無人機(jī)高光譜在樹種分類識(shí)別上的應(yīng)用研究

無人機(jī)高光譜在樹種分類識(shí)別上的應(yīng)用研究

0 引言

高光譜遙感具有光譜分辨率高、波段范圍窄、圖譜合一、連續(xù)成像等特點(diǎn)，能夠區(qū)分出地物光譜的細(xì)微差別，探測到其他寬波段遙感無法探測的信息。因此，高光譜遙感在生態(tài)、大氣和海洋等諸多應(yīng)用領(lǐng)域具有很大優(yōu)勢。近年來，高光譜遙感在林業(yè)方面的一個(gè)重要應(yīng)用是對森林樹種類型進(jìn)行識(shí)別。森林樹種類型識(shí)別的主要目的是提取樹種的專題信息，為劃分森林類型、繪制林相圖和清查森林資源提供基礎(chǔ)和依據(jù)。目前，國內(nèi)外利用高光譜遙感進(jìn)行樹種識(shí)別主要是從葉片、冠層和高光譜影像3個(gè)研究尺度開展。基于葉片的樹種識(shí)別主要是對葉片反射率及其變換形式運(yùn)用統(tǒng)計(jì)方法、遺傳算法等進(jìn)行分析，以樹種識(shí)別的可行性分析與識(shí)別潛力為主要研究內(nèi)容；基于冠層的樹種識(shí)別主要運(yùn)用光譜信息散度法、光譜角填圖法等基于光譜信息的遙感圖像分類方法，并利用地物光譜儀獲取的林分冠層反射率曲線，進(jìn)行樹種分類；基于高光譜影像的樹種識(shí)別主要通過對影像進(jìn)行去噪降維等預(yù)處理后，運(yùn)用監(jiān)督或非監(jiān)督分類的方法進(jìn)行樹種識(shí)別。

國外已有很多學(xué)者對高光譜樹種識(shí)別進(jìn)行了研究。Gong等利用ANN分類法對光譜數(shù)據(jù)進(jìn)行判別，區(qū)分出1種闊葉樹種和6種針葉樹種，分類精度大于90%；Martin等利用AVIRIS高光譜數(shù)據(jù)與樹種葉片化學(xué)成分之間的關(guān)系，鑒別出11種樹種類型，可有效進(jìn)行樹種分類；Petropoulos等分別采用支持向量機(jī)和基于對象的分類方法，對Hyperion高光譜影像進(jìn)行土地覆蓋類型分類，雖2 種分類效果均較好，但基于對象的分類方法精度更高。國內(nèi)也有越來越多的學(xué)者進(jìn)行森林樹種識(shí)別探究。童慶禧等利用光譜波形匹配算法對MAIS高光譜影像進(jìn)行植被類型識(shí)別，獲得了潘陽湖典型濕地的植被分類圖，對高光譜的樹種識(shí)別提供了實(shí)用依據(jù)；王圓圓等采用隨機(jī)子空間法對OMIS高光譜遙感數(shù)據(jù)進(jìn)行識(shí)別，并利用遺傳算法來提高分類精度；劉秀英等使用地物光譜儀測得的光譜數(shù)據(jù)，采用逐步判別分析方法、特征波段選擇等方法識(shí)別出4種樹種。綜上所述，國內(nèi)外利用高光譜數(shù)據(jù)進(jìn)行樹種識(shí)別的研究已取得階段性的進(jìn)展，從研究方法看，主要基于不同樹種具有不同光譜特征的原理，通過特征波段的合理選擇，或者通過波段變換對高光譜數(shù)據(jù)進(jìn)行降維來識(shí)別樹種。

高光譜影像波段數(shù)多，信息量大，為地物的精細(xì)識(shí)別提供優(yōu)勢的同時(shí)，也帶來了數(shù)據(jù)量多，波段間相關(guān)性大，處理精度和效率下降的問題。本文以上海交通大學(xué)植物園為研究區(qū)，利用無人機(jī)高光譜數(shù)據(jù)，運(yùn)用最佳指數(shù)波段選擇法和see5.0決策樹自動(dòng)分類相結(jié)合進(jìn)行樹種識(shí)別，有利于無人機(jī)高光譜數(shù)據(jù)分類識(shí)別精度的進(jìn)一步提高。

1 研究區(qū)及數(shù)據(jù)源

研究區(qū)位于上海交通大學(xué)閔行校區(qū)植物園，如圖1所示。

圖1 研究區(qū)域位置

2017年7月28日，運(yùn)用大疆的無人機(jī)M600 Pro搭載江蘇雙利合譜科技有限公司自足研發(fā)的GaiaSky-mini2在上海交通大學(xué)閔行校區(qū)植物園上空進(jìn)行數(shù)據(jù)采集。數(shù)據(jù)獲取當(dāng)天晴朗無（少）云，飛行高度為200米，采用無人機(jī)懸停高光譜相機(jī)內(nèi)置推掃的方式獲取高光譜數(shù)據(jù)。獲取的高光譜影像數(shù)據(jù)具體參數(shù)見表1，無人機(jī)高光譜相機(jī)如圖2所示。

表1 高光譜影像數(shù)據(jù)具體參數(shù)

圖2 無人機(jī)高光譜起飛示意圖

無人機(jī)搭載的高光譜相機(jī)獲取的高光譜數(shù)據(jù)為數(shù)字量化值（簡稱DN值），無物理意義，需轉(zhuǎn)化為具有物理意義的反射率數(shù)據(jù)。具體轉(zhuǎn)化方式如公式1所示。

（1）

其中，Ref_target為目標(biāo)物的反射率，DN_target為目標(biāo)物的DN值，DN_dark為相機(jī)本身的暗點(diǎn)流DN值，DN_white為參考板的DN值，Ref_white為參考板的反射率。

降噪的目的主要是為了突出圖像的特征信息，提高圖像的信噪比。本研究利用ENVI5.3自帶的curve smoothing對圖像進(jìn)行降噪處理，處理結(jié)果如圖3。

圖3光譜降噪前后的反射率（左為降噪前，右為降噪后）

圖4分別列舉了四種不同樹種、雜草、樹蔭、水體和裸土的光譜反射率曲線，從圖4可知，水體、裸土和樹蔭的反射率光譜曲線與植物的反射率光譜曲線差異較大，可利用波段閾值等方法將其與植物區(qū)分開，但對于雜草和不同樹種之間的分類識(shí)別則不能通過簡單的波段閾值進(jìn)行區(qū)分。

圖4不同樹種與地面其他地物的光譜反射率

目前應(yīng)用比較廣泛的最佳波段選取方法有各波段信息量的比較、波段間相關(guān)性比較、最佳指數(shù)法(O IF)、各波段數(shù)據(jù)的信息熵和聯(lián)合熵、協(xié)方差矩陣特征值法、波段指數(shù)法等。

在各種方法中，由美國查維茨提出的最佳指數(shù)法( OIF)綜合考慮單波段圖像的信息量及各波段間的相關(guān)性，更接近于波段選擇的原則，且計(jì)算簡單，易于實(shí)現(xiàn)，得到廣泛的應(yīng)用。OIF指數(shù)的計(jì)算公式如下：

              (2)

其中：Si為第i個(gè)波段的標(biāo)準(zhǔn)差，Rij為i、j 兩波段的相關(guān)系數(shù)。對n波段圖像，先統(tǒng)計(jì)計(jì)算單波段圖像的標(biāo)準(zhǔn)差，計(jì)算各波段間的相關(guān)系數(shù)矩陣，再分別求出所有可能的波段組合對應(yīng)的OIF指數(shù)，根據(jù)該指數(shù)大小來判斷各種波段組合的優(yōu)劣。指數(shù)越大，則相應(yīng)組合影像所包含的信息量就越大。對OIF指數(shù)從大到小進(jìn)行排序，最大O IF指數(shù)對應(yīng)的波段組合即為最佳波段組合。以圖5為例，利用OIF篩選高光譜數(shù)據(jù)的特別波段，表2分別列舉了前10個(gè)特征波段組合及對應(yīng)的OIF指數(shù)。從表2可知利用最佳指數(shù)法篩選的特征波段前10個(gè)波長組合對應(yīng)的波長位置相差不大，且OIF指數(shù)值也十分接近。

圖5 無人機(jī)高光譜采集的單景影像（RGB彩色合成）

表2 OIF指數(shù)篩選的前10個(gè)波段組合

see5.0機(jī)器學(xué)習(xí)規(guī)則軟件是美國USGS在完成國家土地覆蓋制圖(NLCD)項(xiàng)目中開發(fā)的一個(gè)自動(dòng)提取分類規(guī)則的數(shù)據(jù)挖掘工具。表3為利用全波段和特征波段進(jìn)行樹種識(shí)別的總體分類精度、Kappa系數(shù)和運(yùn)行時(shí)間，從表中可知，利用特征波段運(yùn)行時(shí)間更短，且精度與利用全波段進(jìn)行分析的精度接近。

表3 不同組合分類精度對比分析

考慮到用戶科研數(shù)據(jù)的保密性，本研究僅用單景高光譜影像數(shù)據(jù)進(jìn)行不同樹種的分類識(shí)別，分類識(shí)別結(jié)果如圖6所示。用戶可利用無人機(jī)高光譜相機(jī)獲取的多組數(shù)據(jù)進(jìn)行拼接，然后再進(jìn)行樹種的分類，步驟和算法均是相同的。

圖6 利用特征波段+see5.0的分類效果圖

本研究利用江蘇雙利合譜科技有限公司自主研發(fā)的無人機(jī)高光譜相機(jī)GaiaSky-mini2，通過鏡像處理、黑白幀校正和降噪等預(yù)處理，并采用最佳指數(shù)法篩選特征波長，選用see5.0分類方法進(jìn)行分類識(shí)別不同的樹種和其他地物，得出如下結(jié)論:

1) 該無人機(jī)高光譜數(shù)據(jù)共176個(gè)波段，采用最佳指數(shù)法獲取的三個(gè)特征波長，可以很好地刻畫區(qū)分各個(gè)類別，實(shí)現(xiàn)樹種級的識(shí)別；

2) 采用特征波長和全波段進(jìn)行地物的區(qū)分，其分類精度差別不大；

3) 經(jīng)實(shí)地驗(yàn)證，各類別范圍和分布區(qū)域較準(zhǔn)，特征波段+see5.0的總體分類精度達(dá)到95.3%，Kappa系數(shù)為 0.93。

4) 由于數(shù)據(jù)的保密性，未對拼接好的無人機(jī)高光譜影像數(shù)據(jù)進(jìn)行不同樹種的分類識(shí)別。拼接好的高光譜影像數(shù)據(jù)覆蓋的地面范圍更廣，樹種更多，影像中的其他地物也更多，不同地物之間可能存在“同物異譜，異物同譜”的現(xiàn)象，對于不同樹種之間分分類識(shí)別難度更大，可能需要進(jìn)一步改進(jìn)波段選擇的方法和分類方法，方能更好地區(qū)分不同的樹種。