楊紅艷 杜健民 王 圓 張燕斌 張錫鵬 康擁朝

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院， 呼和浩特 010018； 2.內(nèi)蒙古工業(yè)大學(xué)機(jī)械工程學(xué)院， 呼和浩特 010051)

0 引言

草原是重要的地球生態(tài)系統(tǒng)，在全球氣候變化和全球生態(tài)平衡中起著關(guān)鍵作用[1]。草原退化導(dǎo)致土地退化、沙化，沙塵暴等自然災(zāi)害頻發(fā)，嚴(yán)重影響環(huán)境質(zhì)量和生態(tài)平衡[2]。草原退化的一個(gè)顯著特征是優(yōu)勢(shì)物種的改變，即在群落中可食、多年生的物種比例減少，不可食、一年生的物種比例增加[3]。研究表明，某些物種對(duì)草原退化具有重要的指示意義。例如，中國(guó)內(nèi)蒙古東部典型草原的主要類型為針茅草原、克氏針茅草原和羊草草原，在過度放牧下出現(xiàn)不同程度的退化，最終趨向于以冷蒿為主的草原。中國(guó)內(nèi)蒙古西部荒漠草原的主要類型為針茅草原和短花針茅草原，在過度放牧和干旱的共同作用下，冷蒿和無芒隱子成為群落中的優(yōu)勢(shì)物種。在退化程度更高的地區(qū)，豬毛菜和櫛葉蒿等一年生物種逐漸在群落中占據(jù)優(yōu)勢(shì)[3-5]。雖然經(jīng)過幾十年的生態(tài)治理，草原生態(tài)環(huán)境已得到一定改善，但草原生態(tài)恢復(fù)仍任重道遠(yuǎn)。在草原退化程度加劇之前通過指示物種的監(jiān)測(cè)發(fā)出預(yù)警，為草原生態(tài)環(huán)境管理提供動(dòng)態(tài)和定量的監(jiān)測(cè)數(shù)據(jù)具有重要意義。

遙感方法適用于大面積動(dòng)態(tài)監(jiān)測(cè)。多光譜遙感技術(shù)已實(shí)現(xiàn)草原植被群落水平的分類[6]，然而，群落水平的分類只能反映草原退化的現(xiàn)狀，不能反映與退化程度密切相關(guān)的物種構(gòu)成，因而難以對(duì)草原生態(tài)的進(jìn)一步惡化發(fā)出預(yù)警。高光譜遙感的光譜分辨率達(dá)1～10 nm，許多在多光譜遙感中無法探測(cè)的物質(zhì)，在高光譜遙感中能被探測(cè)到，并能對(duì)相似地物利用連續(xù)的光譜數(shù)據(jù)尋找光譜差異進(jìn)行區(qū)分。利用高光譜遙感技術(shù)進(jìn)行農(nóng)作物病蟲害監(jiān)測(cè)和生化參數(shù)估算已取得一定研究成果[7-9]，但由于衛(wèi)星遙感空間分辨率的限制和草原物種結(jié)構(gòu)低矮、細(xì)小和混雜生長(zhǎng)的特性，使衛(wèi)星高光譜遙感在草原監(jiān)測(cè)方面難以實(shí)現(xiàn)物種水平的分類。

無人機(jī)遙感技術(shù)具有時(shí)間、空間分辨率高的優(yōu)點(diǎn)，與高光譜遙感技術(shù)結(jié)合，克服了衛(wèi)星高光譜遙感的缺點(diǎn)，在精細(xì)農(nóng)業(yè)監(jiān)測(cè)和生態(tài)環(huán)境研究等領(lǐng)域發(fā)揮著越來越重要的作用[10-15]。如CAO等[16]采用多旋翼無人機(jī)搭載高光譜成像傳感器獲取遙感圖像，鑒別了紅樹林物種。在草原監(jiān)測(cè)方面，SCHMIDT等[17]實(shí)現(xiàn)了利用無人機(jī)高光譜遙感技術(shù)監(jiān)測(cè)草原矮化灌木的分布。LU等[18]使用多旋翼無人機(jī)搭載數(shù)碼相機(jī)，獲得加拿大安大略南部科夫勒科學(xué)保護(hù)區(qū)的厘米級(jí)空間分辨率的遙感圖像，識(shí)別出影響北美帝王蝶數(shù)量的乳草屬植物。然而，對(duì)于草原優(yōu)勢(shì)物種、建群物種等物種水平的遙感監(jiān)測(cè)，還未見報(bào)道。

高光譜成像的復(fù)雜過程導(dǎo)致數(shù)據(jù)非線性，使高光譜遙感圖像分類仍較困難。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)具有自主學(xué)習(xí)能力，善于處理復(fù)雜的多維非線性問題，能夠自動(dòng)分層次地提取特征，在圖像分類中表現(xiàn)出更高有效性和更強(qiáng)魯棒性。在遙感圖像分類領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)也顯示出巨大潛力[19-20]。KUSSUL等[21]利用Landsat-8和Sentinel-1A衛(wèi)星遙感圖像對(duì)異質(zhì)環(huán)境中的農(nóng)作物(小麥、玉米、向日葵、大豆和甜菜)進(jìn)行分類，通過對(duì)比卷積神經(jīng)網(wǎng)絡(luò)、全連接的多層感知器和隨機(jī)森林分類方法，發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的分類精度最高，作物的分類精度均超過85%。CHEN等[22]利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了在不同高光譜數(shù)據(jù)集(Indian Pines data set、University of Pavia data set和KSC data set)的地物分類，證實(shí)卷積神經(jīng)網(wǎng)絡(luò)在高光譜圖像領(lǐng)域的普遍適用性。

根據(jù)荒漠草原物種水平分類的需求，本文運(yùn)用無人機(jī)高光譜遙感技術(shù)，采集荒漠草原植被高光譜圖像，建立一種基于卷積神經(jīng)網(wǎng)絡(luò)的荒漠草原物種水平遙感分類的計(jì)算方法，以期實(shí)現(xiàn)荒漠草原重要生態(tài)物種分類，確定各物種的最佳識(shí)別物候期，為荒漠草原的退化監(jiān)測(cè)提供基礎(chǔ)數(shù)據(jù)。

1 材料和方法

1.1 研究區(qū)概況

試驗(yàn)在內(nèi)蒙古農(nóng)牧科學(xué)院四子王旗基地(41°46′43.6″N，111°53′41.7″E)開展，如圖1所示?；匚挥趦?nèi)蒙古自治區(qū)烏蘭察布市四子王旗中南部的格根塔拉草原，該地區(qū)屬于典型的中溫帶大陸性氣候，年平均降水量280 mm，其中5—9月(植被生長(zhǎng)季)的降水量約占年總降水量的80%以上。年平均溫度3.4℃，其中6—8月平均氣溫最高[23]。格根塔拉草原屬于荒漠草原，植被低矮、稀疏，平均高度為8 cm，覆蓋率僅為12%～25%，主要由20多種植物組成。建群種為短花針茅，優(yōu)勢(shì)種為冷蒿和無芒隱子草，伴生種包括豬毛菜、櫛葉蒿、銀灰旋花、阿爾泰狗娃花、羊草等[24]。

圖1 研究區(qū)衛(wèi)星圖像Fig.1 Google satellite image of study site

1.2 無人機(jī)高光譜遙感圖像采集系統(tǒng)

使用深圳大疆技術(shù)有限公司的Matrice 600Pro型六旋翼無人機(jī)。該機(jī)的最大有效載荷為6 kg，滿載時(shí)的飛行持續(xù)時(shí)間為16 min。采用專業(yè)級(jí)A3Pro飛行控制系統(tǒng)，配有3套慣性測(cè)量單元和全球?qū)Ш叫l(wèi)星系統(tǒng)模塊，用于精確定位和飛行姿態(tài)調(diào)整。使用成都四川雙利合譜技術(shù)有限公司的GaiaSky-mini型高光譜成像儀，其光譜波長(zhǎng)范圍為400～1 000 nm，有256個(gè)光譜通道，光譜分辨率為3.5 nm。鏡頭焦距為17 mm，橫向視場(chǎng)角為29.6°，空間維圖像為696像素×700像素。光譜儀質(zhì)量1.3 kg，用于控制飛行中圖像采集和存儲(chǔ)的采集控制器質(zhì)量0.65 kg。無人機(jī)和高光譜成像儀如圖2所示。

圖2 無人機(jī)和高光譜遙感圖像采集系統(tǒng)Fig.2 UAV and hyperspectral imaging system

1.3 無人機(jī)遙感系統(tǒng)數(shù)據(jù)采集及野外調(diào)查

短花針茅是中國(guó)荒漠草原的主要牧草，在蒙古和俄羅斯也有少量分布。冷蒿是一種耐牧、抗旱的牧草，具有北溫帶草原種的特性，在中國(guó)典型草原和荒漠草原均有分布，在退化的荒漠草原上成為優(yōu)勢(shì)物種[25]。短花針茅和冷蒿在群落中數(shù)量的增減對(duì)于判斷荒漠草原退化程度具有重要意義。由于過度放牧和干旱的作用，近幾年豬毛菜的數(shù)量在格根塔拉荒漠草原有明顯增多的趨勢(shì)，對(duì)荒漠草原退化進(jìn)程的判斷具有一定的指導(dǎo)意義。因此，本研究選擇格根塔拉荒漠草原的建群種短花針茅、優(yōu)勢(shì)種冷蒿和伴生種豬毛菜作為研究對(duì)象。研究區(qū)(圖1中黑色框區(qū)域)占地面積4.61 hm2，從2002年開始禁牧。在研究區(qū)內(nèi),設(shè)置150個(gè)樣方，按10 m間隔等距分布，共15行10列。單個(gè)樣方面積1 m×1 m。選擇短花針茅樣方45個(gè)，冷蒿樣方45個(gè)，豬毛菜樣方45個(gè)作為數(shù)據(jù)采集對(duì)象。樣方的類別由樣方內(nèi)大于草總量90%的草的類別來確定，樣方內(nèi)其余10%的草為混雜生長(zhǎng)的其他牧草。

無人機(jī)高光譜數(shù)據(jù)采集于研究對(duì)象的開花期(2017年6月17—24日)、結(jié)實(shí)期(2017年7月17—24日)和黃枯期(2017年9月17—24日)，2017年8月，由于當(dāng)?shù)乜沼蛳拗?，無法進(jìn)行采集。無人機(jī)高光譜成像系統(tǒng)采用無人機(jī)懸停、光譜儀內(nèi)置推掃采集圖像的工作方式。無人機(jī)飛行高度30 m，圖像空間分辨率約2.3 cm。選擇無風(fēng)或風(fēng)力小于2級(jí)，晴朗無云或云量小于2的氣象條件，在10：00—14:00之間飛行采集數(shù)據(jù)。無人機(jī)每個(gè)架次飛行前后均進(jìn)行標(biāo)準(zhǔn)參考白板校正。

野外地面調(diào)查包括樣方植被組成、植被覆蓋度和植被冠層圖像采集。試驗(yàn)的前一年(2016年)降水充足，主要集中在6月和7月，6月的日最大降水量達(dá)到38 mm。整個(gè)植被生長(zhǎng)季的累積降水量達(dá)到332.9 mm，高于多年平均降水量(280 mm)，屬于豐水年，植被生長(zhǎng)狀況非常好，特別是6月的降水使得豬毛菜的生長(zhǎng)非常旺盛。試驗(yàn)?zāi)?2017年)降水量較少，主要集中在8月和9月，日最大降水量為13.6 mm。整個(gè)植被生長(zhǎng)季累積降水量?jī)H為153 mm，低于多年平均降水量(280 mm)，屬于干旱年[23]。野外調(diào)查和無人機(jī)高光譜數(shù)據(jù)采集同時(shí)開展，野外調(diào)查樣方類別作為無人機(jī)采集圖像物種分類結(jié)果驗(yàn)證的真值。

1.4 無人機(jī)采集圖像數(shù)據(jù)預(yù)處理

首先通過人工目視檢查圖像質(zhì)量，去除因陣風(fēng)引起的變形圖像；其次使用SpecView軟件進(jìn)行圖像輻射校正，消除數(shù)據(jù)獲取和傳輸過程產(chǎn)生的輻射失真或畸變，得到地物真實(shí)的反射率數(shù)據(jù)；最后采用線性平滑高斯濾波法進(jìn)行圖像降噪。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的荒漠草原物種分類

2.1 荒漠草原物種特征波段選擇

高光譜數(shù)據(jù)有上百個(gè)波段，波段間距窄，提供了豐富的地物光譜信息。但波段越多，波段間的相關(guān)性就越大，數(shù)據(jù)的冗余度也越大，同時(shí)也帶來了海量數(shù)據(jù)存儲(chǔ)和處理的技術(shù)難題[26]。特征波段選擇用于從原始波段中提取能夠有效代表地物特征、信息量大、相關(guān)性小且地物可分離性大的波段子集，本文通過分步法來尋找滿足上述要求的波段組合。

因高光譜相鄰波段間相關(guān)性大，距離遠(yuǎn)的波段間相關(guān)性小，但距離遠(yuǎn)的波段組合，其信息量可能并不大。為避免此類情況，首先將所有波段按其相關(guān)性分為6個(gè)相關(guān)性較弱的子集，在各子集內(nèi)尋找特征波段(如反射率光譜曲線的極值點(diǎn)、拐點(diǎn)等)即信息量大的波段作為子集的代表波段。在選出的6個(gè)代表波段中，以任意3個(gè)波段為1組，計(jì)算20組波段組合的最佳指數(shù)因子(Optimal index factor, OIF)。將20組波段組合分別合成假彩色圖像，用Jeffreys Matusita(JM)距離計(jì)算各類地物(短花針茅、冷蒿、豬毛菜、裸土、樣方框)的可分性，最后選擇OIF值最大且JM值大于等于1.8、相關(guān)系數(shù)小于等于0.3的一組波段作為最佳特征波段組合。

最佳指數(shù)因子的原理是：波段間相關(guān)性越小，波段的標(biāo)準(zhǔn)差越大，波段組合的信息量就越大。OIF計(jì)算公式為[27-28]

(1)

式中O——最佳指數(shù)因子

Si——第i個(gè)波段的標(biāo)準(zhǔn)差

Rij——第i波段和第j波段的相關(guān)系數(shù)

n——在所有波段中要選取的波段數(shù)

OIF值越大，所選擇波段的結(jié)果越優(yōu)。JM距離是基于條件概率理論的光譜可分性指標(biāo),其計(jì)算公式為[29]

(2)

式中J——JM距離X——像元

ωi、ωj——類別號(hào)

p(X/ωi)、p(X/ωj)——類條件概率密度，即第i、j個(gè)像元屬于第ωi、ωj個(gè)類別的幾率

JM值在0～2之間,其值越大代表像元的可分性越大[30]。

分步法特征波段選擇的流程如圖3所示。

圖3 分步法特征波段選擇流程圖Fig.3 Flow chart of feature bands selection by step-by-step method

2.2 卷積神經(jīng)網(wǎng)絡(luò)分類

基于無人機(jī)平臺(tái)的低空高光譜圖像采集方法，使得到的高光譜圖像的空間分辨率增高，細(xì)小地物構(gòu)成的組合圖案的紋理結(jié)構(gòu)增強(qiáng)。經(jīng)特征波段合成的假彩色圖像的色彩差別增強(qiáng)。紋理結(jié)構(gòu)和色彩差別的增強(qiáng)使得從航空影像上對(duì)荒漠草原物種分類成為可能。

卷積神經(jīng)網(wǎng)絡(luò)通過模仿人類視覺逐層認(rèn)知物體的方式，很適合圖像分類。卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層和全連接層組成。卷積層與池化層配合，組成多個(gè)卷積組，逐層提取圖像特征。網(wǎng)絡(luò)底層識(shí)別圖像邊緣，上層識(shí)別特定形狀，再高層識(shí)別特征[31]。卷積神經(jīng)網(wǎng)絡(luò)通過卷積的權(quán)值共享及池化降低網(wǎng)絡(luò)參數(shù)的數(shù)量，使需要訓(xùn)練的參數(shù)數(shù)量大大減少，在缺乏大量訓(xùn)練數(shù)據(jù)的高光譜圖像領(lǐng)域中具有極大優(yōu)勢(shì)[22]。

隨機(jī)生成卷積神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)，使用梯度下降法使損失函數(shù)(交叉熵代價(jià)函數(shù))最小化來逐層反向調(diào)節(jié)所有參數(shù)，通過多次迭代不斷提高模型的精度，網(wǎng)絡(luò)學(xué)習(xí)到的特征結(jié)合Softmax回歸分類器實(shí)現(xiàn)圖像分類。輸入圖像為特征波段選擇后的3波段100像素×100像素的像元鄰域，經(jīng)過4層卷積和4層池化后，輸入圖像變?yōu)?28維的矢量輸入全連接層，經(jīng)2層全連接層后輸出，輸出為樣本的類別標(biāo)簽。訓(xùn)練過程中，使用小批量反向傳播方法，每一批樣本數(shù)為10，學(xué)習(xí)速率設(shè)為0.001，迭代次數(shù)為30，網(wǎng)絡(luò)結(jié)構(gòu)的具體參數(shù)如表1所示，表中C表示卷積層，P表示池化層，F(xiàn)表示全連接層。

表1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Tab.1 CNN structure

由于多層卷積和池化能夠提取對(duì)多種變形具有高度不變性的非線性特征，故可以通過對(duì)原始圖像的拉伸、旋轉(zhuǎn)來增加樣本數(shù)量。本文100像素×100像素×3原始假彩色圖像405個(gè)，其中測(cè)試集180個(gè)，其余圖像通過拉伸、旋轉(zhuǎn)增加至864個(gè)作為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集、驗(yàn)證集樣本數(shù)之比為4∶1。

3 分類結(jié)果與討論

3.1 分類結(jié)果

采用分步法得到的特征波段如表2所示。

基于無人機(jī)高光譜遙感技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)的

表2 荒漠草原物種光譜特征波段選擇結(jié)果Tab.2 Bands selection results for desert grassland species

荒漠草原物種分類結(jié)果如表3所示。將野外調(diào)查樣方的實(shí)測(cè)類別作為分類真實(shí)值，對(duì)采用上述特征波段選擇與卷積神經(jīng)網(wǎng)絡(luò)方法分類結(jié)果進(jìn)行精度評(píng)價(jià)，不同物候期的整體分類準(zhǔn)確率平均值為94%，Kappa系數(shù)平均值為0.91。

表3 基于特征波段與卷積神經(jīng)網(wǎng)絡(luò)分類的混淆矩陣Tab.3 Confusion matrix based on feature bands and CNN classification

草原不同植物物種有著各自不同的生、繁、衰、枯的物候節(jié)律，在其光譜和圖像上也有體現(xiàn)，結(jié)合光譜和物候特征，可提高相似物種的分類精度[32]。從物候角度來看，影響分類結(jié)果的因素如下：

(1)開花期指短花針茅處于開花期，此時(shí)冷蒿處于營(yíng)養(yǎng)期，豬毛菜處于萌芽期。短花針茅圓錐花序狹窄，卷積神經(jīng)網(wǎng)絡(luò)從遙感圖像上很難捕捉到此特征，可能是這一時(shí)期冷蒿和短花針茅圖像相近的原因。一年生物種豬毛菜受降雨影響大，此時(shí)豬毛菜以枯枝(2016年生長(zhǎng)的豬毛菜植株枯萎后的枯枝)為主，其反射率光譜、圖像紋理和色彩與短花針茅、冷蒿區(qū)別大，容易區(qū)分。圖4為不同物候期物種的特征波段合成的假彩色圖像，圖中開花期的紅色代表綠色植被，白色代表豬毛菜枯枝。

(2)結(jié)實(shí)期指短花針茅處于結(jié)實(shí)期，此時(shí)冷蒿、豬毛菜處于營(yíng)養(yǎng)期。隨著氣溫升高及幾次降雨，各牧草生長(zhǎng)迅速,覆蓋度增大。豬毛菜對(duì)水分供應(yīng)高度敏感且對(duì)水資源利用效率高而生長(zhǎng)最迅速，植株高度和地面覆蓋度都超過了短花針茅和冷蒿。在紋理上形成大片叢生密集的形態(tài)結(jié)構(gòu)；在色彩上和短花針茅、冷蒿有了明顯區(qū)別。此時(shí)，冷蒿和豬毛菜相比，植株小且呈半匍匐狀形態(tài)，從圖4中可以看到，冷蒿的紋理為均勻分布的小顆粒狀。圖4中結(jié)實(shí)期的紅色代表綠色植被，綠色代表裸土。

(3)黃枯期指短花針茅處于黃枯期,此時(shí)冷蒿處于結(jié)實(shí)期，豬毛菜處于黃枯期。此時(shí)豬毛菜莖稈的紫紅色條紋愈加顯著，與其它兩種植被有明顯的差異；短花針茅葉片逐漸開始枯黃；冷蒿的衰退最晚，從圖像上看與上一時(shí)期相差不大。圖4中黃枯期的紫色代表綠色植被。

圖4 特征波段合成的假彩色圖像Fig.4 False color images synthesized by feature bands

本研究中，豬毛菜在開花期、結(jié)實(shí)期的分類精度均較高，結(jié)實(shí)期的豬毛菜生長(zhǎng)旺盛，是分類的最好時(shí)期；冷蒿在結(jié)實(shí)期的分類精度較高，此時(shí)冷蒿釋放的強(qiáng)烈揮發(fā)性氣味導(dǎo)致家畜不喜采食[33-34]，因而是獲得冷蒿分布的最佳時(shí)期；短花針茅在黃枯期的分類精度較高，此時(shí)適于遙感監(jiān)測(cè)其分布。

3.2 討論

圖5 短花針茅、冷蒿、豬毛菜在4層卷積、池化后的權(quán)重可視化Fig.5 Visualization of weights after four convolution and pooling layers

由表3分類結(jié)果可知，本文提出的基于特征波段的卷積神經(jīng)網(wǎng)絡(luò)方法的分類精度較高。卷積神經(jīng)網(wǎng)絡(luò)分類精度高的原因有以下幾方面。

對(duì)于高光譜數(shù)據(jù)的非線性，通過在每個(gè)卷積層后連接非線性激活函數(shù)ReLU來增加網(wǎng)絡(luò)的非線性能力，從而較好地?cái)M合非線性過程。此外，ReLU函數(shù)在一定程度上能夠防止梯度消失，函數(shù)的單側(cè)抑制性使得卷積神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元具有了稀疏激活性[35]。

由于高光譜圖像難以獲得大量訓(xùn)練樣本，常常在訓(xùn)練樣本上能得到很好的分類結(jié)果，但在測(cè)試樣本上的分類結(jié)果卻不好，也即出現(xiàn)了過擬合。本研究通過在網(wǎng)絡(luò)最后幾層全連接層的損失函數(shù)后增加L2正則化項(xiàng)，使權(quán)重衰減來避免過擬合。此外，Dropout策略也被用來防止過擬合，即在模型訓(xùn)練過程中設(shè)置一定比例的隱藏層節(jié)點(diǎn)，使其暫時(shí)不參與訓(xùn)練[36]。

高光譜圖像數(shù)據(jù)特征的提取與卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重密切相關(guān)，通過可視化可以觀察權(quán)重在特征提取中如何起作用，圖5為開花期荒漠草原物種的遙感圖像經(jīng)過4層卷積、池化的一個(gè)特征圖權(quán)重的變化。圖中顏色越淺，表明該點(diǎn)權(quán)重利用率越高。初始權(quán)重看起來雜亂無序，學(xué)習(xí)后的權(quán)重開始出現(xiàn)連續(xù)性和相關(guān)性。經(jīng)過卷積后的圖像對(duì)原圖像有特征增強(qiáng)和降低噪聲的效果；池化層利用圖像的局部相關(guān)性，在保留有用信息的同時(shí)，使原圖像的長(zhǎng)和寬減半，減小數(shù)據(jù)量。

為進(jìn)一步探索本文提出方法的適用性，比較了3種分類方法：基于主成分分析的卷積神經(jīng)網(wǎng)絡(luò)(PCA_CNN)、基于徑向基核函數(shù)的支持向量機(jī)(SVM)、本文提出的基于特征波段選擇的卷積神經(jīng)網(wǎng)絡(luò)(BS_CNN)。在PCA_CNN中提取前3個(gè)主成分，合成3波段假彩色圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。在SVM中，參數(shù)C和γ采用網(wǎng)格搜索在C為1×103、5×103、1×104、5×104、1×105和γ為0.000 1、0.000 5、0.001、0.005、0.01、0.1的范圍內(nèi)進(jìn)行參數(shù)優(yōu)選。3種方法的分類精度對(duì)比如圖6所示。

圖6 3種分類方法的分類精度比較Fig.6 Classification accuracy comparison of three classification methods

由圖6可知，基于特征波段選擇的卷積神經(jīng)網(wǎng)絡(luò)分類在總體分類精度、平均分類精度和Kappa系數(shù)3種評(píng)價(jià)方式下均得到最好結(jié)果。以開花期為例，BS_CNN比SVM的總體分類精度、平均分類精度和Kappa系數(shù)分別提高了9.73、9.48、14.55個(gè)百分點(diǎn)，比PCA_CNN的總體分類精度、平均分類精度和Kappa系數(shù)分別提高了10、10、15個(gè)百分點(diǎn)。

分析3種分類方法，SVM處理小規(guī)模樣本效果較好，在處理如高光譜圖像的大規(guī)模高維數(shù)據(jù)時(shí)，效果稍差。對(duì)非線性問題，核函數(shù)的選擇更困難。使用CNN的兩種方法中，PCA_CNN通過多維正交線性變換，將主要信息集中在前幾個(gè)波段上。雖然保留了數(shù)據(jù)的主要信息，但保留的不一定是利于物體分類的特征。BS_CNN是根據(jù)分類對(duì)象的可分離性和波段的相關(guān)性選擇的波段，因而保證了所選波段信息量大且利于物體分類，使其分類精度較高。

本文提出的基于特征波段選擇的卷積神經(jīng)網(wǎng)絡(luò)分類方法，適用于大樣本、高維、非線性數(shù)據(jù)的特征提取，應(yīng)用于無人機(jī)高光譜低空遙感獲得的高空間分辨率和高光譜分辨率的數(shù)據(jù)，能夠?qū)Σ菰瓋?yōu)勢(shì)物種、伴生種(具有一定的聚集數(shù)量)進(jìn)行分類識(shí)別，結(jié)合植物物種的物候，將有效提高其分類精度。草原物種分類的實(shí)現(xiàn)，為草原物種覆蓋度的估算提供了必要的基礎(chǔ)。在草原生態(tài)進(jìn)一步惡化前，根據(jù)毒雜草，一、兩年生適口性差的牧草的增加量及適口性好的優(yōu)良牧草的減少量，對(duì)退化程度做出正確判斷，及時(shí)采取有效措施，調(diào)整草原畜牧經(jīng)營(yíng)模式，并為草原生態(tài)恢復(fù)提供基礎(chǔ)數(shù)據(jù)。

4 結(jié)論

(1)使用無人機(jī)搭載高光譜成像儀低空飛行采集圖像的手段，獲得了光譜、空間、時(shí)間分辨率均較高的遙感圖像，利用高光譜特征提取和深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了對(duì)內(nèi)蒙古自治區(qū)格根塔拉荒漠草原退化指示物種的分類。

(2)充分利用植被的物候信息，有助于提高物種分類精度，尤其對(duì)于易混淆物種的區(qū)分。

(3)對(duì)比了BS_CNN、PCA_CNN和SVM 3種分類方法，其中BS_CNN分類精度最高。使用BS_CNN分類法，短花針茅在黃枯期分類精度最高，生產(chǎn)者精度95%，用戶精度100%；冷蒿在結(jié)實(shí)期分類精度最高，生產(chǎn)者精度100%，用戶精度95%；豬毛菜在結(jié)實(shí)期分類精度最高，生產(chǎn)者精度95%，用戶精度100%。

(4)高光譜特征波段選取了3個(gè)波段。波段選擇并不唯一，是在限定條件下的最優(yōu)化。當(dāng)采用更多波段作為特征時(shí)，可能會(huì)提高精度。但波段增加，波段間的相關(guān)性和運(yùn)算復(fù)雜性將增大，最適宜的波段個(gè)數(shù)需要在進(jìn)一步的研究中分析確定。