文献综述
基于无人机载高光谱图像的常见观赏树种分类研究
摘要：树种分类是林业遥感重要的研究内容，应用高光谱遥感分析技术进行树种分类研究，探索高光谱特征对树种分类的有效性将会促进遥感技术在树种分类研究中的应用深度与广度。观赏树种规划和选择的好坏是校园园林绿化的重要一环，直接关系到校园园林绿化建设的成效。因而进行观赏树种的分类研究有着重要意义。
关键词：无人机；高光谱遥感；树种分类；SVM；
- 引言
树种分类是林业遥感中重要的应用领域,在林业可持续管理、生物多样性研究和生态环境保护领域都有广泛的应用场景 [1-2]。软质景观对校园景观的改善起着决定性的作用，观赏树种规划和选择的好坏是校园园林绿化的重要一环，直接关系到校园园林绿化建设的成效。因而进行观赏树种的分类研究有着重要意义。
在信息技术水平相对落后的时代，人们获取树种信息还是主要依赖于实地调研或采用人工的方式研读分析大比例尺航拍照片得手段。这些传统树种调查方法极大的浪费了人力、物力,且效率低下极易影响后续进度的推进。在以使用卫星为代表的遥感影像技术对树种进行分类统计的技术应用后,其准确性和速度相比于在地面实地调研的植被的方式都有着显著的提高, 但其也具有显著的局限性。因使用卫星及航空传感器极易受到各种天气、通讯信号等外界因素的干扰,且因卫星运行高度较高,所以更适合大范围的树种粗略分类统计,对于小范围、高精度的树种分类显得捉襟见肘[3]。无人机 (UAV) 因其具有相对更为高效、低成本、高分辨率的特点，所以相比于各种高分辨率卫星，无人机在获取影像过程中受大气因素的干扰较小，更适宜较小场地高精确度的树种调研分析[4]。以无人机遥感为代表的低空遥感技术有着较好的发展前景和广阔的使用空间，其主体手段通常是利用无人机获取多维遥感信息来提取树种空间信息以及树种准确分类。同时相对于普通影像来说，高光谱影像所包含的数据具有相对多样的波段，且它的每一个像素都对应着几十上百个不同波段，不同波段上的反射率就是光谱信息。它的分类的原理大致是是基于不同的地物在不同的波段上具有不同的反射率所呈现的不同结果。因此，使用高光谱影像数据来进行树种分类以及后续研究具有较大的帮助。
- 国内外森林树种分类研究概况
2.1 基于多光谱遥感数据的分类研究
多光谱是光学被动遥感数据，其中包含冠层水平信息，由于其具有较高的光谱分辨率，可以加强对地物目标的属性信息探测能力，同时可以在小尺度上发现地表的轻微变化[5]。目前，多光谱影像信息技术已被广泛运用于树种分类、森林监测、农业生产分析等多个方面，运用多光谱遥感数据可以通过其光谱特征对树种实现有效的分类。黄建文[6]等人选择GF-6卫星WFV多光谱影像作为数据源，使用随机森林分类算法，对无红边的前4个波段、有红边的8个波段、 8个波段加上未优化的植被指数特征组合、8个波段加上优化的植被指数特征组合进行分类，通过对比分类结果得出结论，红边指数可以增强植被信息，有效提高树种分类精度。贾小凤[7]等人选择Landsat多光谱数据与ALOS(Advanced Land Observation Satellite)雷达遥感数据作为数据源，进行2007~2017年汉江流域森林变化监测，通过使用随机森林分类算法，对ALOS雷达遥感数据、Landsat多光谱数据以及它们俩的融合数据进行分类，结果表明融合数据的分类精度最高，2007年整体精度为98.0%，2017年整体精度为98.6%。王晓峰[8]以Landsat多光谱数据为数据源，使用随机森林分类算法，对原始数据和筛选特征组进行分类比较，筛选特征组的精度较高为60.87%，其中阔叶混交林分类精度最高。王晓慧[9]等人采用国产高分二号多光谱影像和基于面向对象变化向量分析法，检测研究范围的森林资源变化，所得到结果中，经过特征选择后的数据分类精度最高，总体分类精度为92.94%，Kappa系数为0.7360。
2.2 基于机载高光谱遥感的树种分类研究
高光谱遥感 (Hyperspectral Remote Sensing) 是指利用很窄很多的电磁波波段从感兴趣的物体获取有关数据，在电磁波谱的紫外光、可见光、近红外和中红外区域波段处得到大量极其窄且光谱连续的图像数据的技术。成像光谱仪可以为每个像元提供数十乃至数百个窄波段光谱信息, 可以产生一条完整而连续的光谱曲线[10]。因为光谱分辨率得以提高, 所以高光谱影像数据所包含的波段数更多、信息量也更大，相比于多光谱，高光谱具有相对更强的潜在的地物识别能力, 在林业遥感应用上高光谱表现为潜在的森林类型识别能力[11-12]。在高光谱影像的基础上进行的树种识别，主要是通过对高光谱影像进行去噪降维等预处理后，使用监督或非监督分类等方法进行不同树种识别分类[11]。由于地物的多尺度特点，单一尺度的纹理特征不足以支撑不同地物之间的分类需求，因此将多尺度的纹理特征协同高分辨率影像进行分类可以大大提高分类精度[5]，因此，通过协同地物的光谱信息与纹理特征，可以有效地改善树种分类的精度和效果。
樊雪[11]等采用机载PHI高光谱遥感数据作为研究基础，对森林树种进行分类研究，所得到的结论中分类精度为80.70%，Kappa系数为0.75。林雪[13]采用灰度共生矩阵技术，通过提取多尺度以及单尺度的8种不同的纹理特征并分别与多光谱相组合进行分类，可以得出，光谱信息协同多尺度纹理特征的分类精度与协同单尺度纹理特征的分类精度相比较高，可以明显的提高森林类型分类精度的结论。吴艳双[14]等采用高光谱影像中的不同光谱特征和不同尺度纹理特征相协同对面向对象的树种分类，并对所得到的结果相对比，研究表明，协同高光谱影像的光谱特征和多尺度纹理特征能显著提高树种的分类精度。刘怀鹏[15]等将WorldView-2影像的纹理特征与光谱信息协同，进行树种的分类研究，分类精度为86.39%，Kappa系数为0.841，得出结论，将影像纹理特征与光谱信息充分结合使得树种分类结果更加精准。李哲[2]等以GF-2影像为数据源，将通过单景、多景组合的方式获得的3种单时相和4种多时相,利用C5.0算法进行特征优选,并结合SVM、RF两种分类器进行乔木树种分类，得出结论，基于多时相和特征优选的分类精度较高。申鑫[16]等通过使用LiCHy(LiDAR,CCD和Hyperspectral)集成传感器同期获取的高光谱数据，并且从中提取大量的冠幅特征以及光谱信息，对森林类型以及树种类型进行分类研究，取得了较为明显的分类效果。Runpf T [17]等利用高光谱数据提取九个与生理参数有关的光谱植被指数用于自动分类的特征，得出结论，健康甜菜叶和病叶之间的区分导致分类率高达97%，健康叶与三种疾病症状的叶子的多重分类仍然达到86%以上。宫鹏[18]等使用高分辨率光谱仪测量得到的高光谱数据，对加州区域的主要针叶树种进行分类研究，研究结果表明高光谱数据有着一定的树种鉴别能力。董元[19]等选择USGS光谱库树种冠层光谱数据作为数据源, 对其中的山杨树、枫树、橄榄树、核桃树和枞树5个树种进行光谱变化特征及其差异性进行了比较和研究，探讨了利用高光谱技术对各个树种进行区分的可行性，得出结论，利用不同特征波段和植被指数能够进行树种识别。张莹[20]等选择了5种类型树种并对其冠层的光谱变化特征及其差异性进行了对比分析和研究, 利用离散傅里叶变换对光谱曲线进行频谱分析,探讨各个树种在频域上区分的可行性，发现不同树种的光谱曲线都有着较为明显的差异,光谱曲线的红边参数和冠层光谱在频率域的幅度谱都可以有效地帮助区分不同的树种。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
