基于葉片光譜特征的農(nóng)業(yè)區(qū)域植物分類

李 嬋，王俊杰，鄔國(guó)鋒，李清泉

1) 深圳大學(xué)海岸帶地理環(huán)境監(jiān)測(cè)國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室，廣東深圳 518060；2) 深圳大學(xué)信息工程學(xué)院，廣東深圳 518060

植物物種的識(shí)別與分類對(duì)區(qū)分植物類別、探索植物間親緣關(guān)系以及闡明植物系統(tǒng)進(jìn)化規(guī)律具有重要意義．目前，在環(huán)境污染、濫伐森林、超限采摘和盲目開墾等人類活動(dòng)影響下，一些植物物種已消失或驟減[1]．對(duì)植物資源的調(diào)查、識(shí)別與分類，并建立植物物種數(shù)據(jù)庫(kù)，有助于生態(tài)環(huán)境和物種多樣性的保護(hù)與恢復(fù).

遙感技術(shù)具有監(jiān)測(cè)范圍廣、速度快、成本低和動(dòng)態(tài)性強(qiáng)等特點(diǎn)，不少學(xué)者已采用各種多光譜影像進(jìn)行植物遙感分類研究[2-4]．但是，多光譜傳感器在空間遙感探測(cè)中容易出現(xiàn)“異物同譜”的現(xiàn)象，可能影響物種識(shí)別的精度．與多光譜遙感相比，高光譜遙感能夠提供成百上千個(gè)光譜波段，具有更加細(xì)致的地物光譜信息，可高效、高精度地識(shí)別不同植物物種的光譜差異性，已逐漸用于植物遙感分類領(lǐng)域．姚云軍等[5]提出多時(shí)相高光譜數(shù)據(jù)能探測(cè)作物在更窄波譜范圍內(nèi)的變化，實(shí)現(xiàn)了準(zhǔn)確地對(duì)作物進(jìn)行詳細(xì)分類與信息提?。?/p>

基于高光譜遙感進(jìn)行植物分類的研究主要利用葉片[6]、冠層[7]、機(jī)載或星載高光譜數(shù)據(jù)，對(duì)森林植物、草地、濕地植物和農(nóng)作物等進(jìn)行識(shí)別與分類．為了提高植物物種分類的精度，研究人員對(duì)原始光譜進(jìn)行變換，如一階微分[7]、包絡(luò)線去除[7]和小波變換[7-8]等，并在此基礎(chǔ)上提取光譜特征變量，如三邊參數(shù)[7]、吸收特征參數(shù)[7]或植被指數(shù)；為顯著減少光譜波段之間的冗余度，利用主成分分析(principal component analysis，PCA)[9-10]對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理，進(jìn)而提高了植物遙感分類的精度與效率．近年來，越來越多的研究結(jié)合高光譜遙感和機(jī)器學(xué)習(xí)方法，如k最近鄰(k-nearest-neighbors，kNN)[11]、判別分析[12]、人工神經(jīng)網(wǎng)絡(luò)[12]、支持向量機(jī)(support vector machine，SVM)[13]和隨機(jī)森林(random forest，RF)[14]等，進(jìn)行植物遙感分類，有效提高了植物識(shí)別與分類的精度．例如，浦瑞良等[12]選擇了30個(gè)光譜變量利用非線性人工神經(jīng)網(wǎng)絡(luò)和線性判別分析來區(qū)分城市區(qū)域的11種闊葉樹種類，總體分類精度達(dá)86.3%～87.8%；石晶晶等[13]利用支持向量機(jī)構(gòu)建了葉片光譜識(shí)別模型，受稻縱卷葉螟危害的水稻最高識(shí)別精度達(dá)到100%．但是，不同機(jī)器學(xué)習(xí)方法進(jìn)行植物分類的精度差異較大．另外，以上研究較少關(guān)注不同機(jī)器學(xué)習(xí)算法、光譜特征變量和光譜變換進(jìn)行植物分類的綜合比較，難以為研究者推薦合理的方法組合．

本研究基于江蘇宜興農(nóng)業(yè)區(qū)域8種植物的葉片光譜數(shù)據(jù)，提取63種光譜特征變量(三邊參數(shù)、吸收特征參數(shù)和經(jīng)典植被指數(shù))，并對(duì)全波段光譜(原始、一階微分和包絡(luò)線去除光譜)提取主成分因子，進(jìn)而綜合比較3種機(jī)器學(xué)習(xí)方法(kNN、SVM和RF)對(duì)不同植物進(jìn)行遙感分類的精度，為景觀或區(qū)域尺度的植物遙感分類、精準(zhǔn)農(nóng)業(yè)和資源調(diào)查等提供技術(shù)參考和理論支撐．

1 數(shù)據(jù)獲取與方法

1.1 葉片高光譜數(shù)據(jù)獲取及預(yù)處理

基于隨機(jī)采樣方法，于2010-08-11—2010-08-14在中國(guó)江蘇宜興市郊的農(nóng)業(yè)區(qū)域采集8種植物共95個(gè)葉片樣本(各物種葉片如圖1)，包括黃豆11個(gè)、玉米13個(gè)、茶樹11個(gè)、樟樹10個(gè)、枸骨11個(gè)、芝麻12個(gè)、狗尾草13個(gè)和水稻14個(gè)．將新鮮葉片樣本裝入樣品袋，置于裝有冰袋的樣品箱內(nèi)，采樣完畢立即送至實(shí)驗(yàn)室采集葉片光譜數(shù)據(jù)．

在暗室內(nèi)，采用ASD FieldSpec 3地物光譜儀采集新鮮葉片光譜數(shù)據(jù)(350～2 500 nm)．測(cè)定前，將待測(cè)光譜的葉片用脫脂棉擦拭干凈；測(cè)定時(shí)，把單層葉片平整地置于反射率近似為0的黑色橡膠上，設(shè)置光譜儀視場(chǎng)角為25°，探頭垂直向下正對(duì)待測(cè)葉片中部，距樣品表面15 cm；光源用光譜儀自帶的50 W鹵化燈，光源距樣品表面50 cm，方位角為60°；每測(cè)定5個(gè)樣本校正標(biāo)準(zhǔn)白板．為保證測(cè)定精度，每個(gè)樣本采集10個(gè)連續(xù)光譜數(shù)據(jù)，取其均值作為該樣本的光譜反射率值．

為減少噪聲影響，剔除信噪比較低的邊緣波段(350～399 nm及2 451～2 500 nm)，用Savitzky-Golay濾波方法對(duì)95個(gè)樣本的光譜數(shù)據(jù)(400～2 450 nm)進(jìn)行平滑去噪(平滑后的光譜稱為原始光譜)．為提取光譜特征變量并比較不同光譜變換進(jìn)行植物遙感分類的精度，本研究對(duì)原始光譜進(jìn)行一階微分及包絡(luò)線去除變換．一階微分變換能減弱背景噪聲，增強(qiáng)光譜波段之間的差異性；包絡(luò)線去除變換可有效突出光譜曲線的吸收和反射特征．

1.2 光譜特征變量提取

高光譜波段之間存在強(qiáng)相關(guān)性，提取光譜特征變量可減少光譜數(shù)據(jù)冗余．本研究提取3類高光譜特征變量(三邊參數(shù)、吸收特征參數(shù)及植被指數(shù))對(duì)8種植物進(jìn)行遙感分類．

三邊參數(shù)可很好地反映植被的光譜特征[15]．植被光譜的“三邊”是指其“藍(lán)邊”、“黃邊”和“紅邊”，描述“三邊”特征的參數(shù)主要有“三邊”的位置、幅值和面積．本研究使用的19種三邊參數(shù)的定義見表1．

基于包絡(luò)線去除光譜，提取吸收特征參數(shù)，包括吸收位置(absorption position, AP)、吸收深度(absorption depth, AD)、吸收寬度(absorption width, AW)和吸收面積(absorption area, AA)．通過觀察原始光譜曲線可知，在495、670、970、1 180、1 450和1 930 nm附近共有6個(gè)比較明顯的吸收谷，故可提取24種吸收特征參數(shù)，見表1．

植被指數(shù)是對(duì)多個(gè)光譜遙感數(shù)據(jù)進(jìn)行分析運(yùn)算(加、減、乘、除等線性或非線性組合方式)，產(chǎn)生某些對(duì)植被長(zhǎng)勢(shì)、生物量等有一定指示意義的數(shù)據(jù)[16]．根據(jù)文獻(xiàn)[17]，本研究選取20種與植被生理生化參數(shù)高度相關(guān)的經(jīng)典高光譜植被指數(shù)，探究其對(duì)所選8種植物進(jìn)行遙感分類的潛力，各種植被指數(shù)的定義見表1．其中，Ri表示波長(zhǎng)i處的原始光譜， DRi表示波長(zhǎng)i處的一階微分光譜．

1.3 PCA

PCA可對(duì)高光譜數(shù)據(jù)進(jìn)行壓縮和降維，顯著減少運(yùn)算量和高光譜波段的高冗余度．本研究對(duì)3類全波段光譜(原始光譜、 一階微分光譜和包絡(luò)線去除光譜)進(jìn)行PCA處理，提取主成分，并結(jié)合3種機(jī)器學(xué)習(xí)方法對(duì)8種植物進(jìn)行遙感分類．

表1 光譜特征變量的定義

(續(xù)表1)

1.4 基于機(jī)器學(xué)習(xí)的植物分類

1.4.1 三種機(jī)器學(xué)習(xí)方法

kNN是一種線性分類器，通過計(jì)算每個(gè)樣本數(shù)據(jù)到待分類數(shù)據(jù)的距離，取與待分類數(shù)據(jù)距離最近的k個(gè)樣本數(shù)據(jù)，這k個(gè)樣本數(shù)據(jù)中哪個(gè)類別的樣本數(shù)據(jù)占得多，則待分類數(shù)據(jù)就屬于該類別[18]．

SVM將低維線性不可分樣本轉(zhuǎn)化到高維特征空間使其線性可分，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，在特征空間中構(gòu)建最優(yōu)分類超平面，得到全局最優(yōu)解[19]．

RF是一種將弱分類器組合的分類方法，構(gòu)成RF的基本分類器是決策樹．它利用bootstrapping自助法從原始樣本中抽取多個(gè)樣本，對(duì)每個(gè)樣本進(jìn)行決策樹建模，最終由所有決策樹投票決定輸入向量的最終輸出[20]．

1.4.2 植物遙感分類精度評(píng)價(jià)

基于分層隨機(jī)抽樣方法，每種植物樣本隨機(jī)選擇2/3樣本作為訓(xùn)練樣本，余下1/3樣本作為驗(yàn)證樣本，因此，植物物種分類模型的訓(xùn)練集共63個(gè)樣本，驗(yàn)證集共32個(gè)樣本．基于訓(xùn)練集的單一光譜特征變量(共63個(gè))及全波段原始光譜、一階微分光譜和包絡(luò)線去除光譜的主成分因子，分別利用kNN、SVM和RF方法建立植物遙感分類模型，并用驗(yàn)證集驗(yàn)證植物分類的性能．

本研究利用總精度、訓(xùn)練精度、驗(yàn)證精度及8類植物的生產(chǎn)者精度11種分類精度對(duì)植物遙感分類精度進(jìn)行評(píng)價(jià)．分類精度的計(jì)算方法為分類的正確個(gè)數(shù)與實(shí)際個(gè)數(shù)的百分比．另外，基于11種分類精度采用綜合等級(jí)分?jǐn)?shù)(0～10)對(duì)各個(gè)植物遙感分類模型進(jìn)行打分評(píng)價(jià)，綜合等級(jí)分?jǐn)?shù)越高，分類性能越好．打分規(guī)則為：精度=0，分?jǐn)?shù)=0；0<精度≤10%，分?jǐn)?shù)=1；10%<精度≤20%，分?jǐn)?shù)=2；20%<精度30%，分?jǐn)?shù)=3；30%<精度≤40%，分?jǐn)?shù)=4；40%<精度≤50%，分?jǐn)?shù)=5；50%<精度≤60%，分?jǐn)?shù)=6；60%<精度≤70%，分?jǐn)?shù)=7；70%<精度≤80%，分?jǐn)?shù)=8；80%<精度≤90%，分?jǐn)?shù)=9；90%<精度≤100%，分?jǐn)?shù)=10；總精度、訓(xùn)練精度和驗(yàn)證精度對(duì)應(yīng)權(quán)重均為0.2，每種植物的生產(chǎn)者精度對(duì)應(yīng)權(quán)重均為0.05，由此計(jì)算出每個(gè)植物遙感分類模型的綜合等級(jí)分?jǐn)?shù)．

2 結(jié)果及分析

2.1 8種植物的光譜曲線特征分析

8種植物的均值原始光譜曲線如圖2．由圖2可見，它們的曲線形狀非常相似，很難區(qū)分開來，但仍能通過診斷光譜分析識(shí)別出它們之間的細(xì)微差異，從而實(shí)現(xiàn)對(duì)不同植物類型的精細(xì)分類．整體而言，8種植被的原始光譜曲線在800～1 300 nm、 1 500～1 800 nm和 2 000～2 400 nm波段內(nèi)具有顯著差異．

2.2 基于光譜特征變量和機(jī)器學(xué)習(xí)的植物遙感分類

如圖3，基于單一的光譜特征變量，kNN、SVM和RF三種方法進(jìn)行植物遙感分類的總精度、訓(xùn)練精度和驗(yàn)證精度均較低(<50%)．基于kNN方法，使用63個(gè)光譜特征變量進(jìn)行植物遙感分類的總精度、訓(xùn)練精度和驗(yàn)證精度平均值分別為18.75%、18.17%和19.89%；基于SVM方法，3類精度平均值增長(zhǎng)至24.36%、26.15%和20.83%；基于RF方法，3類精度平均值分別為20.42%、20.46%和20.34%.

圖2 8種植物的均值原始光譜曲線Fig.2 Mean raw spectral curves of 8 plants

圖3 基于機(jī)器學(xué)習(xí)和63個(gè)光譜特征變量(實(shí)驗(yàn)序號(hào)見表1)進(jìn)行植物遙感分類的總精度、訓(xùn)練精度和驗(yàn)證精度Fig.3 Overall accuracy, training accuracy and test accuracy of vegetation classification based on 63 spectral characteristic variables and machine learning methods

基于單一光譜特征變量進(jìn)行植物遙感分類總精度和訓(xùn)練精度最高的方法組合均為SVM+AP_1180(序號(hào)為32，1 180 nm附近吸收位置)，精度分別為43.16%和49.21%；而驗(yàn)證精度最高的方法組合為RF+WP_b(序號(hào)為5，490～530 nm內(nèi)最大的一階微分值對(duì)應(yīng)的波長(zhǎng))，精度為43.75%．此外，基于RF方法總精度、訓(xùn)練精度和驗(yàn)證精度最高的特征變量均為WP_b(序號(hào)為5)，精度分別為42.11%、41.27%和43.75%．

基于SVM方法，有9個(gè)光譜特征變量(序號(hào)分別為8、16、18、23、46、53、54、59和62)使得茶樹、樟樹、枸骨和水稻的生產(chǎn)者精度達(dá)到100.00%；基于kNN方法，僅1個(gè)光譜特征變量(序號(hào)為36)使黃豆的生產(chǎn)者精度達(dá)100.00%；基于RF方法，序號(hào)為5的特征變量使得8種植物生產(chǎn)者精度最大值為92.86%(表2)．

對(duì)于黃豆和玉米來說，3種機(jī)器學(xué)習(xí)算法中kNN的生產(chǎn)者精度平均值最大，分別為39.54%和33.70%；對(duì)于樟樹、枸骨和水稻來說，SVM的生產(chǎn)者精度平均值最大，分別為9.21%、17.60%和53.06%；對(duì)于芝麻和狗尾草來說，RF的生產(chǎn)者精度平均值最大，分別為16.27%和18.19%；對(duì)于茶樹來說，kNN和SVM的生產(chǎn)者精度平均值最大，均為24.39%．

2.3 基于PCA和機(jī)器學(xué)習(xí)的植物遙感分類

對(duì)全波段原始光譜、一階微分光譜和包絡(luò)線去除光譜進(jìn)行PCA處理，變量由2 051個(gè)降為10個(gè)，前10個(gè)主成分的累計(jì)貢獻(xiàn)率分別為99.81%、87.76%和93.98%，基本保留了原來變量的光譜信息．因此，本研究選取前10個(gè)主成分進(jìn)行植物遙感分類是合理的．

表3為利用原始光譜、一階微分光譜以及包絡(luò)線去除光譜，經(jīng)PCA后的前10個(gè)主成分，結(jié)合3種機(jī)器學(xué)習(xí)方法進(jìn)行植物分類的總精度、訓(xùn)練精度和驗(yàn)證精度．其中，OR、FD和CR分別為利用原始光譜、一階微分光譜和包絡(luò)線去除光譜經(jīng)PCA后的前10個(gè)主成分進(jìn)行分類．

表2 基于63個(gè)光譜特征變量8種植物的生產(chǎn)者精度平均值與最大值

表3 結(jié)合PCA與機(jī)器學(xué)習(xí)算法的植被分類總精度、訓(xùn)練精度和驗(yàn)證精度

由表3可知，與單一的光譜特征變量相比，對(duì)3類全波段光譜進(jìn)行PCA后，8種植物的分類總精度、訓(xùn)練精度和驗(yàn)證精度得到大幅度提高，均在60%以上．基于kNN方法，對(duì)3類全波段光譜經(jīng)PCA后進(jìn)行植物分類的總精度、訓(xùn)練精度和驗(yàn)證精度的平均值分別為70.18%、69.31%和71.88%；基于SVM方法，對(duì)應(yīng)的平均值增長(zhǎng)至90.88%、95.24%和82.29%；基于RF方法，對(duì)應(yīng)的平均值分別為72.28%、70.37%和76.04%．

總之，最高分類總精度和訓(xùn)練精度對(duì)應(yīng)的方法組合均為SVM+一階微分光譜，精度分別為94.74%和100.00%；最高驗(yàn)證精度對(duì)應(yīng)的方法組合為kNN+一階微分光譜，精度為87.50%．

基于原始光譜，采用3種機(jī)器學(xué)習(xí)方法進(jìn)行植物分類的總精度、訓(xùn)練精度和驗(yàn)證精度均值分別為77.89%、79.89%和73.96%；基于一階微分光譜，對(duì)應(yīng)的均值增至82.81%、83.60%和81.25%；基于包絡(luò)線去除光譜，對(duì)應(yīng)的均值分別為72.63%、71.43%和75.00%．

統(tǒng)計(jì)基于單一光譜特征變量的8種植物的生產(chǎn)者精度平均值與最大值，結(jié)果如表4所示．從生產(chǎn)者精度角度分析，基于kNN方法，使用包絡(luò)線去除光譜和一階微分光譜的前10個(gè)主成分均使黃豆和茶樹的生產(chǎn)者精度達(dá)到100.00%，使用3類全波段光譜的前10個(gè)主成分均使水稻的生產(chǎn)者精度達(dá)到100.00%；基于SVM方法，除茶樹和枸骨外，其他6種植被的生產(chǎn)者精度均達(dá)到100.00%；基于RF方法，使用原始光譜、一階微分光譜和包絡(luò)線去除光譜的主成分均使水稻的生產(chǎn)者精度達(dá)到100.00%．

對(duì)于黃豆、玉米、茶樹、樟樹、枸骨、芝麻、狗尾草和水稻這8種植被，采用SVM方法的生產(chǎn)者精度平均值均高于kNN和RF方法，分別為90.91%、98.08%、81.82%、87.50%、63.64%、97.92%、96.15%和100.00%．可見，基于PCA和3種機(jī)器學(xué)習(xí)方法的總精度、訓(xùn)練精度、驗(yàn)證精度和8種植被的生產(chǎn)者精度基本滿足植被分類的精度要求，其中，對(duì)水稻的分類效果整體最好，對(duì)枸骨的分類效果整體最差．

2.4 植物遙感分類精度的綜合評(píng)價(jià)

按照1.4.2節(jié)中植物遙感分類精度評(píng)價(jià)中的打分規(guī)則，對(duì)基于光譜特征變量與PCA進(jìn)行植物分類的11種精度進(jìn)行綜合評(píng)價(jià)，綜合等級(jí)分?jǐn)?shù)如圖4所示．基于單一光譜特征變量，kNN、SVM和RF三種方法的綜合等級(jí)分?jǐn)?shù)平均值分別為2.27、2.76和2.42；而基于3類全波段光譜的PCA，3種方法的綜合等級(jí)分?jǐn)?shù)平均值依次為7.43、9.38和7.73．

表4 基于PCA的8種植物生產(chǎn)者精度平均值與最大值

圖4 光譜特征變量和主成分分析結(jié)合機(jī)器學(xué)習(xí)方法進(jìn)行植物分類的精度綜合評(píng)價(jià)Fig.4 Comprehensive accuracy evaluation of vegetation classification with spectral characteristic variables and PCA based on machine learning methods

對(duì)于單一的光譜特征變量，綜合等級(jí)分?jǐn)?shù)最高的方法組合依次為RF+WP_b(序號(hào)為5，分?jǐn)?shù)為4.75)、SVM+AP_1180(序號(hào)為32，分?jǐn)?shù)為4.50)和SVM+WI(序號(hào)為63，分?jǐn)?shù)為4.20)；基于kNN方法分?jǐn)?shù)最高的特征變量是MSR和PSND(序號(hào)分別為51和59)．

基于3類全波段光譜的主成分，SVM的綜合等級(jí)分?jǐn)?shù)均高于kNN和RF，且SVM對(duì)應(yīng)的分?jǐn)?shù)分別為9.65、9.70和8.80．基于原始光譜、一階微分光譜和包絡(luò)線去除光譜，3種機(jī)器學(xué)習(xí)方法的綜合等級(jí)分?jǐn)?shù)平均值分別為8.15、8.62和7.78．另外，基于kNN、SVM和RF方法，使用一階微分光譜的主成分均使得植物分類精度的綜合等級(jí)分?jǐn)?shù)最高，分?jǐn)?shù)分別為8.25、9.70和7.90．

3 討 論

本研究利用中國(guó)江蘇宜興農(nóng)業(yè)區(qū)域8種植物的葉片光譜數(shù)據(jù)結(jié)合3種機(jī)器學(xué)習(xí)方法進(jìn)行分類，綜合比較總精度、 訓(xùn)練精度、 驗(yàn)證精度及生產(chǎn)者精度，發(fā)現(xiàn)SVM的分類性能優(yōu)于kNN與RF．這與楊珺雯等[21]的研究結(jié)果相反，基于高光譜影像的實(shí)驗(yàn)表明RF分類器優(yōu)于SVM．導(dǎo)致結(jié)果不一致的原因可能是訓(xùn)練樣本數(shù)量不夠，SVM出現(xiàn)過擬合現(xiàn)象．

實(shí)驗(yàn)結(jié)果表明，單一的光譜特征變量(包括三邊參數(shù)、吸收特征參數(shù)和植被指數(shù))分類效果較差，總體分類精度均小于50%，其中，分類性能最好的光譜特征變量是藍(lán)邊位置、1 180 nm附近吸收深度和水體指數(shù)．林川等[7]利用選定的8個(gè)光譜特征變量進(jìn)行7種植物生態(tài)類型識(shí)別，總體分類精度超過85%．本研究選擇的光譜特征變量分類性能較弱的原因可能是各種植物葉片光譜之間的差異較小，僅有的幾個(gè)波段難以表征植物的絕大部分光譜信息，也有可能是所選的光譜特征變量并不是識(shí)別物種差異的敏感變量.

對(duì)3類全波段光譜進(jìn)行PCA降維后精度得到大幅提高，可滿足植物分類與識(shí)別的要求，劉雪華等[9]的研究結(jié)果也表明，PCA能對(duì)光譜進(jìn)行有效降維，提高識(shí)別效率．另外，基于PCA的一階微分光譜分類性能優(yōu)于原始光譜和包絡(luò)線去除光譜．這一發(fā)現(xiàn)與齊浩等[22]的研究結(jié)果相似，通過對(duì)高光譜數(shù)據(jù)進(jìn)行變換可以明顯提高植物分類的精度，且一階微分變換對(duì)所選8種植物的分類精度最高．

本研究的主要結(jié)論如下：

1)對(duì)于農(nóng)業(yè)區(qū)域所選8種植物，SVM方法的分類性能優(yōu)于kNN和RF方法．

2)單一的光譜特征變量分類效果較差，難以滿足植物分類的精度需求．

3)基于主成分分析的一階微分光譜的分類性能優(yōu)于原始光譜和包絡(luò)線去除光譜，能夠滿足植物分類的精度需求．

4)總體而言，葉片一階微分光譜與SVM相結(jié)合的方法對(duì)農(nóng)業(yè)區(qū)域所選8種植物的分類效果最好．

本研究采用的高光譜數(shù)據(jù)是基于室內(nèi)測(cè)量的葉片光譜反射率，通過比較不同光譜特征變量、光譜變換和機(jī)器學(xué)習(xí)算法進(jìn)行植物分類的性能，一定程度上可為研究者提供合理的方法推薦．由于本研究的植物樣本有限，一定程度上可能影響kNN、SVM和RF模型的分類精度，在以后的研究中需要進(jìn)一步增加樣本量，并結(jié)合機(jī)載或星載高光譜影像，充分發(fā)揮高光譜遙感技術(shù)的優(yōu)勢(shì)，以期為景觀或區(qū)域尺度的植被遙感分類、精準(zhǔn)農(nóng)業(yè)和森林資源調(diào)查等提供技術(shù)參考和理論支撐．

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(41601362)

作者簡(jiǎn)介：李 嬋(1992—)，女，深圳大學(xué)碩士研究生．研究方向：高光譜遙感植被分類．E-mail：13728817048@163.com

引文：李 嬋，王俊杰，鄔國(guó)鋒，等．基于葉片光譜特征的農(nóng)業(yè)區(qū)域植物分類[J]. 深圳大學(xué)學(xué)報(bào)理工版，2018，35(3)：307-315.

參考文獻(xiàn)/References：

[1] 杜吉祥．植物物種機(jī)器識(shí)別技術(shù)的研究[D]．合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2005．

DU Jixiang. Identification of plant species with machine learning method[D]. Hefei: University of Science and Technology of China, 2005.(in Chinese)

[2] DAVRANCHE A, LEFEBVRE G, POULIN B. Wetland monitoring using classification trees and SPOT-5 seasonal time series[J]. Remote Sensing of Environment, 2010, 114(3): 552-562.

[3] DRONOVA I, WANG Lin, GONG Peng. Object-based analysis and change detection of the major wetland cover types during the low water period at Poyang Lake, PRC[C]// AGU Fall Meeting. Washington D C: American Geophysical Union, 2010: 4-13.

[4] MACALISTER C, MAHAXAY M. Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and field survey data[J]. Journal of Environmental Management, 2009, 90(7): 2130.

[5] 姚云軍，秦其明，張自力，等．高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用研究進(jìn)展[J]．農(nóng)業(yè)工程學(xué)報(bào)，2008，24(7)：301-306．

YAO Yunjun, QIN Qiming, ZHANG Zili, et al. Research progress of hyperspectral technology applied in agricultural remote sensing[J]. Transactions of the CSAE, 2008, 24(7): 301-306.(in Chinese)

[6] 褚西鵬，葛宏立，陳柯萍．基于小波包變換的葉片高光譜數(shù)據(jù)的樹種分類[J]．光譜實(shí)驗(yàn)室，2012，29(5)：2794-2798．

CHU Xipeng, GE Hongli, CHEN Keping. Tree species classification basing on leaf-level hyperspectral data from wavelet packets transform[J]. Chinese Journal of Spectroscopy Laboratory, 2012, 29(5): 2794-2798.(in Chinese)

[7] 林 川，宮兆寧，趙文吉，等．基于光譜特征變量的濕地典型植物生態(tài)類型識(shí)別方法：以北京野鴨湖濕地為例[J]．生態(tài)學(xué)報(bào)，2013，33(4)：1172-1185．

LIN Chuan, GONG Zhaoning, ZHAO Wenji, et al. Identifying typical plant ecological types based on spectral characteristic variables: a case study in Wild Duck Lake wetland, Beijing[J]. Acta Ecologica Sinica, 2013, 33(4): 1172-1185.(in Chinese)

[8] 任 靜，劉 剛，趙興祥，等．FTIR結(jié)合小波變換分析鑒別8種根莖類作物[J]．中國(guó)農(nóng)學(xué)通報(bào)，2015，31(3)：1522-1526．

REN Jing, LIU Gang, ZHAO Xingxiang, et al. Study of rhizome crops by Fourier transform infrared spectroscopy combined with wavelet analysis[J]. Chinese Agricultural Science Bulletin, 2015, 31(3): 1522-1526.(in Chinese)

[9] 劉雪華，孫 巖，吳 燕．光譜信息降維及判別模型建立用于識(shí)別濕地植物物種[J]．光譜學(xué)與光譜分析，2012，32(2)：459-464.

LIU Xuehua, SUN Yan, WU Yan. Reduction of hyperspectral dimensions and construction of discriminating models for identifying wetland plant species[J]. Spectroscopy and Spectral Analysis, 2012, 32(2): 459-464.(in Chinese)

[10] 臧 卓，林 輝，孫 華，等．南方主要針葉樹種高光譜數(shù)據(jù)降維分類研究[J]．中南林業(yè)科技大學(xué)學(xué)報(bào)，2010，30(11)：20-25．

ZANG Zhuo, LIN Hui, SUN Hua, et al. Study on hyper-spectral dimension reduction and classification for main southern coniferous species[J]. Journal of Central South University of Forestry & Technology, 2010, 30(11): 20-25.(in Chinese)

[11] 孫 俊，金夏明，毛罕平，等．基于adaboost及高光譜的生菜葉片氮素水平鑒別研究[J]．光譜學(xué)與光譜分析，2013，33(12)：3372-3376．

SUN Jun, JIN Xiaming, MAO Hanping, et al. Identification of lettuce leaf nitrogen level based on adaboost and hyperspectrum[J]. Spectroscopy and Spectral Analysis, 2013, 33(12): 3372-3376.(in Chinese)

[12] PU Ruiliang. Broadleaf species recognition with in situ hyperspectral data[J]. International Journal of Remote Sensing, 2009, 30(11): 2759-2779.

[13] 石晶晶，劉占宇，張莉麗，等．基于支持向量機(jī)(SVM)的稻縱卷葉螟危害水稻高光譜遙感識(shí)別[J]．中國(guó)水稻科學(xué)，2009，23(3)：331-334．

SHI Jingjing, LIU Zhanyu, ZHANG Lili, et al. Hyperspectral recognition of rice damaged by rice leaf roller based on support vector machine[J]. Chinese Journal of Rice Science, 2009, 23(3): 331-334.(in Chinese)

[14] 程術(shù)希，孔汶汶，張 初，等．高光譜與機(jī)器學(xué)習(xí)相結(jié)合的大白菜種子品種鑒別研究[J]．光譜學(xué)與光譜分析，2014，34(9)：2519-2522．

CHENG Shuxi, KONG Wenwen, ZHANG Chu, et al. Variety recognition of Chinese cabbage seeds by hyperspectral imaging combined with machine learning[J]. Spectroscopy and Spectral Analysis, 2014, 34(9): 2519-2522.(in Chinese)

[15] 史冰全，張曉麗，白雪琪，等．基于“三邊”參數(shù)的油松林葉綠素估算模型[J]．東北林業(yè)大學(xué)學(xué)報(bào)，2015，43(5)：80-83．

SHI Bingquan, ZHANG Xiaoli, BAI Xueqi, et al. Chlorophyll estimation model of pinus tabulaeformis based on“Sanbian” parameters[J]. Journal of Northeast Forestry University, 2015, 43(5)：80-83.(in Chinese)

[16] 趙英時(shí)．遙感應(yīng)用分析原理與方法[M]．北京：科學(xué)出版社，2013．

ZHAO Yingshi. Principles and methods of analysis of remote sensing applications[M]. Beijing: Science Press, 2013.(in Chinese)

[17] 孫永華, 宮輝力. 基于高光譜的濕地植被定量遙感研究[M]. 北京：中國(guó)環(huán)境出版社, 2015.

SUN Yonghua, GONG Huili. Quantitative research on wetland plants based on hyperspectral remote sensing[M]. Beijing: China Environmental Science Press, 2015.(in Chinese)

[18] COVER T M. Rates of convergence for nearest neighbor procedures[C]// Hawaii International Conference on System Sciences. Hawaii,USA:[s. n], 1968: 413-417.

[19] CORTES C, VAPNIK V. Support-vector networks[M]. Dordrecht, Holland: Kluwer Academic Publishers, 1995.

[20] BREIMAN L. Random forest[J]. Machine Learning, 2001, 45(1): 5-32.

[21] 楊珺雯，張錦水，朱秀芳，等．隨機(jī)森林在高光譜遙感數(shù)據(jù)中降維與分類的應(yīng)用[J]．北京師范大學(xué)學(xué)報(bào)自然科學(xué)版，2015，51(s1)：82-88．

YANG Junwen, ZHANG Jinshui, ZHU Xiufang, et al. Random forest applied for dimension reduction and classification in hyperspectral data[J]. Journal of Beijing Normal University Natural Science, 2015, 51(s1): 82-88.(in Chinese)

[22] 齊 浩，王振錫，岳 俊，等．基于葉片光譜特征的南疆盆地主栽果樹樹種遙感識(shí)別[J]．浙江農(nóng)業(yè)學(xué)報(bào)，2015，27(12)：2141-2146．

QI Hao, WANG Zhenxi, YUE Jun, et al. Remote sensing identification of main fruit tree species based on leaf spectral feature in southern Xinjiang basin[J]. Acta Agriculturae Zhejiangensis, 2015, 27(12): 2141-2146.(in Chinese)