一种红树林亚种分类的无人机高光谱遥感方法

红树林是生长在热带和亚热带地区，陆地和海洋交界的海岸潮间带滩涂上生长的由木本植物组成的乔木和灌木林群落。红树林作为一种独特的实地植被类型，为鸟类、鱼类以及海洋生物提供了丰富的食物和良好的栖息环境，在抵御海洋自然灾害，维护海湾、河口生态环境，保护沿海实地多样性方面具有不可替代的重要作用。

传统的实地调查方法获取红树林物种信费时费力，且调查工作往往难以深入根系繁茂的红树林内部。相比而言，遥感技术更加经济高效，能够实现多时相且空间连续监测植被物种的构成。目前，已有大量研究利用遥感技术对红树林物种进行识别或分类，中等空间分辨率的多光谱遥感卫星影像。

1 研究方法

1.1数据获取

用无人机搭载纳米高光谱成像仪获取的南沙湿地公园高空间分辨率、高光谱分辨率影像，用作湿地公园局部区域的红树林亚种分类的源数据。

在南沙湿地公园内，开展实地调查，详细记录红树林基本分布情况，作为红树林分类结果的对照。使用手持地物光谱仪获取的南沙湿地公园实地采样点位数据和光谱数据作为采样点光谱数据库。根据实际调查情况，选择一处红树林物种相对较多，环境影响较为复杂的典型区域，对该区域开展基于无人机高光谱影像的红树林树种分类工作。

航高200ｍ，地面分辨率0.1ｍ，光谱分辨率2.23ｎｍ，覆盖光谱范围400～1000ｎｍ，包含有269个波段。实验中使用的数据格式为像素按行存储（bandinterleavedbyline，BIL）。截取其大小为2000×2000像素的影像作为试验区（图１）。南沙湿地公园共二期工程，选取一期进行航飞，面积大约2ｋｍ２。影像主体部分位于一期中心，地物种类主要是芦苇、木榄、秋茄、水黄皮、铁冬青和水面。

1.2 波谱库的建立和编辑

在实地调查中，在光照充足的情况下，采用手持光谱仪采集树种的光谱曲线信息，考虑到其他植物、水体、土壤等周围环境对光谱曲线的影响，同时采集周围环境的光谱信息，为端元光谱提供参考。

根据实地调查数据对该区域每一个树种采集样本，并将采集到的树种样本对应到无人机影像中的对应区域，作为各树种的参考样本，并以参考样本的光谱作为参考在全幅影像上均匀地选取一定数量的端元，得到各树种的候选端元集合，如图2所示。

1.3 数据预处理

由于水域不是本文关注重点，采用掩膜法手工去除块图中的水域部分。

由于无人机拍摄时环境条件存在差异、拍摄时机身的摆动造成不同条带光谱存在差异、条带拼接时存在偏移等问题，对高光谱影像进行预处理，包括亮度转换，反射率校正，几何校正，再使用遥感图像处理系统的专业镶嵌模块对校正结果进行拼接，根据先验知识和影像各波段质量情况，去除部分波段后得到试验区的完整块图。块图包含的波段信息如表１所示。

1.4 树种分类技术方法

本实验用到了以下技术方法：

支持向量机是一种基于统计学习理论的机器学习算法。它通过解算最优化问题，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题。支持向量机属于一般化线性分类器，这种分类器的特点是他们能够同时最小化经验误差与最大化几何边缘区，因此支持向量机也被称为最大边缘区分类器。

光谱解混。受高光谱成像仪空间分辨率限制，以及红树林区域树种混杂原因，一个像元内往往包含多个树种，高光谱遥感图像存在大量混合像元，对高光谱图像的混合像元分解得到端元及丰度的过程，一般称为像元的光谱解混。其中，端元代表图像中存在的纯物质，丰度代表某个像素中的每个端元所点的百分比。

多端元线性混合光谱分解。混合像元是高光谱图像目标分类准确率降低的主要原因之一，因此不能直接进行基于像元的监督分类。本文使用多端元线性混合光谱分解的方法，即光谱解混时对块图的每个像素进行像素级分类，从而得到反映每个像素内具有的树种及其对应的比例的丰度图。该丰度图得到了单个像素内所具有的树种及其对应的比例，在亚像元级别反映各树种的分布，更符合真实的树种分布。在此基础上，考虑每个像素的最大丰度树种和相邻像素的情况，处理形成最终合理的分类结果。

混淆矩阵算法。混淆矩阵算法是现在国际上比较通用的遥感影像分类精度评价方法，在图像精度评价中，通过将每个实测像元的类别与分类成果图像中的同一位置的像元类别相比较计算得到。

2实验与结果

对于支持向量机分类部分，本文将端元光谱库的样本直接采用为监督分类的样本，具体包括芦苇、木榄、秋茄、水黄皮、铁冬青。再根据传统的支持向量机分类模型对预处理后的块图执行监督分类，使用传统的分类方法直接对每个像元赋予了树种类别，得到支持向量机分类结果。分类结果如图3所示。

由于传统的分类方法直接对每个像元赋予特定的类别，但在红树林区域是不合理的。在前面的数据基础上，通过多端元线性混合光谱分解得到各树种类别的丰度图，再进一步处理形成分类结果，如图4所示。

在进行精度评价前，本文根据实地调查情况，制作了树种总体分布概况示意图（图５），作为分类结果的对照。由于试验区红树林空间分布复杂，局部区域不存在只有单一植被的情况，且混杂程度不一，分布图仅描绘了不同区域的优势树种，不排除存在其他植被的可能性。因此，不能直接使用分布图进行精度评定。

考虑到分布图的局限性，实验在充分参考树种分布概况的前提下，根据纹理、色彩、大小、阴影等特征、直接在影像上采集样本，作为像元类别实测数据，再分别统计支持向量机分类结果和解混分类结果，形成混淆矩阵，如表３、表４所示。

根据支持向量机分类结果和解混分类结的混淆矩阵，计算两种分类方法的总体分类精度，结果如表５所示。

3实验分析

将分类结果与实地调查数据对比，除去个别区域植被繁杂、周围环境干扰使产生的混合像元难以解混，以及“同物异谱”或“同谱异物”的现象存在，造成部分树种分类与实际有出入之外，两种分类结果总体上与实地调查中红树林树种分布的情况基本一致。其中，支持向量机分类总体精度达到80.88％，光谱解混后分类精度进一步达到83.93％。可以看到，在基于无人机高光谱影像的树种识别中，解混和支持向量机方法都能较好地识别出红树林的树种，总体精度都达到了80％以上。相比于支持向量机分类方法，在近水形成的红树林混交区域，解混方法在红树林混交区域总体上表现更好，能够在一定程度上提高红树林的分类精度。

在本实验中，存在不少未能识别成功的区域，经分析影像质量发现，这些区域除了少数是其他植被之外，大部分为阴影、水体附近等影像特征信息较少的区域。光谱解混方法明显提升了木榄、芦苇、铁冬青的分类精度，但在水黄皮、秋茄分类中不占优势，究其原因：①秋茄和水黄皮之间的波形及反射率值十分相近，在分类时容易错分；②秋茄本身植株矮小，光谱特征受其他植株影响较大，干扰光谱解混的丰度计算，影响最终分类。

4结束语

本次实验进行了大量的红树林高光谱数据获取和处理工作，积累了一些宝贵的经验。

1.红树林生长区域树种空间混杂，混合像元众多，为保证分类准确性，树种的光谱信息宜优先实地采样获取。

2.对红树林树种分类时不能直接根据像元划分树种，必须对像元进行光谱解混，才能得到更接近于真实的分类结果。

3.高质量的影像数据是实现准确分类不可忽视的重要前提条件。

4.高光谱影像具有超高的光谱分辨率，能够反映出不同树种间的光谱差异，为不同树种分类提供可能，但仍有部分树种间的光谱差异十分细微，它们的波形及反射率值都很相近，像元解混存在困难，容易造成错分，需要进一步研究更有效的分类方法。

总的来说，像元解混是一项行之有效的技术方法，能够明显提高目标分类精度，基于高光谱影像进行树种监督分类的技术手段较为成熟，有着非常广阔的应用前景。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑 黄昊宇