CN113762226B - 基于高光谱分辨率调整提升树种识别精度的方法及*** - Google Patents
基于高光谱分辨率调整提升树种识别精度的方法及*** Download PDFInfo
- Publication number
- CN113762226B CN113762226B CN202111316727.7A CN202111316727A CN113762226B CN 113762226 B CN113762226 B CN 113762226B CN 202111316727 A CN202111316727 A CN 202111316727A CN 113762226 B CN113762226 B CN 113762226B
- Authority
- CN
- China
- Prior art keywords
- data
- generate
- classification
- plant
- original
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于高光谱分辨率调整提升树种识别精度的方法及***,包括以下步骤:获取第一数据;获取第二数据;根据第二数据从第一数据中提取光谱数据;对光谱数据进行光谱特征分析;生成识别植被指数;降维处理生成预测变量;分类运算生成分类结;调整高光谱影像数据的空间分辨率;根据分类结果对预设区域内植物群落进行识别分类。本发明提高分类识别精度,降低预测变量的维度,解决高光谱数据冗余的问题,提高分类识别效率,并且采用对高光谱影像数据的空间分辨率控制的方式能进一步提升植物群落的监测识别精度,实现生态敏感区陆生植物群落的有效监测。
Description
技术领域
本发明涉及陆生植物群落监测技术,具体涉及基于高光谱分辨率调整提升树种识别精度的方法及***。
背景技术
准确获取生态敏感区植物群落树种和空间分布信息对于理解生态***结构、功能、演替以、生物多样性及固碳能力研究有重要意义,是生态***保护与监测中极为基础和关键的指标之一。
传统的植物群落监测及物种识别的方法主要依靠人工野外调查完成,费时费力,所获取的调查信息往往不够全面,不利于信息的及时更新,且在高海拔复杂地形区域面临着严峻挑战,亟需便捷高效的方法实现生态敏感区植物群落监测。而无人机遥感技术则能有效克服这一困难,其具有获取信息量大、快速高效等优势,已广泛应用于各个领域。高光谱成像技术由于其精细的光谱分辨率,能识别不同物种之间的细微光谱差异,为植物群落的精确识别与分类提供基础。机器学习算法能较好克服变量自相关和过度拟合,具有样本容量需求小、有效解决高维空间问题且结果具有较好的鲁棒性。因此,基于无人机遥感与高光谱数据成像技术,利用机器学习算法进行识别分类,将为生态敏感区陆生植物群落监测提供有效途径。但是现有技术中植物群落监测技术存在预测精度不高等问题,尤其是对于高海拔区域的植物群落监测存在技术盲区。
发明内容
本发明所要解决的技术问题是现有技术中的植物群落监测技术存在的目标识别物种偏少、研究区生态***结构简单、预测精度不高等问题,尤其是对于高海拔区域的植物群落监测存在技术盲区,目的在于提供一种基于高光谱提升树种识别的方法及***,提升复杂生态***树种识别精度。
本发明通过下述技术方案实现:
基于高光谱分辨率调整提升树种识别精度的方法,包括以下步骤:S1:获取预设区域内的高光谱影像数据作为第一数据;获取所述预设区域内的植物群落实测数据作为第二数据;S2:根据所述第二数据从所述第一数据中提取多个植物群落的光谱数据;S3:对多个植物群落的所述光谱数据进行光谱特征分析获取不同植物群落对应的敏感波段;不同植物群落对应的敏感波段之间的差异大于预设值;S4:根据植被指数对应的原始波段对所述敏感波段进行处理生成识别植被指数;S5:对所述原始波段和所述识别植被指数进行降维处理生成预测变量;S6:根据所述第二数据对所述预测变量进行分类运算生成分类结果,并对所述分类结果进行精度评价生成精度评价结果;S7:根据分类树种冠幅大小,调整所述高光谱影像数据的空间分辨率;S8:重复步骤S1~S7至所述精度评价结果符合预设要求,根据所述分类结果对植物群落进行识别分类。
现有技术中,多篇相关文献对采用高光谱影像进行植被进行区分的技术进行了公开,但是发明人发现现有技术中仍然存在以下缺陷:(1)研究对象主要为人工林或结构简单的林分,目标物种较少;(2)研究区地势通常较为平坦,而对高海拔复杂地形条件下的植物群落监测研究较为缺乏;(3)高光谱数据波段多、数据量大,冗余度高,其分类流程有待进一步优化;(4)植物群落冠层存在高度的空间异质性,未提出确定最佳观测尺度的方法。
针对以上缺陷,申请人提出了一种全新的监测方法,在本申请中,预设区域一般为需要进行植物群落监测的区域,而获取第一数据的方式主要可以采用无人机拍摄的方式进行,第一数据还需要对拍摄出来的数据进行预处理才能够获取;同时,为了降低高光谱数据的数据量,发明人还创造性的提取了第二数据作为高光谱数据的一个处理依据。
通过第二数据对第一数据处理时,相当于利用植物群落实测数据对第一数据进行初步的分类形成多个植物群落的光谱数据,而多个植物群落的光谱数据往往相互之间会有很多重复的部分,不同于现有技术中的处理过程,本申请采用了提取不同植物群落对应的敏感波段的方式来实现对不同植物群落的识别。
作为敏感波段提取的一种具体实现方式,本申请对光谱数据采用从光谱数据中提取多组数据,再对所述多组数据进行处理后找出不同植物群落之间差异最大的一组数据作为敏感波段。作为一个例子,多组数据可以包括但不限于原始光谱、一阶导数和包络线消除,对于这样的多组数据的处理,可以通过比较不同植物群落在不同波段的光谱反射率、一阶导数及包络线差异,选择差异较大的波段作为敏感波段以满足不同植物群落对应的敏感波段之间的差异大于预设值。
发明人发现,在获取敏感波段后,具体的数据提取依然还是一个非常冗长的过程,所以采用了植被指数对应的原始波段对所述敏感波段进行处理的方式,这里所说的植被指数对应的原始波段是一种现有数据,其主要包括有归一化植被指数(NDVI)、增强植被指数(EVI)、简单比值植被指数(SR)、土壤调整植被指数(SAVI)、归一化叶绿素指数(NDchl)等。
作为对所述敏感波段进行处理的一种具体的实现过程,本发明采用了对敏感波段筛选后选出不同的波段替换为原始波段形成一系列的数据,从而形成一系列的新指数作为识别植被指数,通过对原始波段和识别植被指数的降维处理来降低数据复杂度后就可以形成预测变量作为后续模型训练的样本依据了。
对这些样本通过第二数据进行分类运算后,训练成了一个分类模型,而对于这个分类模型的精度可以进行评价。在进行分类模型训练的过程中,发明人发现针对于高海拔区域的植被情况,由于不同植被之间敏感数据的差异程度区别很大,如果第一数据的所使用的拍摄图像的分辨率过高,反而会造成噪声很大,所以申请人创新性的采用了一种类似于图像卷积的方式来进行图像分辨率的选择,在现有技术中图像卷积技术是进行一次或多次图像卷积处理后再通过池化等处理方式来实现图像识别的,而本申请则创新性的将卷积化的过程应用到高光谱影像数据的处理上,通过调整高光谱影像数据的空间分辨率,来寻找一个精度评价结果符合预设要求的分辨率,一方面可以在后续识别中提高精度,另一方面也为下一次的第一数据采集提供了参考。本发明通过设置上述步骤,获得有效区分不同植物群落的预测变量,大大提高分类识别精度,同时大幅度降低预测变量的维度,解决高光谱数据冗余的问题,提高分类识别效率,并且采用对高光谱影像数据的空间分辨率控制的方式能进一步提升植物群落的监测识别精度,实现生态敏感区陆生植物群落的有效监测,可为高海拔复杂地形条件下生态敏感区的陆生植物群落监测提供数据支持,快速、高效,省时省力。
进一步的,步骤S1包括以下子步骤:
对所述高光谱影像数据进行预处理生成第一数据;
对所述植物群落实测数据进行点位坐标与对应物种的连接处理后生成第二数据。
进一步的,步骤S4包括以下子步骤:
从所述原始波段中提取替换波段;
将所述敏感波段中的不同波段根据所述原始波段对应的植被指数替换为所述替换波段,替换后的所述敏感波段形成一组指数数据作为识别植被指数。
进一步的,步骤S6包括以下子步骤:
根据所述第二数据采用随机森林或支持向量机对所述预测变量进行分类运算生成分类结果;
采用十折交叉验证对所述分类结果进行精度评价生成精度评价结果。
进一步的,步骤S7包括以下子步骤:
通过重采样将所述高光谱影像数据的空间分辨率从原始分辨率开始降低。
进一步的,步骤S8包括以下子步骤:
将所述精度评价结果符合预设要求所对应的空间分辨率作为最佳观测尺度;
根据所述最佳观测尺度和所述分类结果对预设区域内植物群落进行识别分类。
基于高光谱分辨率调整提升树种识别精度的***,包括:
影像采集装置,被配置为获取预设区域内的高光谱影像数据作为第一数据;
实测设备,被配置为获取所述预设区域内的植物群落实测数据作为第二数据;
终端设备,被配置为接收第一数据和第二数据以及,根据所述第二数据从所述第一数据中提取多个植物群落的光谱数据;
所述终端设备,还被配置为对多个植物群落的所述光谱数据进行光谱特征分析获取不同植物群落对应的敏感波段;不同植物群落对应的敏感波段之间的差异大于预设值;
所述终端设备,还被配置为根据植被指数对应的原始波段对所述敏感波段进行处理生成识别植被指数以及,对所述原始波段和所述识别植被指数进行降维处理生成预测变量以及,根据所述第二数据对所述预测变量进行分类运算生成分类结果,并对所述分类结果进行精度评价生成精度评价结果;
所述终端设备,还被配置为调整所述高光谱影像数据的空间分辨率,并重新获取第一数据进行重复处理至所述精度评价结果符合预设要求以及,根据所述分类结果对植物群落进行识别分类。
进一步的,所述终端设备,还被配置为从所述原始波段中提取替换波段以及,将所述敏感波段中的不同波段根据所述原始波段对应的植被指数替换为所述替换波段,替换后的所述敏感波段形成一组指数数据作为识别植被指数。
进一步的,所述终端设备,还被配置为通过重采样将所述高光谱影像数据的空间分辨率从原始分辨率开始降低,并重新获取第一数据进行重复处理至所述精度评价结果符合预设要求。
进一步的,所述终端设备,还被配置为将所述精度评价结果符合预设要求所对应的空间分辨率作为最佳观测尺度;所述影像采集装置,还被配置为根据所述最佳观测尺度获取第一数据作为最佳第一数据;所述终端设备,还被配置为根据所述最佳第一数据和所述分类结果对预设区域内植物群落进行识别分类。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明一种基于高光谱分辨率调整和机器学习算法提升树种识别的方法及***,获得有效区分不同植物群落的预测变量,大大提高分类识别精度,同时大幅度降低预测变量的维度,解决高光谱数据冗余的问题,提高分类识别效率,并且采用对高光谱影像数据的空间分辨率控制的方式能进一步提升植物群落的监测识别精度,实现复杂陆生植物群落的有效监测,可为高海拔复杂地形条件下生态敏感区的陆生植物群落监测提供数据支持,快速、高效,省时省力。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明方法步骤示意图;
图2为本发明实施例中无人机高光谱标准假彩色影像图;
图3为本发明实施例中对原始光谱进行特征分析示意图;
图4为本发明实施例中采用一阶导数进行光谱特征分析示意图;
图5为本发明实施例中采用包络线去除法进行光谱特征分析示意图;
图6为本发明实施例中基于2米最佳空间分辨率采用支持向量机进行植物群落分类的各物种分类精度及错分情况示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例:
请结合参阅图1,为本发明实施例所提供的一种基于高光谱提升树种识别的方法的流程示意图,所述基于高光谱分辨率调整提升树种识别精度的方法可以应用于各种终端平台上,进一步地,所述基于高光谱分辨率调整提升树种识别精度的方法具体可以包括以下步骤S1-步骤S8所描述的内容:
S1:获取预设区域内的高光谱影像数据作为第一数据;获取所述预设区域内的植物群落实测数据作为第二数据;S2:根据所述第二数据从所述第一数据中提取多个植物群落的光谱数据;S3:对多个植物群落的所述光谱数据进行光谱特征分析获取不同植物群落对应的敏感波段;不同植物群落对应的敏感波段之间的差异大于预设值;S4:根据植被指数对应的原始波段对所述敏感波段进行处理生成识别植被指数;S5:对所述原始波段和所述识别植被指数进行降维处理生成预测变量;S6:根据所述第二数据对所述预测变量进行分类运算生成分类结果,并对所述分类结果进行精度评价生成精度评价结果;S7:根据分类树种冠幅大小,调整所述高光谱影像数据的空间分辨率;S8:重复步骤S1~S7至所述精度评价结果符合预设要求,根据所述分类结果对植物群落进行识别分类。
本实施例实施时,申请人提出了一种全新的监测方法,在本实施例中,预设区域一般为需要进行植物群落监测的区域,而获取第一数据的方式主要可以采用无人机拍摄的方式进行,第一数据还需要对拍摄出来的数据进行预处理才能够获取;同时,为了降低高光谱数据的数据量,发明人还创造性的提取了第二数据作为高光谱数据的一个处理依据。
通过第二数据对第一数据处理时,相当于利用植物群落实测数据对第一数据进行初步的分类形成多个植物群落的光谱数据,而多个植物群落的光谱数据往往相互之间会有很多重复的部分,不同于现有技术中的处理过程,本申请采用了提取不同植物群落对应的敏感波段的方式来实现对不同植物群落的识别。
作为敏感波段提取的一种具体实现方式,本申请对光谱数据采用从光谱数据中提取多组数据,再对所述多组数据进行处理后找出不同植物群落之间差异最大的一组数据作为敏感波段。作为一个例子,多组数据可以包括但不限于原始光谱、一阶导数和包络线消除,对于这样的多组数据的处理,可以通过比较不同植物群落在不同波段的光谱反射率、一阶导数及包络线差异,选择差异较大的波段作为敏感波段以满足不同植物群落对应的敏感波段之间的差异大于预设值。
发明人发现,在获取敏感波段后,具体的数据提取依然还是一个非常冗长的过程,所以采用了植被指数对应的原始波段对所述敏感波段进行处理的方式,这里所说的植被指数对应的原始波段是一种现有数据,其主要包括有归一化植被指数(NDVI)、增强植被指数(EVI)、简单比值植被指数(SR)、土壤调整植被指数(SAVI)、归一化叶绿素指数(NDchl)等。
作为对所述敏感波段进行处理的一种具体的实现过程,本发明采用了对敏感波段筛选后选出不同的波段替换为原始波段形成一系列的数据,从而形成一系列的新指数作为识别植被指数,通过对原始波段和识别植被指数的降维处理来降低数据复杂度后就可以形成预测变量作为后续模型训练的样本依据了。
在降维处理的过程中,可以利用Rusdm包中的vifcor函数,通过为一组变量计算方差膨胀因子,并逐步剔出相关性较高的变量来降低预测变量的维度。此外,还可以采用caret包中的findCorrelation函数,效果类似。同样的,可以实现相同效果的算法或者函数都应当等同于本实施例。
对这些样本通过第二数据进行分类运算后,就相当于训练成了一个分类模型,而对于这个分类模型的精度可以进行评价。在进行分类模型训练的过程中,发明人发现针对于高海拔区域的植被情况,由于不同植被之间敏感数据的差异程度区别很大,如果第一数据的所使用的拍摄图像的分辨率过高,反而会造成噪声很大,所以申请人创造性的采用了一种类似于图像卷积的方式来进行图像分辨率的选择,在现有技术中图像卷积技术是进行一次或多次图像卷积处理后再通过池化等处理方式来实现图像识别的,而本实施例则创造性的将卷积化的过程应用到高光谱影像数据的处理上,通过调整高光谱影像数据的空间分辨率,来寻找一个精度评价结果符合预设要求的分辨率,一方面可以在后续识别中提高精度,另一方面也为下一次的第一数据采集提供了参考。本发明通过设置上述步骤,获得有效区分不同植物群落的预测变量,大大提高分类识别精度,同时大幅度降低预测变量的维度,解决高光谱数据冗余的问题,提高分类识别效率,并且采用对高光谱影像数据的空间分辨率控制的方式能进一步提升植物群落的监测识别精度,实现生态敏感区陆生植物群落的有效监测,可为高海拔复杂地形条件下生态敏感区的陆生植物群落监测提供数据支持,快速、高效,省时省力。
在一个实施例中,步骤S1包括以下子步骤:
S11:对所述高光谱影像数据进行预处理生成第一数据;
S12:对所述植物群落实测数据进行点位坐标与对应物种的连接处理后生成第二数据。
本实施例实施时,所述的预处理可以采用的手段包括括镜头校准、辐射定标、大气校正、反射率校正、拼接、匀色等手段;在本实施例中,具体的:
植物群落实测数据包括有通过RTK仪器或者其他定位设备获取的不同植物群落的地理坐标,而将点位坐标与对应物种进行连接处理相当于建立了点位坐标与对应物种之间的一种映射关系,这种映射关系可以用于准确的对第一数据进行处理。
在另一个实施例中,步骤S4包括以下子步骤:
S41:从所述原始波段中提取替换波段;
S42:将所述敏感波段中的不同波段根据所述原始波段对应的植被指数替换为所述替换波段,替换后的所述敏感波段形成一组指数数据作为识别植被指数。
本实施例实施时,为了更准确的生成识别植被指数,原始波段是一个非常重要的现有参考,其中原始波段包括归一化植被指数(NDVI)、增强植被指数(EVI)、简单比值植被指数(SR)、土壤调整植被指数(SAVI)、归一化叶绿素指数(NDchl)等,从筛选的敏感波段中选用不同波段进行替换,可以构建出一系列新的指数。值得注意的是进行替换波段的替换仅仅是一种实现识别植被指数的手段,而在另一个实施例中,可以采用将替换波段与所述敏感波段进行结合的方式来获取识别植被指数。
作为一个具体的实施方案,步骤S3包括以下子步骤:
S31:对多个植物群落的所述光谱数据提取原始光谱形成第一光谱数据;对多个植物群落的所述光谱数据进行一阶求导处理形成第二光谱数据;对多个植物群落的所述光谱数据进行包络线消除处理形成第三光谱数据;
S32:在预设波段内对第一光谱数据、第二光谱数据和第三光谱数据进行比对,选取不同波段中第一光谱数据、第二光谱数据和第三光谱数据中多个植物群落差异最大的光谱数据作为敏感波段;
作为一个更具体的实施方案,步骤S4包括以下子步骤:
从所述敏感波段提取多个植物群落差异小于阈值的波段作为待处理波段;
从所述原始波段中提取对应于所述待处理波段的替换波段;
根据所述替换波段对所述待处理波段进行处理,形成一组指数数据作为识别植被指数。
本实施例实施时,由于在本实施例中需要识别的植物群落,主要应用在高海拔环境下的植物群落的识别,发明人发现不同于普通的植物群落识别,高海拔环境下,物种类型随着海拔的变化会逐渐变化,使得物种较普通平原地区更为丰富,光谱信息也更为复杂,由于“同物异谱”和“同谱异物”现象的存在,多个物种的光谱在几个波段下呈现出趋同,所以需要进一步采取光谱分析手段以突出它们之间的差异,进而实现准确识别。
在本实施例实施时,采用了三种手段对光谱数据进行处理,处理后在每个预设波段中,都选取差异最大的处理结果作为最终的敏感波段数据,以此提高后期识别的准确度,同时,即使采用了这种方案进行识别,依然会存在部分差异较小的波段,此时,发明人创造性的将原始波段中的替换数据提取出后对所述待处理波段进行处理,处理手段包括有直接替换、加权叠加及其他的一些手段,从而保证了每一个预设波段,不同的植物群落都保持了较大的差异,提高了分类的准确度。
在另一个实施例中,步骤S6包括以下子步骤:
S61:根据所述第二数据采用随机森林或支持向量机对所述预测变量进行分类运算生成分类结果;
S62:采用十折交叉验证对所述分类结果进行精度评价生成精度评价结果。
本实施例实施时,虽然在本实施例中公开了采用随机森林或支持向量机进行分类运算,但是可以实现相同功能的诸如神经网络、高斯过程等各种分类运算方法都应当被认为与本实施例所等同;同样的精度验证方式除了本实施例所公开的十折交叉验证外,其他可以实现相同功能方式均应当被认为与本实施例所等同。在本实施例中,通过十折交叉验证的评价指标主要采用整体精度与Kappa系数。
在另一个实施例中,步骤S7包括以下子步骤:
通过重采样将所述高光谱影像数据的空间分辨率从原始分辨率开始降低。
在本实施例实施时,从原始分辨率开始逐步降低空间分辨率有利于寻找到一个最佳的分辨率来作为最佳观测尺度,基于这个观测尺度就可以建立最优模型,对预设区域内进行植物群落识别分类。
进一步的,步骤S8包括以下子步骤:
S81:将所述精度评价结果符合预设要求所对应的空间分辨率作为最佳观测尺度;
S82:根据所述最佳观测尺度和所述分类结果对预设区域内植物群落进行识别分类。
在本实施例实施时,还可以包括以下子步骤:
将多种珍稀程度相近的植物进行合并,并提取合并特征;
将所述合并特征作为敏感波段并重复执行步骤S4~S7;
根据步骤S7输出的结果进行植物珍稀程度的识别分类。
基于同样的发明构思,还提供了一种基于高光谱提升树种识别的***,所述一种基于高光谱提升树种识别的***包括:
影像采集装置,被配置为获取预设区域内的高光谱影像数据作为第一数据;
实测设备,被配置为获取所述预设区域内的植物群落实测数据作为第二数据;
终端设备,被配置为接收第一数据和第二数据以及,根据所述第二数据从所述第一数据中提取多个植物群落的光谱数据;
所述终端设备,还被配置为对多个植物群落的所述光谱数据进行光谱特征分析获取不同植物群落对应的敏感波段;不同植物群落对应的敏感波段之间的差异大于预设值;
所述终端设备,还被配置为根据植被指数对应的原始波段对所述敏感波段进行处理生成识别植被指数以及,对所述原始波段和所述识别植被指数进行降维处理生成预测变量以及,根据所述第二数据对所述预测变量进行分类运算生成分类结果,并对所述分类结果进行精度评价生成精度评价结果;
所述终端设备,还被配置为调整所述高光谱影像数据的空间分辨率,并重新获取第一数据进行重复处理至所述精度评价结果符合预设要求以及,根据所述分类结果对植物群落进行识别分类。
在具体的实施方式中,终端设备可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的设备,在此不作过多限定。
在一个实施例中,所述终端设备,还被配置为从所述原始波段中提取替换波段以及,将所述敏感波段中的不同波段根据所述原始波段对应的植被指数替换为所述替换波段,替换后的所述敏感波段形成一组指数数据作为识别植被指数。
在一个实施例中,所述终端设备,还被配置为通过重采样将所述高光谱影像数据的空间分辨率从原始分辨率开始降低,并重新获取第一数据进行重复处理至所述精度评价结果符合预设要求。
在一个实施例中,所述终端设备,还被配置为将所述精度评价结果符合预设要求所对应的空间分辨率作为最佳观测尺度;所述影像采集装置,还被配置为根据所述最佳观测尺度获取第一数据作为最佳第一数据;所述终端设备,还被配置为根据所述最佳第一数据和所述分类结果对预设区域内植物群落进行识别分类。
在上述实施例的基础上,公开了一个更加具体的实现方式,其中,预设区域被优选为某植物园区,该园区面积为42公顷,园内现保存植物2000余种,物种丰富,林冠郁闭,地形起伏,能有效检验本发明在生态敏感区陆生植物群落监测的中的可行性。
进行识别分类的目标物种包括桉树、灯台、枫香、桂花、含笑、红豆杉、梨树、栎树、栾树、梅、木芙蓉、桑树、水杉、喜树、香椿、雪松、银桦、银木、皂荚、樟树合计20个;
步骤1:高光谱影像数据通过大疆M600 Pro无人机搭载GaiaSky-mini2-VN高光谱成像***获取,光谱范围为400-1000 nm,空间分辨率约0.12米。
步骤2:在高光谱影像数据进行了镜头校准、辐射定标、大气校正、反射率校正、拼接、匀色等预处理后得到第一数据,得到的第一数据展示为图像后如图2所示;
步骤3:通过野外调查等手段获取的植物群落实测数据,其中包括有通过RTK仪器获取的植物群落的地理坐标,也包括与之匹配对应的物种名称;
步骤4:对植物群落实测数据进行预处理得到第二数据,主要包括各点位坐标与对应物种名称的连接,野外调查数据与无人机高光谱数据空间参考的统一;
步骤5:根据第二数据对从第一数据中提取各植物群落的光谱数据;
步骤6:如图3~5所示,对各植物群落的光谱数据进行原始光谱、一阶导数及包络线消除等光谱特征分析,通过比较不同植物群落在不同波段的光谱反射率、一阶导数及包络线差异,筛选出能有效识别不同植物群落的敏感波段;
从图3中可以看出在原始光谱的特性分析中,20个品种树木的光谱特性在700nm以下的区别极不明显,而在890nm左右有较强区分;而从图4中可以看出一阶导数光谱特性分析中,20个品种的树木在400nm到500nm之间存在较强区分,同时在720nm的区分与450nm的区分存在较大不同;同样的,从图5中可以看出,包络线光谱特性分析中,20个品种的树木在670nm以下存在较强区分,而在大于670nm的区分则不大。从图3~5可以看出,仅从单一角度的光谱分析要实现多种植物的区分,是分成困难的。本实施例通过这种方式,筛选出能有效识别不同植物群落的敏感波段,最终选定为B34(500 nm)、B40(520 nm)、B49(550 nm)、B56(575 nm)、B84(670 nm)、B99(720 nm)、B147(890 nm)、B159(935 nm)和B166(960 nm)作为能突出不同物种光谱特征的敏感波段;
步骤7:基于植被指数对应的原始波段对此处的敏感波段进行处理,构建用于植物群落监测的识别植被指数44个,如表1所示:
表1:植被指数
植被指数 | 公式 |
ARI1 | (1/B49)-(1/B93) |
ARI2 | ((1/B49)-(1/B93))*B121 |
CRI1 | (1/B38)-(1/B49) |
CRI2 | (1/B38)-(1/B93) |
DWSI4 | B49/B87 |
EVI | 2.5*(B121-B85)/(B121+6*B85-7.5*B26+1) |
GNDVI | (B121-B49)/(B121+B49) |
NDchl | (B157-B95)/(B157+B95) |
NDVI | (B121-B87)/(B121+B87) |
PRI | (B42-B55)/(B42+B55) |
PSRI | (B87-B34)/B107 |
PWI | B149/B168 |
REP | 700+40*(((B85+B117)/2-B93)/(B105-B93)) |
RVSI | ((B97+B107)/2)-B103 |
SR | B121/B87 |
VIgreen | (B49-B87)/(B49+B87) |
VOG1 | B105/B99 |
VOG2 | (B103-B107)/(B97+B101) |
MNDVI | (B109-B105)/(B109+B105) |
SR2 | B109/B96 |
ARVI | (B121-2*B84+B20)/(B121+2*B84-B20) |
SAVI | (1+0.5)*(B121-B84)/(B121+B84+0.5) |
OSAVI | (1+0.16)*(B121-B84)/(B121+B84+0.16) |
MSAVI | 0.5*(B121+1-sqrt((2*B121+1)^2-8*(B121-B87))) |
VIgreen_1 | (B49-B84)/(B49+B84) |
SR_1 | B99/B84 |
NDchl_1 | (B159-B99)/(B159+B99) |
NDchl_2 | (B166-B99)/(B166+B99) |
PWI_1 | B159/B166 |
PSRI_1 | (B84-B34)/B99 |
CRI1_1 | (1/B34)- (1/B49) |
CRI1_2 | (1/B40)-(1/B49) |
CRI2_1 | (1/B40)-(1/B99) |
DWSI4_1 | B49/B84 |
DWSI4_2 | B56/B84 |
NDVI_1 | (B121-B84)/(B121+B84) |
PRI_1 | (B40-B56)/(B40+B56) |
MNDVI_1 | (B109-B99)/(B109+B99) |
MSAVI_1 | 0.5*(B121+1-sqrt((2*B121+1)^2-8*(B121-B84))) |
SR_2 | B141/B84 |
SR_3 | B164/B98 |
GNDVI_1 | (B141-B49)/(B141+B49) |
SAVI_1 | (1+0.5)*(B141-B84)/(B141+B84+0.5) |
OSAVI_1 | (1+0.16)*(B141-B84)/(B141+B84+0.16) |
步骤8:将这些原始波段和识别植被指数,利用Rusdm包中的vifcor函数通过计算方差膨胀因子并进行多重共线性检验降维,得到植物群落监测识别的预测变量。
步骤9:根据第二数据对预测变量进行分类运算生成分类结果,其分类结果见表2:
表2:基于原始分辨率的植物群落分类结果
步骤10:对表2中的结果采用10折交叉验证的方法对植物群落识别分类结果进行精度评价,选择整体精度与Kappa系数作为评价指标;
步骤11:将无人机遥感影像的空间分辨率从原始的0.12米分别重采样至0.5、1、1.5 、2、2.5、3 米,对比植物群落识别分类结果的精度,并结合其冠层结构特征,确定最佳观测尺度为2米,其结果如表3所示:
表3:观测尺度对植物群落分类精度的影响
步骤12:基于2米最佳空间分辨率,选择支持向量机模型,对研究区域进行植物群落分类,其混淆矩阵见表4,各物种的精度及错分情况见图6。图6中,横坐标从左至右依次为桉树、灯台、枫香、桂花、含笑、红豆杉、梨树、栎树、栾树、梅、木芙蓉、桑树、水杉、喜树、香椿、雪松、银桦、银木、皂荚、樟树;同样的,纵坐标从上至下依次为桉树、灯台、枫香、桂花、含笑、红豆杉、梨树、栎树、栾树、梅、木芙蓉、桑树、水杉、喜树、香椿、雪松、银桦、银木、皂荚、樟树。可以看出,对于相同的物种,本实施例实现的极高的识别度。
表4:基于2米空间分辨率的植物群落分类混淆矩阵
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于高光谱分辨率调整提升树种识别精度的方法,其特征在于,包括以下步骤:
S1:获取预设区域内的高光谱影像数据作为第一数据;获取所述预设区域内的植物群落实测数据作为第二数据;
S2:根据所述第二数据从所述第一数据中提取多个植物群落的光谱数据;
S3:对多个植物群落的所述光谱数据进行光谱特征分析获取不同植物群落对应的敏感波段;不同植物群落对应的敏感波段之间的差异大于预设值;
S4:根据植被指数对应的原始波段对所述敏感波段进行处理生成识别植被指数;
S5:对所述原始波段和所述识别植被指数进行降维处理生成预测变量;
S6:根据所述第二数据对所述预测变量进行分类运算生成分类结果,并对所述分类结果进行精度评价生成精度评价结果;
S7:根据分类树种冠幅大小,调整所述高光谱影像数据的空间分辨率;
S8:重复步骤S1~S7至所述精度评价结果符合预设要求,根据所述分类结果对植物群落进行识别分类;
步骤S4包括以下子步骤:
从所述原始波段中提取替换波段;
将所述敏感波段中的不同波段根据所述原始波段对应的植被指数替换为所述替换波段,替换后的所述敏感波段形成一组指数数据作为识别植被指数。
2.根据权利要求1所述的基于高光谱分辨率调整提升树种识别精度的方法,其特征在于,步骤S1包括以下子步骤:
对所述高光谱影像数据进行预处理生成第一数据;
对所述植物群落实测数据进行点位坐标与对应物种的连接处理后生成第二数据。
3.根据权利要求1所述的基于高光谱分辨率调整提升树种识别精度的方法,其特征在于,步骤S6包括以下子步骤:
根据所述第二数据采用随机森林与支持向量机对所述预测变量进行分类运算生成分类结果;
采用十折交叉验证对所述分类结果进行精度评价生成精度评价结果。
4.根据权利要求1所述的基于高光谱分辨率调整提升树种识别精度的方法,其特征在于,步骤S7包括以下子步骤:
通过重采样将所述高光谱影像数据的空间分辨率从原始分辨率开始降低,并重复步骤S1~S7至所述精度评价结果符合预设要求。
5.根据权利要求4所述的基于高光谱分辨率调整提升树种识别精度的方法,其特征在于,步骤S8包括以下子步骤:
将所述精度评价结果符合预设要求所对应的空间分辨率作为最佳观测尺度;
根据所述最佳观测尺度和所述分类结果对预设区域内植物群落进行识别分类。
6.基于高光谱分辨率调整提升树种识别精度的***,其特征在于,包括:
影像采集装置,被配置为获取预设区域内的高光谱影像数据作为第一数据;
实测设备,被配置为获取所述预设区域内的植物群落实测数据作为第二数据;
终端设备,被配置为接收第一数据和第二数据以及,根据所述第二数据从所述第一数据中提取多个植物群落的光谱数据;
所述终端设备,还被配置为对多个植物群落的所述光谱数据进行光谱特征分析获取不同植物群落对应的敏感波段;不同植物群落对应的敏感波段之间的差异大于预设值;
所述终端设备,还被配置为根据植被指数对应的原始波段对所述敏感波段进行处理生成识别植被指数以及,对所述原始波段和所述识别植被指数进行降维处理生成预测变量以及,根据所述第二数据对所述预测变量进行分类运算生成分类结果,并对所述分类结果进行精度评价生成精度评价结果;
所述终端设备,还被配置为调整所述高光谱影像数据的空间分辨率,并重新获取第一数据进行重复处理至所述精度评价结果符合预设要求以及,根据所述分类结果对植物群落进行识别分类;
所述终端设备,还被配置为从所述原始波段中提取替换波段以及,将所述敏感波段中的不同波段根据所述原始波段对应的植被指数替换为所述替换波段,替换后的所述敏感波段形成一组指数数据作为识别植被指数。
7.根据权利要求6所述的基于高光谱分辨率调整提升树种识别精度的***,其特征在于,所述终端设备,还被配置为通过重采样将所述高光谱影像数据的空间分辨率从原始分辨率开始降低,并重新获取第一数据进行重复处理至所述精度评价结果符合预设要求。
8.根据权利要求7所述的基于高光谱分辨率调整提升树种识别精度的***,其特征在于,所述终端设备,还被配置为将所述精度评价结果符合预设要求所对应的空间分辨率作为最佳观测尺度;
所述影像采集装置,还被配置为根据所述最佳观测尺度获取第一数据作为最佳第一数据;
所述终端设备,还被配置为根据所述最佳第一数据和所述分类结果对预设区域内植物群落进行识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316727.7A CN113762226B (zh) | 2021-11-09 | 2021-11-09 | 基于高光谱分辨率调整提升树种识别精度的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316727.7A CN113762226B (zh) | 2021-11-09 | 2021-11-09 | 基于高光谱分辨率调整提升树种识别精度的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762226A CN113762226A (zh) | 2021-12-07 |
CN113762226B true CN113762226B (zh) | 2022-01-07 |
Family
ID=78784685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111316727.7A Active CN113762226B (zh) | 2021-11-09 | 2021-11-09 | 基于高光谱分辨率调整提升树种识别精度的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762226B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220028B (zh) * | 2021-12-08 | 2022-12-06 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱影像和机器学习算法模型研发的珍稀树种识别方法 |
CN114462512B (zh) * | 2022-01-18 | 2023-02-10 | 自然资源部国土卫星遥感应用中心 | 一种***性的高光谱草原群落划分方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005047A (zh) * | 2015-07-17 | 2015-10-28 | 武汉大学 | 后向散射优化的森林复杂地形校正及树高反演方法、*** |
CN108458978A (zh) * | 2018-03-13 | 2018-08-28 | 山东农业大学 | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 |
CN108520127A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 一种树种叶面积指数的高光谱反演方法 |
CN110427592A (zh) * | 2019-06-17 | 2019-11-08 | 成都理工大学 | 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的***和方法 |
CN113205014A (zh) * | 2021-04-20 | 2021-08-03 | 武汉大学 | 一种基于图像锐化的时序数据耕地提取方法 |
CN113591631A (zh) * | 2021-07-16 | 2021-11-02 | 杭州领见数字农业科技有限公司 | 一种基于多源数据的作物估产方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354534B (zh) * | 2015-09-29 | 2018-11-20 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
US10534960B2 (en) * | 2016-04-01 | 2020-01-14 | California Institute Of Technology | System and method for locating and performing fine grained classification from multi-view image data |
JP6590417B2 (ja) * | 2017-11-21 | 2019-10-16 | 株式会社バイオーム | 判別装置、判別方法、判別プログラム、判別システム |
CN112287892B (zh) * | 2020-11-23 | 2022-12-06 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
CN112906485B (zh) * | 2021-01-25 | 2023-01-31 | 杭州易享优智能科技有限公司 | 基于改进的yolo模型的视障人士辅助障碍物感知方法 |
CN113030903B (zh) * | 2021-03-05 | 2023-08-29 | 深圳大学 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
-
2021
- 2021-11-09 CN CN202111316727.7A patent/CN113762226B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005047A (zh) * | 2015-07-17 | 2015-10-28 | 武汉大学 | 后向散射优化的森林复杂地形校正及树高反演方法、*** |
CN108458978A (zh) * | 2018-03-13 | 2018-08-28 | 山东农业大学 | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 |
CN108520127A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 一种树种叶面积指数的高光谱反演方法 |
CN110427592A (zh) * | 2019-06-17 | 2019-11-08 | 成都理工大学 | 一种光学遥感影像协同极化sar影像的植被生态水储量估算方法 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的***和方法 |
CN113205014A (zh) * | 2021-04-20 | 2021-08-03 | 武汉大学 | 一种基于图像锐化的时序数据耕地提取方法 |
CN113591631A (zh) * | 2021-07-16 | 2021-11-02 | 杭州领见数字农业科技有限公司 | 一种基于多源数据的作物估产方法 |
Non-Patent Citations (5)
Title |
---|
Tree species identification within an extensive forest area with diverse management regimes using airborne hyperspectral data;Aneta Modzelewska等;《International Journal of Applied Earth Observation and Geoinformation》;20200228;1-13 * |
基于Hyperion数据的南疆环塔里木盆地经济林树种识别敏感波段选择;冯振峰等;《森林工程》;20160802;第32卷(第2期);7-13 * |
基于多源数据的南疆环塔里木盆地主栽经济林大面积遥感识别研究;冯振峰;《中国优秀硕士学位论文全文数据库 (农业科技辑)》;20170315(第3期);D049-173 * |
硬头黄竹地上生物量分配特征及模型构建;唐晓鹿等;《南京林业大学学报(自然科学版)》;20201105;第45卷(第1期);189-196 * |
联合GF-5与GF-6卫星数据的多分类器组合亚热带树种识别;栗旭升等;《林业科学》;20201031;第56卷(第10期);93-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN113762226A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113762226B (zh) | 基于高光谱分辨率调整提升树种识别精度的方法及*** | |
CN105354534B (zh) | 一种基于多源同期高分辨率遥感数据的树种分类方法 | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN108921885A (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
CN108458978B (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
WO2021012898A1 (zh) | 基于人工智能的农业保险查勘方法及相关设备 | |
CN110991335A (zh) | 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法 | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN111652092A (zh) | 基于Sentinel-2A数据监测森林覆盖变化的方法 | |
CN112541921A (zh) | 城市绿地植被信息数据化精准测定方法 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN116310840A (zh) | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 | |
CN107679469A (zh) | 一种基于深度学习的非极大值抑制方法 | |
Zhao et al. | Landsat time series clustering under modified Dynamic Time Warping | |
CN109960972A (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
CN109034189A (zh) | 基于高分遥感影像的森林类型识别方法 | |
US20240242477A1 (en) | Remote sensing classification method based on relative entropy | |
CN112818880B (zh) | 基于深度学习的航拍图像植被提取与分类方法 | |
CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
WO2021229248A1 (en) | Method for detection and classification of biotic - abiotic stress in crops from thermal photographs using artificial intelligence | |
CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
CN115063610B (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法 | |
CN112651295A (zh) | 一种城市绿地树木识别***及方法 | |
Yeom et al. | Separability analysis and classification of rice fields using KOMPSAT-2 High Resolution Satellite Imagery | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220415 Address after: 610000 1 East three road, Erxian bridge, Chengdu, Sichuan Patentee after: Chengdu University of Technology Patentee after: PowerChina Chengdu survey and Design Institute Co., Ltd Address before: 610000 1 East three road, Erxian bridge, Chengdu, Sichuan Patentee before: Chengdu University of Technology |