续~

3.4不同分类方法精度评价

本研究的６种不同特征组合分别为植被指数、特征波段、植被指数＋特征波段、植被指数＋ＧＬ－ＣＭ、特征波段＋ＧＬＣＭ、３种特征组合（特征波段＋植被指数＋ＧＬＣＭ），以下分别用特征１～６来表示。基于３种分类方法的识别精度评价见表４、表５、表６。

表４ 基于最大似然法的不同特征组合识别精度评价

由表４可知，在最大似然法下仅植被指数特征参与树种识别时，ＯＡ为８３．１２％，Ｋａｐｐａ系数为０．７３９９。基于特征波段的树种识别结果中，ＯＡ为９３．８４％，Ｋａｐｐａ系数为０．８９６３。效果最好的是植被指数与特征波段共同参与树种识别，其结果显示ＯＡ达到了９４．０１％，Ｋａｐｐａ系数为０．８９８８，所有树种的ＰＡ均超过了８０％，ＵＡ均在７５％以上，其中洋槐和核桃的ＰＡ、ＵＡ都超过了９０％，柿和杏树的ＵＡ较低，达到了７５％。在增加纹理特征进行树种识别时，基于植被指数与ＧＬＣＭ组合的ＯＡ为８３．５３％，Ｋａｐｐａ系数为０．７４２１，与单一植被指数特征的识别精度相比提高了０．４１个百分点。

通过对比生产者精度，基于植被指数的树种识别中，ＭＬＣ对洋槐的识别精度较低，但对其他５种树种的识别精度较高；基于特征波段的树种识别中，ＭＬＣ对柿、洋槐、樱桃、杏树和核桃的识别精度更高，此５种树种的识别精度均达到了９０％以上；基于特征波段与植被指数组合的树种识别中，柿、核桃和杏树在利用ＭＬＣ分类时，精度较高；基于植被指数与纹理特征组合的树种识别中，ＭＬＣ在柿和核桃的识别中较其他２种分类方法减少了漏分，精度较高；基于特征波段与纹理特征组合的树种识别中，对于核桃和柿，ＭＬＣ在识别效果上表现出更高的精度。通过对比用户精度，基于植被指数的树种识别中，ＭＬＣ在核桃识别上效果更好，而在柿的识别上，ＭＬＣ的识别精度均表现为较低水平；基于特征波段的树种识别中，ＭＬＣ在洋槐和核桃的识别上精度更高；基于特征波段与植被指数组合的树种识别中，ＭＬＣ在洋槐和核桃的识别上具有更高的精度；基于植被指数与纹理特征组合的树种识别中，ＭＬＣ对洋槐和核桃的识别精度较高；基于特征波段与纹理特征组合的树种识别中，相比于另外３种树种的识别而言，ＭＬＣ在洋槐和核桃的识别上效果更好。

表５ 基于随机森林法的不同特征组合识别精度评价

由表５可知，在随机森林方法下仅植被指数特征参与树种识别时，ＯＡ达到了９１．７６％，Ｋａｐｐａ系数为０．８５３３。基于特征波段进行树种识别时，ＯＡ为９０．３２％，Ｋａｐｐａ系数为０．８２８４，与单一植被指数特征进行识别相比，ＯＡ降低了１．４４个百分点，Ｋａｐｐａ系数减少了０．０２４９。使用特征组合进行分类的精度最高，ＯＡ为９２．５４％，Ｋａｐｐａ系数为０．８６７３，其中洋槐、樱桃、杏树、核桃的ＰＡ均超过了８５％，除杏树的其他５种树种的ＵＡ都在８０％以上。加入纹理特征后，特征波段与ＧＬＣＭ组合、３种特征共同参与分类时，总体精度有一定的提高，ＯＡ分别为９１．２４％、９２．５４％，提高了０．９２和０．０７个百分点。通过对比生产者精度，基于植被指数的树种识别中，相较于核桃，ＲＦ对其他５种树种的识别存在漏分；基于特征波段的树种识别中，ＲＦ对核桃的识别精度较高，但对苹果的识别精度较低，仅为６５．２０％；基于特征波段与植被指数组合的树种识别中，ＲＦ对核桃的识别精度较高，但对苹果、柿、樱桃和杏树的识别精度较低；基于植被指数与纹理特征组合的树种识别中，ＲＦ在洋槐、核桃和杏树的识别精度较高，均达到了９７％以上；基于特征波段与纹理特征组合的树种识别中，ＲＦ在洋槐、杏树和核桃的识别上具有良好表现，精度较高，均达到了９８％以上。通过对比用户精度，基于植被指数的树种识别中，ＲＦ在核桃的识别精度表现为较高水平，识别精度达到９８．７４％；基于特征波段的树种识别中，ＲＦ在核桃的识别上精度更高；基于特征波段与植被指数组合的树种识别中，ＲＦ在洋槐和核桃的识别上具有更高的精度；基于植被指数与纹理特征组合的树种识别中，ＲＦ在洋槐、核桃、苹果和樱桃的识别过程中减少了错分现象，识别精度较高；基于特征波段与纹理特征组合的树种识别中，ＲＦ对核桃的识别精度较其他树种而言较高。

表６ 基于支持向量机法的不同特征组合识别精度评价

由表６可知，在支持向量机方法下基于植被指数特征进行树种识别时，ＯＡ达到了９０．４１％，Ｋａｐ－ｐａ系数为０．８２９１。基于特征波段进行识别的结果中，ＯＡ为９４．８９％，Ｋａｐｐａ系数为０．９１１７。采用植被指数与特征波段组合分类结果中，ＯＡ为９５．０１％，Ｋａｐｐａ系数为０．９１４０，与使用植被指数和特征波段进行分类的结果相比，ＯＡ分别提高了４．６０和０．１２个百分点，Ｋａｐｐａ系数分别提高了０．０８４９和０．００２３。其中洋槐、樱桃、核桃的ＰＡ和ＵＡ均在９０％以上，苹果的ＰＡ超过了８４％，ＵＡ达到９２％，柿和杏树的ＰＡ在９０％以上，ＵＡ接近８０％。结合纹理特征进行识别时，植被指数与ＧＬ－ＣＭ组合、３种特征组合的总体识别精度分别为９１．２６％、９５．１１％，提高了０．８５、０．１０个百分点，Ｋａｐｐａ系数分别为０．８４５０、０．９１５８。

结果表明，加入纹理特征在一定程度上可以提升研究区树种的分类精度。通过对比生产者精度，基于植被指数的树种识别中，ＳＶＭ对洋槐的识别效果明显优于其他２种方法，精度达到了９５．９５％；基于特征波段的树种识别中，ＳＶＭ对杏树的识别精度更高，优于其他２种分类方法；基于特征波段与植被指数组合的树种识别中，ＳＶＭ在苹果和核桃的识别上与另外２种方法相比效果略佳；基于植被指数与纹理特征组合的树种识别中，ＳＶＭ对苹果的识别精度略高于另外２种分类方法，识别效果更好；基于特征波段与纹理特征组合的树种识别中，ＳＶＭ在洋槐、杏树和核桃的识别上具有良好表现，精度较高。通过对比用户精度，基于植被指数的树种识别中，ＳＶＭ对洋槐、樱桃和核桃的识别精度较高；基于特征波段的树种识别中，ＳＶＭ对洋槐和核桃的识别精度更高，且除柿外精度均在８０％以上；基于特征波段与植被指数组合的树种识别中，ＳＶＭ的识别效果最好，特别是洋槐和核桃的识别上表现出较好的效果；基于植被指数与纹理特征组合的树种识别中，ＳＶＭ在洋槐和核桃的识别上表现出较好的结果；基于特征波段与纹理特征组合的树种识别，在苹果、樱桃和核桃的树种识别中，ＳＶＭ算法的识别效果优于ＭＬＣ和ＲＦ算法。无论是就生产者精度而言还是就用户精度而言，大多数树种均超过了８０％。从单个树种的识别精度看，与ＭＬＣ相比，ＳＶＭ减少了苹果的漏分和错分；与ＲＦ相比，减少了苹果、柿、樱桃、杏树、核桃的漏分和错分。ＳＶＭ相比ＭＬＣ和ＲＦ算法，识别精度更高、效果更好，在６种树种识别中具有一定的适用性。此外，从识别结果中可以看出３种分类方法对６种树种整体识别效果较好，能够区分出不同树种，达到分类目的，但同时均有不同程度的错分和混分现象。对于苹果和樱桃的混分，原因是研究区内樱桃种植数量少、树冠小，与苹果树长势相近，并且二者光谱特征相似，一定程度上增加了识别难度，造成混分现象。对于柿与苹果的混分现象，原因是柿的树冠大、长势优于苹果，呈现的图像中光谱反射率较强，同时与其他树种相邻种植，光谱特征相似，给识别造成困难，导致混分现象的发生。

3.5不同分类方法精度评价基于3中特征组合的不同分类方法结果比较

在植被指数、特征波段、纹理特征共同参与研究区６种树种识别时，识别结果如图３所示。

图３ 基于３种特征组合的３种分类方法识别结果图

由图３可知，３种分类方法对研究区的树种整体识别效果较好，能够区分出不同树种，达到分类目的，但同时均有不同程度的混分现象。对于苹果和樱桃的混分，原因是研究区内樱桃种植数量少、树冠小，与苹果树长势相近，并且二者光谱特征相似，一定程度上增加了分类难度，造成混分现象。对于柿与苹果的混分现象，原因是柿的树冠大、长势优于苹果，呈现的图像中光谱反射率较强，同时与其他树种相邻种植，光谱特征相似，给分类造成困难，导致混分现象的发生。

五、结论

以河北省保定市满城区龙门山庄的植被修复区为研究区域，选择５种经济林树种：柿、苹果、樱桃、杏、核桃和生态林对照树种：洋槐，共６种树种为研究对象，利用地物光谱仪测定各树种的叶片和冠层光谱数据，使用无人机高光谱遥感获取各树种的高光谱影像数据，对６种树种的地面光谱数据和无人机高光谱数据进行光谱特征分析，构建各树种植被指数特征及纹理特征，采用不同分类方法对６种树种进行识别，并对识别结果进行精度评价，最终确定适合６种树种的识别方案。主要研究结论如下：

（１）分析比较柿、苹果、樱桃等６种树种的光谱特征，建立光谱数据库。通过对比分析６种树种的地面叶片、冠层光谱特征及无人机冠层光谱特征，可以得出在可见光波段中的绿光区域和红光区域，各个树种之间具有较大差异，其中波长的反射峰在５５０ｎｍ左右、７５０～９５０ｎｍ之间及９６０ｎｍ附近的水汽吸收带，差异明显。

（２）筛选出６种树种无人机遥感影像的特征波段，构建了植被指数特征及纹理特征。通过图像处理软件等平台，基于连续投影算法（ＳＰＡ）对研究区无人机高光谱遥感数据进行特征波段筛选，选择结果为ｂ９、ｂ４７、ｂ８４、ｂ９２、ｂ１０１、ｂ１１２、ｂ１３８、ｂ１５３、ｂ１６３、ｂ１６７，共１０个波段，各波段对应波长分别为４２３．８、５４７．８、６７３．０、７００．６、７３２．０、７７０．６、８６３．５、９１８．０、９５４．８、９６９．６ｎｍ；通过特征重要性评估筛选植被指数，得到７个植被指数：简单比值指数（ＳＲ）、类胡萝卜素反射指数２（ＣＲＩ２）、绿波段指数（ＧＲＶＩ）、归一化脱镁作用指数（ＮＰＱＩ）、Ｖｏ－ｇｅｌｍａｎｎ红边指数１（ＶＯＧ１）、归一化植被指数（ＮＤＶＩ）、简单色素比值指数（ＳＲＰＩ）；通过计算高光谱遥感影像的灰度共生矩阵（ＧＬＣＭ），得到均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性，共８项纹理特征，进行后续分类研究。

（３）对研究区６种树种进行高光谱遥感识别，得到最佳识别方案。通过分别构建基于特征波段、植被指数、特征波段与植被指数组合、特征波段与纹理特征组合、植被指数与纹理特征组合、３种特征组合，共６种分类特征，结合最大似然法（ＭＬＣ）、随机森林法（ＲＦ）和支持向量机法（ＳＶＭ）３种分类方法对６种树种进行识别，得到各树种分布情况并对结果进行精度评价。

综上所述，３种分类方法中采用ＳＶＭ算法的树种识别精度最高，而ＭＬＣ和ＲＦ算法针对不同的分类特征，所表现出来的识别效果各不相同。在ＳＶＭ分类方法中，基于３种特征组合的识别效果最好，其总体精度达到了９５．１１％，Ｋａｐｐａ系数为０．９１５８，表现出较好的识别效果，相较于ＭＬＣ总体精度提高了１．１５％，相比于ＲＦ总体精度提高了２．５７％。综上所述，基于特征波段、植被指数、纹理特征３种特征组合并采用支持向量机（ＳＶＭ）分类的识别方法，为６种树种识别的最佳识别方法。

推荐：

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。