基于无人机多光谱影像的亚热带阔叶林分类

doi:10.13466/j.cnki.lyzygl.2022.03.022

林业资源管理 ›› 2022›› Issue (3): 142-147.doi: 10.13466/j.cnki.lyzygl.2022.03.022

• 技术应用 • 上一篇

基于无人机多光谱影像的亚热带阔叶林分类

刘雨真¹^,²(), 高海力³(), 方陆明¹^,², 周辰琴¹^,², 郑辛煜¹^,²

1.浙江农林大学数学与计算机科学学院,杭州 311300
2.浙江省林业智能监测与信息技术研究重点实验室,杭州 311300
3.浙江省公益林和国有林场管理总站,杭州 310020

收稿日期:2022-03-10 修回日期:2022-04-10 出版日期:2022-06-28 发布日期:2022-08-04
通讯作者: 高海力
作者简介:刘雨真(1997-),男,湖北洪湖人,在读硕士,主要研究方向为林业信息化。Email: 1044740602@qq.com
基金资助:
浙江省科技重点研发计划资助项目(2018C02013);国家自然科学基金青年项目(42001354);浙江省自然科学基金青年项目(LQ19D010011)

Classification of Subtropical Broadleaf Forests Based on UAV Multispectral Imagery

LIU Yuzhen¹^,²(), GAO Haili³(), FANG Luming¹^,², ZHOU Chenqin¹^,², ZHENG Xinyu¹^,²

1. School of Information Engineering,Zhejiang A&F University,Hangzhou 311300,China
2. Zhejiang Provincial Key Laboratory of Forestry Intelligent Monitoring and Information Technology,Hangzhou 311300,China
3. Zhejiang Public Welfare Forest and State-owned Forest Farm Management Station,Hangzhou 311300,China

Received:2022-03-10 Revised:2022-04-10 Online:2022-06-28 Published:2022-08-04
Contact: GAO Haili

摘要/Abstract

摘要：

使用无人机平台获取亚热带阔叶林样地的多光谱影像和可见光影像,并将多光谱影像与可见光影像进行波段合成获得添加多光谱信息的可见光组合影像,从可见光影像、多光谱影像和组合影像中分别提取光谱信息与空间信息,采用支持向量机、最大似然法、神经网络和马氏距离等4种分类算法对其优势树种进行分类。比较不同影像在不同分类算法下的分类结果。仅使用可见光影像使用不同算法分类的精度都比较低,最高精度为采用支持向量机的分类,分类精度为62.97%,Kappa系数为0.225 6。使用多光谱影像和添加多光谱影像的可见光组合影像分类精度均有提升。组合影像与支持向量机的分类组合达到90.64%,Kappa系数为0.786。使用低成本的无人机可见光影像分类精度较低,而添加多光谱影像能较大提升分类精度。

关键词: 多光谱, 可见光, 亚热带阔叶林, 树种分类

Abstract:

The UAV platform was used to acquire multispectral images and visible images of subtropical broad-leaved forest sample sites,and the multispectral images and visible images were band-synthesized to obtain a visible combination image with multispectral information.The dominant species were classified using four classification algorithms: support vector machine,maximum likelihood,neural network and Marxian distance.The classification results of different images were compared under different classification algorithms.The classification accuracies using only visible images in different algorithms were low,with the highest accuracy being the classification using support vector machines with 62.97% and a kappa coefficient of 0.225 6.The classification accuracies of the visible combined images using multispectral images and with the addition of multispectral images were improved.The combination of the combined image and the support vector machine achieved a classification accuracy of 90.64% with a Kappa coefficient of 0.786.The use of low-cost UAV visible images had a low classification accuracy,while the addition of multispectral images could improve the classification accuracy significantly.

Key words: multispectral, visible light, subtropical broadleaf forest species, tree species classification

中图分类号:

S771.8
S792

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,(3): 142-147.

LIU Yuzhen, GAO Haili, FANG Luming, ZHOU Chenqin, ZHENG Xinyu. Classification of Subtropical Broadleaf Forests Based on UAV Multispectral Imagery[J]. FOREST RESOURCES WANAGEMENT, 2022,(3): 142-147.

图/表 9

表1

表2

表3

表4

图1

图2

图3

表5

表6

参考文献 15

[1]	许方岳, 焦鸿渤, 丁雪丹, 等. 亚热带常绿阔叶林植被净初级生产力时空特征[J]. 西北林学院学报, 2019, 34(2):62-68.
[2]	孔嘉鑫, 张昭臣, 张健. 基于多源遥感数据的植物物种分类与识别:研究进展与展望[J]. 生物多样性, 2019, 27(7):796-812. doi: 10.17520/biods.2019197
[3]	Onishi M, Ise T. Explainable identification and mapping of trees using UAV RGB image and deep learning[J]. Scientific Reports, 2021, 11(1):903-917. doi: 10.1038/s41598-020-79653-9
[4]	林志玮, 涂伟豪, 黄嘉航, 等. 基于FC-DenseNet的低空航拍光学图像树种识别[J]. 国土资源遥感, 2019, 31(3):225-233.
[5]	戴鹏钦, 丁丽霞, 刘丽娟, 等. 基于FCN的无人机可见光影像树种分类[J]. 激光与光电子学进展, 2020, 57(10):36-45.
[6]	孔嘉鑫. 基于无人机遥感影像的亚热带常绿落叶阔叶混交林树种分类与识别[D]. 上海: 华东师范大学, 2020.
[7]	张大力. 基于多光谱CCD影像和LiDAR数据的单木树种分类研究[D]. 哈尔滨: 东北林业大学, 2019.
[8]	Yu X W, Hyyppa J, Litkey P, et al. Single-ensor solution to tree species classification using multispectral airborne laser scanning[J]. Remote Sensing, 2017, 9(2):108. doi: 10.3390/rs9020108
[9]	孙晓娟, 梁明, 杜清运, 等. 面向过程的土地利用变化建模与查询[J]. 测绘科学, 2020, 45(11):161-168.
[10]	张洋华, 刘慧平, 杨晓彤. 基于像元与对象分类的景观指数差异性分析[J]. 遥感技术与应用, 2016, 31(1):119-125.
[11]	张沁雨, 李哲, 夏朝宗, 等. 高分六号遥感卫星新增波段下的树种分类精度分析[J]. 地球信息科学学报, 2019, 21(10):1619-1628. doi: 10.12082/dqxxkx.2019.190116
[12]	包海青. 基于TM数据的森林分类研究[D]. 呼和浩特: 内蒙古农业大学, 2012.
[13]	欧阳光, 荆林海, 阎世杰. 基于卷积神经网络的高分遥感影像单木树种分类[J]. 激光与光电子学进展, 2021, 58(2):349-362.
[14]	陈向宇, 云挺, 薛联凤, 等. 基于激光雷达点云数据的树种分类[J]. 激光与光电子学进展, 2019, 56(12):203-214.
[15]	Lyons M B, Keith D A, Phinn S R, et al. A comparison of resampling methods for remote sensing classification and accuracy assessment[J]. Remote Sensing of Environment, 2018, 26(2):145-153.

序号	树种	数量
1	望春玉兰	43
2	樟树	49
3	黄山栾树	61
4	其他阔叶树	24

波段	波长	带宽
红光	660	40
红边光	735	10
近红外光	790	40

树种	训练样本		验证样本
树种	图斑数	像元数	图斑数	像元数
望春玉兰	30	307846	13	151516
樟树	34	491249	15	244270
黄山栾树	42	339725	19	126855

树种	黄山栾树	望春玉兰	樟树
望春玉兰	2.0021
樟树	1.8978	2.1201
草地	2.6903	2.1614	3.365

影像	方法	OA/%	Kappa系数
可见光	支持向量机	62.97	0.2256
	最大似然	58.87	0.2328
	神经网络	61.78	0.2803
	马氏距离	54.35	0.2136
多光谱	支持向量机	84.62	0.7374
	最大似然	71.26	0.5595
	神经网络	72.67	0.5659
	马式距离	75.77	0.5703
组合影像	支持向量机	90.64	0.7861
	最大似然	72.49	0.5658
	神经网络	75.35	0.5816
	马式距离	78.37	0.6223

基于无人机多光谱影像的亚热带阔叶林分类

Classification of Subtropical Broadleaf Forests Based on UAV Multispectral Imagery

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 15

相关文章 4

编辑推荐

Metrics

本文评价

树种	参数	不同影像精度/%
树种	参数	可见光	多光谱	组合影像
望春玉兰	PA	28.75	93.56	96.44
望春玉兰	UA	47.08	68.18	79.43
樟树	PA	90.38	80.35	88.73
樟树	UA	67.77	93.75	87.24
黄山栾树	PA	13.05	85.61	93.77
黄山栾树	UA	36.54	93.75	86.57

[1]	王补, 谭伟, 王贵林, 蒲秀青. 基于无人机多光谱影像的松材线虫病单木尺度监测[J]. 林业资源管理, 2022, 0(5): 107-117.
[2]	段纪维, 钟九生, 江丽, 代仁丽, 何志远, 林双双, 何鑫. 基于哨兵2可见光波段的喀斯特地区植被提取方法[J]. 林业资源管理, 2020, 0(6): 143-152.
[3]	马鸿伟, 刘海, 姚顺彬, 周蔚. 基于林业遥感的树种分类应用分析与展望[J]. 林业资源管理, 2020, 0(3): 118-121.
[4]	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, 0(5): 44-51.