0 引言
高光譜遙感具有光譜分辨率高、波段范圍窄、圖譜合一、連續(xù)成像等特點(diǎn)，能夠區(qū)分出地物光譜的細(xì)微差別，探測(cè)到其他寬波段遙感無(wú)法探測(cè)的信息。因此，高光譜遙感在生態(tài)、大氣和海洋等諸多應(yīng)用領(lǐng)域具有很大優(yōu)勢(shì)。近年來(lái)，高光譜遙感在林業(yè)方面的一個(gè)重要應(yīng)用是對(duì)森林樹(shù)種類型進(jìn)行識(shí)別。森林樹(shù)種類型識(shí)別的主要目的是提取樹(shù)種的專題信息，為劃分森林類型、繪制林相圖和清查森林資源提供基礎(chǔ)和依據(jù)。目前，國(guó)內(nèi)外利用高光譜遙感進(jìn)行樹(shù)種識(shí)別主要是從葉片、冠層和高光譜影像3個(gè)研究尺度開(kāi)展?；谌~片的樹(shù)種識(shí)別主要是對(duì)葉片反射率及其變換形式運(yùn)用統(tǒng)計(jì)方法、遺傳算法等進(jìn)行分析，以樹(shù)種識(shí)別的可行性分析與識(shí)別潛力為主要研究?jī)?nèi)容；基于冠層的樹(shù)種識(shí)別主要運(yùn)用光譜信息散度法、光譜角填圖法等基于光譜信息的遙感圖像分類方法，并利用地物光譜儀獲取的林分冠層反射率曲線，進(jìn)行樹(shù)種分類；基于高光譜影像的樹(shù)種識(shí)別主要通過(guò)對(duì)影像進(jìn)行去噪降維等預(yù)處理后，運(yùn)用監(jiān)督或非監(jiān)督分類的方法進(jìn)行樹(shù)種識(shí)別。
國(guó)外已有很多學(xué)者對(duì)高光譜樹(shù)種識(shí)別進(jìn)行了研究。Gong等利用ANN分類法對(duì)光譜數(shù)據(jù)進(jìn)行判別，區(qū)分出1種闊葉樹(shù)種和6種針葉樹(shù)種，分類精度大于90%；Martin等利用AVIRIS高光譜數(shù)據(jù)與樹(shù)種葉片化學(xué)成分之間的關(guān)系，鑒別出11種樹(shù)種類型，可有效進(jìn)行樹(shù)種分類；Petropoulos等分別采用支持向量機(jī)和基于對(duì)象的分類方法，對(duì)Hyperion高光譜影像進(jìn)行土地覆蓋類型分類，雖2 種分類效果均較好，但基于對(duì)象的分類方法精度更高。國(guó)內(nèi)也有越來(lái)越多的學(xué)者進(jìn)行森林樹(shù)種識(shí)別探究。童慶禧等利用光譜波形匹配算法對(duì)MAIS高光譜影像進(jìn)行植被類型識(shí)別，獲得了潘陽(yáng)湖典型濕地的植被分類圖，對(duì)高光譜的樹(shù)種識(shí)別提供了實(shí)用依據(jù)；王圓圓等采用隨機(jī)子空間法對(duì)OMIS高光譜遙感數(shù)據(jù)進(jìn)行識(shí)別，并利用遺傳算法來(lái)提高分類精度；劉秀英等使用地物光譜儀測(cè)得的光譜數(shù)據(jù)，采用逐步判別分析方法、特征波段選擇等方法識(shí)別出4種樹(shù)種。綜上所述，國(guó)內(nèi)外利用高光譜數(shù)據(jù)進(jìn)行樹(shù)種識(shí)別的研究已取得階段性的進(jìn)展，從研究方法看，主要基于不同樹(shù)種具有不同光譜特征的原理，通過(guò)特征波段的合理選擇，或者通過(guò)波段變換對(duì)高光譜數(shù)據(jù)進(jìn)行降維來(lái)識(shí)別樹(shù)種。
高光譜影像波段數(shù)多，信息量大，為地物的精細(xì)識(shí)別提供優(yōu)勢(shì)的同時(shí)，也帶來(lái)了數(shù)據(jù)量多，波段間相關(guān)性大，處理精度和效率下降的問(wèn)題。本文以上海交通大學(xué)植物園為研究區(qū)，利用無(wú)人機(jī)高光譜數(shù)據(jù)，運(yùn)用z佳指數(shù)波段選擇法和see5.0決策樹(shù)自動(dòng)分類相結(jié)合進(jìn)行樹(shù)種識(shí)別，有利于無(wú)人機(jī)高光譜數(shù)據(jù)分類識(shí)別精度的進(jìn)一步提高。
1 研究區(qū)及數(shù)據(jù)源
研究區(qū)位于上海交通大學(xué)閔行校區(qū)植物園，如圖1所示。
圖1 研究區(qū)域位置
2017年7月28日，運(yùn)用大疆的無(wú)人機(jī)M600 Pro搭載四川雙利合譜科技有限公司自足研發(fā)的GaiaSky-mini2在上海交通大學(xué)閔行校區(qū)植物園上空進(jìn)行數(shù)據(jù)采集。數(shù)據(jù)獲取當(dāng)天晴朗無(wú)（少）云，飛行高度為200米，采用無(wú)人機(jī)懸停高光譜相機(jī)內(nèi)置推掃的方式獲取高光譜數(shù)據(jù)。獲取的高光譜影像數(shù)據(jù)具體參數(shù)見(jiàn)表1，無(wú)人機(jī)高光譜相機(jī)如圖2所示。
表1 高光譜影像數(shù)據(jù)具體參數(shù)
| 參數(shù) | 光譜范圍/nm | 波段個(gè)數(shù) | 圖像分辨率 | 空間分辨率 | 單景幅寬/m | 光譜分辨率/nm | 鏡頭焦距/mm |
| GaiaSky | 400-1000 | 176 | 1920*1400 | 10cm | 95*95 | 3.5 | 18.5 |
圖2 無(wú)人機(jī)高光譜起飛示意圖
無(wú)人機(jī)搭載的高光譜相機(jī)獲取的高光譜數(shù)據(jù)為數(shù)字量化值（簡(jiǎn)稱DN值），無(wú)物理意義，需轉(zhuǎn)化為具有物理意義的反射率數(shù)據(jù)。具體轉(zhuǎn)化方式如公式1所示。
（1）
其中，Reftarget為目標(biāo)物的反射率，DNtarget為目標(biāo)物的DN值，DNdark為相機(jī)本身的暗點(diǎn)流DN值，DNwhite為參考板的DN值，Refwhite為參考板的反射率。
降噪的目的主要是為了突出圖像的特征信息，提高圖像的信噪比。本研究利用ENVI5.3自帶的curve smoothing對(duì)圖像進(jìn)行降噪處理，處理結(jié)果如圖3。
.jpg)
圖3光譜降噪前后的反射率（左為降噪前，右為降噪后）
圖4分別列舉了四種不同樹(shù)種、雜草、樹(shù)蔭、水體和裸土的光譜反射率曲線，從圖4可知，水體、裸土和樹(shù)蔭的反射率光譜曲線與植物的反射率光譜曲線差異較大，可利用波段閾值等方法將其與植物區(qū)分開(kāi)，但對(duì)于雜草和不同樹(shù)種之間的分類識(shí)別則不能通過(guò)簡(jiǎn)單的波段閾值進(jìn)行區(qū)分。
圖4不同樹(shù)種與地面其他地物的光譜反射率
目前應(yīng)用比較廣泛的Z佳波段選取方法有各波段信息量的比較、波段間相關(guān)性比較、Z佳指數(shù)法(O IF)、各波段數(shù)據(jù)的信息熵和聯(lián)合熵、協(xié)方差矩陣特征值法、波段指數(shù)法等。
在各種方法中，由美國(guó)查維茨提出的Z佳指數(shù)法( OIF)綜合考慮單波段圖像的信息量及各波段間的相關(guān)性，更接近于波段選擇的原則，且計(jì)算簡(jiǎn)單，易于實(shí)現(xiàn)，得到廣泛的應(yīng)用。OIF指數(shù)的計(jì)算公式如下：
(2)
其中：Si為第i個(gè)波段的標(biāo)準(zhǔn)差，Rij為i、j 兩波段的相關(guān)系數(shù)。對(duì)n波段圖像，先統(tǒng)計(jì)計(jì)算單波段圖像的標(biāo)準(zhǔn)差，計(jì)算各波段間的相關(guān)系數(shù)矩陣，再分別求出所有可能的波段組合對(duì)應(yīng)的OIF指數(shù)，根據(jù)該指數(shù)大小來(lái)判斷各種波段組合的優(yōu)劣。指數(shù)越大，則相應(yīng)組合影像所包含的信息量就越大。對(duì)OIF指數(shù)從大到小進(jìn)行排序，Z大O IF指數(shù)對(duì)應(yīng)的波段組合即為Z佳波段組合。以圖5為例，利用OIF篩選高光譜數(shù)據(jù)的特別波段，表2分別列舉了*個(gè)特征波段組合及對(duì)應(yīng)的OIF指數(shù)。從表2可知利用Z佳指數(shù)法篩選的特征波段*個(gè)波長(zhǎng)組合對(duì)應(yīng)的波長(zhǎng)位置相差不大，且OIF指數(shù)值也十分接近。
.jpg)
圖5 無(wú)人機(jī)高光譜采集的單景影像（RGB彩色合成）
表2 OIF指數(shù)篩選的*個(gè)波段組合
| 組合排列 | 波段組合（nm） | OIF指數(shù) |
| 1 | 485.6、784.2、878 | 0.29319887 |
| 2 | 485.6、780.7、878 | 0.29317102 |
| 3 | 485.6、784.2、881.6 | 0.29310915 |
| 4 | 485.6、784.2、874.3 | 0.29310489 |
| 5 | 485.6、780.7、881.6 | 0.29308453 |
| 6 | 485.6、780.7、878 | 0.29307423 |
| 7 | 482.4、784.2、878 | 0.29307401 |
| 8 | 482.4、780.7、878 | 0.29304684 |
| 9 | 485.6、863.4、870.7 | 0.29303626 |
| 10 | 485.6、784.2、874.3 | 0.29300225 |
see5.0機(jī)器學(xué)習(xí)規(guī)則軟件是美國(guó)USGS在完成國(guó)家土地覆蓋制圖(NLCD)項(xiàng)目中開(kāi)發(fā)的一個(gè)自動(dòng)提取分類規(guī)則的數(shù)據(jù)挖掘工具。表3為利用全波段和特征波段進(jìn)行樹(shù)種識(shí)別的總體分類精度、Kappa系數(shù)和運(yùn)行時(shí)間，從表中可知，利用特征波段運(yùn)行時(shí)間更短，且精度與利用全波段進(jìn)行分析的精度接近。
表3 不同組合分類精度對(duì)比分析
| 分類方法 | 總體分類精度 | Kappa系數(shù) | 運(yùn)行時(shí)間 |
| 全波段+see5.0 | 96.7% | 0.94 | 38min |
| 特征波段+see5.0 | 95.3% | 0.93 | 1min |
考慮到用戶科研數(shù)據(jù)的保密性，本研究?jī)H用單景高光譜影像數(shù)據(jù)進(jìn)行不同樹(shù)種的分類識(shí)別，分類識(shí)別結(jié)果如圖6所示。用戶可利用無(wú)人機(jī)高光譜相機(jī)獲取的多組數(shù)據(jù)進(jìn)行拼接，然后再進(jìn)行樹(shù)種的分類，步驟和算法均是相同的。
圖6 利用特征波段+see5.0的分類效果圖
本研究利用四川雙利合譜科技有限公司自主研發(fā)的無(wú)人機(jī)高光譜相機(jī)GaiaSky-mini2，通過(guò)鏡像處理、黑白幀校正和降噪等預(yù)處理，并采用Z佳指數(shù)法篩選特征波長(zhǎng)，選用see5.0分類方法進(jìn)行分類識(shí)別不同的樹(shù)種和其他地物，得出如下結(jié)論:
1) 該無(wú)人機(jī)高光譜數(shù)據(jù)共176個(gè)波段，采用Z佳指數(shù)法獲取的三個(gè)特征波長(zhǎng)，可以很好地刻畫區(qū)分各個(gè)類別，實(shí)現(xiàn)樹(shù)種級(jí)的識(shí)別；
2) 采用特征波長(zhǎng)和全波段進(jìn)行地物的區(qū)分，其分類精度差別不大；
3) 經(jīng)實(shí)地驗(yàn)證，各類別范圍和分布區(qū)域較準(zhǔn)，特征波段+see5.0的總體分類精度達(dá)到95.3%，Kappa系數(shù)為 0.93。
4) 由于數(shù)據(jù)的保密性，未對(duì)拼接好的無(wú)人機(jī)高光譜影像數(shù)據(jù)進(jìn)行不同樹(shù)種的分類識(shí)別。拼接好的高光譜影像數(shù)據(jù)覆蓋的地面范圍更廣，樹(shù)種更多，影像中的其他地物也更多，不同地物之間可能存在“同物異譜，異物同譜”的現(xiàn)象，對(duì)于不同樹(shù)種之間分分類識(shí)別難度更大，可能需要進(jìn)一步改進(jìn)波段選擇的方法和分類方法，方能更好地區(qū)分不同的樹(shù)種。
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號(hào)：蘇ICP備2021046114號(hào)-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服