戴鹏钦 1,2,3,*丁丽霞 1,2,3,**刘丽娟 1,2,3董落凡 1,2,3黄依婷 3
1 省部共建亚热带森林培育国家重点实验室, 浙江 杭州 311300
2 浙江省森林生态系统碳循环与固碳减排重点实验室, 浙江 杭州 311300
3 浙江农林大学环境与资源学院, 浙江 杭州 311300
将深度学习和面向对象方法用于处理超高空间分辨率的无人机可见光影像,以期实现高精度的森林树种遥感分类。首先,利用面向对象方法对无人机影像进行最优尺度分割,基于对象提取特征变量,运用随机森林(RF)法对树种遥感分类,同时对参与分类的变量按重要性排序,并筛选出对分类贡献率最高的两个特征变量——可见光差异植被指数(VDVI)和过绿减过红指数(ExG-ExR)。然后,将这两个特征变量和无人机原始RGB波段融合生成新的数据,针对该数据与原始RGB波段数据,分别利用基于Res-U-Net模型的全卷积神经网络(FCN)方法进行树种分类,并对结果精度评价。最后,为了消除FCN法基于像元分类引起的缺陷,结合面向对象最优分割法对分类结果进行修正。实验结果表明,融合了VDVI和ExG-ExR的FCN方法对无人机影像的树种分类效果最好,总精度为97.8%,Kappa系数为0.970。RF法能够有效筛选分类特征变量,对原始影像添加特征变量能有效提高FCN方法的分类精度,再对面向对象分割结果进行修正,可以基本消除椒盐现象,减弱边缘效应,使总精度提高0.9个百分点,Kappa系数提高了0.013。
图像处理 树种分类 全卷积神经网络 无人机影像 面向对象 随机森林 特征变量 激光与光电子学进展
2020, 57(10): 101001
浙江农林大学， 浙江省森林生态系统碳循环与固碳减排重点实验室， 环境科技学院， 浙江 临安311300
以毛竹、 雷竹和孝顺竹野外高光谱数据为基础， 在非参数统计理论和模式识别的基础上， 提出了利用Mann-Whitney非参数检验筛选竹类间最佳特征区分波段及利用支持向量机识别竹类的问题。 研究结果表明: (1) 毛竹与雷竹之间的最佳区分波段为503~655， 689~732， 757~1 000， 1 038~1 084， 1 238~1 311， 1 404~1 591， 1 682~1 800， 1 856~1 904和1 923~2 500 nm， 毛竹与孝顺竹之间的最佳区分波段为350~386， 731~1 430， 1 584~1 687， 1 796~1 873 nm， 雷竹与孝顺竹之间的最佳区分波段为355~356， 498~662， 689~745和1 344~2 500 nm； 利用Mann-Whitney非参数检验方法可以分别消除30.0%， 57.7%和35.8% 的无效区分波段。 (2) 在最佳区分波段内， 利用支持向量机的SMO算法进行高光谱竹类识别， 模型精度分别为98.4%， 93.5%和95.1%， 模型泛化精度分别为93.3%， 90.0%和86.7%， 表明此方法可有效区分和识别竹亚科中的不同竹类。
Mann-Whitney检验 高光谱 竹亚科 Mann-Whitney test Hyperspectral SVM SVM Bambusoideae 光谱学与光谱分析
2011, 31(11): 3010
浙江农林大学， 浙江省森林生态系统碳循环与固碳减排重点实验室， 环境科技学院， 浙江 临安311300
以柏木、 雷竹和无患子野外高光谱数据为基础, 在统计学理论和实践分析的基础上， 提出了利用均值置信区间带筛选树种间最佳特征区分波段及利用Manhattan距离和Min-Max区间相似度识别树种的问题。 研究结果表明: (1) 柏木与雷竹之间的最佳区分波段为358~386， 452~1 145和1 314~2 500 nm， 柏木与无患子之间的最佳区分波段为350~446， 497~527， 553~1 330， 1 355~2 400和2 436~2 500 nm， 雷竹与无患子之间的最佳区分波段为434~555， 580~1 903， 1 914~2 089， 2 172~2 457和2 475~2 500 nm； (2) 在最佳区分波段内， 同种树种间的Manhattan距离远小于异种树种间的Manhattan距离， 同种树种间的Min～Max区间相似度远大于异种树种间的Min～Max区间相似度， Manhattan距离和Min～Max区间相似度可以有效区分和识别不同类型的树种。
置信区间 高光谱 Manhattan距离 Min～Max区间相似度 Confidence interval Hyperspectral Manhattan distance Min～Max interval similarity 光谱学与光谱分析
2011, 31(9): 2462
1 中南大学中药现代化研究中心, 湖南 长沙410083
2 中国药品生物制品检定所, 北京100050
3 必达泰克光电科技(上海)有限公司, 上海200233
拉曼光谱分析中, 由于有机分子或样品中污染物的荧光影响, 常会使拉曼光谱产生高背景信号, 以致其拉曼光谱吸收信号被淹没。 利用自行开发的软件包baselineWavelet, 本文对醋酸泼尼松片和格列本脲片的拉曼光谱进行了荧光背景扣除研究, 采用主成分分析和随机森林算法对它们进行聚类分析, 得到了较好的结果。 通过这2种药物的拉曼光谱聚类分析结果, 检验了该背景扣除算法的有效性和准确性, 并讨论了荧光背景对拉曼光谱聚类分析的影响。 结果说明, 荧光背景对拉曼光谱聚类分析影响很大, 在分析前必须预先扣除。
拉曼光谱 背景扣除 聚类分析 随机森林 主成分分析 Raman spectroscopy Background correction Clustering analysis Random forests Principal component analysis 光谱学与光谱分析
2010, 30(8): 2157
浙江农林大学, 浙江省森林生态系统碳循环与固碳减排重点实验室, 环境科技学院, 浙江 临安311300
高光谱遥感技术的出现将为解决森林树种的精细识别难题提供有效的途径。 利用高光谱遥感技术进行树种鉴别时, 光谱特征的选择及提取是个非常重要的过程。 与多光谱数据相比, 高光谱数据具有波段多、 数据量大、 冗余度大等特点。 该文利用光谱微分法对原始光谱数据进行处理, 分析不同树种原始光谱、 光谱一阶微分和光谱二阶微分曲线图, 从中选择差异较大的波段用于鉴别不同树种。 最后利用欧氏距离对所选择的波段进行检验识别不同树种的效果, 检验的结果显示选择的波段能有效地区分不同树种。 区分不同树种的有效波段大都位于近红外波段, 并且差异最大的波段也是近红外波段, 其分别为1 657～1 666和1 868～1 877 nm。Characteristic Analysis
树种 高光谱 光谱微分 欧氏距离 Tree species Hyperspectral Derivative reflectance Euclidean distance 光谱学与光谱分析
2010, 30(7): 1825
