面向机载高光谱数据的3D-CNN亚热带森林树种分类

发布时间：2021-09-22 03:13

　　【目的】探讨深度卷积神经网络在机载高光谱数据分类中的应用,以提高亚热带地区森林树种分类精度。【方法】以广西南宁高峰林场为试验区,基于中国林业科学研究院Li CHy系统获取的机载高光谱数据,以三维卷积层为基础,提出一种高效的卷积神经网络（CNN）结构。CNN模型以端到端方式处理高光谱影像分析问题,将原始数据作为输入,不需要降维或特征筛选,可省去传统分类方法在不同程度上人工筛选特征的工作;网络中3D卷积层可同时提取光谱特征和空间特征,学习特征立方体空间和光谱维度的局部信号变化,利用重要的识别特征进行分类,以提高对高光谱影像的判别能力。针对机载高光谱数据维度高、训练样本相对较少的问题,对模型进行优化,以避免过拟合。【结果】相较传统的特征筛选与面向对象分割结合的方法,本研究提出的3D-CNN结构森林树种总体分类精度达98.38%,Kappa系数为0.98,与随机森林特征选择结合支持向量机分类相比,总体精度提高8.82%,Kappa系数提高0.11;小样本训练情况下（减少75%训练样本）,总体精度仍可达95.89%,Kappa系数为0.94。【结论】三维卷积神经网络在处理机载高光谱影像特征提取和... 

【文章来源】：林业科学. 2020,56(11)北大核心EICSCD

【文章页数】：11 页

【部分图文】：

广西南宁高峰林场界牌分场

4) Logistic回归:在全连接层后添加逻辑回归分类器。Logistic回归分类器采用针对多分类任务的softmax，将一层输入特征展平后，输出属于类i的输入特征的概率:式中:W为权重;b为偏差;Wi和bi为连接i类输出单元的权重和偏差;Y为分类结果;s为softmax函数。输出层中隐藏单元数量等于类别的总数。

首先选择最佳分割参数进行图像分割，然后采用分层分类方法将非林地去除，避免与各树种混淆;从机载高光谱影像中提取特征变量，包括独立成分分析(independent component analysis,ICA)降维波段、光谱指数、纹理特征及由Li CHy系统同步搭载的Li DAR数据获取的冠层高度模型(canopy height model,CHM)特征(特征见表3);利用随机森林法选择最优特征变量。采用2种方案完成树种分类:1)将上述所有特征叠加，使用SVM分类器对分割后的对象进行分类;2)采用随机森林特征筛选方法从表3的特征中筛选出18个特征变量用于树种分类，筛选的特征包括4个ICA变换特征、7个植被指数特征(包括归一化植被指数NDVI、光化学植被指数PRI、绿度归一化植被指数GNDVI、植被衰减指数PSRI、结构不敏感色素指数SIPI和花青素反射指数1ARI1)、6个纹理特征(HOM＿G550、ENT＿G550、CON＿G550、COR＿G550、DIS＿G650和DIS＿R650)以及CHM特征。

【参考文献】：
期刊论文
[1]基于改进转换分离度特征选择规则的土地覆盖分类比较[J]. 张莹,张晓丽,李宏志,黎良财.  林业科学. 2018(08)
[2]三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类[J]. 李竺强,朱瑞飞,高放,孟祥玉,安源,钟兴.  光学学报. 2018(08)
[3]分割尺度对面向对象树种分类的影响及评价[J]. 毛学刚,陈文曲,魏晶昱,范文义.  林业科学. 2017(12)
[4]机载AISA Eagle Ⅱ高光谱数据处理——以额济纳旗试验区为例[J]. 荚文,庞勇,岳彩荣,李增元,车涛,马明国.  遥感技术与应用. 2016(03)



本文编号：3403022