基于S185机载高光谱成像技术与机器学习的红树林物种识别研究

英文名称：Identifying Mangrove Species Using Field Close Range Snapshot Hyperspectral Imaging and Machine-Learning Techniques

美国俄亥俄州辛辛那提大学/中山大学地理科学与规划学院

红树林作为湿地生态系统的重要组成部分，具有丰富的经济效益和生态价值。由于全球红树林资源迅速减少，研究红树林物种组成能提供湿地的存量和植被群落的变化等基础信息，这对红树林生态系统的保护具有重大意义。

本文以S185机载高光谱成像数据为实例，结合机器学习技术，为中国广东省珠海市淇澳岛的8种红树林物种制定了最优分类方案。研究首先利用高光谱成像仪野外采集8类红树林物种高光谱数据，通过光谱变换得到了5个高光谱数据集：反射率R及其一阶导数d(R)、反射率的对数log(R)及其一阶导数d[log(R)]和高光谱植被指数(VIs)。其次进行数据预处理，采用逐步判别分析(SDA)、基于相关性的特征选择(CFS)和连续投影算法(SPA)三种波段选择方法，对高光谱数据进行降维和有效波段选择。最后采用线性判别分析(LDA)、k近邻(KNN)、随机森林(RF)和支持向量机(SVM)四种机器学习分类器构建分类模型，并对分类结果进行了比较分析。

图1 国家地图中的淇澳岛（假彩色图R、G、B依次由波段7、5、3合成）和33个地面测量点分布图（2015年9月11日无人机获取的现场真彩色合成地图）

图2 利用高光谱数据和机器学习分类器进行红树林物种识别的流程图

表1 八类红树林物种及样本数

图3 红树林冠层高光谱测量场景和装置图，(a)S185高光谱成像仪，(b)笔记本电脑

图4 八种红树林物种图像

表2 本研究使用的高光谱植被指数（其中R为反射光谱，DRi为反射光谱的一阶导数）

图5 八类红树林物种的光谱曲线，(a-d)依次为平均反射率R、反射率的一阶导数d(R)、反射率的对数变换log(R)和反射率对数变换的一阶导数d[log(R)]

表3 基于光谱变换后的数据集，利用10折交叉验证法测试分类器得到的OA和kappa系数(括号内为标准差)

表4 基于d[log(R)]数据集，利用10折交叉验证法测试分类器得到的分类精度(括号内为标准差)

表5 SDA、CFS和SPA方法所选择的光谱波段

图6 SDA、CFS和SPA方法所选波段出现的频率次数

表6 基于高光谱和数据降维后的数据集，利用10折交叉验证法测试分类器得到的OA和kappa系数(括号内为标准差)

结论：

S185机载高光谱成像仪通过独特的Snapshot成像技术，无需任何移动部件即可画幅式同步成像，在0.001秒内获得整个视场范围内的高光谱立方体数据，其可适用于机载以及地面使用，可方便快速测取目标数据。通常来讲，机载高光谱应用于红树林的分类研究之前，有必要首先在实验室和地面测量进行研究，这是机载高光谱未来应用的最重要前提之一。本研究在评估光谱变换、波段选择和机器学习技术的基础上，总结出：（1）高光谱数据与降维后的数据集具有相当的分类精度；（2）导数和对数变换以及高光谱VIs数据集的加入有助于提高红树林物种整体的分类精度，尤其在有背景辐射或不规则光照情景下。因而，应用高光谱图像和机器学习分类器对红树林物种进行分类是非常有效的。

原文链接：https://www.mdpi.com/2072-4292/10/12/2047