3.4不同分類方法精度評價

本研究的６種不同特征組合分別為植被指數、特征波段、植被指數＋特征波段、植被指數＋ＧＬ－ＣＭ、特征波段＋ＧＬＣＭ、３種特征組合（特征波段＋植被指數＋ＧＬＣＭ），以下分別用特征１～６來表示。基于３種分類方法的識別精度評價見表４、表５、表６。

表４ 基于最大似然法的不同特征組合識別精度評價

由表４可知，在最大似然法下僅植被指數特征參與樹種識別時，ＯＡ為８３．１２％，Ｋａｐｐａ系數為０．７３９９。基于特征波段的樹種識別結果中，ＯＡ為９３．８４％，Ｋａｐｐａ系數為０．８９６３。效果最好的是植被指數與特征波段共同參與樹種識別，其結果顯示ＯＡ達到了９４．０１％，Ｋａｐｐａ系數為０．８９８８，所有樹種的ＰＡ均超過了８０％，ＵＡ均在７５％以上，其中洋槐和核桃的ＰＡ、ＵＡ都超過了９０％，柿和杏樹的ＵＡ較低，達到了７５％。在增加紋理特征進行樹種識別時，基于植被指數與ＧＬＣＭ組合的ＯＡ為８３．５３％，Ｋａｐｐａ系數為０．７４２１，與單一植被指數特征的識別精度相比提高了０．４１個百分點。

通過對比生產者精度，基于植被指數的樹種識別中，ＭＬＣ對洋槐的識別精度較低，但對其他５種樹種的識別精度較高；基于特征波段的樹種識別中，ＭＬＣ對柿、洋槐、櫻桃、杏樹和核桃的識別精度更高，此５種樹種的識別精度均達到了９０％以上；基于特征波段與植被指數組合的樹種識別中，柿、核桃和杏樹在利用ＭＬＣ分類時，精度較高；基于植被指數與紋理特征組合的樹種識別中，ＭＬＣ在柿和核桃的識別中較其他２種分類方法減少了漏分，精度較高；基于特征波段與紋理特征組合的樹種識別中，對于核桃和柿，ＭＬＣ在識別效果上表現出更高的精度。通過對比用戶精度，基于植被指數的樹種識別中，ＭＬＣ在核桃識別上效果更好，而在柿的識別上，ＭＬＣ的識別精度均表現為較低水平；基于特征波段的樹種識別中，ＭＬＣ在洋槐和核桃的識別上精度更高；基于特征波段與植被指數組合的樹種識別中，ＭＬＣ在洋槐和核桃的識別上具有更高的精度；基于植被指數與紋理特征組合的樹種識別中，ＭＬＣ對洋槐和核桃的識別精度較高；基于特征波段與紋理特征組合的樹種識別中，相比于另外３種樹種的識別而言，ＭＬＣ在洋槐和核桃的識別上效果更好。

表５ 基于隨機森林法的不同特征組合識別精度評價

由表５可知，在隨機森林方法下僅植被指數特征參與樹種識別時，ＯＡ達到了９１．７６％，Ｋａｐｐａ系數為０．８５３３。基于特征波段進行樹種識別時，ＯＡ為９０．３２％，Ｋａｐｐａ系數為０．８２８４，與單一植被指數特征進行識別相比，ＯＡ降低了１．４４個百分點，Ｋａｐｐａ系數減少了０．０２４９。使用特征組合進行分類的精度最高，ＯＡ為９２．５４％，Ｋａｐｐａ系數為０．８６７３，其中洋槐、櫻桃、杏樹、核桃的ＰＡ均超過了８５％，除杏樹的其他５種樹種的ＵＡ都在８０％以上。加入紋理特征后，特征波段與ＧＬＣＭ組合、３種特征共同參與分類時，總體精度有一定的提高，ＯＡ分別為９１．２４％、９２．５４％，提高了０．９２和０．０７個百分點。通過對比生產者精度，基于植被指數的樹種識別中，相較于核桃，ＲＦ對其他５種樹種的識別存在漏分；基于特征波段的樹種識別中，ＲＦ對核桃的識別精度較高，但對蘋果的識別精度較低，僅為６５．２０％；基于特征波段與植被指數組合的樹種識別中，ＲＦ對核桃的識別精度較高，但對蘋果、柿、櫻桃和杏樹的識別精度較低；基于植被指數與紋理特征組合的樹種識別中，ＲＦ在洋槐、核桃和杏樹的識別精度較高，均達到了９７％以上；基于特征波段與紋理特征組合的樹種識別中，ＲＦ在洋槐、杏樹和核桃的識別上具有良好表現，精度較高，均達到了９８％以上。通過對比用戶精度，基于植被指數的樹種識別中，ＲＦ在核桃的識別精度表現為較高水平，識別精度達到９８．７４％；基于特征波段的樹種識別中，ＲＦ在核桃的識別上精度更高；基于特征波段與植被指數組合的樹種識別中，ＲＦ在洋槐和核桃的識別上具有更高的精度；基于植被指數與紋理特征組合的樹種識別中，ＲＦ在洋槐、核桃、蘋果和櫻桃的識別過程中減少了錯分現象，識別精度較高；基于特征波段與紋理特征組合的樹種識別中，ＲＦ對核桃的識別精度較其他樹種而言較高。

表６ 基于支持向量機法的不同特征組合識別精度評價

由表６可知，在支持向量機方法下基于植被指數特征進行樹種識別時，ＯＡ達到了９０．４１％，Ｋａｐ－ｐａ系數為０．８２９１。基于特征波段進行識別的結果中，ＯＡ為９４．８９％，Ｋａｐｐａ系數為０．９１１７。采用植被指數與特征波段組合分類結果中，ＯＡ為９５．０１％，Ｋａｐｐａ系數為０．９１４０，與使用植被指數和特征波段進行分類的結果相比，ＯＡ分別提高了４．６０和０．１２個百分點，Ｋａｐｐａ系數分別提高了０．０８４９和０．００２３。其中洋槐、櫻桃、核桃的ＰＡ和ＵＡ均在９０％以上，蘋果的ＰＡ超過了８４％，ＵＡ達到９２％，柿和杏樹的ＰＡ在９０％以上，ＵＡ接近８０％。結合紋理特征進行識別時，植被指數與ＧＬ－ＣＭ組合、３種特征組合的總體識別精度分別為９１．２６％、９５．１１％，提高了０．８５、０．１０個百分點，Ｋａｐｐａ系數分別為０．８４５０、０．９１５８。

結果表明，加入紋理特征在一定程度上可以提升研究區樹種的分類精度。通過對比生產者精度，基于植被指數的樹種識別中，ＳＶＭ對洋槐的識別效果明顯優于其他２種方法，精度達到了９５．９５％；基于特征波段的樹種識別中，ＳＶＭ對杏樹的識別精度更高，優于其他２種分類方法；基于特征波段與植被指數組合的樹種識別中，ＳＶＭ在蘋果和核桃的識別上與另外２種方法相比效果略佳；基于植被指數與紋理特征組合的樹種識別中，ＳＶＭ對蘋果的識別精度略高于另外２種分類方法，識別效果更好；基于特征波段與紋理特征組合的樹種識別中，ＳＶＭ在洋槐、杏樹和核桃的識別上具有良好表現，精度較高。通過對比用戶精度，基于植被指數的樹種識別中，ＳＶＭ對洋槐、櫻桃和核桃的識別精度較高；基于特征波段的樹種識別中，ＳＶＭ對洋槐和核桃的識別精度更高，且除柿外精度均在８０％以上；基于特征波段與植被指數組合的樹種識別中，ＳＶＭ的識別效果最好，特別是洋槐和核桃的識別上表現出較好的效果；基于植被指數與紋理特征組合的樹種識別中，ＳＶＭ在洋槐和核桃的識別上表現出較好的結果；基于特征波段與紋理特征組合的樹種識別，在蘋果、櫻桃和核桃的樹種識別中，ＳＶＭ算法的識別效果優于ＭＬＣ和ＲＦ算法。無論是就生產者精度而言還是就用戶精度而言，大多數樹種均超過了８０％。從單個樹種的識別精度看，與ＭＬＣ相比，ＳＶＭ減少了蘋果的漏分和錯分；與ＲＦ相比，減少了蘋果、柿、櫻桃、杏樹、核桃的漏分和錯分。ＳＶＭ相比ＭＬＣ和ＲＦ算法，識別精度更高、效果更好，在６種樹種識別中具有一定的適用性。此外，從識別結果中可以看出３種分類方法對６種樹種整體識別效果較好，能夠區分出不同樹種，達到分類目的，但同時均有不同程度的錯分和混分現象。對于蘋果和櫻桃的混分，原因是研究區內櫻桃種植數量少、樹冠小，與蘋果樹長勢相近，并且二者光譜特征相似，一定程度上增加了識別難度，造成混分現象。對于柿與蘋果的混分現象，原因是柿的樹冠大、長勢優于蘋果，呈現的圖像中光譜反射率較強，同時與其他樹種相鄰種植，光譜特征相似，給識別造成困難，導致混分現象的發生。

3.5不同分類方法精度評價基于3中特征組合的不同分類方法結果比較

在植被指數、特征波段、紋理特征共同參與研究區６種樹種識別時，識別結果如圖３所示。

圖３ 基于３種特征組合的３種分類方法識別結果圖

由圖３可知，３種分類方法對研究區的樹種整體識別效果較好，能夠區分出不同樹種，達到分類目的，但同時均有不同程度的混分現象。對于蘋果和櫻桃的混分，原因是研究區內櫻桃種植數量少、樹冠小，與蘋果樹長勢相近，并且二者光譜特征相似，一定程度上增加了分類難度，造成混分現象。對于柿與蘋果的混分現象，原因是柿的樹冠大、長勢優于蘋果，呈現的圖像中光譜反射率較強，同時與其他樹種相鄰種植，光譜特征相似，給分類造成困難，導致混分現象的發生。

五、結論

以河北省保定市滿城區龍門山莊的植被修復區為研究區域，選擇５種經濟林樹種：柿、蘋果、櫻桃、杏、核桃和生態林對照樹種：洋槐，共６種樹種為研究對象，利用地物光譜儀測定各樹種的葉片和冠層光譜數據，使用無人機高光譜遙感獲取各樹種的高光譜影像數據，對６種樹種的地面光譜數據和無人機高光譜數據進行光譜特征分析，構建各樹種植被指數特征及紋理特征，采用不同分類方法對６種樹種進行識別，并對識別結果進行精度評價，最終確定適合６種樹種的識別方案。主要研究結論如下：

（１）分析比較柿、蘋果、櫻桃等６種樹種的光譜特征，建立光譜數據庫。通過對比分析６種樹種的地面葉片、冠層光譜特征及無人機冠層光譜特征，可以得出在可見光波段中的綠光區域和紅光區域，各個樹種之間具有較大差異，其中波長的反射峰在５５０ｎｍ左右、７５０～９５０ｎｍ之間及９６０ｎｍ附近的水汽吸收帶，差異明顯。

（２）篩選出６種樹種無人機遙感影像的特征波段，構建了植被指數特征及紋理特征。通過圖像處理軟件等平臺，基于連續投影算法（ＳＰＡ）對研究區無人機高光譜遙感數據進行特征波段篩選，選擇結果為ｂ９、ｂ４７、ｂ８４、ｂ９２、ｂ１０１、ｂ１１２、ｂ１３８、ｂ１５３、ｂ１６３、ｂ１６７，共１０個波段，各波段對應波長分別為４２３．８、５４７．８、６７３．０、７００．６、７３２．０、７７０．６、８６３．５、９１８．０、９５４．８、９６９．６ｎｍ；通過特征重要性評估篩選植被指數，得到７個植被指數：簡單比值指數（ＳＲ）、類胡蘿卜素反射指數２（ＣＲＩ２）、綠波段指數（ＧＲＶＩ）、歸一化脫鎂作用指數（ＮＰＱＩ）、Ｖｏ－ｇｅｌｍａｎｎ紅邊指數１（ＶＯＧ１）、歸一化植被指數（ＮＤＶＩ）、簡單色素比值指數（ＳＲＰＩ）；通過計算高光譜遙感影像的灰度共生矩陣（ＧＬＣＭ），得到均值、方差、協同性、對比度、相異性、信息熵、二階矩和相關性，共８項紋理特征，進行后續分類研究。

（３）對研究區６種樹種進行高光譜遙感識別，得到最佳識別方案。通過分別構建基于特征波段、植被指數、特征波段與植被指數組合、特征波段與紋理特征組合、植被指數與紋理特征組合、３種特征組合，共６種分類特征，結合最大似然法（ＭＬＣ）、隨機森林法（ＲＦ）和支持向量機法（ＳＶＭ）３種分類方法對６種樹種進行識別，得到各樹種分布情況并對結果進行精度評價。

綜上所述，３種分類方法中采用ＳＶＭ算法的樹種識別精度最高，而ＭＬＣ和ＲＦ算法針對不同的分類特征，所表現出來的識別效果各不相同。在ＳＶＭ分類方法中，基于３種特征組合的識別效果最好，其總體精度達到了９５．１１％，Ｋａｐｐａ系數為０．９１５８，表現出較好的識別效果，相較于ＭＬＣ總體精度提高了１．１５％，相比于ＲＦ總體精度提高了２．５７％。綜上所述，基于特征波段、植被指數、紋理特征３種特征組合并采用支持向量機（ＳＶＭ）分類的識別方法，為６種樹種識別的最佳識別方法。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇