火山喷发地貌遥感调查是火山灾害预防与减灾的基础工作之一（许建东等，2022）。长白山火山是中国境内最大的一座具有潜在喷发危险的活火山（徐义刚和郭正府，2018），经过多次喷发形成了复杂的火山喷发地貌场景（吴虹等，2016）。火山喷发地貌场景主要包括各种类型的火山岩（如粗面岩、玄武岩）和地表覆盖（如由火山喷发堆积物风化形成的裸露土壤以及在此之上形成的苔原带植被）。这些火山喷发地貌单元在遥感图像上表现为众多不同空间形状、几何结构和纹理特征等的组合体，其分布集聚且不规则，同物异谱、异物同谱现象突出（Aubry et al.，2023；Oviedo et al.，2023）。同时，火山地貌调查手段也已经从最初的单纯依赖人工野外调查发展到遥感调查与野外验证相结合的机器学习解译阶段。近年来，随着新一代人工智能技术的发展，使得利用深度学习进行火山地貌遥感调查与智能解译成为一种必然趋势（Kang Jian et al.，2020）。其中，能够为火山地貌调查提供数据支撑、且可用于人工智能深度学习的大量可信、典型的火山喷发地貌遥感数据集是关键，备受关注（欧阳淑冰等，2022）。

在火山地貌遥感调查中，深度学习技术能够通过对具有代表性的大规模样本数据集进行学习与训练，自动抽取遥感图像中深层次的火山喷发地貌场景特征（Shao Wen et al.，2013）。然而，受限于火山喷发地貌的特殊环境，野外调查中普遍存在样本类标数量稀少或缺失现象，很难获得满足深度学习模型训练所需的足够规模的样本数量，限制了火山地貌遥感调查精度的进一步提升。目前，火山喷发地貌场景数据集研究尚处于探索阶段。在21世纪初，有研究人员将人工解译出的地形地貌数据经数字化转换为多比例尺矢量数据，并据此制作地形地貌数据集（Li Sijin et al.，2020；Shumack et al.，2020）。该类数据集主要利用地貌数据在遥感图像上的颜色差异和形态学差异制作数据集标签，直观易懂。随后，部分研究人员在专家知识解译成果的基础上，综合考虑地质资料和野外调查制作地貌成因数据集（Du Lin et al.，2019；Feng Quanlong et al.，2022）。该类数据集包含多种类型地貌和数字高程模型（DEM），遥感解译难度较大。此外，通过针对具体的火山监测领域中数据集文献检索可知，Canário et al.（2020）通过收集2010~2016年间的智利Llaima火山的3592个火山信号，构建了火山地震信号数据集；Corradino et al.（2023）通过收集五座典型火山的地表热红外数据构建火山热红外异常数据集。虽然这些数据集已经通过深度学习模型得到证实，但是其主要是针对已知标签的异常区域场景展开，且分类精度和数据集描述粒度较粗，对标签属性未知区域是否适用尚未可知。

传统上，基于机器学习的地貌场景遥感图像分类方法已初步形成分类值法（周成虎等，2009；欧阳淑冰等，2022）、基于概率聚类方法（Drǎguţ and Blaschke，2006；王彦文和秦承志，2017；顾文亚等，2020）、基于监督方法（仲伟敬等，2018）等。然而，这些方法普遍存在主观性强、粒度较粗，以及泛化能力差、特征提取困难等问题（龚健雅等，2021）。随着深度学习被引入到地貌场景分类领域，以卷积神经网络为代表的深度学习算法在图像多层级特征学习、特征提取方面得到广泛应用（Xuan Junyu et al.，2019；Jing Longlong and Tian Yingli，2021）。目前，地貌场景遥感图像深度学习分类方法可归纳为基于编码为单一特征向量的全局特征方法和基于卷积神经网络特征提取器的局部特征方法两种。其中，前者通过引入全连接层提升全局特征，但是降低了模型对空间细节敏感性；后者能够提取出火山喷发地貌场景的局部特征，却忽略了火山喷发地貌遥感图像中关键的空间关系，特征学习能力受到限制（何克磊等，2017；Cheng Gong et al.，2018；Yu Yunlong and Liu Fuxian，2018；Li Chengfan et al.，2024）。事实上，由于不同类型地貌单元尺寸大小和几何形态都是随机的，火山喷发地貌场景遥感图像的全局信息和局部细节特征都是不可或缺的重要鉴别标志。

综上所述，尽管前人已经从火山喷发物与火山堆积类型地表调查、地貌分布等方面对长白山火山进行了系统研究（王璞珺等，2013；刘嘉麒等，2015；丁毅，2022），并在相关的数据集和数据集分类方法方面做了大量的探索性工作，但是能够用于深度学习的火山喷发地貌场景遥感数据集研究仍然较少，相关的公开报道则更加稀少。由于深度学习方法引入到火山领域的时间较短，当前这些与火山喷发地貌相关的既有地貌场景数据集不仅数量较少，制作方法和格式也各不相同，而且数据集粒度较粗、类型不齐全，难以对火山喷发地貌场景进行全面、客观描述。为此，本文在结合专家解译与野外调查基础上，针对野外火山地貌调查对遥感数据集的迫切需求，选择地貌标签清晰的长白山火山为研究对象，基于哨兵2遥感图像（Sentinel-2）获取火山喷发地貌样本数据和标签图像，构建面向大尺度、多覆盖类型的长白山火山喷发地貌场景遥感数据集（VELSD1.0）；并利用深度学习模型对构建数据集进行验证和分析。为野外火山地貌遥感调查中的人工智能深度学习研究提供科学依据，有助于提升火山地貌调查的信息化、智能化程度。

1 研究区概况

长白山火山位于太平洋板块与欧亚板块俯冲地带的前沿，地质结构复杂，是目前保存最为完整的新生代多成因复合式火山之一（魏海泉等，1999），区内玄武质、粗面质火山岩广泛发育。目前，长白山火山处于地质构造的活动期和千年大喷发、百年小喷发周期的节点，存在潜在喷发危险（刘嘉麒等，2015，2022）。在地貌上，受季风和山地局部区域性小气候共同作用，长白山火山锥体植被形成了显著的垂向分带，即以天池火山口为中心向四周依次下降，分别形成火山锥体、山麓倾斜熔岩高原和熔岩台地地貌。

参考前人研究成果和长白山火山地质、地貌特征，通过分析研究区内不同覆盖类型在遥感图像上的光谱特征，结合专家解译、和野外调查，最终将长白山火山喷发地貌场景中的地表覆盖类型归纳为植被覆盖地貌、裸露土壤、裸露火山岩、水体、阴影、人工景观。其中，按照覆盖程度不同可将植被覆盖类型进一步细分为高植被覆盖、中植被覆盖、低植被覆盖，按照岩性不同可将裸露火山岩进一步细分为玄武质火山岩、粗面质火山岩、粗面岩与浮岩混合火山岩（本文中分别简称为玄武岩、粗面岩、混合岩）。具体的长白山火山喷发地貌场景分类标准如表1所示。

2 数据选取及数据集制作

2.1 数据源及预处理

为了更好地反映研究区火山地表覆盖类型，根据长白山火山地理分布和气象特征，研究中最终火山喷发地貌结构清晰和成像条件良好的两景Sentinel-2 L1C级遥感图像作为数据源（表2）。该遥感图像可以从https://scihub.copernicus.eu/dhus/#/homeHYPERLINK"https://scihub.copernicus.eu/dhus/#/home"下载（图1）；覆盖长白山火山区约2500 km²的区域，图像质量清晰。此外，参考数据包括长白山火山地质图、1∶500大比例尺地形图、部分野外调查资料。该部分数据由吉林省长白山天池火山观测站提供。

针对Sentinel-2遥感图像，由于该L1C级数据在卫星接收站已经过初步加工，所以本文中数据预处理主要进行遥感图像几何校正、辐射校正、镶嵌和剪切。其中，Sentinel-2遥感图像的参考椭球位设为WGS84。

2.2 长白山火山喷发地貌野外调查路线

野外调查是研究火山学的基本方法，能够充分反映和验证火山喷发地貌类型划分以及遥感图像解译结果准确与否。为了确保野外调查中采样点火山喷发地貌类型的准确性，研究中，采用与遥感成像时间一致的2023年7~8月进行野外调查。图2为长白山火山喷发地貌遥感解译标签及野外调查路线。该路线长约100 km，取样点48个、验证点12个，涵盖了表1中全部的地表覆盖类型。其中，火山喷发地貌解译正确的取样点有45个，占比93.75%；解译错误的取样点有3个，占比6.25%。据分析，遥感解译错误的取样点主要为零散分布的小块裸露火山岩地貌，解译难度较大。

2.3 数据集制作

详细的长白山火山喷发地貌遥感数据集制作主要包括两个阶段。首先是数据集裁剪。考虑Sentinel-2遥感图像的空间分辨率和不同地表覆盖类型在空间上交错分布特性，为了最大程度保存长白山火山喷发地貌的完整性，以2019年9月25日Sentinel-2遥感图像为数据源，通过切割共形成40000张样本图像，每张样本图像尺寸为25像元×25像元（250 m×250 m）；接下来是标签制作。根据表1中的长白山火山喷发地貌类型分类标准，通过手工勾绘目标边界的方式对火山喷发地貌场景中的全部地表覆盖类型进行标注。

图3为本文构建出VELSD1.0数据集的组织架构。生成的长白山火山喷发地貌遥感数据集共包括高植被覆盖、中植被覆盖、低植被覆盖、裸露土壤、玄武岩、粗面岩、混合岩、水体、阴影、人工景观十类地表覆盖类型，每一地表覆盖类型包含遥感图像、标签数据、解译标签及说明三类组成元素，每类组成元素的空间分辨率为10 m，遥感图像和标签数据格式为TIFF，解译标签及说明格式为TXT，压缩后数据集大小为82.7 Mb，所有样本之间无交叉重叠。

在VELSD1.0数据集中，火山喷发地貌场景中的不同地表覆盖类型样本数量统计结果如图4所示。由此可知，高植被覆盖和中植被覆盖的样本图像占比最高，合计占比68.7%；其次为人工景观和低植被覆盖，占比约15.5%；随后是粗面岩、裸露土壤、水体，占比约13.1%；而玄武岩、混合岩和阴影类型最少，仅占比约2.7%。结合前期研究成果和野外调查可知，从单一裸露火山岩岩性类型来看，研究区内露头火山岩岩性分布区域也与数据集中样本数量统计结果保持一致，即粗面岩＞玄武岩＞混合岩。

3 结果及分析

本次研究主要是采用火山喷发地貌遥感数据集室内制作与深度学习验证和野外实地调查复核相结合的方式。为了更加客观地评价所构建数据集的准确性和对深度学习框架的适用性，在数据集制作的基础上，分别从深度神经网络模型、模块消融、不同时相场景方面进行验证实验与分析。

3.1 实验准备

3.1.1 实验环境

实验环境为Ubuntu 20.01.4LTS操作系统，CPU主频为Intel Xeon E5-2620 v4 CPU @ 3.80 GHz，8 G内存，GPU为Nvidia RTX 2080Ti，使用的Cuda-toolkit 10.1，通过Python编程及PyTorch深度学习框架构建模型。实验中，采用Adam优化器和损失函数进行模型优化和评价，初始学习率为 0.0001，批量大小为256，训练周期（Epoch）为50。此外，在全连接层间引入dropout层可避免模型过拟合。

3.1.2 评价指标

实验中，以经典的GoogLeNet、ResNet、Vision Transformer和Swin Transformer作为深度学习模型骨干网络，选择总体分类准确度（OA）、交叉熵损失（Loss）、单类平均精度（AP）、多类平均精度（mAP）、Kappa系数（KC）和混淆矩阵对数据集进行深度学习模型训练和精度评价对比与分析。

总体分类准确度的计算公式为：

式中，TP为真正例，TN为真负例，FP为假正例，FN为假负例。

交叉熵损失的计算公式为：

式中，N为样本数量，C为类别数量， y_ic为样本i属于类别c的实际标签，p_ic为模型对样本i属于类别c的预测概率。

Kappa系数的计算公式为：

式中，P_o为观测到的精确度，P_e为预期的精确度。其中P_o和P_e可分别通过下式得到：

式中，N_ii为预测为类别i的样本数量，N_ij为预测为类别i但实际为类别j的样本数量，N为总样本数量。

单类平均精度的计算公式为：

式中，P为精度，$P=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$；R为召回率，$R=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$。对于多分类问题，通过计算火山喷发地貌场景每一地表覆盖类型的单类平均精度，通过求平均值即可得到火山喷发地貌场景的多类平均精度。

3.1.3 数据处理

为了提升深度学习模型捕捉火山喷发地貌场景遥感图像结构和纹理信息的能力，根据数据集中图像分辨率和火山喷发地貌场景地表覆盖类型，实验中，需要分别对数据集图像进行对比度和边缘增强以及数据集划分处理。

（1）利用PyTorch深度学习框架中的transforms.ColorJitter功能实现数据集图像的对比度增强，提升深度学习模型对火山喷发地貌场景遥感图像中局部细微特征的敏感性。

（2）通过随机仿射变换产生数据集图像的边缘信息，增加深度学习模型对火山喷发地貌场景遥感图像中地表覆盖单元边缘的学习。

（3）将整个数据集图像划分为训练集、验证集和测试集三部分。其中测试集占比20%，剩余的80%作为训练集和验证集。

在实验中，采用k折交叉验证和早停策略对模型进行测试和训练。其中，k=5，即将数据集划分为5个子集，以避免过拟合。

3.2 深度神经网络模型验证与分析

为了评价深度神经网络模型对火山喷发地貌场景分类的影响，我们分别从模型训练、k折交叉验证、平均精度、数据增强方面对VELSD1.0数据集进行验证与分析。

3.2.1 模型训练对比

图5为GoogLeNet、ResNet、Vision Transformer和Swin Transformer四种深度神经模型在VELSD1.0数据集上进行训练的总体分类准确度和损失变化曲线。

总体来说，深度神经网络模型的训练总体分类准确度随训练次数的增加而上升，同时而交叉熵损失则呈现出稳步下降的趋势（图5）。这表明经过VELSD1.0数据集训练后的上述四种深度神经网络模型性能提升与模型优化同步进行。在交叉熵损失方面（图5a），Transformer模型的损失值要显著低于ResNet和GoogleNet模型。其中，Vision Transformer的损失值最小，仅为0.4016，达到最好的拟合效果；其次是Swin Transformer模型；而GoogleNet和ResNet模型的损失值则较大。相应地，在总体分类准确度方面（图5b），上述四种深度模型展现了截然不同的性能，即ResNet和GoogleNet模型要明显优于Transformer模型。其中，ResNet模型表现最为出色，训练准确率达到了97.22%；其次是GoogleNet模型；而Swin Transformer和Vision Transformer模型则表现较差。

3.2.2 k折交叉验证对比

表3和表4分别为四种深度神经网络模型在VELSD1.0数据集上经过k折交叉验证和测试得到的总体分类准确度和Kappa系数对比情况。

综合表3和表4可知，在经过k折交叉验证后，Vision Transformer模型在VELSD1.0数据集上取得了最优分类效果，总体分类准确度达到82.93%，Kappa系数也达到了最高的75.64%。这表明对于复杂的火山喷发地貌场景分类而言，新出现的Transformer模型要比早期的GoogLeNet、ResNet模型更为有效。据推测，这主要得益于Transformer模型能够有效捕捉火山喷发地貌场景中的长距离上下文信息，更加适应遥感图像火山喷发地貌场景地表覆盖类型中关键的全局信息和局部细节特征提取。

接下来，选择表现良好的Vision Transformer模型在VELSD1.0数据集上对火山喷发地貌场景地表覆盖类型进行分类性能验证。图6为经过k折交叉验证的Vision Transformer模型在VELSD1.0数据集上的分类混淆矩阵。

从图6中看出，Vision Transformer模型尽管在VELSD1.0数据集上取得了较好的分类效果，但是在高植被覆盖与水体、中植被覆盖与粗面岩、玄武岩与人工景观之间存在着较为明显的错分现象。据分析，这可能是受到遥感图像中同物异谱、异物同谱的影响，导致火山喷发地貌场景中不同地表覆盖类型之间存在一定的色彩、色调、光谱差异造成的。此外，针对具体的长白山火山喷发地貌场景地表覆盖类型而言，高植被覆盖和裸露土壤的分类准确率最高，其次是中植被覆盖、低植被覆盖和人工景观，玄武岩、混合岩、阴影较差，而粗面岩的分类效果最差。造成这种分类误差的原因，除了前述的遥感图像色彩、色调、光谱差异，还有一个可能因素就是火山喷发地貌场景中不同地表覆盖类型之间样本数据量差异巨大，极易引起由分布不均衡导致的统计学误差。

3.2.3 平均精度对比

表5为上述四种不同深度神经网络模型在VELSD1.0数据集上的单类平均精度和多类平均精度对比结果。

从表5中看出，Vision Transformer模型取得了最好的分类效果，多类平均精度达到了84.22%；其次是Swin Transformer模型，多类平均精度达到7 0.11%；而传统的ResNet和GoogLeNet模型相对较差，仅为64.17%和61.52%。

（1）从单一的火山喷发地貌场景地表覆盖类型分类结果来看，不同深度神经网络模型之间存在着显著地差异。例如，对于阴影和玄武岩来说，Vision Transformer模型的分类效果要显著优于其他三个深度神经网络模型。此外，高植被覆盖、中植被覆盖和裸露土壤类型在上述四种深度神经网络模型中都取得了最好的分类效果；其次是低植被覆盖、人工景观类型和玄武岩类型；粗面岩、混合岩类型的分类平均精度则最低。

（2）从不同深度神经网络模型来看，Vision Transformer模型和Swin Transformer模型优于ResNet和GoogLeNet模型。其中，高植被覆盖、中植被覆盖和裸露土壤类型的分类平均精度值最高，裸露火山岩中的粗面岩、玄武岩、混合岩、水体类别的分类平均精度值最低。

由此可知，火山喷发地貌场景中不同地表覆盖类型复杂多样，在遥感图像上往往表现为片状、连续分布的不规则区域，光谱特征也多为混合像元的综合特征，准确分类的难度较大。基于自注意力机制的Transformer系列模型能够对从语义层面对地表覆盖类型进行分割，比基于传统卷积特征分类的ResNet和GoogLeNet模型效果要好，对于复杂的火山喷发地貌场景分类优势更加明显。

3.2.4 数据增强对比

表6为VELSD1.0数据集在进行数据增强（对比度和边缘增强）前后不同深度神经网络模型的总体分类准确度对比，图7为表6中数据增强前后火山喷发地貌场景分类结果的可视化。

如表6所示，VELSD1.0数据集在经过对比度和边缘增强后，基于不同深度神经网络模型的地表覆盖类型总体分类准确度都得到了不同程度的提升。其中，Vision Transformer模型的总体分类准确度提升幅度最大，达到了5.84%；其次是Swin Transformer模型和GoogLeNet模型，达到4.75%和3.69%；ResNet模型增加幅度最不明显，仅增加0.54%。由此可知，对于复杂的火山喷发地貌场景而言，尤其是遥感图像空间分辨率较低时，通过数据增强能够显著提升火山喷发地貌场景中不同地表覆盖类型的可辨识度。相对应，通过对数据增强前后的火山喷发地貌场景分类结果可视化可知（图7），数据增强后地表覆盖分类图像总体上目视效果较好，破碎图斑较少，例如图7a中一些零星分布的水体斑点经过数据增强后都被归并到粗面岩类型中，总体分类准确度得到一定程度的提升。这也与表6数据增强前后的定量分析结果保持较好的一致性。

3.3 模块消融验证与分析

为了评价深度神经网络模型中不同模块对火山喷发地貌场景分类效果的影响，实验中，分别从批标准化（BN）、Swin Transformer窗口尺寸、Vision Transformer注意力头数量对VELSD1.0数据集进行消融实验。

3.3.1 批标准化对比

批标准化通过使网络的中间层保持适当的激活范围，在加速网络的训练过程、提高模型性能的同时来缓解深度网络中的梯度消失问题。表7为GoogLeNet和ResNet模型BN层消融前后火山喷发地貌场景的总体分类准确度对比，图8为表7中两种深度神经网络模型中BN层消融前后火山喷发地貌场景分类结果的可视化。

(a, e) —GoogLeNet; (b, f) —ResNet; (c, g) —Vision Transformer; (d, h) —Swin Transformer

如表7所示，在BN消融层之后，GoogLeNet 模型和 ResNet模型的总体分类准确度分别下降了0.27%和0.92%。这表明本文构建出的VELSD1.0数据集自身具有较好的数据分布和规范性，在不需要引入过多约束（如标准化BN层）的情况下依然能取得较好的火山喷发地貌场景分类效果。相对应，在BN层消融实验可视化结果（图8）中，GoogLeNet和 ResNet模型在BN层消融前后，总体上火山喷发地貌场景分类图像差异并不明显，仅有水体类型中出现了轻微变化，例如图8c、d的中部区域，水体类型的破碎图斑在BN层消融后明显增多，河流的完整形态有所下降。这也与表7中BN层消融实验前后火山喷发地貌场景总体分类准确度定量分析结果保持较好的一致性。

3.3.2 Swin Transformer窗口尺寸对比

对于Swin Transformer模型来说，较小的窗口尺寸可能更有利于捕捉火山喷发地貌场景中地表覆盖类型的局部细节信息，而较大的窗口大小则可能更有利于获取全局上下文信息。因此，Swin Transformer模型窗口尺寸对理解火山喷发地貌场景遥感图像中的地表覆盖类型局部细节特征和全局信息至关重要。Swin Transformer模型不同窗口尺寸的火山喷发地貌场景总体分类准确度对比如表8（第2~5列）所示，图9为表8中Swin Transformer模型不同窗口尺寸下的火山喷发地貌场景分类结果的可视化。

如表8所示，随着Swin Transformer模型窗口尺寸的增大，火山喷发地貌场景的总体分类准确度值也缓慢升高，逐渐从最低的79.14%提升到80.76%。即对于Swin Transformer模型而言，当利用较大的窗口尺寸训练深度学习模型时可以取得更加有效的火山喷发地貌场景分类效果。据分析，这可能与VELSD1.0数据集自身图像分辨率较低和覆盖区域范围大有关，较大的Swin Transformer窗口尺寸更有利于复杂的火山喷发地貌场景分类。相应的，在基于不同窗口尺寸的火山喷发地貌场景分类结果可视化中（图9），随着Swin Transformer窗口尺寸的增大，火山喷发地貌场景地表覆盖类型分类图像中的破碎图斑逐渐减少，图像目视效果越来越好，尤其是随着水体类型破碎图斑的减少逐渐呈现出清晰的河流状态（图9a~c）。但是，当Swin Transformer窗口尺寸增加到9时，水体类型中的一些破碎图斑被过滤掉，导致河流形态效果显著下降（图9d）。这也与表8中基于Swin Transformer窗口尺寸的火山喷发地貌场景总体分类准确度定量分析结果保持较好的一致性。

3.3.3 Vision Transformer注意力头数量对比

注意力头数量是在自注意力机制中的一个重要参数，可以通过控制模型对输入序列中不同位置的关注程度来表征模型对火山喷发地貌场景分类的准确性。表8（第6~9列）为Vision Transformer模型不同注意力头数量的火山喷发地貌场景总体分类准确度对比，图10为表8中Vision Transformer模型不同注意力头数量下的火山喷发地貌场景分类结果的可视化所示。

在表8中，随着Vision Transformer模型注意力头数量的增多，火山喷发地貌场景的总体分类准确度值先增加后减小。当注意力头数量增加到12时，总体分类准确度也达到最大值，约为82.93%。此后，随着注意力头数量的继续增加，总体分类准确度呈现出快速下降的趋势。当注意力头数量增加到16时，总体分类准确度降低至82.04%。由此可知，较多的注意力头数量可能会导致Vision Transformer模型对火山喷发地貌场景遥感图像中全局特征和不同地表覆盖类型之间关联的过度关注，从而导致学习冗余。因此，为了获得最佳的火山喷发地貌场景分类效果，往往需要选取合适的注意力头数量。相应的，在不同注意力头数量下的分类结果可视化中（图10），随着注意力头数量的增加，基于Vision Transformer模型的火山喷发地貌场景地表覆盖类型分类图像质量清晰度逐渐提升。尤其是在水体和人工景观类型上，都是前期呈现出较为完整的网络结构（图10c），而后随着学习冗余的增多，网络结构清晰度和完整性有所下降（图10d）。

(a, b) —GoogLeNet; (c, d) —ResNet

窗口尺寸Window sizes:（a）—3;（b）—5;（c）—7;（d）—9

注意力头数量Num_heads in Vision Transformer:（a）—4;（b）—8;（c）—12;（b）—16

3.4 不同时相场景验证与分析

为了验证VELSD1.0数据集对不同时相下的火山喷发地貌场景分类的适用性，实验中，我们以Vision Transformer为深度学习模型的骨干网络，基于2023年7月1日同一地区的Sentinel-2遥感图像（图1b），在进行数据增强的基础上进行火山喷发地貌场景地表覆盖类型分类。结果如图11所示，其中，Vision Transformer注意力头数量为12。

通过利用Vision Transformer模型对2023年7月1日长白山火山喷发地貌Sentinel-2遥感图像进行地表覆盖类型分类，总体分类准确度和Kappa系数分别达到82.25%和74.96%，略低于的2019年9月25日的Sentinel-2遥感图像分类效果。据分析，这可能是由于2023年7月1日Sentinel-2遥感图像中存在部分云量引起的总体分类准确度下降造成的。由此可知，Vision Transformer模型在VELSD1.0数据集上经过学习和训练后，能够对不同时相的长白山火山喷发地貌分类任务进行迁移学习，具有一定的泛化性能。这也再次验证了前述深度神经网络模型在火山喷发地貌场景分类中的巨大优势，通过自注意力机制和合适的注意力头数量能够有效地捕捉复杂的火山喷发地貌场景遥感图像中的局部细节特征和全局上下文信息，例如线状结构和片状轮廓特征清晰的道路、水体和火山口湖等地表覆盖类型。

4 讨论

4.1 火山喷发地貌场景遥感数据集特征

由于火山喷发地貌场景中的地表覆盖类型众多，不仅包含植被覆盖、裸露土壤、水体、阴影等，而且还包含粗面岩、玄武岩、混合岩等裸露火山岩地表。这些地表覆盖类型随机混合分布，在遥感图像上形成复杂的野外火山喷发地貌场景非线性综合特征。因此，一个比较完整的火山喷发地貌场景遥感数据集，在尽可能覆盖火山喷发地貌场景中全部的地表覆盖类型同时，还要能够从多维度对火山喷发地貌场景特征进行客观描述和表征。如前所示，由于野外火山喷发地貌场景的复杂特征以及深度学习引入火山领域时间较短，目前尚缺少对火山喷发地貌深度学习分类方面的遥感数据集研究，本文重点以长白山火山为例，利用Sentinel-2遥感图像设计和制作长白山火山喷发地貌场景遥感数据集，并进行深度学习模型适用性验证。

综上所述，在对火山喷发地貌场景遥感图像进行对比度与边缘增强处理及恰当的数据集划分基础上，进行系统性的长白山火山喷发地貌场景遥感数据集制作与验证。这表明，当长白山火山喷发地貌场景中地表覆盖类型归纳为十类（高植被覆盖、中植被覆盖、低植被覆盖、裸露土壤、玄武岩、粗面岩、混合岩、水体、阴影、人工景观）和数据集组成元素分为三类（遥感图像、标签数据、解译标签及说明）时，能够较好地对研究区内的火山喷发地貌场景特征进行描述，有效支撑火山喷发地貌场景深度学习分类研究。

4.2 基于数据集的深度神经网络模型特征

与常规的自然图像数据集相比，本文所构建长白山火山喷发地貌场景遥感数据集特征明显。首先，样本图像数量较大，共有40000张图像，每张图像尺寸为25像元×25像元。当所有样本图像作为深度神经网络模型的输入时，势必会给深度学习模型训练和优化带来一定困难；其次，由于数据集中图像空间分辨率仅为10 m，图像中地表覆盖信息清晰度较低，在部分火山喷发地貌场景样本图像中会出现多个地表覆盖类型并存的现象，难以准确判断该样本图像属于具体的地表覆盖类型，即火山喷发地貌场景分类结果的多样性和解释与分析的困难性；最后，对于复杂的火山喷发地貌场景而言，不同地表覆盖类型的非线性特征和混合像元现象突出，要做到兼顾遥感图像中的全局信息和局部细节特征是决定火山喷发地貌场景准确分类的一个关键因素。

因此，恰当的深度神经网络模型结构能够被用于进行复杂火山喷发地貌场景中地表覆盖类型分类的特征描述、数据解释和重构。目前，用于火山喷发地貌场景分类的深度学习模型研究还较少。如前所述，通过利用四种经典的深度神经网络模型对火山喷发地貌场景遥感图像进行地表覆盖类型分类验证，总体上，批标准化、网络窗口尺寸、注意力头数量对火山喷发地貌场景深度学习分类准确性和运算效率有着决定作用。随着总体分类准确度的升高，必然带来深度学习模型参数和计算量的增加，需要根据具体情况在计算效率和分类精度之间做出合理的取舍。

5 结论

综合长白山火山喷发地貌场景遥感数据集制作、深度学习验证分析结果以及现有研究成果与野外调查，得出以下主要认识：

（1）基于Sentinel-2遥感图像设计和制作了包含十种地表覆盖类型和三种组成元素的长白山火山喷发地貌场景遥感数据集。研究人员可以通过下载公开数据（https://github.com/HanXinfun/CMLD.git）开展火山喷发地貌场景地表覆盖类型检测和分类研究。

（2）利用四种经典深度神经网络模型对构建数据集进行验证，取得了较好火山喷发地貌场景地表覆盖分类效果，最高的总体分类准确度、Kappa系数和多类平均精度分别达到82.93%、75.64%和84.22%。由此可知，本数据集对深度学习模型具有良好的适用性。

（3）基于所构建数据集，利用如前所述对火山喷发地貌场景分类友好的Vision Transformer模型对不同时相长白山火山喷发地貌场景进行迁移与分类，总体分类准确度和Kappa系数分别达到82.25%和74.96%。由此可知，该数据集具有较好普适性，可为其他火山喷发地貌场景分类进行迁移学习提供数据支撑。

参考文献