温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
基于
Relief_F
卷积
网络
湿地
植物群落
精细
分类
张永彬
测 绘 通 报 年 第 期引文格式:张永彬,刘雅辉,刘明月,等 基于 与卷积神经网络的湿地植物群落精细分类 测绘通报,():基于 与卷积神经网络的湿地植物群落精细分类张永彬,刘雅辉,刘明月,满卫东,宋唐雷,李春雨(华北理工大学矿业工程学院,河北 唐山;唐山市资源与环境遥感重点实验室,河北 唐山;河北省矿区生态修复产业技术研究院,河北 唐山;河北省矿业开发与安全技术重点实验室,河北 唐山)摘要:湿地是陆地生态系统和水生生态系统之间的重要过渡带,准确高效地获取湿地植物群落分布信息对于保护湿地具有深远的意义。本文以无人机多光谱影像为数据源,首先构建包含光谱特征、植被指数和纹理特征的多维特征数据集,并采用 算法进行特征优选,确定最优特征数据集;然后构建基于特征优选的卷积神经网络()分类模型,对最优特征数据集进行分类,并与基于原始多光谱影像的 和随机森林()分类方法进行对比。结果表明:随着特征个数的增加,分类精度先增加后下降,当特征数为 时分类精度最高;窗口为 的 提取的信息熵和同质性等纹理特征及、等多光谱植被指数重要性较高;基于最优特征数据集的 分类模型,能够有效提取空间光谱信息,抑制“椒盐现象”的产生,分类效果最佳,总体精度达.,与未进行特征优选的 和 分类模型相比分别提高了.和.。关键词:无人机多光谱;卷积神经网络;特征优选;湿地精细分类中图分类号:文献标识码:文章编号:(),(,;,;,;,):,():,“”,.,.,:;湿地被称为地球的肾,在减少温室气体和减缓气候变化方面具有显著作用,是地球上最重要、最有价值的生态系统之一。植物群落分布信息对保护湿地和维持湿地物种多样性等方面具有重要作用。传统的湿地植物群落调查耗时长、可达性差,且对湿地有一定的破坏性。收稿日期:基金项目:国家自然科学基金(;);河北省自然科学基金(;);河北省高等学校科学技术研究项目青年拔尖人才项目();河北省引进留学人员资助项目();唐山市科技计划重点研发项目()作者简介:张永彬(),男,博士,教授,研究方向为 技术在资源与环境中的应用及地理国情监测。:通信作者:满卫东。:年 第 期 张永彬,等:基于 与卷积神经网络的湿地植物群落精细分类遥感监测因其成本低、覆盖范围广等优势,已被广泛应用于湿地信息提取、动态变化监测、湿地植物群落分类等方面。近年来,轻小型无人机迅速发展,凭借其易操作性、灵活性高、成本低及空间分辨率高等特点,已成为湿地植物群落信息提取的重要手段。文献采用大疆精灵 搭载 和 相机获取数据源,通过融合光谱波段、纹理特征、几何特征、位置特征、地表高程信息和植被指数等特征构建了多维数据集,采用基于面向对象的随机森林(,)算法,有效提高了分类精度与分类效果。文献对采煤沉陷湿地的无人机多光谱影像进行分类,结果表明,无人机影像可有效地提取湿地植被信息。文献利用高斯变换对 数据与无人机和 数据进行融合得到超高分辨率的多光谱数据,并对湿地进行精细分类,得到可靠的分类结果。湿地信息是动态的、复杂的,对于大多数浅层算法而言,很难表达复杂的特征,当样本的数量及地物的复杂程度较高时,采用浅层算法很难得到理想的分类结果。近年来,随着计算机成本的不断降低,计算能力的大幅提升,深度学习算法取得了飞速发展。在训练数据充足的情况下,模型具有良好的泛化能力,能够在复杂多变的条件下依然保持良好的稳健性。文献利用卷积神经网络(,)对大豆作物中的杂草进行检测,准确率达 以上。文献提出了一种联合多尺度卷积神经网络模型(),设计了 个不同尺度通道,提取不同尺度的特征以解决小样本情况下数据量不足的问题。试验结果表明,模型在有效降低训练时间的情况下,提高了分类精度。以上研究均取得了较高的分类精度,但 在湿地植物群落分类的研究较少,且分类过程主要依据不同植物群落特征信息本身的差异性。同时,属于端到端的分类算法,缺乏对植被特征的分析与理解。为解决上述问题,本文以无人机多光谱数据为基础数据源,构建融合光谱特征、纹理特征和植被指数的多维数据集并进行特征优选;采用 模型对原始光谱数据集和优选特征集进行分类,并利用随机森林分类法进行对比。研究区及数据源.研究区概况研究区位于天津市滨海新区子牙新河下游,距离入海口约.,总面积为.,属于暖温带季风型大陆气候,全年平均气温.,年平均降水量.。主要湿地植被有芦苇、互花米草和碱蓬,互花米草作为外来入侵植物,不断侵占碱蓬与芦苇生长区域,且互花米草适宜生长在低潮位,在河陆交接及浅水区域迅速扩张,导致河道不断淤积,对本地生态造成了严重影响。.无人机数据获取与处理无人机多光谱数据采集于 年 月 日:。采用大疆精灵 多光谱版无人机(包含 个可见光传感器和 个多光谱传感器,见表)采集试验区域多光谱影像。航拍高度为 ,航向重叠度为,旁向重叠度为,影像分辨率为.,共计获得 张无人机可见光影像和 张多光谱影像。采用与大疆无人机配套的大疆智图图像处理软件对采集的图像进行处理,得到 张单波段影像和 张 影像(如图 所示)。表 无人机多光谱传感器波段参数波段中心波长带宽蓝光()绿光()红光()红边()近红外()图 研究区 影像与验证点分布.湿地植物群落分类体系通过对无人机可见光影像进行目视解译,研究区植被包含互花米草、芦苇和碱蓬。由于数据获取时间为 月底,互花米草生长旺盛,植株高度最高达.,部分互花米草处于倒伏状态。倒伏的与未倒伏的互花米草的光谱特征及植被特征差异性较大,为得到可靠的分类结果,将互花米草分为倒伏和未倒伏两种状态。最终分类体系确定为芦苇、碱蓬、未倒伏的互花米草、倒伏的互花米草、水体和测 绘 通 报 年 第 期裸土共 种类别。通过在 软件中结合无人机可见光影像进行目视解译制作样本标签。验证数据采用随机生成点工具在研究区内均匀随机地生成 个点(如图 所示),并结合可见光影像确定每个点对应的地物类型。研究方法.多维特征数据集构建为充分挖掘无人机多光谱遥感影像数据中的植物群落特征,除了光谱特征外,还进一步提取了植被指数和纹理特征,共计构建了 个无人机植被指数和 个多光谱植被指数(见表)。原始影像的第一主成分所包含的特征信息要多于任一单波段影像,因此以原始影像的第一主成分提取灰度共生矩阵()纹理特征。使用、和 的 种窗口 生成第一主成分的平均值、方差、同质性、对比性、异质性、信息熵、角二阶矩和相关性。.基于 算法的特征优选综合利用多种特征对湿地植物群落进行分类,能够充分挖掘遥感数据信息,提高分类精度。特征维数过大则会引起分类时间的增加,以及相关性较弱的特征用于分类,造成特征冗余。因此,对多维数据集进行特征优选能够有效提升分类效率与分类精度。算法是一种仅适用于二分类问题的过滤式特征选择算法。在 算法基础上,文献提出了适用于多分类问题的 算法。算法的基本原理为:对于随机样本,若 与同类最邻近样本中的某个特征的距离小于 与不同类样本的距离,说明此特征对分类是有利的,增加其权重;反之则减小其权重,最终得到各个特征的平均权重。计算公式为()()(,)()()()()(,()|()式中,(,)表示样本 和 在特征 上的差;(,()表示样本和()在特征上的差;()表示类 ()中第 个最近邻样本。.基于 的湿地分类算法 具有稀疏交互、参数共享及等变映射的特点,可以降低网络的复杂度和训练参数的大小,同时还具有很强的稳定性和容错性,在图像识别和影像分类任务中展现出高效、准确的优势。模型中卷积层对特征提取起决定性作用。对于第 个卷积层,其输出的特征图 生成过程可表示为()()式中,表示本次卷积的结果;表示第个卷积层第 维卷积核的权重向量;表示第 个卷积层第维卷积核的偏置项;表示卷积运算;表示非线性激活函数()。本文设计的 模型结构共 层,由 个输入层、个卷积层和 个全连接层构成(如图 所示)。首先是大小为 的输入层,为输入的特征层数;然后经过 个卷积核大小为 卷积层,得到 个 大小的特征图,再经过 函数处理避免模型过拟合,同时提高运行效率,第 层和第 层为全连接层,分别含有 和 个神经元,在两层全连接层中间再次使用 函数;最后经过 层,得到 类地物的概率并输出分类结果。表 植被指数计算公式类型植被指数计算公式无人机植被指数归一化蓝色指数 ()归一化绿色指数 ()归一化红色指数 ()归一化绿度差异植被指数()()绿叶指数()()多光谱植被指数归一化植被指数()()比值植被指数 绿色比值植被指数 差值植被指数 绿色差值植被指数 简单比率 绿色差异指数 年 第 期 张永彬,等:基于 与卷积神经网络的湿地植物群落精细分类续表类型植被指数计算公式多光谱植被指数绿红外植被指数 ()绿色归一化绿度差异植被指数()()重归一化植被指数()()非线性植被指数()()改进简单比值植被指数()()改进非线性植被指数(.)(.)增强型植被指数.()()土壤调节植被指数().(.)二次改进土壤调节植被指数 ()()()归一化差异红色边缘指数()()叶片叶绿素含量()()改进红边比值指数()()图 分类模型结构 结果与分析.基于 算法的特征优选试验利用 方法对 个特征(其中 个无人机影像原始波段、个植被指数及 个纹理特征)进行特征优选,并根据特征重要性进行排序。由排名前 和后 的特征及其重要性可知(见表),特征重要性最高的 个特征中植被指数特征为 个,纹理特征为 个,光谱特征为 个。植被指数 中 重 要 性 最 高 的 为,其 余 依 次 为、等,用绿色波段替代了 中的红色波段,在实际使用中更稳定,重要性相较于其他植被指数更高。纹理特征中重要性最高的是信息熵和同质性,且 个纹理特征中有 个窗口为,说明大窗口 提取的纹理特征对本试验贡献更大。小窗口虽然能获取更加细微的纹理信息,但同时也会产生更多的噪声。对于高分辨率无人机影像,大窗口提取的特征更加稳定和明显。光谱波段重要性均较低,只有红光波段和蓝光波段分别排在第 和第,说明红光和蓝光波段相较于其他光谱波段在湿地分类中贡献度更大。在排名后 的特征中,纹理特征为 个,植被指数为 个,无光谱波段。纹理特征中窗口为 的有 个,的有 个,再次表明小窗口 提取的湿地纹理特征效果较差。植被指数中均为只利用红光波段、绿光波段和蓝光波段计算的无人机植被指数,这表明只利用可见光波段计算无人机植被指数对于湿地不同地物的区分效果较差。.分类结果及精度评价利用 和 对未进行特征优选的原始多光谱影像进行分类以验证 分类方法的分类效果;然后对特征优选后的多维特征进行 模型分类,验证 特征优选方法的有效性。根据重要性对特征进行排序分组(见表),并利用 模型进行分类,共分为 组(见表),可知,分类精度呈先上升后下降的趋势,即分类精度测 绘 通 报 年 第 期随着特征数的增加而增加,在达到峰值后逐渐下降。分类精度最高的组为第 组,特征个数为 个,因此第 组为最优特征数据集。表 特征重要性排名排名特征名称重要性排名特征名称重要性信息熵.同质性.相关性.信息熵.异质性.方差.异质性.对比性.角二阶矩.红光波段.相关性.均值.对比度.同质性.方差.蓝光波段.角二阶矩.表 分组情况及分类精度组别分组阈值特征个数分类精度.利用 和 分类算法的原始多光谱影像分类结果与基于 的最优特征数据集的分类结果如图 所示。可以看出,种分类方案地物类型分布大致相同,从河流向两侧依次为互花米草、芦苇和碱蓬。无人机影像具有非常高的空间分辨率,但同时也加重了同物异谱和同谱异物现象,如果仅利用基于像素的分类方法对光谱波段进行分类,其结果会出现明显的“椒盐噪声”。基于 原始多光谱影像分类结果的“椒盐”现象较严重,而基于 的分类方法可有效提取影像的空间光谱特征从而很好地抑制“椒盐”现象的产生。由 种分类模型的混淆矩阵(见表 表)可以看出,在仅利用原始多光谱影像时,分类方法的分类效果要优于 分类方法;基于 最优特征数据集的 分类方法优于基于原始多光谱的 分类方法。从基于 最优特征数据集的 分类结果来看,各类地物生产者精度均达 以上。其中,水体和芦苇精度最高,分别为.和.,主要是因为水体的纹理特征和植被指数特征与其他地物差异较大,易于区分;影像采集