李琰 王立海 邢艷秋

(東北林業(yè)大學(xué)，哈爾濱，150040)

責(zé)任編輯:王廣建。

森林類(lèi)型識(shí)別是林業(yè)資源保護(hù)和林業(yè)資源動(dòng)態(tài)監(jiān)測(cè)的基礎(chǔ)。高光譜遙感具有較高的光譜分辨率，被廣泛應(yīng)用于各個(gè)領(lǐng)域。高光譜遙感具有數(shù)據(jù)量大、光譜分辨率高、光譜范圍廣、波段窄、對(duì)地物可以連續(xù)成像的特點(diǎn)，在林業(yè)調(diào)查中具有重要的作用［1－2］。由于不同地物屬性的先驗(yàn)知識(shí)不易獲得，通常采用非監(jiān)督分類(lèi)方法，研究數(shù)據(jù)的本來(lái)結(jié)構(gòu)及自然點(diǎn)群的分布情況，以降低處理數(shù)據(jù)的工作量［3－5］。譚炳香等［6－7］用EO－1 Hyperion高光譜數(shù)據(jù)，對(duì)吉林省汪清林業(yè)局境內(nèi)森林類(lèi)型進(jìn)行識(shí)別，發(fā)現(xiàn)高光譜分類(lèi)比多光譜分類(lèi)效果好，但未研究聚類(lèi)對(duì)其的影響;仲青青等［8］利用粒子群算法進(jìn)行多光譜聚類(lèi)研究，只考慮了對(duì)參數(shù)選取的改進(jìn)。貓群算法(CSO)是一種模擬貓的日常行為而建立的新興的群智能算法［9］。貓群算法收斂速度快，比傳統(tǒng)進(jìn)化算法、粒子群算法更加簡(jiǎn)潔。因此，將貓群仿生算法應(yīng)用到基于高光譜遙感圖像的森林類(lèi)型識(shí)別上，對(duì)提高森林分類(lèi)精度、減少分類(lèi)時(shí)間、降低專(zhuān)業(yè)理解難度、減少人工干預(yù)等具有重要作用。

1 研究區(qū)概況

研究區(qū)為吉林省汪清林業(yè)局經(jīng)營(yíng)區(qū)，地理坐標(biāo)為129°56'～131°04'E，43°05'～43°40'N。汪清林區(qū)屬綜合性山川地貌，地處長(zhǎng)白山支脈老爺嶺和哈爾巴嶺的山麓，四周群山環(huán)繞、中間為河谷平地、群山與河谷平地之間為丘陵。海拔360～1 477 m，平均海拔806 m，坡度變化范圍為0～45°。平均降水量547 mm，其中5—9月的降水量為438 mm，占全年總降水量的80%。年平均氣溫3．9℃。土壤種類(lèi)中，山地土壤主要為暗棕色土壤，谷地土壤主要為草甸土。經(jīng)營(yíng)區(qū)總面積3．04×105hm2，林地面積為1．87×105hm2，屬典型的天然次生林。該區(qū)資源豐富，森林類(lèi)型以針闊混交林為主，帶狀分布。針葉樹(shù)主要有紅松(Pinus koraiensis)、云杉(Picea)、臭松(Symplocarpus salisb)、落葉松(Larix kaempferi);闊葉樹(shù)為水曲柳(Fraxinus maudschurica)、胡桃楸(Juglans maudshurica)、蒙古櫟(Quercus monglica)、椴樹(shù)(Tilia)、色木(Acermono)、榆樹(shù)(Ulmus pumila)、白樺(Betula platyphylla)、楊樹(shù)(Populus)和楓樺(Betuladavuric)等［9］。主要純林有蒙古櫟、白樺和落葉松，占純林樹(shù)種的90%以上。

2 研究方法

2．1 高光譜數(shù)據(jù)

環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星(HJ1A/B星)搭載的超光譜成像儀(HSI)和多光譜CCD成像儀，HJ－1A圖像幅寬大于50 km，地面像元分辨率為100 m，共有115個(gè)波段。光譜范圍為0．45～0．9μm，平均光譜分辨率為4．32 nm，且具備±30°側(cè)視能力及星上定標(biāo)功能。重訪周期96 h，可實(shí)現(xiàn)對(duì)研究區(qū)的快速重復(fù)觀測(cè)［10］。CCD圖像4個(gè)波段，地面像元分辨率30 m。本文處理的高光譜數(shù)據(jù)為2010年6月9日的影像，HSI與CCD光譜景序列號(hào)分別為321 381、318 468。數(shù)據(jù)為2級(jí)產(chǎn)品，HSI中1～20以及113、114、115波段是壞數(shù)據(jù)，所以實(shí)際參與分析的波段為92個(gè)(21～88波段為可見(jiàn)光部分，89～112為近紅外部分)。數(shù)據(jù)經(jīng)過(guò)對(duì)數(shù)殘差大氣糾正、去條帶、通過(guò)地面控制點(diǎn)進(jìn)行幾何精校正等預(yù)處理，利用參考文獻(xiàn)［11－12］的重構(gòu)和評(píng)價(jià)方法進(jìn)行插值，將HSI高光譜數(shù)據(jù)影像與同時(shí)成相的CCD多光譜影像融合，形成115個(gè)波段空間分辨率為30 m的新高光譜數(shù)據(jù)。經(jīng)過(guò)相對(duì)反射率的分析，典型地物HSI波譜與CCD波譜具有相似的走勢(shì)，一致性較高，符合地面光譜儀的測(cè)量。

2．2 野外調(diào)查數(shù)據(jù)

分別在2006年9月、2007年9月和2010年9月進(jìn)行了野外地面調(diào)查。按照森林類(lèi)型、坡度等情況隨機(jī)布設(shè)79個(gè)水平投影面積為500 m2的圓形樣地，樣地分布情況見(jiàn)圖1。對(duì)樣地內(nèi)林木進(jìn)行每木測(cè)量，測(cè)量參數(shù)包括胸徑、樹(shù)高、樹(shù)種和郁閉度。將野外調(diào)查樣地的類(lèi)型分為混交林、闊葉林、針葉林3個(gè)類(lèi)型組，混交林53塊樣地，闊葉林11塊樣地，針葉林15塊樣地。再將野外調(diào)查數(shù)據(jù)與汪清林業(yè)局的森林二類(lèi)調(diào)查資料相結(jié)合。在覆蓋研究區(qū)域內(nèi)較均勻地選取闊葉林、針葉林、混交林、水體、其他各40個(gè)驗(yàn)證樣本［13］，二類(lèi)調(diào)查資料選取的驗(yàn)證樣本為每個(gè)900 m2。

圖1 研究區(qū)樣地分布圖

2．3 貓群基本思想

貓群優(yōu)化算法是一種模仿日常生活中個(gè)體貓和貓群的行為模式建立起來(lái)的群智能優(yōu)化算法。貓群優(yōu)化算法主要分跟蹤和搜尋兩種模式［14］。在搜索模式下，貓對(duì)自身位置的每一個(gè)副本應(yīng)用變異算子產(chǎn)生新的位置(鄰域)，并將新產(chǎn)生的位置放在記憶池中，并進(jìn)行適應(yīng)度值計(jì)算［15］。在記憶池中，選擇適應(yīng)度最高的候選點(diǎn)，作為貓所要移動(dòng)到的下一個(gè)位置點(diǎn)，從而利用全局最優(yōu)的位置更新貓的當(dāng)前位置。在迭代過(guò)程中，根據(jù)適應(yīng)度函數(shù)計(jì)算并保留當(dāng)前最優(yōu)解。

搜索模式的參數(shù)。SMP表示記憶池，定義了每只貓所觀察的范圍，即搜尋記憶的大小，它用來(lái)存放貓所搜尋的位置點(diǎn)，貓將依據(jù)適應(yīng)度值的大小從記憶池中選擇一個(gè)最好的位置點(diǎn);SRD表示所選維數(shù)的變化域，即個(gè)體上每個(gè)基因的改變范圍;CDC表示維度的變化比率，區(qū)間為(0，1)。

當(dāng)貓?zhí)幱诟櫮Ｊ綍r(shí)，按自身速度進(jìn)行移動(dòng)，用速度——位移模型來(lái)移動(dòng)每一位基因的值［14］。整個(gè)貓群經(jīng)歷過(guò)的最好位置，為目前搜索到的最優(yōu)解xbest，即利用全局最優(yōu)位置來(lái)更新貓的當(dāng)前速度，再通過(guò)更新后的速度值改變貓的當(dāng)前位置，不斷趨向最優(yōu)解方向［15］。具體活動(dòng)行為描述如下:

式中:vk，d為改變每維的速度;xk，d(t)為t時(shí)刻第k只貓?jiān)诘赿維的位置。d為某只貓的基因位;k表示某一只貓;C為常量;r為0～1之間的隨機(jī)數(shù)。Vi=表示每只貓都有一個(gè)速度，L為第i只貓的基因總長(zhǎng)度數(shù)。

跟蹤模式下，用適應(yīng)度值最高的貓的第d位基因位，替換了當(dāng)前貓的同一位置的基因位的值，從而更新了當(dāng)前貓的速度，繼而由公式(2)得出第k只貓的位置。

式中:xk，d(t)為t時(shí)刻第k只貓?jiān)诘赿維的位置;xk，d(t+1)為更新后第k只貓的第d個(gè)位置分量;vk，d(t+1)是更新后第k只貓的第d位基因的速度值。

2．4 貓群算法高光譜聚類(lèi)

2．4．1 結(jié)構(gòu)設(shè)計(jì)

假設(shè)已知聚類(lèi)數(shù)目，把一景高光譜數(shù)據(jù)分成非林地、針葉林、闊葉林、混交林等幾種類(lèi)別，每只貓都表示為一種可能的聚類(lèi)結(jié)果。通過(guò)考察每個(gè)像元的光譜特征、空間特征或圖像的形狀、顏色特征等(如:DN值、方差、灰度梯度、反射率、飽和度、光譜吸收指數(shù)、熵、能量、分維、精度等)，通過(guò)貓群優(yōu)化算法搜索，將像元自動(dòng)歸類(lèi)。設(shè)這些待分類(lèi)像元集為X={Xα，α=1，2，…M}，其中Xα代表第α個(gè)像元的總特征。Xα為N維模式，Xα的每個(gè)分量代表所需的某一種特征。假設(shè)Xα的第一個(gè)特征為灰度特征，用高光譜各個(gè)波段的灰度值表示，則當(dāng)有n個(gè)波段時(shí)，前n個(gè)分量分別為該像元各個(gè)波段的灰度值。第n+1個(gè)特征位放入第2個(gè)特征，依次類(lèi)推，原理如表1所示:

表1 待分類(lèi)樣本集結(jié)構(gòu)

本文主要依據(jù)高光譜較為豐富的光譜特征來(lái)進(jìn)行分類(lèi)研究，采用灰度特征從待分類(lèi)像元(樣品集)X中找到一個(gè)劃分C={C1…CK}，使得總類(lèi)內(nèi)的離散度和達(dá)到最小。每只貓作為一個(gè)可行解，這些可行解組成貓群，也即解集。該解集可以通過(guò)聚類(lèi)中心的集合作為每只貓所代表的解，即每只貓的位置是由C={C1…CK}中的K個(gè)聚類(lèi)中心組成的。高光譜聚類(lèi)中每個(gè)貓包含位置、速度和適應(yīng)度。以某只貓的第1位、第j位、第k位為例，其編碼結(jié)構(gòu)如表2所示。

表2 個(gè)體貓的基本編碼

Cj為第j個(gè)聚類(lèi)的中心;每只貓的速度Vj為第j個(gè)聚類(lèi)中心的速度值，它和Cj一樣和Xi保持一致，都為一個(gè)N維向量。編程實(shí)現(xiàn)時(shí)，貓的位置編碼結(jié)構(gòu)表示為Cat(i)．location［］=［C1，…，Cj…，CK］;Cat(i)．velocity［］=［V1，…，Vj，…，VK］，即Vij=(Vi1，Vi2…，Vik)，j=1，2，…，k;每只貓的速度V為每個(gè)聚類(lèi)中心的速度共同作用形成。位置和速度之間的更新和交換只限于對(duì)應(yīng)的基因位之間的交換，當(dāng)每維的速度超過(guò)該維的最大速度，則該維的速度被限制為最大速度(Vmaxj)。

2．4．2 適應(yīng)度值選取

貓的適應(yīng)度值f為一個(gè)實(shí)數(shù)。用公式表示為:f=g/JC。式中:JC為總類(lèi)內(nèi)的離散度之和;g為一個(gè)較小的整數(shù)。因?yàn)槟繕?biāo)是在待分類(lèi)像元集X中找到一個(gè)劃分C={C1…CK}，使得總類(lèi)內(nèi)的離散度之和達(dá)到最小，即公式中的JC最小，f越大，該貓所代表的聚類(lèi)劃分的總類(lèi)間離散度越小。

2．4．3 基于貓群算法的聚類(lèi)實(shí)現(xiàn)

步驟1:設(shè)置參數(shù)。最大迭代次數(shù)為M，待分類(lèi)別數(shù)K。依據(jù)經(jīng)驗(yàn)，SMP=5;SRD=0．2(即每類(lèi)的聚類(lèi)中心的值每次的變化范圍在0．2以?xún)?nèi))表示只在每只貓的自身鄰域內(nèi)搜索;維數(shù)變化率CDC=1，在計(jì)算過(guò)程中，每一類(lèi)的聚類(lèi)中心都是動(dòng)態(tài)變化的。

步驟2:初始化貓群。種群大小為m，每只貓為一個(gè)D維向量，聚類(lèi)類(lèi)型數(shù)目為K時(shí)，D=K。隨機(jī)初始化每一維位置(xi，d)，隨機(jī)選取聚類(lèi)中心，對(duì)于第i只貓，將每一個(gè)像元隨機(jī)指定為某一類(lèi)，作為最初的聚類(lèi)劃分。該聚類(lèi)中心集合即作為貓i的位置編碼;并為每一位置初始化速度vi，d為0;同時(shí)初始化一個(gè)隨機(jī)分布矩陣，記錄待分類(lèi)像元的類(lèi)別分布情況。

步驟3:計(jì)算每只貓的適應(yīng)度值，反復(fù)進(jìn)行，生成m只貓，即形成了整個(gè)貓群的搜索空間。

步驟4:引進(jìn)分組率，將貓群分為搜尋模式和跟蹤模式，該值可隨機(jī)設(shè)定。貓經(jīng)常處于懶散狀態(tài)，因此分組率MR=0．02。

步驟5:為每只貓?jiān)O(shè)置一個(gè)標(biāo)志位。根據(jù)標(biāo)志位信息確定屬于哪種模式，如果是搜尋模式，標(biāo)志位為0，進(jìn)入第6步。否則，進(jìn)入第7步。

步驟6:進(jìn)入搜尋模式。復(fù)制每只貓自身SMP份，放入記憶池中。根據(jù)每只個(gè)體貓的突變率(CDC)和變化域(SRD)。根據(jù)程序Cat(i)．location(j)=Cat(i)．location(j)+Cat(i)．location(j)(SDR*(r*2－1))更新其位置，Cat(i)．location(j)表示第i只貓?jiān)诘趈個(gè)基因位的位置，r為隨機(jī)數(shù)。對(duì)每一只貓，通過(guò)CDC的值，確定該貓的哪幾個(gè)維度位置需要改變，可隨機(jī)或設(shè)定。根據(jù)公式f=g/JC計(jì)算記憶池內(nèi)所有個(gè)體貓副本的適應(yīng)度(f)。通過(guò)排序或選擇算子，從復(fù)制的SMP只貓(副本)中，選擇適應(yīng)度值最大的副本來(lái)代替當(dāng)前貓的位置。此時(shí)，這個(gè)副本貓的每一個(gè)分量位置所代表的聚類(lèi)中心對(duì)應(yīng)代替原來(lái)貓的各個(gè)聚類(lèi)中心。

步驟7進(jìn)入跟蹤模式。計(jì)算適應(yīng)度的值，記錄貓群的全局最優(yōu)位置(C_gd．location［］)。每只貓會(huì)根據(jù)更新速度更新自己的位置，找出全局最優(yōu)個(gè)體，達(dá)到最優(yōu)位置。程序?yàn)?

Cat(i)．velocity(j)為第i只貓?jiān)诘趈個(gè)基因位的速度。計(jì)算t+1時(shí)刻第i只貓的位置，得到每只貓基因位(分量)，得到每個(gè)類(lèi)的聚類(lèi)中心的解，不斷迭代，貓逐步趨近最優(yōu)。聚類(lèi)中心的集合內(nèi)的值是要求出的不同類(lèi)別的聚類(lèi)中心。

步驟8:對(duì)于每個(gè)待分類(lèi)像元，根據(jù)貓的聚類(lèi)中心編碼，可以使用最鄰近法則來(lái)確定待分像元的聚類(lèi)劃分，即對(duì)待分像元Xa。某待分像元到聚類(lèi)中心的距離為d(Xa，Cj)=min d(Xa，Cl)，l=1，2，3…K。若第j類(lèi)的聚類(lèi)中心Cj滿足公式d(Xa，Cj)=min d(Xa，Cl)，則Xa屬于類(lèi)j。比如:對(duì)第1只貓，第1個(gè)像元X1，初始時(shí)并不知道屬于哪一類(lèi)，將其隨機(jī)指定為第3類(lèi)闊葉林，即Cj中的j=3，其他像元也隨機(jī)指定。對(duì)每個(gè)待分像元計(jì)算與每只貓里第j類(lèi)聚類(lèi)中心的距離，比如第1個(gè)像元實(shí)際和第1只貓的第2類(lèi)針葉林的距離最小，那就說(shuō)明它在第2次迭代中應(yīng)被歸為第2類(lèi)針葉林。這時(shí)重新計(jì)算聚類(lèi)中心，由于個(gè)體貓和整個(gè)貓群的位置和適應(yīng)度值都在不斷變化，每只貓的聚類(lèi)中心集合C也在不斷變化。每個(gè)待分像元不斷計(jì)算和某只貓的每個(gè)聚類(lèi)中心的距離，調(diào)整自己所屬的類(lèi)別。

步驟9:計(jì)算所有貓的適應(yīng)度值，記錄和保留適應(yīng)度值最優(yōu)的貓，即全局最優(yōu)解。

步驟10:判斷是否滿足終止條件，如設(shè)置的最大迭代次數(shù)，或者得到的解符合某種閾值，則本次循環(huán)結(jié)束。否則，繼續(xù)執(zhí)行步驟4。

除上述步驟中的參數(shù)選取，其余參數(shù)設(shè)置如表3所示。

表3 基于貓群優(yōu)化算法的高光譜聚類(lèi)算法參數(shù)

3 結(jié)果與分析

3．1 經(jīng)過(guò)2次迭代和20次迭代結(jié)果的分類(lèi)精度比較

本文利用剔除壞波段的92個(gè)波段，空間分辨率30 m的高光譜影像，通過(guò)MATLAB編程與ENVI實(shí)現(xiàn)仿真實(shí)驗(yàn)。根據(jù)針葉林、闊葉林、混交林等地面采集數(shù)據(jù)，分析森林類(lèi)型的光譜特征，提取出幾種森林類(lèi)型的光譜曲線(見(jiàn)圖2)。

圖2 地物光譜曲線

利用貓群優(yōu)化算法迭代20次，其迭代次數(shù)與適應(yīng)度收斂情況如圖3所示。

圖3 迭代20次與適應(yīng)度關(guān)系

選取迭代第2次與第20次的不同分類(lèi)結(jié)果進(jìn)行比較，當(dāng)貓群算法經(jīng)過(guò)第2次迭代后，結(jié)果如圖4所示。

圖4 第2次迭代后森林類(lèi)型聚類(lèi)結(jié)果

其混淆矩陣見(jiàn)表4。

表4 第2次迭代分類(lèi)精度

從表4中可看出，經(jīng)過(guò)2次迭代，200個(gè)樣本中138個(gè)樣本被正確聚類(lèi)?；旖涣?0個(gè)驗(yàn)證樣本中，24個(gè)落在混交林分類(lèi)區(qū)，7個(gè)樣本落在針葉林分類(lèi)區(qū)，5個(gè)被錯(cuò)分成闊葉林，3個(gè)落在水體分類(lèi)區(qū)，1個(gè)被錯(cuò)分為非林地他，制圖精度為60%。針葉林的40個(gè)樣本中，有29個(gè)樣本落在針葉林的分類(lèi)區(qū)，6個(gè)落在闊葉林分類(lèi)區(qū)，其余落在水體和非林地，制圖精度為72．5%;闊葉林的40個(gè)樣本中，有22個(gè)樣本落在闊葉林的分類(lèi)區(qū)，7個(gè)落在針葉林分類(lèi)區(qū)，5個(gè)落在混交林的分類(lèi)區(qū)，1個(gè)落在水體分類(lèi)區(qū)，1個(gè)落在非林地，制圖精度55%;水體的40個(gè)驗(yàn)證樣本中，有33個(gè)分類(lèi)正確，2個(gè)落在混交林分類(lèi)區(qū)，2個(gè)落在針葉林分類(lèi)區(qū)，制圖精度為82．5%;非林地30個(gè)落在非林地分類(lèi)區(qū)，4個(gè)落在混交林分類(lèi)區(qū)，2個(gè)落在針葉林分類(lèi)區(qū)，4個(gè)落在闊葉林分類(lèi)區(qū)，制圖精度為75%。總體精度=69%，Kappa系數(shù)=0．612 5。分類(lèi)總體精度較低，主要因?yàn)樨埲壕垲?lèi)算法尚未趨向收斂，聚類(lèi)中心還接近于隨機(jī)狀態(tài)，高光譜各個(gè)像元到聚類(lèi)中心距離尚未尋找到最小。

當(dāng)貓群算法經(jīng)過(guò)第20次迭代后結(jié)果如圖5所示。其混淆矩陣如表5所示。

圖5 第20次迭代后森林類(lèi)型聚類(lèi)結(jié)果

表5 第20次迭代分類(lèi)精度

從表3中可看出，經(jīng)過(guò)20次迭代，200個(gè)樣本中167個(gè)樣本被正確聚類(lèi)，總體分類(lèi)精度為83．5%，Kappa系數(shù)=0．793?；旖涣烛?yàn)證樣本中，28個(gè)落在混交林分類(lèi)區(qū)，4個(gè)樣本落在針葉林分類(lèi)區(qū)，5個(gè)被錯(cuò)分成闊葉林，2個(gè)落在水體分類(lèi)區(qū)，1個(gè)被錯(cuò)分成非林地，制圖精度為70%;針葉林的40個(gè)樣本中，有33個(gè)樣本落在針葉林的分類(lèi)區(qū)，1個(gè)落在混交林的分類(lèi)區(qū)，1個(gè)落在闊葉林分類(lèi)區(qū)，其余落在水體和非林地區(qū)域，制圖精度為82．5%;闊葉林的40個(gè)樣本中有30個(gè)樣本落在闊葉林的分類(lèi)區(qū)，2個(gè)落在混交林的分類(lèi)區(qū)，5個(gè)落在水體分類(lèi)區(qū)，制圖精度為75%;水體的40個(gè)驗(yàn)證樣本中有39個(gè)分類(lèi)正確，1個(gè)落在闊葉林分類(lèi)區(qū)，制圖精度為97．5%;非林地37個(gè)落在非林地分類(lèi)區(qū)，3個(gè)落在混交林分類(lèi)區(qū)，制圖精度為92．5%。

混交林、針葉林、闊葉林、水體、非林地的制圖精度在迭代20次后比迭代2次時(shí)，分別提高了10%、10%，20%、15%和17．5%，混交林和針葉林提高相對(duì)較小。總的來(lái)說(shuō)，精度有了大幅提高。主要是因?yàn)樗惴ń?jīng)20次時(shí)收斂，適應(yīng)度值為0．345。但也存在部分錯(cuò)分、漏分現(xiàn)象，原因是研究區(qū)部分山地地形復(fù)雜，且算法以像元光譜特征為主要分類(lèi)依據(jù)，植被光譜存在同譜異物現(xiàn)象，較為突出的在波長(zhǎng)0．5～0．525、0．65～0．7μm?；旖涣峙c闊葉林光譜特征相近，干擾了算法對(duì)類(lèi)內(nèi)距離的判斷，導(dǎo)致混交林與闊葉林有混分現(xiàn)象。在波長(zhǎng)0．6～0．63、0．7～0．74μm，混交林、闊葉林與針葉林光譜有重疊，較難區(qū)分。因此，對(duì)聚類(lèi)總體精度造成了一定影響。但在21～24、28～31、39～47、55～60、62～77、85～112波段的67個(gè)波段內(nèi)，森林類(lèi)型的光譜相對(duì)有明顯區(qū)別，所以混淆程度較低，能較好的區(qū)分開(kāi)。雖然在可見(jiàn)光區(qū)域及近紅外區(qū)域的波長(zhǎng)0．7～0．92μm，針葉林的灰度值最低，但在波長(zhǎng)0．48～0．7μm處光譜特征置于闊葉林和混交林之間，使得他們的灰度值差別不大，從而引起混交林的驗(yàn)證樣本中有幾個(gè)樣本落在針葉林的分類(lèi)區(qū)，降低了針葉林的分類(lèi)精度。

3．2 種群參數(shù)

為了減少由于光譜特征重疊造成的影響，得到更好的精度，本研究對(duì)貓群聚類(lèi)算法中的部分參數(shù)在基于一般經(jīng)驗(yàn)基礎(chǔ)上，不斷調(diào)整，進(jìn)行實(shí)驗(yàn)，最終選擇了表3的參數(shù)設(shè)置。首先，當(dāng)種群m=5時(shí)，雖然收斂速度快，但分類(lèi)精度降低，這是由于算法搜索空間變小，容易陷入局部僵局，在并未得到最優(yōu)聚類(lèi)劃分時(shí)便已經(jīng)收斂。當(dāng)m=20時(shí)，發(fā)現(xiàn)所用時(shí)間比m=10時(shí)大幅增加，但相應(yīng)的精度卻未見(jiàn)明顯增加。這說(shuō)明在m=10時(shí)，算法在20次迭代時(shí)會(huì)收斂，可以滿足高光譜森林類(lèi)型聚類(lèi)的問(wèn)題復(fù)雜度，過(guò)多增大搜索空間，增加搜索次數(shù)，反而影響搜索的時(shí)間和效率。種群參數(shù)m對(duì)分類(lèi)結(jié)果的影響如圖6所示。

圖6 參數(shù)m改變的精度對(duì)比

3．3 維數(shù)的變化域(S RD)

由圖7可知，當(dāng)SRD=0．4時(shí)，總體精度為80．5%，精度略有下降，且在不同迭代次數(shù)上，每次得到的精度中大部分比SRD=0．2時(shí)低，且算法收斂速度變慢，這主要是因?yàn)楫?dāng)SRD=0．4時(shí)搜尋模式下鄰域范圍擴(kuò)大，在前期搜索較好，但波動(dòng)較大，后期收斂速度變慢;當(dāng)SRD=0．1時(shí)，分類(lèi)精度為79%，搜尋模式鄰域過(guò)于狹窄，容易陷入局部僵局。因此，根據(jù)比較驗(yàn)證了經(jīng)驗(yàn)值0．2是較為合理的。

圖7 參數(shù)S RD改變的分類(lèi)精度對(duì)比

4 結(jié)語(yǔ)

本論文在新型的群智能算法貓群優(yōu)化算法的基本思想的基礎(chǔ)上，對(duì)其加以改進(jìn)，并設(shè)計(jì)出了編碼規(guī)則及個(gè)體結(jié)構(gòu)，將其應(yīng)用到林業(yè)遙感的聚類(lèi)方法中，將高光譜影像的聚類(lèi)過(guò)程映射為貓群算法的尋優(yōu)過(guò)程。利用不同地物的光譜特征，從HJ/1A遙感影像的115個(gè)波段中挑選出類(lèi)內(nèi)距離較小的集合，經(jīng)過(guò)驗(yàn)證樣本驗(yàn)證，對(duì)闊葉林、針葉林、混交林、非林地、水體的分類(lèi)精度達(dá)到83．5%，比傳統(tǒng)K－means方法和ISODATA方法分別高7%和6．5%。結(jié)果表明基于貓群算法的高光譜森林分類(lèi)能較好地區(qū)分闊葉林、針葉林和混交林等樣地類(lèi)型。貓群優(yōu)化算法擁有自適應(yīng)、自組織、自學(xué)習(xí)性強(qiáng)的特點(diǎn)，雖然聚類(lèi)不如監(jiān)督分類(lèi)精度更高，但使用貓群算法進(jìn)行自學(xué)習(xí)聚類(lèi)為森林類(lèi)型識(shí)別提供了一種新思路。

［1］童慶禧，張兵，鄭蘭芬，等．高光譜遙感:原理、技術(shù)與應(yīng)用［M］．北京:高等教育出版社，2006．

［2］Fazakas Z，Nilsson M，Olsson H．Regional forest biomass and wood volume estimation using satellite data and ancillary data［J］．Agricultural and forest Meteorology，1999，98/99:417－425．

［3］舒清態(tài)，唐守正．國(guó)際森林資源監(jiān)測(cè)的現(xiàn)狀與發(fā)展趨勢(shì)［J］．世界林業(yè)研究，2005，18(3):33－37．

［4］董連英．Hyperion影像森林植被分類(lèi)方法與應(yīng)用研究［D］．長(zhǎng)春:吉林大學(xué)，2013．

［5］吳玉明．森林對(duì)人類(lèi)生活環(huán)境的影響和作用［J］．現(xiàn)代農(nóng)業(yè)科學(xué)，2008，15(12):66－67．

［6］譚炳香．高光譜遙感森林應(yīng)用研究探討［J］．世界林業(yè)研究，2003，16(2):33－37．

［7］譚炳香，李增元，陳爾學(xué)，等．高光譜與多光譜遙感數(shù)據(jù)的森林類(lèi)型識(shí)別［J］．東北林業(yè)大學(xué)學(xué)報(bào)，2005，33(S):61－64．

［8］仲青青．基于粒子群優(yōu)化的遙感圖像聚類(lèi)研究［D］．杭州:浙江大學(xué)，2011．

［9］李俊明，邢艷秋，楊超，等．基于環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星的樹(shù)種識(shí)別［J］．東北林業(yè)大學(xué)學(xué)報(bào)，2013，41(11):41－45，50

［10］韋玉春，湯國(guó)安，楊昕．遙感數(shù)字圖像處理教程［M］．北京:科學(xué)出版社，2007．

［11］高曉嵐，汪小欽．多源遙感數(shù)據(jù)在植被識(shí)別和提取中的應(yīng)用［J］．資源科學(xué)，2008，30(1):153－158．

［12］熊文成，魏斌，孫中平，等．一種針對(duì)環(huán)境一號(hào)衛(wèi)星A星高光譜與CCD數(shù)據(jù)融合的方法［J］．遙感信息，2011(6):79－82．

［13］李俊明，邢艷秋，楊超．基于森林類(lèi)型光譜特征的最佳波段選擇研究:以HJ/1A高光譜影像為例［J］．森林工程，2013，29(4):42－46．

［14］Shu－chuan Chu，Pei－Wei Tsai．Computational intelligence based on the behavior of cats［J］．International Journal of Innovative Computing，Information and Control，2007，3(1):163－173．

［15］C．Chu－Chuan，T．PeiWei，P．Jeng－shyang．Cat Swarm Optimization［C］//China:In Proceedings of the 9th Pacific Rim International Conference on Artificial Intelligence，2006:854－858．