无人机遥感与卷积神经网络结合的草原物种分类
Posted 生态文明与大数据建设
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了无人机遥感与卷积神经网络结合的草原物种分类相关的知识，希望对你有一定的参考价值。
草原是重要的陆地生态系统，在全球气候变化和全球生态平衡中起着关键作用。草原退化导致土地退化、沙化、沙尘暴等自然灾害频发，严重影响环境质量和生态平衡。虽然经过几十年的生态治理，草原生态环境已得到一定改善，但草原生态恢复仍任重道远。在草原退化程度加剧之前通过指示物种的监测发出预警，为草原生态环境管理提供动态和定量的监测数据具有重要意义。
遥感方法适用于大面积动态监测，光谱遥感技术已实现草原植被群落水平的分类，但群落水平的分类只能反映草原退化的现状，不能反映与退化程度密切相关的物种构成，因而难以对草原生态的进一步恶化发出预警。无人机高光谱遥感具有高时间、空间分辨率，并且光谱分辨率达1~10nm，使得在草原监测方面实现物种水平的分类成为可能。
格根塔拉草原
高光谱成像的复杂过程导致数据非线性，利用高光谱遥感图像进行分类仍较困难。深度学习中的卷积神经网络具有自主学习能力，善于处理复杂的多维非线性问题，能够自动分层次地提取特征，在图像分类中表现出更高有效性和更强鲁棒性。在遥感图像分类领域，卷积神经网络也显示出巨大潜力。
根据荒漠草原物种水平分类的需求，运用无人机高光谱遥感技术，采集荒漠草原植被高光谱图像，建立一种基于卷积神经网络的荒漠草原物种水平遥感分类的计算方法来实现荒漠草原重要生态物种分类，对荒漠草原的退化监测具有重要的指示意义。
基于特征波段选择的卷积神经网络荒漠草原物种分类流程
研究对象为建群种短花针茅、优势种冷蒿和伴生种猪毛菜，无人机高光谱相机于的开花期、结实期和黄枯期获取数据。无人机飞行高度30m，图像空间分辨率约2.3cm。选择无风或风力小于2级，晴朗无云或云量小于2的气象条件，在10:00—14:00之间飞行采集数据。无人机每个架次飞行前后均进行标准参考白板校正。
通过人工目视检查图像质量，去除因阵风引起的变形图像；其次使用专业软件进行图像辐射校正，消除数据获取和传输过程产生的辐射失真或畸变，得到地物真实的反射率数据；最后采用线性平滑高斯滤波法进行图像降噪。
高光谱数据有上百个波段，波段间距窄，提供了丰富的地物光谱信息。但波段越多，波段间的相关性就越大，数据的冗余度也越大，同时也带来了海量数据存储和处理的技术难题。特征波段选择用于从原始波段中提取能够有效代表地物特征、信息量大、相关性小且地物可分离性大的波段子集。
卷积神经网络通过模仿人类视觉逐层认知物体的方式，很适合图像分类。卷积神经网络由卷积层、池化层和全连接层组成。卷积层与池化层配合，组成多个卷积组，逐层提取图像特征。网络底层识别图像边缘，上层识别特定形状，再高层识别特征。
卷积神经网络结构图
基于无人机高光谱遥感技术与卷积神经网络的荒漠草原物种分类结果展示，不同物候期的整体分类准确率平均值为94%，Kappa系数平均值为0.91。
与其它分类方法精度比较
为进一步探索该方法的适用性，比较了3种分类方法：基于主成分分析的卷积神经网络(PCA_CNN)、基于径向基核函数的支持向量机(SVM)与基于特征波段选择的卷积神经网络(BS_CNN)。结果表明，基于特征波段选择的卷积神经网络分类在总体分类精度、平均分类精度和Kappa系数3种评价方式下均得到最好结果。
SVM处理小规模样本效果较好，在处理如高光谱图像的大规模高维数据时，效果稍差。对非线性问题，核函数的选择更困难。PCA_CNN通过多维正交线性变换，将主要信息集中在前几个波段上。虽然保留了数据的主要信息，但保留的不一定是利于物体分类的特征。
BS_CNN是根据分类对象的可分离性和波段的相关性选择的波段，因而保证了所选波段信息量大且利于物体分类，使其分类精度较高。
基于特征波段选择的卷积神经网络算法优势
对于高光谱数据的非线性，通过在每个卷积层后连接非线性激活函数ReLU来增加网络的非线性能力，从而较好地拟合非线性过程。此外，ReLU函数在一定程度上能够防止梯度消失，函数的单侧抑制性使得卷积神经网络中的神经元具有了稀疏激活性。
由于高光谱图像难以获得大量训练样本，常常在训练样本上能得到很好的分类结果，但在测试样本上的分类结果却不好，也即出现了过拟合。通过在网络最后几层全连接层的损失函数后增加L2正则化项，使权重衰减来避免过拟合。此外，Dropout策略也被用来防止过拟合，即在模型训练过程中设置一定比例的隐藏层节点，使其暂时不参与训练。
基于特征波段选择的卷积神经网络分类方法，适用于大样本、高维、非线性数据的特征提取，应用于无人机高光谱低空遥感获得的高空间分辨率和高光谱分辨率的数据，能够对草原优势物种、伴生种(具有一定的聚集数量)进行分类识别，结合植物物种的物候，将有效提高其分类精度。
草原物种分类的实现，为草原物种覆盖度的估算提供了必要的基础。在草原生态进一步恶化前，根据毒杂草、两年生适口性差的牧草的增加量及适口性好的优良牧草的减少量，对退化程度做出正确判断，及时采取有效措施，调整草原畜牧经营模式，并为草原生态恢复提供基础数据。
以上是关于无人机遥感与卷积神经网络结合的草原物种分类的主要内容，如果未能解决你的问题，请参考以下文章