基于CNN和SVM的無人機(jī)多光譜遙感草地植物識別

馬 建，劉文昊，靳瑰麗，宮 珂，劉智彪，李 瑩，李嘉欣，王生菊，雷雅欣

(新疆農(nóng)業(yè)大學(xué)草業(yè)學(xué)院/新疆草地資源與生態(tài)重點(diǎn)實驗室/西部干旱荒漠區(qū)草地資源與生態(tài)教育部重點(diǎn)實驗室，新疆 烏魯木齊 830052)

草地植物群落具有一定的植物種類組成、外貌和空間結(jié)構(gòu)，有效識別草地群落主要物種，是掌握草地群落結(jié)構(gòu)變化、劃分草地類型、明確草地退化和修復(fù)現(xiàn)狀，以及保護(hù)草地植物多樣性的基礎(chǔ)[1]。在草地植物識別中，傳統(tǒng)方法多依靠實地地面調(diào)查，該方法獲取的信息可靠有效，但在范圍廣、時效長的監(jiān)測和動態(tài)更新方面難以獲得令人滿意的效果。無人機(jī)遙感操作靈活、安全，其搭載傳感器獲得的影像數(shù)據(jù)，分辨率高、時效快、不受云層影響，為植物識別提供了新途徑[2-4]。

伊犁絹蒿(Seriphidiumtransiliense)荒漠草地屬于溫帶大陸性半干旱半荒漠氣候，在我國集中分布于新疆北疆地區(qū)的平原與低山地段，是當(dāng)?shù)刂饕拇呵锓拍翀鯷5];由于其所處位置自然條件惡劣，加上被過度利用，致使其面積不斷減少、生產(chǎn)力下降、群落物種結(jié)構(gòu)發(fā)生改變、建群種伊犁絹蒿退化嚴(yán)重[6]。前人對伊犁絹蒿荒漠草地進(jìn)行了一系列的研究，這些研究大多針對群落或植物的地面光譜特征分析[7]、利用特征波段進(jìn)行光譜層面的分類[8]，為實現(xiàn)無人機(jī)植物識別研究奠定了基礎(chǔ)。已有研究表明利用無人機(jī)遙感能夠準(zhǔn)確進(jìn)行物種識別[9]，目前眾多學(xué)者對不同分類器的分類精度進(jìn)行了對比研究，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)和支持向量機(jī)(Support vector machines,SVM)分類方法被較多學(xué)者選用，且都具有較高的分類精度。例如柳宗偉等[10]利用CNN和SVM對不同地物識別，其中SVM識別精度最高；趙靜等[11]對田間雜草進(jìn)行識別發(fā)現(xiàn)SVM對其識別效果較好；而汪傳建等[12]基于CNN對農(nóng)作物進(jìn)行分類，總體分類精度優(yōu)于SVM分類算法。無人機(jī)識別精度受諸多因素影響。其中，植物生長時期的不同，會導(dǎo)致光譜反射率的變化[13]；而飛行高度增加，空間分辨率降低，純凈像元的反射率會受到相鄰像素的影響，導(dǎo)致植被的光譜反射率差異顯著[14]。物候期及飛行高度改變所引起的光譜和空間分辨率的變化對識別精度的影響成為研究者們的關(guān)注內(nèi)容。

因此，本研究基于多光譜無人機(jī)獲取的3個時期和3個飛行高度的伊犁絹蒿荒漠草地多光譜數(shù)據(jù)，提取伊犁絹蒿荒漠草地植物冠層的反射率，計算最佳指數(shù)因子(Optimum index factor，OIF)，采用CNN和SVM識別模型進(jìn)行識別，分析其對識別精度的影響，篩選出該類草地主要物種識別的最佳時間、飛行高度和識別模型，以期為實現(xiàn)該類草地主要物種的有效監(jiān)測和保護(hù)提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

野外研究區(qū)位于新疆烏魯木齊市米東區(qū)柏楊河鄉(xiāng)(東經(jīng)87°52′59″～87°55′13″，北緯44°00′16″～44°01′20″)，年均降水量200 mm，主要集中在4—6月，屬于溫帶大陸性荒漠氣候。該地區(qū)屬于低山區(qū)，山地呈規(guī)律性起伏，平均海拔為925 m，為典型伊犁絹蒿荒漠草地分布區(qū)，伊犁絹蒿為優(yōu)勢種，角果藜(Ceratocarpusarenarius)為亞優(yōu)勢種(圖1，圖2)。

圖1 研究區(qū)及樣地設(shè)置分布示意圖

圖2 不同飛行高度下無人機(jī)真彩色影像

1.2 試驗設(shè)計

采用大疆精靈4多光譜版(Phantom 4 Multispectral)拍攝系統(tǒng)進(jìn)行作業(yè)，該傳感器具有5個光譜范圍：藍(lán)(Blue)434～466 nm；綠(Green)544～576 nm；紅(Red)634～666 nm；紅邊(Red edge)714～746 nm；近紅外(NIR)824～866 nm。伊犁絹蒿在春季4月返青，此時角果藜處于苗期；在夏季6月，群落各植物生長旺盛，而7—8月，伊犁絹蒿有休眠現(xiàn)象；秋季9月，伊犁絹蒿進(jìn)入花期，角果藜植物變的枯黃[15]。參照研究區(qū)內(nèi)伊犁絹蒿和角果藜的生長周期，于2021年4月、6月、9月在研究區(qū)布設(shè)3條樣帶，樣帶間隔約250 m，在每條樣帶內(nèi)分別設(shè)置5個50 m×50 m的樣方，間隔50 m，共15個，每個樣方設(shè)置15 m，30 m，60 m 3種飛行高度，相機(jī)沿樣帶方向進(jìn)行拍攝。飛行速度設(shè)置為1.0 m·s-1，拍照模式為等時間拍照，拍照間為2.0 s，航向重疊率為75%，旁向重疊率為75%，采用垂直方式采集圖像，獲得5個單通道伊犁絹蒿荒漠草地?zé)o人機(jī)影像數(shù)據(jù)，空間分辨率分別為0.8 cm，1.6 cm，3.2 cm。參照野外實地調(diào)查數(shù)據(jù)，將伊犁絹蒿、角果藜和裸地設(shè)為識別對象。

1.3 數(shù)據(jù)處理

1.3.1圖像預(yù)處理 使用大疆智圖對獲取的無人機(jī)影像進(jìn)行影像的畸變校正、輻射校正和拼接，得到5幅單波段圖像。通過人工目視檢查圖像質(zhì)量，剔除因陣風(fēng)引起變形的圖像。利用MATLAB 2021和ENVI 5.3軟件在無人機(jī)影像中標(biāo)注識別對象，生成訓(xùn)練樣本數(shù)據(jù)。

1.3.2特征波段篩選 獲取的多光譜影像含有5個波段，而CNN模型選擇3通道圖像進(jìn)行模型訓(xùn)練，為了快速高效地進(jìn)行識別，從波段中選擇最有效代表地物的特征、信息含量最豐富的3個波段進(jìn)行組合。將5個波段每選3個波段為1組，計算該10種組合的OIF，選擇OIF值最大的一組波段作為最佳特征波段組合。各波段圖像中所涵蓋的信息量與其標(biāo)準(zhǔn)差成正比，標(biāo)準(zhǔn)差越大，信息量就越多；圖像的獨(dú)立性與波段間的相關(guān)系數(shù)成反比，其相關(guān)系數(shù)越低，信息冗余度越小，其獨(dú)立性越好。OIF計算公式為[16]：

式中，OIF為最佳指數(shù)因子，Si為第i個波段的標(biāo)準(zhǔn)差，Rij表示i，j兩波段的相關(guān)系數(shù)且要取絕對值，n為在所有波段中選取的波段數(shù)。

1.3.3卷積神經(jīng)網(wǎng)絡(luò)識別模型建立 卷積神經(jīng)網(wǎng)絡(luò)模型基本組成部分包括輸入層、卷積層、激活函數(shù)、池化層和全連接層5部分[17]。而Resnet網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)發(fā)展中最具代表性的算法，該算法引入了殘差學(xué)習(xí)單元，殘差單元有效地解決了在深度網(wǎng)絡(luò)中的退化問題[16]，并且在不額外增加網(wǎng)絡(luò)參數(shù)和計算量的基礎(chǔ)上提升了模型速度和準(zhǔn)確度(圖3)。

圖3 典型的卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

依據(jù)樣方大小將特征波段影像裁剪為224×224像素大小，使用MATLAB 2021b對深度學(xué)習(xí)數(shù)據(jù)標(biāo)簽進(jìn)行制作，為避免網(wǎng)絡(luò)堆疊過深，出現(xiàn)梯度消失或梯度爆炸問題，選擇Resnet 18模型進(jìn)行深度學(xué)習(xí)。網(wǎng)絡(luò)初始卷積核參數(shù)設(shè)置(表1)經(jīng)過5層卷積和5層池化后，經(jīng)2層全連接層后輸出，輸出為樣本的類別標(biāo)簽。本文學(xué)習(xí)速率設(shè)為0.001，迭代輪數(shù)為40輪。將數(shù)據(jù)將隨機(jī)劃分訓(xùn)練集、驗證集、測試集，比例分別為80%，10%，10%。

表1 Resnet18網(wǎng)絡(luò)初始卷積核參數(shù)設(shè)置

1.3.4支持向量機(jī)識別模型建立 SVM選擇徑向基核函數(shù)(Radial basic function)，gamma參數(shù)為0.33，即為輸入影像波段數(shù)目的倒數(shù)；懲罰參數(shù)(Penalty parameter)設(shè)置為100，該參數(shù)控制了樣本錯誤與分類剛性延伸之間的平衡，分級處理等級(Pyramid levels)參數(shù)設(shè)置為0，以原始分辨率處理。按照地面照片數(shù)據(jù)，對各類地物進(jìn)行目視解譯，分別選取訓(xùn)練樣本，其中伊犁絹蒿選擇358個，角果藜選擇206個，裸地選擇453個。識別技術(shù)路線如圖4所示。

圖4 識別技術(shù)路線

2 結(jié)果與分析

2.1 識別對象多光譜特性分析

由圖5可知，在4月的3個飛行高度下，可見光和紅邊波段反射率均表現(xiàn)為裸地>伊犁絹蒿>角果藜；在近紅外波段15 m飛行高度下表現(xiàn)為裸地>角果藜>伊犁絹蒿，30 m和60 m表現(xiàn)為裸地>伊犁絹蒿>角果藜。6月各飛行高度下，可見光波段和Red edge波段反射率均表現(xiàn)為裸地>角果藜>伊犁絹蒿；在15 m和30 m飛行高度下，NIR波段反射率表現(xiàn)為角果藜>裸地>伊犁絹蒿，60 m飛行高度下表現(xiàn)為裸地>角果藜>伊犁絹蒿。在9月的15 m飛行高度下，可見光波段反射率表現(xiàn)為角果藜>裸地>伊犁絹蒿，在30 m高度下，Red edge波段的裸地高于兩種植物，而在60 m高度下表現(xiàn)為裸地>角果藜>伊犁絹蒿；3個高度下在Red edge波段表現(xiàn)為角果藜>裸地>伊犁絹蒿；在NIR波段15 m和30 m下角果藜>裸地>伊犁絹蒿，而60 m飛行高度下表現(xiàn)為角果藜>伊犁絹蒿>裸地。3個月份內(nèi)，隨著飛行高度增加，3類地物反射率逐漸降低，表現(xiàn)為15 m>30 m>60 m；60 m的高度下伊犁絹蒿和角果藜反射率差異較小；在可見光波段，伊犁絹蒿與角果藜反射率均表現(xiàn)為先升高后下降的趨勢。在月份間平均反射率表現(xiàn)為6月>4月>9月。

圖5 3類地物無人機(jī)多光譜特征

2.2 識別波段的選擇

2.2.1波段標(biāo)準(zhǔn)差分析 5個波段的標(biāo)準(zhǔn)差如表2所示，在4月，3個飛行高度下標(biāo)準(zhǔn)差較大的波段為Blue,Green,Red，這3個波段相比于Red edge、NIR波段差異更大。在6月和9月，3個高度下標(biāo)準(zhǔn)差較大的波段為Red,Red edge,NIR，這3個波段相比于Blue,Green波段差異更大。波段Red在各月份和各高度下均有較大差異，并且月份內(nèi)標(biāo)準(zhǔn)差隨著高度增加而減小。

表2 無人機(jī)多光譜特征波段標(biāo)準(zhǔn)差

2.2.2波段間相關(guān)性分析 5個波段間的相關(guān)性如表3所示，在不同月份和不同飛行高度下均達(dá)到0.9以上。相比之下，在4月15 m飛行高度下Red，NIR波段間相關(guān)性最低，30 m和60 m高度下，Blue，NIR波段間相關(guān)性最低，6月各高度下的Red,NIR波段間相關(guān)性最低，9月各高度下的Blue，NIR波段間相關(guān)性最低。由于各波段間相關(guān)性較高，需要通過標(biāo)準(zhǔn)差和相關(guān)性計算出OIF值進(jìn)一步篩選出特征波段。

表3 無人機(jī)多光譜特征波段間相關(guān)性

2.2.3最佳指數(shù)因子 5個波段間相互組合的OIF值如表4所示。OIF值受標(biāo)準(zhǔn)差和相關(guān)性兩個因素相互影響，Green，Red和NIR的波段組合在4月3個飛行高度OIF值最大，Red，Red edge，NIR波段組合在6月和9月3個高度OIF值最大，因此在對影像分類時，選擇這2組波段合成RGB圖像分類。OIF值在高度間表現(xiàn)為15 m>30 m>60 m，表明飛行高度越低，影像所包含的信息越多，識別地物間差異越大。

表4 無人機(jī)多光譜10組波段組合方式的最佳指數(shù)因子

2.3 卷積神經(jīng)網(wǎng)絡(luò)識別精度分析

分別對4月、6月、9月3個飛行高度數(shù)據(jù)建立CNN識別模型，在ResNet-18模型中測試集經(jīng)過40輪訓(xùn)練后準(zhǔn)確率如圖6所示。4月隨迭代次數(shù)增加，15 m和30 m飛行高度下準(zhǔn)確率在前3輪上升較快，測試集在5輪時就已經(jīng)取得了超過75%的精度，訓(xùn)練進(jìn)行10輪收斂后準(zhǔn)確率一直維持在74%～83%；60 m準(zhǔn)確率上升較慢，在10輪前不穩(wěn)定且收斂較慢，訓(xùn)練進(jìn)行20輪收斂后精度不高，維持在66%～74%。6月的15 m、30 m與60 m測試集在前3輪準(zhǔn)確率上升較快；15 m在5輪時就已經(jīng)取得了70%的精度，訓(xùn)練進(jìn)行5輪收斂后準(zhǔn)確率一直在67%～78%，整體波動變化不大；30 m精度維持在67%～74%；60 m維持在62%～72%。9月的15 m，30 m與60 m準(zhǔn)確率在前3輪上升較快，在第10輪接近最終分類結(jié)果。

圖6 基于無人機(jī)多光譜CNN模型的驗證精度

由表5可知，4月15 m與30 m的總體識別精度相近，均達(dá)到82%以上，60 m較低為74.52%；6月15 m,30 m,60 m的總體識別精度分別為78.8%，75.56%，72.5%；9月15 m,30 m,60 m的總體識別精度分別為78.9%，76.31%，72.79%。CNN對3類地物的識別精度在各月份內(nèi)均表現(xiàn)為裸地>伊犁絹蒿>角果藜；隨飛行高度的增加分類精度降低，識別精度表現(xiàn)為15 m>30 m>60 m；不同月份間識別精度表現(xiàn)為4月>9月>6月。分類結(jié)果見圖7。

表5 無人機(jī)多光譜CNN識別精度

圖7 無人機(jī)多光譜CNN識別結(jié)果

2.4 支持向量機(jī)識別

由圖8中可知，在4月3個高度下，伊犁絹蒿錯分給角果藜的樣本較少，沒有被錯誤地歸類為裸地，隨著高度增加被分為角果藜的數(shù)量增加；6月角果藜錯分給伊犁絹蒿和裸地較多，整體精度較低；9月伊犁絹蒿錯分給其他地物數(shù)量較少，裸地只有在60 m下有1個錯分為伊犁絹蒿，而裸地與角果藜錯分較多。

圖8 無人機(jī)多光譜SVM識別混淆矩陣

由表6可知，4月在15 m和30 m的總體識別精度為86.23%和80.18%，60 m高度下總體識別精度較低為74.02%，Kappa系數(shù)分別為0.78，0.69和0.60；6月3個高度的總體識別精度分別為78.64%，75.38%和72.34%，Kappa系數(shù)為0.67，0.62和0.58；9月3個高度的總體識別精度為84.67%，81.22%和75.54%，Kappa系數(shù)為0.74，0.70和0.60。SVM對3類地物的識別精度在月份內(nèi)表現(xiàn)為裸地>伊犁絹蒿>角果藜；不同月份間總體識別精度表現(xiàn)為4月>9月>6月；在不同高度下SVM模型對3類地物的識別精度隨飛行高度的增加而降低，識別精度表現(xiàn)為15 m>30 m>60 m，分類結(jié)果見圖9。

表6 無人機(jī)多光譜SVM識別精度

圖9 無人機(jī)多光譜SVM識別結(jié)果

3 討論

健康綠色植物的光譜特征受葉片色素、細(xì)胞結(jié)構(gòu)、水分含量等因素的綜合影響，且在可見光、Red edge和NIR 3個波段呈現(xiàn)不同的變化[18]。本研究對伊犁絹蒿荒漠草地地物的光譜分析發(fā)現(xiàn)，在可見光波段，2種植物均呈現(xiàn)出“低-高-低”的光譜反射率趨勢，這是由于不同植物葉片內(nèi)各種色素對可見光不同光譜波段的吸收具有差異所致。在可見光與NIR波段之間，反射率急劇上升，出現(xiàn)“紅邊”現(xiàn)象，伊犁絹蒿和角果藜反射率在Red edge波段急劇上升主要是受葉片內(nèi)部構(gòu)造差異的影響，隨著波長進(jìn)一步增加至NIR波段附近，伊犁絹蒿反射率高于角果藜，這與范燕敏等[19]和韓萬強(qiáng)等[8]對伊犁絹蒿荒漠草地植物光譜反射率趨勢的結(jié)果一致。NIR波段由于綠色植物葉肉海綿組織結(jié)構(gòu)中擁有許多空腔，其具有很大的反射表面，而且細(xì)胞內(nèi)葉綠體呈水溶膠狀態(tài)，輻射能量大都被散射掉，形成NIR波段高反射率[20]。波段數(shù)量的增加會造成不必要的運(yùn)算，因此本研究依照各地物間光譜特性的差異進(jìn)行波段篩選，4月的特征波段為Blue，Green，Red，6月和9月為Red，Red edge，NIR。曹敏等利用OIF選擇了Blue,Red,NIR波段進(jìn)行組合[21]，而徐磊利用相同的方法選擇的特征波段為Green，NIR，SWIR[22]，各學(xué)者所篩選的特征波段各有不同。因此，對不同的識別對象需要進(jìn)行專一性的特征篩選。

識別精度在月份間表現(xiàn)為4月>9月>6月，是受伊犁絹蒿和角果藜生長時期間的差異影響。在4月的識別精度最高，是因為4月的伊犁絹蒿處于營養(yǎng)期，而角果藜處于苗期[23]，其植被蓋度、植株形態(tài)和反射率光譜差別大；6月的伊犁絹蒿和角果藜蓋度增加，兩者間的重疊度增加，導(dǎo)致在重疊區(qū)域的分類效果不理想，容易錯分為其它類別。9月的伊犁絹蒿處于花期，兩種植物間有明顯的差異；但角果藜的植物變的枯黃，和裸地的可分性降低，影響識別精度。植物隨物候變化，生長狀況不一致，對識別精度有較大的影響，這與汪傳建等和汪小欽等的識別結(jié)果一致[24]。選擇植株差異較大的時期進(jìn)行識別，可以顯著提高識別精度。

本研究將CNN算法和SVM模型應(yīng)用于伊犁絹蒿荒漠草地植物的識別中，CNN在4月獲得大于80%的識別精度，SVM在4月和9月獲得大于80%的識別精度，證明了將CNN和SVM應(yīng)用于伊犁絹蒿荒漠草地植被的識別是可行且有效的，這與陳善雄等[25]和肖偉等[26]在識別研究的結(jié)果一致。研究發(fā)現(xiàn)CNN和SVM分類器在15 m的飛行高度可以較好的區(qū)分3類地物，而對象間的識別精度隨飛行高度增加而降低。飛行高度增加，傳感器接收到的光譜包含來自相鄰像素的組合反射率。這表明反射率的變化與空間分辨率和地表復(fù)雜性，而地物的空間分辨率和反射率降低，使區(qū)分體積較小地物的難度增加[27-28]。飛行高度增加所造成的混合像元問題是影響分類精度的重要原因之一，大疆精靈4多光譜無人機(jī)在飛行高度為30 m時，空間分辨率為1.6 cm，當(dāng)空間分辨率小于1.6 cm時對于伊犁絹蒿荒漠草地植物進(jìn)行分類可以獲得較高的識別精度。在15 m的高度下飛行1塊樣地需要30 min，而30 m的飛行高度獲取相同面積的數(shù)據(jù)只需要7 min，并且識別精度也達(dá)到80%以上，雖然精度低于15 m飛行高度，但如果在相同時間內(nèi)能獲得更大面積數(shù)據(jù)，可選用30 m的飛行高度。在分類器的選擇中SVM的優(yōu)點(diǎn)是小樣本、結(jié)構(gòu)風(fēng)險最小化、具有更強(qiáng)的泛化能力[29-30]，從分類結(jié)果上看仍然是對伊犁絹蒿荒漠草地較好的分類器選擇。CNN模型雖然比SVM模型訓(xùn)練時間更短，訓(xùn)練參數(shù)更少，但是CNN相較于SVM的識別準(zhǔn)確率卻沒有提升，這說明SVM模型更適合本研究。上述結(jié)果表明本研究使用的SVM具有一定的可行性，可以在伊犁絹蒿荒漠草地地物識別中取得更好的效果。

4 結(jié)論

地物反射率隨著飛行高度增加而逐漸降低，不同物候期的伊犁絹蒿與角果藜在可見光波段均表現(xiàn)為“低-高-低”的光譜反射率趨勢。依據(jù)光譜特征差異篩選OIF，敏感波段不受飛行高度的影響，但卻在不同月份間有差異，4月敏感波段為Blue,Green,Red，6月和9月為Red，Red edge，NIR。以荒漠草地植物為識別對象，建立識別模型，識別精度在不同分類方法、生育期、飛行高度和識別地物中均表現(xiàn)出差異，整體識別精度在分類方法間為SVM>CNN；月份間為4月>9月>6月；飛行高度下為15 m>30 m>60 m；識別對象間整體為裸地>伊犁絹蒿>角果藜。在4月15 m飛行高度下，使用SVM對伊犁絹蒿荒漠草地主要物種識別效果最佳。