基于無人機高光譜影像的薇甘菊分布提取研究——以云南德宏州為例

劉雪蓮, 石雷,李宇宸, 劉夢盈, 姚俊, 馬云強, 楊緒兵

基于無人機高光譜影像的薇甘菊分布提取研究——以云南德宏州為例

劉雪蓮1,2, 石雷1*,李宇宸3, 劉夢盈1, 姚俊1, 馬云強4, 楊緒兵2

(1. 中國林業科學研究院資源昆蟲研究所，昆明 650223；2. 南京林業大學信息科學技術學院，南京 210037；3. 華南師范大學地理科學學院，廣州 510631；4. 西南林業大學生物多樣性保護學院, 昆明 650223)

為有效控制薇甘菊入侵，及時掌握其空間分布和動態變化，基于無人機高光譜數據，通過深度學習(DL)、支持向量機(SVM)、隨機森林(RF)等方法提取云南省德宏州微甘菊分布情況。結果表明，DL、SVM和RF等3種方法均有效實現了薇甘菊的分布提取，以DL方法的提取效果最佳，制圖精度和用戶精度分別為96.61%和95.00%；其次為RF方法，制圖精度和用戶精度分別為94.83%和91.67%；SVM方法的制圖精度和用戶精度分別為92.45%和81.67%。這3種方法均能很好提取薇甘菊集中分布區域，且DL和RF方法對零散分布薇甘菊的識別效果優于SVM。因此，無人機高光譜影像為薇甘菊的監測、預警和精準防治提供了支撐和依據，對保護當地生態系統安全具有重要意義。

薇甘菊；無人機遙感；深度學習；支持向量機；隨機森林

薇甘菊()原產于南美洲和中美洲[1]，也稱小花蔓澤蘭或小花假澤蘭，是菊科(Compositae)多年生草本植物或灌木狀攀緣藤本, 已經廣泛傳播到了亞洲熱帶地區和太平洋上的一些島嶼[2]。由于薇甘菊營養生長非常迅速，通過攀緣、纏繞導致其他植物死亡，極易破壞當地的生態環境，已成為當今熱帶、亞熱帶地區危害最嚴重的雜草之一[3–4]。

薇甘菊自20世紀80年代初期傳入我國香港、深圳等地，目前，薇甘菊已在我國香港、廣東、海南、云南等地區廣泛擴散，并伴有進一步擴散的趨勢[5–7]。薇甘菊的入侵已嚴重威脅當地的生態系統健康和生物多樣性，鐘曉青等[8]采取隨機抽樣和全面調查的方式，運用市場價值法、影子工程法等進行評估，薇甘菊入侵造成內伶仃島森林生態系統服務功能的經濟損失383.49～862.86萬元，每年生物多樣性損失66.80～150.31萬元，估計全島年損失近450.29～1 013.17萬元。賀東北等[9]對德宏州薇甘菊分布規律進行了研究，認為薇甘菊攀緣或纏繞的植物主要有西南樺()、橡膠()、杉木()、澳洲堅果()、咖啡()、龍竹()、茶()和愷木()等速生、喜光照和濕熱的樹種，受危害面積達8 602.40 hm2，占全部危害面積的51.88%。在馬來西亞薇甘菊的覆蓋危害可使橡膠樹種子萌發率降低27%，橡膠產量在早期32個月內減產27%～29%[10]。薇甘菊嚴重威脅木本植物生存生長，僅在云南薇甘菊就可危害30多種植物[11]。為了有效控制薇甘菊入侵，需對其空間分布和動態變化進行監測與統計。

傳統的監測方法主要以野外實地調查等人工監測為主，難以深入森林腹地等復雜地區進行調查，需消耗大量的人力、物力，且由于不同監測人員的判斷不同，監測的結果主觀性強，也影響監測結果的準確性。隨著遙感技術的運用，為精準提取薇甘菊影像提供了一種有效的途徑。胡佳等[12]基于WorldView-2高分辨率遙感影像，對深圳市局部地區的薇甘菊開展光譜和紋理分析，其入侵范圍的制圖精度達87.6%，用戶精度88.4%，表明高分辨率遙感影像能精細識別薇甘菊。柳帥等[13]基于Pleiades-1高分辨率遙感影像進行光譜與紋理信息分析，對廣東省深圳市薇甘菊信息，綜合識別精度達95.3%, 實現了薇甘菊的精細識別。

利用衛星及航空遙感監測薇甘菊，雖然可實現大范圍監測，提高監測效率和準確性，但需要高空間分辨率的影像，存在價格昂貴，時間分辨率不高等問題[14–16]。柳宗偉等[17]通過無人機(unmanned aerial vehicle, UAV)為采集復雜環境的數據提供了一種低成本、小風險的高可行性方案，通過無人機搭載高光譜成像儀采集高分辨率影像，運用最大似然和支持向量機方法，對薇甘菊與其他物種的特征識別精度達到90%以上。劉彥君等[18]基于廣東省增城林場無人機遙感影像數據，采用SVM和ASP+ABS波段選擇法，薇甘菊分布的制圖精度和用戶精度分別達到95.98%和92.98%，解譯效果顯著。無人機高光譜遙感可為局部區域薇甘菊的快速獲取、精準監測預警和防治提供高效手段。同時，無人機遙感系統具有運載便利、靈活性高、作業周期短、影像數據分辨率高等優勢，較高的空間和時間分辨率使其在遙感方面得到越來越多的應用[18–19]。因此，本文采用無人機對薇甘菊進行有效監測，基于無人機高光譜數據，通過深度學習(deep learning, DL)、支持向量機(support vector machine, SVM)和隨機森林(random forest, RF)方法提取薇甘菊分布范圍，為薇甘菊的防治提供支持和依據，對保護當地生態系統安全具有重要意義。

1 研究區概況

研究區位于云南省西部的德宏州，與緬甸接壤。薇甘菊已在德宏州5縣(市) 46個鄉(鎮)發現, 占全州鄉(鎮)數的92%。薇甘菊多在山林、荒地、道路旁、溝渠邊、河堤、甘蔗地及經濟作物園發生, 總發生面積達3.20×104hm2，不僅制約著德宏州支柱產業和新興產業的發展，還威脅著糧食、經濟和生態安全。根據德宏州薇甘菊的入侵歷史和發生發展情況[21–22]，選擇發生嚴重和典型地區為設置樣地(圖1)，樣地位于德宏州東南部，98°16′12″～98°16′34″ E，24°12′31″～24°12′37″ N，面積為12.36 hm2，年均溫19.6℃，屬南亞熱帶季風氣候，年均降雨量1 654.60 mm。

圖1 研究區位置

2 方法

2.1 基于無人機高光譜影像數據的獲取和預處理

在薇甘菊盛花期的2019年11月12日，使用搭載美國Headwall Photonics公司的Hyper Spec VNIR型可見光近紅外高光譜成像光譜儀的固定翼無人機，采用全反射同心光學設計并設置f/2的大通光孔徑，光譜范圍為400～1 000 nm，光譜通道為324個，獲取薇甘菊的高光譜影像。

無人機完成高光譜成像作業后，使用Agisoft Photoscan軟件(Agisoft LLC，俄羅斯)對影像數據進行拼接處理[23]。將影像圖片和POS (position and orientation system)數據導入軟件中，輸出數字正射影像(digital orthophoto map, DOM)，對影像進行地面控制點配準，以達到較高的幾何精度，然后進行輻射校正。使用中值濾波、降低噪聲、主成分變換、全色銳化等進行圖像增強處理，提高目視效果。

由于高光譜數據信息較多，包含176個波段信息，如果將全部波段信息進行后續分析，工作量大，耗時、效率低，因此先對影像進行主成分分析，旨在利用降維的思想，把高光譜數據信息量轉化為少數幾個綜合指標，進行信息壓縮。通過主成分分析結果的信息含量，前10個主成分的信息含量為97.35% (圖2)，損失少，包含絕大部分原始信息。因此，研究區高光譜影像保留前10個主成分的波段，分別為波段23、48、75、88、140～144和147，相應的波長分別為468.8、550.8、641.6、686.2、870.1、873.7、877.3、880.9、884.6和895.5 nm。以此數據作為分類數據，進行薇甘菊信息提取。

圖2 高光譜影像主成分分析

在無人機影像中選取均勻分布的83個樣點(圖3)，于2019年11月15日對樣點進行人工實地調查，精確確定每個樣點的實際地物類別。

2.2 提取方法

圖3 樣點分布

支持向量機(SVM) SVM是建立在計算學習理論的結構風險最小化原則之上，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中，以求獲得最好的推廣能力。主要思想是針對兩類分類問題，在高維空間中尋找一個超平面作為兩類的分割，以保證最小的分類錯誤率。其主要的優點就是在有限樣本下，得到最優解，并且避免了局部極值問題[27–28]。本研究對研究區內的薇甘菊建立感興趣區，使用ENVI 5.3軟件進行監督分類，選擇SVM分類方法。SVM分類方法利用核函數解決低維空間向量映射到高維空間將會增加的計算復雜度問題，因此不同的內積核函數代表不同的分類方法，本研究的內積核函數選用徑向基核函數(radial basis function)。

隨機森林(RF) RF算法是一種基于分類和回歸樹的多決策樹分類器[29]，通過集成學習的思想將多棵樹集成的一種算法，它的基本單元是決策樹，而它的本質屬于機器學習的一大分支。首先,從原始的數據集中采取有放回的抽樣，構造子數據集，子數據集的數據量和原始數據集是相同的。不同子數據集的元素可以重復，同1個子數據集中的元素也可以重復；第二，利用子數據集來構建子決策樹，將這個數據放到每個子決策樹中，每個子決策樹輸出1個結果；最后，如果有了新的數據需要通過隨機森林得到分類結果，而最終的分類結果是由所有決策樹投票來決定，得票最多的成員將會被選中。使用ENVI 5.3軟件Random Forest Classification工具[30]，得到基于隨機森林方法的薇甘菊分布區域。

2.3 模型精度評價

3 結果和分析

3.1 基于深度學習提取的分布影像

對研究區薇甘菊進行標記獲取樣本數據，隨機選取80%組建訓練數據集，隨機選取20%作為驗證數據集[33]。分類實驗在MATLAB (MathWorks公司，美國)平臺上進行，對影像進行迭代運算，得最終最優次數為200。從訓練過程圖可見(圖4: A)，模型訓練過程中，在迭代200次之前loss迅速下降，然后快速收斂于0.3；訓練和驗證accuracy曲線在迭代200次以后逐漸趨于平穩，表明在模型訓練效果較好(圖4: B)。分析迭代過程圖驗證loss曲線和驗證accuracy曲線，發現同樣快速發生收斂，表明模型訓練過程沒有發生過擬合的現象，因此模型訓練情況較好。

圖4 訓練過程

圖5為基于DL的薇甘菊分布提取結果，可見薇甘菊主要集中分布在植被較為稀疏的區域，植被茂盛區域較少。薇甘菊分布樣點提取制圖精度和用戶精度均高于非薇甘菊分布樣點，2樣點的制圖精度分別為96.61%和87.50%，用戶精度分別為95.00%和91.30% (表1)。

3.2 基于SVM提取的分布影像

圖6為基于SVM的薇甘菊分布影像提取結果，同樣，薇甘菊分布樣點的提取制圖精度高于非薇甘菊分布樣點，2樣點的制圖精度分別為92.45%和63.33%，用戶精度分別為81.67%和82.61% (表1)。

圖5 基于深度學習提取的薇甘菊分布圖

表1 3種方法提取的薇甘菊分布精度

3.3 基于RF提取的分布影像

從基于RF提取的薇甘菊分布影像來看(圖7),薇甘菊分布樣點提取的制圖精度和用戶精度均高于非薇甘菊分布樣點，2樣點的制圖精度分別為94.83%和80.00%，用戶精度分別為91.67%和86.96% (表1)。

3.4 對比分析

DL、SVM和RF方法均能識別出薇甘菊的聚集區域，主要分布在植被稀疏區。將基于SVM、RF和DL的局部區域進行ArcgGIS疊加分析(圖8)，結果表明，SVM方法對零散分布的薇甘菊識別能力較差，DL方法則能較好識別出零散分布的薇甘菊。RF方法對零散分布的薇甘菊識別能力與DL相仿,均能很好地識別出零散分布的薇甘菊。比較3種方法的精度，DL的制圖精度和用戶精度最高，達到比較理想的結果。薇甘菊在遙感影像中表現為綠色夾雜白色，邊界呈不規則分布，經人工實地調查,3種方法在薇甘菊分布提取中將草地錯分為薇甘菊的現象較為突出，主要是因為薇甘菊呈現零散分布時和草地特征極為相似，邊界不明顯。

圖6 基于SVM提取的薇甘菊分布圖

圖7 基于RF提取的薇甘菊分布圖

圖8 基于深度學習、支持向量機和隨機森林提取的薇甘菊分布疊加分析圖

4 結論和討論

本研究利用無人機高光譜遙感影像，結合DL、SVM和RF方法進行薇甘菊的光譜信息提取，結果表明，3種方法均有效實現了薇甘菊的分布提取，以DL方法的提取效果最佳，制圖精度和用戶精度分別為96.61%和95.00%；其次為RF和SVM方法；3種方法均能很好地反映出薇甘菊集中分布區域，DL和RF方法對零散分布薇甘菊的識別效果優于SVM。

目前有關薇甘菊分布的遙感解譯主要以遙感衛星和無人機的高分辨率影像為主，兩者相比，無人機高分辨率影像數據在可獲取性、便捷程度均優于遙感影像。在方法方面，DL、RF方法適用于本研究，但并不意味著DL方法就一定優于SVM，由于本文的研究重點為薇甘菊分布的遙感影像提取，主要注重于薇甘菊樣本的選擇。本研究在SVM方法的監督分類過程中，結合實地調查選擇薇甘菊像元，由于零散分布的薇甘菊像元特征與其他地物特征存在重疊現象，為保證薇甘菊的識別精度，主要選取了集聚薇甘菊的像元。而根據云南省的薇甘菊分布研究，薇甘菊的分布與海拔、坡向、光照、坡位、坡度、溫度、土地利用、人為影響、森林資源分布等環境數據息息相關，要想加強薇甘菊的監測和防控，還需要深入研究其與環境要素的關聯[6]。同時，目前的薇甘菊監測研究大多是基于當年薇甘菊開花期(通常為10-12月)，薇甘菊在開花季節的顏色以及紋理異于其他植被，因此進行薇甘菊遙感監測時的遙感影像集中于開花季節拍攝。目前，薇甘菊非開花期及長時間序列的監測研究較少，不利于研究薇甘菊的擴散機制。

根據無人機高光譜影像提取結果可得到薇甘菊入侵的具體位置，相較傳統的人工調查更方便快捷，為監測薇甘菊提供了新方法、新思路。本研究從薇甘菊無人機高光譜遙感影像中取得了較好的結果，后續研究可從以下方面開展：(1) 薇甘菊開花期的遙感影像，對其他生長階段是否適用？(2) DL、SVM和RF方法能很好地提取德宏州的薇甘菊分布信息，是否適用于其他地區？

[1] HOLM L G, PLUCKNETT D L, PANCHO J V, et al. The World’s Worst Weeds: Distribution and Biology [M]. Honolulu, USA: University Press of Hawaii, 1977: 320.

[2] TAI H K, GU Z L, XU Y C, et al. Recent advance in quarantinable weedH. B. K. [J]. J Agric Catastrophol, 2011, 1(2): 59–62. doi: 10.19383/j.cnki.nyzhyj.2011.02.016.

太紅坤, 顧中量, 徐云川, 等. 檢疫性雜草薇甘菊的研究進展 [J]. 農業災害研究, 2011, 1(2): 59–62. doi: 10.19383/j.cnki.nyzhyj.2011. 02.016.

[3] LOWE S, BROWNE M, BOUDJELAS S, et al. 100 of the World’s Worst Invasive Alien Species [M]. Auckland, New Zealand: IUCN/ SSC Invasive Species Specialist Group (ISSG), 2000: 1–12.

[4] DAY M D, KAWI A, KURIKA K, et al.Kunth (Asteraceae) (Mile-a-Minute): Its distribution and physical and socio- economic impacts in Papua New Guinea [J]. Pacif Sci, 2012, 66(2): 213–223. doi: 10.2984/66.2.8.

[5] QIU L, YANG Z G, CHEN W, et al. Forecasting analysis potential space distribution ofin Guangzhou [J]. J CS Univ For Technol, 2010, 30(5): 128–133. doi: 10.14067/j.cnki.1673-923x. 2010.05.016.

邱羅, 楊志高, 陳偉, 等. 廣州薇甘菊潛在空間分布預測分析 [J]. 中南林業科技大學學報, 2010, 30(5): 128–133. doi: 10.14067/j.cnki. 1673-923x.2010.05.016.

[6] LI Y Q, JI M, LIU L, et al. Progress in prevention and control ofa in Yunnan forestland [J]. J Biosafety, 2019, 28(1): 1–6.

李云琴, 季梅, 劉凌, 等. 云南省林地薇甘菊防控研究進展 [J]. 生物安全學報, 2019, 28(1): 1–6.

[7] ZAN Q J, WANG Y J, WANG B S, et al. The distribution and harm of the exotic weed[J]. Chin J Ecol, 2000, 19(6): 58– 61,77. doi: 10.13292/j.1000-4890.2000.0095.昝啟杰, 王勇軍, 王伯蓀, 等. 外來雜草薇甘菊的分布及危害 [J]. 生態學雜志, 2000, 19(6): 58–61,77. doi: 10.13292/j.1000-4890.2000.0095.

[8] ZHONG X Q, HUANG Z, SI H, et al. Analysis of ecological-economic loss caused by weedon Neilingding Island, Shen- zhen, China [J]. J Trop Subtrop Bot, 2004, 12(2): 167–170. doi: 10. 3969/j.issn.1005-3395.2004.02.012.

鐘曉青, 黃卓, 司寰, 等. 深圳內伶仃島薇甘菊危害的生態經濟損失分析 [J]. 熱帶亞熱帶植物學報, 2004, 12(2): 167–170. doi: 10. 3969/j.issn.1005-3395.2004.02.012.

[9] HE D B, KE S X, ZHOU P Y, et al. Research on distribution pattern and control policies ofKunth in Dehong Prefecture [J]. CS For Invent Plan, 2016, 35(4): 35–41. doi: 10.16166/j.cnki.cn43- 1095.2016.04.008.

賀東北, 柯善新, 周平陽, 等. 德宏州薇甘菊分布規律與防控策略研究 [J]. 中南林業調查規劃, 2016, 35(4): 35–41. doi: 10.16166/j. cnki.cn43-1095.2016.04.008.

[10] XU X W, ZE S Z, YANG B, et al. Research status ofbiological control and resource utilization [J]. Chin J Trop Agric, 2014, 34(12): 75–84. doi: 10.3969/j.issn.1009-2196.2014.12.019.

徐小偉, 澤桑梓, 楊斌, 等. 薇甘菊的分布危害、生物防治及資源化利用研究現狀與展望 [J]. 熱帶農業科學, 2014, 34(12): 75–84. doi: 10.3969/j.issn.1009-2196.2014.12.019.

[11] ZE S Z, JI M, YAN Z L, et al. Preliminary report ofjeopardize status on Burma Road [J]. For Invent Plan, 2012, 37(5): 67–70,74. doi: 10.3969/j.issn.1671-3168.2012.05.017.

澤桑梓, 季梅, 閆爭亮, 等. 滇緬公路薇甘菊危害狀況調查初報 [J]. 林業調查規劃, 2012, 37(5): 67–70,74. doi: 10.3969/j.issn.1671-3168. 2012.05.017.

[12] HU J, LIN H, SUN H, et al. Precise extraction ofinformation based on WorldView-2 data [J]. J CS Univ For Technol, 2015, 35(1): 42–49. doi: 10.14067/j.cnki.1673-923x.2015.01.009.

胡佳, 林輝, 孫華, 等. 基于WorldView-2的薇甘菊信息精細提取[J]. 中南林業科技大學學報, 2015, 35(1): 42–49. doi: 10.14067/j.cnki. 1673-923x.2015.01.009.

[13] LIU S, LIN H, SUN H, et al. Information extraction ofbased on Pleiades-1 data [J]. J CS Univ For Technol, 2014, 34(11): 116–119. doi: 10.3969/j.issn.1673-923X.2014.11.023.

柳帥, 林輝, 孫華, 等. 基于Pleiades-1衛星數據薇甘菊信息提取 [J]. 中南林業科技大學學報, 2014, 34(11): 116–119. doi: 10.3969/j. issn.1673-923X.2014.11.023.

[14] BRADLEY B A. Remote detection of invasive plants: A review of spectral, textural and phenological approaches [J]. Biol Invasions, 2014, 16(7): 1411–1425. doi: 10.1007/s10530-013-0578-9.

[15] ALVAREZ-TABOADA F, PAREDES C, JULIáN-PELAZ J. Mapping of the invasive speciesusing unmanned aerial vehicle (UAV) and WorldView-2 imagery and an object-oriented approach [J]. Remote Sens, 2017, 9(9): 913. doi: 10.3390/rs9090913.

[16] CHEN L, LIN H, SUN H. Remote sensing of ainvasion in alien species with WordView-2 images [J]. J Zhejiang Agric For Univ, 2014, 31(2): 185–189. doi: 10.11833/j.issn.2095-0756.2014. 02.004.

陳利, 林輝, 孫華. 基于WorldView-2影像的外來物種薇甘菊入侵遙感監測 [J]. 浙江農林大學學報, 2014, 31(2): 185–189. doi: 10. 11833/j.issn.2095-0756.2014.02.004.

[17] LIU Z W, LIU S Q, XIE J J. Research on refinement terrain surface features classification based on hyperspectral image of UAV [J]. Mod Inform Technol, 2020, 4(10): 1–4,7. doi: 10.19850/j.cnki.2096-4706. 2020.10.001.

柳宗偉, 劉勝前, 謝佳君. 基于無人機高光譜影像的精細地物分類的研究 [J]. 現代信息科技, 2020, 4(10): 1–4,7. doi: 10.19850/j.cnki. 2096-4706.2020.10.001.

[18] LIU Y J, ZHANG G, WANG X, et al. Classification study ofKunth. from UAV hyperspectral image band selection [J]. Bull Surv Map, 2020(4): 34–39,52. doi: 10.13474/j.cnki.11-2246.2020. 0108.

劉彥君, 張貴, 王瀟, 等. 基于無人機高光譜影像波段選擇的薇甘菊分類 [J]. 測繪通報, 2020(4): 34–39,52. doi: 10.13474/j.cnki.11- 2246.2020.0108.

[19] GUO C C. Research on the classification method of land use type based on UAV remote sensing in irrigation district [D]. Yangling: Northwest Agricultrual & Forestry University, 2016: 2–5.

郭聰聰. 基于無人機遙感的灌區土地利用類型分類方法研究 [D]. 楊凌: 西北農林科技大學, 2016: 2–5.

[20] SUN Z Y, JING W L, QIAO X, et al. Identification and monitoring of bloomingoutbreak points based on UAV remote sensing [J]. Trop Geo, 2019, 39(4): 482–491. doi: 10.13284/j.cnki.rddl. 003153.

孫中宇, 荊文龍, 喬曦, 等. 基于無人機遙感的盛花期薇甘菊爆發點識別與監測[J]. 熱帶地理, 2019, 39(4): 482–491. doi: 10.13284/j. cnki.rddl.003153.

[21] FU X Y, ZE S Z, ZHOU X, et al. Study on potential suitable area ofin Yunnan Province based on GIS [J]. J W China For Sci, 2015, 44(1): 98–102. doi: 10.16473/j.cnki.xblykx1972.2015.01.010.

付小勇, 澤桑梓, 周曉, 等. 基于GIS的云南省薇甘菊潛在適生區研究 [J]. 西部林業科學, 2015, 44(1): 98–102. doi: 10.16473/j.cnki. xblykx1972.2015.01.010.

[22] ZHANG G Y, YANG J H, BI S B, et al. Invasive weedmonitoring and risk analysis in Dehong [J]. Chin Agric Sci Bull, 2015, 31(15): 187–192. 張國云, 楊俊華, 畢生斌, 等. 德宏州入侵雜草薇甘菊調查監測及風險分析 [J]. 中國農學通報, 2015, 31(15): 187–192.

[23] GAO L, YANG G J, WANG B S, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery [J]. Chin J Eco-Agric, 2015, 23(7): 868–876. doi: 10.13930/j.cnki.cjea.150018.

高林, 楊貴軍, 王寶山, 等. 基于無人機遙感影像的大豆葉面積指數反演研究 [J]. 中國生態農業學報, 2015, 23(7): 868–876. doi: 10. 13930/j.cnki.cjea.150018.

[24] BOONPOOK W, TAN Y M, YE Y H, et al. A deep learning approach on building detection from unmanned aerial vehicle-based images in riverbank monitoring [J]. Sensors, 2018, 18(11): 3921. doi: 10.3390/s 18113921.

[25] TAYLOR M A P. Critical transport infrastructure in urban areas: Impacts of traffic incidents assessed using accessibility-based network vulnerability analysis [J]. Growth Change, 2008, 39(4): 593–616. doi: 10.1111/j.1468-2257.2008.00448.x.

[26] HU M Y. The study of tree species identification based on deeping learning method [D]. Lin’an: Zhejiang Agriculture & Forestry University, 2019: 24.

胡明越. 基于深度學習的樹種識別算法研究 [D]. 臨安: 浙江農林大學, 2019: 24.

[27] ZHANG R, MA J W. State of the art on remotely sensed data classi- fication based on support vector machines [J]. Adv Earth Sci, 2009, 24(5): 555–562. doi: 10.3321/j.issn:1001-8166.2009.05.012.

張睿, 馬建文. 支持向量機在遙感數據分類中的應用新進展 [J]. 地球科學進展, 2009, 24(5): 555–562. doi: 10.3321/j.issn:1001-8166. 2009.05.012.

[28] ZANG S Y, ZHANG C, ZHANG L J, et al. Wetland remote sensing classification using support vector machine optimized with genetic algorithm: A case study in Honghe nature national reserve [J]. Sci Geol Sin, 2012, 32(4): 434–441. doi: 10.13249/j.cnki.sgs.2012.04.006.

臧淑英, 張策, 張麗娟, 等. 遺傳算法優化的支持向量機濕地遙感分類——以洪河國家級自然保護區為例 [J]. 地理科學, 2012, 32(4): 434–441. doi: 10.13249/j.cnki.sgs.2012.04.006.

[29] ZHOU Z L, SHA J M, FAN Y X, et al. Remote sensing land usage classification and landscape pattern analysis based on random forest [J]. Comput Syst Appl, 2020, 29(2): 40–48. doi: 10.15888/j.cnki.csa.007228.

周正龍, 沙晉明, 范躍新, 等. 基于隨機森林的遙感土地利用分類及景觀格局分析 [J]. 計算機系統應用, 2020, 29(2): 40–48. doi: 10. 15888/j.cnki.csa.007228.

[30] VAN DER LINDEN S, RABE A, HELD M, et al. The EnMAP-box: A toolbox and application programming interface for EnMAP data processing [J]. Remote Sens, 2015, 7(9): 11249–11266. doi: 10.3390/rs 70911249.

[31] LI Y Z, PAN Y Z, ZHU X F, et al. Comparison analysis on land cover area estimators: Confusion matrix calibration and regression [J]. Trans Chin Soc Agric Eng, 2013, 29(11): 115–123. doi: 10.3969/j.issn.1002- 6819.2013.11.015.

李宜展, 潘耀忠, 朱秀芳, 等. 土地覆蓋類別面積混淆矩陣校正與回歸遙感估算方法對比 [J]. 農業工程學報, 2013, 29(11): 115–123. doi: 10.3969/j.issn.1002-6819.2013.11.015.

[32] QI L, ZHAO C J, LI C J, et al. Accuracy of winter wheat identification based on multi-temporal CBERS-02 images [J]. Chin J Appl Ecol, 2008, 19(10): 2201–2208.

齊臘, 趙春江, 李存軍, 等. 基于多時相中巴資源衛星影像的冬小麥分類精度 [J]. 應用生態學報, 2008, 19(10): 2201–2208.

[33] TENG W X, WEN X R, WANG N, et al. Tree species classification and mapping based on deep transfer learning with unmanned aerial vehicle high resolution images [J]. Laser Optoelectr Prog, 2019, 56(7): 072801.

滕文秀, 溫小榮, 王妮, 等. 基于深度遷移學習的無人機高分影像樹種分類與制圖 [J]. 激光與光電子學進展, 2019, 56(7): 072801.

Distribution Extraction ofBased on UAV Hyperspectral Image: A Case Study in Dehong, Yunnan Province, China

LIU Xuelian1,2, SHI Lei1*, LI Yuchen3, LIU Mengying1, YAO Jun1, MA Yunqiang4, YANG Xubing2

(1. Research Institute of Resource Insects, Chinese Academy of Forestry, Kunming 650223, China; 2. College of Information Science and Technology, Nanjing Forestry University, Nanjing 210037, China; 3. School of Geography, South China Normal University,Guangzhou 510631, China; 4. College of Biodiversity Conservation, Southwest Forestry University, Kunming 650223, China)

As a highly dangerous alien species,has become a serious threat to the ecosystem health and biodiversity of invasive sites. In order to effectively control its invasion, and grasp its spatial distribution and dynamic change, its distribution in Dehong Prefecture, Yunnan Province was extracted by deep learning (DL), support vector machine (SVM) and random forest (RF) methods based on UAV hyperspectral data. The results showed that three methods could effectively extract the distribution of, in which DL method had the best extraction effect with mapping accuracy and user accuracy of 96.61% and 95.00%, respectively, followed by the RF method with those of 94.83% and 91.67%, and the SVM method with those of 92.45% and 81.67%. All three methods could well extract the concentrated distribution areas of, the methods of DL and RF were better than SVM in identification of fragmented distribution of. Therefore, UAV hyperspectral images would provide supports and basis for the monitoring, early warning and precise control ofinvasion, which was of great significance to protect the security of local ecosystems.

; UAV remote sensing; Deep learning; Support vector machine; Random forest

10.11926/jtsb.4386

2021-01-21

2021-04-16

云南省產業技術領軍人才計劃項目；林業公益性行業科研專項經費(201504305)資助

This work was supported by the Project for Leading Talents of Industrial Technology in Yunnan, and the Special Fund for Scientific Research of Forestry Public Welfare Industry (Grant No. 201504305).

劉雪蓮(1992～ )，女，主要從事生態學研究。E-mail: ynliuxl@163.com

通信作者Corresponding author. E-mail: leishi@139.com