無人機高光譜影像在樹種分類識別中的應(yīng)用研究

呂 翔

（三和數(shù)碼測繪地理信息技術(shù)有限公司，甘肅 天水 741000）

相比常規(guī)的實地勘測，無人機高光譜影像能夠有效提升林業(yè)生態(tài)系統(tǒng)監(jiān)測效率。近年來，部分學者嘗試在森林樹種分類中使用高光譜數(shù)據(jù)和激光雷達，取得了較為理想的效果，但是在研究中需要投入較高的成本，一定程度上限制了其應(yīng)用前景[1]。而高光譜影像不但能夠完成植被信息的有效挖掘，還擁有低成本、高效率、高空間分辨率、操作方便等優(yōu)點[2-4]。

1 研究區(qū)數(shù)據(jù)及預(yù)處理

1.1 研究區(qū)概述

研究區(qū)種植的主要是防風固沙林，結(jié)合當?shù)氐倪m生植物類型和地理條件，在當?shù)夭扇×藛棠?、灌木和草類相結(jié)合的林分形式。出于保護耕地和固定沙地的目的，在道路兩旁種植了混合闊葉林和榆樹林，其擁有草本層、灌木層、喬木層的垂直結(jié)構(gòu)，研究區(qū)總面積約451 km2。研究區(qū)屬于暖溫帶大陸性干旱荒漠氣候，擁有300 m~500 m的海拔以及平坦的地勢，喬木樹種主要為梭梭、胡楊、沙棗、新疆楊、榆樹等，林下植被主要為雜灌。在本次研究中筆者將以沙棗、胡楊、新疆楊、榆樹作為研究對象。

1.2 無人機概況

在本次研究中將使用Matrice600型六旋翼無人機作為工具，這種無人機可以在8 m/s的風速下正常飛行，最大可以達到18 m/s的飛行速度，能夠做到約20 min的連續(xù)飛行，擁有5 km的最大航程，與RONIN-MX型多功能云臺適配。使用Rikola型高光譜成像儀（芬蘭SENOP公司）作為高光譜傳感器，其利用了框幅式成像方式。這種成像光譜儀擁有較小的體積和質(zhì)量，能夠同時滿足手持和無人機搭載測量的需求，其擁有500 nm~900 nm的默認光譜范圍，波段最多可以達到380個，研究人員可以與數(shù)據(jù)采集要求相結(jié)合對波段數(shù)和光譜范圍進行合理調(diào)整。

1.3 獲取高光譜數(shù)據(jù)

在2021年10月23日獲取影像，設(shè)置200 m的無人機飛行高度。為了使相機參數(shù)需求、飛行高度需求以及影像高分辨率需求得到有效滿足，在本次研究中將進行42個波段的設(shè)置，這些波段擁有10 nm左右的間隔，設(shè)置82%的航向重疊率、80%的旁向重疊率以及0.12 m的空間分辨率，同時完成4塊地面輻射標靶的設(shè)置，分別擁有3%、22%、48%、64%的反射率，從而為后期校正影像輻射提供便利。

1.4 調(diào)查地面數(shù)據(jù)

要想使高光譜影像更加準確地標注樣本數(shù)據(jù)，就需要調(diào)查研究區(qū)的實際情況，與研究區(qū)林分的實際情況相結(jié)合。本次研究中在研究區(qū)內(nèi)選取了3個典型區(qū)域作為研究樣本。調(diào)查時間為獲取影像的兩天前，在開展采樣工作時采樣點的位置信息是通過便攜式GPS設(shè)備完成記錄的，在各個樣地中完成單棵樹木樹種情況的記錄。在完成調(diào)查工作后，在Excel中記錄和整理原始數(shù)據(jù)，在采樣工作中共完成40個樣本點樹種類型數(shù)據(jù)的獲取[5]。樹種主要為胡楊、榆樹、沙棗、新疆楊等。

2 研究方法

首先，有效地處理高光譜影像，并且建立分類特征集，利用SVM-RFE算法完成原始波段最佳組合的選取，再與數(shù)理統(tǒng)計特征、紋理特征、植被指數(shù)相結(jié)合完成新影像分類特征的構(gòu)建。其次，合理利用RF算法分析各個特征的重要性，在充分考慮分類精度的基礎(chǔ)上，將重要性靠后的特征排除。最后，完成4種分類方案的構(gòu)建，并且評價影像分類的精度，完成不同分類器分類效果的對比。

2.1 原始最佳波段組合選擇

當存在不同的樹種樣本數(shù)量和較少的訓練樣本時，分類器的精確性會降低。要想有效避免這種問題，需要深入挖掘高光譜影像的特征。在這個過程中最佳指數(shù)因子選擇法（OIF）得到了較為廣泛的應(yīng)用，這種算法能夠?qū)Ω鞑ǘ伍g的相關(guān)性和單波段影像信息量進行綜合考慮，與波段選擇原則相貼合，能夠取得較為準確的計算效果[6]。但是在本次研究中筆者將嘗試使用SVM-RFE算法完成原始最佳波段組合選擇，其主要原理就是通過同一模型完成多次訓練，并且在每次訓練中將權(quán)重較低的特征移除，再與新的特征相結(jié)合完成后續(xù)訓練，直至對選擇的特征足夠滿意為止。

2.2 構(gòu)建植被指數(shù)特征

高光譜影像除了包括連續(xù)的地物光譜信息外，其中的地物空間分布信息也非常豐富，若是在樹種分類時只以光譜信息作為特征，很難準確地分析高光譜圖像。在本次研究中筆者將通過構(gòu)建灰度共生矩陣，在空間信息中融入紋理特征，從而使高光譜影像的空間特征得到準確體現(xiàn)[7]。

2.3 優(yōu)化分類特征

優(yōu)化分類特征就是選擇擁有較高重要性的特征變量。在訓練過程中從未使用過的樣本被稱為帶外（OOB）數(shù)據(jù)，有效利用這類數(shù)據(jù)能夠準確計算特征變量的重要性，評價分類結(jié)果的精度。在本次研究中筆者將通過樹數(shù)量的改變開展反復(fù)實驗，在實驗中完成特征重要性得分的記錄，然后根據(jù)分類總體精度將冗余的特征變量去除。

3 研究結(jié)果

3.1 原始最佳波段組合

這一階段的研究對象為研究區(qū)內(nèi)的優(yōu)勢樹種，分別使用上文提到的SVM-RFE算法和OIF法選擇原始最佳波段組合。

在完成預(yù)處理后，無人機擁有42個波段的高光譜數(shù)據(jù)，完成所有波段組合OIF指數(shù)的計算，選擇指數(shù)較大的波段組合20個，具體情況如表1所示。在本研究的原始波段組合中選取OIF值在前20的波段組合，分別選擇了1、2、3、4、5、6、35、36、37、38、42序號的波段共11個。在選擇原始最佳波段組合時利用OIF算法需要較長的計算時間并且擁有較高的計算難度。通過分析表1可知，有兩極分化的情況存在于選擇波段中，具體在近紅外波段和藍光波段較為集中，并未選擇紅色波段和綠色波段，導致大量原始信息丟失。

表1 OIF指數(shù)排名

而利用SVM-RFE算法能夠選擇17個原始波段，有效地組合所選的波段，分別選擇了1、2、3、8、11、13、17、20、21、23、26、28、31、35、36、40、42序號的波段。這種方法能夠在整個范圍內(nèi)有效地選擇波段，不但擁有更加均勻的波段選擇，并且還擁有相對較小的計算量[8]。對比原始42個波段榆樹光譜響應(yīng)曲線和上述兩種方法選擇的榆樹光譜響應(yīng)曲線，得到如圖1所示的結(jié)果。

通過分析圖1可以發(fā)現(xiàn)，在榆樹光譜響應(yīng)曲線方面，與原始42波段相比，SVM-RFE算法選擇的波段特征組合只存在較小的差異，擁有較好的曲線擬合情況，使原始光譜特征得到了較大程度的保留。結(jié)合兩種方法選取的最佳波段組合，得出了如表2所示的分類結(jié)果，與原始全波段相比，OIF法選取的原始波段組合明顯擁有更低的Kappa系數(shù)和總體分類精度；與原始全波段相比，SVM-RFE算法幾乎擁有相同的Kappa系數(shù)和總體分類精度。所以在選擇高光譜數(shù)據(jù)原始最佳波段組合時應(yīng)該使用SVM-RFE算法。

表2 對比原始階段選擇分類結(jié)果

圖1 榆樹光譜響應(yīng)曲線對比

3.2 分析特征變量重要性和選擇特征

通過分析隨機森林的OOB誤差可以明確分布特征變量重要性的情況，具體情況如圖2所示，得分越高證明這一特征越重要，這一變量就能在越大程度上幫助和影響分類結(jié)果。通過決策樹數(shù)量的改變可以發(fā)現(xiàn)當擁有2 000決策樹數(shù)量時，基本不會改變特征變量的重要性排序。所以，以2 000RF決策樹數(shù)量的結(jié)果作為分析特征重要性的結(jié)果。由圖2可知，數(shù)理統(tǒng)計特征和植被指數(shù)特征都擁有較高的重要性得分，其中重要性排名第一的是綠色比值植被指數(shù)，這是因為研究區(qū)大部分樹種都是榆樹，同時樹木擁有良好的生長情況，包含較高的葉綠素含量，所以在近紅外波段擁有較高的反射率[9]。其他數(shù)理統(tǒng)計特征和植被指數(shù)特征均排在前20%，說明在樹種分類中使用筆者構(gòu)建的植被指數(shù)特征能夠獲得非常準確的分類結(jié)果。因為在本次研究中使用獨立主成分分析的前3個主成分作為數(shù)理統(tǒng)計特征，其信息量達到了原數(shù)據(jù)的95%以上，所以擁有較高的重要性得分。

圖2 特征變量重要性得分

紋理特征普遍擁有較低的重要性，出現(xiàn)這種現(xiàn)象可能是由于在分析主成分后，對于排名較低的紋理特征來說，其只包含較少的原始數(shù)據(jù)信息。在RF分類器中由高到低分別輸入特征的重要性排序和數(shù)量，并且完成混淆矩陣的建立，分析與評價分類結(jié)果，以Kappa系數(shù)和總體分類精度為評價指標。結(jié)果證明，在1~11特征變量數(shù)中分類精度得到了明顯提升，Kappa系數(shù)為0.93，分類總體精度為94.73%。在11特征變量數(shù)以后正在緩慢提升分類精度，但是提升幅度較小。在28個波段時其擁有最高的分類精度，Kappa系數(shù)為0.947 5，分類總體精度為95.53%。在融入紋理特征后，會緩慢降低分類精度，證明在擁有過多的特征變量后，可能導致數(shù)據(jù)中出現(xiàn)過擬合和冗余的現(xiàn)象，最終決定在分類器中輸入重要性排名前85%的特征變量。

3.3 對比不同分類器分類效果

本次研究使用的優(yōu)選特征為28個，在訓練樣本相同的情況下，樹種分類分別利用RF、SVM以及MLC分類器。通過分析分類結(jié)果可以發(fā)現(xiàn)，3種分類器在樹種分類的過程中都存在一定程度的錯分和混分問題。其中，擁有最低分類精度的樹種為沙棗，特別是在SVM和MLC中存在比較多的沙棗和榆樹混分現(xiàn)象。可能是由于研究區(qū)內(nèi)只存在較少數(shù)量的沙棗，其擁有較多的側(cè)斜枝和較大的樹冠，導致其在圖像中擁有較強的光譜信息。當與榆樹混合種植時，二者將擁有相似的光譜特征，導致分類難度提升，進而出現(xiàn)較多的榆樹與沙棗混分現(xiàn)象。

在紋理、光譜特征方面，長勢旺盛的胡楊和新疆楊之間的差異較小，分辨難度較高，所以有輕微的混分現(xiàn)象在兩者之間存在。研究區(qū)被低矮的棉花田包圍，其在圖像中只擁有較弱的光譜信息，與研究區(qū)中灌木的差異較小，所以也存在少量的灌木和棉花田混分現(xiàn)象。

出于對研究區(qū)總體效應(yīng)的考慮，在種植過程中會混合種植灌木與特定的樹木，所以在研究區(qū)中有大量的灌木，導致樹種精細分類的難度進一步提升。另外，本次研究是在深秋季節(jié)采集高光譜影像，很多植被已經(jīng)存在枯萎的情況，在高光譜影像中并沒有識別出所有已經(jīng)死亡或枯萎的沙棗和胡楊，對制圖精度產(chǎn)生了不良影響。在3種算法中都有椒鹽噪聲存在，只是其程度存在差異，這種現(xiàn)象存在是由于本次研究中使用的傳感器擁有較高的空間分辨率。

本次研究結(jié)果表明，RF分類器擁有最高的分類精度，可以達到95.93%的總體分類精度；MLC分類器擁有最低的分類精度，只能夠達到88.70%的總體分類精度。相比于SVM分類器，RF分類器提高了1.32%的總體精度，0.024 1的Kappa系數(shù)；相比于MLC分類器，RF分類器提高了6.83%的總體精度，0.096 7的Kappa系數(shù)。研究區(qū)內(nèi)大部分樹種都能夠達到80%以上的UA和PA。對單個樹種的分類精度進行分析，相比于MLC分類器，RF分類器能夠使榆樹和白楊錯分和漏分的概率得到有效降低；相比于SVM分類器，RF分類器能夠使沙棗和胡楊錯分和漏分的概率得到有效降低，較高的UA和PA使這一結(jié)論得到證實。

本次研究結(jié)果表明，與僅利用光譜特征分類相比，在分類特征中融入數(shù)理統(tǒng)計特征、植被指數(shù)特征以及紋理特征，能夠使單個樹種的分類精度得到極大程度的提升[10]。優(yōu)化特征后，能夠提升0.39%的分類總體精度和0.065的Kappa系數(shù)，雖然沒有大幅度提升分類精度，但是卻明顯提升了數(shù)據(jù)處理的效率，并且明確了研究區(qū)樹種分類特征。相比于SVM和MLC分類器，RF分類器擁有更好的分類效果和更高的分類精度，能夠有效地適用于研究區(qū)樹種分類。

3.4 影像分類后處理

最終本次研究在訓練樣本相同的情況下，利用28個優(yōu)選特征和RF分類器開展樹種分類。進行圖像分類后處理，對于較小的圖斑和椒鹽噪聲使用中值濾波器進行處理，取得了較好的效果；對于圖像中存在的虛假像元問題使用過濾處理、聚類處理等方法解決，發(fā)揮了較好的效果。研究結(jié)果表明，在經(jīng)過有效處理后，能夠提升0.012的Kappa系數(shù)和1.01%的分類總體精度，能夠有效增強分類效果。

4 結(jié)束語

綜上所述，在樹種分類識別中應(yīng)用無人機高光譜影像能夠取得非常準確的分類識別結(jié)果，但是在應(yīng)用過程中相關(guān)人員需要注意合理地利用各種設(shè)備和技術(shù)，能夠在一定程度上提升分類的準確度。