安徽省光学学会

2021年01月15日 星期五

大气与环境光学学报

《大气与环境光学学报》2020年第二期封面文章

文章来源:《大气与环境光学学报》作者:苗宇宏发布时间:2020-04-20

基于高光谱影像多维特征的植被精细分类

《大气与环境光学学报》 2020年第二期封面文章


  


 

Miao Yuhong, Yang Min, Wu Guojun. Sophisticated Vegetation Classification Based on Multi-Dimensional Features of Hyperspectral Image [J].Journal of Atmospheric and Environmental Optics , 2020, 15(2): 117-124.

苗宇宏,杨敏,吴国俊. 基于高光谱影像多维特征的植被精细分类[J].大气与环境光学学报, 2020,15(02): 117-124.

 

植被生态调查通过植被分类与识别来确定区域内植被的类型与分布情况,是生态环境监测、评估与管理工作中的重要环节。常用的现场植被调查方式存在工作效率低、覆盖范围小、危险程度高等问题,限制了调查结果的精度与可利用性。

而高光谱影像具有获取简单、数据维度高、覆盖范围广的特点,在地面植被的属性探测与分类识别研究中具有优势,成为了植被生态调查研究中的重要补充手段。但传统的高光谱分类方法仅利用光谱维度的特征难以应对复杂的实际应用场景,无法实现场景内植被的精细分类。而利用高光谱影像多维特征进行地物分类的相关研究,为高光谱影像在植被分类与生态调查中的应用提供了新的思路。

陕西省海洋光学重点实验室从理论研究与实际应用两方面,介绍了如何利用高光谱影像进行地面植被精细分类,并通过设置实验验证了所提方法的准确性,展望了高光谱生态调查的应用前景。

一、高光谱影像多维特征提取

高光谱影像具有光谱维、空间维以及特征维三个不同维度的特征,从不同角度展现了地物的不同属性。分别从这三个维度进行了特征分析,提取并构建更深层次的高光谱影像多维特征,能够指导地面植被的精细分类工作,概述如下:

1)光谱维特征提取

高光谱影像包含了丰富的光谱信息,为了分离数据噪声、去除波段冗余、提高处理效率与分类精度,最小噪声分离(Minimum noise fraction, MNF)变换被用于对高光谱影像进行光谱数据降维。

2)空间维特征提取

空间纹理特征的加入能够找到同一植被间的共性并放大不同植被间的差异,实现植被的区域化、精细化分类。针对高光谱影像的合成波段,提取了8类灰度共生纹理特征,研究表明不同植被在8类纹理特征表征上均存在差异,可以将这种差异用于进行不同植被的区分。

3)特征维特征分析

植被指数通过高光谱影像中多个波段的组合计算获得,能够增强植被信息并放大植被差异,是从高光谱影像数据中反演植被特性的重要途径之一,在高光谱植被分类中具有重要作用。选择了4类具有代表性的植被指数:归一化植被指数(NDVI)、增强植被指数(EVI)、优化土壤调节植被指数(OSAVI)以及改进红边归一化植被指数(mNDVI705),能够从不同角度进行植被特性的描述,对于复杂环境下的植被区分具有显著优势(图1)。

(a)NDVI    (b)EVI      (c)OSAVI    (d)mNDVI705   

图1 不同植被指数特征图

二、分类实验设置与结果分析

所用的实验数据为在青岛某区域采集得到的无人机载高光谱影像。影像的光谱范围为400~1000nm,光谱分辨率为2.8nm,空间分辨率为13cm,最终得到具有226个光谱波段的高光谱影像数据。

于同一时期开展了现场调查工作,通过样方布设方式获取了区域内地物种类与覆盖情况,利用GPS仪获得各类植被的分布位置信息。相关现场调查结果用于数据处理时训练样本的选择以及数据处理后植被分类的结果验证。

支持向量机(SVM)在高维数据处理方面具有出众的分类性能和泛化能力,在高光谱领域得到了广泛的应用,在进行分类实验时,将光谱、空间维以及特征维三个维度的特征进行叠加构建高光谱影像多维特征,利用SVM方法进行训练并分类。

说明: C:\Users\miaoyuhong\Desktop\新建 Microsoft Visio 绘图.jpg

(a)         (b)        (c)        

说明: C:\Users\miaoyuhong\Desktop\新建 Microsoft Visio 绘图1.jpg

(d)        (e)                 

图2 某区域分类结果对比图

通过在部分植被种类丰富且植被生长状况复杂的代表性区域进行分类结果的实验,如图2所示,(a)~(e)分别为原始伪彩色图、全光谱波段+SAM、光谱多维特征+SAM、全光谱波段+SVM以及本文所提光谱多维特征+SVM。

研究表明考虑影像多维特征之后,利用SAM和SVM分类方法对植被进行分类的精度均比原始光谱数据植被分类的精度高;基于高光谱影像多维特征的SVM分类方法分类最高,针对具有不同植被类别数的区域进行分类时,均能保持较高的分类精度。

三、工作总结与展望

本工作基于高光谱影像多维特征对所研究区域内的植被覆盖与分布情况进行了调查。实现了植被群落分析、植被覆盖度及多样性分析,同时实现了区域内优势种、入侵物种以及植被病虫害的识别,为生态监测、评估与管理提供准确详实的数据支撑。

该工作为高光谱植被分类研究打下坚实基础,今后可立足于现有结论,研究植被长期更新变化情况,通过调查植被生态变化过程实现更有效的生态监测。

 

课题组介绍

 

陕西省海洋光学重点实验室和青岛海洋科学与技术试点国家实验室海洋观测与探测联合实验室,面向世界科技前沿及国家战略需求,以光学为基础,采用多学科交叉的模式,主要研究海洋复杂环境下的光学信息获取、信息传输、信息处理等问题。实验室拥有完备的研究团队,先后承担三十余项国家及省部级项目,包括科技部重点研发计划、自然基金委重大仪器专项等。针对水下成像技术,在国际上首次提出并实现了水下远距离选通压缩感知成像技术,突破了现有水下成像作用距离瓶颈,实现八倍衰减长度探测距离;所研制“海瞳”相机是我国首台自主研发全海深高清相机,自2017年1月起,先后多次完成深海探测,最大潜深10911米。针对海洋生态系统,开展了无居民海岛生态监测、河口湿地生态系统在线监测、珊瑚礁生态系统可视化监测等研究,部分技术已应用于业务化监测工作中。针对海洋生态在线传感器技术,开展了叶绿素传感技术、后向散射测量、水中油传感、溶解氧传感、总磷总氮探测等技术研究。先后荣获中科院科技进步奖(二等)、国防科学技术奖(三等)、中国光学工程学会科技进步奖(一等)等奖项。