基于無(wú)人機(jī)高光譜遙感的典型草原退化指示種識(shí)別2.0

續(xù)上文

3、退化指示種識(shí)別與結(jié)果分析

3.1 識(shí)別目標(biāo)波段特征分析

通過(guò)野外調(diào)查和現(xiàn)場(chǎng)樣方照片可知，該實(shí)驗(yàn)區(qū)的植被主要為冷蒿，其他植被數(shù)量較少并且類(lèi)型較多，混雜生長(zhǎng)，難以獲取單一物種植被的實(shí)地光譜信息。因此，將把實(shí)驗(yàn)區(qū)的地物分為3類(lèi)，分別為裸土、冷蒿、其他綠色植被。首先，使用訓(xùn)練樣本管理器選擇每個(gè)分類(lèi)對(duì)象的訓(xùn)練樣本數(shù)據(jù)；其次，在樣本里提取了每個(gè)對(duì)象數(shù)據(jù)的平均光譜曲線，得到地物的真實(shí)的反射率數(shù)據(jù)；實(shí)測(cè)光譜曲線如圖3所示。

圖3 實(shí)測(cè)反射光譜曲線

由圖3可知，在450~540nm范圍內(nèi)植被的光譜特征差異并不是很明顯，在715~730nm范圍內(nèi)冷蒿與其他綠色植被的光譜曲線有混淆現(xiàn)象。由于存在光譜曲線的混線問(wèn)題及難以分辨植被類(lèi)型的問(wèn)題。因此，通過(guò)原始光譜曲線進(jìn)行微分變換和包絡(luò)線去除變換（如圖4和圖5所示），放大植被波段之間的差異，減少植被之間的光譜曲線的混淆現(xiàn)象。

圖4 微分變換曲線圖

由圖4可知，原始光譜曲線進(jìn)行離散變量差分方程后，依然存在植被的光譜曲線的混淆的現(xiàn)象。

圖5 包絡(luò)線去除變換光譜曲線

故進(jìn)一步包絡(luò)線去除變換（圖5）后，位于500nm處的吸收谷，550nm處的反射峰、670nm處的吸收谷，其他綠色植被和冷蒿的光譜曲線有明顯的差異。為了能夠有效地選擇地物特征波段，進(jìn)一步計(jì)算光譜反射率數(shù)據(jù)均值和標(biāo)準(zhǔn)差值，繪制了標(biāo)準(zhǔn)差的誤差棒圖，如圖6所示。

圖6 訓(xùn)練樣本光譜特征曲線和標(biāo)準(zhǔn)差

由圖6可知，在波段700~950nm范圍內(nèi)，兩類(lèi)植被的光譜反射率的標(biāo)準(zhǔn)差值重疊的，不參與植被識(shí)別中，故剔除重疊部分，以利于選出識(shí)別退化指示種的特征波段。經(jīng)微分變換、包絡(luò)線去除和計(jì)算標(biāo)準(zhǔn)差處理后，發(fā)現(xiàn)在500、550、670nm處有明顯的差異，此3個(gè)波段滿足了所選的波段信息具有較大的光譜差異的條件，故選取此3個(gè)波段作為特征波段并進(jìn)行特征波段組合。特征波段組合數(shù)據(jù)對(duì)細(xì)小地物的紋理結(jié)構(gòu)和圖像的色彩差別增強(qiáng)，對(duì)退化指示種的識(shí)別成為可能。因此，在特征波段組合數(shù)據(jù)基礎(chǔ)上，進(jìn)行了模型的構(gòu)建。

3.2 構(gòu)建識(shí)別模型與驗(yàn)證

基于軟件，特征波段組合數(shù)據(jù)為底圖，結(jié)合實(shí)地調(diào)查數(shù)據(jù)，隨機(jī)均勻的選取訓(xùn)練樣本，如圖7所示。

圖7 訓(xùn)練樣本分布圖

在此基礎(chǔ)上，采用隨機(jī)森林和支持向量機(jī)作為分類(lèi)器，選擇合適的模型參數(shù)，對(duì)所選擇的訓(xùn)練樣本進(jìn)行模型訓(xùn)練并分類(lèi)，2種模型的分類(lèi)結(jié)果如圖8所示。

圖8 支持向量機(jī)和隨機(jī)森林分類(lèi)結(jié)果

為了準(zhǔn)確描述2種機(jī)器學(xué)習(xí)模型的分類(lèi)精度，本實(shí)驗(yàn)采用混淆矩陣對(duì)獨(dú)立驗(yàn)證樣本的分類(lèi)準(zhǔn)確率進(jìn)行評(píng)估。通過(guò)混淆矩陣得到分類(lèi)影像的Kappa系數(shù)、生產(chǎn)者的精度、用戶的精度和整體精度等評(píng)估指標(biāo)，以量化2種模型的性能對(duì)分類(lèi)準(zhǔn)確率的貢獻(xiàn)。本實(shí)驗(yàn)中驗(yàn)證樣本一共選取了600個(gè)，與訓(xùn)練樣本的比例為5∶3，對(duì)2種模型的性能進(jìn)行評(píng)估，結(jié)果如表2和表3所示。

表2 支持向量機(jī)的混淆矩陣結(jié)果統(tǒng)計(jì)表

從支持向量機(jī)的混淆矩陣結(jié)果（如表2所示）可知，總體精度為96.92%，Kappa系數(shù)為0.95，分類(lèi)中出現(xiàn)了冷蒿錯(cuò)分為裸土的有6個(gè)、其他綠色植被的有19個(gè)、裸土錯(cuò)分為冷蒿的有5個(gè)、其他綠色植被錯(cuò)分為冷蒿的有7個(gè)。因?yàn)槁阃梁推渌G色植被的光譜特征比較明顯的差異，所以錯(cuò)分的現(xiàn)象不是很明顯。

表3 隨機(jī)森林的混淆矩陣結(jié)果統(tǒng)計(jì)表

從隨機(jī)森林的混淆矩陣結(jié)果（如表3所示），得到的結(jié)果可以看出，總體精度為97.34%，Kappa系數(shù)為0.96。冷蒿和其他綠色植被之間錯(cuò)分?jǐn)?shù)量有16例，這可能是因?yàn)檫x取訓(xùn)練樣本時(shí)冷蒿與其他綠色植被之間混淆的現(xiàn)象。通過(guò)對(duì)2種分類(lèi)方法的精度評(píng)價(jià)結(jié)果表明，隨機(jī)森林的分類(lèi)精度總體優(yōu)于支持向量機(jī)的分類(lèi)精度。故隨機(jī)森林的識(shí)別分類(lèi)效果更佳。

3.3 退化程度的評(píng)價(jià)分析

對(duì)分類(lèi)識(shí)別結(jié)果進(jìn)行像元統(tǒng)計(jì)計(jì)算，從結(jié)果（如表4）可知，冷蒿的面積占研究區(qū)的56.8%，其他綠色植被占39.5%。退化指示種的覆蓋度達(dá)到了56.8%，從草地退化程度指標(biāo)看，本實(shí)驗(yàn)區(qū)現(xiàn)狀屬于重度退化草地。

表4 像元統(tǒng)計(jì)表

為了準(zhǔn)確表述退化指示物種和其他覆蓋類(lèi)型的聚集程度，為此，利用景觀聚集度指數(shù)AI和分離度指數(shù)SPLIT對(duì)分別表征退化指示物種和其他覆蓋類(lèi)型的聚集和分離程度，其值越小，越緊湊。通過(guò)計(jì)算SPLIT指數(shù)和AI指數(shù)（如表5所示）可知，隨機(jī)森林的SPLIT指數(shù)為3.7294，破碎度較強(qiáng)，支持。

表5 景觀格局指數(shù)統(tǒng)計(jì)表

4、總結(jié)

本文對(duì)典型草原地物的光譜分析發(fā)現(xiàn)，裸土光譜曲線呈現(xiàn)吸收谷，這是由于研究區(qū)的裸土并不是完全沒(méi)有植被的，故裸土光譜波段具有吸收谷。退化指示物種和其他綠色植被在可見(jiàn)光波段均表現(xiàn)為“低－高－低”的光譜反射率趨勢(shì)，具有典型的植被光譜特征。由于高光譜數(shù)據(jù)波段數(shù)較多，會(huì)造成不必要的運(yùn)算。

本文主要對(duì)比分析了傳統(tǒng)的支持向量機(jī)和隨機(jī)森林分類(lèi)方法對(duì)典型草原退化指示物種識(shí)別的有效性。結(jié)果表明隨機(jī)森林的分類(lèi)結(jié)果表現(xiàn)優(yōu)于支持向量機(jī)模型，這與楊紅艷的實(shí)驗(yàn)結(jié)果一致。楊紅艷等研究發(fā)現(xiàn)隨機(jī)森林模型在30m的飛行高度可以較好地識(shí)別植被種類(lèi)，隨著飛行高度的增加，地物的空間分辨率和反射率降低，使識(shí)別較小的植被會(huì)有所難度。但本研究由于在50m的飛行高度，利用隨機(jī)森林方法對(duì)典型草原植物進(jìn)行分類(lèi)并獲了較高的識(shí)別精度，證明了50m的飛行高度，在識(shí)別植被方面研究中具有一定的可行性。研究結(jié)果精度相對(duì)較高的原因之一，是因?yàn)閿?shù)據(jù)采集的時(shí)間是在8月份，這正是草原植物的生長(zhǎng)旺盛期，光譜特征更加的明顯，更有利于對(duì)草原物種的信息提取。

在分類(lèi)器的選擇中支持向量機(jī)的優(yōu)點(diǎn)是小樣本、結(jié)構(gòu)風(fēng)險(xiǎn)最小化、具有更強(qiáng)的泛化能力，隨機(jī)森林的優(yōu)點(diǎn)是處理高維數(shù)據(jù)、訓(xùn)練速度快、實(shí)現(xiàn)比較簡(jiǎn)單。從分類(lèi)結(jié)果上看是對(duì)退化指示物種的識(shí)別較好的分類(lèi)器選擇。支持向量機(jī)雖然比隨機(jī)森林訓(xùn)練時(shí)間更短，訓(xùn)練參數(shù)更少，但是，該研究中支持持向量機(jī)相比隨機(jī)森林的識(shí)別準(zhǔn)確率較低，這說(shuō)明隨機(jī)森林模型更適合本研究并具有一定的可行性。具體結(jié)果如下所述：

（1）支持向量機(jī)和隨機(jī)森林的分類(lèi)整體準(zhǔn)確率分別為96.92%和97.34%，Kappa系數(shù)值分別為0.9537和0.9600。隨機(jī)森林效果為優(yōu)。

（2）支持向量機(jī)的AI指數(shù)為95.0713，聚集程度較強(qiáng)，分類(lèi)結(jié)果為聚集。隨機(jī)森林的SPLIT指數(shù)為3.7294，破碎度較強(qiáng)，分類(lèi)結(jié)果為分散，更貼切于實(shí)際。

（3）本實(shí)驗(yàn)中退化指示植物的面積占研究區(qū)的56.8%，超過(guò)重度退化指標(biāo)，實(shí)驗(yàn)區(qū)現(xiàn)狀屬于重度退化草地。

本文所進(jìn)行識(shí)別的地物類(lèi)型較少，在今后的研究中，會(huì)擴(kuò)大地域范圍、增加植被類(lèi)型、將實(shí)驗(yàn)區(qū)的植被更進(jìn)一步精確分類(lèi)；另外，選取的識(shí)別方法僅有隨機(jī)森林與支持向量機(jī)兩種，在下一步的研究中選擇更多的分類(lèi)方法進(jìn)行對(duì)比，這也是未來(lái)研究發(fā)展的方向。

推薦：

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專門(mén)用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。