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1.0

1、引言

草原是我國(guó)面積最大的陸地生態(tài)系統(tǒng)，內(nèi)蒙古草原是我國(guó)北方草原的主體，也是北方重要的生態(tài)安全屏障。根據(jù)國(guó)家環(huán)保局統(tǒng)計(jì)，草原退化日益加劇，90%以上的草原處于不同程度退化之中，其中內(nèi)蒙古退化草原面積已占全區(qū)草原面積達(dá)到了31.77%。近年來(lái)，由于氣候變化、高強(qiáng)度放牧、鼠害等多種因素的影響下，植被覆蓋度和植被種類減少，草原退化情況日益加劇，退化指示種變優(yōu)勢(shì)物種，種類和數(shù)量呈增長(zhǎng)趨勢(shì)。因此，準(zhǔn)確、快速地監(jiān)測(cè)退化指示種研究對(duì)草原生態(tài)保護(hù)具有重要意義。

目前，草原退化方面研究主要利用單期或者多期的遙感影像，獲取NDVI、NPP等參數(shù)的變化及植被覆蓋度的分布情況，進(jìn)行退化等級(jí)劃分，分析草地退化的現(xiàn)狀或動(dòng)態(tài)變化特征，研究草原退化情況。其中，遙感技術(shù)在草原生物量評(píng)估、植被覆蓋度、大面積的環(huán)境和災(zāi)害監(jiān)測(cè)、土地覆蓋的分類等方面被廣泛應(yīng)用。但衛(wèi)星遙感數(shù)據(jù)受空間分辨率和光譜分辨率的限制，僅能實(shí)現(xiàn)植被群落或植被類型級(jí)別的監(jiān)測(cè)，但在微小尺度的植物、作物的精細(xì)分類等方面存在不足。而無(wú)人機(jī)高光譜遙感具有較高的空間分辨率和光譜分辨率，能夠靈活快速獲取圖像、成本低、操作靈活等特征，彌補(bǔ)了衛(wèi)星遙感在草原種群精細(xì)識(shí)別與分類方面的缺陷。

因此，無(wú)人機(jī)遙感已被廣泛應(yīng)用于高精度農(nóng)業(yè)監(jiān)測(cè)、資源調(diào)查、環(huán)境變化監(jiān)測(cè)、草原退化監(jiān)測(cè)等多個(gè)領(lǐng)域。在草原監(jiān)測(cè)方面，無(wú)人機(jī)遙感主要應(yīng)用在草原生物量估算、覆蓋度反演和草原退化物種識(shí)別等方面。在草原退化研究中，主要采用無(wú)人機(jī)搭載普通相機(jī)、多光譜、高光譜等傳感器獲取正射影像或傾斜影像，結(jié)合機(jī)器學(xué)習(xí)方法開(kāi)展了一系列研究。

綜上所述，近年來(lái)無(wú)人機(jī)高光譜遙感和機(jī)器學(xué)習(xí)法被廣泛應(yīng)用在植物種類識(shí)別研究中，其中，RF和SVM模型分類精度較高。為此，實(shí)驗(yàn)以錫林郭勒盟白音錫勒典型草原的退化指示種（冷蒿）為研究對(duì)象，通過(guò)微分變換和包絡(luò)線去除方法對(duì)植被光譜進(jìn)行光譜特征差異分析，選擇特征波段。在此基礎(chǔ)上，采用支持向量機(jī)（SVM）和隨機(jī)森林（RF）算法進(jìn)行退化指示種的識(shí)別研究。通過(guò)運(yùn)用混淆矩陣對(duì)識(shí)別結(jié)果進(jìn)行精度驗(yàn)證，對(duì)比分析各模型的分類結(jié)果和適用性，選出識(shí)別退化指示種最佳的機(jī)器學(xué)習(xí)模型，為業(yè)務(wù)化的草原退化物種精細(xì)識(shí)別提供技術(shù)支撐。

2、數(shù)據(jù)與方法

2.1 無(wú)人機(jī)飛行試驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)區(qū)位于錫林浩特市郊南52km處，內(nèi)蒙古錫林郭勒盟典型草原中的白音錫勒牧場(chǎng)，地理位置坐標(biāo)116°21′7″~116°21′16″E，43°42′49″~43°42′42″N，平均海拔高度為1266m，面積為200×200m²（如圖1所示）。

圖1 研究區(qū)的地理位置

該地區(qū)屬于中溫帶大陸性氣候，年平均降水在350~450mm之間。該地區(qū)的植被一類是大針茅、克氏針茅和蒿類為主，另一類是羊草、小禾草為主的群落。實(shí)驗(yàn)所選取的實(shí)驗(yàn)區(qū)處于高放牧狀態(tài)下，致使該地區(qū)為典型草原退化較為嚴(yán)重的地區(qū)。在過(guò)度放牧、踐踏下，耐踐踏的植被成為優(yōu)勢(shì)群落，冷蒿成為實(shí)驗(yàn)區(qū)內(nèi)的退化指種。

圖2 研究區(qū)植被照片

本次高光譜數(shù)據(jù)采集方案共規(guī)劃10條航帶，旁向疊率設(shè)置為80%、橫向重疊率為75%，飛行高度50m，速度5m/s?，F(xiàn)場(chǎng)調(diào)查數(shù)據(jù)與無(wú)人機(jī)高光譜數(shù)據(jù)同時(shí)采集。實(shí)驗(yàn)區(qū)設(shè)置了40個(gè)樣方，樣方面積為1m×1m，按20m的間隔4×10的行列式均勻分布，實(shí)驗(yàn)人員在每個(gè)綠色A4紙標(biāo)簽的東側(cè)居中放置一個(gè)1m×1m的樣方框，樣方的類別由樣方框內(nèi)大于70%的草種來(lái)定，其他30%混雜的草為其他綠色植被。使用佳能80D相機(jī)，在樣方中心的上方垂直向地面正射，實(shí)現(xiàn)照片涵蓋樣方的范圍，并記錄樣方坐標(biāo)信息、樣方植被覆蓋度和植被組成（如圖2）。野外調(diào)查和無(wú)人機(jī)高光譜數(shù)據(jù)采集同時(shí)開(kāi)展，野外調(diào)查樣方作為無(wú)人機(jī)采集圖像物種識(shí)別分類結(jié)果驗(yàn)證的真值。

2.2 研究方法

2.2.1光譜特征分析法

預(yù)處理之后進(jìn)行光譜變換，以便提取有用的信息，為后續(xù)的光譜信息分析提供信息源。實(shí)驗(yàn)用的光譜變換方法主要有：一階微分、二階微分和包絡(luò)線去除等方法。對(duì)初始光譜數(shù)據(jù)進(jìn)行微分變換、包絡(luò)線去除等處理后，將光譜曲線斜率的細(xì)微變化進(jìn)一步放大化，波形變得更清晰，有利于與其他光譜曲線進(jìn)行特征數(shù)值的比較，增強(qiáng)真實(shí)反映目標(biāo)物信息的光譜特征，實(shí)現(xiàn)光譜特征差異分析。實(shí)驗(yàn)數(shù)據(jù)具有125個(gè)波段，但并非所有的波段對(duì)退化指示種都敏感，通過(guò)光譜特征差異分析，從原始波段中選擇相關(guān)性小、信息量大、有效代表地物特征的波段，將這些波段作為最佳特征波段組合。這也可以使數(shù)據(jù)達(dá)到降維效果，降低識(shí)別分類模型的計(jì)算復(fù)雜度。

2.2.2分類識(shí)別方法

實(shí)驗(yàn)中分別采用支持向量機(jī)（SVM）和隨機(jī)森林（RF）這兩種模型對(duì)退化指示種進(jìn)行分類識(shí)別，并對(duì)分類精度進(jìn)行綜合評(píng)價(jià)與比較分析。隨機(jī)森林（RF）是一種集成分類器，它使用隨機(jī)選擇的訓(xùn)練樣本子集和變量產(chǎn)生多個(gè)決策樹(shù)。通過(guò)集成學(xué)習(xí)的思想，將多棵決樹(shù)進(jìn)行集成的算法。它的基本單元是決策樹(shù)，每棵決策樹(shù)都是一個(gè)分類器，N棵樹(shù)會(huì)有N個(gè)分類結(jié)果。按決策樹(shù)分類器的投票決定最終隨機(jī)森林的分類結(jié)果。實(shí)驗(yàn)共采集了1500個(gè)樣本，構(gòu)建模型時(shí)從中隨機(jī)選擇了2/3來(lái)創(chuàng)建森林中的每棵決策樹(shù)，其他參數(shù)是基于分類算法評(píng)價(jià)指標(biāo)，選擇精度最高所對(duì)應(yīng)的參數(shù)。為此，將決策樹(shù)的數(shù)量設(shè)置為1000，最大樹(shù)數(shù)設(shè)置為50，最大樹(shù)深為30。

支持向量機(jī)（SVM）分類器是一種監(jiān)督分類方法，是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上的新一代機(jī)器學(xué)習(xí)算法。另外，構(gòu)造出一個(gè)具有良好性能的SVM，核函數(shù)的選擇是關(guān)鍵，會(huì)影響到SVM的分類效果，常用的核函數(shù)有線性核（linear）、多項(xiàng)式、Sigmoid核和徑向基核（radialba‐sisfunction）等4種函數(shù)。多項(xiàng)式核函數(shù)可通過(guò)主觀設(shè)置冪數(shù)來(lái)實(shí)現(xiàn)總結(jié)的預(yù)判，使得原本線性不可分的數(shù)據(jù)線性可分，將解決非線性數(shù)據(jù)集的分類問(wèn)題。研究使用的數(shù)據(jù)是高維數(shù)據(jù)并且樣本少，核函數(shù)的引入避免了“維數(shù)災(zāi)難”，大大減小了計(jì)算量，也可以有效的處理高維輸入。創(chuàng)建模型時(shí)，采用了同一組訓(xùn)練樣本構(gòu)建了分類模型。

2.2.3退化程度評(píng)價(jià)法

根據(jù)國(guó)標(biāo)《天然草地退化、沙化、鹽漬化的分級(jí)指標(biāo)》中的退化程度分級(jí)指標(biāo)（如表1）對(duì)此實(shí)驗(yàn)區(qū)的現(xiàn)狀進(jìn)行退化程度的評(píng)價(jià)。

表1 草地退化程度的分級(jí)與分級(jí)指標(biāo)

選取景觀格局指數(shù)法中的景觀聚集度指數(shù)AI和分離度指數(shù)SPLIT對(duì)退化指示物種和其他覆蓋類型的聚集程度和離散程度進(jìn)行評(píng)價(jià)，聚集度指數(shù)AI計(jì)算公式如式（1）和式（2）所示。

其中：ｎ為景觀中斑塊類型總數(shù)，ｎ的取值為５；P_ij為斑塊類型ｉ與ｊ相鄰的概率；Pi=為景觀類型ｉ所占景觀的比例；為在給定斑塊類型i的情況下，斑塊類型j與其相鄰的條件概率；m_ij為景觀柵網(wǎng)中斑塊ｉ和ｊ相鄰的邊數(shù)；m_i為斑塊類型i的總邊數(shù)。分離度指數(shù)指數(shù)SPLIT計(jì)算公式如式（3）。

其中：SPLIT表示離散度指數(shù)A表示景觀總面積（m²）；a_ij表示第i種斑塊類型的第j塊斑塊的面積（m²）。AI表示反映景觀中不同斑塊類型的聚集程度，數(shù)值越大表示景觀內(nèi)斑塊越集中；SPLIT表示反映斑塊的破碎程度。

續(xù)~

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。