基于无人机高光谱遥感的太行山经济林树种识别研究1.0

一、引言

经济林是我国森林资源的重要组成部分，具有生态、经济和社会效益，开展经济林调査工作，对于掌握经济林资源现状、提高林业整体发展水平等具有重要意义。高光谱遥感技术在树种分类识别的应用弥补了多光谱树种识别精度低、分类类型单一等问题。目前，利用高光谱遥感对生态林树种识别研究得到了快速发展，建立了针对杉木、白桦、山杨、落叶松等多种树种的分类方法。开展基于高光谱遥感的山区经济林树种识别研究既丰富高光谱在树种分类识别上的应用，也对监测山区经济林资源具有重要意义。

二、研究方法与材料

2.1 研究区概况

研究区位于河北省保定市满城区龙门山庄现代农业园区，地理坐标范围为Ｅ１１５°２６′～１１５°２７′，Ｎ３９°０９′～３９°１０′，海拔约为１１０～３４０ｍ，坡度平缓，土壤肥沃，是典型的石灰岩土壤。该地区气候属暖温带半湿润半干旱大陆性季风气候，四季分明，光照充足，雨热同期。年平均气温１２．９℃，日照２４１２．７ｈ，无霜期１９０ｄ，平均降水量约５４６．５ｍｍ。栽植生态林２８万余株，种植经济林１３４ｈｍ２，主要栽种的经济林树种：苹果、杏、柿、樱桃、核桃。

2.2数据获取与预处理

使用无人机搭载光谱仪以推扫式获取光谱数据，飞行高度２００ｍ。冠层光谱数据采集时间为２０２１年８月１４日至１６日，测量时间选在北京时间中午１１：００至１４：００，测量光源为太阳光。采集光谱时需要天气状况保持晴朗无云、无风，采集人员需穿着深色衣服以减少对测量结果的影响。测量冠层高光谱反射率前，需要使用标准白板进行校正。测量时，将光谱仪传感器探头垂直向下正对待测树种冠层，高度保持在１ｍ左右。采集人员面向光源，尽量在短时间内完成１组数据的测量。由于太阳入射角随时间变化会发生改变，每间隔１０ｍｉｎ需再次进行白板校正，以保证测量结果的准确性。进行光谱采集的同时，需要记录采样点的位置信息。冠层光谱数据采集时，每个树种选取长势具有代表性的１０棵，每棵树采集１０条数据，即各树种分别采集１００个光谱数据，最终取平均值作为该树种的冠层光谱反射率。叶片光谱数据采集时间同样为２０２１年８月１４日至１６日，测量时间为中午１１：００至１４：００，太阳光为光源。采集数据时保证天气晴朗无云、无风。使用仪器自带的叶片夹进行光谱数据的采集，首先进行白板校正，在校正完毕后，开始叶片光谱的测量。叶片光谱数据采集时，每个树种选取长势具有代表性的１０棵，每棵树上选择１０个叶片，即各树种分别采集１００个叶片光谱数据，最后通过计算得到的平均值作为该树种的叶片光谱反射率。同时开展研究区树种实地调查，通过ＧＰＳ定位，记录不同树种的分布情况，为分类时训练样本和验证样本的选取提供参考。选取苹果、杏、柿、樱桃、核桃以及生态林洋槐（对照）为研究对象。

2.3研究方法

2.3.1 特征波段筛选

原始高光谱数据波段数较多，数据量过大，直接用来进行分类会导致运行速度慢、精度低等问题。为了使高光谱数据维度降低、减少计算的复杂程度，需要对其进行数据压缩、找出不敏感的波段并剔除，选出能够保留原始高光谱数据主要特征的最佳波段组合。连续投影算法（ＳＰＡ）是一种有效的波段提取方法，可以有效消除波长变量之间的共线影响、减少复杂程度，能够消除光谱矩阵之间的冗余信息，被广泛应用于信号处理、光谱计量学等领域。ＳＰＡ是一种前向迭代选择方法，其基本原理是任选一个波长计算它在未选入波长上的投影，将投影向量最大的波长加入波长链中，循环Ｎ次，每个被选入的波长都与前１个被选入波长的线性关系最小。

本研究中连续投影算法在软件中实现，波段选取的评价指标为均方根误差（ＲＭＳＥ），是观测值和真值偏差的平方和与观测次数比值的平方根，用于衡量观测值与真值之间的偏差。

2.3.2植被指数特征

植被指数主要通过特定波段组合，可以增强某一特定植被信息，减少太阳辐射和土壤背景值的影响，放大不同植被间的差异。本试验选取了常用于树种分类的１１个植被指数，分别为归一化植被指数（ＮＤＶＩ）、绿色归一化植被指数（ＧＮＤＶＩ）、光学植被指数（ＰＲＩ）、简单色素比值指数（ＳＲＰＩ）、简单比值指数（ＳＲ）、Ｖｏｇｅｌｍａｎｎ红边指数１（ＶＯＧ１）、绿波段指数（ＧＲＶＩ）、归一化脱镁作用指数（ＮＰＱＩ）、类胡萝卜素反射指数１（ＣＲＩ１）、类胡萝卜素反射指数２（ＣＲＩ２）、增强植被指数（ＥＶＩ）。

2.3.3纹理特征

处理高光谱数据时在分析地物连续光谱信息的基础上也要考虑地物空间信息。灰度共生矩阵（ＧＬ－ＣＭ）是一种通过研究灰度的空间相关特性来描述纹理特征的常用方法，可以有效表达高光谱影像的空间特征。

本研究对遥感影像进行主成分分析处理，提取包含信息量最大的第一主成分，对其进行灰度共生矩阵计算，选用二阶概率统计滤波提取纹理特征。滤波窗口设置为７×７，灰度量化级别为６４，纹理特征共包含８项，分别为均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性。

2.3.4分类方法与精度评价

分别构建基于特征波段、植被指数、特征波段与植被指数组合、特征波段与纹理特征组合、植被指数与纹理特征组合、３种特征组合，共６种分类特征，结合最大似然法、随机森林和支持向量机法进行分类，并对结果进行精度验证。

三、结果与分析

3.1光谱特征分析

3.1.1原始光谱特征分析

各个树种冠层原始光谱曲线，见图１

图１ ６种树种冠层原始光谱曲线 

由图１可知，６种树种的光谱曲线走势大致相同，具有典型绿色植被的光谱特征。由于叶绿素在４００～７６０ｎｍ范围内对红光和蓝光具有吸收作用、对绿光产生较强的反射作用，因此绿色植被在此区域具有“２谷１峰”的明显变化特征。第１个吸收谷出现在４９０ｎｍ附近，在４００～５００ｎｍ之间，反射率较低且变化平缓，６种树种的反射率值均在０．０５以下。当波长逐渐增大到５５０ｎｍ附近时，出现第１个反射峰，这是由于该区域是叶绿素的强反射带，因此形成明显凸起的反射绿峰，６种树种的反射率值均在０．０４～０．０６左右。此后反射率开始下降，在６７０ｎｍ附近出现第２个吸收谷，即“红谷”，这是因为叶绿素在这一区域具有较强的吸收作用，６种树种的反射率值均在０．０２～０．０４之间。在“２谷１峰”的波长范围内，樱桃、洋槐、核桃和苹果的光谱反射率整体上高于杏树和柿，能够较好的与杏树、柿区分开来。在６７０～７５０ｎｍ之间，光谱反射率急剧上升曲线斜率迅速增大，出现明显的反射陡坡，即“红边效应”。在７５０～９６０ｎｍ范围内，出现了６种树种的第２个反射峰，反射率值在０．２５～０．４０之间，明显高于第１个反射峰，其中柿和洋槐的反射率高于其他４种树种，各树种的光谱反射率之间存在一定差异性。

3.1.2连续统去除光谱特征分析

从无人机高光谱影像中获取的６种树种原始光谱反射率经过连续统去除变换后得到如图２所示的曲线。

图２６种树种冠层连续统去除光谱曲线

由图２可知，６种树种的连续统去除光谱曲线整体形状大致相同，在４００～４２０ｎｍ和６９０～１０００ｎｍ波长范围内的光谱曲线相似度较高。在４００～６７０ｎｍ之间，６条曲线均出现了“２谷１峰”的明显特征。在４２５～５２５ｎｍ和５７５～６９０ｎｍ范围内存在２个吸收谷，此时６种树种的反射率值由高到低依次为：核桃、樱桃、苹果、杏树、洋槐、柿。当波长为５５０ｎｍ左右时，６种树种光谱反射曲线出现反射峰，此处核桃的光谱反射率值最大，柿的光谱反射率值最小。在５２５～５７５ｎｍ之间，各条光谱曲线对应反射率值由大到小依次为：核桃、樱桃、苹果、洋槐、杏树、柿，除核桃和樱桃外，其他树种光谱反射率存在差异。在６７０～７５０ｎｍ波长范围内，各个树种的连续统去除光谱曲线呈现快速上升的趋势，且反射率达到最大值，均保持在１左右，此范围内各条曲线之间差异不明显。在７５０～１０００ｎｍ之间，６条曲线基本保持同一形状，其中在８００～８２５ｎｍ和９１５～１０００ｎｍ出现先下降后升高趋势，但差异不明显。

3.2光谱特征波段筛选和植被指数特征构建

以６种树种无人机冠层光谱数据为研究对象，在数据处理软件中应用连续投影算法（ＳＰＡ）对其进行特征波段筛选。在应用ＳＰＡ进行特征波段筛选时，需根据均方根误差（ＲＭＳＥ）的大小选出相对较优的特征波段。使用ＳＰＡ预处理后的１７６个波段进行特征波段选择。共选取出１０个特征波段，如表１所示

表１ ＳＰＡ筛选特征波段及对应波长值

由表１可知，筛选出的１０个特征波段属于不同的光谱区域，其中波长分别为４２３．８、５４７．８、６７３．０、７００．６、７３２．０、７７０．６ｎｍ的６个特征波段位于可见光区域，波长分别为８６３．５、９１８．０、９５４．８、９６９．６ｎｍ的４个特征波段位于近红外区域。

可见，光区域的６个特征波段波长具有一定差异，近红外区域的４个特征波段波长较为均衡，不同特征波段之间相互独立，互不影响，这些筛选出来的特征波段既保留了原始高光谱数据的主要特征，又对树种识别具有较高的敏感度，属于ＳＰＡ预处理后的１７６个波段中的优质波段，能够用于后续的树种识别研究。对不同树种筛选出１１个植被指数进行归一化处理，并基于ＣＡＲＴ决策树对每个植被指数进行重要性评分，最终选取７个得分较高的植被指数，如表２所示。

表２ 植被指数重要性评分

由表２可知，在１１个植被指数中得分大于０．０５的７个植被指数特征分别为：简单比值指数（ＳＲ）、类胡萝卜素反射指数２（ＣＲＩ２）、绿波段指数（ＧＲＶＩ）、归一化脱镁作用指数（ＮＰＱＩ）、Ｖｏ－ｇｅｌｍａｎｎ红边指数１（ＶＯＧ１）、归一化植被指数（ＮＤＶＩ）、简单色素比值指数（ＳＲＰＩ），以上７个植被指数共同构建的植被指数特征在对研究区６种树种的识别过程中能够表现出更好的可分性，可以用于研究区６种树种的识别。

3.3光谱特征波段筛选和植被指数特征构建

滤波窗口设置为７×７，灰度量化级别为６４，纹理特征相关计算公式见表３。

表３ 纹理特征计算公式

由表３可知，纹理特征参数共包含８项，分别为均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性。通过８种纹理特征计算公式，可以获取到图像中不同区域的纹理信息，这些纹理特征可以用于图像分类、目标识别、图像检索等应用，通过对纹理特征的提取和分析，可以更好地理解图像内容和结构，从而实现对图像的自动分析和理解。

将表３与高光谱数据进行结合。高光谱数据既包括地物的连续光谱信息，还具有丰富的地物空间分布信息，只考虑光谱特征部分的信息，不能很好地对高光谱图像进行分析。纹理特征是由影像特征值组成，可以在一定程度上改善高光谱图像的分类效果。灰度共生矩阵（ＧＬＣＭ）是一种通过研究灰度的空间相关特性来描述纹理特征的常用方法，可以有效地表达高光谱影像的空间特征。本研究在图像处理软件中对高光谱遥感影像进行主成分分析处理，提取包含信息量最大的第一主成分，对其进行灰度共生矩阵计算，选用二阶概率统计滤波提取纹理特征。

续~

推荐：

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇