基于SegNet网络模型的沙地圩田分布范围预测

 

图像的语义分割需要对图像中的每一个像素从语义上进行分类，将同类别的像素归为一类标签，分割结果即图像中相同类别的像素呈现同种颜色。CNN可通过很深层的神经网络提取目标图像高度抽象的语义特征，并在该图像上进行像素分类，进而获得图像分割的结果[32]，其中SegNet网络模型是风景园林研究中使用频率最高的CNN图像语义分割工具[13]。

SegNet网络模型由Badrinarayanan等[33]提出，它是一种深度对称的卷积编码解码架构，编码过程缩减输入图像位置信息和空间维度并提取图像更深层特征，解码过程恢复位置信息和空间维度并对图像进行分割。

 

 

本研究将初步确定的3种类型沙地圩田的典型圩区作为原始数据进行标记：沙地内圈圩田（选取瓜洲圩区，面积约162.38km2）；沙地外滩圩田（选取环状和条带状均包含的扬中圩区，面积约215.46km2）；江口新垦圩田（选取最先类条田化的张芝山镇附近圩区，面积约137.38km2，图3-1）。

为了增加图像识别的准确度，选取部分水面、山体等较明显的非圩田地区作为对照数据，面积约2843.16km2。将选取的4种类型遥感图像数据切割成像素为256×256的图片并增强图片数据的丰富度，最终训练集图片数量为65536张，测试集图片数量为5000张。

 

 

构建SegNet网络模块，完成各层的参数设置，卷积核大小为5，步长为1，边界填充为2。定义优化器，设置损失函数，设置学习率0.001，模型训练迭代次数设置为1万次，每100次迭代进行1次测试集准确率检测。最终训练集准确率达到95%，测试集准确率达到93.5%。

 

2.3遥感影像的分割

 

沙地圩田主要集中在沿江新三角洲平原，因此将长三角地区历史遥感地图的识别范围界定为西至南京，东至黄海，北至泰州，南至上海金山区[34]（面积约64350km2）。将处理完成的遥感图像数据依次输入模型进行预测，最终得到3种类型沙地圩田的分布图（图3-2）。

 

长三角本身就是湖荡交错、水系纵横的辽阔平原，模型预测的结果除了存在遥感地图清晰度导致的误差外，还会误判水网形态与沙地圩田高度相似的区域。因此，本研究将参考数据集与标签的置信度数值聚类分析结果（图3-3），使用人工目视解译技术，根据上文总结的关于沙地圩田的基本概念、分布特征、景观特征等信息，对预测的结果进行判断和修正（图3-4）。