基于无人机高光谱遥感的太行山经济林树种识别研究2.0
发布时间:2024-05-30

~


图片99.png


3.4不同分类方法精度评价

本研究的6种不同特征组合分别为植被指数、特征波段、植被指数+特征波段、植被指数+GL-CM、特征波段+GLCM、3种特征组合(特征波段+植被指数+GLCM),以下分别用特征1~6来表示。基于3种分类方法的识别精度评价见表4、表5、表6。


表4 基于最大似然法的不同特征组合识别精度评价

图片100.png 


由表4可知,在最大似然法下仅植被指数特征参与树种识别时,OA为83.12%,Kappa系数为0.7399。基于特征波段的树种识别结果中,OA为93.84%,Kappa系数为0.8963。效果最好的是植被指数与特征波段共同参与树种识别,其结果显示OA达到了94.01%,Kappa系数为0.8988,所有树种的PA均超过了80%,UA均在75%以上,其中洋槐和核桃的PA、UA都超过了90%,柿和杏树的UA较低,达到了75%。在增加纹理特征进行树种识别时,基于植被指数与GLCM组合的OA为83.53%,Kappa系数为0.7421,与单一植被指数特征的识别精度相比提高了0.41个百分点。

通过对比生产者精度,基于植被指数的树种识别中,MLC对洋槐的识别精度较低,但对其他5种树种的识别精度较高;基于特征波段的树种识别中,MLC对柿、洋槐、樱桃、杏树和核桃的识别精度更高,此5种树种的识别精度均达到了90%以上;基于特征波段与植被指数组合的树种识别中,柿、核桃和杏树在利用MLC分类时,精度较高;基于植被指数与纹理特征组合的树种识别中,MLC在柿和核桃的识别中较其他2种分类方法减少了漏分,精度较高;基于特征波段与纹理特征组合的树种识别中,对于核桃和柿,MLC在识别效果上表现出更高的精度。通过对比用户精度,基于植被指数的树种识别中,MLC在核桃识别上效果更好,而在柿的识别上,MLC的识别精度均表现为较低水平;基于特征波段的树种识别中,MLC在洋槐和核桃的识别上精度更高;基于特征波段与植被指数组合的树种识别中,MLC在洋槐和核桃的识别上具有更高的精度;基于植被指数与纹理特征组合的树种识别中,MLC对洋槐和核桃的识别精度较高;基于特征波段与纹理特征组合的树种识别中,相比于另外3种树种的识别而言,MLC在洋槐和核桃的识别上效果更好。


表5 基于随机森林法的不同特征组合识别精度评价

图片101.png 


由表5可知,在随机森林方法下仅植被指数特征参与树种识别时,OA达到了91.76%,Kappa系数为0.8533。基于特征波段进行树种识别时,OA为90.32%,Kappa系数为0.8284,与单一植被指数特征进行识别相比,OA降低了1.44个百分点,Kappa系数减少了0.0249。使用特征组合进行分类的精度最高,OA为92.54%,Kappa系数为0.8673,其中洋槐、樱桃、杏树、核桃的PA均超过了85%,除杏树的其他5种树种的UA都在80%以上。加入纹理特征后,特征波段与GLCM组合、3种特征共同参与分类时,总体精度有一定的提高,OA分别为91.24%、92.54%,提高了0.92和0.07个百分点。通过对比生产者精度,基于植被指数的树种识别中,相较于核桃,RF对其他5种树种的识别存在漏分;基于特征波段的树种识别中,RF对核桃的识别精度较高,但对苹果的识别精度较低,仅为65.20%;基于特征波段与植被指数组合的树种识别中,RF对核桃的识别精度较高,但对苹果、柿、樱桃和杏树的识别精度较低;基于植被指数与纹理特征组合的树种识别中,RF在洋槐、核桃和杏树的识别精度较高,均达到了97%以上;基于特征波段与纹理特征组合的树种识别中,RF在洋槐、杏树和核桃的识别上具有良好表现,精度较高,均达到了98%以上。通过对比用户精度,基于植被指数的树种识别中,RF在核桃的识别精度表现为较高水平,识别精度达到98.74%;基于特征波段的树种识别中,RF在核桃的识别上精度更高;基于特征波段与植被指数组合的树种识别中,RF在洋槐和核桃的识别上具有更高的精度;基于植被指数与纹理特征组合的树种识别中,RF在洋槐、核桃、苹果和樱桃的识别过程中减少了错分现象,识别精度较高;基于特征波段与纹理特征组合的树种识别中,RF对核桃的识别精度较其他树种而言较高。


表6 基于支持向量机法的不同特征组合识别精度评价

图片102.png 


由表6可知,在支持向量机方法下基于植被指数特征进行树种识别时,OA达到了90.41%,Kap-pa系数为0.8291。基于特征波段进行识别的结果中,OA为94.89%,Kappa系数为0.9117。采用植被指数与特征波段组合分类结果中,OA为95.01%,Kappa系数为0.9140,与使用植被指数和特征波段进行分类的结果相比,OA分别提高了4.60和0.12个百分点,Kappa系数分别提高了0.0849和0.0023。其中洋槐、樱桃、核桃的PA和UA均在90%以上,苹果的PA超过了84%,UA达到92%,柿和杏树的PA在90%以上,UA接近80%。结合纹理特征进行识别时,植被指数与GL-CM组合、3种特征组合的总体识别精度分别为91.26%、95.11%,提高了0.85、0.10个百分点,Kappa系数分别为0.8450、0.9158。

结果表明,加入纹理特征在一定程度上可以提升研究区树种的分类精度。通过对比生产者精度,基于植被指数的树种识别中,SVM对洋槐的识别效果明显优于其他2种方法,精度达到了95.95%;基于特征波段的树种识别中,SVM对杏树的识别精度更高,优于其他2种分类方法;基于特征波段与植被指数组合的树种识别中,SVM在苹果和核桃的识别上与另外2种方法相比效果略佳;基于植被指数与纹理特征组合的树种识别中,SVM对苹果的识别精度略高于另外2种分类方法,识别效果更好;基于特征波段与纹理特征组合的树种识别中,SVM在洋槐、杏树和核桃的识别上具有良好表现,精度较高。通过对比用户精度,基于植被指数的树种识别中,SVM对洋槐、樱桃和核桃的识别精度较高;基于特征波段的树种识别中,SVM对洋槐和核桃的识别精度更高,且除柿外精度均在80%以上;基于特征波段与植被指数组合的树种识别中,SVM的识别效果最好,特别是洋槐和核桃的识别上表现出较好的效果;基于植被指数与纹理特征组合的树种识别中,SVM在洋槐和核桃的识别上表现出较好的结果;基于特征波段与纹理特征组合的树种识别,在苹果、樱桃和核桃的树种识别中,SVM算法的识别效果优于MLC和RF算法。无论是就生产者精度而言还是就用户精度而言,大多数树种均超过了80%。从单个树种的识别精度看,与MLC相比,SVM减少了苹果的漏分和错分;与RF相比,减少了苹果、柿、樱桃、杏树、核桃的漏分和错分。SVM相比MLC和RF算法,识别精度更高、效果更好,在6种树种识别中具有一定的适用性。此外,从识别结果中可以看出3种分类方法对6种树种整体识别效果较好,能够区分出不同树种,达到分类目的,但同时均有不同程度的错分和混分现象。对于苹果和樱桃的混分,原因是研究区内樱桃种植数量少、树冠小,与苹果树长势相近,并且二者光谱特征相似,一定程度上增加了识别难度,造成混分现象。对于柿与苹果的混分现象,原因是柿的树冠大、长势优于苹果,呈现的图像中光谱反射率较强,同时与其他树种相邻种植,光谱特征相似,给识别造成困难,导致混分现象的发生。

3.5不同分类方法精度评价基于3中特征组合的不同分类方法结果比较

在植被指数、特征波段、纹理特征共同参与研究区6种树种识别时,识别结果如图3所示。


图片103.png 

图3 基于3种特征组合的3种分类方法识别结果图


由图3可知,3种分类方法对研究区的树种整体识别效果较好,能够区分出不同树种,达到分类目的,但同时均有不同程度的混分现象。对于苹果和樱桃的混分,原因是研究区内樱桃种植数量少、树冠小,与苹果树长势相近,并且二者光谱特征相似,一定程度上增加了分类难度,造成混分现象。对于柿与苹果的混分现象,原因是柿的树冠大、长势优于苹果,呈现的图像中光谱反射率较强,同时与其他树种相邻种植,光谱特征相似,给分类造成困难,导致混分现象的发生。

五、结论

以河北省保定市满城区龙门山庄的植被修复区为研究区域,选择5种经济林树种:柿、苹果、樱桃、杏、核桃和生态林对照树种:洋槐,共6种树种为研究对象,利用地物光谱仪测定各树种的叶片和冠层光谱数据,使用无人机高光谱遥感获取各树种的高光谱影像数据,对6种树种的地面光谱数据和无人机高光谱数据进行光谱特征分析,构建各树种植被指数特征及纹理特征,采用不同分类方法对6种树种进行识别,并对识别结果进行精度评价,最终确定适合6种树种的识别方案。主要研究结论如下:

(1)分析比较柿、苹果、樱桃等6种树种的光谱特征,建立光谱数据库。通过对比分析6种树种的地面叶片、冠层光谱特征及无人机冠层光谱特征,可以得出在可见光波段中的绿光区域和红光区域,各个树种之间具有较大差异,其中波长的反射峰在550nm左右、750~950nm之间及960nm附近的水汽吸收带,差异明显。

(2)筛选出6种树种无人机遥感影像的特征波段,构建了植被指数特征及纹理特征。通过图像处理软件等平台,基于连续投影算法(SPA)对研究区无人机高光谱遥感数据进行特征波段筛选,选择结果为b9、b47、b84、b92、b101、b112、b138、b153、b163、b167,共10个波段,各波段对应波长分别为423.8、547.8、673.0、700.6、732.0、770.6、863.5、918.0、954.8、969.6nm;通过特征重要性评估筛选植被指数,得到7个植被指数:简单比值指数(SR)、类胡萝卜素反射指数2(CRI2)、绿波段指数(GRVI)、归一化脱镁作用指数(NPQI)、Vo-gelmann红边指数1(VOG1)、归一化植被指数(NDVI)、简单色素比值指数(SRPI);通过计算高光谱遥感影像的灰度共生矩阵(GLCM),得到均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性,共8项纹理特征,进行后续分类研究。

(3)对研究区6种树种进行高光谱遥感识别,得到最佳识别方案。通过分别构建基于特征波段、植被指数、特征波段与植被指数组合、特征波段与纹理特征组合、植被指数与纹理特征组合、3种特征组合,共6种分类特征,结合最大似然法(MLC)、随机森林法(RF)和支持向量机法(SVM)3种分类方法对6种树种进行识别,得到各树种分布情况并对结果进行精度评价。

综上所述,3种分类方法中采用SVM算法的树种识别精度最高,而MLC和RF算法针对不同的分类特征,所表现出来的识别效果各不相同。在SVM分类方法中,基于3种特征组合的识别效果最好,其总体精度达到了95.11%,Kappa系数为0.9158,表现出较好的识别效果,相较于MLC总体精度提高了1.15%,相比于RF总体精度提高了2.57%。综上所述,基于特征波段、植被指数、纹理特征3种特征组合并采用支持向量机(SVM)分类的识别方法,为6种树种识别的最佳识别方法。