基于AMESim的樹木移栽機液壓系統(tǒng)的仿真研究

李志鵬 李雪 曹國棟

摘要 高光譜圖像分類可分為監(jiān)督分類與非監(jiān)督分類，聚類分析進行非監(jiān)督分類是一種現(xiàn)今比較受研究者廣泛關(guān)注的技術(shù)。粒子群算法具有自適應(yīng)、自組織性、可同時進行局部和全局搜索等特點；蟻群算法通過智能個體間不斷進行信息交流和傳遞，具有較強的發(fā)現(xiàn)最優(yōu)解的能力。提出一種基于改進的粒子群和蟻群算法的高光譜圖像聚類方法，設(shè)計其模型并將其應(yīng)用在森林類型分類問題上，提高分類精度，減少人工干預(yù)。以吉林省汪清林業(yè)局為研究區(qū)，通過修改粒子群的慣性系數(shù)，得出最優(yōu)解集，然后利用蟻群尋優(yōu)的過程對闊葉林、針葉林、混交林、水體進行聚類分析，區(qū)分精度達到85%證明，該方法能較好地識別森林類型。

關(guān)鍵詞 粒子群優(yōu)化算法；蟻群算法；遙感圖像；高光譜；聚類；森林類型

中圖分類號 S126 文獻標識碼 A 文章編號 0517-6611（2014）27-9615-04

The Research of Hyperspectral Image Clustering for Forest Type Based on Ant Colony Algorithm and Improved PSO

LI Yan¹， XING Yanqiu， WANG Lihai2*

（1. College of Information and Computer Engineering， Northeast Forestry University， Harbin， Heilongjiang 150040； 2. Forest Operation and Environmental Research Center of Northeast Forestry University， Harbin， Heilongjiang 150040）

Abstract Hyperspectral image classification can be divided into supervised classification and unsupervised classification. Unsupervised classification was conducted on cluster analysis， which is a relatively modern technology by researchers attention. PSO algorithm with adaptive， selforganization， can be used for local and global search simultaneously. Ant colony algorithm has a strong ability to find the optimal solution through continuous exchanging the information and transmission between intelligent individual. This paper presents an improved method for hyperspectral image clustering based on improved PSO and ant colony algorithm， designs the model and applies it in the forest type classification problems for improving classification accuracy， reducing manual intervention. Taking Wangqing Forestry Bureau in Jilin Province as the study area， by modifying the inertia coefficient of PSO， the optimal solution set was obtained. Using optimization process of the ant colony， clustering for forest types can distinguish better between broadleaved forest， coniferous forest， mixed forest and water bodies. The classification accuracy is 85%. The method can identify forest types.

Key words Particle swarm optimization algorithm； Ant colony algorithm； Remote sensing； Hyperspectral image； Clustering； Forest type

森林資源是陸地生態(tài)系統(tǒng)的主體，對改善空氣質(zhì)量、涵養(yǎng)水源、減少風沙危害等起著重要作用，在林業(yè)資源保護和林業(yè)資源動態(tài)監(jiān)護中森林類型識別占有重要地位，但在傳統(tǒng)的林業(yè)資源調(diào)查中，不但要耗費大量的人力、物力和財力，而且很難實現(xiàn)大空間尺度的調(diào)查。與傳統(tǒng)方法相比，遙感技術(shù)有宏觀性強、周期短、可重復(fù)處理等優(yōu)點，被廣泛應(yīng)用到森林分類中^[1]。高光譜遙感數(shù)據(jù)有著圖譜合一和光譜連續(xù)的優(yōu)勢，能夠?qū)崿F(xiàn)地物的準確識別和精細分類^[2]。但高光譜的缺陷是上百個波段構(gòu)成的海量數(shù)據(jù)導(dǎo)致處理難度大，因此學(xué)者們針對如何提高森林類型的分類效率和精度，嘗試不同方法。其中群智能算法是新近研究的熱點。通常開始分析遙感圖像時，用需要人工交互較少的非監(jiān)督分類方法來研究數(shù)據(jù)的本來結(jié)構(gòu)及自然點群的分布情況，降低處理數(shù)據(jù)量^[3]。聚類分析是非監(jiān)督分類的一種主要方法。仲青青利用粒子群算法進行多光譜聚類研究，只考慮了對參數(shù)選取的改進^[4]。王志輝等應(yīng)用 EO1 Hyperion 數(shù)據(jù)對浙江農(nóng)林大學(xué)植物園內(nèi)的樹種進行森林類型識別，表明用高光譜遙感數(shù)據(jù)對樹種分類能達到較高的分類精度^[5]。但現(xiàn)有的多數(shù)研究是基于國外的遙感衛(wèi)星，對于國內(nèi)的環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星關(guān)于森林樹種識別的研究鮮有報道。同時，粒子群與蟻群算法結(jié)合鮮有應(yīng)用于遙感領(lǐng)域。蟻群算法收斂速度快，比傳統(tǒng)進化算法簡潔^[6]。為此，筆者在改進粒子群算法的基礎(chǔ)上，采用兩段式將粒子群與蟻群算法融合，應(yīng)用到基于高光譜遙感圖像的森林類型識別上，提高分類精度，減少分類時間，降低專業(yè)理解難度，減少人工干預(yù)，并用試驗進行驗證其有效性。

1 數(shù)據(jù)收集與處理

1.1 研究區(qū)域

研究區(qū)為吉林省延邊朝鮮族自治州東北部汪清縣東南部汪清林業(yè)局經(jīng)營區(qū)，地處129°56′～131°04′E、43°05′～43°40′N?？偯娣e30.4萬hm²，其中林地面積為18.7萬hm²，為較典型的天然次生林。森林類型以針闊混交林為主，帶狀分布。針葉樹主要有紅松（Pinus koraiensis）、云杉（Picea）、臭松（Symplocarpus Salisb）、落葉松（Larix kaempferi），闊葉樹多為水曲柳（Fraxinus maudschurica）、胡桃楸（Juglans maudshurica）、蒙古櫟（Quercus monglica）、椴樹（Tilia）、色木（Acermono）、榆樹（Ulmus pumila）、白樺（Betula platyphylla）、楊樹（Populus）和楓樺（Betuladavuric）等^[7]。

1.2 高光譜數(shù)據(jù)

環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星A、B星（HJ1A/B星）上搭載CCD相機和世界上第1個基于空間調(diào)制干涉成像原理設(shè)計的民用超光譜成像儀（Hyperspectral Imaging Radiometer，HSI）。HJ1A圖像幅寬大于50 km，地面像元分辨率為100 m。HJ1A共有115個波段，分為藍色波段（1～6）、青色波段（7～19）、綠色波段（20～40）、黃色波段（41～49）、橙色波段（50～58）、紅色波段（59～88）、近紅外波段（89～115 ）。光譜范圍為0.45～0.9 μm，平均光譜分辨率為432 nm，且具備±30°側(cè)視能力及星上定標功能。重訪周期為96 h，可實現(xiàn)對研究區(qū)快速重復(fù)觀測。此次處理的高光譜數(shù)據(jù)的獲取時間為2010年6月9日，光譜景序列號321381，各波段增益0.7^[8]。

1.3 野外調(diào)查數(shù)據(jù)

該研究在2006～2013年進行了4次野外地面調(diào)查，按照森林類型、坡度等情況隨機布設(shè)79個水平投影面積為500 m²的圓形樣地，對樣地內(nèi)立木進行每木測量，測量參數(shù)包括胸徑、樹高、樹種和郁閉度。野外調(diào)查樣地的類型分為闊葉林、混交林和針葉林3個類型組^[9]。野外調(diào)查的闊葉林、針葉林、混交林的樣地數(shù)分別為53、11和15個。再將野外數(shù)據(jù)調(diào)查結(jié)果與吉林省規(guī)劃設(shè)計院提供的汪清林業(yè)局的森林二類調(diào)查資料成果相結(jié)合，選出驗證樣本數(shù)各為20個。

1.4 數(shù)據(jù)處理

HIS高光譜數(shù)據(jù)為2級產(chǎn)品，它的1～20以及113、114和115波段是壞數(shù)據(jù)，所以實際參與分析的波段為92個。其中21～88波段為可見光部分，90～112波段為近紅外部分^[10]。數(shù)據(jù)首先經(jīng)過對數(shù)殘差大氣糾正，消除大氣和光照等因素對地物反射的影響。然后用地面控制點進行幾何精校正。

2 研究方法

2.1 改進的粒子群算法

基于文獻[11]描述的基本粒子群算法，研究發(fā)現(xiàn)粒子群算法應(yīng)用于高維復(fù)雜問題優(yōu)化時，容易遇到早熟收斂的難題，該點可能是局部極小點，或局部極小點鄰域的一個點。粒子群優(yōu)化算法早期收斂速度快，但到尋優(yōu)的后期，算法缺乏有效的機制，使收斂陷入局部極小。

為改善粒子群算法的收斂性能，對公式（1）中慣性權(quán)重ω進行調(diào)整，即：

從表2可以看出，經(jīng)過20次迭代，100個樣本中85個樣本被正確聚類，總體分類精度為85%。其中，混交林驗證樣本中，15個落在混交林分類區(qū)，2個樣本落在針葉林分類區(qū)，3個被錯分成闊葉林，分類精度為75%；針葉林的20個樣本中，有18個樣本落在針葉林分類區(qū)，1個落在混交林分類區(qū)，1個落在非林地分類區(qū)，分類精度為90%；闊葉林的20個樣本中，有17個樣本落在闊葉林分類區(qū)，3個落在混交林分類區(qū)，精度85%；水體的20個驗證樣本中，有19個分類正確，1個落在混交林分類區(qū)，精度為95%；非林地16個落在非林地分類區(qū)，2個落在混交林分類區(qū)，1個落在針葉林分類區(qū)，1個落在闊葉林分類區(qū)，分類精度為80%。

混交林、針葉林、闊葉林、水體、非林地的制圖精度在迭代20次后比迭代初級階段第5次時分別有所提高。

研究發(fā)現(xiàn)，水體的反射率值與森林區(qū)別較大，混淆程度較低，容易區(qū)分，精度相對很高。野外調(diào)研多數(shù)選在9、10月份，針葉林與闊葉林及混交林差異較大，較容易區(qū)分。闊葉林與混交林灰度值相差不大，它們各自均有一些樣本混淆，影響了精度。隨著迭代次數(shù)的增加，適應(yīng)度收斂，越來越接近最優(yōu)聚類結(jié)果。HIS高光譜數(shù)據(jù)的質(zhì)量也影響了精度的提升。但改進的粒子群與蟻群結(jié)合的算法進行聚類為森林類型識別提供了一種新思路。

4 結(jié)論

該研究在對粒子群引入加速系數(shù)、改進慣性系數(shù)的基礎(chǔ)上，采用蟻群生化特性，分多階段將粒子群與蟻群智能算法結(jié)合，并設(shè)計出了適合于高光譜圖像聚類的蟻群和粒子群編碼規(guī)則及個體結(jié)構(gòu)，將其應(yīng)用到林業(yè)遙感的聚類方法中，將高光譜影像的聚類過程映射為群智能算法的尋優(yōu)過程，利用不同地物的光譜特征，從HJ/1A遙感影像的115個波段中挑選出類內(nèi)距離較小的集合，驗證樣本驗證結(jié)果表明，其能較好地區(qū)分闊葉林、針葉林和混交林等樣地類型。該優(yōu)化算法擁有自學(xué)習性、魯棒性強等特點，可為遙感應(yīng)用問題提出新的解決思想。

參考文獻

[1] TONG Q X，ZHANG B，ZHENG L F.Hyperspectral remote sensing[M].Beijing：Higher Education Press，2006.

[2] FAZAKAS Z，NILSSON M，OLSSON H. Regional forest biomass and wood volume estimation using satellite data and ancillary data[J].Agricultural and Forest Meteorology，1999，98/99：417-425.

[3] 舒清態(tài)，唐守正.國際森林資源監(jiān)測的現(xiàn)狀與發(fā)展趨勢[J].世界林業(yè)研究，2005，18（3）：33-37.

[4] 仲青青.基于粒子群優(yōu)化的遙感圖像聚類研究[D].杭州：浙江大學(xué)，2011：4-8.

[5] 王志輝，丁麗霞.基于葉片高光譜特性分析的樹種識別[J].光譜學(xué)與光譜分析，2010，30（7）：1826-1830.

[6] TIMOTHY M K，TALAAT M R.Structural controls on Neoprotero zoic mineralization in the South Eastern Desert，Egypt：An integrated field，Landsat-TM，and SIR-C/X SAR approach [J].Journal of African Earth Sciences，2002，35：107-112.

[7] 李俊明.基于森林類型光譜特征的最佳波段選擇研究[J].森林工程，2013，29（4）：4-5.

[8] 韓瑞梅.環(huán)境星HSI影像處理關(guān)鍵技術(shù)的研究山[D].長沙：中南大學(xué)，2010.

[9] 李俊明，邢艷秋，楊超，等.基于環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星的樹種識別[J].東北林業(yè)大學(xué)學(xué)報，2013（11）：42-43.

[10] FEMANDES C，RAMOS V，ROSA A C.Self-regulated artificial ant colonies on digital image habitats [J].International Journal of Lateral Computing，2005，2（1）：1-8.

[11] 王東.基于粒子群智能的遙感找礦方法研究[D].長沙：中南大學(xué)，2008：24-28.

[12] LOAN CRISTIAN T I.The particle swarm optimization algorithm：Convergence analysis and paramer selection[J].Information Processing Letters，2003，85：317-325.

[13] 周麗娟.改進粒子群算法和蟻群算法[J].長春工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2009，30（3）：342-345.

[14] 周爽.蟻群算法在高光譜圖像降維和分類中的[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2010：76-82.