萊森光學(xué)：無人機(jī)高光譜遙感的太行山經(jīng)濟(jì)林樹種識(shí)別研究

來源：發(fā)布時(shí)間：2024-09-29

續(xù)~

基于無人機(jī)高光譜遙感的太行山經(jīng)濟(jì)林樹種識(shí)別研究2.0

3.4不同分類方法精度評(píng)價(jià)

本研究的６種不同特征組合分別為植被指數(shù)、特征波段、植被指數(shù)＋特征波段、植被指數(shù)＋ＧＬ－ＣＭ、特征波段＋ＧＬＣＭ、３種特征組合（特征波段＋植被指數(shù)＋ＧＬＣＭ），以下分別用特征１～６來表示?；冢撤N分類方法的識(shí)別精度評(píng)價(jià)見表４、表５、表６。

表４基于比較大似然法的不同特征組合識(shí)別精度評(píng)價(jià)

由表４可知，在比較大似然法下*植被指數(shù)特征參與樹種識(shí)別時(shí)，ＯＡ為８３．１２％，Ｋａｐｐａ系數(shù)為０．７３９９?；谔卣鞑ǘ蔚臉浞N識(shí)別結(jié)果中，ＯＡ為９３．８４％，Ｋａｐｐａ系數(shù)為０．８９６３。效果比較好的是植被指數(shù)與特征波段共同參與樹種識(shí)別，其結(jié)果顯示ＯＡ達(dá)到了９４．０１％，Ｋａｐｐａ系數(shù)為０．８９８８，所有樹種的ＰＡ均超過了８０％，ＵＡ均在７５％以上，其中洋槐和核桃的ＰＡ、ＵＡ都超過了９０％，柿和杏樹的ＵＡ較低，達(dá)到了７５％。在增加紋理特征進(jìn)行樹種識(shí)別時(shí)，基于植被指數(shù)與ＧＬＣＭ組合的ＯＡ為８３．５３％，Ｋａｐｐａ系數(shù)為０．７４２１，與單一植被指數(shù)特征的識(shí)別精度相比提高了０．４１個(gè)百分點(diǎn)。

通過對(duì)比生產(chǎn)者精度，基于植被指數(shù)的樹種識(shí)別中，ＭＬＣ對(duì)洋槐的識(shí)別精度較低，但對(duì)其他５種樹種的識(shí)別精度較高；基于特征波段的樹種識(shí)別中，ＭＬＣ對(duì)柿、洋槐、櫻桃、杏樹和核桃的識(shí)別精度更高，此５種樹種的識(shí)別精度均達(dá)到了９０％以上；基于特征波段與植被指數(shù)組合的樹種識(shí)別中，柿、核桃和杏樹在利用ＭＬＣ分類時(shí)，精度較高；基于植被指數(shù)與紋理特征組合的樹種識(shí)別中，ＭＬＣ在柿和核桃的識(shí)別中較其他２種分類方法減少了漏分，精度較高；基于特征波段與紋理特征組合的樹種識(shí)別中，對(duì)于核桃和柿，ＭＬＣ在識(shí)別效果上表現(xiàn)出更高的精度。通過對(duì)比用戶精度，基于植被指數(shù)的樹種識(shí)別中，ＭＬＣ在核桃識(shí)別上效果更好，而在柿的識(shí)別上，ＭＬＣ的識(shí)別精度均表現(xiàn)為較低水平；基于特征波段的樹種識(shí)別中，ＭＬＣ在洋槐和核桃的識(shí)別上精度更高；基于特征波段與植被指數(shù)組合的樹種識(shí)別中，ＭＬＣ在洋槐和核桃的識(shí)別上具有更高的精度；基于植被指數(shù)與紋理特征組合的樹種識(shí)別中，ＭＬＣ對(duì)洋槐和核桃的識(shí)別精度較高；基于特征波段與紋理特征組合的樹種識(shí)別中，相比于另外３種樹種的識(shí)別而言，ＭＬＣ在洋槐和核桃的識(shí)別上效果更好。

表５基于隨機(jī)森林法的不同特征組合識(shí)別精度評(píng)價(jià)

由表５可知，在隨機(jī)森林方法下*植被指數(shù)特征參與樹種識(shí)別時(shí)，ＯＡ達(dá)到了９１．７６％，Ｋａｐｐａ系數(shù)為０．８５３３。基于特征波段進(jìn)行樹種識(shí)別時(shí)，ＯＡ為９０．３２％，Ｋａｐｐａ系數(shù)為０．８２８４，與單一植被指數(shù)特征進(jìn)行識(shí)別相比，ＯＡ降低了１．４４個(gè)百分點(diǎn)，Ｋａｐｐａ系數(shù)減少了０．０２４９。使用特征組合進(jìn)行分類的精度比較高，ＯＡ為９２．５４％，Ｋａｐｐａ系數(shù)為０．８６７３，其中洋槐、櫻桃、杏樹、核桃的ＰＡ均超過了８５％，除杏樹的其他５種樹種的ＵＡ都在８０％以上。加入紋理特征后，特征波段與ＧＬＣＭ組合、３種特征共同參與分類時(shí)，總體精度有一定的提高，ＯＡ分別為９１．２４％、９２．５４％，提高了０．９２和０．０７個(gè)百分點(diǎn)。通過對(duì)比生產(chǎn)者精度，基于植被指數(shù)的樹種識(shí)別中，相較于核桃，ＲＦ對(duì)其他５種樹種的識(shí)別存在漏分；基于特征波段的樹種識(shí)別中，ＲＦ對(duì)核桃的識(shí)別精度較高，但對(duì)蘋果的識(shí)別精度較低，*為６５．２０％；基于特征波段與植被指數(shù)組合的樹種識(shí)別中，ＲＦ對(duì)核桃的識(shí)別精度較高，但對(duì)蘋果、柿、櫻桃和杏樹的識(shí)別精度較低；基于植被指數(shù)與紋理特征組合的樹種識(shí)別中，ＲＦ在洋槐、核桃和杏樹的識(shí)別精度較高，均達(dá)到了９７％以上；基于特征波段與紋理特征組合的樹種識(shí)別中，ＲＦ在洋槐、杏樹和核桃的識(shí)別上具有良好表現(xiàn)，精度較高，均達(dá)到了９８％以上。通過對(duì)比用戶精度，基于植被指數(shù)的樹種識(shí)別中，ＲＦ在核桃的識(shí)別精度表現(xiàn)為較高水平，識(shí)別精度達(dá)到９８．７４％；基于特征波段的樹種識(shí)別中，ＲＦ在核桃的識(shí)別上精度更高；基于特征波段與植被指數(shù)組合的樹種識(shí)別中，ＲＦ在洋槐和核桃的識(shí)別上具有更高的精度；基于植被指數(shù)與紋理特征組合的樹種識(shí)別中，ＲＦ在洋槐、核桃、蘋果和櫻桃的識(shí)別過程中減少了錯(cuò)分現(xiàn)象，識(shí)別精度較高；基于特征波段與紋理特征組合的樹種識(shí)別中，ＲＦ對(duì)核桃的識(shí)別精度較其他樹種而言較高。

表６基于支持向量機(jī)法的不同特征組合識(shí)別精度評(píng)價(jià)

由表６可知，在支持向量機(jī)方法下基于植被指數(shù)特征進(jìn)行樹種識(shí)別時(shí)，ＯＡ達(dá)到了９０．４１％，Ｋａｐ－ｐａ系數(shù)為０．８２９１。基于特征波段進(jìn)行識(shí)別的結(jié)果中，ＯＡ為９４．８９％，Ｋａｐｐａ系數(shù)為０．９１１７。采用植被指數(shù)與特征波段組合分類結(jié)果中，ＯＡ為９５．０１％，Ｋａｐｐａ系數(shù)為０．９１４０，與使用植被指數(shù)和特征波段進(jìn)行分類的結(jié)果相比，ＯＡ分別提高了４．６０和０．１２個(gè)百分點(diǎn)，Ｋａｐｐａ系數(shù)分別提高了０．０８４９和０．００２３。其中洋槐、櫻桃、核桃的ＰＡ和ＵＡ均在９０％以上，蘋果的ＰＡ超過了８４％，ＵＡ達(dá)到９２％，柿和杏樹的ＰＡ在９０％以上，ＵＡ接近８０％。結(jié)合紋理特征進(jìn)行識(shí)別時(shí)，植被指數(shù)與ＧＬ－ＣＭ組合、３種特征組合的總體識(shí)別精度分別為９１．２６％、９５．１１％，提高了０．８５、０．１０個(gè)百分點(diǎn)，Ｋａｐｐａ系數(shù)分別為０．８４５０、０．９１５８。

結(jié)果表明，加入紋理特征在一定程度上可以提升研究區(qū)樹種的分類精度。通過對(duì)比生產(chǎn)者精度，基于植被指數(shù)的樹種識(shí)別中，ＳＶＭ對(duì)洋槐的識(shí)別效果明顯優(yōu)于其他２種方法，精度達(dá)到了９５．９５％；基于特征波段的樹種識(shí)別中，ＳＶＭ對(duì)杏樹的識(shí)別精度更高，優(yōu)于其他２種分類方法；基于特征波段與植被指數(shù)組合的樹種識(shí)別中，ＳＶＭ在蘋果和核桃的識(shí)別上與另外２種方法相比效果略佳；基于植被指數(shù)與紋理特征組合的樹種識(shí)別中，ＳＶＭ對(duì)蘋果的識(shí)別精度略高于另外２種分類方法，識(shí)別效果更好；基于特征波段與紋理特征組合的樹種識(shí)別中，ＳＶＭ在洋槐、杏樹和核桃的識(shí)別上具有良好表現(xiàn)，精度較高。通過對(duì)比用戶精度，基于植被指數(shù)的樹種識(shí)別中，ＳＶＭ對(duì)洋槐、櫻桃和核桃的識(shí)別精度較高；基于特征波段的樹種識(shí)別中，ＳＶＭ對(duì)洋槐和核桃的識(shí)別精度更高，且除柿外精度均在８０％以上；基于特征波段與植被指數(shù)組合的樹種識(shí)別中，ＳＶＭ的識(shí)別效果比較好，特別是洋槐和核桃的識(shí)別上表現(xiàn)出較好的效果；基于植被指數(shù)與紋理特征組合的樹種識(shí)別中，ＳＶＭ在洋槐和核桃的識(shí)別上表現(xiàn)出較好的結(jié)果；基于特征波段與紋理特征組合的樹種識(shí)別，在蘋果、櫻桃和核桃的樹種識(shí)別中，ＳＶＭ算法的識(shí)別效果優(yōu)于ＭＬＣ和ＲＦ算法。無論是就生產(chǎn)者精度而言還是就用戶精度而言，大多數(shù)樹種均超過了８０％。從單個(gè)樹種的識(shí)別精度看，與ＭＬＣ相比，ＳＶＭ減少了蘋果的漏分和錯(cuò)分；與ＲＦ相比，減少了蘋果、柿、櫻桃、杏樹、核桃的漏分和錯(cuò)分。ＳＶＭ相比ＭＬＣ和ＲＦ算法，識(shí)別精度更高、效果更好，在６種樹種識(shí)別中具有一定的適用性。此外，從識(shí)別結(jié)果中可以看出３種分類方法對(duì)６種樹種整體識(shí)別效果較好，能夠區(qū)分出不同樹種，達(dá)到分類目的，但同時(shí)均有不同程度的錯(cuò)分和混分現(xiàn)象。對(duì)于蘋果和櫻桃的混分，原因是研究區(qū)內(nèi)櫻桃種植數(shù)量少、樹冠小，與蘋果樹長勢(shì)相近，并且二者光譜特征相似，一定程度上增加了識(shí)別難度，造成混分現(xiàn)象。對(duì)于柿與蘋果的混分現(xiàn)象，原因是柿的樹冠大、長勢(shì)優(yōu)于蘋果，呈現(xiàn)的圖像中光譜反射率較強(qiáng)，同時(shí)與其他樹種相鄰種植，光譜特征相似，給識(shí)別造成困難，導(dǎo)致混分現(xiàn)象的發(fā)生。

3.5不同分類方法精度評(píng)價(jià)基于3中特征組合的不同分類方法結(jié)果比較

在植被指數(shù)、特征波段、紋理特征共同參與研究區(qū)６種樹種識(shí)別時(shí)，識(shí)別結(jié)果如圖３所示。

圖３基于３種特征組合的３種分類方法識(shí)別結(jié)果圖

由圖３可知，３種分類方法對(duì)研究區(qū)的樹種整體識(shí)別效果較好，能夠區(qū)分出不同樹種，達(dá)到分類目的，但同時(shí)均有不同程度的混分現(xiàn)象。對(duì)于蘋果和櫻桃的混分，原因是研究區(qū)內(nèi)櫻桃種植數(shù)量少、樹冠小，與蘋果樹長勢(shì)相近，并且二者光譜特征相似，一定程度上增加了分類難度，造成混分現(xiàn)象。對(duì)于柿與蘋果的混分現(xiàn)象，原因是柿的樹冠大、長勢(shì)優(yōu)于蘋果，呈現(xiàn)的圖像中光譜反射率較強(qiáng)，同時(shí)與其他樹種相鄰種植，光譜特征相似，給分類造成困難，導(dǎo)致混分現(xiàn)象的發(fā)生。

五、結(jié)論

以河北省保定市滿城區(qū)龍門山莊的植被修復(fù)區(qū)為研究區(qū)域，選擇５種經(jīng)濟(jì)林樹種：柿、蘋果、櫻桃、杏、核桃和生態(tài)林對(duì)照樹種：洋槐，共６種樹種為研究對(duì)象，利用地物光譜儀測(cè)定各樹種的葉片和冠層光譜數(shù)據(jù)，使用無人機(jī)高光譜遙感獲取各樹種的高光譜影像數(shù)據(jù)，對(duì)６種樹種的地面光譜數(shù)據(jù)和無人機(jī)高光譜數(shù)據(jù)進(jìn)行光譜特征分析，構(gòu)建各樹種植被指數(shù)特征及紋理特征，采用不同分類方法對(duì)６種樹種進(jìn)行識(shí)別，并對(duì)識(shí)別結(jié)果進(jìn)行精度評(píng)價(jià)，**終確定適合６種樹種的識(shí)別方案。主要研究結(jié)論如下：

（１）分析比較柿、蘋果、櫻桃等６種樹種的光譜特征，建立光譜數(shù)據(jù)庫。通過對(duì)比分析６種樹種的地面葉片、冠層光譜特征及無人機(jī)冠層光譜特征，可以得出在可見光波段中的綠光區(qū)域和紅光區(qū)域，各個(gè)樹種之間具有較大差異，其中波長的反射峰在５５０ｎｍ左右、７５０～９５０ｎｍ之間及９６０ｎｍ附近的水汽吸收帶，差異明顯。

（２）篩選出６種樹種無人機(jī)遙感影像的特征波段，構(gòu)建了植被指數(shù)特征及紋理特征。通過圖像處理軟件等平臺(tái)，基于連續(xù)投影算法（ＳＰＡ）對(duì)研究區(qū)無人機(jī)高光譜遙感數(shù)據(jù)進(jìn)行特征波段篩選，選擇結(jié)果為ｂ９、ｂ４７、ｂ８４、ｂ９２、ｂ１０１、ｂ１１２、ｂ１３８、ｂ１５３、ｂ１６３、ｂ１６７，共１０個(gè)波段，各波段對(duì)應(yīng)波長分別為４２３．８、５４７．８、６７３．０、７００．６、７３２．０、７７０．６、８６３．５、９１８．０、９５４．８、９６９．６ｎｍ；通過特征重要性評(píng)估篩選植被指數(shù)，得到７個(gè)植被指數(shù)：簡單比值指數(shù)（ＳＲ）、類胡蘿卜素反射指數(shù)２（ＣＲＩ２）、綠波段指數(shù)（ＧＲＶＩ）、歸一化脫鎂作用指數(shù)（ＮＰＱＩ）、Ｖｏ－ｇｅｌｍａｎｎ紅邊指數(shù)１（ＶＯＧ１）、歸一化植被指數(shù)（ＮＤＶＩ）、簡單色素比值指數(shù)（ＳＲＰＩ）；通過計(jì)算高光譜遙感影像的灰度共生矩陣（ＧＬＣＭ），得到均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相關(guān)性，共８項(xiàng)紋理特征，進(jìn)行后續(xù)分類研究。

（３）對(duì)研究區(qū)６種樹種進(jìn)行高光譜遙感識(shí)別，得到比較好識(shí)別方案。通過分別構(gòu)建基于特征波段、植被指數(shù)、特征波段與植被指數(shù)組合、特征波段與紋理特征組合、植被指數(shù)與紋理特征組合、３種特征組合，共６種分類特征，結(jié)合比較大似然法（ＭＬＣ）、隨機(jī)森林法（ＲＦ）和支持向量機(jī)法（ＳＶＭ）３種分類方法對(duì)６種樹種進(jìn)行識(shí)別，得到各樹種分布情況并對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)。

綜上所述，３種分類方法中采用ＳＶＭ算法的樹種識(shí)別精度比較高，而ＭＬＣ和ＲＦ算法針對(duì)不同的分類特征，所表現(xiàn)出來的識(shí)別效果各不相同。在ＳＶＭ分類方法中，基于３種特征組合的識(shí)別效果比較好，其總體精度達(dá)到了９５．１１％，Ｋａｐｐａ系數(shù)為０．９１５８，表現(xiàn)出較好的識(shí)別效果，相較于ＭＬＣ總體精度提高了１．１５％，相比于ＲＦ總體精度提高了２．５７％。綜上所述，基于特征波段、植被指數(shù)、紋理特征３種特征組合并采用支持向量機(jī)（ＳＶＭ）分類的識(shí)別方法，為６種樹種識(shí)別的比較好識(shí)別方法。