基于無人機高光譜的樹種分類識別應用研究

基于無人機高光譜的樹種分類識別應用研究

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、連續成像等特點，能夠區分出地物光譜的細微差別，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、大氣和海洋等諸多應用領域具有很大優勢。近年來，高光譜遙感在林業方面的一個重要應用是對森林樹種類型進行識別。森林樹種類型識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和依據。目前，國內外利用高光譜遙感進行樹種識別主要是從葉片、冠層和高光譜影像3個研究尺度開展?；谌~片的樹種識別主要是對葉片反射率及其變換形式運用統計方法、遺傳算法等進行分析，以樹種識別的可行性分析與識別潛力為主要研究內容；基于冠層的樹種識別主要運用光譜信息散度法、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，進行樹種分類；基于高光譜影像的樹種識別主要通過對影像進行去噪降維等預處理后，運用監督或非監督分類的方法進行樹種識別。

國外已有很多學者對高光譜樹種識別進行了研究。Gong等利用ANN分類法對光譜數據進行判別，區分出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高光譜數據與樹種葉片化學成分之間的關系，鑒別出11種樹種類型，可有效進行樹種分類；Petropoulos等分別采用支持向量機和基于對象的分類方法，對Hyperion高光譜影像進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。國內也有越來越多的學者進行森林樹種識別探究。童慶禧等利用光譜波形匹配算法對MAIS高光譜影像進行植被類型識別，獲得了潘陽湖典型濕地的植被分類圖，對高光譜的樹種識別提供了實用依據；王圓圓等采用隨機子空間法對OMIS高光譜遙感數據進行識別，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據，采用逐步判別分析方法、特征波段選擇等方法識別出4種樹種。綜上所述，國內外利用高光譜數據進行樹種識別的研究已取得階段性的進展，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據進行降維來識別樹種。

高光譜影像波段數多，信息量大，為地物的精細識別提供優勢的同時，也帶來了數據量多，波段間相關性大，處理精度和效率下降的問題。本文以上海交通大學植物園為研究區，利用無人機高光譜數據，運用*佳指數波段選擇法和see5.0決策樹自動分類相結合進行樹種識別，有利于無人機高光譜數據分類識別精度的進一步提高。

1 基于無人機高光譜的樹種分類識別應用研究——研究區及數據源

1.1 研究區

研究區位于上海交通大學閔行校區植物園，如圖1所示。

圖1 研究區域位置

1.2 數據獲取

2017年7月28日，運用大疆的無人機M600 Pro搭載四川雙利合譜科技有限公司自足研發的GaiaSky-mini2在上海交通大學閔行校區植物園上空進行數據采集。數據獲取當天晴朗無（少）云，飛行高度為200米，采用無人機懸停高光譜相機內置推掃的方式獲取高光譜數據。獲取的高光譜影像數據具體參數見表1，無人機高光譜相機如圖2所示。

表1 高光譜影像數據具體參數

圖2 無人機高光譜起飛示意圖

1.3 數據預處理

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

（1）

其中，Ref_target為目標物的反射率，DN_target為目標物的DN值，DN_dark為相機本身的暗點流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對圖像進行降噪處理，處理結果如圖3。

圖3光譜降噪前后的反射率（左為降噪前，右為降噪后）

2 基于無人機高光譜的樹種分類識別應用研究結果與分析

2.1 不同樹種的光譜反射率對比分析

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分開，但對于雜草和不同樹種之間的分類識別則不能通過簡單的波段閾值進行區分。

圖4不同樹種與地面其他地物的光譜反射率

2.2 *佳指數法（OIF）

目前應用比較廣泛的*佳波段選取方法有各波段信息量的比較、波段間相關性比較、*佳指數法(O IF)、各波段數據的信息熵和聯合熵、協方差矩陣特征值法、波段指數法等。

在各種方法中，由美國查維茨提出的*佳指數法( OIF)綜合考慮單波段圖像的信息量及各波段間的相關性，更接近于波段選擇的原則，且計算簡單，易于實現，得到廣泛的應用。OIF指數的計算公式如下：

              (2)

其中：S_i為第i個波段的標準差，R_ij為i、j 兩波段的相關系數。對n波段圖像，先統計計算單波段圖像的標準差，計算各波段間的相關系數矩陣，再分別求出所有可能的波段組合對應的OIF指數，根據該指數大小來判斷各種波段組合的優劣。指數越大，則相應組合影像所包含的信息量就越大。對OIF指數從大到小進行排序，*大O IF指數對應的波段組合即為*佳波段組合。以圖5為例，利用OIF篩選高光譜數據的特別波段，表2分別列舉了前10個特征波段組合及對應的OIF指數。從表2可知利用*佳指數法篩選的特征波段前10個波長組合對應的波長位置相差不大，且OIF指數值也十分接近。

圖5 無人機高光譜采集的單景影像（RGB彩色合成）

表2 OIF指數篩選的前10個波段組合

2.3 分類識別方法

基于無人機高光譜的樹種分類識別應用研究

see5.0機器學習規則軟件是美國USGS在完成國家土地覆蓋制圖(NLCD)項目中開發的一個自動提取分類規則的數據挖掘工具。表3為利用全波段和特征波段進行樹種識別的總體分類精度、Kappa系數和運行時間，從表中可知，利用特征波段運行時間更短，且精度與利用全波段進行分析的精度接近。

表3 不同組合分類精度對比分析

考慮到用戶科研數據的保密性，本研究僅用單景高光譜影像數據進行不同樹種的分類識別，分類識別結果如圖6所示。用戶可利用無人機高光譜相機獲取的多組數據進行拼接，然后再進行樹種的分類，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

3 基于無人機高光譜的樹種分類識別應用研究結論

本研究利用四川雙利合譜科技有限公司自主研發的無人機高光譜相機GaiaSky-mini2，通過鏡像處理、黑白幀校正和降噪等預處理，并采用*佳指數法篩選特征波長，選用see5.0分類方法進行分類識別不同的樹種和其他地物，得出如下結論:

1) 該無人機高光譜數據共176個波段，采用*佳指數法獲取的三個特征波長，可以很好地刻畫區分各個類別，實現樹種級的識別；

2) 采用特征波長和全波段進行地物的區分，其分類精度差別不大；

3) 經實地驗證，各類別范圍和分布區域較準，特征波段+see5.0的總體分類精度達到95.3%，Kappa系數為 0.93。

4) 由于數據的保密性，未對拼接好的無人機高光譜影像數據進行不同樹種的分類識別。拼接好的高光譜影像數據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”的現象，對于不同樹種之間分分類識別難度更大，可能需要進一步改進波段選擇的方法和分類方法，方能更好地區分不同的樹種。