基于XGBoost的高分二号影像树种识别

doi:10.13466/j.cnki.lyzygl.2019.05.009

林业资源管理 ›› 2019›› Issue (5): 44-51.doi: 10.13466/j.cnki.lyzygl.2019.05.009

基于XGBoost的高分二号影像树种识别

蔡林菲(), 吴达胜(), 方陆明, 郑辛煜

1. 林业感知技术与智能装备国家林业和草原局重点实验室,浙江临安 311300
2. 浙江省林业智能监测与信息技术研究重点实验室,浙江临安 311300
3. 浙江农林大学信息工程学院,浙江临安 311300

收稿日期:2019-09-18 修回日期:2019-10-20 出版日期:2019-10-28 发布日期:2020-09-18
通讯作者: 吴达胜
作者简介:蔡林菲(1995-),女,浙江临海人,在读硕士,主要研究方向为资源与环境信息系统。Email: 1527641144@qq.com
基金资助:
浙江省科技重点研发计划资助项目(2018C02013)

Tree Species Identification Using XGBoost Based on GF-2 Images

CAI Linfei(), WU Dasheng(), FANG Luming, ZHENG Xinyu

1. Key Laboratory of Forestry Perception Technology and Intelligent Equipment,State Forestry and Grassland Administration,Linan,Zhejiang 311300,China
2. Key Laboratory of Forestry Intelligent Monitoring and Information Technology Research,Linan,Zhejiang 311300,China
3. School of Information Engineering,Zhejiang A&F University,Linan,Zhejiang 311300,China

Received:2019-09-18 Revised:2019-10-20 Online:2019-10-28 Published:2020-09-18
Contact: WU Dasheng

摘要/Abstract

摘要：

树种分布是森林资源监测的一个重要指标,也是遥感影像在森林资源监测应用中的难点之一。基于国产高分二号卫星影像数据、森林资源二类调查数据、DEM数据,结合光谱、纹理、指数及地形因子等多种特征,比较支持向量机、随机森林和XGBoost等3种分类算法,根据分类精度选择最优算法(即XGBoost)进行特征筛选,对龙泉市的阔叶树、马尾松、杉木和毛竹等4种主要优势树种进行分类。结果表明:采用XGBoost分类模型的分类总精度为83.88%,Kappa系数0.78,较支持向量机和随机森林分类方法有明显提高。经特征选择后,虽未明显提高树种分类精度,但可以减少特征的冗余,为小样本数据下特征的选取降维提供了一定的参考。

关键词: 高分二号, 特征选择, XGBoost, 树种分类, 遥感

Abstract:

Tree species distribution is an important indicator of forest resources monitoring,and it is also one of the difficulties in the application of remote sensing images in forest resources monitoring.Based on domestic GF-2 satellite imagery data,forest resources survey data and DEM data,combined with spectral,texture,index and topographic factors and other characteristics.Three classification algorithms,support vector machine,random forest and XGBoost,are compared,and the optimal algorithm (XGBoost) is selected according to classification accuracy.Four dominant tree species,broad-leaved trees,Pinus massoniana,Chinese fir and Phyllostachys pubescens,were classified by row feature selection.The results show that the total classification accuracy of XGBoost classification model is 83.58% and the Kappa coefficient is 0.77,which is significantly higher than that of support vector machine and random forest classification method.After feature selection,the classification accuracy of tree species has not been improved obviously,but the redundancy of features can be reduced,which provides a reference for feature selection and dimensionality reduction in small sample data.

Key words: GF-2, feature selection, XGBoost, tree species identification, remote sensing

中图分类号:

TP79
S757.2

蔡林菲, 吴达胜, 方陆明, 郑辛煜. 基于XGBoost的高分二号影像树种识别[J]. 林业资源管理, 2019,(5): 44-51.

CAI Linfei, WU Dasheng, FANG Luming, ZHENG Xinyu. Tree Species Identification Using XGBoost Based on GF-2 Images[J]. FOREST RESOURCES WANAGEMENT, 2019,(5): 44-51.

图/表 10

表1

表2

选取的植被指数

指数名称	简写	公式	出处
归一化植被指数	NDVI	$ρ NIR - ρ R ρ NIR + ρ R$	[11]
土壤调整植被指数	SAVI	$ρ NIR - ρ R) × 1.5 (ρ NIR + ρ R) × 0.5$	[12]
差值植被指数	DVI	$ρ NIR - ρ R$	[13]
增强型植被指数	EVI	$2.5 (ρ NIR - ρ R) ρ NIR + 6.0 ρ R - 7.5 ρ B + 1$	[14]
归一化水指数	NDWI	$ρ G - ρ NIR ρ G + ρ NIR$	[15]
类胡萝卜素指数	CRI	$1 ρ B - 1 ρ G$	[16]
非线性植被指数	NLI	$ρ NIR 2 - ρ R ρ NIR 2 + ρ R$	[16]
归一化差异绿度指数	NDGI	$ρ G - ρ R ρ G + ρ R$	[17]

表2

表3

灰度共生矩阵纹理测度表

序号	纹理测度	公式	描述
1	同质性(Homogeneity)	$∑ i = 0, j = 0 N - 1 P ij × i 1 + (i - j) 2$	反映局部纹理变化大小
2	熵(Entropy)	$∑ i = 0, j = 0 N - 1 i × P ij (- ln P ij)$	信息量的度量,纹理越复杂,值越大
3	非相似性(Dissimilarity)	$∑ i = 0, j = 0 N - 1 i × P ij \| i - j \|$	局部对比度越高,则非相似性也越高
4	均值(Mean)	$∑ i = 0, j = 0 N - 1 i × P ij$	反映纹理规则程度,与均值呈正相关
5	对比度(Contrast)	$∑ i = 0, j = 0 N - 1 i × P ij (i - j) 2$	反映图像均匀性,对非均匀灰度区域敏感,灰度变化越大值越小
6	相关性(Correlation)	$∑ i = 0, j = 0 N - 1 i × P ij (i - M E) × (j - M E) V A i × V A j$	度量相邻区域相关性,相关性越高,值越大
7	二阶矩(Second Moment)	$∑ i = 0, j = 0 N - 1 i × P ij 2$	反映图像纹理变化、分布的均一性程度
8	方差/协方差(Variance)	$∑ i = 0, j = 0 N - 1 i × P ij (i - M E) 2$	反映像素值和均值偏差的度量,当灰度变化较大时,值较大

表3

表4

图1

图2

图3

图4

图5

表5

参考文献 25

[1]	薛东艳. 遥感技术在林业中的应用现状与展望[J]. 科技视界, 2014(21):309-311.
[2]	申鑫, 曹林, 徐婷, 等. 基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类[J]. 植物生态学报, 2015,39(12):1125-1135. doi: 10.17521/cjpe.2015.0109
[3]	黎良财, 张晓丽, 郭航. 基于SVM方法的SPOT-5影像植被分类[J]. 东北林业大学学报, 2014,42(1):51-56.
[4]	刘怀鹏, 安慧君, 王冰, 等. 基于递归纹理特征消除的WorldView-2树种分类[J]. 北京林业大学学报, 2015,37(8):53-59.
[5]	中国科学院计算机网络信息中心. 地理空间数据云[EB/OL].(2009-06-29)[2019-03-20]. http://www.gscloud.cn.
[6]	吴达胜. 基于多源数据和神经网络模型的森林资源蓄积量动态监测[D]. 杭州:浙江大学, 2014.
[7]	中国资源卫星应用中心. (2015-10-14)[2019-03-05]. http://www.cresda.com/CN.
[8]	赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2004.
[9]	Mohamadi H, Haibibi J, Abadeh M S, et al. Data mining with a simulated annealing based fuzzy classification system[J]. Pattern Recognition, 2008,41(5):1824-1833. doi: 10.1016/j.patcog.2007.11.002
[10]	吕杰, 郝宁燕, 李崇贵, 等. 利用随机森林和纹理特征的森林类型识别[J]. 遥感信息, 2017,32(6):109-114.
[11]	Deering D W, Rouse J W, Haas R H, et al. Measuring forage production of grazing units from Landsat MSS data[R]. Pro-ceedings of the 10th International Symposium on remote sensing of environment, 1975: 1169-1178.
[12]	Huete AR. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988,25:295-309. doi: 10.1016/0034-4257(88)90106-X
[13]	Richardson A J, Wiegand C L. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineeringand Remote Sensing, 1977,43(12):1541-1552.
[14]	Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetationindices[J]. Remote Sensing of Environment, 2002,83:195-213. doi: 10.1016/S0034-4257(02)00096-2
[15]	邱布布, 徐丽华, 张茂震, 等. 基于Landsat OLI和ETM+的杭州城市绿地地上生物量估算比较研究[J]. 西北林学院学报, 2018,33(1):225-232.
[16]	刘琳, 王玉魁, 王星星, 等. 毛竹出笋后快速生长期茎秆色素含量与反射光谱的相关性[J]. 生态学报, 2013,33(9):2703-2711. doi: 10.5846/stxb201201200118
[17]	潘琛, 杜培军, 罗艳, 等. 一种基于植被指数的遥感影像决策树分类方法[J]. 计算机应用, 2009,29(3):777-780+797.
[18]	冯建辉, 杨玉静. 基于灰度共生矩阵提取纹理特征图像的研究[J]. 北京测绘, 2007,3(5):19-22.
[19]	VAPINK V. Statistical learning theory[M]. New York:Wiley, 1998.
[20]	Leo B. Random forests[J]. Machine Learning, 2001,45(1):5-32. doi: 10.1023/A:1010933404324
[21]	Chen T, Guestrin C. XGBoost:A scalable tree boosting system[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco:ACM, 2016: 785-794.
[22]	叶倩怡, 饶泓, 姬名书. 基于Xgboost的商业销售预测[J]. 南昌大学学报:理科版, 2017,41(3):275-281.
[23]	宋国琴, 刘斌. 基于XGBoost特征选择的幕课翘课指数建立及应用[J]. 电子科技大学学报, 2018,47(6):921-926.
[24]	郝泷, 陈永富, 刘华, 等. 基于纹理信息CART决策树的林芝县森林植被面向对象分类[J]. 遥感技术与应用, 2017,32(2):386-394.
[25]	Martin M E, Newman S D, Aber J D, et al. Determining forest species composition using high spectral resolution remote sensing data[J]. Remote Sensing of Environment, 1998,65(3):249-254. doi: 10.1016/S0034-4257(98)00035-2

卫星	通道	波段	光谱范围/μm	空间分辨率/m	幅宽/km
	Green	B1	0.45~0.52	4
	Red	B2	0.52~0.59	4
GF-2	Blue	B3	0.63~0.69	4	45
	Nir	B4	0.77~0.89	4
	PAN	P	0.45~9.90	1

类别	SVM		RF		XGBoost
类别	UA	PA	UA	PA	UA	PA
阔叶树	70.51	67.9	74.36	69.88	80.77	73.26
马尾松	58.33	73.68	62.5	83.33	70.83	89.47
杉木	82	70.16	87.74	78.15	86.79	82.14
毛竹	84.47	94.57	87.38	92.78	88.35	91.92
OA/%	76.72		80.9		83.58
Kappa	0.68		0.74		0.77

类别	阔叶树	马尾松	杉木	毛竹	用户精度/%
阔叶树	62	3	9	4	79.49
马尾松	6	33	9	0	68.75
杉木	8	1	92	5	86.79
毛竹	5	1	3	94	91.26
生产者精度/%	76.54	86.84	81.42	91.26
总体精度/%			83.88
Kappa			0.78

基于XGBoost的高分二号影像树种识别

Tree Species Identification Using XGBoost Based on GF-2 Images

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郝君, 吕康婷, 胡天祺, 王云阁, 徐刚. 基于机器学习的红树林生物量遥感反演研究[J]. 林草资源研究, 2024, 0(1): 65-72.
[2]	朱赞, 王勇军, 王建琦, 许玉兰, 丘鑫琪, 万喜. 基于无人机倾斜摄影的广西桉树冠层碳储量计量模型构建[J]. 林草资源研究, 2024, 0(1): 88-94.
[3]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[4]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[5]	邹为民, 陈超, 黄蕾, 宋美萱, 李雪建, 杜华强. 地理加权回归模型结合卫星遥感的松阳县森林地上碳储量估算[J]. 林业资源管理, 2023, 0(4): 132-140.
[6]	梁立成, 傅晓强, 张滨, 程谷栒, 李佐晖. 基于GEE与随机森林的象山港互花米草动态监测[J]. 林业资源管理, 2023, 0(3): 38-45.
[7]	周梅, 李春干, 杨承伶, 李振. 无人机激光雷达人工林参数估测试验[J]. 林业资源管理, 2023, 0(3): 90-97.
[8]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[9]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[10]	杨雪清, 孙志超, 王立生, 柴政, 邱议文, 蒋春颖. 森林可燃物大样地抽样调查方法研究[J]. 林业资源管理, 2022, 0(5): 53-59.
[11]	秦琳, 孟先进, 张水花, 薛亚东, 刘新科, 邢鹏. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022, 0(4): 126-133.
[12]	田海静, 王林, 韩立亮, 范云豹, 杨吉林. 基于哨兵2号多光谱遥感数据的草原植被盖度反演——以内蒙古自治区为例[J]. 林业资源管理, 2022, 0(4): 134-140.
[13]	任天晨, 陈军锋, 刘楠. 山西省五台山地区近30年植被覆盖动态变化及影响因素[J]. 林业资源管理, 2022, 0(4): 89-99.
[14]	刘雨真, 高海力, 方陆明, 周辰琴, 郑辛煜. 基于无人机多光谱影像的亚热带阔叶林分类[J]. 林业资源管理, 2022, 0(3): 142-147.
[15]	郝帅, 王星, 张秋良, 王冰, 田原. 大兴安岭火烧迹地遥感提取研究[J]. 林业资源管理, 2022, 0(2): 75-81.