北京中学 100018
摘要：关于植被分布和分类的数据对某区域内自然环境的保护和监管十分重要。本文采用无人机和成像光谱仪进行目标区域图像的采集，之后将数据导入ENVI 软件分析。本文主要探讨了两种不同的分类方法（波谱角法和支持向量机）在植被分类方面的的优劣，以及分类后处理次数对于植被分类结果的影响。实验结果表明两种分类方法的结果相差不大，但是支持向量机需要花费大量的时间，因此相较之下波谱角法更有优势。同时结果也表明分类后处理次数在达到三次左右后将不再能显著提升分类的准确性。在分析完后将数据导出，可以根据图像的比例具体计算实际的植被覆盖面积。
关键词：高光谱；植被分类；植被覆盖率；波谱角法；支持向量机
1引言
绿水青山就是金山银山，保护生态环境是多年以来国际上备受讨论的热点问题。植被的多样性和覆盖率是直观反应一个地区生态状况的重要要素。在林场的植被监测中，植被种类及覆盖率的调查是其基础，但是传统的地面调查不仅耗费人力资源，效率也低。高光谱遥感技术能通过高光谱传感器探测物体反射的电磁波，获得林地植被的高光谱影像数据。已有研究表明，不同种类的植被具有不同的光谱特性，这为植被精细种群分类提供了可能。林场是拥有很多珍惜的动植物，因此对于植物覆盖率和种类变化的监管十分重要。本研究基于无人机载高光谱成像仪获取了某林场的高光谱数据，利用林场中不同植被具有不同光谱反射率这一特性来进行植被种类的归类和识别，从而得到植被种群分布专题图及每种植被占地面积。实验结果表明，利用无人机的快速影像获取能力，有助于更精细的监测林场的植被多样性和对应的分布信息，为林场管理提供了依据。
2仪器设备与方法
本研究利用对称双桨X8 飞行器搭载ZK-VNIR-A120 0 机载高光谱成像仪获取研究区高光谱影像，其光谱范围为 400-1000nm，光谱分辨率为 3nm，谱段数为 270。然后使用ENVI 软件对高光谱影像进行处理、光谱分析、分类、分类后处理、统计，以获得各种群的植被覆盖率和面积统计信息。
具体步骤为：将高光谱影像利用ENVI 打开，使用region of interest 工具在图像中同种植被区域中选取多个感兴趣区域ROI，为之后的植被分类提供样本（图 1），总共有五类植被，分布于图像的最顶端、上端、中部（两种）、底端，依次被命名为植被 1、植被 2、植被 3、植被 4、植被 5，以不用颜色区域显示。
然后，使用 ROI 样本进行监督法分类， 包括波谱角分类 spectral angle mapperclassification（SAM）和支持向量机 support vector machine（SVM）两种方法；为进一步改善分类效果，使用 majority/minority analysis，clump class 两种方法去除图中的椒盐噪声，获得分类后处理结果(图 2)，突出同种植被分布；并对分类后处理结果使用confusion matrix 计算出准确率(表 1)；最后再使用class statistics 即可将数据统计导出每种植被的覆盖率和面积。
图1 ROI 样本
表1 不同分类方法下的处理次数与准确性
图2 使用不同分类方法处理后的图像
备注:左边三幅图使用的是支持向量机，右边三幅图使用的是波谱角法，每组图中从左往右依次为分类后处理之前、一次分类后处理后、三次处理后
可见，用支持向量机分类获得的结果准确性要显著高于使用波谱角法获得的结果。但是随着分类后处理次数的增加支持向量机所获分类结果精度的增加的并没有波谱角法的快，导致最终在分类后处理三次后支持向量机准确性反而低于波谱角法。虽然支持向量机在为分类后处理前有较明显优势，但是经过分类后处理所获得的结果与波谱角法基本持平，甚至还要略低。在使用时，支持向量机需要耗费大量的时间，如本研究中所使用的图像在使用支持向量机处理时经过了近五个小时的持续运算后才得出结果。相比之下，使用波谱角法图像在经过十秒左右的处理后就可以得到分类结果，远远快于支持向量机。
3实验分析
3.1分类后处理对结果的影响
将SAM分类结果进行三次后处理，获得了林场的三张分类图（图 3），对应进行不同次
表 2 SAM 分类结果后处理次数与准确性
数处理后的图像，得到的数据见表 2。
以上三组数据的准确性都随分类后处理次数的增加有显著提高，准确度从 50%左右提高到了 75%左右，Kappa 系数从 0.4 左右提高到了 0.68 左右，因此在分类后进行分类后处理能显著增加分类结果的精度。但是当后处理次数达到一定数量时也会达到分类精度的提高极限，以第三组数据为例（表 2），当进行第四次和第五次处理后虽然分类精度也有提升，但是提升幅度远没有前两次大，此时再进行处理对于分类精度并不会有显著的提升。
3.2植被覆盖面积与分布
经过class statistics 可以得到各个分类的比例和在图像中所占的像素数量。为了计算出真实的占地面积，可以使用无人机所拍照片的比例乘上像素数，使用每个像素对应的实际面积可求出各个植被真实的面积，公式为：实际面积=像素点数*0.25 平方米，据此可算出各类植被对应的实际面积以及地区总面积（表 3）。根据表 3，研究区内植被 5 的覆盖面积最大，占到了整片地区的 46.731%；植被 1 占地面积最小，为整片地区的 1.261%。植被的分布情况可直接从分类后处理结果中获取，即不同植被显示为不同的颜色。对应之前建立POI 时所选择的颜色就可以很快获得各类植被的大致分布情况。
表3 三次分类后处理后结果统计
图 3 SAM 分类后处理次数对结果的影响
备注：图中从左往右依次为处理前、一次处理后、三次处理后。
4总结与展望
随着高光谱遥感技术的不断发展，图像中所含信息量也逐渐增多，对于分类技术的准确度与效率提出了更高的要求。本研究还有很多有待解决的难点，比如原图像空间分辨率不够高，并且存在混合像素，导致对于不同种植被的特征提取不精确，在进行分类后处理后仍存在分类误差。有两种解决思路，其中一个提高分类准确度的思路，例如将深度学习的模型运用到高光谱分类中。不过这一方法面临着样本量不够大、在其他领域的学习经验不适用的问题。还有一种思路是基于空间特征进行分类，即更加注重像元与像元之间的关系，而非只对于单个像元内收集的光谱信息进行提取。如果高光谱分类技术能够日渐成熟，那么这一技术不仅可以运用在植被分类中，也将在水质监测、生物信息提取等方面发挥重要作用。
参考文献
[1]程涛.基于 GIS 的森林资源生态效益的动态分析[D].中国地质大学（北京）,2013.
[2]Souza U D V, Kux H J H. Contribution of the New WORLDVIEW-2 Spectral Bands for Urban Mapping in Coastal Areas: Case Study SÃO LUÍS ( MARANHÃO State, Brazil)[J]. ISPRS- International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2012, XXXIX-B4:171-176.
[3]Lechner A M, Fletcher A, Johansen K, et al. CHARACTERISING UPLAND SWAMPS USING OBJECT-BASED CLASSIFICATION METHODS AND HYPER-SPATIAL RESOLUTION IMAGERY DERIVED FROM AN UNMANNED AERIAL VEHICLE[J]. 2012.
[4]Ying L, Zhang H, Xue X, et al. Deep learning for remote sensing image classification: A survey[J]. Wiley Interdisciplinary Reviews Data Mining & Knowledge Discovery, 2018(12):e1264.
指导老师：易俐娜，任静。
论文作者:虞宏宇,陈朗凡,李宇森
论文发表刊物:《基层建设》2019年第5期
论文发表时间:2019/4/30
标签：植被论文; 光谱论文; 后处理论文; 向量论文; 波谱论文; 林场论文; 图像论文; 《基层建设》2019年第5期论文;