基于無人機遙感與卷積神經網絡的草原物種分類方法

楊紅艷 杜健民 王 圓 張燕斌 張錫鵬 康擁朝

(1.內蒙古農業大學機電工程學院， 呼和浩特 010018； 2.內蒙古工業大學機械工程學院， 呼和浩特 010051)

0 引言

草原是重要的地球生態系統，在全球氣候變化和全球生態平衡中起著關鍵作用[1]。草原退化導致土地退化、沙化，沙塵暴等自然災害頻發，嚴重影響環境質量和生態平衡[2]。草原退化的一個顯著特征是優勢物種的改變，即在群落中可食、多年生的物種比例減少，不可食、一年生的物種比例增加[3]。研究表明，某些物種對草原退化具有重要的指示意義。例如，中國內蒙古東部典型草原的主要類型為針茅草原、克氏針茅草原和羊草草原，在過度放牧下出現不同程度的退化，最終趨向于以冷蒿為主的草原。中國內蒙古西部荒漠草原的主要類型為針茅草原和短花針茅草原，在過度放牧和干旱的共同作用下，冷蒿和無芒隱子成為群落中的優勢物種。在退化程度更高的地區，豬毛菜和櫛葉蒿等一年生物種逐漸在群落中占據優勢[3-5]。雖然經過幾十年的生態治理，草原生態環境已得到一定改善，但草原生態恢復仍任重道遠。在草原退化程度加劇之前通過指示物種的監測發出預警，為草原生態環境管理提供動態和定量的監測數據具有重要意義。

遙感方法適用于大面積動態監測。多光譜遙感技術已實現草原植被群落水平的分類[6]，然而，群落水平的分類只能反映草原退化的現狀，不能反映與退化程度密切相關的物種構成，因而難以對草原生態的進一步惡化發出預警。高光譜遙感的光譜分辨率達1～10 nm，許多在多光譜遙感中無法探測的物質，在高光譜遙感中能被探測到，并能對相似地物利用連續的光譜數據尋找光譜差異進行區分。利用高光譜遙感技術進行農作物病蟲害監測和生化參數估算已取得一定研究成果[7-9]，但由于衛星遙感空間分辨率的限制和草原物種結構低矮、細小和混雜生長的特性，使衛星高光譜遙感在草原監測方面難以實現物種水平的分類。

無人機遙感技術具有時間、空間分辨率高的優點，與高光譜遙感技術結合，克服了衛星高光譜遙感的缺點，在精細農業監測和生態環境研究等領域發揮著越來越重要的作用[10-15]。如CAO等[16]采用多旋翼無人機搭載高光譜成像傳感器獲取遙感圖像，鑒別了紅樹林物種。在草原監測方面，SCHMIDT等[17]實現了利用無人機高光譜遙感技術監測草原矮化灌木的分布。LU等[18]使用多旋翼無人機搭載數碼相機，獲得加拿大安大略南部科夫勒科學保護區的厘米級空間分辨率的遙感圖像，識別出影響北美帝王蝶數量的乳草屬植物。然而，對于草原優勢物種、建群物種等物種水平的遙感監測，還未見報道。

高光譜成像的復雜過程導致數據非線性，使高光譜遙感圖像分類仍較困難。深度學習中的卷積神經網絡具有自主學習能力，善于處理復雜的多維非線性問題，能夠自動分層次地提取特征，在圖像分類中表現出更高有效性和更強魯棒性。在遙感圖像分類領域，卷積神經網絡也顯示出巨大潛力[19-20]。KUSSUL等[21]利用Landsat-8和Sentinel-1A衛星遙感圖像對異質環境中的農作物(小麥、玉米、向日葵、大豆和甜菜)進行分類，通過對比卷積神經網絡、全連接的多層感知器和隨機森林分類方法，發現卷積神經網絡的分類精度最高，作物的分類精度均超過85%。CHEN等[22]利用卷積神經網絡實現了在不同高光譜數據集(Indian Pines data set、University of Pavia data set和KSC data set)的地物分類，證實卷積神經網絡在高光譜圖像領域的普遍適用性。

根據荒漠草原物種水平分類的需求，本文運用無人機高光譜遙感技術，采集荒漠草原植被高光譜圖像，建立一種基于卷積神經網絡的荒漠草原物種水平遙感分類的計算方法，以期實現荒漠草原重要生態物種分類，確定各物種的最佳識別物候期，為荒漠草原的退化監測提供基礎數據。

1 材料和方法

1.1 研究區概況

試驗在內蒙古農牧科學院四子王旗基地(41°46′43.6″N，111°53′41.7″E)開展，如圖1所示?；匚挥趦让晒抛灾螀^烏蘭察布市四子王旗中南部的格根塔拉草原，該地區屬于典型的中溫帶大陸性氣候，年平均降水量280 mm，其中5—9月(植被生長季)的降水量約占年總降水量的80%以上。年平均溫度3.4℃，其中6—8月平均氣溫最高[23]。格根塔拉草原屬于荒漠草原，植被低矮、稀疏，平均高度為8 cm，覆蓋率僅為12%～25%，主要由20多種植物組成。建群種為短花針茅，優勢種為冷蒿和無芒隱子草，伴生種包括豬毛菜、櫛葉蒿、銀灰旋花、阿爾泰狗娃花、羊草等[24]。

圖1 研究區衛星圖像Fig.1 Google satellite image of study site

1.2 無人機高光譜遙感圖像采集系統

使用深圳大疆技術有限公司的Matrice 600Pro型六旋翼無人機。該機的最大有效載荷為6 kg，滿載時的飛行持續時間為16 min。采用專業級A3Pro飛行控制系統，配有3套慣性測量單元和全球導航衛星系統模塊，用于精確定位和飛行姿態調整。使用成都四川雙利合譜技術有限公司的GaiaSky-mini型高光譜成像儀，其光譜波長范圍為400～1 000 nm，有256個光譜通道，光譜分辨率為3.5 nm。鏡頭焦距為17 mm，橫向視場角為29.6°，空間維圖像為696像素×700像素。光譜儀質量1.3 kg，用于控制飛行中圖像采集和存儲的采集控制器質量0.65 kg。無人機和高光譜成像儀如圖2所示。

圖2 無人機和高光譜遙感圖像采集系統Fig.2 UAV and hyperspectral imaging system

1.3 無人機遙感系統數據采集及野外調查

短花針茅是中國荒漠草原的主要牧草，在蒙古和俄羅斯也有少量分布。冷蒿是一種耐牧、抗旱的牧草，具有北溫帶草原種的特性，在中國典型草原和荒漠草原均有分布，在退化的荒漠草原上成為優勢物種[25]。短花針茅和冷蒿在群落中數量的增減對于判斷荒漠草原退化程度具有重要意義。由于過度放牧和干旱的作用，近幾年豬毛菜的數量在格根塔拉荒漠草原有明顯增多的趨勢，對荒漠草原退化進程的判斷具有一定的指導意義。因此，本研究選擇格根塔拉荒漠草原的建群種短花針茅、優勢種冷蒿和伴生種豬毛菜作為研究對象。研究區(圖1中黑色框區域)占地面積4.61 hm2，從2002年開始禁牧。在研究區內,設置150個樣方，按10 m間隔等距分布，共15行10列。單個樣方面積1 m×1 m。選擇短花針茅樣方45個，冷蒿樣方45個，豬毛菜樣方45個作為數據采集對象。樣方的類別由樣方內大于草總量90%的草的類別來確定，樣方內其余10%的草為混雜生長的其他牧草。

無人機高光譜數據采集于研究對象的開花期(2017年6月17—24日)、結實期(2017年7月17—24日)和黃枯期(2017年9月17—24日)，2017年8月，由于當地空域限制，無法進行采集。無人機高光譜成像系統采用無人機懸停、光譜儀內置推掃采集圖像的工作方式。無人機飛行高度30 m，圖像空間分辨率約2.3 cm。選擇無風或風力小于2級，晴朗無云或云量小于2的氣象條件，在10：00—14:00之間飛行采集數據。無人機每個架次飛行前后均進行標準參考白板校正。

野外地面調查包括樣方植被組成、植被覆蓋度和植被冠層圖像采集。試驗的前一年(2016年)降水充足，主要集中在6月和7月，6月的日最大降水量達到38 mm。整個植被生長季的累積降水量達到332.9 mm，高于多年平均降水量(280 mm)，屬于豐水年，植被生長狀況非常好，特別是6月的降水使得豬毛菜的生長非常旺盛。試驗年(2017年)降水量較少，主要集中在8月和9月，日最大降水量為13.6 mm。整個植被生長季累積降水量僅為153 mm，低于多年平均降水量(280 mm)，屬于干旱年[23]。野外調查和無人機高光譜數據采集同時開展，野外調查樣方類別作為無人機采集圖像物種分類結果驗證的真值。

1.4 無人機采集圖像數據預處理

首先通過人工目視檢查圖像質量，去除因陣風引起的變形圖像；其次使用SpecView軟件進行圖像輻射校正，消除數據獲取和傳輸過程產生的輻射失真或畸變，得到地物真實的反射率數據；最后采用線性平滑高斯濾波法進行圖像降噪。

2 基于卷積神經網絡的荒漠草原物種分類

2.1 荒漠草原物種特征波段選擇

高光譜數據有上百個波段，波段間距窄，提供了豐富的地物光譜信息。但波段越多，波段間的相關性就越大，數據的冗余度也越大，同時也帶來了海量數據存儲和處理的技術難題[26]。特征波段選擇用于從原始波段中提取能夠有效代表地物特征、信息量大、相關性小且地物可分離性大的波段子集，本文通過分步法來尋找滿足上述要求的波段組合。

因高光譜相鄰波段間相關性大，距離遠的波段間相關性小，但距離遠的波段組合，其信息量可能并不大。為避免此類情況，首先將所有波段按其相關性分為6個相關性較弱的子集，在各子集內尋找特征波段(如反射率光譜曲線的極值點、拐點等)即信息量大的波段作為子集的代表波段。在選出的6個代表波段中，以任意3個波段為1組，計算20組波段組合的最佳指數因子(Optimal index factor, OIF)。將20組波段組合分別合成假彩色圖像，用Jeffreys Matusita(JM)距離計算各類地物(短花針茅、冷蒿、豬毛菜、裸土、樣方框)的可分性，最后選擇OIF值最大且JM值大于等于1.8、相關系數小于等于0.3的一組波段作為最佳特征波段組合。

最佳指數因子的原理是：波段間相關性越小，波段的標準差越大，波段組合的信息量就越大。OIF計算公式為[27-28]

(1)

式中O——最佳指數因子

Si——第i個波段的標準差

Rij——第i波段和第j波段的相關系數

n——在所有波段中要選取的波段數

OIF值越大，所選擇波段的結果越優。JM距離是基于條件概率理論的光譜可分性指標,其計算公式為[29]

(2)

式中J——JM距離X——像元

ωi、ωj——類別號

p(X/ωi)、p(X/ωj)——類條件概率密度，即第i、j個像元屬于第ωi、ωj個類別的幾率

JM值在0～2之間,其值越大代表像元的可分性越大[30]。

分步法特征波段選擇的流程如圖3所示。

圖3 分步法特征波段選擇流程圖Fig.3 Flow chart of feature bands selection by step-by-step method

2.2 卷積神經網絡分類

基于無人機平臺的低空高光譜圖像采集方法，使得到的高光譜圖像的空間分辨率增高，細小地物構成的組合圖案的紋理結構增強。經特征波段合成的假彩色圖像的色彩差別增強。紋理結構和色彩差別的增強使得從航空影像上對荒漠草原物種分類成為可能。

卷積神經網絡通過模仿人類視覺逐層認知物體的方式，很適合圖像分類。卷積神經網絡由卷積層、池化層和全連接層組成。卷積層與池化層配合，組成多個卷積組，逐層提取圖像特征。網絡底層識別圖像邊緣，上層識別特定形狀，再高層識別特征[31]。卷積神經網絡通過卷積的權值共享及池化降低網絡參數的數量，使需要訓練的參數數量大大減少，在缺乏大量訓練數據的高光譜圖像領域中具有極大優勢[22]。

隨機生成卷積神經網絡模型的初始參數，使用梯度下降法使損失函數(交叉熵代價函數)最小化來逐層反向調節所有參數，通過多次迭代不斷提高模型的精度，網絡學習到的特征結合Softmax回歸分類器實現圖像分類。輸入圖像為特征波段選擇后的3波段100像素×100像素的像元鄰域，經過4層卷積和4層池化后，輸入圖像變為128維的矢量輸入全連接層，經2層全連接層后輸出，輸出為樣本的類別標簽。訓練過程中，使用小批量反向傳播方法，每一批樣本數為10，學習速率設為0.001，迭代次數為30，網絡結構的具體參數如表1所示，表中C表示卷積層，P表示池化層，F表示全連接層。

表1 卷積神經網絡結構Tab.1 CNN structure

由于多層卷積和池化能夠提取對多種變形具有高度不變性的非線性特征，故可以通過對原始圖像的拉伸、旋轉來增加樣本數量。本文100像素×100像素×3原始假彩色圖像405個，其中測試集180個，其余圖像通過拉伸、旋轉增加至864個作為訓練集和驗證集，訓練集、驗證集樣本數之比為4∶1。

3 分類結果與討論

3.1 分類結果

采用分步法得到的特征波段如表2所示。

基于無人機高光譜遙感技術與卷積神經網絡的

表2 荒漠草原物種光譜特征波段選擇結果Tab.2 Bands selection results for desert grassland species

荒漠草原物種分類結果如表3所示。將野外調查樣方的實測類別作為分類真實值，對采用上述特征波段選擇與卷積神經網絡方法分類結果進行精度評價，不同物候期的整體分類準確率平均值為94%，Kappa系數平均值為0.91。

表3 基于特征波段與卷積神經網絡分類的混淆矩陣Tab.3 Confusion matrix based on feature bands and CNN classification

草原不同植物物種有著各自不同的生、繁、衰、枯的物候節律，在其光譜和圖像上也有體現，結合光譜和物候特征，可提高相似物種的分類精度[32]。從物候角度來看，影響分類結果的因素如下：

(1)開花期指短花針茅處于開花期，此時冷蒿處于營養期，豬毛菜處于萌芽期。短花針茅圓錐花序狹窄，卷積神經網絡從遙感圖像上很難捕捉到此特征，可能是這一時期冷蒿和短花針茅圖像相近的原因。一年生物種豬毛菜受降雨影響大，此時豬毛菜以枯枝(2016年生長的豬毛菜植株枯萎后的枯枝)為主，其反射率光譜、圖像紋理和色彩與短花針茅、冷蒿區別大，容易區分。圖4為不同物候期物種的特征波段合成的假彩色圖像，圖中開花期的紅色代表綠色植被，白色代表豬毛菜枯枝。

(2)結實期指短花針茅處于結實期，此時冷蒿、豬毛菜處于營養期。隨著氣溫升高及幾次降雨，各牧草生長迅速,覆蓋度增大。豬毛菜對水分供應高度敏感且對水資源利用效率高而生長最迅速，植株高度和地面覆蓋度都超過了短花針茅和冷蒿。在紋理上形成大片叢生密集的形態結構；在色彩上和短花針茅、冷蒿有了明顯區別。此時，冷蒿和豬毛菜相比，植株小且呈半匍匐狀形態，從圖4中可以看到，冷蒿的紋理為均勻分布的小顆粒狀。圖4中結實期的紅色代表綠色植被，綠色代表裸土。

(3)黃枯期指短花針茅處于黃枯期,此時冷蒿處于結實期，豬毛菜處于黃枯期。此時豬毛菜莖稈的紫紅色條紋愈加顯著，與其它兩種植被有明顯的差異；短花針茅葉片逐漸開始枯黃；冷蒿的衰退最晚，從圖像上看與上一時期相差不大。圖4中黃枯期的紫色代表綠色植被。

圖4 特征波段合成的假彩色圖像Fig.4 False color images synthesized by feature bands

本研究中，豬毛菜在開花期、結實期的分類精度均較高，結實期的豬毛菜生長旺盛，是分類的最好時期；冷蒿在結實期的分類精度較高，此時冷蒿釋放的強烈揮發性氣味導致家畜不喜采食[33-34]，因而是獲得冷蒿分布的最佳時期；短花針茅在黃枯期的分類精度較高，此時適于遙感監測其分布。

3.2 討論

圖5 短花針茅、冷蒿、豬毛菜在4層卷積、池化后的權重可視化Fig.5 Visualization of weights after four convolution and pooling layers

由表3分類結果可知，本文提出的基于特征波段的卷積神經網絡方法的分類精度較高。卷積神經網絡分類精度高的原因有以下幾方面。

對于高光譜數據的非線性，通過在每個卷積層后連接非線性激活函數ReLU來增加網絡的非線性能力，從而較好地擬合非線性過程。此外，ReLU函數在一定程度上能夠防止梯度消失，函數的單側抑制性使得卷積神經網絡中的神經元具有了稀疏激活性[35]。

由于高光譜圖像難以獲得大量訓練樣本，常常在訓練樣本上能得到很好的分類結果，但在測試樣本上的分類結果卻不好，也即出現了過擬合。本研究通過在網絡最后幾層全連接層的損失函數后增加L2正則化項，使權重衰減來避免過擬合。此外，Dropout策略也被用來防止過擬合，即在模型訓練過程中設置一定比例的隱藏層節點，使其暫時不參與訓練[36]。

高光譜圖像數據特征的提取與卷積神經網絡的權重密切相關，通過可視化可以觀察權重在特征提取中如何起作用，圖5為開花期荒漠草原物種的遙感圖像經過4層卷積、池化的一個特征圖權重的變化。圖中顏色越淺，表明該點權重利用率越高。初始權重看起來雜亂無序，學習后的權重開始出現連續性和相關性。經過卷積后的圖像對原圖像有特征增強和降低噪聲的效果；池化層利用圖像的局部相關性，在保留有用信息的同時，使原圖像的長和寬減半，減小數據量。

為進一步探索本文提出方法的適用性，比較了3種分類方法：基于主成分分析的卷積神經網絡(PCA_CNN)、基于徑向基核函數的支持向量機(SVM)、本文提出的基于特征波段選擇的卷積神經網絡(BS_CNN)。在PCA_CNN中提取前3個主成分，合成3波段假彩色圖像作為卷積神經網絡的輸入。在SVM中，參數C和γ采用網格搜索在C為1×103、5×103、1×104、5×104、1×105和γ為0.000 1、0.000 5、0.001、0.005、0.01、0.1的范圍內進行參數優選。3種方法的分類精度對比如圖6所示。

圖6 3種分類方法的分類精度比較Fig.6 Classification accuracy comparison of three classification methods

由圖6可知，基于特征波段選擇的卷積神經網絡分類在總體分類精度、平均分類精度和Kappa系數3種評價方式下均得到最好結果。以開花期為例，BS_CNN比SVM的總體分類精度、平均分類精度和Kappa系數分別提高了9.73、9.48、14.55個百分點，比PCA_CNN的總體分類精度、平均分類精度和Kappa系數分別提高了10、10、15個百分點。

分析3種分類方法，SVM處理小規模樣本效果較好，在處理如高光譜圖像的大規模高維數據時，效果稍差。對非線性問題，核函數的選擇更困難。使用CNN的兩種方法中，PCA_CNN通過多維正交線性變換，將主要信息集中在前幾個波段上。雖然保留了數據的主要信息，但保留的不一定是利于物體分類的特征。BS_CNN是根據分類對象的可分離性和波段的相關性選擇的波段，因而保證了所選波段信息量大且利于物體分類，使其分類精度較高。

本文提出的基于特征波段選擇的卷積神經網絡分類方法，適用于大樣本、高維、非線性數據的特征提取，應用于無人機高光譜低空遙感獲得的高空間分辨率和高光譜分辨率的數據，能夠對草原優勢物種、伴生種(具有一定的聚集數量)進行分類識別，結合植物物種的物候，將有效提高其分類精度。草原物種分類的實現，為草原物種覆蓋度的估算提供了必要的基礎。在草原生態進一步惡化前，根據毒雜草，一、兩年生適口性差的牧草的增加量及適口性好的優良牧草的減少量，對退化程度做出正確判斷，及時采取有效措施，調整草原畜牧經營模式，并為草原生態恢復提供基礎數據。

4 結論

(1)使用無人機搭載高光譜成像儀低空飛行采集圖像的手段，獲得了光譜、空間、時間分辨率均較高的遙感圖像，利用高光譜特征提取和深度學習技術，實現了對內蒙古自治區格根塔拉荒漠草原退化指示物種的分類。

(2)充分利用植被的物候信息，有助于提高物種分類精度，尤其對于易混淆物種的區分。

(3)對比了BS_CNN、PCA_CNN和SVM 3種分類方法，其中BS_CNN分類精度最高。使用BS_CNN分類法，短花針茅在黃枯期分類精度最高，生產者精度95%，用戶精度100%；冷蒿在結實期分類精度最高，生產者精度100%，用戶精度95%；豬毛菜在結實期分類精度最高，生產者精度95%，用戶精度100%。

(4)高光譜特征波段選取了3個波段。波段選擇并不唯一，是在限定條件下的最優化。當采用更多波段作為特征時，可能會提高精度。但波段增加，波段間的相關性和運算復雜性將增大，最適宜的波段個數需要在進一步的研究中分析確定。