基于机器学习算法的机载高光谱图像优势树种识别

作者：于航; 谭炳香; 沈明潭; 贺晨瑞; 黄逸飞

来源：自然资源遥感, 2023, 1-10.

• 高光谱数据
• 优势树种识别
• 空间分辨率
• 多尺度样本

对森林树种类型进行识别可以为森林资源清查工作的开展提供科学的参考价值,但即使利用空间分辨率较高的高光谱数据,也很难做到树种级别的精准分类。所以如何利用空间分辨率较高的高光谱数据准确识别森林优势树种是当前亟待解决的问题之一。本文以内蒙古大兴安岭根河森林保护区为研究区,在两种空间分辨率下(1 m和3 m),使用样本点(样地对应像元的光谱值)与样本面(样地对应3×3窗口像元光谱平均值)两种样本取值尺度,采用三种机器学习分类算法(神经网络(neural network,NN)、三维卷积神经网络(three dimensional convolution neural network,3DCNN)和支持向量机(support vector machines,SVM))对机载高光谱图像的森林优势树种识别能力进行了探讨。结果表明:(1)无论使用何种空间分辨率与样本取值尺度,3DCNN的分类精度最高,其总体精度和Kappa系数最高(最高分别为95.42%和0.94);(2)高空间分辨率更有利于优势树种识别,其比低空间分辨率(3 m)总体精度最多可提高30.97%,Kappa系数最多可提高54.24%;(3)使用NN与SVM进行分类时,以样本面作为样本取值尺度进行树种识别的精度低于样本点。而在3 m空间分辨率情况下使用3DCNN进行分类时,以样本面作为样本取值尺度进行树种识别的精度高于样本点。总的来说,空间分辨率、样本取值尺度与分类算法均对优势树种识别精度有不同程度的影响。在机载高光谱图像识别森林优势树种过程中,优先选择高空间分辨率影像,利用小样本数据,采取深度学习算法将会提高优势树种识别精度。

• 单位
  中国林业科学研究院资源信息研究所