引言

三江源區地處青海省南部，地處長江、黃河、瀾滄江三大支流交匯之處，被譽為“中華水塔”，是我國重要的生態屏障，也是我國經濟發展的必然選擇。西藏是青藏高原的核心區域，也是我國青藏高原的核心區域，也是世界上最具代表性、最具代表性的高山植物區，也是世界上最具代表性的區域之一。三江源區是我國北方典型的草原，受全球氣候變化及人為活動的干擾，草原生態系統發生了嚴重的退化。三江源地區草原生態系統的退化有兩種方式：一是草原生物量的下降，二是草原生態系統的改變。草原生態系統的退化是草原生態系統退化的一個重要特征，而草原生態系統退化是草原生態系統退化的一個重要特征?，F有的研究方法，主要是基于單時期或多時期的遙感圖像，通過反演的凈初級生產力、NDVI等指標，來反應植被的覆蓋程度，進而對其進行退化程度的分類，從而獲得草原退化的現狀或動態變化特征。另一些學者則是利用遙感圖像的可視性解譯來獲得三江源區的植被覆蓋面，并對其進行歸類分析。草原群落結構的改變以優良牧草物種數量下降而有毒野草物種數量上升為主。由于有毒野草物種及蓋度的不斷提高，使得單純以植被蓋度、 NDVI及 NPP等指標的改變來指示草原退化，并不能很好地反映草原退化的實際狀況。因此，為了更好地了解草原生態系統的動態，需要對草原生態系統中的群落進行分類。

高光譜遙感可同時獲得近百個連續波段的反射率信息，其所蘊含的豐富波譜信息可用于更好地檢測植被的物理、化學性質。近年來，基于地表觀測的高光譜遙感技術，在草原生態系統中應用了多種遙感技術，并在此基礎上，提出了一種基于遙感技術的草原生態系統的分類方法。但在三江源地區，在高寒草甸和高山草原等退化草原上，有關草種的精確鑒定和鑒定工作卻鮮見報道。

高光譜遙感影像的高維性和非線性特性，導致了傳統的遙感影像分類算法在處理過程中出現了“不適定”。低空高光譜遙感由于其高分辨率的特點，使地物類內光譜分異顯著，而類間光譜分異顯著降低。但目前三江源地區的牧草種類鑒定主要依靠的是地基觀測的光譜學資料，不能進行大范圍的鑒定。目前，國內外已有的遙感遙感技術主要是針對作物的遙感遙感，而針對草原物種的遙感遙感技術尚未見報道。實驗利用三江源區的無人機高光譜影像，在對原始高光譜數據進行特征挖掘的基礎上，探究結合空間—光譜特征的稀疏表示方法對識別三江源區草種精細識別效果，并在此基礎上提出利用形狀自適應鄰域信息對識別結果進行改善的方法。

研究區與數據源

2.1 研究區概況

瑪多縣位于黃河源地區，位于青藏高原的中心地帶，位于青海省的南部，是黃河的首個流經之地，以高寒草地和高寒草地為主。在過去的幾年里，由于長期的超限放牧和氣候的改變，松毛蟲等主要物種的數量逐漸減少，一些不喜歡吃的、毒性較強的、或與之相關的物種的出現，使得松毛蟲的數量不斷減少，從而造成了“黑土灘”的出現。研究區位于瑪多縣花石峽鎮，是草地退化的典型區，如圖1（a）所示。

2.2 數據源

實驗所用高光譜影像數據可由大疆M600無人機載iSpecHyper-VM系列無人機載高光譜成像系統獲取。飛行天氣晴朗，風力較小。數據經過輻射校正、大氣校正、拼接與融合等預處理。研究區假彩色合成影像如圖1（b）所示。

（a）研究區地理位置（b）無人機高光譜假彩色影像

圖1研究區地理位置與無人機高光譜影像

根據現場考察情況，確認研究區內草種主要為矮火絨、棘豆、細葉亞菊、苔蘚等各類毒雜草和小嵩草、針茅、藏嵩草與苔草等可食草。不同草種照片如圖2（b）~2（i）所示。

圖2現場樣方布設圖與草種照片

如圖2（a）所示，在圖像上，按照 GPS坐標和編號的次序，找出每一個控制點所對應的樣方位置，利用照片和現場的記錄信息，來判斷在樣方框中，不同位置的草種類型，并進行樣品的選取。因為控制點的數目是有限的，所以在控制點周圍的草種樣品也是根據照片來選擇的，共獲得包括矮火絨、棘豆、苔蘚、細葉亞菊、苔草、嵩草（兩類）、針茅8種草種的樣本，并在影像上目視判別選取裸土樣本，獲取的樣本分布如圖3所示。根據獲取的樣本得到草種和裸地的光譜曲線信息如圖4所示。

圖3樣本分布圖

圖4不同草種的光譜曲線

由于退化情況比較嚴重草地的覆蓋度較低，并且藏嵩草與針茅已經開始枯萎，草種在660nm處的吸收峰不明顯，而在550nm處的反射峰幾乎都消失了。矮火絨、藏嵩草、針茅與裸地的光譜特征在可見光波段非常相似，矮火絨、棘豆與細葉亞菊在近紅外波段處的反射特征較為相似。苔草的反射率整體相對于其他地物較高，而苔蘚的反射率整體略小于其他地物。

研究方法

基于無人機高光譜影像的草種精細識別方法如圖5所示。

圖5研究方法技術路線圖強決策樹

3.1 基于XGBoost的波段選擇

高光譜數據的高維特性使得不同波段之間相關性高且易造成維數災難等問題。因此對原始高維光譜特征進行選擇能有效降低波段之間的相關性并減少計算量。根據優化分布式梯度增，通過計算模型中每個樹的每個特征的貢獻值即每個特征的增益值確定每個特征的重要性程度。該方法作為一種有效的特征選擇方法而被廣泛應用于高光譜遙感。

3.2 擴展形態學屬性剖面特征提取與融合

對于高空間分辨率的影像，場景中結構的幾何特征具有很大的感知意義，可以有效提高地物的分類與識別效果。形態學屬性剖面算法是一種基于形態學屬性濾波的特征提取算法，其主要思想是利用面積、標準差和慣性矩等一系列不同屬性濾波器對圖像進行濾波來提取圖像的結構信息，然后將不同屬性濾波結果疊加起來，即得到圖像的擴展形態學屬性剖面（EMAP）。通過靈活地定義多種屬性及相應的閾值來構建EMAP特征可以實現對影像的空間信息多尺度表達，因此相較于傳統的形態學濾波特征EMAP可以更精確地提取影像空間信息。

3.3 基于形狀自適應鄰域信息的后處理方法

傳統的空間特征提取方法多是基于固定窗口的濾波算子進行，這種方式提取的空間特征在紋理和邊緣部分的效果很差。因此能自適應地根據地物的形狀提取空間特征對提高影像的識別效果有很大的意義。Foi等提出的形狀自適應（SA）離散余弦變換方法通過確定中心像元8個方向上的最優鄰域尺度來提取影像灰度圖的空間信息。利用該方法計算得到的鄰域能有效避開影像中的邊界區域，保證鄰域內的像元屬于同一種類別的可靠性。

4、實驗與討論

4.1 基于XGBoost的波段選擇

首先對高光譜影像的光譜特征進行優化選擇，對每一類草種選取10個樣本進行XGBoost訓練，利用得到的訓練模型計算原始125個光譜特征的重要性，所有波段重要性的和為1，如圖7所示。在對重要性由高到低進行排序后分別選取不同的波段數借助SMLR進行分類，每個類別選取10個樣本進行訓練，統計10次獨立運行結果的總體精度的均值與每次運行的時間。如圖8所示，當選取前75個重要波段時精度達到最高，且用時較少，因此在接下來的實驗中均選取這75個光譜特征進行相關研究。

圖7不同波段數的重要性

圖8不同波段數的識別精度與運行時間

4.2 基于SMLR與ASR的草種精細識別

為了從多種角表現影像的空間信息，實驗利用面積屬性與標準差屬性提取影像的EMAP特征，將面積屬性與標準差屬性的閾值分別設置為λ（a）={20，50，100}，λ（s）={2.5，5，7.5，10}。分別提取高光譜影像前3個主成分的面積屬性剖面與標準差屬性剖面并疊加，得到45個EMAP特征。然后將EMAP特征與選取的光譜特征進行復合核變換實現空—譜特征融合，空間特征與光譜特征的核函數寬度均設置為0.6，光譜特征權重為0.6，EMAP特征權重為0.4。利用SMLR與ASR結合空間—光譜特征對無人機高光譜影像進行草種識別。由于高原上樣本獲取較為困難，為了體現出本實驗方法在小樣本情況下的可行性，對每類草種均隨機選取總體樣本的1/10樣本用于訓練（裸地訓練樣本數選取15個），剩余樣本用來驗證。用總體精度（OA）、制圖精度（PA）、用戶精度（UA）與Kappa系數來衡量識別效果。兩種稀疏表示方法的識別結果分別用SMLR-EMAP、ASR-EMAP表示，如圖9（a）和圖9（c）所示。

圖9基于SMLR與ASR的草地識別結果基于SMLR與ASR的草種識別精度

從圖9（a）和圖9（c）可以看出，識別基于空間—光譜特征的識別結果中仍然存在明顯的“椒鹽噪聲”，實驗利用SA方法提取影像中每個像素的自適應鄰域信息后進行平滑處理。從圖6中可以看出，自適應鄰域數量在80以內的像元的MMSAD值較為穩定，因此對該部分的像元進行平滑后處理。基于SA的后處理結果如圖9（b）和圖9（d）所示，可以看出，對于均質性區域經過SA處理后噪聲明顯減少，而對于異質性強的區域其鄰域數量較少，平滑作用較不明顯，說明基于SA的方法能很好地保留影像地物固有的空間特征。

如表1所示，兩種方法對影像草種的精細識別總體精度分別達到94.07%和93.15%，經過SA處理后精度分別提升1.64%和1.12%。由表1可知利用SMLR進行草地精細識別時，基于SA的后處理方法對矮火絨、棘豆與細葉亞菊的識別精度提升非常明顯（加粗數據）。利用ASR進行草地精細識別時，SA后處理方法對矮火絨與細葉亞菊的識別結果也有明顯改善 （加粗數據）。說明自適應地利用地物空間信息可以有效降低“異物同譜”與“同譜異物”帶來的影響。但是SMLR與ASR對小嵩草與針茅的識別精度較低，且經過SA處理后識別精度提升有限甚至有所降低（下劃線數據）。原因是小嵩草與針茅的葉片非常細小多與裸地混合在一起，在影像上多為混合像元，尤其是在經過SA處理后，嵩草、針茅與裸土之間更容易出現錯分的情況，且裸地的樣本數遠多于嵩草、針茅樣本數，因此對嵩草與針茅的識別精度影響很大。對比兩種稀疏表示方法可以發現，基于SMLR的方法精度略高于基于ASR的方法，并且前者在計算效率上有明顯的優勢。分析其原因是因為基于SMLR的方法是通過核變換的方法融合空間—光譜特征，能有效提升特征之間的區分性，而稀疏表示的方法是通過簡單疊加的方式融合空間光譜特征，特征之間信息有較多冗余。在處理影像時基于SMLR的方法利用了基于塊高斯-塞德爾算法以實現快速求解，而ASR在處理影像時是面向逐個像元進行分類或識別，效率因此低于SMLR。但是從整體來看，實驗提出的結合空間—光譜特征的稀疏表示方法在樣本有限的情況下能夠實現對草種精細識別，且基于SA的方法能很好地適應小樣本訓練的分類器，有效提升多種毒雜草種的識別精度。相較于傳統的基于地面實測高光譜數據的方法，該方法充分利用無人機高光譜影像的光譜信息以及地物之間的空間關系實現大范圍草種精細識別；相較于已有的基于無人機高光譜數據的草種精細分類方法，可以在小樣本的情況下達到更高的精度。

表1 基于SMLR與ASR的草地識別精度

5、結論

實驗主要研究了在對高光譜數據進行特征挖掘的基礎上，結合空間—光譜特征的稀疏表示分類方法在小樣本情況下對三江源區的草種精細識別效果，并在此基礎之上提出了基于形狀自適應鄰域信息的后處理方法對識別結果進行改善。得到的主要結論如下：

（1)利用 XGBoost算法對高光譜數據進行篩選，可以有效地減少高光譜數據中的光譜相關性，節約運算時間；利用 PCA技術，拓展了形態屬性輪廓特征，可實現圖像多尺度的空間信息表達，并將其與光譜特征進行融合，顯著提高了高光譜圖像對草原的識別能力。

（2）基于稀疏多項式邏輯回歸與自適應稀疏表示兩種分類方法均能在小樣本的情況下實現草地的高精度精細識別；但稀疏多項式邏輯回歸在精度上略高于自適應稀疏表示方法，在計算效率上也有明顯的優勢。

（3）通過分析了解鄰域信息，可以最大限度地挖掘出草原種類的不規則性，試驗中，通過對矮火絨、棘豆、細葉亞菊等有毒雜草種類的識別，可以提高其識別準確率。然而，該區域植被退化嚴重，植被覆蓋度低，植被覆蓋度高，植被覆蓋度高，植被覆蓋度高，植被恢復能力差，植被恢復能力差。

與常規的地基觀測相比，基于無人機高光譜圖像的高空間分辨率和高光譜分辨率，能夠更好地反映地物空間特征。在此基礎上，利用無人駕駛飛機獲取的高光譜遙感數據，通過最優的波段特征選取和多維度的空間特征提取，在較少的樣本條件下，完成草地種類的精細化鑒別，為草地種類的大尺度精細化鑒別和植被覆蓋率估計提供有力的數據和方法支持。試驗只是最優地選取了最適合牧草的光譜特征，而怎樣才能最大限度地發揮圖像中的“三邊”和植物指標等對牧草的生物化學成分的影響，則需要進行深入的探討。隨著遙感技術的發展，草原退化精確判別的數據來源日益豐富，但目前試驗中僅采用局地的高光譜影像進行研究，對草原的判別范圍較小。此外，本項目還將充分利用多源數據的優點，如拓展到衛星觀測，從而在更大范圍內對草原群落進行遙感監測。探索大尺度多波段和高波段多波段信息的融合，以實現大尺度牧草種類的精細鑒定。在此基礎上，通過融合多時相遙感影像和高光譜遙感影像，將不同植被類型的物候期和光譜信息融合，提高植被類型的可識別性。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯黃宇