趙慶展 江 萍 王學文 張麗紅 張建新

(1.石河子大學信息科學與技術學院, 石河子 832000； 2.兵團空間信息技術研究中心， 石河子 832000；3.石河子大學機械電氣工程學院， 石河子 832000； 4.150團農(nóng)業(yè)發(fā)展服務中心， 石河子 832000)

0 引言

建設“三北”(西北、華北和東北)防護林體系工程是改善地區(qū)生態(tài)環(huán)境、解決生態(tài)災難的根本措施，對于鞏固和發(fā)展我國綠色生態(tài)屏障具有重要意義[1]。樹種多樣性是評價防護林林分結構的指標之一，樹種類別屬性信息對于建設和監(jiān)測防護林生態(tài)系統(tǒng)意義重大，可為防護林規(guī)劃者提供監(jiān)測、管理、評估防護林的重要依據(jù)，確保其發(fā)揮防風固沙、農(nóng)田保護等作用[2]。

與常規(guī)的實地勘測相比，遙感技術可以快速高效地監(jiān)測林業(yè)生態(tài)系統(tǒng)[3-4]。林業(yè)遙感的一個重要方向就是樹種分類及識別技術，被動遙感和主動遙感的迅速發(fā)展，使得研究人員能在更精細的尺度上識別森林各項屬性[5]。部分學者融合激光雷達和高光譜數(shù)據(jù)對森林樹種進行分類研究并取得了積極進展，但激光雷達數(shù)據(jù)的獲取成本昂貴且受飛行區(qū)域面積影響，應用前景受到限制[6]。多光譜衛(wèi)星遙感受到空間分辨率和光譜分辨率的影響，對于地物精細分類同樣具有局限性[7]。高光譜數(shù)據(jù)能發(fā)掘更多的植被信息，當前無人機高光譜數(shù)據(jù)獲取便捷、成本低、周期短、空間分辨率高，給樹種分類帶來新的遙感數(shù)據(jù)源。

高光譜影像具有高維特性，在樣本數(shù)量有限時，直接分類易導致維數(shù)災難，不僅增加了數(shù)據(jù)處理成本，而且會降低地物分類精度。有學者研究發(fā)現(xiàn)，在不影響地物分類精度的前提下，高光譜的部分波段是冗余的[8]。因此對高光譜影像進行分類之前先進行降維處理。文獻[9]運用最佳指數(shù)法(Optimum index factor，OIF)、自適應波段選擇法(Adaptive band selection，ABS)、自動子空間劃分(Automatic subspace partitioning，ASP)與自適應波段相結合(ASP+ABS)3種方法進行無人機高光譜數(shù)據(jù)波段選擇，提取信息量較大且波段間相關性較低的原始最佳波段組合，基于支持向量機(SVM)分類器對薇甘菊進行分類。OIF、ASP、自適應波段選擇法，或是基于類別可分性的標準距離、離散度、B距離法、J-M(Jeffrey-Matusia)距離法等依賴于大量的數(shù)學計算，且選取的波段在光譜覆蓋范圍內分布不均勻[10]。對于荒漠區(qū)防風固沙林，林地各樹種冠層原始光譜相似，僅靠原始光譜特征進行樹種分類容易產(chǎn)生異物同譜現(xiàn)象，加入一些其他特征(紋理特征、植被指數(shù)、數(shù)理統(tǒng)計特征等)可有效提高分類精度[11-12]。支持向量機和隨機森林(RF)兩種分類器在面對樣本數(shù)據(jù)少、維數(shù)高的遙感數(shù)據(jù)時都表現(xiàn)出了優(yōu)良性能。而最大似然法(MLC)分類器在運行速度上具有明顯優(yōu)勢，但易產(chǎn)生休斯現(xiàn)象(Hughes phenomenon，HP)[12]。一些學者對SVM、RF、MLC分類器對于樹種分類精度的影響進行了研究，當面對不同遙感數(shù)據(jù)和不同特征變量時，這3種分類器表現(xiàn)出了不同分類性能[13-20]。在實際應用中，面對不同研究區(qū)和數(shù)據(jù)源，還無法確定樹種分類哪種算法最為適宜。

針對以上問題，本文采用基于交叉驗證的SVM-RFE(遞歸特征消除)算法, 在RFE算法中引入交叉驗證，對高光譜所有波段進行5折交叉驗證，并選出最優(yōu)波段的評分集合，根據(jù)評分對無人機高光譜數(shù)據(jù)進行原始最佳波段組合的選擇，并與OIF進行比較；結合紋理特征、植被指數(shù)以及數(shù)理統(tǒng)計特征，采用RF特征重要性分析與分類精度相結合的方法進行特征優(yōu)化，并評估不同特征對分類結果的影響；采用4種分類方案分別基于最大似然法、支持向量機和隨機森林進行研究區(qū)樹種分類，評價不同分類算法對于研究區(qū)樹種的分類性能，以選擇最適于研究區(qū)樹種分類的分類算法。

1 研究區(qū)數(shù)據(jù)獲取與預處理

1.1 研究區(qū)概況

研究區(qū)位于新疆天山以北，準噶爾盆地南緣，莫索灣墾區(qū)北端的150團三北防護林區(qū)域(45°10′N，85°56′E，見圖1)。研究區(qū)防護林屬于防風固沙林，考慮到150團的地理條件和適生植物種類以及“三北”防護林工程樹種組成配置原則[1]，林分形式為草類、灌木、喬木相結合，為固定沙地以及保護耕地，榆樹林、混合闊葉林分布在道路兩旁，其垂直結構為喬木層、灌木層、草本層。總面積約為451 km2。該地區(qū)為大陸性暖溫帶荒漠干旱氣候，地勢平坦，海拔300～500 m，主要喬木樹種為榆樹、新疆楊、胡楊、沙棗、梭梭等，林下植被以雜灌為主。本研究選擇榆樹、新疆楊、胡楊以及沙棗作為優(yōu)勢樹種進行分類。

1.2 無人機平臺

所用無人機平臺為Matrice600型六旋翼無人機，最大承受風速可達8 m/s，最大平均飛行速度18 m/s，續(xù)航時間20 min左右，最大航程5 km，適配RONIN-MX型多功能云臺，可搭載多種可見光與高光譜載荷設備。高光譜傳感器采用芬蘭SENOP公司生產(chǎn)的Rikola型高光譜成像儀，成像方式為框幅式成像，該成像光譜儀質量輕(720 g)、體積小，既可手持測量又可以搭載在小型無人機上，默認光譜范圍為500～900 nm，最多可達380個波段，可以根據(jù)數(shù)據(jù)采集要求調整光譜范圍和波段個數(shù)。

1.3 高光譜數(shù)據(jù)獲取

影像獲取時間為2019年10月9日，無人機飛行高度200 m。為滿足影像高分辨率要求以及飛行高度和相機參數(shù)需求，設置42個波段(光譜范圍為502～903 nm，間隔約為10 nm)，航向重疊率為82%，旁向重疊率為80%，空間分辨率為0.12 m，同時在地面設置4塊地面輻射靶標，反射率分別為3%、22%、48%和64%，用于后期進行影像輻射校正處理。

1.4 地面調查數(shù)據(jù)

為了保證利用遙感影像進行樣本數(shù)據(jù)標注過程的準確性，同期在研究區(qū)開展實地數(shù)據(jù)調查，根據(jù)研究區(qū)林分具體情況，選取了3個典型區(qū)域作為研究區(qū)進行采樣。樣地調查時間為2019年10月7日，采樣過程中利用便攜式GPS設備記錄采樣點位置信息，在各個樣地中記錄每棵單木樹種情況。調查完成后，將原始數(shù)據(jù)記錄整理至Excel表格，形成完整的調查記錄表，采樣共獲取了40個樣本點的樹種類型數(shù)據(jù)，包括榆樹、新疆楊、胡楊和沙棗等。

2 研究方法

首先對高光譜影像進行預處理以及分類特征集的構建，基于交叉驗證的SVM-RFE(支持向量機-遞歸特征消除)算法選取原始波段最佳組合，再結合植被指數(shù)、紋理特征、數(shù)理統(tǒng)計特征等，構建新的影像分類特征。其次基于RF算法進行特征重要性分析，與分類精度相結合去除重要性得分排名靠后15%的特征。最后構建4種分類方案進行影像分類并作精度評價，比較不同分類器的分類效果。本研究技術路線如圖2所示。

2.1 高光譜數(shù)據(jù)預處理及樣本數(shù)據(jù)獲取

將獲取到的原始高光譜影像導出，使用Agis Photoscan軟件完成系統(tǒng)校正工作(包括暗電流校正、鏡頭漸暈校正、輻射定標和圖像格式轉換)，使用ENVI軟件將其轉換成標準TIFF格式的柵格影像數(shù)據(jù)。將POS數(shù)據(jù)(影像的經(jīng)緯度信息)與影像一一對應，在Agis Photoscan中進行拼接處理，得到0.12 m空間分辨率的高光譜影像數(shù)據(jù)。對拼接完成的正射影像進行輻射校正，機載高光譜影像的實際數(shù)字量化值DN與地面反射率Ref的關系表達式為

Ref=DNa+b

(1)

式中a——定標增益系數(shù)b——偏移值

根據(jù)定標方程，以繪制感興趣區(qū)域的方式分別統(tǒng)計4塊靶標影像的DN值(實際數(shù)字量化值)，并與4塊靶標的標準反射率相對應，采用最小二乘法進行擬合，從而獲得機載Rikola型高光譜儀輻射定標系數(shù)a和偏移值b[21]。

根據(jù)采樣獲取的地面樣本點信息，對研究區(qū)主要樹種進行記錄，排除了數(shù)量較少或被其他冠層遮擋的樹種，并根據(jù)實際分類效果選取地物樣本；通過ENVI的創(chuàng)建ROI工具直接在影像上選取感興趣區(qū)作為樣本點。根據(jù)各地物在研究區(qū)的分布，最終共選擇了33 689個像元作為樣本數(shù)據(jù)，取3/4作為訓練樣本，其余作為驗證樣本。

2.2 原始最佳波段組合

訓練樣本較少且各樹種樣本數(shù)量不均勻時會降低分類器的分類性能。為了避免此類問題，對高光譜影像進行特征挖掘[22]非常必要，特征挖掘包括特征提取、波段選擇和其他用于特征空間重構的運算。

特征提取是通過對原始光譜數(shù)據(jù)進行數(shù)學變換來降維和增強光譜特征，例如基于信息量正交線性變換的主成分分析法(Principal component analysis，PCA)、基于圖像數(shù)據(jù)相關性的最小噪聲分離(Maxmum noise fraction，MNF)等，通過PCA對數(shù)據(jù)進行預處理一般需要假設數(shù)據(jù)服從高斯分布，由于高光譜數(shù)據(jù)非線性特點，此類算法進行降維后會丟失大量原始數(shù)據(jù)中的非線性信息[23]。波段選擇是按照一定標準選擇一個原始光譜數(shù)據(jù)的最優(yōu)波段子集，該波段子集保留了地物的光譜特征或是提高了地物類別可分性。波段組合就是一個組合優(yōu)化問題，其組合標準稱為目標函數(shù)[24]。目前應用較為廣泛的為最佳指數(shù)因子選擇法(OIF)[25]、波段相關性比較、波段指數(shù)法等。

最佳指數(shù)因子選擇法(OIF)綜合考慮單波段影像信息量以及各波段間相關性，更接近于波段選擇原則，且計算簡單易于實現(xiàn)。OIF計算公式為

(2)

式中Si——第i個波段標準差

Rij——波段間相關系數(shù)

ROIF——最佳指數(shù)因子

OIF越大，說明波段組合質量越好。

支持向量機算法也可被用于波段選擇，與遞歸特征消除算法結合應用效果良好。SVM-RFE算法是一種嵌入式的特征選擇方法，與包裝法不同，嵌入法不將分類器視為黑盒，而是使用訓練分類器獲得的信息來選擇特征。因此本研究采用SVM-RFE算法選擇原始最佳波段組合，其主要思想是構建一個模型進行多次訓練，每輪訓練移除若干權值系數(shù)較低的特征，再基于新的特征集進行下一步訓練，直至選出滿意的特征(利用SVM的分類性能進行波段選擇，利用SVM的結果評價降維性能)[26]。在進行高光譜數(shù)據(jù)降維時如何確定降維后特征數(shù)目非常困難，傳統(tǒng)的RFE算法需要在訓練前確定降維后特征個數(shù)，本文將交叉驗證的思想引入RFE算法，提出了基于交叉驗證的SVM-RFE算法，在REF的基礎上對不同的波段組合進行交叉驗證，學習器SVM本身不變，通過計算其決策系數(shù)之和，最終得到不同波段對于分類的重要程度，然后保留最佳的波段組合。

2.3 植被指數(shù)特征構建

植被指數(shù)特征利用波段間數(shù)學變換對影像進行指數(shù)特征提取，根據(jù)本研究區(qū)的地物種類以及高光譜數(shù)據(jù)可選波段，構建了10個相關的植被指數(shù)進行研究。在進行指數(shù)計算后，對所有植被指數(shù)進行歸一化處理，基于CART決策樹的特征重要性評估對各個植被指數(shù)進行重要性評分，最終選取了5個重要性得分最高的植被指數(shù)特征，如表1所示。

表1 植被指數(shù)計算及基于CART決策樹特征重要性評估Tab.1 Vegetation index calculation and feature importance assessment based on CART decision tree

高光譜數(shù)據(jù)不僅包含地物連續(xù)的光譜信息，也包含豐富的地物空間分布信息，僅考慮光譜信息，難以準確地對高光譜圖像進行分析[27]?？梢酝ㄟ^灰度共生矩陣構建紋理特征引入空間信息，紋理特征是表達高光譜影像空間特征的有效方法之一[28]。

對影像數(shù)據(jù)通過主成分分析進行降維處理，將影像信息壓縮至幾個主成分中，提取主成分包含信息量最高的第一主成分。通過對第一主成分進行灰度共生矩陣計算，空間域選用二階概率統(tǒng)計濾波提取紋理特征。分別計算3×3、5×5、7×7濾波窗口紋理特征，發(fā)現(xiàn)7×7窗口的紋理特征標準差最大，因此將濾波窗口設置為7×7，獲得8項紋理特征，分別為均值、方差、同質性、對比度、非相似性、熵、二階矩、相關性。

2.4 分類特征優(yōu)化

特征優(yōu)化選取了特征變量中重要性較高的特征變量。RF可以對特征變量的重要性和貢獻度進行評估。在構造決策樹時，通過bootstrap抽樣法從訓練樣本集中提取數(shù)據(jù)，對于決策樹中的每個節(jié)點，先從所有特征中隨機選取mtry個特征，根據(jù)基尼系數(shù)進行分裂測試并找到最佳特征。訓練過程中未被抽取的樣本被稱為袋外(Out of bag，OOB) 數(shù)據(jù)，利用OOB 數(shù)據(jù)進行分類結果的精度評價以及不同特征變量的重要性計算[29]。本文通過改變森林中樹的數(shù)量進行多次實驗，實驗中記錄特征重要性得分，最后與分類總體精度相結合，去除冗余的特征變量。

2.5 分類模型構建

RF通過集成學習的思想將多棵決策樹集成，不僅能夠有效地運行在大數(shù)據(jù)集，而且可以在無需降維的情況下處理具有高維特征的輸入樣本[28]。隨機森林分類需要設置兩個參數(shù)，隨機森林樹的個數(shù)(ntree)以及樹節(jié)點預選的變量個數(shù)(mtry)。本研究通過多次實驗發(fā)現(xiàn)， ntree在550以后分類總體精度幾乎不變，因此將ntree設置為550，mtry默認使用“Square Root”方法，即輸入分類器特征變量數(shù)的平方根。SVM可以自動尋找那些對分類有較大區(qū)分能力的支持向量，由此構造出分類器，將類與類間隔最大化[11]。支持向量機所選核函數(shù)為RBF函數(shù)(徑向基函數(shù))，最優(yōu)懲罰系數(shù)C為0.036。

分類方案為： 第1組選擇原始高光譜全部波段(n=42，n表示波段數(shù))作為分類器的輸入; 第2組選擇原始最佳波段組合(n=17)作為分類器的輸入; 第3組選擇全部特征變量(n=33)作為分類器的輸入; 第4組選擇優(yōu)化特征變量(n=28)作為分類器的輸入；分別基于SVM和RF以及MLC這3種分類器進行分類。為了評估分類結果的準確性以及無人機高光譜數(shù)據(jù)在防護林物種分類應用中的有效性，利用采樣點建立地面真實的感興趣區(qū)并構建混淆矩陣。對于每個分類結果，混淆矩陣提供了總體精度(Overall accuracy，OA)、Kappa系數(shù)、用戶精度(User accuracy，UA)和生產(chǎn)者精度(Producer accuracy，PA)來評價分類精度。

2.6 影像分類后處理

運用監(jiān)督分類以及隨機森林基于像素的分類時，分類結果中不可避免地會產(chǎn)生椒鹽現(xiàn)象和一些小的圖斑，為了增強分類效果，對初步的分類結果通過中值濾波對圖像進行平滑，消除椒鹽噪聲和小的斑點(卷積核尺寸為5×5)。

對于分類類別中產(chǎn)生的錯分像元，采用聚類分析工具(MajorityhMinority)進行歸類(變換核尺寸為5×5，中心像元權重1)。對于因缺少空間連續(xù)性而產(chǎn)生的斑點和洞，采用聚類處理工具(Clump)解決。對圖像中出現(xiàn)的孤島點，運用過濾處理(Sieve)工具消除。

3 結果與分析

3.1 原始最佳波段組合

以研究區(qū)優(yōu)勢樹種為研究對象，分別使用OIF法(表2)和本文提出的基于交叉驗證的SVM-RFE算法進行原始最佳波段組合選擇。

預處理后的無人機高光譜數(shù)據(jù)有42個波段，計算所有波段組合的OIF指數(shù)，選取指數(shù)排序前20的波段組合，如表2所示。本研究從OIF值前20的最佳波段組合中選取了11個波段進行原始波段組合，所選波段序號為1、2、3、4、5、6、35、36、37、38、42。通過OIF算法選取原始波段最佳組合計算復雜度高、耗費時間長，由表2可知，選擇的波段呈現(xiàn)兩極分化現(xiàn)象，分別集中在藍光波段和近紅外波段，綠色和紅色波段未被選擇，丟失了大量原始信息。

表2 OIF指數(shù)排序Tab.2 OIF index ranking

而基于本文提出的方法所選的原始波段為17個，對選取的波段進行波段組合，所選波段序號為1、2、3、8、11、13、17、20、21、23、26、28、35、36、40、42。基于本文提出的方法所選的波段覆蓋了整個范圍，波段選擇均勻且計算量相對較小。將兩種波段組合選擇方法的榆樹光譜響應曲線分別與原始的42個波段榆樹光譜響應曲線進行對比，如圖3所示，由圖3可知，基于交叉驗證的SVM-RFE算法選出的波段特征組合，榆樹光譜響應曲線與原始42個波段榆樹光譜響應曲線擬合良好，較好地保留了原始光譜特征?；趦煞N方法選取的原始最佳波段組合得到的分類結果如表3所示，基于OIF法選取原始波段組合總體分類精度與Kappa系數(shù)與原始全波段相比都降低了，而基于本文提出的方法總體精度和Kappa系數(shù)與原始全波段相比幾乎不變。相比較于OIF法，本文提出的方法更適合用作高光譜數(shù)據(jù)的原始最佳波段組合選擇。

表3 原始波段選擇分類結果比較Tab.3 Comparison of original band selection and classification results

3.2 特征變量重要性分析與特征選擇

通過隨機森林的OOB誤差分析得到特征變量重要性分布(圖4，圖中ica1～ica3表示獨立主成分分析后3個主成分，bi(i=1,2,3…)表示原始波段，glcm1～glcm8分別表示均值、方差、同質性、對比度、非相似性、熵、相關性、二階矩)，重要性得分越高，該變量對分類結果的影響以及貢獻越大。通過改變決策樹的數(shù)量發(fā)現(xiàn)，當決策樹數(shù)量達到2 000，特征重要性排序以及刪除的特征變量基本不變。因此選擇RF決策樹數(shù)量為2 000時實驗結果作為最終的特征重要性分析結果，如圖4所示，分析可知：植被指數(shù)以及數(shù)理統(tǒng)計特征重要性得分較高，綠色比值植被指數(shù)重要性排名第一，這是由于研究區(qū)榆樹占大多數(shù)，且長勢良好，葉綠素含量較高，因此在近紅外波段反射率較高。其他植被指數(shù)特征和數(shù)理統(tǒng)計特征均排在前20%，說明本文構建的植被指數(shù)特征對于防護林樹種分類有重要作用；而數(shù)理統(tǒng)計特征選取的是獨立主成分分析的前3個主成分，其包含了原數(shù)據(jù)95%以上的信息量，因此重要性得分較高。

紋理特征重要性普遍較低，造成此現(xiàn)象的原因可能是因為經(jīng)過主成分分析以后，排名靠后的紋理特征包含的原始數(shù)據(jù)信息量較少。

按照特征重要性排序和特征數(shù)量依次從1到33輸入RF分類器，利用地面真實感興趣區(qū)建立混淆矩陣，對分類結果進行評價，評價指標為總體分類精度(OA)和Kappa系數(shù)，特征變量數(shù)與分類精度關系如圖5所示。分類精度在特征變量數(shù)1～11時明顯提高，分類總體精度和Kappa系數(shù)分別為94.73%和0.93。特征變量數(shù)從11開始，分類精度呈上升趨勢，但不明顯。當n=28時分類精度最高，總體精度和Kappa系數(shù)分別為95.53%和0.947 5。伴隨著紋理特征的加入，分類精度呈略微下降趨勢，說明特征變量過多易導致數(shù)據(jù)冗余和過擬合現(xiàn)象。最終確定重要性排名前85%的特征變量(n=28，包括17個光譜特征、3個紋理特征、5個植被指數(shù)和3個數(shù)理統(tǒng)計特征)作為分類器的輸入。

3.3 不同分類器分類效果對比分析

本研究使用28個優(yōu)選特征，基于同一訓練樣本，分別采用 MLC、SVM和RF算法進行樹種分類。從分類圖(圖6)來看，3種分類器對研究區(qū)的樹種都有不同程度的混分與錯分現(xiàn)象，沙棗分類精度最低，MLC和SVM對于榆樹和沙棗混分比較多，原因是研究區(qū)域內沙棗種植數(shù)量少，樹冠大，側斜枝較多，反映到圖像上光譜信息較強，與區(qū)域中其他樹種(榆樹)混合種植，二者光譜特征相似，增加了分類難度，造成沙棗與榆樹混分的現(xiàn)象。

長勢旺盛的新疆楊與胡楊光譜、紋理特征相似，不易分辨，故兩者有輕微混分現(xiàn)象。研究區(qū)周邊農(nóng)田棉花低矮，反映到圖像上光譜信息較弱，與區(qū)域中灌木較為相似，棉花地和灌木也有少量混分現(xiàn)象。

由于考慮到防護林的總體效應，種植時會綜合考慮特定的樹木種類與灌木混合，防護林下分布了大量灌木，增加了樹種精細分類的難度。此外，高光譜數(shù)據(jù)采集時間在研究區(qū)的深秋季節(jié)，大部分植被已經(jīng)開始枯萎，部分胡楊、沙棗已經(jīng)枯萎或死亡而未被識別出來，影響了制圖精度。3種算法都有不同程度的椒鹽噪聲，造成此現(xiàn)象的原因是本研究所使用的傳感器空間分辨率較高。

表4匯總了基于特征優(yōu)化后不同的分類器分類精度評估結果。實驗結果表明，RF分類精度最高，總體分類精度為95.93%(Kappa系數(shù)為0.947 5)；MLC總體分類精度最低，為88.70%(Kappa系數(shù)為0.850 8)。與MLC和SVM相比，RF總體精度提高了6.83個百分點和1.32百分點，Kappa系數(shù)提高了0.096 7和0.024 1，大多數(shù)防護林樹種的PA和UA都在80%以上。從單個樹種分類精度來看，與MLC相比，隨機森林分類器減少了白楊和榆樹的漏分和錯分；與SVM相比，減少了胡楊與沙棗的漏分與錯分，PA與UA較高證明了這一點。

表4 不同分類器分類結果Tab.4 Results classified by different classifiers

從表5來看，分類方案2的結果表明，本文提出的高光譜數(shù)據(jù)波段選擇方法是有效的。與僅使用光譜特征相比，植被指數(shù)和紋理特征以及數(shù)理統(tǒng)計特征的加入大大地提高了單個樹種的分類精度，用戶精度提高了 0.18～24.84個百分點。特征優(yōu)化后，分類總體精度提高了0.39個百分點，Kappa系數(shù)提高了0.065，雖然精度提高不明顯，但數(shù)據(jù)處理效率提高，且挖掘出了適合于研究區(qū)樹種分類的特征。RF算法比MLC、SVM算法分類精度高，分類效果更好，對于研究區(qū)樹種分類具有很好的適用性。

表5 不同分類方案的RF分類結果Tab.5 RF classification results of different classification schemes

3.4 影像分類后處理

本研究最終使用28個優(yōu)選特征，基于同一訓練樣本采用 RF 算法進行樹種分類。對于初步分類結果，進行了圖像分類后處理，采用中值濾波器去除椒鹽噪聲和較小圖斑，效果良好；使用聚類分析、聚類處理和過濾處理，解決了圖像中較大類別中的虛假像元問題，因缺少空間連續(xù)性而產(chǎn)生的斑點和洞以及圖像中的孤島問題，效果良好。從表6可以看到，處理后樹種分類OA和Kappa系數(shù)分別提高了1.01個百分點和0.012，本文的分類后處理方法可以有效增強分類效果。分類后處理效果如圖7所示。

表6 RF分類后處理結果Tab.6 RF (n=28) classification and post-processing results

4 結論

(1)提出了基于交叉驗證的SVM-RFE算法提取原始波段最佳組合，相比較于OIF指數(shù)法，所提出的方法計算量相對較小且很好地保留了原始光譜特征信息，降低維度的同時增加了樹種類別可分性，與最佳指數(shù)法相比，基于交叉驗證的SVM-RFE算法更加適合于高光譜數(shù)據(jù)的波段選擇。

(2)紋理特征、植被指數(shù)以及數(shù)理統(tǒng)計特征的加入提高了單個樹種的分類精度。綠色比值植被指數(shù)(GRVI)、類胡蘿卜素指數(shù)(CRI)、修正型土壤調整植被指數(shù)(MSAI)、歸一化植被指數(shù)(NDVI)、歸一化綠度差值指數(shù)(NDGI)等植被指數(shù)特征對于提高研究區(qū)防護林樹種的分類精度是有效的?；赗F的特征重要性分析與分類精度相結合的方式進行特征優(yōu)化后，分類總體精度提高了0.39個百分點，Kappa系數(shù)提高了0.065，說明去除的紋理特征(方差、同質性、對比度、非相似性、相關性以及二階矩)對于研究區(qū)的樹種分類具有干擾性，去除以后提高了分類器的分類性能。

(3)基于構建的4種分類方案進行樹種分類，特征優(yōu)化后的特征變量組合分類效果最好，RF分類精度最高，總體精度可達95.93%(Kappa系數(shù)為0.947 5)，MLC分類精度最低，總體精度為88.70%(Kappa系數(shù)為0.850 8)，SVM總體精度為94.21%(Kappa系數(shù)為0.923 4)，3種分類方法比較，RF是最適合于研究區(qū)的分類算法。

(4)對初步分類結果分別進行了中值濾波平滑、聚類分析、聚類處理和過濾處理，處理后分類總體精度和Kappa系數(shù)分別提高了1.01個百分點和0.012，本研究的分類后處理方法可以增強分類效果。