红树林是成长在热带和亚热带地区，陆地和海洋接壤的海岸潮间带滩涂上成长的由木本植物组成的乔木和灌木林群落。红树林作为一种共同的实地植被类型，为鸟类、鱼类以及海洋生物供给了丰厚的食物和杰出的休息环境，在抵挡海洋自然灾害，维护海湾、河口生态环境，维护滨海实地多样 性方面具有不行代替的重要作用。

　　传统的实地查询办法获取红树林物种信 费时吃力，且查询作业往往难以深化根系茂盛的红树林内部。比较而言，遥感技能愈加经济高效，可以完成多时相且空间接连监测植被物种的构成。现在，已有很多研讨运用遥感技能对红树林物种进行辨认或分类，中等空间分辨率的多光谱遥感卫星印象。

　　用无人机搭载纳米高光谱成像仪获取的南沙湿地公园高空间分辨率、高光谱分辨率印象，用作湿地公园部分区域的红树林亚种分类的源数据。

　　在南沙湿地公园内，展开实地查询，详细记载红树林根本散布状况，作为红树林分类效果的对照。运用手持地物光谱仪获取的南沙湿地公 园实地采样点位数据和光谱数据作为采样点光谱数据库。依据实践查询状况，挑选一处红树林物种相对较多，环境影响较为杂乱的典型区域，对该区域展开依据无人机高光谱印象的红树林树种分类作业。

　　航高200ｍ，地面分辨率0.1ｍ，光谱分辨率2.23ｎｍ，掩盖光谱规模 400～1000ｎｍ，包含有269个波段。试验中运用的数据格式为像素按行存储（band interleaved by line，BIL）。截取其巨细为2000×2000像素的印象作为试验区（图１）。南沙湿地公园共二期工程，选取一期进行航飞，面积大约2ｋｍ２。印象主体部分坐落一期中心，地物品种主要是芦苇、木榄、秋 茄、水黄皮、铁冬青和水面。

　　在实地查询中，在光照足够的状况下，选用手持光谱仪收集树种的光谱曲线信息，考虑到其他植物、水体、土壤等周围环境对光谱曲线的影响，一起收集周围环境的光谱信息，为端元光谱供给参阅。

　　依据实地查询数据对该区域每一个树种收集样本，并将收集到的树种样本对应到无人机印象中的对应区域，作为各树种的参阅样本，并以 参阅样本的光谱作为参阅在全幅印象上均匀地选取必定数量的端元，得到各树种的候选端元调集，如图2所示。

　　因为无人机拍照时环境条件存在差异、拍照时机身的摇摆构成不同条带光谱存在差异、条带拼接时存在偏移等问题，对高光谱印象进行预处理，包含亮度转化，反射率校对，几许校对，再运用遥感图画处理系统的专业镶嵌模块对校对效果进行拼接，依据先验常识和印象各波段质量状况，去除部分波段后得到试验区的完整块图。块图包含的波段信息如表 １ 所示。

　　支撑向量机是一种依据核算学习理论的机器学习算法。它经过解算最优化问题，在高维特征空间中寻觅最优分类超平面，然后处理杂乱数据的分类及回归问题。支撑向量机归于一般化线性分类器，这种分类器的特点是他们可以一起最小化经历差错与最大化几许边际区，因而支撑向量机也被称为最大边际区分类器。

　　光谱解混。受高光谱成像仪空间分辨率约束，以及红树林区域树种稠浊原因，一个像元内往往包含多个树种，高光谱遥感图画存在很多混合像元，对高光谱图画的混合像元分化得到端元及丰度的进程，一般称为像元的光谱解混。其间，端元代表图画中存在的纯物质，丰度代表某个像素中的每个端元所点的百分比。

　　多端元线性混合光谱分化。混合像元是高光谱图画方针分类准确率下降的主要原因之一，因而不能直接进行依据像元的监督分类。本文运用多端元线性混合光谱分化的办法，即光谱解混时对块图的每个像素进行像素级分类，然后得到反映每个像素内具有的树种及其对应的份额的丰度图。该丰度图得到了单个像素内所具有的树种及其对应的份额，在亚像元等级反映各树种的散布，更契合实在的树种散布。在此基础上，考虑每个像素的最大丰度树种和相邻像素的状况，处理构成终究合理的分类效果。

　　稠浊矩阵算法。稠浊矩阵算法是现在国际上比较通用的遥感印象分类精度点评办法，在图画精度点评中，经过将每个实测像元的类别与分类效果图画中的同一方位的像元类别比较较核算得到。

　　关于支撑向量机分类部分，本文将端元光谱库的样本直接选用为监督分类的样本，详细包含芦苇、木榄、秋茄、水黄皮、铁冬青。再依据传统的支撑向量机分类模型对预处理后的块图履行监督分类，运用传统的分类办法直接对每个像元赋予了树品种别，得到支撑向量机分类效果。分类效果如图3所示。

　　因为传统的分类办法直接对每个像元赋予特定的类别，但在红树林区域是不合理的。在前面的数据基础上，经过多端元线性混合光谱分化 得到各树品种别的丰度图，再进一步处理构成分类效果，如图4所示。

　　在进行精度点评前，本文依据实地查询状况，制作了树种整体散布概略示意图（图５），作为分类效果的对照。因为试验区红树林空间散布杂乱，部分区域不存在只要单一植被的状况，且稠浊程度纷歧，散布图仅描绘了不同区域的优势树种，不扫除存在其他植被的可能性。因而，不能直接运用散布图进行精度鉴定。

　　考虑到散布图的局限性，试验在充沛参阅树种散布概略的前提下，依据纹路、颜色、巨细、暗影等特征、直接在印象上收集样本，作为像元类别实测数据，再别离核算支撑向量机分类效果宽和混分类效果，构成稠浊矩阵，如表３、表４所示。

　　依据支撑向量机分类效果宽和混分类结的稠浊矩阵，核算两种分类办法的整体分类精度，效果如表５所示。

　　将分类效果与实地查询数据比照，除掉单个区域植被冗杂、周围环境搅扰使发生的混合像元难以解混，以及“同物异谱”或“同谱异物”的现象存在，构成部分树种分类与实践有收支之外，两种分类效果整体上与实地查询中红树林树种散布的状况根本共同。其间，支撑向量机分类整体精度到达80.88％，光谱解混后分类精度进一步到达83.93％。可以看到，在依据无人机高光谱印象的树种辨认中，解混和支撑向量机办法都能较好地辨认出红树林的树种，整体精度都到达了80％以上。比较于支撑向量机分类办法，在近水构成的红树林混交区域，解混办法在红树林混交区域整体上体现更好，可以在必定程度上进步红树林的分类精度。

　　在本试验中，存在不少未能辨认成功的区域，经剖析印象质量发现，这些区域除了少量是 其他植被之外，大部分为暗影、水体邻近等印象 特征信息较少的区域。光谱解混办法显着提高 了木榄、芦苇、铁冬青的分类精度，但在水黄皮、 秋茄分类中不占优势，究其原因：①秋茄和水黄 皮之间的波形及反射率值十分附近，在分类时容 易错分；②秋茄自身植株低矮，光谱特征受其他 植株影响较大，搅扰光谱解混的丰度核算，影响 终究分类。

　　1.红树林成长区域树种空间稠浊，混合像元很多，为确保分类准确性，树种的光谱信息宜优先实地采样获取。

　　2.对红树林树种分类时不能直接依据像元区分树种，有必要对像元进行光谱解混，才干得到更接近于线.

　　总的来说，像元解混是一项卓有成效的技能办法，可以显着进步方针分类精度，依据高光谱印象进行树种监督分类的技能手段较为老练，有着十分宽广的使用远景。

上一篇：喜讯！榆林市自然资源和规划局“全市域航拍高清遥感印象技能服务”项目斩获2022地 下一篇：科学技能在农业上有什么效果？比较全面化