基于無人機(jī)高光譜影像的三江源草種精細(xì)識別研究

引言

三江源區(qū)地處青海省南部，地處長江、黃河、瀾滄江三大支流交匯之處，被譽(yù)為“中華水塔”，是我國重要的生態(tài)屏障，也是我國經(jīng)濟(jì)發(fā)展的必然選擇。西藏是青藏高原的核心區(qū)域，也是我國青藏高原的核心區(qū)域，也是世界上最具代表性、最具代表性的高山植物區(qū)，也是世界上最具代表性的區(qū)域之一。三江源區(qū)是我國北方典型的草原，受全球氣候變化及人為活動(dòng)的干擾，草原生態(tài)系統(tǒng)發(fā)生了嚴(yán)重的退化。三江源地區(qū)草原生態(tài)系統(tǒng)的退化有兩種方式：一是草原生物量的下降，二是草原生態(tài)系統(tǒng)的改變。草原生態(tài)系統(tǒng)的退化是草原生態(tài)系統(tǒng)退化的一個(gè)重要特征，而草原生態(tài)系統(tǒng)退化是草原生態(tài)系統(tǒng)退化的一個(gè)重要特征。現(xiàn)有的研究方法，主要是基于單時(shí)期或多時(shí)期的遙感圖像，通過反演的凈初級生產(chǎn)力、NDVI等指標(biāo)，來反應(yīng)植被的覆蓋程度，進(jìn)而對其進(jìn)行退化程度的分類，從而獲得草原退化的現(xiàn)狀或動(dòng)態(tài)變化特征。另一些學(xué)者則是利用遙感圖像的可視性解譯來獲得三江源區(qū)的植被覆蓋面，并對其進(jìn)行歸類分析。草原群落結(jié)構(gòu)的改變以優(yōu)良牧草物種數(shù)量下降而有毒野草物種數(shù)量上升為主。由于有毒野草物種及蓋度的不斷提高，使得單純以植被蓋度、 NDVI及 NPP等指標(biāo)的改變來指示草原退化，并不能很好地反映草原退化的實(shí)際狀況。因此，為了更好地了解草原生態(tài)系統(tǒng)的動(dòng)態(tài)，需要對草原生態(tài)系統(tǒng)中的群落進(jìn)行分類。

高光譜遙感可同時(shí)獲得近百個(gè)連續(xù)波段的反射率信息，其所蘊(yùn)含的豐富波譜信息可用于更好地檢測植被的物理、化學(xué)性質(zhì)。近年來，基于地表觀測的高光譜遙感技術(shù)，在草原生態(tài)系統(tǒng)中應(yīng)用了多種遙感技術(shù)，并在此基礎(chǔ)上，提出了一種基于遙感技術(shù)的草原生態(tài)系統(tǒng)的分類方法。但在三江源地區(qū)，在高寒草甸和高山草原等退化草原上，有關(guān)草種的精確鑒定和鑒定工作卻鮮見報(bào)道。

高光譜遙感影像的高維性和非線性特性，導(dǎo)致了傳統(tǒng)的遙感影像分類算法在處理過程中出現(xiàn)了“不適定”。低空高光譜遙感由于其高分辨率的特點(diǎn)，使地物類內(nèi)光譜分異顯著，而類間光譜分異顯著降低。但目前三江源地區(qū)的牧草種類鑒定主要依靠的是地基觀測的光譜學(xué)資料，不能進(jìn)行大范圍的鑒定。目前，國內(nèi)外已有的遙感遙感技術(shù)主要是針對作物的遙感遙感，而針對草原物種的遙感遙感技術(shù)尚未見報(bào)道。實(shí)驗(yàn)利用三江源區(qū)的無人機(jī)高光譜影像，在對原始高光譜數(shù)據(jù)進(jìn)行特征挖掘的基礎(chǔ)上，探究結(jié)合空間—光譜特征的稀疏表示方法對識別三江源區(qū)草種精細(xì)識別效果，并在此基礎(chǔ)上提出利用形狀自適應(yīng)鄰域信息對識別結(jié)果進(jìn)行改善的方法。

研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)概況

瑪多縣位于黃河源地區(qū)，位于青藏高原的中心地帶，位于青海省的南部，是黃河的首個(gè)流經(jīng)之地，以高寒草地和高寒草地為主。在過去的幾年里，由于長期的超限放牧和氣候的改變，松毛蟲等主要物種的數(shù)量逐漸減少，一些不喜歡吃的、毒性較強(qiáng)的、或與之相關(guān)的物種的出現(xiàn)，使得松毛蟲的數(shù)量不斷減少，從而造成了“黑土灘”的出現(xiàn)。研究區(qū)位于瑪多縣花石峽鎮(zhèn)，是草地退化的典型區(qū)，如圖1（a）所示。

2.2 數(shù)據(jù)源

實(shí)驗(yàn)所用高光譜影像數(shù)據(jù)可由大疆M600無人機(jī)載iSpecHyper-VM系列無人機(jī)載高光譜成像系統(tǒng)獲取。飛行天氣晴朗，風(fēng)力較小。數(shù)據(jù)經(jīng)過輻射校正、大氣校正、拼接與融合等預(yù)處理。研究區(qū)假彩色合成影像如圖1（b）所示。

（a）研究區(qū)地理位置（b）無人機(jī)高光譜假彩色影像

圖1研究區(qū)地理位置與無人機(jī)高光譜影像

根據(jù)現(xiàn)場考察情況，確認(rèn)研究區(qū)內(nèi)草種主要為矮火絨、棘豆、細(xì)葉亞菊、苔蘚等各類毒雜草和小嵩草、針茅、藏嵩草與苔草等可食草。不同草種照片如圖2（b）~2（i）所示。

圖2現(xiàn)場樣方布設(shè)圖與草種照片

如圖2（a）所示，在圖像上，按照 GPS坐標(biāo)和編號的次序，找出每一個(gè)控制點(diǎn)所對應(yīng)的樣方位置，利用照片和現(xiàn)場的記錄信息，來判斷在樣方框中，不同位置的草種類型，并進(jìn)行樣品的選取。因?yàn)榭刂泣c(diǎn)的數(shù)目是有限的，所以在控制點(diǎn)周圍的草種樣品也是根據(jù)照片來選擇的，共獲得包括矮火絨、棘豆、苔蘚、細(xì)葉亞菊、苔草、嵩草（兩類）、針茅8種草種的樣本，并在影像上目視判別選取裸土樣本，獲取的樣本分布如圖3所示。根據(jù)獲取的樣本得到草種和裸地的光譜曲線信息如圖4所示。

圖3樣本分布圖

圖4不同草種的光譜曲線

由于退化情況比較嚴(yán)重草地的覆蓋度較低，并且藏嵩草與針茅已經(jīng)開始枯萎，草種在660nm處的吸收峰不明顯，而在550nm處的反射峰幾乎都消失了。矮火絨、藏嵩草、針茅與裸地的光譜特征在可見光波段非常相似，矮火絨、棘豆與細(xì)葉亞菊在近紅外波段處的反射特征較為相似。苔草的反射率整體相對于其他地物較高，而苔蘚的反射率整體略小于其他地物。

研究方法

基于無人機(jī)高光譜影像的草種精細(xì)識別方法如圖5所示。

圖5研究方法技術(shù)路線圖強(qiáng)決策樹

3.1 基于XGBoost的波段選擇

高光譜數(shù)據(jù)的高維特性使得不同波段之間相關(guān)性高且易造成維數(shù)災(zāi)難等問題。因此對原始高維光譜特征進(jìn)行選擇能有效降低波段之間的相關(guān)性并減少計(jì)算量。根據(jù)優(yōu)化分布式梯度增，通過計(jì)算模型中每個(gè)樹的每個(gè)特征的貢獻(xiàn)值即每個(gè)特征的增益值確定每個(gè)特征的重要性程度。該方法作為一種有效的特征選擇方法而被廣泛應(yīng)用于高光譜遙感。

3.2 擴(kuò)展形態(tài)學(xué)屬性剖面特征提取與融合

對于高空間分辨率的影像，場景中結(jié)構(gòu)的幾何特征具有很大的感知意義，可以有效提高地物的分類與識別效果。形態(tài)學(xué)屬性剖面算法是一種基于形態(tài)學(xué)屬性濾波的特征提取算法，其主要思想是利用面積、標(biāo)準(zhǔn)差和慣性矩等一系列不同屬性濾波器對圖像進(jìn)行濾波來提取圖像的結(jié)構(gòu)信息，然后將不同屬性濾波結(jié)果疊加起來，即得到圖像的擴(kuò)展形態(tài)學(xué)屬性剖面（EMAP）。通過靈活地定義多種屬性及相應(yīng)的閾值來構(gòu)建EMAP特征可以實(shí)現(xiàn)對影像的空間信息多尺度表達(dá)，因此相較于傳統(tǒng)的形態(tài)學(xué)濾波特征EMAP可以更精確地提取影像空間信息。

3.3 基于形狀自適應(yīng)鄰域信息的后處理方法

傳統(tǒng)的空間特征提取方法多是基于固定窗口的濾波算子進(jìn)行，這種方式提取的空間特征在紋理和邊緣部分的效果很差。因此能自適應(yīng)地根據(jù)地物的形狀提取空間特征對提高影像的識別效果有很大的意義。Foi等提出的形狀自適應(yīng)（SA）離散余弦變換方法通過確定中心像元8個(gè)方向上的最優(yōu)鄰域尺度來提取影像灰度圖的空間信息。利用該方法計(jì)算得到的鄰域能有效避開影像中的邊界區(qū)域，保證鄰域內(nèi)的像元屬于同一種類別的可靠性。

4、實(shí)驗(yàn)與討論

4.1 基于XGBoost的波段選擇

首先對高光譜影像的光譜特征進(jìn)行優(yōu)化選擇，對每一類草種選取10個(gè)樣本進(jìn)行XGBoost訓(xùn)練，利用得到的訓(xùn)練模型計(jì)算原始125個(gè)光譜特征的重要性，所有波段重要性的和為1，如圖7所示。在對重要性由高到低進(jìn)行排序后分別選取不同的波段數(shù)借助SMLR進(jìn)行分類，每個(gè)類別選取10個(gè)樣本進(jìn)行訓(xùn)練，統(tǒng)計(jì)10次獨(dú)立運(yùn)行結(jié)果的總體精度的均值與每次運(yùn)行的時(shí)間。如圖8所示，當(dāng)選取前75個(gè)重要波段時(shí)精度達(dá)到最高，且用時(shí)較少，因此在接下來的實(shí)驗(yàn)中均選取這75個(gè)光譜特征進(jìn)行相關(guān)研究。

圖7不同波段數(shù)的重要性

圖8不同波段數(shù)的識別精度與運(yùn)行時(shí)間

4.2 基于SMLR與ASR的草種精細(xì)識別

為了從多種角表現(xiàn)影像的空間信息，實(shí)驗(yàn)利用面積屬性與標(biāo)準(zhǔn)差屬性提取影像的EMAP特征，將面積屬性與標(biāo)準(zhǔn)差屬性的閾值分別設(shè)置為λ（a）={20，50，100}，λ（s）={2.5，5，7.5，10}。分別提取高光譜影像前3個(gè)主成分的面積屬性剖面與標(biāo)準(zhǔn)差屬性剖面并疊加，得到45個(gè)EMAP特征。然后將EMAP特征與選取的光譜特征進(jìn)行復(fù)合核變換實(shí)現(xiàn)空—譜特征融合，空間特征與光譜特征的核函數(shù)寬度均設(shè)置為0.6，光譜特征權(quán)重為0.6，EMAP特征權(quán)重為0.4。利用SMLR與ASR結(jié)合空間—光譜特征對無人機(jī)高光譜影像進(jìn)行草種識別。由于高原上樣本獲取較為困難，為了體現(xiàn)出本實(shí)驗(yàn)方法在小樣本情況下的可行性，對每類草種均隨機(jī)選取總體樣本的1/10樣本用于訓(xùn)練（裸地訓(xùn)練樣本數(shù)選取15個(gè)），剩余樣本用來驗(yàn)證。用總體精度（OA）、制圖精度（PA）、用戶精度（UA）與Kappa系數(shù)來衡量識別效果。兩種稀疏表示方法的識別結(jié)果分別用SMLR-EMAP、ASR-EMAP表示，如圖9（a）和圖9（c）所示。

圖9基于SMLR與ASR的草地識別結(jié)果基于SMLR與ASR的草種識別精度

從圖9（a）和圖9（c）可以看出，識別基于空間—光譜特征的識別結(jié)果中仍然存在明顯的“椒鹽噪聲”，實(shí)驗(yàn)利用SA方法提取影像中每個(gè)像素的自適應(yīng)鄰域信息后進(jìn)行平滑處理。從圖6中可以看出，自適應(yīng)鄰域數(shù)量在80以內(nèi)的像元的MMSAD值較為穩(wěn)定，因此對該部分的像元進(jìn)行平滑后處理?；赟A的后處理結(jié)果如圖9（b）和圖9（d）所示，可以看出，對于均質(zhì)性區(qū)域經(jīng)過SA處理后噪聲明顯減少，而對于異質(zhì)性強(qiáng)的區(qū)域其鄰域數(shù)量較少，平滑作用較不明顯，說明基于SA的方法能很好地保留影像地物固有的空間特征。

如表1所示，兩種方法對影像草種的精細(xì)識別總體精度分別達(dá)到94.07%和93.15%，經(jīng)過SA處理后精度分別提升1.64%和1.12%。由表1可知利用SMLR進(jìn)行草地精細(xì)識別時(shí)，基于SA的后處理方法對矮火絨、棘豆與細(xì)葉亞菊的識別精度提升非常明顯（加粗?jǐn)?shù)據(jù)）。利用ASR進(jìn)行草地精細(xì)識別時(shí)，SA后處理方法對矮火絨與細(xì)葉亞菊的識別結(jié)果也有明顯改善 （加粗?jǐn)?shù)據(jù)）。說明自適應(yīng)地利用地物空間信息可以有效降低“異物同譜”與“同譜異物”帶來的影響。但是SMLR與ASR對小嵩草與針茅的識別精度較低，且經(jīng)過SA處理后識別精度提升有限甚至有所降低（下劃線數(shù)據(jù)）。原因是小嵩草與針茅的葉片非常細(xì)小多與裸地混合在一起，在影像上多為混合像元，尤其是在經(jīng)過SA處理后，嵩草、針茅與裸土之間更容易出現(xiàn)錯(cuò)分的情況，且裸地的樣本數(shù)遠(yuǎn)多于嵩草、針茅樣本數(shù)，因此對嵩草與針茅的識別精度影響很大。對比兩種稀疏表示方法可以發(fā)現(xiàn)，基于SMLR的方法精度略高于基于ASR的方法，并且前者在計(jì)算效率上有明顯的優(yōu)勢。分析其原因是因?yàn)榛赟MLR的方法是通過核變換的方法融合空間—光譜特征，能有效提升特征之間的區(qū)分性，而稀疏表示的方法是通過簡單疊加的方式融合空間光譜特征，特征之間信息有較多冗余。在處理影像時(shí)基于SMLR的方法利用了基于塊高斯-塞德爾算法以實(shí)現(xiàn)快速求解，而ASR在處理影像時(shí)是面向逐個(gè)像元進(jìn)行分類或識別，效率因此低于SMLR。但是從整體來看，實(shí)驗(yàn)提出的結(jié)合空間—光譜特征的稀疏表示方法在樣本有限的情況下能夠?qū)崿F(xiàn)對草種精細(xì)識別，且基于SA的方法能很好地適應(yīng)小樣本訓(xùn)練的分類器，有效提升多種毒雜草種的識別精度。相較于傳統(tǒng)的基于地面實(shí)測高光譜數(shù)據(jù)的方法，該方法充分利用無人機(jī)高光譜影像的光譜信息以及地物之間的空間關(guān)系實(shí)現(xiàn)大范圍草種精細(xì)識別；相較于已有的基于無人機(jī)高光譜數(shù)據(jù)的草種精細(xì)分類方法，可以在小樣本的情況下達(dá)到更高的精度。

表1 基于SMLR與ASR的草地識別精度

5、結(jié)論

實(shí)驗(yàn)主要研究了在對高光譜數(shù)據(jù)進(jìn)行特征挖掘的基礎(chǔ)上，結(jié)合空間—光譜特征的稀疏表示分類方法在小樣本情況下對三江源區(qū)的草種精細(xì)識別效果，并在此基礎(chǔ)之上提出了基于形狀自適應(yīng)鄰域信息的后處理方法對識別結(jié)果進(jìn)行改善。得到的主要結(jié)論如下：

（1)利用 XGBoost算法對高光譜數(shù)據(jù)進(jìn)行篩選，可以有效地減少高光譜數(shù)據(jù)中的光譜相關(guān)性，節(jié)約運(yùn)算時(shí)間；利用 PCA技術(shù)，拓展了形態(tài)屬性輪廓特征，可實(shí)現(xiàn)圖像多尺度的空間信息表達(dá)，并將其與光譜特征進(jìn)行融合，顯著提高了高光譜圖像對草原的識別能力。

（2）基于稀疏多項(xiàng)式邏輯回歸與自適應(yīng)稀疏表示兩種分類方法均能在小樣本的情況下實(shí)現(xiàn)草地的高精度精細(xì)識別；但稀疏多項(xiàng)式邏輯回歸在精度上略高于自適應(yīng)稀疏表示方法，在計(jì)算效率上也有明顯的優(yōu)勢。

（3）通過分析了解鄰域信息，可以最大限度地挖掘出草原種類的不規(guī)則性，試驗(yàn)中，通過對矮火絨、棘豆、細(xì)葉亞菊等有毒雜草種類的識別，可以提高其識別準(zhǔn)確率。然而，該區(qū)域植被退化嚴(yán)重，植被覆蓋度低，植被覆蓋度高，植被覆蓋度高，植被覆蓋度高，植被恢復(fù)能力差，植被恢復(fù)能力差。

與常規(guī)的地基觀測相比，基于無人機(jī)高光譜圖像的高空間分辨率和高光譜分辨率，能夠更好地反映地物空間特征。在此基礎(chǔ)上，利用無人駕駛飛機(jī)獲取的高光譜遙感數(shù)據(jù)，通過最優(yōu)的波段特征選取和多維度的空間特征提取，在較少的樣本條件下，完成草地種類的精細(xì)化鑒別，為草地種類的大尺度精細(xì)化鑒別和植被覆蓋率估計(jì)提供有力的數(shù)據(jù)和方法支持。試驗(yàn)只是最優(yōu)地選取了最適合牧草的光譜特征，而怎樣才能最大限度地發(fā)揮圖像中的“三邊”和植物指標(biāo)等對牧草的生物化學(xué)成分的影響，則需要進(jìn)行深入的探討。隨著遙感技術(shù)的發(fā)展，草原退化精確判別的數(shù)據(jù)來源日益豐富，但目前試驗(yàn)中僅采用局地的高光譜影像進(jìn)行研究，對草原的判別范圍較小。此外，本項(xiàng)目還將充分利用多源數(shù)據(jù)的優(yōu)點(diǎn)，如拓展到衛(wèi)星觀測，從而在更大范圍內(nèi)對草原群落進(jìn)行遙感監(jiān)測。探索大尺度多波段和高波段多波段信息的融合，以實(shí)現(xiàn)大尺度牧草種類的精細(xì)鑒定。在此基礎(chǔ)上，通過融合多時(shí)相遙感影像和高光譜遙感影像，將不同植被類型的物候期和光譜信息融合，提高植被類型的可識別性。

歡迎關(guān)注公眾號：萊森光學(xué)，了解更多光譜知識。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯黃宇