利用无人机高光谱影像的红树林群落物种分类

doi:10.13474/j.cnki.11-2246.2022.0320

测绘通报 ›› 2022, Vol. 0 ›› Issue (11): 26-31.doi: 10.13474/j.cnki.11-2246.2022.0320

利用无人机高光谱影像的红树林群落物种分类

易俐娜¹, 张桂峰^2,3, 魏征^4,5, 王冕卿¹, 刘晋珂¹, 王柳靖¹

1. 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083;
2. 中国科学院空天信息创新研究院, 北京 100094;
3. 中国科学院大学, 北京 100190;
4. 国家海洋局南海规划与环境研究院, 广东广州 510145;
5. 南海遥感测绘协同应用技术创新中心, 广东广州 510145

收稿日期:2022-05-17 发布日期:2022-12-08
通讯作者: 张桂峰,E-mail:zhanggf@aircas.ac.cn
作者简介:易俐娜(1986-),女,博士,讲师,研究方向为无人机高光谱遥感、高分辨率遥感、激光点云数据处理及信息提取。E-mail:lina1986350@163.com
基金资助:
高分遥感测绘应用示范系统(二期)(42-Y30B04-9001-19/21);国家自然科学基金(61405204);中央高校基本科研业务费项目-中国矿业大学(北京)(2022YQDC12);中国科学院战略性先导科技专项(A类)(XDA13020506);中国科学院科研仪器设备研制项目(YJKYYQ20170044);国家重点研发计划(2018YFB0504903;2016YFB0501402);中国科学院重点研发项目(Y9F0600Z2F);广东省促进经济发展专项资金粤自然资合[2020]012号

Mangrove forest species classification based on the UAV hyperspectral images

YI Lina¹, ZHANG Guifeng^2,3, WEI Zheng^4,5, WANG Mianqing¹, LIU Jinke¹, WANG Liujing¹

1. School of Geoscience and Surveying Engineering, China University of Mining and Technology(Beijing), Beijing 100083, China;
2. Aerospace Information Research Institute, Chinese Academy of Science, Beijing 100094, China;
3. University of Chinese Academy of Sciences, Beijing 100190, China;
4. South China Sea Institude of Planning and Environmental Research, Guangzhou 510145, China;
5. Technology Innovation Center for South China Sea Remote Sensing, Surveying and Mapping Collaborative Application Ministry of Natural Resources, Guangzhou 510145, China

Received:2022-05-17 Published:2022-12-08

摘要/Abstract

摘要： 近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。

关键词: 高光谱, 无人机, 红树林, 支持向量机, 面向对象

Abstract: In recent years, mangrove forest community species losses and functional degradation have become more and more serious. In order to timely and accurately extract the spatial pattern and distribution information of mangrove forest, this paper first extracts the vegetation area based on the UAV hyperspectral image of Futian mangrove nature reserve in Shenzhen using the normalized difference vegetation index and intertidal mangrove index, and then selected the band combination using the best index method. The pixel-based support vector machine classification (SVM) and object-oriented image classification (OOC) methods are used to accurately identify mangrove species. The experimental results show that the overall accuracy of SVM classification and OOC methods are 81.03%, and 85.58% respectively. In conclusion, The OOC methods can effectively remove the salt and pepper noise, makes full use of the spectral, shape and texture information of the object, and provides more accurate mangrove distribution information.

Key words: hyperspectral, unmanned aerial vehicle, mangrove forest, support vector machine, object-oriented classification

中图分类号:

P237

易俐娜, 张桂峰, 魏征, 王冕卿, 刘晋珂, 王柳靖. 利用无人机高光谱影像的红树林群落物种分类[J]. 测绘通报, 2022, 0(11): 26-31.

YI Lina, ZHANG Guifeng, WEI Zheng, WANG Mianqing, LIU Jinke, WANG Liujing. Mangrove forest species classification based on the UAV hyperspectral images[J]. Bulletin of Surveying and Mapping, 2022, 0(11): 26-31.

参考文献

[1] 王瑁, 王文卿, 林贵生, 等. 三亚红树林[M]. 北京:科学出版社, 2019.
[2] 王武霞, 苏奋振, 冯雪, 等. 中越北部湾红树林差异性研究[J]. 地球信息科学学报, 2017, 19(2):264-272.
[3] 贾明明.1973-2013年中国红树林动态变化检测遥感分析[D].北京:中国科学院大学, 2014.
[4] 徐逸, 甄佳宁, 蒋侠朋, 等. 无人机遥感与XGBoost的红树林物种分类[J]. 遥感学报, 2021, 25(3):737-752.
[5] 刘凯, 龚辉, 曹晶晶, 等. 基于多类型无人机数据的红树林遥感分类对比[J]. 热带地理, 2019, 39(4):492-501.
[6] 冯家莉, 刘凯, 朱远辉, 等. 无人机遥感在红树林资源调查中的应用[J]. 热带地理, 2015, 35(1):35-42.
[7] HE Zhi, SHI Qian, LIU Kai, et al. Object-oriented mangrove species classification using hyperspectral data and 3D Siamese residual network[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(12):2150-2154.
[8] 葛明锋. 基于轻小型无人机的高光谱成像系统研究[D]. 上海:中国科学院研究生院(上海技术物理研究所), 2015.
[9] 李月, 杨灿坤, 周春平, 等. 无人机载高光谱成像设备研究及应用进展[J]. 测绘通报, 2019(9):1-6.
[10] CAO Jingjing, LENG Wanchun, LIU Kai, et al. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models[J]. Remote Sensing, 2018, 10(2):89.
[11] 阮胜权, 王新广, 李勃燃. 基于资源卫星数据面向对象法的红树林提取研究[J]. 测绘与空间地理信息, 2021, 44(1):96-98.
[12] 王文芳, 董昭顷, 付东洋, 等. 基于资源三号的雷州湾红树林分类研究[J]. 海洋测绘, 2020, 40(1):35-39.
[13] 易俐娜, 许筱, 张桂峰, 等. 轻小型无人机高光谱影像拼接研究[J]. 光谱学与光谱分析, 2019, 39(6):1885-1891.
[14] 徐芳, 张英, 翟亮, 等. 基于Sentinel-2的潮间红树林提取方法[J]. 测绘通报, 2020(2):49-54.

[1]	吴虹蓉, 朱岚巍, 施冬. 面向对象的三亚珊瑚礁底质信息提取[J]. 测绘通报, 2022, 0(9): 63-67.
[2]	王凯奇, 方军, 王振霖, 郭海宾, 杨振升. 交叉环绕航线下的城市级复杂建筑物实景三维建模[J]. 测绘通报, 2022, 0(9): 80-85.
[3]	张茂正, 燕宁娜, 袁宜红, 商立宏, 赵振炜. 面向高耸古塔的无人机视频环拍实景三维建模方法[J]. 测绘通报, 2022, 0(9): 86-92.
[4]	魏磊, 丁来中, 王文杰, 高彦涛, 黄鹏飞, 李春意, 张永杰. 改进的高光谱解混初始化方法及其适用性分析[J]. 测绘通报, 2022, 0(8): 61-67.
[5]	吴昌松, 彭业萍, 曹广忠, 闫妍. 面向三维重建的无人机航拍路径规划技术研究综述[J]. 测绘通报, 2022, 0(8): 98-103,122.
[6]	王成, 施宇军, 权菲, 李青逊, 李佳豪, 周吕. 无人机倾斜摄影测量土方量测算及精度评价[J]. 测绘通报, 2022, 0(8): 139-142,159.
[7]	董迪, 魏征, 曾纪胜. 1995—2019年北莉岛人工水产养殖遥感监测[J]. 测绘通报, 2022, 0(7): 1-6.
[8]	胡义强, 杨骥, 荆文龙, 彭小燕, 蓝文陆, 彭梦微, 张雨萌. 茅尾海入海河口池塘养殖污染状况遥感调查[J]. 测绘通报, 2022, 0(7): 12-17,53.
[9]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[10]	冉崇宪, 李森磊. 利用无人机多光谱影像提取树冠信息[J]. 测绘通报, 2022, 0(7): 112-117.
[11]	刘玉贤, 阮明浩, 闫臻. 一种基于机载激光点云的门型电塔精确提取方法[J]. 测绘通报, 2022, 0(7): 129-133.
[12]	周烨, 刘云波, 郑丽波, 龙泱君. 多平台点云数据的单木参数提取精度分析[J]. 测绘通报, 2022, 0(7): 168-172.
[13]	胡义强, 杨骥, 荆文龙, 杨传训, 舒思京, 李勇. 基于无人机遥感的海岸带生态环境监测研究综述[J]. 测绘通报, 2022, 0(6): 18-24.
[14]	罗鸿, 廖雨, 杨存建. 基于高分影像的乡村聚落提取与空间重构[J]. 测绘通报, 2022, 0(6): 62-65,92.
[15]	周建国, 罗超, 彭朵. 微型无人机辅助的三角高程测量方法[J]. 测绘通报, 2022, 0(6): 71-75.

利用无人机高光谱影像的红树林群落物种分类

Mangrove forest species classification based on the UAV hyperspectral images

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价