无人机高光谱在树种分类识别上的应用研究

无人机高光谱在树种分类识别上的应用研究

0 引言

高光谱遥感具有光谱分辨率高、波段范围窄、图谱合一、连续成像等特点，能够区分出地物光谱的细微差别，探测到其他宽波段遥感无法探测的信息。因此，高光谱遥感在生态、大气和海洋等诸多应用领域具有很大优势。近年来，高光谱遥感在林业方面的一个重要应用是对森林树种类型进行识别。森林树种类型识别的主要目的是提取树种的专题信息，为划分森林类型、绘制林相图和清查森林资源提供基础和依据。目前，国内外利用高光谱遥感进行树种识别主要是从叶片、冠层和高光谱影像3个研究尺度开展。基于叶片的树种识别主要是对叶片反射率及其变换形式运用统计方法、遗传算法等进行分析，以树种识别的可行性分析与识别潜力为主要研究内容；基于冠层的树种识别主要运用光谱信息散度法、光谱角填图法等基于光谱信息的遥感图像分类方法，并利用地物光谱仪获取的林分冠层反射率曲线，进行树种分类；基于高光谱影像的树种识别主要通过对影像进行去噪降维等预处理后，运用监督或非监督分类的方法进行树种识别。

国外已有很多学者对高光谱树种识别进行了研究。Gong等利用ANN分类法对光谱数据进行判别，区分出1种阔叶树种和6种针叶树种，分类精度大于90%；Martin等利用AVIRIS高光谱数据与树种叶片化学成分之间的关系，鉴别出11种树种类型，可有效进行树种分类；Petropoulos等分别采用支持向量机和基于对象的分类方法，对Hyperion高光谱影像进行土地覆盖类型分类，虽2 种分类效果均较好，但基于对象的分类方法精度更高。国内也有越来越多的学者进行森林树种识别探究。童庆禧等利用光谱波形匹配算法对MAIS高光谱影像进行植被类型识别，获得了潘阳湖典型湿地的植被分类图，对高光谱的树种识别提供了实用依据；王圆圆等采用随机子空间法对OMIS高光谱遥感数据进行识别，并利用遗传算法来提高分类精度；刘秀英等使用地物光谱仪测得的光谱数据，采用逐步判别分析方法、特征波段选择等方法识别出4种树种。综上所述，国内外利用高光谱数据进行树种识别的研究已取得阶段性的进展，从研究方法看，主要基于不同树种具有不同光谱特征的原理，通过特征波段的合理选择，或者通过波段变换对高光谱数据进行降维来识别树种。

高光谱影像波段数多，信息量大，为地物的精细识别提供优势的同时，也带来了数据量多，波段间相关性大，处理精度和效率下降的问题。本文以上海交通大学植物园为研究区，利用无人机高光谱数据，运用最佳指数波段选择法和see5.0决策树自动分类相结合进行树种识别，有利于无人机高光谱数据分类识别精度的进一步提高。

1 研究区及数据源

研究区位于上海交通大学闵行校区植物园，如图1所示。

图1 研究区域位置

2017年7月28日，运用大疆的无人机M600 Pro搭载四川双利合谱科技有限公司自足研发的GaiaSky-mini2在上海交通大学闵行校区植物园上空进行数据采集。数据获取当天晴朗无（少）云，飞行高度为200米，采用无人机悬停高光谱相机内置推扫的方式获取高光谱数据。获取的高光谱影像数据具体参数见表1，无人机高光谱相机如图2所示。

表1 高光谱影像数据具体参数

图2 无人机高光谱起飞示意图

无人机搭载的高光谱相机获取的高光谱数据为数字量化值（简称DN值），无物理意义，需转化为具有物理意义的反射率数据。具体转化方式如公式1所示。

（1）

其中，Ref_target为目标物的反射率，DN_target为目标物的DN值，DN_dark为相机本身的暗点流DN值，DN_white为参考板的DN值，Ref_white为参考板的反射率。

降噪的目的主要是为了突出图像的特征信息，提高图像的信噪比。本研究利用ENVI5.3自带的curve smoothing对图像进行降噪处理，处理结果如图3。

图3光谱降噪前后的反射率（左为降噪前，右为降噪后）

图4分别列举了四种不同树种、杂草、树荫、水体和裸土的光谱反射率曲线，从图4可知，水体、裸土和树荫的反射率光谱曲线与植物的反射率光谱曲线差异较大，可利用波段阈值等方法将其与植物区分开，但对于杂草和不同树种之间的分类识别则不能通过简单的波段阈值进行区分。

图4不同树种与地面其他地物的光谱反射率

目前应用比较广泛的最佳波段选取方法有各波段信息量的比较、波段间相关性比较、最佳指数法(O IF)、各波段数据的信息熵和联合熵、协方差矩阵特征值法、波段指数法等。

在各种方法中，由美国查维茨提出的最佳指数法( OIF)综合考虑单波段图像的信息量及各波段间的相关性，更接近于波段选择的原则，且计算简单，易于实现，得到广泛的应用。OIF指数的计算公式如下：

              (2)

其中：Si为第i个波段的标准差，Rij为i、j 两波段的相关系数。对n波段图像，先统计计算单波段图像的标准差，计算各波段间的相关系数矩阵，再分别求出所有可能的波段组合对应的OIF指数，根据该指数大小来判断各种波段组合的优劣。指数越大，则相应组合影像所包含的信息量就越大。对OIF指数从大到小进行排序，最大O IF指数对应的波段组合即为最佳波段组合。以图5为例，利用OIF筛选高光谱数据的特别波段，表2分别列举了前10个特征波段组合及对应的OIF指数。从表2可知利用最佳指数法筛选的特征波段前10个波长组合对应的波长位置相差不大，且OIF指数值也十分接近。

图5 无人机高光谱采集的单景影像（RGB彩色合成）

表2 OIF指数筛选的前10个波段组合

see5.0机器学习规则软件是美国USGS在完成国家土地覆盖制图(NLCD)项目中开发的一个自动提取分类规则的数据挖掘工具。表3为利用全波段和特征波段进行树种识别的总体分类精度、Kappa系数和运行时间，从表中可知，利用特征波段运行时间更短，且精度与利用全波段进行分析的精度接近。

表3 不同组合分类精度对比分析

考虑到用户科研数据的保密性，本研究仅用单景高光谱影像数据进行不同树种的分类识别，分类识别结果如图6所示。用户可利用无人机高光谱相机获取的多组数据进行拼接，然后再进行树种的分类，步骤和算法均是相同的。

图6 利用特征波段+see5.0的分类效果图

本研究利用四川双利合谱科技有限公司自主研发的无人机高光谱相机GaiaSky-mini2，通过镜像处理、黑白帧校正和降噪等预处理，并采用最佳指数法筛选特征波长，选用see5.0分类方法进行分类识别不同的树种和其他地物，得出如下结论:

1) 该无人机高光谱数据共176个波段，采用最佳指数法获取的三个特征波长，可以很好地刻画区分各个类别，实现树种级的识别；

2) 采用特征波长和全波段进行地物的区分，其分类精度差别不大；

3) 经实地验证，各类别范围和分布区域较准，特征波段+see5.0的总体分类精度达到95.3%，Kappa系数为 0.93。

4) 由于数据的保密性，未对拼接好的无人机高光谱影像数据进行不同树种的分类识别。拼接好的高光谱影像数据覆盖的地面范围更广，树种更多，影像中的其他地物也更多，不同地物之间可能存在“同物异谱，异物同谱”的现象，对于不同树种之间分分类识别难度更大，可能需要进一步改进波段选择的方法和分类方法，方能更好地区分不同的树种。