基于無人機(jī)多光譜影像和隨機(jī)森林的蔬菜識(shí)別

郭倩， 魏嘉豪， 張健， 葉章熙， 張厚喜，2，3*， 賴正清， 鄧輝

（1.福建農(nóng)林大學(xué)林學(xué)院，福州 350028； 2.南方紅壤區(qū)水土保持國家林業(yè)和草原局重點(diǎn)實(shí)驗(yàn)室，福州 350028；3.海峽兩岸紅壤區(qū)水土保持協(xié)同創(chuàng)新中心，福州 350028； 4.南京師范大學(xué)海洋科學(xué)與工程學(xué)院，南京 210023； 5.成都理工大學(xué)地球科學(xué)學(xué)院，成都 610059）

及時(shí)準(zhǔn)確的蔬菜種植信息（空間分布、面積等）是實(shí)現(xiàn)水肥精準(zhǔn)管理、優(yōu)化蔬菜生產(chǎn)及提升產(chǎn)量估算精度的重要基礎(chǔ)[1]。近年來，隨著空間信息技術(shù)的高速發(fā)展，遙感作為一種重要的對地觀測技術(shù)，已被廣泛應(yīng)用于作物的不同參數(shù)監(jiān)測中，如作物長勢監(jiān)測、葉面積指數(shù)反演等[2]。然而，雖然傳統(tǒng)衛(wèi)星遙感在大面積、種類單一的作物參數(shù)監(jiān)測方面的應(yīng)用效果顯著，但由于衛(wèi)星影像時(shí)空分辨率較低，其在作物種植種類精準(zhǔn)識(shí)別方面具有一定的局限性。特別是在顏色相似、形態(tài)相近的蔬菜種類識(shí)別上，傳統(tǒng)衛(wèi)星遙感技術(shù)的局限性更加突出，加上蔬菜生長周期較短，在有限的時(shí)間內(nèi)精準(zhǔn)地識(shí)別蔬菜種植種類就要求遙感影像有更高的空間和時(shí)間分辨率。近年來興起的無人機(jī)遙感有超高的空間分辨率以及靈活可控的重訪時(shí)間[3]，有效彌補(bǔ)了傳統(tǒng)衛(wèi)星遙感的不足，因此將其應(yīng)用于作物信息的監(jiān)測研究受到廣泛關(guān)注。此外，無人機(jī)能夠通過搭載多光譜等傳感器有效提高影像信息量，進(jìn)一步增大了無人機(jī)監(jiān)測蔬菜信息的優(yōu)勢。

面向像元和面向?qū)ο笫沁b感分類的2 種基本方法?；谙裨姆诸惙椒ㄔ谔幚砀叻直媛视跋駮r(shí)存在一定的局限性，如易出現(xiàn)椒鹽現(xiàn)象，即同種地物由于光譜變異較大而被分為不同類別，使得原本均一的地塊被打碎，而面向?qū)ο蟮姆诸惙椒▌t將影像分割成屬性相對均一的對象，讓對象代替像元作為分類的基本單位，這樣可以綜合利用每一對象的光譜、紋理、幾何特點(diǎn)以及上下文特征，從而有效提高分類精度與結(jié)果的可靠性[4]。但是，面向?qū)ο蠓诸惙椒ㄔ诔浞掷锰卣餍畔⒌耐瑫r(shí)也增加了特征維度，在引入多種特征信息時(shí)容易讓次要特征影響整體分類精度，近年興起的隨機(jī)森林方法有效規(guī)避了這樣的缺陷，隨機(jī)森林方法可以通過算法確定特征權(quán)重，優(yōu)化分類方案，從而提高分類精度[5]。作為一種數(shù)據(jù)驅(qū)動(dòng)的非參數(shù)分類方法，隨機(jī)森林方法通過有放回的自助抽樣方法構(gòu)建決策樹，采用投票方式得到最終分類結(jié)果[6-7]，擅長處理高維數(shù)據(jù)，并且抗過擬合能力強(qiáng)、計(jì)算速度快，近年來被廣泛應(yīng)用于生物學(xué)、醫(yī)學(xué)、遙感等領(lǐng)域。

由于面向?qū)ο蠛碗S機(jī)森林算法各自有著其他方法所不具備的優(yōu)點(diǎn)，近年來不少學(xué)者嘗試將二者結(jié)合起來開展遙感影像分類。Lee 等[6]使用隨機(jī)森林及紋理特征建立了一套適用于無人機(jī)拍攝的大規(guī)模坡地影像自動(dòng)判讀程序，一定程度上解決了坡地地物識(shí)別困難的問題。Wang等[7]比較不同影像及不同分類方法（支持向量機(jī)、K-近鄰法和隨機(jī)森林）對同一地區(qū)土地分類的結(jié)果，發(fā)現(xiàn)隨機(jī)森林法得到的分類精度最高。為削弱多維特征對分類精度的負(fù)面影響，劉舒等[8]提出一種多目標(biāo)隨機(jī)森林組合式特征選擇算法進(jìn)行特征集優(yōu)化，進(jìn)一步提高了分類精度。

雖然基于面向?qū)ο蠛碗S機(jī)森林相結(jié)合的研究已經(jīng)取得了一些成果，但目前的研究主要集中于較大尺度范圍，而其在小尺度范圍的應(yīng)用，特別是蔬菜精準(zhǔn)識(shí)別的研究還十分有限。因此，本文以蔬菜種植園的無人機(jī)多光譜遙感影像為數(shù)據(jù)源，通過提取光譜、指數(shù)、紋理和幾何4 類特征形成不同特征子集構(gòu)建不同的分類方案，利用面向?qū)ο笈c隨機(jī)森林算法相結(jié)合的方法開展蔬菜種類識(shí)別研究，以期通過對分類方法的驗(yàn)證分析，獲得一種實(shí)用高效的蔬菜種植種類識(shí)別方法，為高精度農(nóng)作物遙感監(jiān)測提供借鑒。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)（26°03′N，119°19′E）位于福州市閩侯縣東南部，平均海拔約9 m，面積約956 m2（圖1）。該地處于亞熱帶季風(fēng)氣候區(qū)，年降雨量900～2 100 mm，年均氣溫18～26 ℃。

圖1 研究區(qū)真彩色影像Fig. 1 RGB image of research area

1.2 無人機(jī)影像獲取與預(yù)處理

為了減少陰影對分類結(jié)果的影響，選擇有云且光線較好的時(shí)段，利用大疆無人機(jī)（精靈4多光譜版，深圳市大疆創(chuàng)新科技有限公司）進(jìn)行航拍。該款無人機(jī)集成了5 個(gè)單波段相機(jī)鏡頭，藍(lán)光波段（blue，B）(450±16) nm；綠 光 波 段（green，G）(560±16) nm；紅光波段（red，R）(650±16) nm；紅邊波 段（red edge，RE）(730±16) nm；近 紅 外 波段（near infrared，NIR）(840±26) nm；定位精度為0.1～0.3 m。設(shè)定航高為20 m，航向、旁向重疊度均為70%，共獲取單波段影像250 張。影像尺寸為1 600像素×1 300像素，影像預(yù)處理主要包含影像拼接與重采樣，借助大疆Terra 軟件拼接并重采樣生成研究區(qū)多光譜影像（空間分辨率0.01 m×0.01 m）。

1.3 研究方法

技術(shù)流程如圖2 所示。首先，對拼接生成的影像重采樣至0.01 m×0.01 m，然后進(jìn)行多尺度分割，并計(jì)算分割后每個(gè)對象的4類特征值，包括光譜特征（spectrum features, SPEC）、指數(shù)特征（index features，INDE）、紋理特征（grey-level co-occurrence matrix features，GLCM）和 幾 何 特 征（geometric features，GEOM）；其次，以光譜特征為基礎(chǔ)分別加入其他3 類特征組合成為8 個(gè)特征子集，并形成8 個(gè)相應(yīng)的分類方案。通過特征選取、參數(shù)調(diào)整和模型訓(xùn)練3 個(gè)步驟構(gòu)建不同方案隨機(jī)森林模型；利用分層抽樣方法構(gòu)建每個(gè)類別的訓(xùn)練樣本和驗(yàn)證樣本，分別用于模型訓(xùn)練和精度評價(jià)；最后，根據(jù)最佳模型預(yù)測生成整個(gè)研究區(qū)分類圖。

圖2 技術(shù)流程Fig. 2 Technical flow

1.3.1 影像分割 采用eCognition9.0 軟件對圖像進(jìn)行多尺度分割，為了得到最佳效果，在50～1 000 區(qū)間內(nèi)以50 為間距設(shè)置不同分割尺度，同時(shí)設(shè)置相應(yīng)的形狀因子和緊致度，然后逐個(gè)進(jìn)行影像分割。

1.3.2 對象特征提取 使用eCognition9.0 軟件選取對象的4大類共96個(gè)特征。

①光譜特征（SPEC）：B、G、R、RE 和NIR 每個(gè)波段像元亮度值均值、標(biāo)準(zhǔn)差以及波段最大差異（max difference）和總體亮度值[9]（brightness），共12個(gè)。

②指數(shù)特征（INDE）：包含歸一化植被指數(shù)[10]（normalized difference vegetation index，NDVI）、歸一化差異紅色邊緣指數(shù)[11]（normalized difference red edge index，NDRE）、綠色歸一化植被指數(shù)[12]（green normalized difference vegetation，GNDVI）、比值植被指數(shù)[13]（ratio vegetation index ，RVI）、RVIGRE[14]、土壤調(diào)整植被指數(shù)[15]（soil-adjusted vegetation index ，SAVI）、SAVIGRE[14]、差值植被指數(shù)[13]（difference vegetation index，DVI）、DVIREG[14]、DVIGRE[14]、歸 一 化 差 異 水 指 數(shù)[16]（normalized difference water index， NDWI）、改進(jìn)的陰影水體指數(shù)[17]（modified shade water index ，MSWI）、綜合權(quán)重水體指數(shù)[17]（comprehensive water weight index ，CWWI）的均值和標(biāo)準(zhǔn)差，共26個(gè)。

③紋理特征（GLCM）：B、G、R、RE 和NIR 波段各對象全方位灰度共生矩陣的均值、標(biāo)準(zhǔn)差、熵（entropy）、同質(zhì)度（homogeneity）、對比度（contrast）、非相似性（dissimilarity）、角二階矩（angular second moment）和相關(guān)性（correlation），共40個(gè)。

④幾何特征（GEOM）：對象的形狀和范圍特征，包括面積（area）、長寬比（length/width）、長度（length）、寬度（width）、邊界長（border length）、形狀指數(shù)（shape index）、密度（density）、主方向（main direction）、不對稱性（asymmetry）、圓度（roundness）、邊界指數(shù)（boundary index）、像素?cái)?shù)（number of pixels）、緊致度（compactness）、體積（volume）、橢圓擬合（ellipse fitting）、矩形擬合（rectangle fitting）、最 大 橢 圓 半 徑（maximum ellipse radius）、最小橢圓半徑（minimum ellipse radius），共18個(gè)。

1.3.3 分類方案構(gòu)建與樣本獲取 共設(shè)置8 個(gè)子特征集，并形成8 個(gè)相應(yīng)的分類方案（S1～S8），具體如表1所示。

表1 不同分類方案Table 1 Different classification schemes

基于高分辨率無人機(jī)影像采用目視解譯與實(shí)地核查的方式選取地物總樣本（包含訓(xùn)練和驗(yàn)證樣本）。根據(jù)影像中不同地物的大致面積，確定了11 類地物的總樣本數(shù)（表2）。為了保證訓(xùn)練和驗(yàn)證樣本中不同地物數(shù)目比例與總樣本中的一致，采用分層抽樣法進(jìn)行抽樣，即對每類樣本以6∶4的比例隨機(jī)抽取訓(xùn)練樣本和驗(yàn)證樣本。

表2 不同類別樣本Table 2 Samples for different categories

1.3.4 隨機(jī)森林算法原理和參數(shù)調(diào)試 隨機(jī)森林由眾多決策樹構(gòu)成，每棵決策樹獨(dú)立生長，在節(jié)點(diǎn)處隨機(jī)選擇特征變量參數(shù)進(jìn)行分叉，最終預(yù)測結(jié)果由決策樹投票產(chǎn)生[5]。其中有2 個(gè)重要參數(shù)—決策樹數(shù)目和每棵樹包含的特征數(shù)目，通常采用遍歷法來確定。首先，將決策樹數(shù)設(shè)置為1 000，依次遍歷特征參數(shù)數(shù)量（1～96），選取袋外誤差最小的特征數(shù)目作為其最佳值；然后，將特征數(shù)目固定為最佳值，遍歷決策樹數(shù)目（1～1 000），選取袋外誤差最小的決策樹數(shù)目作為其最佳值，通過上述方法來確定決策樹數(shù)目和特征數(shù)目的最佳組合。利用R 語言軟件的Random Forest 程輯包實(shí)現(xiàn)基于隨機(jī)森林算法的分類。

1.3.5 精度評價(jià) 采用基于混淆矩陣計(jì)算出的4個(gè)指標(biāo)（總體精度、Kappa系數(shù)、生產(chǎn)者精度和用戶精度）進(jìn)行模型精度評價(jià)。由于隨機(jī)森林每次運(yùn)行結(jié)果存在一定差異，因此每個(gè)方案將分別運(yùn)行2 000次后再進(jìn)行精度評價(jià)。

2 結(jié)果與分析

2.1 光譜特征與參數(shù)調(diào)試

2.1.1 光譜可分性分析 從圖3 可知，非蔬菜地物的光譜曲線與蔬菜地物之間存在較大差異，特別是近紅外波段，非蔬菜地物的反射率明顯低于蔬菜地物（蔥除外）。各蔬菜地物的光譜曲線比較相似，綠光波段（560 nm）處各蔬菜的反射率增高，形成反射峰，但包菜和生菜在綠光波段處的亮度值較為相近，難以進(jìn)行有效區(qū)分。各種類蔬菜的亮度值在紅邊波段（730 nm）處反射率迅速增高，但其在紅邊波段處的亮度值高度相似，難以對其類別進(jìn)行區(qū)分。由上可知，通過光譜特征差異可以明確區(qū)分蔬菜與非蔬菜地物，但某些蔬菜地物的光譜曲線極其相似，僅依靠光譜特征難以進(jìn)行準(zhǔn)確區(qū)分，有必要綜合利用其他特征。

圖3 地物光譜圖Fig. 3 Object spectrum image

2.1.2 分割尺度選擇 影像分割結(jié)果如圖4 所示，通過比較發(fā)現(xiàn)分割尺度設(shè)置過大會(huì)導(dǎo)致影像欠分割，每個(gè)對象中會(huì)包含多種地物類型，即每個(gè)對象的純凈度較低；分割尺度設(shè)置過小則會(huì)使對象碎片化，難以吻合對象真實(shí)邊界，將加大識(shí)別難度及后續(xù)的計(jì)算量。當(dāng)分割尺度為100～300 時(shí)，分割后的對象與地物實(shí)際邊界較為吻合，影像分割效果相對較佳，進(jìn)一步目視對比以100～300 作為尺度分割的影像，最終選擇150 作為影像的分割尺度。

圖4 不同分割尺度分割效果Fig. 4 Segmentation effect of different segmentation scales

2.1.3 隨機(jī)森林參數(shù)調(diào)試 由參數(shù)的調(diào)試結(jié)果（圖5）可知，當(dāng)決策樹數(shù)目設(shè)為1 000 時(shí)，隨著特征數(shù)目增加，不同方案的袋外誤差均呈現(xiàn)先下降而后處于波動(dòng)的變化趨勢，此時(shí)每個(gè)方案袋外誤差最小時(shí)即為所對應(yīng)特征數(shù)目的最佳值；將特征數(shù)目設(shè)置為最佳值后，通過改變決策樹數(shù)目，不同方案的袋外誤差均呈先下降而后趨于平穩(wěn)的趨勢，此時(shí)每個(gè)方案袋外誤差最小時(shí)即為對應(yīng)決策樹數(shù)目的最佳值。8 個(gè)方案（S1～S8）特征數(shù)目與決策樹數(shù)目的最佳值組合分別為（4，161）、（12，848）、（12，365）、（15，203）、（19，197）、（38，731）、（25，708）和（41，165）。

圖5 不同方案不同特征個(gè)數(shù)與決策樹數(shù)量袋外誤差率Fig. 5 Out-of-bag error rate of different numbers of features and different numbers of decision trees for various schemes

2.2 精度驗(yàn)證

2.2.1 總體精度與Kappa 系數(shù) 由圖6 箱式圖可知，所有方案的分類精度都較高，不同方案總體精度的均值均高于85.85%，Kappa 系數(shù)均值均大于0.84；其中，精度最高的為方案S5（SPEC+GLCM+INDE），其總體精度均值為92.75%，Kappa 系數(shù)均值為0.92；精度最低的是方案S7（SPEC+INDE+GEOM），其總體精度均值為85.85%，Kappa 系數(shù)均值為0.84。通過比較不同方案的總體精度可知，幾何特征的引入將會(huì)使分類精度出現(xiàn)不同程度的下降，例如S4（SPEC+GEOM）比S1（SPEC）降低了0.58%，S7 比S3（SPEC+INDE）下降了3.93%；而紋理特征和指數(shù)特征的引入則正好相反，例如S5（SPEC+GLCM+INDE）比S2（SPEC+GLCM）提高了2.60%，S6（SPEC+GLCM+GEOM）比S4（SPEC+GEOM）提高了1.69%。由上可知，不同特征對于分類精度的影響存在差異，其中幾何特征表現(xiàn)為負(fù)向影響，而指數(shù)特征和紋理特征則相反。

圖6 不同方案分類精度Fig. 6 Classification accuracy of different schemes

2.2.2 生產(chǎn)者精度與用戶精度 通過對比可知（圖7和8），非蔬菜地物的生產(chǎn)者精度與用戶精度都很高（大多接近100%），而大部分蔬菜的生產(chǎn)者精度與用戶精度都較高（大多＞80%），但白菜和包菜這2 種蔬菜精度則相對較低，低于80%，尤其是白菜，在方案S2 和S4 中的生產(chǎn)者精度分別為（70.0±2.0）%和（66.3±2.1）%，顯著低于其他蔬菜，而包菜的生產(chǎn)者精度雖然略高于白菜，但其在不同方案中的生產(chǎn)者精度也大多低于80%，與其他類別蔬菜的精度仍存在差距。同種蔬菜在不同方案中的分類精度也存在差異，方案S5 的精度相對較高，如芥菜和油麥菜在所有分類方案中都是方案S5 的精度最高，其生產(chǎn)者精度分別為100%和（97.4±0.8）%，且蔥、花椰菜和生菜的用戶精度都高于90%，明顯高于其他方案。而包含幾何特征集的方案其精度相對較低，尤其是方案S4，其生產(chǎn)者精度顯著低于其他方案，如白菜、包菜及芥菜都是方案S4的生產(chǎn)者精度最低，尤其是芥菜，其方案S4的生產(chǎn)者精度僅為79.6%±2.6%，遠(yuǎn)遠(yuǎn)低于其他方案。

圖7 不同蔬菜類別不同方案生產(chǎn)者精度Fig. 7 Producer accuracy of different schemes for different vegetable categories

圖8 不同蔬菜類別不同方案用戶精度Fig. 8 User accuracy of different schemes for different vegetable categories

2.3 特征重要性

不同分類方案特征重要性排序結(jié)果如圖9 所示，其中S1 方案僅有的12 個(gè)特征全部顯示，其他方案則顯示前20 個(gè)。從圖9 可知，不同分類方案的特征排序存在差異。前20 個(gè)最重要特征中大多為光譜特征與指數(shù)特征，只有個(gè)別方案中出現(xiàn)紋理特征與幾何特征。除方案S2、S6 和S7 以外，所有方案前10 個(gè)最重要特征均為光譜特征與指數(shù)特征，其中方案S1 和S4 前10 個(gè)最重要特征均為光譜特征，S2 和S6 前10 個(gè)最重要特征中光譜特征占9 個(gè)，可見在不同分類方案中光譜特征對于分類結(jié)果均起著重要作用。除光譜特征外，指數(shù)特征也非常重要，方案S3、S5、S7 和S8 前10 個(gè)最重要特征中比例最高的均是指數(shù)特征，且其排名也比較靠前。從前10 個(gè)最重要特征來看，光譜特征和指數(shù)特征的重要性差別不大，但從前5 個(gè)最重要特征中可發(fā)現(xiàn)光譜特征的重要性高于指數(shù)特征。方案S1、S2、S4 和S6 的前5 個(gè)都為光譜特征，方案S3、S7和S8的前5個(gè)中第1、3、5個(gè)都為光譜特征，光譜特征不論從數(shù)量上還是排序位置上都要優(yōu)于指數(shù)特征。在最佳分類方案S5中，前20個(gè)最重要特征中有8 個(gè)光譜特征、10 個(gè)指數(shù)特征和2 個(gè)幾何特征，光譜特征與指數(shù)特征仍占主導(dǎo)，而紋理特征和幾何特征的作用則居次要位置。另外，由最重要特征排序圖可知，對于具體的特征而言，方案S1～S8 中排在第1 位的都是藍(lán)波段均值（Mean_B），而排在第2 位的為綠波段均值（Mean_G）或MSWI均值，但在方案S3中同時(shí)存在光譜特征與指數(shù)特征時(shí)，排第2 位的為MSWI 均值，故MSWI 均值重要性高于綠波段均值?？傮w而言，在光譜特征中波段均值的重要性排名高于最大差異（Max_diff），而波段方差和總體亮度值重要性排名要稍后于波段均值。

圖9 不同方案前20個(gè)最重要特征排序圖Fig. 9 The twenty most important features for different models

2.4 研究區(qū)分類

基于最佳方案S5 預(yù)測生成的研究區(qū)分類結(jié)果如圖10 所示，總體來說不同地物分類結(jié)果與實(shí)際情況比較一致。但白菜和包菜的錯(cuò)分情況較多，尤其是白菜，少許白菜被錯(cuò)分為生菜和包菜，也有相當(dāng)一部分番薯被錯(cuò)分為白菜；除白菜外，蔥的錯(cuò)分情況也較多，大多發(fā)生在蔬菜種植邊緣區(qū)域以及混植區(qū)域。從整體來看，菜地邊緣區(qū)域及蔬菜混植區(qū)域?yàn)殄e(cuò)分漏分頻發(fā)區(qū)，而菜地中央?yún)^(qū)域錯(cuò)分情況較少，可能是邊緣區(qū)域存在較明顯的不同地物混雜現(xiàn)象，且邊緣區(qū)域影像質(zhì)量欠佳，導(dǎo)致像元純凈度相對較低，從而降低了分類精度。由于影像中大多蔬菜都處于生長期和成熟期，而幼苗期的蔬菜數(shù)量較少，訓(xùn)練樣本相對較少，故處于生長期和成熟期的蔬菜分類精度更高，本研究也更適合生長期及成熟期蔬菜。

圖10 基于最佳方案的分類結(jié)果Fig. 10 Classification result based on the best scheme

3 討論

本研究表明，不同方案之間分類精度存在較大差異，其中包含光譜、紋理和指數(shù)特征的S5 方案總體精度最高，達(dá)到了92.75%，而包含光譜、指數(shù)和幾何特征的S7 方案總體精度最低，只有85.85%。通過對比發(fā)現(xiàn)，引入幾何特征的方案分類精度均出現(xiàn)不同程度下降，說明幾何特征對于分類精度呈負(fù)向影響，這一點(diǎn)在劉舒等[9]使用超高空間分辨率影像進(jìn)行土地分類的研究中也有體現(xiàn)，在光譜和指數(shù)特征構(gòu)成的數(shù)據(jù)集中引入幾何特征后總體精度由97.35%降到了96.93%。幾何特征包含面積、周長、寬度等幾何信息，這些信息一般更適用于城市空間以及地形方面的分類研究[18]，而對蔬菜的識(shí)別不僅幫助不大，反而會(huì)因增加了特征數(shù)使得計(jì)算過程復(fù)雜化，導(dǎo)致處理速度和精度同時(shí)受到影響[19]。除了特征集選取外，分割尺度也是影響分類精度的重要因素。本研究使用手動(dòng)試錯(cuò)法得到的較優(yōu)分割尺度區(qū)間為100～300，但更精確的分割尺度難以通過目視解譯法得出，因而為了提高分類精度，后續(xù)研究有必要采用自動(dòng)確定分割尺度的方法，如采用ESP2工具[9]。

本研究顯示，不同類別蔬菜的精度存在差異，其中白菜和包菜的生產(chǎn)者精度相對較低。原因是這2 種蔬菜在形態(tài)、顏色等方面均較為相似，分類方案中引入的光譜、指數(shù)和紋理特征所起的作用還比較有限，因此后續(xù)研究應(yīng)考慮植株高度等其他特征。蔥、芥菜、番薯和油麥菜這4 種蔬菜的生產(chǎn)者精度較高，說明在本次分類方案中所選的特征能有效識(shí)別它們。非蔬菜地物（土壤、水體和地膜）的分類精度都很高，大多接近100%，總體上遠(yuǎn)高于蔬菜。究其原因主要有2 點(diǎn)：一是樣本選擇，相對于蔬菜而言，非蔬菜地物的形態(tài)特征比較明顯，易于目視識(shí)別，且其分布較為集中，在進(jìn)行樣本選擇時(shí)不易被誤選為其他地物；二是地物本身特性，不同種蔬菜之間的光譜反射曲線差異較小，容易混淆，而非蔬菜地物的光譜反射曲線不僅彼此之間存在一定差異，且與蔬菜類別也有較大差別，再加上它們外部形態(tài)的較大差異，故不論僅基于光譜特征，還是加入指數(shù)、紋理等特征的分類方案，非蔬菜地物的可分性都較高，有著較高的分類精度。

本研究中對于蔬菜識(shí)別最重要的特征為光譜特征，其次為指數(shù)特征，紋理特征和幾何特征的作用相對次要，尤其是幾何特征，不僅在特征重要性排序中位置靠后，而且結(jié)果顯示多個(gè)方案都因幾何特征的引入使得分類總體精度出現(xiàn)一定程度的降低。夏盈等[20]的研究也取得了相似的結(jié)果，即在所有特征中重要性排在最前面的是光譜特征。本研究在光譜和指數(shù)特征基礎(chǔ)上加入紋理和幾何特征是為了加大影像信息量，得到更高的分類精度，然而分類結(jié)果顯示基于所有特征的方案S8 反而比基于部分特征的方案S5 精度低，Nguyen 等[21]的研究也發(fā)現(xiàn)了類似現(xiàn)象，只使用8 個(gè)最重要變量的精度比使用所有變量的略高，表明并不是數(shù)據(jù)集包含的特征數(shù)越多，精度就會(huì)越高。研究表明，當(dāng)使用少量特征時(shí)，新特征的引入會(huì)使地物的可分性顯著增加，而當(dāng)特征數(shù)達(dá)到一定數(shù)量后再繼續(xù)加入特征，地物的可分性只有細(xì)微提升，特別當(dāng)達(dá)到飽和點(diǎn)后，總體精度不僅不會(huì)進(jìn)一步提升，反而有可能出現(xiàn)降低的情況[22]。過多的特征數(shù)量會(huì)導(dǎo)致模型冗余信息增多，使得運(yùn)行效率降低，進(jìn)而影響分類性能，而隨機(jī)森林的優(yōu)勢在于它能計(jì)算輸入特征的重要性，根據(jù)重要性排名構(gòu)建較優(yōu)方案，從而提高分類精度。研究發(fā)現(xiàn)，在分類中使用隨機(jī)森林計(jì)算特征重要性，在減少80%不重要特征后得到了最高的Kappa 系數(shù)[23]，另外比較隨機(jī)森林和Adaboost算法的運(yùn)行速度和運(yùn)行穩(wěn)定性后發(fā)現(xiàn)隨機(jī)森林更勝一籌[24]。不論是從分類結(jié)果還是運(yùn)行效率上來說，隨機(jī)森林都表現(xiàn)得更加出色，表明隨機(jī)森林對于處理多維或高維特征數(shù)據(jù)具有較大優(yōu)勢，它能夠識(shí)別特征重要性程度進(jìn)而幫助優(yōu)化方案，從而獲得更高的分類精度。

本文提出了一種基于無人機(jī)多光譜影像的蔬菜識(shí)別方法，主要通過提取影像光譜、指數(shù)、紋理和幾何特征，結(jié)合面向?qū)ο蠛碗S機(jī)森林算法來實(shí)現(xiàn)蔬菜識(shí)別，不足之處在于分割尺度的確定主要采用手動(dòng)試錯(cuò)法，主觀性較強(qiáng)且自動(dòng)化程度較低；白菜和包菜的生產(chǎn)者精度明顯低于其他類別，在后續(xù)研究中將進(jìn)一步探討能高精度識(shí)別白菜和包菜的試驗(yàn)方案（如引入植株高度等信息），以期得到精度更高的蔬菜識(shí)別方法，為實(shí)現(xiàn)蔬菜智能化管理奠定基礎(chǔ)。