基于無人機(jī)高光譜影像的薇甘菊分布提取研究——以云南德宏州為例

劉雪蓮, 石雷,李宇宸, 劉夢盈, 姚俊, 馬云強(qiáng), 楊緒兵

基于無人機(jī)高光譜影像的薇甘菊分布提取研究——以云南德宏州為例

劉雪蓮1,2, 石雷1*,李宇宸3, 劉夢盈1, 姚俊1, 馬云強(qiáng)4, 楊緒兵2

(1. 中國林業(yè)科學(xué)研究院資源昆蟲研究所，昆明 650223；2. 南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，南京 210037；3. 華南師范大學(xué)地理科學(xué)學(xué)院，廣州 510631；4. 西南林業(yè)大學(xué)生物多樣性保護(hù)學(xué)院, 昆明 650223)

為有效控制薇甘菊入侵，及時掌握其空間分布和動態(tài)變化，基于無人機(jī)高光譜數(shù)據(jù)，通過深度學(xué)習(xí)(DL)、支持向量機(jī)(SVM)、隨機(jī)森林(RF)等方法提取云南省德宏州微甘菊分布情況。結(jié)果表明，DL、SVM和RF等3種方法均有效實現(xiàn)了薇甘菊的分布提取，以DL方法的提取效果最佳，制圖精度和用戶精度分別為96.61%和95.00%；其次為RF方法，制圖精度和用戶精度分別為94.83%和91.67%；SVM方法的制圖精度和用戶精度分別為92.45%和81.67%。這3種方法均能很好提取薇甘菊集中分布區(qū)域，且DL和RF方法對零散分布薇甘菊的識別效果優(yōu)于SVM。因此，無人機(jī)高光譜影像為薇甘菊的監(jiān)測、預(yù)警和精準(zhǔn)防治提供了支撐和依據(jù)，對保護(hù)當(dāng)?shù)厣鷳B(tài)系統(tǒng)安全具有重要意義。

薇甘菊；無人機(jī)遙感；深度學(xué)習(xí)；支持向量機(jī)；隨機(jī)森林

薇甘菊()原產(chǎn)于南美洲和中美洲[1]，也稱小花蔓澤蘭或小花假澤蘭，是菊科(Compositae)多年生草本植物或灌木狀攀緣藤本, 已經(jīng)廣泛傳播到了亞洲熱帶地區(qū)和太平洋上的一些島嶼[2]。由于薇甘菊營養(yǎng)生長非常迅速，通過攀緣、纏繞導(dǎo)致其他植物死亡，極易破壞當(dāng)?shù)氐纳鷳B(tài)環(huán)境，已成為當(dāng)今熱帶、亞熱帶地區(qū)危害最嚴(yán)重的雜草之一[3–4]。

薇甘菊自20世紀(jì)80年代初期傳入我國香港、深圳等地，目前，薇甘菊已在我國香港、廣東、海南、云南等地區(qū)廣泛擴(kuò)散，并伴有進(jìn)一步擴(kuò)散的趨勢[5–7]。薇甘菊的入侵已嚴(yán)重威脅當(dāng)?shù)氐纳鷳B(tài)系統(tǒng)健康和生物多樣性，鐘曉青等[8]采取隨機(jī)抽樣和全面調(diào)查的方式，運(yùn)用市場價值法、影子工程法等進(jìn)行評估，薇甘菊入侵造成內(nèi)伶仃島森林生態(tài)系統(tǒng)服務(wù)功能的經(jīng)濟(jì)損失383.49～862.86萬元，每年生物多樣性損失66.80～150.31萬元，估計全島年損失近450.29～1 013.17萬元。賀東北等[9]對德宏州薇甘菊分布規(guī)律進(jìn)行了研究，認(rèn)為薇甘菊攀緣或纏繞的植物主要有西南樺()、橡膠()、杉木()、澳洲堅果()、咖啡()、龍竹()、茶()和愷木()等速生、喜光照和濕熱的樹種，受危害面積達(dá)8 602.40 hm2，占全部危害面積的51.88%。在馬來西亞薇甘菊的覆蓋危害可使橡膠樹種子萌發(fā)率降低27%，橡膠產(chǎn)量在早期32個月內(nèi)減產(chǎn)27%～29%[10]。薇甘菊嚴(yán)重威脅木本植物生存生長，僅在云南薇甘菊就可危害30多種植物[11]。為了有效控制薇甘菊入侵，需對其空間分布和動態(tài)變化進(jìn)行監(jiān)測與統(tǒng)計。

傳統(tǒng)的監(jiān)測方法主要以野外實地調(diào)查等人工監(jiān)測為主，難以深入森林腹地等復(fù)雜地區(qū)進(jìn)行調(diào)查，需消耗大量的人力、物力，且由于不同監(jiān)測人員的判斷不同，監(jiān)測的結(jié)果主觀性強(qiáng)，也影響監(jiān)測結(jié)果的準(zhǔn)確性。隨著遙感技術(shù)的運(yùn)用，為精準(zhǔn)提取薇甘菊影像提供了一種有效的途徑。胡佳等[12]基于WorldView-2高分辨率遙感影像，對深圳市局部地區(qū)的薇甘菊開展光譜和紋理分析，其入侵范圍的制圖精度達(dá)87.6%，用戶精度88.4%，表明高分辨率遙感影像能精細(xì)識別薇甘菊。柳帥等[13]基于Pleiades-1高分辨率遙感影像進(jìn)行光譜與紋理信息分析，對廣東省深圳市薇甘菊信息，綜合識別精度達(dá)95.3%, 實現(xiàn)了薇甘菊的精細(xì)識別。

利用衛(wèi)星及航空遙感監(jiān)測薇甘菊，雖然可實現(xiàn)大范圍監(jiān)測，提高監(jiān)測效率和準(zhǔn)確性，但需要高空間分辨率的影像，存在價格昂貴，時間分辨率不高等問題[14–16]。柳宗偉等[17]通過無人機(jī)(unmanned aerial vehicle, UAV)為采集復(fù)雜環(huán)境的數(shù)據(jù)提供了一種低成本、小風(fēng)險的高可行性方案，通過無人機(jī)搭載高光譜成像儀采集高分辨率影像，運(yùn)用最大似然和支持向量機(jī)方法，對薇甘菊與其他物種的特征識別精度達(dá)到90%以上。劉彥君等[18]基于廣東省增城林場無人機(jī)遙感影像數(shù)據(jù)，采用SVM和ASP+ABS波段選擇法，薇甘菊分布的制圖精度和用戶精度分別達(dá)到95.98%和92.98%，解譯效果顯著。無人機(jī)高光譜遙感可為局部區(qū)域薇甘菊的快速獲取、精準(zhǔn)監(jiān)測預(yù)警和防治提供高效手段。同時，無人機(jī)遙感系統(tǒng)具有運(yùn)載便利、靈活性高、作業(yè)周期短、影像數(shù)據(jù)分辨率高等優(yōu)勢，較高的空間和時間分辨率使其在遙感方面得到越來越多的應(yīng)用[18–19]。因此，本文采用無人機(jī)對薇甘菊進(jìn)行有效監(jiān)測，基于無人機(jī)高光譜數(shù)據(jù)，通過深度學(xué)習(xí)(deep learning, DL)、支持向量機(jī)(support vector machine, SVM)和隨機(jī)森林(random forest, RF)方法提取薇甘菊分布范圍，為薇甘菊的防治提供支持和依據(jù)，對保護(hù)當(dāng)?shù)厣鷳B(tài)系統(tǒng)安全具有重要意義。

1 研究區(qū)概況

研究區(qū)位于云南省西部的德宏州，與緬甸接壤。薇甘菊已在德宏州5縣(市) 46個鄉(xiāng)(鎮(zhèn))發(fā)現(xiàn), 占全州鄉(xiāng)(鎮(zhèn))數(shù)的92%。薇甘菊多在山林、荒地、道路旁、溝渠邊、河堤、甘蔗地及經(jīng)濟(jì)作物園發(fā)生, 總發(fā)生面積達(dá)3.20×104hm2，不僅制約著德宏州支柱產(chǎn)業(yè)和新興產(chǎn)業(yè)的發(fā)展，還威脅著糧食、經(jīng)濟(jì)和生態(tài)安全。根據(jù)德宏州薇甘菊的入侵歷史和發(fā)生發(fā)展情況[21–22]，選擇發(fā)生嚴(yán)重和典型地區(qū)為設(shè)置樣地(圖1)，樣地位于德宏州東南部，98°16′12″～98°16′34″ E，24°12′31″～24°12′37″ N，面積為12.36 hm2，年均溫19.6℃，屬南亞熱帶季風(fēng)氣候，年均降雨量1 654.60 mm。

圖1 研究區(qū)位置

2 方法

2.1 基于無人機(jī)高光譜影像數(shù)據(jù)的獲取和預(yù)處理

在薇甘菊盛花期的2019年11月12日，使用搭載美國Headwall Photonics公司的Hyper Spec VNIR型可見光近紅外高光譜成像光譜儀的固定翼無人機(jī)，采用全反射同心光學(xué)設(shè)計并設(shè)置f/2的大通光孔徑，光譜范圍為400～1 000 nm，光譜通道為324個，獲取薇甘菊的高光譜影像。

無人機(jī)完成高光譜成像作業(yè)后，使用Agisoft Photoscan軟件(Agisoft LLC，俄羅斯)對影像數(shù)據(jù)進(jìn)行拼接處理[23]。將影像圖片和POS (position and orientation system)數(shù)據(jù)導(dǎo)入軟件中，輸出數(shù)字正射影像(digital orthophoto map, DOM)，對影像進(jìn)行地面控制點配準(zhǔn)，以達(dá)到較高的幾何精度，然后進(jìn)行輻射校正。使用中值濾波、降低噪聲、主成分變換、全色銳化等進(jìn)行圖像增強(qiáng)處理，提高目視效果。

由于高光譜數(shù)據(jù)信息較多，包含176個波段信息，如果將全部波段信息進(jìn)行后續(xù)分析，工作量大，耗時、效率低，因此先對影像進(jìn)行主成分分析，旨在利用降維的思想，把高光譜數(shù)據(jù)信息量轉(zhuǎn)化為少數(shù)幾個綜合指標(biāo)，進(jìn)行信息壓縮。通過主成分分析結(jié)果的信息含量，前10個主成分的信息含量為97.35% (圖2)，損失少，包含絕大部分原始信息。因此，研究區(qū)高光譜影像保留前10個主成分的波段，分別為波段23、48、75、88、140～144和147，相應(yīng)的波長分別為468.8、550.8、641.6、686.2、870.1、873.7、877.3、880.9、884.6和895.5 nm。以此數(shù)據(jù)作為分類數(shù)據(jù)，進(jìn)行薇甘菊信息提取。

圖2 高光譜影像主成分分析

在無人機(jī)影像中選取均勻分布的83個樣點(圖3)，于2019年11月15日對樣點進(jìn)行人工實地調(diào)查，精確確定每個樣點的實際地物類別。

2.2 提取方法

圖3 樣點分布

支持向量機(jī)(SVM) SVM是建立在計算學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險最小化原則之上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，以求獲得最好的推廣能力。主要思想是針對兩類分類問題，在高維空間中尋找一個超平面作為兩類的分割，以保證最小的分類錯誤率。其主要的優(yōu)點就是在有限樣本下，得到最優(yōu)解，并且避免了局部極值問題[27–28]。本研究對研究區(qū)內(nèi)的薇甘菊建立感興趣區(qū)，使用ENVI 5.3軟件進(jìn)行監(jiān)督分類，選擇SVM分類方法。SVM分類方法利用核函數(shù)解決低維空間向量映射到高維空間將會增加的計算復(fù)雜度問題，因此不同的內(nèi)積核函數(shù)代表不同的分類方法，本研究的內(nèi)積核函數(shù)選用徑向基核函數(shù)(radial basis function)。

隨機(jī)森林(RF) RF算法是一種基于分類和回歸樹的多決策樹分類器[29]，通過集成學(xué)習(xí)的思想將多棵樹集成的一種算法，它的基本單元是決策樹，而它的本質(zhì)屬于機(jī)器學(xué)習(xí)的一大分支。首先,從原始的數(shù)據(jù)集中采取有放回的抽樣，構(gòu)造子數(shù)據(jù)集，子數(shù)據(jù)集的數(shù)據(jù)量和原始數(shù)據(jù)集是相同的。不同子數(shù)據(jù)集的元素可以重復(fù)，同1個子數(shù)據(jù)集中的元素也可以重復(fù)；第二，利用子數(shù)據(jù)集來構(gòu)建子決策樹，將這個數(shù)據(jù)放到每個子決策樹中，每個子決策樹輸出1個結(jié)果；最后，如果有了新的數(shù)據(jù)需要通過隨機(jī)森林得到分類結(jié)果，而最終的分類結(jié)果是由所有決策樹投票來決定，得票最多的成員將會被選中。使用ENVI 5.3軟件Random Forest Classification工具[30]，得到基于隨機(jī)森林方法的薇甘菊分布區(qū)域。

2.3 模型精度評價

3 結(jié)果和分析

3.1 基于深度學(xué)習(xí)提取的分布影像

對研究區(qū)薇甘菊進(jìn)行標(biāo)記獲取樣本數(shù)據(jù)，隨機(jī)選取80%組建訓(xùn)練數(shù)據(jù)集，隨機(jī)選取20%作為驗證數(shù)據(jù)集[33]。分類實驗在MATLAB (MathWorks公司，美國)平臺上進(jìn)行，對影像進(jìn)行迭代運(yùn)算，得最終最優(yōu)次數(shù)為200。從訓(xùn)練過程圖可見(圖4: A)，模型訓(xùn)練過程中，在迭代200次之前l(fā)oss迅速下降，然后快速收斂于0.3；訓(xùn)練和驗證accuracy曲線在迭代200次以后逐漸趨于平穩(wěn)，表明在模型訓(xùn)練效果較好(圖4: B)。分析迭代過程圖驗證loss曲線和驗證accuracy曲線，發(fā)現(xiàn)同樣快速發(fā)生收斂，表明模型訓(xùn)練過程沒有發(fā)生過擬合的現(xiàn)象，因此模型訓(xùn)練情況較好。

圖4 訓(xùn)練過程

圖5為基于DL的薇甘菊分布提取結(jié)果，可見薇甘菊主要集中分布在植被較為稀疏的區(qū)域，植被茂盛區(qū)域較少。薇甘菊分布樣點提取制圖精度和用戶精度均高于非薇甘菊分布樣點，2樣點的制圖精度分別為96.61%和87.50%，用戶精度分別為95.00%和91.30% (表1)。

3.2 基于SVM提取的分布影像

圖6為基于SVM的薇甘菊分布影像提取結(jié)果，同樣，薇甘菊分布樣點的提取制圖精度高于非薇甘菊分布樣點，2樣點的制圖精度分別為92.45%和63.33%，用戶精度分別為81.67%和82.61% (表1)。

圖5 基于深度學(xué)習(xí)提取的薇甘菊分布圖

表1 3種方法提取的薇甘菊分布精度

3.3 基于RF提取的分布影像

從基于RF提取的薇甘菊分布影像來看(圖7),薇甘菊分布樣點提取的制圖精度和用戶精度均高于非薇甘菊分布樣點，2樣點的制圖精度分別為94.83%和80.00%，用戶精度分別為91.67%和86.96% (表1)。

3.4 對比分析

DL、SVM和RF方法均能識別出薇甘菊的聚集區(qū)域，主要分布在植被稀疏區(qū)。將基于SVM、RF和DL的局部區(qū)域進(jìn)行ArcgGIS疊加分析(圖8)，結(jié)果表明，SVM方法對零散分布的薇甘菊識別能力較差，DL方法則能較好識別出零散分布的薇甘菊。RF方法對零散分布的薇甘菊識別能力與DL相仿,均能很好地識別出零散分布的薇甘菊。比較3種方法的精度，DL的制圖精度和用戶精度最高，達(dá)到比較理想的結(jié)果。薇甘菊在遙感影像中表現(xiàn)為綠色夾雜白色，邊界呈不規(guī)則分布，經(jīng)人工實地調(diào)查,3種方法在薇甘菊分布提取中將草地錯分為薇甘菊的現(xiàn)象較為突出，主要是因為薇甘菊呈現(xiàn)零散分布時和草地特征極為相似，邊界不明顯。

圖6 基于SVM提取的薇甘菊分布圖

圖7 基于RF提取的薇甘菊分布圖

圖8 基于深度學(xué)習(xí)、支持向量機(jī)和隨機(jī)森林提取的薇甘菊分布疊加分析圖

4 結(jié)論和討論

本研究利用無人機(jī)高光譜遙感影像，結(jié)合DL、SVM和RF方法進(jìn)行薇甘菊的光譜信息提取，結(jié)果表明，3種方法均有效實現(xiàn)了薇甘菊的分布提取，以DL方法的提取效果最佳，制圖精度和用戶精度分別為96.61%和95.00%；其次為RF和SVM方法；3種方法均能很好地反映出薇甘菊集中分布區(qū)域，DL和RF方法對零散分布薇甘菊的識別效果優(yōu)于SVM。

目前有關(guān)薇甘菊分布的遙感解譯主要以遙感衛(wèi)星和無人機(jī)的高分辨率影像為主，兩者相比，無人機(jī)高分辨率影像數(shù)據(jù)在可獲取性、便捷程度均優(yōu)于遙感影像。在方法方面，DL、RF方法適用于本研究，但并不意味著DL方法就一定優(yōu)于SVM，由于本文的研究重點為薇甘菊分布的遙感影像提取，主要注重于薇甘菊樣本的選擇。本研究在SVM方法的監(jiān)督分類過程中，結(jié)合實地調(diào)查選擇薇甘菊像元，由于零散分布的薇甘菊像元特征與其他地物特征存在重疊現(xiàn)象，為保證薇甘菊的識別精度，主要選取了集聚薇甘菊的像元。而根據(jù)云南省的薇甘菊分布研究，薇甘菊的分布與海拔、坡向、光照、坡位、坡度、溫度、土地利用、人為影響、森林資源分布等環(huán)境數(shù)據(jù)息息相關(guān)，要想加強(qiáng)薇甘菊的監(jiān)測和防控，還需要深入研究其與環(huán)境要素的關(guān)聯(lián)[6]。同時，目前的薇甘菊監(jiān)測研究大多是基于當(dāng)年薇甘菊開花期(通常為10-12月)，薇甘菊在開花季節(jié)的顏色以及紋理異于其他植被，因此進(jìn)行薇甘菊遙感監(jiān)測時的遙感影像集中于開花季節(jié)拍攝。目前，薇甘菊非開花期及長時間序列的監(jiān)測研究較少，不利于研究薇甘菊的擴(kuò)散機(jī)制。

根據(jù)無人機(jī)高光譜影像提取結(jié)果可得到薇甘菊入侵的具體位置，相較傳統(tǒng)的人工調(diào)查更方便快捷，為監(jiān)測薇甘菊提供了新方法、新思路。本研究從薇甘菊無人機(jī)高光譜遙感影像中取得了較好的結(jié)果，后續(xù)研究可從以下方面開展：(1) 薇甘菊開花期的遙感影像，對其他生長階段是否適用？(2) DL、SVM和RF方法能很好地提取德宏州的薇甘菊分布信息，是否適用于其他地區(qū)？

[1] HOLM L G, PLUCKNETT D L, PANCHO J V, et al. The World’s Worst Weeds: Distribution and Biology [M]. Honolulu, USA: University Press of Hawaii, 1977: 320.

[2] TAI H K, GU Z L, XU Y C, et al. Recent advance in quarantinable weedH. B. K. [J]. J Agric Catastrophol, 2011, 1(2): 59–62. doi: 10.19383/j.cnki.nyzhyj.2011.02.016.

太紅坤, 顧中量, 徐云川, 等. 檢疫性雜草薇甘菊的研究進(jìn)展 [J]. 農(nóng)業(yè)災(zāi)害研究, 2011, 1(2): 59–62. doi: 10.19383/j.cnki.nyzhyj.2011. 02.016.

[3] LOWE S, BROWNE M, BOUDJELAS S, et al. 100 of the World’s Worst Invasive Alien Species [M]. Auckland, New Zealand: IUCN/ SSC Invasive Species Specialist Group (ISSG), 2000: 1–12.

[4] DAY M D, KAWI A, KURIKA K, et al.Kunth (Asteraceae) (Mile-a-Minute): Its distribution and physical and socio- economic impacts in Papua New Guinea [J]. Pacif Sci, 2012, 66(2): 213–223. doi: 10.2984/66.2.8.

[5] QIU L, YANG Z G, CHEN W, et al. Forecasting analysis potential space distribution ofin Guangzhou [J]. J CS Univ For Technol, 2010, 30(5): 128–133. doi: 10.14067/j.cnki.1673-923x. 2010.05.016.

邱羅, 楊志高, 陳偉, 等. 廣州薇甘菊潛在空間分布預(yù)測分析 [J]. 中南林業(yè)科技大學(xué)學(xué)報, 2010, 30(5): 128–133. doi: 10.14067/j.cnki. 1673-923x.2010.05.016.

[6] LI Y Q, JI M, LIU L, et al. Progress in prevention and control ofa in Yunnan forestland [J]. J Biosafety, 2019, 28(1): 1–6.

李云琴, 季梅, 劉凌, 等. 云南省林地薇甘菊防控研究進(jìn)展 [J]. 生物安全學(xué)報, 2019, 28(1): 1–6.

[7] ZAN Q J, WANG Y J, WANG B S, et al. The distribution and harm of the exotic weed[J]. Chin J Ecol, 2000, 19(6): 58– 61,77. doi: 10.13292/j.1000-4890.2000.0095.昝啟杰, 王勇軍, 王伯蓀, 等. 外來雜草薇甘菊的分布及危害 [J]. 生態(tài)學(xué)雜志, 2000, 19(6): 58–61,77. doi: 10.13292/j.1000-4890.2000.0095.

[8] ZHONG X Q, HUANG Z, SI H, et al. Analysis of ecological-economic loss caused by weedon Neilingding Island, Shen- zhen, China [J]. J Trop Subtrop Bot, 2004, 12(2): 167–170. doi: 10. 3969/j.issn.1005-3395.2004.02.012.

鐘曉青, 黃卓, 司寰, 等. 深圳內(nèi)伶仃島薇甘菊危害的生態(tài)經(jīng)濟(jì)損失分析 [J]. 熱帶亞熱帶植物學(xué)報, 2004, 12(2): 167–170. doi: 10. 3969/j.issn.1005-3395.2004.02.012.

[9] HE D B, KE S X, ZHOU P Y, et al. Research on distribution pattern and control policies ofKunth in Dehong Prefecture [J]. CS For Invent Plan, 2016, 35(4): 35–41. doi: 10.16166/j.cnki.cn43- 1095.2016.04.008.

賀東北, 柯善新, 周平陽, 等. 德宏州薇甘菊分布規(guī)律與防控策略研究 [J]. 中南林業(yè)調(diào)查規(guī)劃, 2016, 35(4): 35–41. doi: 10.16166/j. cnki.cn43-1095.2016.04.008.

[10] XU X W, ZE S Z, YANG B, et al. Research status ofbiological control and resource utilization [J]. Chin J Trop Agric, 2014, 34(12): 75–84. doi: 10.3969/j.issn.1009-2196.2014.12.019.

徐小偉, 澤桑梓, 楊斌, 等. 薇甘菊的分布危害、生物防治及資源化利用研究現(xiàn)狀與展望 [J]. 熱帶農(nóng)業(yè)科學(xué), 2014, 34(12): 75–84. doi: 10.3969/j.issn.1009-2196.2014.12.019.

[11] ZE S Z, JI M, YAN Z L, et al. Preliminary report ofjeopardize status on Burma Road [J]. For Invent Plan, 2012, 37(5): 67–70,74. doi: 10.3969/j.issn.1671-3168.2012.05.017.

澤桑梓, 季梅, 閆爭亮, 等. 滇緬公路薇甘菊危害狀況調(diào)查初報 [J]. 林業(yè)調(diào)查規(guī)劃, 2012, 37(5): 67–70,74. doi: 10.3969/j.issn.1671-3168. 2012.05.017.

[12] HU J, LIN H, SUN H, et al. Precise extraction ofinformation based on WorldView-2 data [J]. J CS Univ For Technol, 2015, 35(1): 42–49. doi: 10.14067/j.cnki.1673-923x.2015.01.009.

胡佳, 林輝, 孫華, 等. 基于WorldView-2的薇甘菊信息精細(xì)提取[J]. 中南林業(yè)科技大學(xué)學(xué)報, 2015, 35(1): 42–49. doi: 10.14067/j.cnki. 1673-923x.2015.01.009.

[13] LIU S, LIN H, SUN H, et al. Information extraction ofbased on Pleiades-1 data [J]. J CS Univ For Technol, 2014, 34(11): 116–119. doi: 10.3969/j.issn.1673-923X.2014.11.023.

柳帥, 林輝, 孫華, 等. 基于Pleiades-1衛(wèi)星數(shù)據(jù)薇甘菊信息提取 [J]. 中南林業(yè)科技大學(xué)學(xué)報, 2014, 34(11): 116–119. doi: 10.3969/j. issn.1673-923X.2014.11.023.

[14] BRADLEY B A. Remote detection of invasive plants: A review of spectral, textural and phenological approaches [J]. Biol Invasions, 2014, 16(7): 1411–1425. doi: 10.1007/s10530-013-0578-9.

[15] ALVAREZ-TABOADA F, PAREDES C, JULIáN-PELAZ J. Mapping of the invasive speciesusing unmanned aerial vehicle (UAV) and WorldView-2 imagery and an object-oriented approach [J]. Remote Sens, 2017, 9(9): 913. doi: 10.3390/rs9090913.

[16] CHEN L, LIN H, SUN H. Remote sensing of ainvasion in alien species with WordView-2 images [J]. J Zhejiang Agric For Univ, 2014, 31(2): 185–189. doi: 10.11833/j.issn.2095-0756.2014. 02.004.

陳利, 林輝, 孫華. 基于WorldView-2影像的外來物種薇甘菊入侵遙感監(jiān)測 [J]. 浙江農(nóng)林大學(xué)學(xué)報, 2014, 31(2): 185–189. doi: 10. 11833/j.issn.2095-0756.2014.02.004.

[17] LIU Z W, LIU S Q, XIE J J. Research on refinement terrain surface features classification based on hyperspectral image of UAV [J]. Mod Inform Technol, 2020, 4(10): 1–4,7. doi: 10.19850/j.cnki.2096-4706. 2020.10.001.

柳宗偉, 劉勝前, 謝佳君. 基于無人機(jī)高光譜影像的精細(xì)地物分類的研究 [J]. 現(xiàn)代信息科技, 2020, 4(10): 1–4,7. doi: 10.19850/j.cnki. 2096-4706.2020.10.001.

[18] LIU Y J, ZHANG G, WANG X, et al. Classification study ofKunth. from UAV hyperspectral image band selection [J]. Bull Surv Map, 2020(4): 34–39,52. doi: 10.13474/j.cnki.11-2246.2020. 0108.

劉彥君, 張貴, 王瀟, 等. 基于無人機(jī)高光譜影像波段選擇的薇甘菊分類 [J]. 測繪通報, 2020(4): 34–39,52. doi: 10.13474/j.cnki.11- 2246.2020.0108.

[19] GUO C C. Research on the classification method of land use type based on UAV remote sensing in irrigation district [D]. Yangling: Northwest Agricultrual & Forestry University, 2016: 2–5.

郭聰聰. 基于無人機(jī)遙感的灌區(qū)土地利用類型分類方法研究 [D]. 楊凌: 西北農(nóng)林科技大學(xué), 2016: 2–5.

[20] SUN Z Y, JING W L, QIAO X, et al. Identification and monitoring of bloomingoutbreak points based on UAV remote sensing [J]. Trop Geo, 2019, 39(4): 482–491. doi: 10.13284/j.cnki.rddl. 003153.

孫中宇, 荊文龍, 喬曦, 等. 基于無人機(jī)遙感的盛花期薇甘菊爆發(fā)點識別與監(jiān)測[J]. 熱帶地理, 2019, 39(4): 482–491. doi: 10.13284/j. cnki.rddl.003153.

[21] FU X Y, ZE S Z, ZHOU X, et al. Study on potential suitable area ofin Yunnan Province based on GIS [J]. J W China For Sci, 2015, 44(1): 98–102. doi: 10.16473/j.cnki.xblykx1972.2015.01.010.

付小勇, 澤桑梓, 周曉, 等. 基于GIS的云南省薇甘菊潛在適生區(qū)研究 [J]. 西部林業(yè)科學(xué), 2015, 44(1): 98–102. doi: 10.16473/j.cnki. xblykx1972.2015.01.010.

[22] ZHANG G Y, YANG J H, BI S B, et al. Invasive weedmonitoring and risk analysis in Dehong [J]. Chin Agric Sci Bull, 2015, 31(15): 187–192. 張國云, 楊俊華, 畢生斌, 等. 德宏州入侵雜草薇甘菊調(diào)查監(jiān)測及風(fēng)險分析 [J]. 中國農(nóng)學(xué)通報, 2015, 31(15): 187–192.

[23] GAO L, YANG G J, WANG B S, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery [J]. Chin J Eco-Agric, 2015, 23(7): 868–876. doi: 10.13930/j.cnki.cjea.150018.

高林, 楊貴軍, 王寶山, 等. 基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究 [J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2015, 23(7): 868–876. doi: 10. 13930/j.cnki.cjea.150018.

[24] BOONPOOK W, TAN Y M, YE Y H, et al. A deep learning approach on building detection from unmanned aerial vehicle-based images in riverbank monitoring [J]. Sensors, 2018, 18(11): 3921. doi: 10.3390/s 18113921.

[25] TAYLOR M A P. Critical transport infrastructure in urban areas: Impacts of traffic incidents assessed using accessibility-based network vulnerability analysis [J]. Growth Change, 2008, 39(4): 593–616. doi: 10.1111/j.1468-2257.2008.00448.x.

[26] HU M Y. The study of tree species identification based on deeping learning method [D]. Lin’an: Zhejiang Agriculture & Forestry University, 2019: 24.

胡明越. 基于深度學(xué)習(xí)的樹種識別算法研究 [D]. 臨安: 浙江農(nóng)林大學(xué), 2019: 24.

[27] ZHANG R, MA J W. State of the art on remotely sensed data classi- fication based on support vector machines [J]. Adv Earth Sci, 2009, 24(5): 555–562. doi: 10.3321/j.issn:1001-8166.2009.05.012.

張睿, 馬建文. 支持向量機(jī)在遙感數(shù)據(jù)分類中的應(yīng)用新進(jìn)展 [J]. 地球科學(xué)進(jìn)展, 2009, 24(5): 555–562. doi: 10.3321/j.issn:1001-8166. 2009.05.012.

[28] ZANG S Y, ZHANG C, ZHANG L J, et al. Wetland remote sensing classification using support vector machine optimized with genetic algorithm: A case study in Honghe nature national reserve [J]. Sci Geol Sin, 2012, 32(4): 434–441. doi: 10.13249/j.cnki.sgs.2012.04.006.

臧淑英, 張策, 張麗娟, 等. 遺傳算法優(yōu)化的支持向量機(jī)濕地遙感分類——以洪河國家級自然保護(hù)區(qū)為例 [J]. 地理科學(xué), 2012, 32(4): 434–441. doi: 10.13249/j.cnki.sgs.2012.04.006.

[29] ZHOU Z L, SHA J M, FAN Y X, et al. Remote sensing land usage classification and landscape pattern analysis based on random forest [J]. Comput Syst Appl, 2020, 29(2): 40–48. doi: 10.15888/j.cnki.csa.007228.

周正龍, 沙晉明, 范躍新, 等. 基于隨機(jī)森林的遙感土地利用分類及景觀格局分析 [J]. 計算機(jī)系統(tǒng)應(yīng)用, 2020, 29(2): 40–48. doi: 10. 15888/j.cnki.csa.007228.

[30] VAN DER LINDEN S, RABE A, HELD M, et al. The EnMAP-box: A toolbox and application programming interface for EnMAP data processing [J]. Remote Sens, 2015, 7(9): 11249–11266. doi: 10.3390/rs 70911249.

[31] LI Y Z, PAN Y Z, ZHU X F, et al. Comparison analysis on land cover area estimators: Confusion matrix calibration and regression [J]. Trans Chin Soc Agric Eng, 2013, 29(11): 115–123. doi: 10.3969/j.issn.1002- 6819.2013.11.015.

李宜展, 潘耀忠, 朱秀芳, 等. 土地覆蓋類別面積混淆矩陣校正與回歸遙感估算方法對比 [J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(11): 115–123. doi: 10.3969/j.issn.1002-6819.2013.11.015.

[32] QI L, ZHAO C J, LI C J, et al. Accuracy of winter wheat identification based on multi-temporal CBERS-02 images [J]. Chin J Appl Ecol, 2008, 19(10): 2201–2208.

齊臘, 趙春江, 李存軍, 等. 基于多時相中巴資源衛(wèi)星影像的冬小麥分類精度 [J]. 應(yīng)用生態(tài)學(xué)報, 2008, 19(10): 2201–2208.

[33] TENG W X, WEN X R, WANG N, et al. Tree species classification and mapping based on deep transfer learning with unmanned aerial vehicle high resolution images [J]. Laser Optoelectr Prog, 2019, 56(7): 072801.

滕文秀, 溫小榮, 王妮, 等. 基于深度遷移學(xué)習(xí)的無人機(jī)高分影像樹種分類與制圖 [J]. 激光與光電子學(xué)進(jìn)展, 2019, 56(7): 072801.

Distribution Extraction ofBased on UAV Hyperspectral Image: A Case Study in Dehong, Yunnan Province, China

LIU Xuelian1,2, SHI Lei1*, LI Yuchen3, LIU Mengying1, YAO Jun1, MA Yunqiang4, YANG Xubing2

(1. Research Institute of Resource Insects, Chinese Academy of Forestry, Kunming 650223, China; 2. College of Information Science and Technology, Nanjing Forestry University, Nanjing 210037, China; 3. School of Geography, South China Normal University,Guangzhou 510631, China; 4. College of Biodiversity Conservation, Southwest Forestry University, Kunming 650223, China)

As a highly dangerous alien species,has become a serious threat to the ecosystem health and biodiversity of invasive sites. In order to effectively control its invasion, and grasp its spatial distribution and dynamic change, its distribution in Dehong Prefecture, Yunnan Province was extracted by deep learning (DL), support vector machine (SVM) and random forest (RF) methods based on UAV hyperspectral data. The results showed that three methods could effectively extract the distribution of, in which DL method had the best extraction effect with mapping accuracy and user accuracy of 96.61% and 95.00%, respectively, followed by the RF method with those of 94.83% and 91.67%, and the SVM method with those of 92.45% and 81.67%. All three methods could well extract the concentrated distribution areas of, the methods of DL and RF were better than SVM in identification of fragmented distribution of. Therefore, UAV hyperspectral images would provide supports and basis for the monitoring, early warning and precise control ofinvasion, which was of great significance to protect the security of local ecosystems.

; UAV remote sensing; Deep learning; Support vector machine; Random forest

10.11926/jtsb.4386

2021-01-21

2021-04-16

云南省產(chǎn)業(yè)技術(shù)領(lǐng)軍人才計劃項目；林業(yè)公益性行業(yè)科研專項經(jīng)費(201504305)資助

This work was supported by the Project for Leading Talents of Industrial Technology in Yunnan, and the Special Fund for Scientific Research of Forestry Public Welfare Industry (Grant No. 201504305).

劉雪蓮(1992～ )，女，主要從事生態(tài)學(xué)研究。E-mail: ynliuxl@163.com

通信作者Corresponding author. E-mail: leishi@139.com