Page 47 - 《武汉大学学报（信息科学版）》2025年第9期
P. 47

第 50 卷第 9 期          周亚男等：深度时空卷积网络支持的地块尺度作物种植类型分类                                    1775


                尺度信息，且保持较低的模型参数量；利用稠密                           former 模型，生成地块尺度特征的作物分类结果。
                的通道级联来获取影像波段间的多尺度特征，并                           为保证对比实验的公平性，所有模型均采用相同
                在膨胀卷积层之前利用 1×1 的卷积层来阻止特                         的参数设置（包括优化器、损失函数、批大小、初
                征通道数的增大。                                        始学习率、早停机制等），并选用其最优训练模型
                    2） 时间序列分类                                   进行测试。
                    相对于循环神经网络的序列建模，TCN 网络                           2） 评价指标
                具有多层次的感受野、稳定的梯度传播和更低的                               通过逐地块对比测试样本类别与分类模型
                资源消耗等优点       ［31］ 。本文选用 TCN 实现从地块              预测类别，构建模型分类结果的混淆矩阵并计算
                时序特征到作物类型的映射。在实现上，TCN 利                         总体精度（overall accuracy， OA）、准确度（P）、召
                用膨胀卷积来捕捉序列观测的长时间依赖关系，                           回率（R）、F1 分数等指标。总体精度 OA 表达了
                利用残差链接实现网络的跨层信息传递。具体                            正确分类的地块数与测试样本集中地块数之间
                地，TCN 由 3 个连续的一维卷积层组成，然后是                       的比值，准确度和召回率的调和平均数 F1 分数更
                批量归一化（batch normalization， BN）、ReLU 激           能够表达某一类作物的分类精度。整体上来说，
                活函数和随机丢弃（DropOut）层。经 TCN 时序                     更 高 的 OA、P、R 和 F1 分 数 表 示 更 好 的 分 类 结
                编码后的特征被展平并传递到具有 BN、ReLU 激                       果，反之亦然。
                活函数和 DropOut 的全连接层，并经 Softmax 函
                数计算作物类别概率。                                      3 实验与讨论
                    3） 损失函数
                                                                3.1 实验结果
                    针对研究区作物类型的类别不均衡性，采用
                                                                    1） 作物类型分类结果
                多类别 Focal Loss 损失函数训练时空分类模型。
                                                                    TSST 网络模型生成的作物种植类型图和局
                2.5 地块尺度作物类别合并
                                                                部细节如图 6 所示。通过目视解译评价作物类型
                    空间分区生成了地块的多个影像瓦片，也对
                                                                识别方法的整体效果。草地主要分布在研究区
                应多个作物类别概率，因此需要融合地块的多个
                                                                西南部以及 Vingeanne 河两岸（局部细节 C）。葡
                类型概率以生成最终的地块作物种植类型。假
                                                                萄 主 要 种 植 在 从 切 诺 夫（Chenôve）到 博 恩
                设待预测瓦片 i 区域内的有效像元数（同时落入
                                                                （Beaune）之间的狭长谷底（局部细节 B）。研究区
                瓦片与地块多边形内）为 n i，作物类别概率为 p i=
                                                                中东部的平地上主要种植着冬小麦、冬大麦、玉
                  1  2     t
               （p i，p i，…，p i ），借鉴集成学习中的投票思想，以 n i
                                                                米等作物。
                为权重计算作物类别概率的加权和，将概率最高                               2） 精度分析与对比
                的类别作为最终的地块作物类型，计算式为：                                为了定量评价 TSST 网络模型的有效性，本
                                           K  
                                                  
                          P type = arg max  ∑  n i × p i     （1）  文计算和对比了多种作物分类方法，包括基于像
                                   t ∈ (1,T ) i = 1           元的 LSTM 和 Transformer 方法、地块尺度类别
                式中，P type 为最终的地块作物类型；K 为地块的关                    投票的 LSTM-V 和 Transformer-V 方法以及地块
                键点数；T 为分类体系的类别个数。                               尺 度 特 征 的 LSTM-P 和 Transformer-P 方 法 ，精
                2.6 性能评价与对比                                     度指标结果见表 1。
                    1） 对比方法                                         整体上看，本文 TSST 网络模型取得了最好
                    本文选用多个对比方法验证所提 TSST 网                       的作物分类效果，其 OA、P、R、F1 分数分别达到
                络模型的有效性。对比方法分为两大类：基于像                           0.833 5、0.718 7、0.743 8 和 0.731 0。特别是相对
                元和地块尺度的时序分类方法。基于像元的分                            于次优精度指标，TSST 网络模型在 OA、P 和 F1
                类方法以像元时序光谱值为输入，利用长短期记                           分数上分别提高了 0.03、0.02 和 0.02，这定量说明
                忆 网 络（long  short-term  memory，LSTM） 和          了 TSST 网络模型在遥感时空作物类型识别上
                                                       ［3］
                Transformer 模型提取其时序特征并分类，进而                     的优势。具体而言，像元尺度的 LSTM 和 Trans⁃
                          ［5］
                以地块多边形为空间约束，投票合并上述像元分                           former 方法取得了最低的作物分类精度，而地块
                类结果，生成地块尺度类别投票分类结果；同时                           尺度分类方法均取得了较好的分类结果。这是
                以地块为分析单元提取地块区域内光谱均值，构                           因为以地块多边形为空间约束的特征统计和作
                建 地 块 时 间 序 列 观 测 ，并 输 入 LSTM 和 Trans⁃          物类别合并，能够有效消除特征提取和分类中的
   42   43   44   45   46   47   48   49   50   51   52