样层提取遥感影像特征。右半部分由4个上采样层对提取的特征进行融合，实现多尺度特征融合，相当于解码器的作用，最后以1x1卷积映射出对应维数的特征图，输出像素级分类结果。
V-
研究中模型训练输入影像大小为x像素，均为12通道多光谱遥感影像，通过边界填充保证输入输出图像尺寸一致。模型基于Matlab软件进行模型搭建，由于训练仅使用CPU，因此一次性读入8张图片，最大迭代次数设置为，共训练0次。为选取合适的学习率参数，通过多次试验，选取初始学习率为0.，选取随机梯度下降算法作为分类器的优化方法。在约第60个Epoch的时候，损失函数逐渐趋于平稳达到收敛。
5提取效果及精度评价
研究中对不同航高获取的不同空间分辨率多光谱影像数据的训练集分别进行训练，在验证集上对防护林进行提取，提取结果如图3所示。通过目视解译可以看出，3种空间分辨率下的提取结果相差不大,均能够提取出防护林的轮廓,展示了Encoder-Decoder模型结构在边界提取的优势。对比3种空间分辨率的提取结果，m和m高度影像的提取结果存在“椒盐”现象，m高度影像的“椒盐现象较弱。为定性地评价空间分辨率在U-Net模型下对防护林提取精度的影响,通过混淆矩阵计算相关评价指标(见表2),3种空间分辨率的MIoU值分别为75.53%、75.00%、71.91%，总体精度分别为96.20%、94.92%、96.16%。可以看出,虽然空间分辨率不同，均能得到较好的精度，误差大多在5%以内。从防护林中的F1和IoU可以看出,误差依然较小,同样均在5%以内,说明不同空间分辨率在U-Net模型下对地物提取的影响较小。
6思考
本文采用深度学习语义分割模型U-Net，对不同航高获取的不同空间分辨率的多光谱数据进行了辐射校正、裁剪、划分训练集和验证集等预处理，完成了防护林的提取，对不同空间分辨率的提取结果进行了对比分析。得出如下结论:不同空间分辨率的影像数据在U-Net模型下对于防护林提取精度影响较小，因此在农业作物提取的应用中，并不是空间分辨率越高越好，0.25m空间分辨率(m航高)更适合大面积的农业遥感监测。可以看出选取合适的空间分辨率对于无人机农业监测至关重要，因此需要以研究任务和实际需求为出发点，选取合适的数据源，尤其在大范围的无人机农业遥感监测中，本文对影像数据空间分辨率的选择提供了参考依据。
引文格式:王学文，赵庆展，田文忠,等.U-Net模型对不同空间分辨率防护林提取精度的影响[D].测绘通报,(6):39-43.
预览时标签不可点收录于话题#个上一篇下一篇