東北地理所在森林優(yōu)勢(shì)樹(shù)種高光譜遙感自動(dòng)分類方面取得進(jìn)展
樹(shù)種信息是森林資源調(diào)查和監(jiān)測(cè)的基礎(chǔ)內(nèi)容，同時(shí)，也是森林生態(tài)系統(tǒng)模擬與預(yù)測(cè)模型中重要的輸入?yún)?shù)之一。正確地識(shí)別森林樹(shù)種是利用和保護(hù)森林資源的基礎(chǔ)和依據(jù)。幾十年來(lái)，遙感技術(shù)已廣泛應(yīng)用于森林優(yōu)勢(shì)樹(shù)種及樹(shù)種組成的精細(xì)識(shí)別領(lǐng)域，尤其是高光譜遙感的發(fā)展，突破了多光譜遙感在光譜分辨率上的局限性，能夠準(zhǔn)確地探測(cè)到具有細(xì)微光譜差異的地物類型，極大地提高了森林樹(shù)種的識(shí)別精度。但高光譜遙感數(shù)據(jù)波段多、數(shù)據(jù)量大、特征復(fù)雜，發(fā)展更為有效的分類算法才能使其發(fā)揮更大的作用。東北地理所地理景觀遙感學(xué)科組研究人員利用我國(guó)最新發(fā)射的“珠海一號(hào)”衛(wèi)星（OHS-1）高光譜影像，結(jié)合野外調(diào)查數(shù)據(jù)，將深度學(xué)習(xí)算法引入樹(shù)種自動(dòng)分類研究，提出了一種基于OHS-1高光譜影像和深度學(xué)習(xí)算法的森林樹(shù)種自動(dòng)分類模型，實(shí)現(xiàn)了東北長(zhǎng)白山典型森林樣區(qū)優(yōu)勢(shì)樹(shù)種的高精度識(shí)別。
圖1 一維深度卷積神經(jīng)網(wǎng)絡(luò)模型圖
研究人員首次將我國(guó)自主生產(chǎn)的高光譜遙感影像數(shù)據(jù)OHS-1應(yīng)用于優(yōu)勢(shì)樹(shù)種分類研究，發(fā)揮其高光譜分辨率（2.5nm）和高空間分辨率（10m）的優(yōu)勢(shì)，同時(shí)，引入深度學(xué)習(xí)算法（一維深度卷積神經(jīng)網(wǎng)絡(luò)模型Conv1D），在有限的樣本數(shù)據(jù)條件下，選擇光譜特征和樹(shù)冠紋理特征(熵和均值)作為分類特征參數(shù)，通過(guò)優(yōu)化卷積核大小及卷積層數(shù)等參數(shù)的設(shè)置，實(shí)現(xiàn)了東北長(zhǎng)白山典型森林樣區(qū)優(yōu)勢(shì)樹(shù)種的高精度識(shí)別。基于地面調(diào)查樣點(diǎn)的精度驗(yàn)證結(jié)果表明，深度學(xué)習(xí)模型的總體分類精度（85.04%）高于隨機(jī)森林模型（80.61%），尤其是對(duì)于光譜特征相似的闊葉樹(shù)種（如核桃楸和白楊），深度學(xué)習(xí)模型的自動(dòng)識(shí)別精度（87.15%）顯著高于隨機(jī)森林模型（71.77%）。因此，基于卷積的深度學(xué)習(xí)框架結(jié)合高光譜影像數(shù)據(jù)能夠有效提高樹(shù)種分類的準(zhǔn)確性，具有廣闊的應(yīng)用前景。
圖2 卷積核大小及卷積層數(shù)設(shè)置對(duì)深度學(xué)習(xí)算法精度及效率的影響
該研究由東北地理所郗延彪碩士、任春穎副研究員、張柏研究員、武漢大學(xué)魏世清博士等共同完成。研究成果發(fā)布在Forests國(guó)際期刊上。本研究由國(guó)家重大研發(fā)計(jì)劃(NO.2016YFC0500300)，吉林省科技發(fā)展計(jì)劃(NO.20170301001NY)和中科院東北地理所特色所項(xiàng)目 (NO.Y6H2091001)共同資助完成。論文信息如下：
Xi, Y.; Ren, C.*; Wang, Z.; Wei, S.; Bai, J.; Zhang, B.; Xiang, H.; Chen, L. Mapping Tree Species Composition Using OHS-1 Hyperspectral Data and Deep Learning Algorithms in Changbai Mountains, Northeast China. Forests 2019, 10, doi:10.3390/f10090818.
附件下載：
吉公網(wǎng)安備22017302000214號(hào)
