原名：Nationwide urban tree canopy mapping and coverage assessment in Brazil from high-resolution remote sensing images using deep learning
译名：基于深度学习从高分辨率影像中绘制巴西城市树冠图并评估其覆盖率
期刊：ISPRS Journal of Photogrammetry and Remote Sensing （IF=11.774）
发表时间：2023.4
DOI：10.1016/j.isprsjprs.2023.02.007
简讯：
城市树冠对于提供城市生态系统服务至关重要。城市树木与城市气候变化、空气污染、城市噪音、生物多样性、城市犯罪、健康、贫困和社会不平等之间的关系为更好地理解和管理城市提供了重要信息。为了更好地服务于巴西的城市生态系统，本文提出了一种半监督深度学习方法，从标记和未标记高分辨率遥感图像中稳健地分割城市树木。并基于这种方法，为巴西472个城市开发了0.5米的精细树冠地图。结果显示，巴西的城市树冠覆盖率在5%到35%之间，平均覆盖率约为18.68%。同时揭露了巴西城市树冠不公平的现象，130个容纳27.22%人口的城市树冠覆盖率大于20%，而342个容纳42%人口的覆盖率小于20%。所生产的城市树冠图有望应用于巴西城市生态系统服务的研究，以支持城市发展和提高居民的生活质量，从而实现可持续发展。本文发表于期刊ISPRS Journal of Photogrammetry and Remote Sensing。
一、研究背景：
城市树木为巴西城市居民提供重要的环境服务以及社会经济服务，生产空间明确的城市树冠 （UTC）地图是了解城市树木的有效方式。随着深度学习技术的发展，基于卷积神经网络（CNN）的方法已应用于单一高分辨率遥感影像的UTC制图，但通常不会覆盖整个国家。随着世界城市化进程的推进，迫切需要针对国家范围的UTC制图方法。已有的大尺度UTC地图的空间分辨率多局限于10-30米，无法监测小型树木。而从更高分辨率的影像中提取UTC往往存在光谱信息有限、地面目标复杂以及建筑阴影等挑战。为此，本文提出了一种半监督深度学习方法，从标记和未标记高分辨率遥感图像中稳健地分割城市树木。主要研究内容包括：
（1）为巴西472个城市创建0.5米的精细树冠地图；
（2）评估巴西472个城市的UTC覆盖状况；
（3）对巴西城市UTC的覆盖模式提出见解。
二、研究方法：
如图1所示，实验的整体流程包含两个数据流，分别生产城市掩膜产品和UTC产品。
图1：实验的整体流程。
（1）数据集
本文使用遥感影像来源于WorldView-2/系列，GeoEye-1，SkySat以及Pleiades，重采样为0.5米分辨率的RGB影像。利用ENVI制作了部分UTC标签，裁剪并增强为16K幅321×321大小的子图像。另外创建了50K幅未标记的图像，用作半监督学习。而后用同样的方式获得了12K幅标记的和20K幅未标记的城市掩膜图像。
（2）半监督学习框架
文章使用相同的半监督学习框架为城市掩膜和UTC分别训练两个模型。
图2：提出的云注意力智能网络（CAI-net）模块。
如图3所示，所提框架采用生成对抗策略，包含两个分割网络G和一个判别器网络D。G共享参数进行分割，D判别预测结果为真或假以提高G对未标记图像的分割性能。此外，D反馈指导信息帮助选择高质量预测结果用于生成自训练的伪标签。因此，G在训练期间接受标记数据和未标记数据提供的信息的监督。分别用和表示监督损失和自训练损失，用表示D提供的对抗性损失，总目标可以定义为下式：
其中：
分割网络G和判别器网络D的详细结构如图3。
图3：分割网络G和判别器网络D的详细结构。
三、研究结果：
（1）可视化分析
图4展示了城市掩膜结果和GUB数据集的比较。所提方法得到的城市掩模更接近真实的城市边界，而GUB产品中存在很多不匹配。
图4：城市掩膜结果和GUB数据集的比较。
图5展示了不同气候带的9个城市的UTC分割结果。对9个城市的UTC分割结果与真实树冠对应良好，不受气候带的影响。从图5 b，d，e可以看出，所提方法可以有效区分草本植物和木本植物，对于小型树冠也有良好的分割能力。
图5：不同气候带的9个城市的UTC分割结果。
（2）定量分析
本文选择了四种语义分割网络（Deeplabv2，FCN8，U-net与Deeplabv3+），在10个测试城市中评估了精度，如表1所示。所提方法优于对比方法，取得了最高的精度。
表1：来自10个城市的定量评估结果。
（3）巴西的UTC覆盖率
如图6所示，巴西城市之间的UTC覆盖率不公平，分布在5%和35%之间。巴西城市UTC平均覆盖率约为18.68%，其中有342个城市的覆盖率小于20%，27个城市的覆盖率小于10%。巴西UTC覆盖率高的城市主要分布在南部和沿海地区，覆盖率低的城市主要分布在东南部和东北部地区。
图6：巴西472个城市的UTC覆盖率。
四、研究意义：
为巴西创建高分辨率UTC地图是认知城市树木资源的第一步，为了解城市热量、空气污染、城市公平性评估等应用奠定了基础。本文同样针对不同树冠尺寸对整体UTC的贡献以及UTC的环境和社会驱动因素开展了分析。从而帮助城市管理者制定更好的公共政策，为居民提供更好的城市服务。
五、引用格式：
Guo J, Xu Q, Zeng Y, et al. Nationwide urban tree canopy mapping and coverage assessment in Brazil from high-resolution remote sensing images using deep learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 198: 1-15.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
