亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        荒漠綠洲區(qū)帶狀防護(hù)林遙感提取方法研究
        ——以磴口為例

        2022-12-05 11:02:48姜群鷗辛智鳴肖輝杰律可心
        光譜學(xué)與光譜分析 2022年12期
        關(guān)鍵詞:防護(hù)林荒漠綠洲

        高 峰,姜群鷗*,辛智鳴,肖輝杰,律可心,喬 智

        1.北京林業(yè)大學(xué)水土保持學(xué)院,北京 100083 2.北京林業(yè)大學(xué)水土保持與荒漠化防治教育部重點(diǎn)實(shí)驗(yàn)室,北京 100083 3.北京林業(yè)大學(xué)水土保持學(xué)院重慶縉云山三峽庫(kù)區(qū)森林生態(tài)系統(tǒng)國(guó)家定位觀(guān)測(cè)研究站,北京 100083 4.中國(guó)林業(yè)科學(xué)研究院沙漠林業(yè)實(shí)驗(yàn)中心,內(nèi)蒙古 磴口 015200

        引 言

        帶狀防護(hù)林體系是荒漠綠洲區(qū)重要生態(tài)廊道,對(duì)荒漠綠洲景觀(guān)單元間的生態(tài)過(guò)程具有重要影響作用,且會(huì)顯著改變荒漠綠洲防風(fēng)固沙、水鹽調(diào)控、水熱平衡等生態(tài)功能,改善農(nóng)田小氣候環(huán)境,提高農(nóng)田防護(hù)林體系應(yīng)對(duì)氣候變化的穩(wěn)定性,增加農(nóng)作物產(chǎn)量[1-2]。我國(guó)荒漠綠洲防護(hù)林種類(lèi)多、分布廣,監(jiān)測(cè)荒漠綠洲防護(hù)林是森林資源調(diào)查的主要內(nèi)容之一。大尺度、長(zhǎng)時(shí)序提取荒漠綠洲區(qū)防護(hù)林及防護(hù)林的特征,能夠反映該地區(qū)植被空間結(jié)構(gòu)、水資源、荒漠化、綠洲化的變化信息,以合理配置防護(hù)林體系與高效利用水資源[3]。因此,調(diào)查防護(hù)林面積、分布等特征,在荒漠綠洲區(qū)具有重要意義。

        目前,荒漠綠洲防護(hù)林的提取方法主要包括野外調(diào)查與遙感觀(guān)測(cè)兩種。傳統(tǒng)的野外調(diào)查方法費(fèi)時(shí)費(fèi)力,成本較高,不適用于大尺度研究。遙感技術(shù)大范圍、多尺度、長(zhǎng)時(shí)序的特點(diǎn)為提取綠洲防護(hù)林提供了數(shù)據(jù)基礎(chǔ)。目前,許多學(xué)者已基于遙感技術(shù)提取林地空間分布信息。如武金洲等[4]基于Landsat TM,ETM+和OLI數(shù)據(jù),采用人機(jī)交互目視解譯的方法提取了林草空間分布信息和面積?;哪G洲防護(hù)林網(wǎng)空間結(jié)構(gòu)可以大體分為小型分散防護(hù)林、大網(wǎng)格寬林帶防護(hù)林、小網(wǎng)格窄林帶防護(hù)林。近年來(lái)大網(wǎng)格寬林帶正在被小網(wǎng)格窄林帶所取代。然而,基于Landsat等衛(wèi)星的低分辨率數(shù)據(jù),很難觀(guān)測(cè)到小網(wǎng)格窄林帶,易受到混合像元的影響,難以提取較短林帶。

        隨著高分辨率遙感影像日益普及,基于遙感技術(shù)識(shí)別細(xì)小林帶成為可能,但單個(gè)像元的光譜特征具有可變性和不確定性。采用傳統(tǒng)基于像元的分類(lèi)方法容易產(chǎn)生“椒鹽現(xiàn)象”,即分類(lèi)結(jié)果含有大量噪點(diǎn)。近年來(lái),一種面向?qū)ο蟮膱D像分析方法(OBIA)在基于高分辨率影像識(shí)別防護(hù)林開(kāi)始應(yīng)用。Wiseman等[5]采用高分辨率航空照片圖像(62.5 cm)識(shí)別防護(hù)林帶,精確度達(dá)到95.8%。幸澤峰[6]等基于ZY-3和Landsat8 OLI數(shù)據(jù),利用面向?qū)ο蟆?shù)學(xué)形態(tài)學(xué)方法提取農(nóng)田防護(hù)林。高夢(mèng)婕等[7]基于GF-2遙感影像提取塑料大棚,應(yīng)用潛在分割誤差、分割強(qiáng)度、歐式距離三個(gè)指標(biāo)確定最優(yōu)分割參數(shù)組合。地物提取研究依賴(lài)于傳感器類(lèi)型,高分辨率的航空影像研究尺度較小,而低分辨率航天影像提取精度較低,大尺度高分辨率對(duì)機(jī)器學(xué)習(xí)算法和計(jì)算機(jī)要求較高。并且基于GF-2高分辨率遙感影像,采用面向?qū)ο蠓椒ㄌ崛〈蟪叨然哪G洲防護(hù)林的研究較少。因此開(kāi)展基于GF-2遙感影像的防護(hù)林提取研究有利于推進(jìn)GF-2影像在荒漠綠洲區(qū)的應(yīng)用,可為農(nóng)業(yè)生產(chǎn)、防風(fēng)阻沙、水熱調(diào)控提供方法和數(shù)據(jù)支撐。

        選取內(nèi)蒙古磴口縣綠洲區(qū)域作為研究區(qū),基于GF-2遙感影像,探索在大尺度范圍內(nèi)快速、準(zhǔn)確提取帶狀防護(hù)林的方法。采用ROC-LV(局部方差變化率)曲線(xiàn)方法確定最優(yōu)分割尺度參數(shù)。然后,從特征空間優(yōu)化和分類(lèi)器參數(shù)優(yōu)化兩個(gè)層面,探索分類(lèi)器優(yōu)化的方式,在保證分類(lèi)精度的前提下,提升分類(lèi)速率。對(duì)于特征空間,綜合采用Gini指數(shù)法、袋外誤差法篩選出參與分類(lèi)的最優(yōu)特征子集;對(duì)于分類(lèi)器參數(shù),主要優(yōu)化決策樹(shù)數(shù)量、gamma系數(shù)與懲罰系數(shù)提升分類(lèi)精度。最后,基于隨機(jī)森林(RF)、CART決策樹(shù)、支持向量機(jī)(SVM)、K最近鄰(KNN)四種分類(lèi)器對(duì)荒漠綠洲防護(hù)林空間分布信息進(jìn)行提取,并對(duì)結(jié)果進(jìn)行比較驗(yàn)證,確定最優(yōu)荒漠綠洲防護(hù)林提取方法,進(jìn)而推動(dòng)GF-2遙感影像在農(nóng)林業(yè)生產(chǎn)領(lǐng)域的應(yīng)用。

        1 實(shí)驗(yàn)部分

        1.1 研究區(qū)概況

        磴口縣荒漠綠洲區(qū)(40°9′—40°57′N(xiāo),106°9′—107°10′E)位于內(nèi)蒙古巴彥淖爾市西南部、烏蘭布和沙漠東北緣,內(nèi)蒙古河套平原源頭,黃河中上游,背靠狼山山脈,研究區(qū)總面積為2 887.98 km2。該區(qū)域?qū)儆跍貛Т箨懶约撅L(fēng)氣候,四季分明,年均降雨量143.4 mm,年均蒸發(fā)量2 387.6 mm,年均風(fēng)速2.7 m·s-1。灌木植被以油蒿、白刺、梭梭、沙冬青、檸條為主;喬木植被以沙棗、新疆楊、旱柳、樟子松、胡楊、歐美楊為主;草本植物有蘆葦、蓼子樸、豬毛菜等。磴口縣荒漠綠洲防護(hù)林既有大網(wǎng)格寬林帶,也有近些年建造的小網(wǎng)格窄林帶,其空間分布較自然林更為規(guī)則,通常處在道路、農(nóng)田、水系和房屋周邊。不同防護(hù)林帶的長(zhǎng)度、寬度差異很大,但均為條帶狀分布。本研究選取磴口縣荒漠綠洲區(qū)中約27 km2區(qū)域,為圖1中紅色矩形區(qū)域,用于最優(yōu)分割參數(shù)的選取,該區(qū)域同時(shí)包含多種防護(hù)林類(lèi)型。

        圖1 研究區(qū)位置及驗(yàn)證樣點(diǎn)空間分布圖

        1.2 數(shù)據(jù)來(lái)源

        研究采用的遙感影像數(shù)據(jù)為GF-2影像,包括4 m分辨率的多光譜影像和1 m分辨率的全色影像。多光譜影像包含紅、綠、藍(lán)和近紅外四個(gè)波段。由于研究區(qū)面積較大,影像獲取難度高,因此,本研究鑲嵌22景共三個(gè)時(shí)期的遙感影像作為研究區(qū)影像數(shù)據(jù)。三個(gè)時(shí)期影像獲取時(shí)間分別為2021年5月、2020年7月和8月。2020和2021年防護(hù)林空間分布變化不大,且選擇的月份,防護(hù)林已過(guò)發(fā)芽期,生長(zhǎng)出葉片,利于防護(hù)林的提取。對(duì)于22景遙感影像,首先進(jìn)行輻射校正、幾何校正和影像融合操作,經(jīng)裁剪得到研究區(qū)影像[8]。然后,結(jié)合實(shí)地調(diào)查及2019年7月—8月份磴口縣沙林中心提供的土地利用數(shù)據(jù),目視解譯形成參考數(shù)據(jù)集,用作分類(lèi)器訓(xùn)練樣本。還對(duì)研究區(qū)實(shí)地調(diào)查367個(gè)防護(hù)林樣地,用于對(duì)識(shí)別結(jié)果的精度驗(yàn)證。

        1.3 方法

        首先基于ROC-LV曲線(xiàn)與分割對(duì)比實(shí)驗(yàn)在27 km2小研究區(qū)獲取最優(yōu)分割參數(shù),隨后應(yīng)用于整體研究區(qū)影像分割,根據(jù)分割結(jié)果進(jìn)行特征空間優(yōu)化,然后優(yōu)化分類(lèi)器并訓(xùn)練,最后得出分類(lèi)結(jié)果與分類(lèi)精度,圖2為本研究技術(shù)路線(xiàn)圖。

        圖2 技術(shù)路線(xiàn)圖

        1.3.1 影像分割

        采用多尺度分割(multiresolution segmentation)方法進(jìn)行多光譜影像分割,目的是將影像分割成無(wú)數(shù)個(gè)矢量對(duì)象,進(jìn)而分別對(duì)這些矢量對(duì)象分類(lèi)。此過(guò)程分割結(jié)果由分割尺度(scale)、形狀(shape)、緊湊度(compactness)三個(gè)參數(shù)確定。分割尺度用來(lái)確定分割對(duì)象所允許的最大異質(zhì)度,值越大生成影像對(duì)象尺寸越大[9-11]。

        經(jīng)過(guò)多次試驗(yàn)及多尺度分割參數(shù)的定義可知,研究區(qū)大小不影響最優(yōu)分割參數(shù)的確定,故選取包含多種防護(hù)林種類(lèi)的小區(qū)塊作為確定最優(yōu)分割參數(shù)的研究范圍。由于防護(hù)林形狀不規(guī)則,基于潛在分割誤差、分割強(qiáng)度、歐式距離三個(gè)指標(biāo)確定最優(yōu)分割參數(shù)并不適用,而ROC-LV(局部方差變化率)曲線(xiàn)方法廣泛適用于不規(guī)則地物的分割,故采用ROC-LV曲線(xiàn)方法進(jìn)行影像多尺度分割。首先,通過(guò)統(tǒng)計(jì)影像同質(zhì)性的局部方差LV(local variance)來(lái)表示分割結(jié)果內(nèi)的標(biāo)準(zhǔn)差,原則上LV會(huì)隨分割尺度增大而增大。然而,只有LV不足以選擇最優(yōu)分割尺度(scale),故引入LV的變化率ROC(rate of change),繪制ROC-LV曲線(xiàn)圖,當(dāng)ROC達(dá)到峰值時(shí),所對(duì)應(yīng)的分割尺度極有可能為最優(yōu)分割尺度[12]。ROC計(jì)算公式為

        (1)

        式(1)中,Li+1為第i+1層對(duì)象的平均標(biāo)準(zhǔn)差,Li為第i層中對(duì)象的平均標(biāo)準(zhǔn)差。

        1.3.2 特征選擇

        采用的分類(lèi)類(lèi)別體系為防護(hù)林、農(nóng)田、水體、裸地和建設(shè)用地??紤]防護(hù)林分布形狀、光譜特點(diǎn),共選取4大類(lèi)共31個(gè)特征作為待篩選的特征空間,用于影像提取防護(hù)林研究(表1)。光譜特征反映了各對(duì)象間光譜信息的差異,幾何特征反應(yīng)各對(duì)象間幾何、形狀、大小的差異。紋理特征通過(guò)灰度共生矩陣(gray-level co-occurrence matrix, GLCM)提取,描述具有某種空間位置關(guān)系兩個(gè)像素灰度的聯(lián)合分布。通過(guò)對(duì)灰度共生矩陣(GLCM)的二次統(tǒng)計(jì),可以得到如對(duì)比度、熵等的二次統(tǒng)計(jì)量,來(lái)反映如防護(hù)林對(duì)象包括影子在內(nèi)的紋理信息。

        選擇的紋理特征為8個(gè),包括對(duì)比度(contrast,Con)、熵(entropy,Ent)、角二階矩(ang.2ndmoment,ASM)、同質(zhì)性(homogeneity, Homo)、均值(mean)、異質(zhì)性(dissimilarity, DISL)、標(biāo)準(zhǔn)差(std dev)和相關(guān)度(correlation, Corr)。這些紋理特征反映了對(duì)象圖像清晰度和溝紋深淺、灰度分布的復(fù)雜程度、均勻程度和紋理粗細(xì)度、灰度變化、灰度值之間的穩(wěn)定性與灰度關(guān)系的相似度。其他特征選擇了歸一化植被指數(shù)(NDVI),已有研究表明NDVI很好地反映了植被生長(zhǎng)狀態(tài),對(duì)區(qū)分植被與非植被有很大作用。

        (2)

        (3)

        (4)

        (5)

        (6)

        (7)

        (8)

        (9)

        (10)

        式中,σx和μx分別為Px(i)的方差和均值;σy和μy分別為Py(j)的方差和均值;P(i,j)為灰度共生矩陣;NIR和R分別為近紅外波段反射率和紅波段反射率。

        表1 分類(lèi)器待篩選的特征列表

        多光譜影像的紋理特征、光譜特征、幾何特征繁多,形成了高維特征空間,但特征并非越多越好,大量冗余的特征不僅會(huì)增加計(jì)算機(jī)運(yùn)行負(fù)擔(dān)而且會(huì)造成“Hughes現(xiàn)象”[13]。因此,需要對(duì)特征進(jìn)行篩選?;陔S機(jī)森林算法獲取特征重要性評(píng)分來(lái)篩選特征,通過(guò)袋外誤差率控制特征個(gè)數(shù),達(dá)到優(yōu)化特征空間的目的。

        隨機(jī)森林算法是一種Bagging算法,由Breiman提出[14],以決策樹(shù)為基礎(chǔ),通過(guò)Bootstrap自動(dòng)抽樣方法隨機(jī)抽取樣本子集,未被選中的訓(xùn)練樣本作為袋外數(shù)據(jù)(out of bag, OOB)用于驗(yàn)證模型。袋外數(shù)據(jù)(OOB)約占總訓(xùn)練數(shù)據(jù)的1/3,袋外數(shù)據(jù)誤分個(gè)數(shù)占總樣本總數(shù)的比率稱(chēng)為隨機(jī)森林的OOB誤分率[15]。隨機(jī)森林計(jì)算特征重要性時(shí)方法主要有袋外誤差率法和基尼系數(shù)法[16]?;嵯禂?shù)用來(lái)表示一個(gè)隨機(jī)選中的樣本在其子集中被錯(cuò)分的可能性,即計(jì)算樣本集合的純度和不確定性,其定義如式(11)

        (11)

        基尼系數(shù)法是在構(gòu)建隨機(jī)森林結(jié)構(gòu)時(shí)計(jì)算得出特征重要性,與每棵決策樹(shù)的節(jié)點(diǎn)分裂有關(guān),而袋外誤差率法使用OOB數(shù)據(jù),通過(guò)給特征加上隨機(jī)噪音,比較前后誤差率得到特征重要性。綜合應(yīng)用基尼指數(shù)(Gini)的下降量與OOB誤分率的增加量來(lái)優(yōu)化特征空間。

        1.3.3 分類(lèi)器模型與訓(xùn)練

        分別采用支持向量機(jī)(SVM)[17]、CART決策樹(shù)、隨機(jī)森林(RF)和K-近鄰算法(KNN)四種分類(lèi)器進(jìn)行分類(lèi)對(duì)比。對(duì)防護(hù)林、農(nóng)田、水體、裸地和建設(shè)用地5個(gè)類(lèi)別進(jìn)行目視解譯人工取樣,取樣樣本在研究區(qū)內(nèi)隨機(jī)分布,類(lèi)別與樣本數(shù)量關(guān)系如表2所示,所選取樣本數(shù)量均大于特征數(shù)量,樣本數(shù)量充足。

        隨機(jī)森林是利用自助法重采樣技術(shù)(Bootstrap),從原始訓(xùn)練樣本集中有放回地抽取訓(xùn)練樣本,并且決策樹(shù)節(jié)點(diǎn)隨機(jī)抽取特征,構(gòu)造多個(gè)互不相同且相互獨(dú)立的決策樹(shù)。在判斷新樣本類(lèi)別時(shí),根據(jù)所有決策樹(shù)投票類(lèi)別的眾數(shù),進(jìn)而決定最終類(lèi)別[18]。隨機(jī)森林的重要參數(shù)包括節(jié)點(diǎn)特征變量個(gè)數(shù)mtry和決策樹(shù)的數(shù)量ntree。Breiman建議對(duì)于分類(lèi)問(wèn)題,二叉樹(shù)節(jié)點(diǎn)使用的特征變量個(gè)數(shù)應(yīng)該為總變量個(gè)數(shù)的平方根。為提升分類(lèi)效率,應(yīng)盡量減少?zèng)Q策樹(shù)的數(shù)量。本研究最優(yōu)決策樹(shù)數(shù)量(ntree)采用OOB誤分率進(jìn)行優(yōu)化(圖3),在ntree約大于400后,各項(xiàng)OOB誤分率基本保持平穩(wěn),總體誤差在4%左右,最小總體誤差為ntree=369時(shí)取得。

        表2 分類(lèi)類(lèi)別與樣本數(shù)

        圖3 決策樹(shù)數(shù)量(ntree)與OOB誤分率(out of bag error)關(guān)系圖

        支持向量機(jī)(SVM)是一種機(jī)器學(xué)習(xí)算法,在解決小樣本、非線(xiàn)性及高維模式識(shí)別中表現(xiàn)出運(yùn)算速度快、精度高、泛化能力強(qiáng)的優(yōu)點(diǎn),并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題。SVM分類(lèi)器采用高斯核函數(shù)[式(12)]時(shí)有兩個(gè)主要參數(shù)分別為懲罰系數(shù)(C)和Gamma系數(shù)(γ)。本研究基于K-fold cross validation方法進(jìn)行調(diào)參。經(jīng)過(guò)調(diào)整參數(shù)后,SVM算法最優(yōu)Gamma=0.1,C=10,訓(xùn)練數(shù)據(jù)的最優(yōu)誤差率約為3.2%。

        (12)

        CART決策樹(shù)是一種后剪枝決策樹(shù),將訓(xùn)練樣本劃分為測(cè)試變量和目標(biāo)變量,由初始節(jié)點(diǎn)依次形成二叉決策樹(shù),采用基尼系數(shù)(Gini)作為選擇最佳分類(lèi)特征和分割閾值的標(biāo)準(zhǔn)。KNN最近鄰分類(lèi)算法以所有已知類(lèi)別的樣本作為參照,計(jì)算未知樣本與所有已知樣本的距離,選出距離最近的部分已知樣本,與類(lèi)別占比較多的歸為一類(lèi)。為了消除樣本數(shù)量對(duì)分類(lèi)器訓(xùn)練的影響,對(duì)訓(xùn)練樣本進(jìn)行了標(biāo)準(zhǔn)化處理。

        1.3.4 精度評(píng)價(jià)

        為了評(píng)估各分類(lèi)器對(duì)于防護(hù)林的識(shí)別準(zhǔn)確度,基于野外采集樣點(diǎn)數(shù)據(jù),采用TTA mask方法計(jì)算混淆矩陣(confusion matrix)進(jìn)行精度評(píng)價(jià)?;煜仃?confusion matrix)法是通過(guò)對(duì)每個(gè)樣本在地物實(shí)際的類(lèi)別與其在分類(lèi)結(jié)果影像中對(duì)應(yīng)的類(lèi)別進(jìn)行比較并進(jìn)行統(tǒng)計(jì)與計(jì)算的一種精度驗(yàn)證方法。利用混淆矩陣可以計(jì)算出評(píng)價(jià)單個(gè)類(lèi)別分類(lèi)效果的指標(biāo)包括用戶(hù)精度(user’s accuracy)[式(13)]、生產(chǎn)者精度(producer’s accuracy)[式(14)]與總體精度(overall accuracy)。

        (13)

        (14)

        式中,xii為主對(duì)角線(xiàn)上的值,xi+和x+i為第i行和第i列的和。

        2 結(jié)果與討論

        2.1 影像分割尺度選擇

        遙感影像分割需要充分考慮分割對(duì)象的影像光譜特征。在荒漠綠洲區(qū)域,灌木、喬木植被葉面普遍較小且分布稀疏,部分植物體有白色絨毛,有些單株生長(zhǎng),在影像中光譜特征較弱,對(duì)提取防護(hù)林造成很大干擾。因此,參考彭佳憶等[19]有關(guān)荒漠植被提取的相關(guān)參數(shù),將形狀參數(shù)設(shè)定為0.1,緊致度設(shè)定為0.5。初始Scale Parameter設(shè)為30,步長(zhǎng)設(shè)為2,步頻設(shè)為60。由于本研究的分割用于提取荒漠綠洲防護(hù)林,植被對(duì)近紅外波段反映靈敏,故在影像多尺度分割中將近紅外波段權(quán)重設(shè)為2,其余設(shè)為1。先基于以上設(shè)置參數(shù),對(duì)GF-2號(hào)影像進(jìn)行多尺度分割,然后依據(jù)每個(gè)分割尺度對(duì)應(yīng)的LV,通過(guò)公式計(jì)算相應(yīng)ROC值,得到ROC-LV曲線(xiàn)圖,如圖4所示。

        圖4 分割尺度與ROC-LV關(guān)系

        可以看出LV隨分割尺度增大而增大。因尺度越大,分割出的對(duì)象面積越大,相鄰對(duì)象的差異越明顯。ROC總體呈下降趨勢(shì),在下降過(guò)程中存在明顯的峰值。峰值的分割尺度分別為52,68,82,104,130和134,利用其進(jìn)行分割對(duì)比實(shí)驗(yàn)。結(jié)合人工目視判斷方法對(duì)ESP2得出的最優(yōu)分割尺度可能值進(jìn)行判別,當(dāng)尺度參數(shù)為82時(shí),防護(hù)林提取的效果最好。因此,研究區(qū)的最優(yōu)分割參數(shù)組合設(shè)為Scale=82,Shape=0.1,Compactness=0.5。

        2.2 最優(yōu)特征空間及特征重要性選擇

        在采用所有分類(lèi)器分類(lèi)之前,本研究基于隨機(jī)森林(RF)算法計(jì)算待篩選特征的特征重要性,以提取重要特征提高分類(lèi)效率與精度。從圖5中可以看出,隨著特征數(shù)量的增加,OOB誤分率呈逐漸下降的趨勢(shì)。這主要是由于多種特征的加入增加了特征空間的維度,提高了分類(lèi)器性能。當(dāng)特征數(shù)量增加至17之后,OOB誤分率趨于平緩,此時(shí)分類(lèi)器性能已經(jīng)達(dá)到飽和。隨特征數(shù)量繼續(xù)增加,并沒(méi)有出現(xiàn)明顯的“Hughes”現(xiàn)象,即冗余特征導(dǎo)致分類(lèi)精度下降的現(xiàn)象,這可能是由于特征數(shù)量不夠多或者特征與特征之間相關(guān)性較強(qiáng)所致。

        圖5 特征數(shù)量與OOB誤分率的關(guān)系

        從31個(gè)待選特征中,綜合利用Gini系數(shù)及袋外數(shù)據(jù)誤差評(píng)估特征重要性。如表3所示。從重要性排序可以看出波段比率特征(Ratio)與紋理特征綜合重要性排名靠前,表明這兩類(lèi)是分類(lèi)器的重要特征,對(duì)提取防護(hù)林有重要意義。將重要性排名前17位的特征參與所有分類(lèi)器計(jì)算,這些特征中包含了4個(gè)波段的波段比及藍(lán)、近紅外波段的均值,這也說(shuō)明了光譜特征是區(qū)分地類(lèi)的重要標(biāo)志。并且,邊界指數(shù)、寬度、緊湊度、密度、對(duì)稱(chēng)度這些形狀指數(shù)有效地區(qū)分了長(zhǎng)條狀林帶、類(lèi)似長(zhǎng)方形農(nóng)田建設(shè)用地,與不規(guī)則的水體及裸土。在研究過(guò)程中,通過(guò)特征空間優(yōu)化,顯著減少了訓(xùn)練耗時(shí),并且通過(guò)優(yōu)化決策樹(shù)數(shù)量從1 000個(gè)降至369個(gè),隨機(jī)森林訓(xùn)練器訓(xùn)練與分類(lèi)總耗時(shí)從23 h縮減到了12 h左右,提升了近一倍的分類(lèi)效率。

        表3 Gini系數(shù)法與OOB誤差法綜合重要性得分排名前10的特征

        2.3 不同分類(lèi)器分類(lèi)效果對(duì)比結(jié)果

        結(jié)合實(shí)測(cè)數(shù)據(jù)得到367個(gè)包含防護(hù)林及其他類(lèi)別的空間分布數(shù)據(jù),通過(guò)構(gòu)建TTA mask得到分類(lèi)結(jié)果混淆矩陣,經(jīng)計(jì)算得到用戶(hù)精度與生產(chǎn)者精度(表4)。對(duì)于防護(hù)林總體識(shí)別精度,四種分類(lèi)器均得到了較高的分類(lèi)精度,均大于94%。將CART、隨機(jī)森林、支持向量機(jī)、K-近鄰法驗(yàn)證結(jié)果進(jìn)行比較,隨機(jī)森林分類(lèi)器得到的用戶(hù)精度為四種分類(lèi)器中最高,達(dá)到93.5%,說(shuō)明隨機(jī)森林分類(lèi)器的分類(lèi)存在更少的錯(cuò)分現(xiàn)象。支持向量機(jī)法與K近鄰法生產(chǎn)者精度均為97.14%,說(shuō)明其分類(lèi)正確的防護(hù)林?jǐn)?shù)量最多。在兩種基于決策樹(shù)的算法中,隨機(jī)森林算法生產(chǎn)者精度與用戶(hù)精度和CART決策樹(shù)算法相近,用戶(hù)精度與SVM和KNN相差不多。整體而言,SVM與KNN總體分類(lèi)精度最高,均為96.19%,是更理想的分類(lèi)器。

        表4 CART,RF,SVM,KNN分類(lèi)精度計(jì)算結(jié)果

        選取4塊典型小區(qū)塊,將RF,CART,SVM和KNN的分類(lèi)結(jié)果與原始遙感影像圖進(jìn)行對(duì)比分析(圖6)。其中,區(qū)塊一為靠近城區(qū)的農(nóng)田防護(hù)林網(wǎng),存在林帶斷帶。其分類(lèi)結(jié)果顯示,SVM(a),RF(b)和KNN(d)的防護(hù)林提取效果均遠(yuǎn)好于CART(c),相較于SVM,KNN的錯(cuò)分現(xiàn)象更多,RF(b)存在一定的防護(hù)林帶漏分,SVM結(jié)果中較好地顯示了斷帶信息。區(qū)塊二為距城區(qū)較遠(yuǎn)的農(nóng)田防護(hù)林網(wǎng),周邊為裸露沙地,部分林帶樹(shù)間距較大,防護(hù)林稀疏。在區(qū)塊二內(nèi),四種分類(lèi)器均提取出了零散防護(hù)林。SVM(a)與RF(b)的提取效果更好于CART(c)與KNN(d),但SVM將部分細(xì)長(zhǎng)型田間道路也劃分為防護(hù)林帶,存在錯(cuò)分現(xiàn)象。RF的林帶提取結(jié)果中道路很少,用戶(hù)精度較高。區(qū)塊三為納林湖景區(qū)的一部分。在納林湖中有大面積的蘆葦(圖中左下)。四種分類(lèi)器均能較好地區(qū)分水體與非水體,而較難對(duì)蘆葦與喬木防護(hù)林進(jìn)行區(qū)分,其原因可能是蘆葦與防護(hù)林的光譜特征和紋理特征相近。區(qū)塊四為磴口縣城區(qū),在道路兩旁有行道樹(shù)種植。四種分類(lèi)器均能提取城市道路防護(hù)林,但也有將房屋陰影錯(cuò)分為林帶的現(xiàn)象,RF(b)的分類(lèi)結(jié)果優(yōu)于其他分類(lèi)器,錯(cuò)分現(xiàn)象最少。

        為深入探究各分類(lèi)器對(duì)蘆葦與防護(hù)林錯(cuò)分原因,分別對(duì)蘆葦與防護(hù)林帶提取特征均值并歸一化,進(jìn)行對(duì)比分析。在各分類(lèi)器的分類(lèi)結(jié)果中對(duì)蘆葦和防護(hù)林分別采樣300個(gè)樣本,計(jì)算樣本的31個(gè)特征均值,由圖7可知,四種分類(lèi)器應(yīng)用波段比特征、相關(guān)度和熵等特征較難區(qū)分蘆葦和防護(hù)林,而這些特征較多是特征重要性綜合排名較高的特征。斑塊長(zhǎng)寬比、灰度共生矩陣角二階矩、對(duì)比度和同質(zhì)性是蘆葦和防護(hù)林斑塊相差較多的特征,這些特征的特征重要性綜合排名較低,沒(méi)有被選入特征空間。對(duì)比四個(gè)分類(lèi)器,KNN分類(lèi)器提取所得的防護(hù)林特征值均較高,而蘆葦?shù)奶卣髦递^其他分類(lèi)器較低,四種分類(lèi)器均具有區(qū)分蘆葦和防護(hù)林的潛力。

        由分類(lèi)結(jié)果的防護(hù)林分布圖(圖8)可知,磴口縣防護(hù)林主要分布在東部黃河流經(jīng)地區(qū)及城鎮(zhèn)周?chē)?,以及中部地區(qū)及農(nóng)田分布較密集的區(qū)域,而西北部山區(qū)及南部烏蘭布和沙漠幾乎沒(méi)有防護(hù)林存在,顯示出由荒漠到綠洲到城鎮(zhèn)的防護(hù)林體系空間遞變規(guī)律,以及防護(hù)林與水系的關(guān)系,其為維持荒漠綠洲穩(wěn)定性提供了較大幫助。四種分類(lèi)器中K近鄰分類(lèi)器(d)得到的防護(hù)林面積最大,為224.95 km2,隨機(jī)森林算法(b)得到的防護(hù)林面積最小,為143.89 km2,SVM與KNN得到防護(hù)林帶面積均在200 km2左右。RF與CART兩種基于決策樹(shù)算法的分類(lèi)器結(jié)果的邊長(zhǎng)面積比接近,均小于SVM與KNN,說(shuō)明基于決策樹(shù)算法的分類(lèi)器更傾向于提取形狀較圓潤(rùn)規(guī)則的斑塊作為防護(hù)林。根據(jù)2018年磴口縣統(tǒng)計(jì)公報(bào),磴口縣森林覆蓋率為20.6%,且灌木喬木與其他類(lèi)型林地占比約為2∶2∶1,喬木林地為防護(hù)林的主要林種,去除西部陰山部分面積后,其面積約為210 km2。本研究得到2020年防護(hù)林(大多數(shù)為高大喬木,包含小部分高植株灌木)面積約為200 km2,與實(shí)際情況相符。

        縱觀(guān)整體磴口縣分類(lèi)結(jié)果,綜合分類(lèi)精度、小區(qū)塊和宏觀(guān)面積考慮,SVM分類(lèi)器展示了較好的荒漠綠洲防護(hù)林提取能力,其分類(lèi)精度高,微觀(guān)小區(qū)塊內(nèi)準(zhǔn)確度高,總體防護(hù)林面積接近于實(shí)際面積,為最優(yōu)的防護(hù)林分類(lèi)器。但本研究基于上述方法,對(duì)于防護(hù)林的提取效果仍可能存在不足,例如,對(duì)于邊界規(guī)則的大面積防護(hù)林地,大多數(shù)用于提供樹(shù)苗或經(jīng)濟(jì)林,其樹(shù)高與農(nóng)田中植株高的作物相似,可能導(dǎo)致其誤分為農(nóng)田;對(duì)于邊界不規(guī)則防護(hù)林地,其形狀特征不明顯,內(nèi)部結(jié)構(gòu)雜亂,并且樹(shù)間距較大,露出林下地表,使得光譜特征存在干擾;對(duì)于蘆葦與防護(hù)林的混淆問(wèn)題,文中已做了分析,若將蘆葦作為單獨(dú)的地類(lèi),則分類(lèi)效果可能會(huì)更好。此外,對(duì)于大范圍防護(hù)林提取,由于樹(shù)種、樹(shù)齡以及防護(hù)林種植數(shù)量差異,使得距離較遠(yuǎn)的兩個(gè)地區(qū)防護(hù)林光譜特征、形狀特征、紋理特征相差較大。因此,樣本選取必需遵循多區(qū)域、廣覆蓋、多樣本的規(guī)則,隨著未來(lái)傳感器與航天平臺(tái)的發(fā)展,更高分辨率的多波段大尺度影像將為提取防護(hù)林提供更多可能。在本研究中,特征空間優(yōu)化與參數(shù)優(yōu)化有效提升了荒漠綠洲防護(hù)林提取精度與效率,但在模型訓(xùn)練與應(yīng)用時(shí),數(shù)據(jù)處理仍耗費(fèi)大量時(shí)間(20 h左右)。未來(lái)硬軟件技術(shù)的發(fā)展,將使識(shí)別提取防護(hù)林空間信息更加快速便捷。

        3 結(jié) 論

        基于GF-2號(hào)遙感數(shù)據(jù),通過(guò)ROC-LV曲線(xiàn)圖獲取最優(yōu)分割參數(shù),采用隨機(jī)森林(RF)算法優(yōu)化特征空間,結(jié)合誤差法(OOB error)與基尼系數(shù)(Gini)法篩選出參與分類(lèi)的最優(yōu)特征子集,對(duì)RF特征數(shù)量與決策樹(shù)數(shù)量、SVM懲罰系數(shù)與Gamma值進(jìn)行參數(shù)優(yōu)化,對(duì)比分析隨機(jī)森林(RF)、CART決策樹(shù)、支持向量機(jī)(SVM)、K-近鄰(KNN)四種分類(lèi)器并進(jìn)行驗(yàn)證,綜合評(píng)估荒漠綠洲防護(hù)林提取精度,確定荒漠綠洲防護(hù)林提取方法。研究結(jié)論如下:

        圖6 四個(gè)區(qū)塊的防護(hù)林分類(lèi)結(jié)果

        圖7 蘆葦與防護(hù)林帶特征值對(duì)比

        圖8 研究區(qū)內(nèi)四種分類(lèi)器的防護(hù)林分布圖

        (1)基于ROC-LV曲線(xiàn)(方差變化率-局部方差曲線(xiàn))方法,可得到最適合防護(hù)林提取的最優(yōu)分割尺度(scale parameter)。此方法大量節(jié)省了主觀(guān)選擇需要遍歷尺度參數(shù)所用時(shí)間,并且適用于形狀不規(guī)則的地物類(lèi)型,對(duì)于大尺度高分辨率影像分割地物顯著提升了效率。在本研究中,最優(yōu)分割尺度還可反映防護(hù)林帶斷帶信息。

        表5 研究區(qū)總體分類(lèi)結(jié)果

        (2)采用Gini系數(shù)與誤分率方法分別計(jì)算特征重要性并綜合排序篩選特征,可得到既有較好分類(lèi)效果,又最大程度減少冗余的分類(lèi)特征空間。結(jié)合模型參數(shù)優(yōu)化,分類(lèi)器訓(xùn)練與應(yīng)用耗時(shí)縮短了近一半。研究表明,對(duì)于荒漠綠洲防護(hù)林提取,波段比、均值、標(biāo)準(zhǔn)差與NDVI能較好反映不同地物的光譜差別。邊界指數(shù)、寬度、緊湊度這些形狀指數(shù)有效區(qū)分防護(hù)林與其他地物形狀差別。二次計(jì)算灰度共生矩陣得到的對(duì)比度(Contrast)、相關(guān)度(Correlation)、標(biāo)準(zhǔn)差(Std.Dev)與異質(zhì)性(Dissimilarity)能夠較好地從紋理特征角度區(qū)分荒漠綠洲區(qū)地類(lèi)。

        (3)研究表明四種分類(lèi)器均有較好分類(lèi)效果,總體分類(lèi)精度均大于94%,GF-2號(hào)影像在提取荒漠綠洲防護(hù)林方面有極大應(yīng)用空間。其中,SVM分類(lèi)器可以最準(zhǔn)確地提取防護(hù)林,總體精度為96.19%,生產(chǎn)者精度達(dá)到97.14%。SVM分類(lèi)器在小區(qū)塊中提取精度較高,總體防護(hù)林面積為208.99 km2,接近于實(shí)際的210 km2,但其存在少量將狹窄路面、田間道路錯(cuò)分為防護(hù)林帶的現(xiàn)象。CART分類(lèi)器較其他分類(lèi)器,其防護(hù)林提取能力最弱。因此,在ROC-LV曲線(xiàn)方法提取最優(yōu)分割參數(shù)后,基于隨機(jī)森林方法優(yōu)化特征空間與參數(shù)優(yōu)化的SVM分類(lèi)器結(jié)合是本研究提取防護(hù)林的最好方法。

        (4)GF-2號(hào)影像較適合荒漠綠洲區(qū)稀疏喬木的提取,因其影像分辨率高,并且?guī)в薪t外波段,可以把低分辨率遙感研究中以林網(wǎng)或林地為基本單元,轉(zhuǎn)變?yōu)橐詥螚l林帶作為基本研究單元,通過(guò)適宜的波段融合可以反映出更多小網(wǎng)格窄林帶的防護(hù)林信息,例如提取斷帶信息等林網(wǎng)結(jié)構(gòu)特征。

        猜你喜歡
        防護(hù)林荒漠綠洲
        向荒漠宣戰(zhàn)
        中國(guó)石化(2021年8期)2021-11-05 07:00:14
        綠洲里的老先生
        沙漠綠洲
        荒漠生態(tài)系統(tǒng)的演變
        三北防護(hù)林與植樹(shù)造林
        荒漠之路上的三首情歌
        文史春秋(2016年3期)2016-12-01 05:42:20
        留一片綠洲 此處腎好
        心中有塊美麗的綠洲
        云南防護(hù)林工程建設(shè)任重道遠(yuǎn)
        国产精品视频一区二区噜噜| 日本一区二区三区经典视频| 一二三四五区av蜜桃 | 国产农村妇女精品一二区| 亚洲人成网站免费播放| 久久久久国产精品四虎| 精品国产免费一区二区久久| 国产欧美日韩中文久久| 女人被爽到呻吟gif动态图视看| 欧美视频第一页| 色se在线中文字幕视频| 青青草国产在线视频自拍| 国产中文欧美日韩在线| 99热最新在线观看| 蜜桃色av一区二区三区麻豆| 日本一区二区在线免费视频| 国产精品51麻豆cm传媒| 亚洲AV秘 无码一区二区三区臀| 国产一区亚洲一区二区| 在线观看午夜视频一区二区| 狠狠色噜噜狠狠狠888米奇视频| 国产免费播放一区二区| 在线观看视频国产一区二区三区| 人成午夜大片免费视频77777| 俺来也俺去啦最新在线| 国产女同一区二区在线| 久久精品国产亚洲av一般男女| 少妇人妻在线无码天堂视频网| 99热成人精品热久久66| 国产精品很黄很色很爽的网站| 国产禁区一区二区三区| 色一情一乱一乱一区99av| 91热久久免费精品99| 色婷婷在线一区二区三区| 韩国三级大全久久网站| 国产av日韩a∨亚洲av电影| 久久伊人网久久伊人网| 所有视频在线观看免费| 国产乱xxⅹxx国语对白| 成人无码网www在线观看| 中文字幕在线乱码日本|