基于无人机高光谱影像的三江源草种精细识别研究

引言

三江源区地处青海省南部，地处长江、黄河、澜沧江三大支流交汇之处，被誉为“中华水塔”，是我国重要的生态屏障，也是我国经济发展的必然选择。西藏是青藏高原的核心区域，也是我国青藏高原的核心区域，也是世界上最具代表性、最具代表性的高山植物区，也是世界上最具代表性的区域之一。三江源区是我国北方典型的草原，受全球气候变化及人为活动的干扰，草原生态系统发生了严重的退化。三江源地区草原生态系统的退化有两种方式：一是草原生物量的下降，二是草原生态系统的改变。草原生态系统的退化是草原生态系统退化的一个重要特征，而草原生态系统退化是草原生态系统退化的一个重要特征。现有的研究方法，主要是基于单时期或多时期的遥感图像，通过反演的净初级生产力、NDVI等指标，来反应植被的覆盖程度，进而对其进行退化程度的分类，从而获得草原退化的现状或动态变化特征。另一些学者则是利用遥感图像的可视性解译来获得三江源区的植被覆盖面，并对其进行归类分析。草原群落结构的改变以优良牧草物种数量下降而有毒野草物种数量上升为主。由于有毒野草物种及盖度的不断提高，使得单纯以植被盖度、 NDVI及 NPP等指标的改变来指示草原退化，并不能很好地反映草原退化的实际状况。因此，为了更好地了解草原生态系统的动态，需要对草原生态系统中的群落进行分类。

高光谱遥感可同时获得近百个连续波段的反射率信息，其所蕴含的丰富波谱信息可用于更好地检测植被的物理、化学性质。近年来，基于地表观测的高光谱遥感技术，在草原生态系统中应用了多种遥感技术，并在此基础上，提出了一种基于遥感技术的草原生态系统的分类方法。但在三江源地区，在高寒草甸和高山草原等退化草原上，有关草种的精确鉴定和鉴定工作却鲜见报道。

高光谱遥感影像的高维性和非线性特性，导致了传统的遥感影像分类算法在处理过程中出现了“不适定”。低空高光谱遥感由于其高分辨率的特点，使地物类内光谱分异显著，而类间光谱分异显著降低。但目前三江源地区的牧草种类鉴定主要依靠的是地基观测的光谱学资料，不能进行大范围的鉴定。目前，国内外已有的遥感遥感技术主要是针对作物的遥感遥感，而针对草原物种的遥感遥感技术尚未见报道。实验利用三江源区的无人机高光谱影像，在对原始高光谱数据进行特征挖掘的基础上，探究结合空间—光谱特征的稀疏表示方法对识别三江源区草种精细识别效果，并在此基础上提出利用形状自适应邻域信息对识别结果进行改善的方法。

研究区与数据源

2.1 研究区概况

玛多县位于黄河源地区，位于青藏高原的中心地带，位于青海省的南部，是黄河的首个流经之地，以高寒草地和高寒草地为主。在过去的几年里，由于长期的超限放牧和气候的改变，松毛虫等主要物种的数量逐渐减少，一些不喜欢吃的、毒性较强的、或与之相关的物种的出现，使得松毛虫的数量不断减少，从而造成了“黑土滩”的出现。研究区位于玛多县花石峡镇，是草地退化的典型区，如图1（a）所示。

2.2 数据源

实验所用高光谱影像数据可由大疆M600无人机载iSpecHyper-VM系列无人机载高光谱成像系统获取。飞行天气晴朗，风力较小。数据经过辐射校正、大气校正、拼接与融合等预处理。研究区假彩色合成影像如图1（b）所示。

（a）研究区地理位置（b）无人机高光谱假彩色影像

图1研究区地理位置与无人机高光谱影像

根据现场考察情况，确认研究区内草种主要为矮火绒、棘豆、细叶亚菊、苔藓等各类毒杂草和小嵩草、针茅、藏嵩草与苔草等可食草。不同草种照片如图2（b）~2（i）所示。

图2现场样方布设图与草种照片

如图2（a）所示，在图像上，按照 GPS坐标和编号的次序，找出每一个控制点所对应的样方位置，利用照片和现场的记录信息，来判断在样方框中，不同位置的草种类型，并进行样品的选取。因为控制点的数目是有限的，所以在控制点周围的草种样品也是根据照片来选择的，共获得包括矮火绒、棘豆、苔藓、细叶亚菊、苔草、嵩草（两类）、针茅8种草种的样本，并在影像上目视判别选取裸土样本，获取的样本分布如图3所示。根据获取的样本得到草种和裸地的光谱曲线信息如图4所示。

图3样本分布图

图4不同草种的光谱曲线

由于退化情况比较严重草地的覆盖度较低，并且藏嵩草与针茅已经开始枯萎，草种在660nm处的吸收峰不明显，而在550nm处的反射峰几乎都消失了。矮火绒、藏嵩草、针茅与裸地的光谱特征在可见光波段非常相似，矮火绒、棘豆与细叶亚菊在近红外波段处的反射特征较为相似。苔草的反射率整体相对于其他地物较高，而苔藓的反射率整体略小于其他地物。

研究方法

基于无人机高光谱影像的草种精细识别方法如图5所示。

图5研究方法技术路线图强决策树

3.1 基于XGBoost的波段选择

高光谱数据的高维特性使得不同波段之间相关性高且易造成维数灾难等问题。因此对原始高维光谱特征进行选择能有效降低波段之间的相关性并减少计算量。根据优化分布式梯度增，通过计算模型中每个树的每个特征的贡献值即每个特征的增益值确定每个特征的重要性程度。该方法作为一种有效的特征选择方法而被广泛应用于高光谱遥感。

3.2 扩展形态学属性剖面特征提取与融合

对于高空间分辨率的影像，场景中结构的几何特征具有很大的感知意义，可以有效提高地物的分类与识别效果。形态学属性剖面算法是一种基于形态学属性滤波的特征提取算法，其主要思想是利用面积、标准差和惯性矩等一系列不同属性滤波器对图像进行滤波来提取图像的结构信息，然后将不同属性滤波结果叠加起来，即得到图像的扩展形态学属性剖面（EMAP）。通过灵活地定义多种属性及相应的阈值来构建EMAP特征可以实现对影像的空间信息多尺度表达，因此相较于传统的形态学滤波特征EMAP可以更精确地提取影像空间信息。

3.3 基于形状自适应邻域信息的后处理方法

传统的空间特征提取方法多是基于固定窗口的滤波算子进行，这种方式提取的空间特征在纹理和边缘部分的效果很差。因此能自适应地根据地物的形状提取空间特征对提高影像的识别效果有很大的意义。Foi等提出的形状自适应（SA）离散余弦变换方法通过确定中心像元8个方向上的最优邻域尺度来提取影像灰度图的空间信息。利用该方法计算得到的邻域能有效避开影像中的边界区域，保证邻域内的像元属于同一种类别的可靠性。

4、实验与讨论

4.1 基于XGBoost的波段选择

首先对高光谱影像的光谱特征进行优化选择，对每一类草种选取10个样本进行XGBoost训练，利用得到的训练模型计算原始125个光谱特征的重要性，所有波段重要性的和为1，如图7所示。在对重要性由高到低进行排序后分别选取不同的波段数借助SMLR进行分类，每个类别选取10个样本进行训练，统计10次独立运行结果的总体精度的均值与每次运行的时间。如图8所示，当选取前75个重要波段时精度达到最高，且用时较少，因此在接下来的实验中均选取这75个光谱特征进行相关研究。

图7不同波段数的重要性

图8不同波段数的识别精度与运行时间

4.2 基于SMLR与ASR的草种精细识别

为了从多种角表现影像的空间信息，实验利用面积属性与标准差属性提取影像的EMAP特征，将面积属性与标准差属性的阈值分别设置为λ（a）={20，50，100}，λ（s）={2.5，5，7.5，10}。分别提取高光谱影像前3个主成分的面积属性剖面与标准差属性剖面并叠加，得到45个EMAP特征。然后将EMAP特征与选取的光谱特征进行复合核变换实现空—谱特征融合，空间特征与光谱特征的核函数宽度均设置为0.6，光谱特征权重为0.6，EMAP特征权重为0.4。利用SMLR与ASR结合空间—光谱特征对无人机高光谱影像进行草种识别。由于高原上样本获取较为困难，为了体现出本实验方法在小样本情况下的可行性，对每类草种均随机选取总体样本的1/10样本用于训练（裸地训练样本数选取15个），剩余样本用来验证。用总体精度（OA）、制图精度（PA）、用户精度（UA）与Kappa系数来衡量识别效果。两种稀疏表示方法的识别结果分别用SMLR-EMAP、ASR-EMAP表示，如图9（a）和图9（c）所示。

图9基于SMLR与ASR的草地识别结果基于SMLR与ASR的草种识别精度

从图9（a）和图9（c）可以看出，识别基于空间—光谱特征的识别结果中仍然存在明显的“椒盐噪声”，实验利用SA方法提取影像中每个像素的自适应邻域信息后进行平滑处理。从图6中可以看出，自适应邻域数量在80以内的像元的MMSAD值较为稳定，因此对该部分的像元进行平滑后处理。基于SA的后处理结果如图9（b）和图9（d）所示，可以看出，对于均质性区域经过SA处理后噪声明显减少，而对于异质性强的区域其邻域数量较少，平滑作用较不明显，说明基于SA的方法能很好地保留影像地物固有的空间特征。

如表1所示，两种方法对影像草种的精细识别总体精度分别达到94.07%和93.15%，经过SA处理后精度分别提升1.64%和1.12%。由表1可知利用SMLR进行草地精细识别时，基于SA的后处理方法对矮火绒、棘豆与细叶亚菊的识别精度提升非常明显（加粗数据）。利用ASR进行草地精细识别时，SA后处理方法对矮火绒与细叶亚菊的识别结果也有明显改善 （加粗数据）。说明自适应地利用地物空间信息可以有效降低“异物同谱”与“同谱异物”带来的影响。但是SMLR与ASR对小嵩草与针茅的识别精度较低，且经过SA处理后识别精度提升有限甚至有所降低（下划线数据）。原因是小嵩草与针茅的叶片非常细小多与裸地混合在一起，在影像上多为混合像元，尤其是在经过SA处理后，嵩草、针茅与裸土之间更容易出现错分的情况，且裸地的样本数远多于嵩草、针茅样本数，因此对嵩草与针茅的识别精度影响很大。对比两种稀疏表示方法可以发现，基于SMLR的方法精度略高于基于ASR的方法，并且前者在计算效率上有明显的优势。分析其原因是因为基于SMLR的方法是通过核变换的方法融合空间—光谱特征，能有效提升特征之间的区分性，而稀疏表示的方法是通过简单叠加的方式融合空间光谱特征，特征之间信息有较多冗余。在处理影像时基于SMLR的方法利用了基于块高斯-塞德尔算法以实现快速求解，而ASR在处理影像时是面向逐个像元进行分类或识别，效率因此低于SMLR。但是从整体来看，实验提出的结合空间—光谱特征的稀疏表示方法在样本有限的情况下能够实现对草种精细识别，且基于SA的方法能很好地适应小样本训练的分类器，有效提升多种毒杂草种的识别精度。相较于传统的基于地面实测高光谱数据的方法，该方法充分利用无人机高光谱影像的光谱信息以及地物之间的空间关系实现大范围草种精细识别；相较于已有的基于无人机高光谱数据的草种精细分类方法，可以在小样本的情况下达到更高的精度。

表1 基于SMLR与ASR的草地识别精度

5、结论

实验主要研究了在对高光谱数据进行特征挖掘的基础上，结合空间—光谱特征的稀疏表示分类方法在小样本情况下对三江源区的草种精细识别效果，并在此基础之上提出了基于形状自适应邻域信息的后处理方法对识别结果进行改善。得到的主要结论如下：

（1)利用 XGBoost算法对高光谱数据进行筛选，可以有效地减少高光谱数据中的光谱相关性，节约运算时间；利用 PCA技术，拓展了形态属性轮廓特征，可实现图像多尺度的空间信息表达，并将其与光谱特征进行融合，显著提高了高光谱图像对草原的识别能力。

（2）基于稀疏多项式逻辑回归与自适应稀疏表示两种分类方法均能在小样本的情况下实现草地的高精度精细识别；但稀疏多项式逻辑回归在精度上略高于自适应稀疏表示方法，在计算效率上也有明显的优势。

（3）通过分析了解邻域信息，可以最大限度地挖掘出草原种类的不规则性，试验中，通过对矮火绒、棘豆、细叶亚菊等有毒杂草种类的识别，可以提高其识别准确率。然而，该区域植被退化严重，植被覆盖度低，植被覆盖度高，植被覆盖度高，植被覆盖度高，植被恢复能力差，植被恢复能力差。

与常规的地基观测相比，基于无人机高光谱图像的高空间分辨率和高光谱分辨率，能够更好地反映地物空间特征。在此基础上，利用无人驾驶飞机获取的高光谱遥感数据，通过最优的波段特征选取和多维度的空间特征提取，在较少的样本条件下，完成草地种类的精细化鉴别，为草地种类的大尺度精细化鉴别和植被覆盖率估计提供有力的数据和方法支持。试验只是最优地选取了最适合牧草的光谱特征，而怎样才能最大限度地发挥图像中的“三边”和植物指标等对牧草的生物化学成分的影响，则需要进行深入的探讨。随着遥感技术的发展，草原退化精确判别的数据来源日益丰富，但目前试验中仅采用局地的高光谱影像进行研究，对草原的判别范围较小。此外，本项目还将充分利用多源数据的优点，如拓展到卫星观测，从而在更大范围内对草原群落进行遥感监测。探索大尺度多波段和高波段多波段信息的融合，以实现大尺度牧草种类的精细鉴定。在此基础上，通过融合多时相遥感影像和高光谱遥感影像，将不同植被类型的物候期和光谱信息融合，提高植被类型的可识别性。

欢迎关注公众号：莱森光学，了解更多光谱知识。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑黄宇