林地是陆地生态系统的重要组成部分，在减缓全球气候变化、维护生态平衡和改善生态环境方面发挥着重要作用[1]。遥感技术具有覆盖面大、回访时间短、成本低等特点[2-4],能够快速、准确地检测林地的类型、分布、面积、结构、质量和林地随时间变化的状况。因此，利用遥感技术准确、及时地获取精细林地信息，对森林科学管理和可持续发展具有重要意义。

传统的林地提取通常基于监测站或标准样本进行野外调查，调查过程成本高、耗时耗力、缺乏时效性。遥感技术已广泛用于林地研究的多个领域，如资源调查[5, 6]、类型识别[7]、植被制图[8, 9]和变化监测[10]。遥感数据也成为全球和区域林地调查的主要方法，例如，30 m分辨率的全球土地覆盖制图[11]。选择遥感数据源和分辨率是为了满足不同的研究目标，并与所需的林地信息的相关规模相对应。然而，高时空分辨率的遥感数据在现实中难以实现。为此，科研界已经开发出多种用于遥感图像增强和时间序列重构的模型和算法，例如采用分形分析[12]、主成分分析[13]和小波分析[14]通过图像增强来识别目标特征。

近年来，基于深度学习的遥感影像语义分割技术日趋成熟。在提取林地方面，很多学者利用CNN的优势，提出新的卷积网络来获取更好的提取效果。崔维帅等[15]提出一种改进型PSPNet网络改进传统监督分类方法在高分辨率遥感影像提取林地时存在的信息利用不充分、特征选取不精准等问题。朱生阳等[16]提出一种基于PCA多特征融合的EnFCM林地提取方法，改进传统EnFCM算法在图像分割中只考虑灰度特征，导致林地分割提取精度低的问题。曾文等[17]以SV-1遥感影像为数据源，通过特征可分性、特征重要性、特征间冗余度等建立4种评价准则选择分类特征，利用支持向量机分类器对研究区林地信息进行提取。董建康等[18]基于高空间分辨率无人机多光谱数据，提出一种筛选特征波段结合卷积神经网络U-Net的方法，对影像进行分割并提取林地信息。任诗曼等[19]针对传统林地提取方法精度较低且边界不规则的问题，设计了一种联合多尺度注意力机制与边缘约束的林地提取方法。尽管以上研究利用深度学习提取林地信息进展明显，但遥感影像中林地情况复杂，难以精准提取林地的形状特征与相对位置关系。因此，在利用深度学习模型从遥感影像中分割林地的任务上，仍然存在着诸多挑战。

为解决上述问题，本文提出一种联合上下文感知与边界约束的林地提取方法(CABC-Net)。首先，为缓解林地内部连续性差，避免提取结果中林地内部出现孔洞等问题，建立上下文感知(Context Awareness, CA)模块，该模块精细化融合低层特征和高层特征，捕获丰富的全局上下文信息并保留高层特征中局部位置信息；随后，针对边界提取模糊、不连续等问题，提出边界约束(Boundary Constraints, BC)模块，该模块更加关注边缘信息，缩小定位林地边界的波动范围，将边界特征与深层特征结合作为模型的辅助特征，以提高边界完整度。

1、联合上下文感知与边界约束网络框架

1.1整体框架

图1为网络框架，使用VGG16作为编码器，E1～E4为编码层，D1～D4为解码层，CA模块部署在编码层和解码层之间，BC模块部署在解码器末端。

图1 CABC-Net的整体框架

1.2上下文感知模块

CA模块的细节图如图2所示。

图2 CA模块示意图

为了更容易获取上下文以及细节信息，本文在编码器和解码器之间放置CA模块，将编码器第四层(E4)和第五层(E5)作为模块的输入，CA模块中共有三个分支。首先，在第一分支对E5依次进行1×1的卷积、批标准化与线性整流函数(CBR)初步细化原始特征，而后紧接着4个空洞卷积来扩大感受野，获取更多的上下文信息，接着将四个不同扩张系数的空洞卷积之间进行拼接和融合，提高对全局信息的感知，得到第一分支输出f1。这个过程可以表示为

f1=a1⊕a2(4)

式中：e1——经过E4层输出结果；

Cbr1×1——1×1卷积；

e5——编码层第五层输出；

a1,a2——过渡层的输出；

——通道拼接；

Cbr3×3——3×3卷积；

Ari(·)——扩张系数为i的空洞卷积。

为避免局部细节信息丢失并兼顾全局上下文信息，在后面两个分支当中加入低层特征。第二个分支是将E4的特征层信息依次进行1×1的CBR操作得到第二分支输出f2,第三分支分别将E5的特征信息依次进行3×3的CBR以及Sigmoid函数得到第三分支输出f3。最后，将第一分支f1与第二分支f2融合后与第三分支f3进行相乘，得到最终输出F。具体计算如式(5)～式(7)所示。

f2=Cbr1×1(e4) (5)

f3=Sig(Cbr3×3(e5)) (6)

F=Cbr1×1(Cbr3×3(f1⊕f2)⨂f3) (7)

式中：Sig(·)——Sigmoid函数；

fi——不同分支输出结果。

1.3边界约束模块

边界约束模块有效利用了解码器D1,D2,D3三层特征图，提高模型对林地边界的关注，增强边缘语义特征表达，提高林地边缘提取效果，结构如图3所示。

图3 BC模块结构

首先，在BC模块中设计了边界约束的子模块，一高一低两个特征图(H,L)经过卷积变换和上采样调整尺度后输入子模块中，将(H,L)两张特征图进行拼接，之后由Softmax函数沿着通道上进行拆分，拆分后的结果μ与经过Sobel算子后的高低特征图进行相乘后相加，最后输出带有边界约束信息的特征图λ。

式中：Soft(·)——Softmax函数。

然后，将D3和D2作为子模块的输入得到D′。为了充分约束上下文的边界信息，弱化耕地边界的冗余信息，将D′与D1再次送入子模块中进行边界约束后得到D″,经过1×1卷积调整通道后，输出预测结果Output。其过程表示如下。

D′=M(D3,D2) (10)

D″=M(D′,D1) (11)

Output=Conv1×1(D′) (12)

式中：M(·)——子模块。

2、数据集和试验设置

2.1数据集

数据验证是神经网络模型有效性评估的关键环节。然而，当前研究中缺少公开的林地信息提取数据集。因此，构建一个新的林地信息提取数据集。在构建用于林地信息提取的遥感影像数据集时面临了多项挑战：首先，林地与其他植被区域(如草地、耕地等)在遥感影像中的相似性增加了目视解析的难度；其次，林地在影像中的表现存在显著尺度差异，范围从广阔的森林区域到较小的林块。为了克服这些难题并验证深度学习模型在林地信息提取方面的应用效果，通过目视解译方法建立一个新的遥感影像林地提取数据集。该数据集的原始影像来源于谷歌地球的高分辨率影像，包括40张4 000像素×4 000像素、分辨率为1 m的RGB高分辨率影像。数据集构建由人工目视解译完成，即通过人工标注确定林地范围。所有影像处理和标签制作均在ENVI 5.6平台上进行，建立规则严格按照目标边界勾画进行标签制作，其中林地区域的像素值设为1,背景区域的像素值设为0。

在人工标注之后，为适应模型训练的需求，进一步将大尺寸影像裁剪成256像素×256像素的图像，为增强数据多样性，提升模型的泛化能力并降低过拟合风险，采用随机裁剪、旋转、模糊和添加噪声等数据增强技术。最终构建包含5 052张林地数据的数据集，并按照8∶1∶1的比例分为训练集、验证集和测试集，分别包括4 140张、456张和456张影像及对应标签。图4为林地信息提取数据集的建立流程。

图4林地信息提取数据集建立流程

2.2试验设置

2.2.1训练参数

试验在配备单个NVIDIA GeForce RTX 3090 24G GPU的服务器上进行。为避免训练中发生过拟合现象，本文使用数据增强技术和早停技术。同时，也采用了深监督策略来加快模型收敛。通过不断调整测试，将批处理大小Batch Size设置为8,初始学习率为0.000 1,权重衰减设置为0.000 01,训练轮数设置为100。

2.2.2精度评价指标

选择语义分割中四种常用的评价指标来对所提出的方法进行评价，包括交并比(IoU),精确度(Precision),召回率(Recall),像素准确率(PA)。

式中：TP——真正例；

FP——假正例；

TN——真负例；

FN——假负例；

pii——预测正确像素个数；

pij——总预测像素个数；

k——分类的类别数目；

i、j——类别的索引。

3、试验结果与讨论

3.1定量分析

为全面分析所提方法的有效性与优越性，选择4种近年来优秀的语义分割模型，在相同数据集和试验条件下进行对比，包括：MEC-Net、C3-Net、U-Net和DeepLabV3+。为使每一种模型都可以得到最优的效果，对所有的训练模型皆采用迁移学习的策略，利用预训练模型作为初始化训练权重以提高网络性能，对比结果如表1所示。

表1数据集上的定量比较结果

从表1可以看出，CABC-Net在各项指标中都取得优良成绩，与其他方法相比，CABC-Net的优势显著，在IoU、Precision、Recall和PA上均为最高分，分别为91.22%、95.15%、95.67%和97.50%,其中IoU提高了0.55%～9.45%;Precision提高了1.01%～4.66%;Recall提高了0.24%～6.36%;PA提高了0.19%～7.53%。总的来说，本文的方法在林地提取上的精度超过了其他方法，具有明显优势。

3.2定性分析

为证明方法的有效性，与四个优秀模型在边界提取、背景干扰以及林地内部连续性方面上进行全面的定性分析。数据集中包含大型林地和小型林地以及复杂场景下的林地，在数据集中选取4张代表性的图像在模型中测试并进行显示和对比，如图5所示。

图5不同方法的定性分析

本文方法的预测结果准确度为5个网络中最优，提取结果更接近原始标签，错提漏提较少、表面平滑、边界整齐清晰，对细节处理精细。例如MEC-Net和C3-Net在细节上处理不精细，杂散图斑较多，其中C3-Net内部孔洞较多，图斑表面斑驳；而U-Net和DeepLabV3+预测结果细碎图斑较多，边界较清晰，图斑表面杂乱不精细，提取结果不完整。由于林地的复杂性，其他方法提取结果中林地内部存在很大的空缺甚至整体遗漏，而本文方法对林地的关注更加全面，提取结果更加完整。这主要得益于CA模块将深层次语义信息与低层次语义信息高效融合作用的结果，有效避免了上下文差异导致的上下文信息丢失问题。林地周围复杂的环境背景对各个模型中林地的边界提取结果有影响，与其他四种方法对比，CABC-Net可以弱化道路对林地边界的干扰，提高模型的准确性。在阴影的干扰下，其他方法在边界区域都存在大量的错误提取，而本文方法依然能保持不错的效果，准确识别林地边界，这是得益于BC模块加强了网络对高低层次语义边界信息的关注，提高了林地边界的分割精度。

3.3方法效率与复杂度分析

为全面评估本文方法的计算效率，设置计算本文方法和其他方法的参数量和浮点运算数，同时，使用各个模型在数据集上的结果作为衡量模型能力的标准，结果如表2所示。从表2可以看出，本文的模型具有更少的网络参数和浮点运算数，其他指标均位于中间值，在不影响总体精度的情况下可进一步提高运行效率，本文方法在精度、参数量和浮点运算量之间保持较好的平衡。

表2不同方法的效率与复杂度分析

3.4消融试验

为进一步证明每个模块在CABC-Net中的作用，进行消融试验，参考评价指标见2.1.1节。首先，研究CABC-Net基线网络的有效性，去除所有模块，只保留主干网络。然后，将单独的模块依次加入基线网络中来验证模块的有效性，结果如表3所示。

表3消融试验结果

从表3可以看出，CA模块和BC模块对网络性能的提升效果是非常显著的。在数据集中加入CA模块后，IoU、Presicion、Recall、PA分别上升了1.55%、1.60%、0.01%、0.48%;加入BC模块后，IoU、Presicion、Recall、PA分别上升了1.93%、1.10%、1.02%、0.58%,试验证明单独添加这两个模块在对网络的评价指标上都有较大上升。与基线网络相比，本文方法的IoU、Presicion、Recall、PA提高了2.48%、1.65%、1.07%、0.75%。根据上述结果，本文方法可以显著提高林地提取能力。

为了验证CA模块和BC模块的作用，本文在林地数据集上对比了基线网络和仅添加CA模块和BC模块的基线网络的最终输出结果图，如图6所示。可以看出，在未添加CA模块之前，输入的图像中的其他地物干扰了模型对林地的识别效果导致模型的部分注意力分散到背景当中。而添加CA之后，可以从图中看出模型的注意力明显集中在林地本身。这表明CA可以有效抑制其他地物对林地提取的干扰。未添加BC模块之前，道路和地面阴影对林地边界的识别有干扰作用，基线网络模型对边界的关注并不明显。在加入BC模块后，BC可以有效地促使模型减少对图像中林地非边界区域的关注，而注意力机制则进一步引导模型专注于边界区域，从而实现了更加精准的边界识别与定位。例如，如图6的最后一列所示，在加入BC模块后，与基线网络预测图相比，模型对林地整体的关注更加完整，林地内部的完整性也大幅提高。同时，图6第五列显示，在加入CA模块后，提高了模型对林地边界的关注，减少了对其他非林地地物的关注，图斑的边缘细节信息提取精度明显提高。

图6消融试验可视化结果

4、结论

1)提出一种CABC-Net网络用于遥感影像林地信息提取。首先，通过在编码层与解码层之间加入CA模块，精细融合高低层语义信息，该模块有助于捕获丰富的全局上下文信息并保留高层特征中的局部位置信息，从而减弱上下文差异所引起的林地内部残缺与漏洞问题，进而提高林地信息的完整性。随后，设计BC模块，该模块在通道维度和空间维度上增强对林地边界的定位能力，进一步减小定位林地边界的波动范围，提升对林地边界信息的聚焦能力。

2)建立一个新的林地信息提取数据集，并在此数据集上与4种优秀的网络模型进行对比分析。结果表明，本文方法的IoU最高可达91.22%,PA可达97.50%,模型参数量仅为21.97 M,检测速度达到114帧/s,显著提高林地提取的精度与效率。

3)本文方法适用于森林监测、环境保护和灾害响应，方法可高效识别林地，实时监测森林变化，指导资源利用，可评估生态健康和生物多样性，支持环保政策，支持灾后林地评估。未来将优化网络结构，结合多源数据，提升复杂背景下性能，扩展应用范围，为林地和环境管理提供技术支持。

参考文献:

[1]徐州,林孝松,何浪.基于地形梯度的巫山县土地利用空间分布特征研究[J].中国农机化学报,2019,40(10):193-199.

[2]骆有庆,刘宇杰,黄华国,等.应用遥感技术评价森林健康的路径和方法[J].北京林业大学学报,2021,43(9):1-13.

[3]王小昆,王耀,于世勇,等.基于遥感技术的全国营造林监测体系建设构想[J].林业资源管理,2020(5):52-57.

[4]卜静,蔡子良.遥感技术在火灾后林业经济损失评估中的应用[J].灾害学,2021,36(3):47-50,56.

[15]崔维帅,吴勇,薛雯霞.基于改进PSPNet模型的高分辨率遥感影像林地提取方法研究[J].科学技术创新,2024(4):52-55.

[16]朱生阳,王小鹏,魏统艺,等.一种基于PCA多特征融合的EnFCM遥感图像林地提取方法(英文)[J/OL].测试科学与仪器(英文),1-8[2024-08-19].

[17]曾文,林辉,李新宇,等.基于高景一号遥感影像的林地信息提取[J].中南林业科技大学学报,2020,40(7):32-40.

[18]董建康,连懿,赵之江,等.基于卷积神经网络和特征选择的无人机多光谱影像林地提取方法[J].天津师范大学学报(自然科学版),2022,42(4):64-71.

基金资助:江苏农林职业技术学院科技项目(2024kj29);

文章来源:胡永进.联合上下文感知与边界约束的遥感影像林地提取方法[J].中国农机化学报,2024,45(12):162-167.