基于无人机高光谱的荒漠草原地表微斑块分类研究.pdf
《基于无人机高光谱的荒漠草原地表微斑块分类研究.pdf》由会员分享,可在线阅读,更多相关《基于无人机高光谱的荒漠草原地表微斑块分类研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、山东农业大学学报(自然科学版),2023,54(3):413-419VOL.54 NO.3 2023Journal of ShandongAgricultural University(Natural Science Edition)doi:10.3969/j.issn.1000-2324.2023.03.012基基于无人机高光谱的荒漠草原地表微斑块分类研究于无人机高光谱的荒漠草原地表微斑块分类研究王胜利1,郝 飞2,毕玉革1,高新超1,金额尔都木吐1,杜健民1*1.内蒙古农业大学 机电工程学院,内蒙古 呼和浩特 0100182.呼和浩特职业学院 机械与电力工程系,内蒙古 呼和浩特 01007
2、0摘摘 要要:草原荒漠化会严重破坏草原生态平衡,荒漠草原地物分类已成为草原监测管理的关键问题。本文通过构建无人机高光谱遥感系统,解决了原有草原调查方式上效率低与空间分辨率不足问题;构建高分辨率图像卷积神经网络(HR-CNN)解决了荒漠草原地表微斑块精细化分类问题;与 ResNet34、GoogLeNet、常规卷积神经网络模型进行对比,总体上 HR-CNN 模型表现更优,总体分类精度与 Kappa 系数分别为 98.27%、96.63。在相同迭代次数条件下,模型构建速度上,HR-CNN 相较其它三类模型分别提升 65.88%、65.71%、13.77%。模型内存占有量上,HR-CNN 相较其它三
3、类模型分别降低 92.11%、79.21%、43.64%。该网络模型是轻量化卷积在荒漠草原地物分类研究中的有效探索,可为后续草原地物分类提供新思路。关键词关键词:荒漠草原;无人机高光谱遥感;地物分类中图中图法法分类号分类号:S812.3;TP751文献标识码文献标识码:A文章编号文章编号:1000-2324(2023)03-0413-07Surface Micro-patches Classification on Desert Grasslands Basedon UAV Hyperspectral DataWANGSheng-li1,HAOFei2,BIYu-ge1,GAOXin-chao
4、1,JINE-erdumutu1,DUJian-min1*1.College of Mechanical and Electrical Engineering/Inner Mongolia Agricultural University,Hohhot 010018,China2.Department of Mechanical and Electrical Engineering/Hohhot Vocational College,Hohhot 010070,ChinaAbstract:The ecological balance of grasslands is seriously affe
5、cted by grassland desertification,and the classification ofdesert grassland land cover has become a key issue in grassland monitoring and management.In this study,the problem oflow efficiency and insufficient spatial resolution in traditional grassland investigation methods was addressed by building
6、 anunmanned aerial vehicle hyperspectral remote sensing system.The issue of fine-grained classification of surfacemicro-patches in desert grasslands was also tackled by constructing a high-resolution image convolutional neural network(HR-CNN).Compared with ResNet34,GoogLeNet,and conventional convolu
7、tional neural network models,the HR-CNNmodel demonstrated superior overall performance.The overall classification accuracy and Kappa coefficient were 98.27%and 96.63%,respectively.Under the same number of iterations,the HR-CNN model was 65.88%,65.71%,and 13.77%fasterin model construction speed than
8、the other three models,respectively.Moreover,HR-CNN required a 92.11%,79.21%,and43.64%smaller memory footprint than the other three models,respectively.The network model constructed in this study isan effective exploration of lightweight convolution in the study of desert grassland land cover classi
9、fication,which providesnew ideas for subsequent grassland land cover classification research.Keywords:Desert grassland;UAV hyperspectral remote sensing;terrain classification草原生态系统是陆地生态系统的重要组成部分1。我国草地面积约为 4 亿 hm2,每年平均可为畜牧业发展提供 3.5 亿吨优质牧草2。但由于自然因素与人为因素影响,全球草原生态系统出现退化问题,逐渐形成荒漠草原3。据统计,我国超过 90%的草原出现不同程度
10、退化现象4。其中,内蒙古自治区草原总面积约为 8.8107hm2,退化面积约占 73.5%5,6。草原退化对农牧民生活及农牧业经济发展造成严重威胁。荒漠草原地表微斑块主要包括各种群植被、裸土、鼠洞。草原退化主要表现为植被矮小、植被整体覆盖度逐渐减少、鼠洞数量增加等。因此,地表微斑块精确识别与分类是荒漠草原研究的重要指标。传统荒漠草原研究主要依靠人工实地监测,精确度较高但费时费力7。为满足大空间尺度观测需求,遥感技术应用于草原研究。遥感采用非接触、远距离探测技术,可实时获取图像数据,与人工调查相比具有成本低、实验不受人主观因素影响等优点8。常用遥感方式为卫星收稿日期收稿日期:2022-10-16
11、修回日期修回日期:2023-02-04基金项目基金项目:国家自然科学基金(31660137);内蒙古自治区高等教育科研重点项目(NJZZ23037)第第 1 作者简介作者简介:王胜利(1999-),男,硕士研究生,主要从事遥感与人工智能方面的研究.E-mail:*通讯作者通讯作者:Author for correspondence.E-mail:414山东农业大学学报(自然科学版)第 54 卷遥感,分辨率在 1 m 左右,应用于大面积植被动态监测9。荒漠草原使用卫星遥感监测具有局限性。近年来,低空无人机遥感系统逐渐兴起,弥补了卫星遥感与人工调查间尺度空缺10。以无人机(Unmanned Aer
12、ial Vehicle,UAV)搭载高光谱成像仪组建无人机高光谱遥感系统拍摄图像,不仅分辨率高、数据源丰富,而且方便快捷、不损坏原有实验环境,可重复进行实验。张燕斌等11基于 ResNet18提出三种不同卷积核数量的 3D-ResNet18 改进型,实现荒漠草原地物分类。杨红艳等12基于特征波段选择方法结合卷积神经网络,对不同生长时期的植被进行分类,取得较好效果。赵宣和等13构建MSM-EAL 分类模型,丰富草原牧草分类标记样本有限问题。综上所述,每类网络模型对荒漠草原地物均具有较高识别精度,但模型构建时未考虑运算资源消耗过大问题,导致训练成本增加。随着深度学习的发展,卷积神经网络(Convo
13、lution neural network,CNN)不断应用于高光谱图像分类处理任务14。CNN 是能够进行深度学习的人工神经网络,能做到自动提取图像特征15。本文通过构建无人机高光谱遥感系统,采集荒漠草原地表微斑块高光谱图像,建立轻量化卷积神经网络模型高分辨率图像卷积神经网络(High-resolution image convolutional neural network,HR-CNN),用于地表微斑块识别与分类任务,为荒漠草原退化监测提供理论基础。1材料与方法材料与方法1.1研究区概况研究区概况试验区域如图 1,地处内蒙古自治区乌兰察布市格根塔拉草原(N41.78、E111.88),草
14、原类型为荒漠草原。植被种群稀疏低矮,平均高度 10 cm。草类主要为短花针茅、无芒隐子草等。鼠类主要有长爪沙鼠、达乌尔黄鼠等。图图 1 试验区域卫星图试验区域卫星图Fig.1 Experimental area satellite image1.2无人机高光谱遥感系统无人机高光谱遥感系统飞行器采用由专业级 A3 Pro 飞行控制系统控制的大疆 M600 Pro 六旋翼无人机,携带四川双利合谱科技有限公司生产的 GaiaSky-mini 型高光谱仪,光谱波长范围在 4001 000 nm,光谱分辨率为3.5 nm,共 256 个波段。1.3数据采集数据采集高光谱图像数据采集时间:2022 年的
15、7 月至 8 月,中午 11:0014:00。采集条件:光照充足、无云雾遮挡,少风或微风。试验区域总面积为 2.5 hm2。在试验区域内,随机设置 50 组样方,样方尺寸为 1 m1 m。样方内部含有植被、裸土、鼠洞,外部使用实验辅助物(地垫与小旗)进行标记。此外,实验辅助标记物还有充当草原环境中因人为活动导致外来垃圾的作用。无人机飞行高度 30 m,空间分辨率 1.73 cm,采集地物样方光谱图像尺寸大小为 696 lines775 samples256 bands,且对每个样方拍摄 3 次,以提高数据的可用性。1.4反射率校正反射率校正无人机飞行拍摄过程中因受环境因素影响导致部分拍摄图像发
16、生扭曲变形,故首先将变形及拍摄质量较差图像进行人工去除,其次,将初步筛选数据(包括黑帧、白帧、样方原始图像)导入SpecView软件进行辐射校正。校正计算如公式16:第 3 期王胜利等:基于无人机高光谱的荒漠草原地表微斑块分类研究415rawdarkwhitedarkIIRII,(1)式中:R 为反射率校正后图像,Iraw为原始图像,Iwhite为白帧图,Idark为黑帧图。图像经反射率校正后,使用 ENVI 5.3 软件提取每类地物纯净像元各 100 个进行空间统计(因鼠洞像元较少,故提取 20 个进行研究),并使用 OriginPro 2021 软件绘制每类地物反射率曲线如图 2所示。图图
17、 2 地物反射率校正图地物反射率校正图Fig.2 Land cover reflectance correction map从图 2 中可看出每类地物反射率差异明显,其中,地垫反射率波动较大。小旗在 460 Band 后急剧上升,560 Band 后增长趋于平稳。裸土与植被反射率差异处为 543687 Band,植被存在明显波峰与波谷。鼠洞反射率增长最为缓慢。每类地物同波段反射率变化不一为后续地物分类提供可能。1.5数据预处理数据预处理高光谱图像具有丰富的光谱和空间信息,通常包含几十到数百个连续光谱波段,但波段间存在较高的相关性和冗余度17,18,这将使模型在训练阶段容易出现 Hughes 现
18、象19。因此,高光谱数据使用前应做数据降维处理。本文采用广泛应用于高光谱数据降维的主成分分析算法作为特征提取的方法20,21,有效剔除冗余信息。同时为有效防止图像边缘大量扭曲混合像元对实验影响,对数据尺寸进行剪裁,最终获取 500 lines500 samples30 bands 的高光谱图像数据。根据研究目的,本次实验将草原地物分为植被、裸土、地垫、小旗、鼠洞共五类。通过 ENVI 5.3软件对图像进行 ROI 感兴趣区域标签处理,每类样本数量分别为 31 600、27 419、686、179、32 个,共计 59 916 个样本。本次实验将 50%的地物样本划分为训练集,为保证实验可靠性将
19、训练集中 50%的数据划分为验证集。在图像识别与分类处理任务中,深度学习效果严重依赖于样本数量,当训练样本较少时,易使网络陷入局部最优22。本实验为增加训练样本数量,通过图像随机翻转方法进行数据增强,使训练集样本数量增加至 14 979 个。此外,为一定程度上解决小样本数据集过拟合问题,对样本数据进行随机打乱处理。样本数据如表 1 所示。表表 1 样本数据表样本数据表Table 1 Sample data table类别Categories未增强训练集Unenhanced training set增强训练集Enhanced training set验证集Validation set测试集Tes
20、t set数量/个18 77329 95814 97929 9582草原物种分类模型草原物种分类模型卷积神经网络特征提取方法是影响模型优劣的关键因素。本文针对荒漠草原地表微斑块分类问题,提出高分辨率图像卷积神经网络模型。该模型主要特点包括使用带有不同大小卷积核的深度可分离卷积作为各分支结构,以降低计算量和参数量。通过逐步使用不同感受野的卷积核,将图像底416山东农业大学学报(自然科学版)第 54 卷层特征提取为高层语义特征。同时,引入残差结构将底层特征与高层语义特征进行融合,以防止卷积运算中的特征丢失和网络模型退化问题的发生。在卷积层最后,使用转置卷积将提取的高层语义特征图映射为高分辨率特征图
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 无人机 光谱 荒漠 草原 地表 微斑块 分类 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。