結(jié)合ZY-1 02D光譜與紋理特征的干旱區(qū)植被類型遙感分類

帥 爽，張 志，張 天，肖成志，陳 思，馬梓程，謝翠容

結(jié)合ZY-1 02D光譜與紋理特征的干旱區(qū)植被類型遙感分類

帥 爽1,3，張 志2※，張 天2，肖成志2，陳 思3，馬梓程3，謝翠容3

（1. 中國(guó)地質(zhì)大學(xué)（武漢）地質(zhì)調(diào)查研究院，武漢 430074； 2. 中國(guó)地質(zhì)大學(xué)（武漢）地球物理與空間信息學(xué)院，武漢 430074；3. 湖北省國(guó)土測(cè)繪院，武漢 430010）

高光譜遙感技術(shù)已廣泛應(yīng)用于植被類型制圖。然而，稀疏植被冠層覆蓋和土壤背景影響仍然是干旱區(qū)植被類型遙感分類的主要挑戰(zhàn)，單獨(dú)利用遙感數(shù)據(jù)光譜或紋理特征難以獲得可靠的分類精度和穩(wěn)定性。廣義正態(tài)分布優(yōu)化算法（Generalized Normal Distribution Optimization，GNDO）的特征優(yōu)選結(jié)果在質(zhì)量和穩(wěn)定性方面相較傳統(tǒng)優(yōu)化算法具有優(yōu)勢(shì)，但目前還未應(yīng)用于高光譜波段選取研究。為探索結(jié)合ZY-1 02D光譜與紋理特征進(jìn)行干旱區(qū)植被類型遙感分類的可行性，驗(yàn)證GNDO方法應(yīng)用于高光譜波段選取的有效性，同時(shí)探討不同數(shù)量訓(xùn)練像元條件下，各特征選取方法的選擇結(jié)果差異和對(duì)植被類型分類精度的影響，該研究以青海省都蘭縣宗加鎮(zhèn)為例，在隨機(jī)選取各分類類別不同數(shù)量訓(xùn)練像元（30、50、100、150、200）基礎(chǔ)上，分別利用遺傳算法（Genetic Algorithm，GA）、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）、灰狼優(yōu)化算法（Grey Wolf Optimization，GWO）以及GNDO算法進(jìn)行高光譜波段選取并對(duì)比結(jié)果，同時(shí)利用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）方法提取紋理特征，將提取的光譜特征和紋理特征組合成30組分類數(shù)據(jù)集，利用隨機(jī)森林（Random Forest，RF）方法完成植被類型自動(dòng)分類，對(duì)比不同分類數(shù)據(jù)集的分類精度。結(jié)果顯示：藍(lán)波段（400～450 nm）、紅邊波段（700～750 nm）和紅波段（600～650 nm）對(duì)區(qū)分植被類型最敏感；基于光譜特征的分類數(shù)據(jù)集中，使用200個(gè)訓(xùn)練像元和GNDO方法進(jìn)行特征優(yōu)選獲取的分類數(shù)據(jù)集（GNDO200）獲得了最高的總體分類精度（80.44%）；隨著訓(xùn)練像元的增加，各分類數(shù)據(jù)集總體分類精度整體均呈上升趨勢(shì)，不同的特征選擇方法的分類精度對(duì)訓(xùn)練像元數(shù)量表現(xiàn)出不同的依賴程度；圖像紋理特征的加入，明顯提升了植被分類精度，將使用200個(gè)訓(xùn)練像元和GWO方法進(jìn)行波段優(yōu)選的結(jié)果與紋理特征結(jié)合的分類數(shù)據(jù)集（GWO200+TEX）獲得了最高的總體分類精度（82.86%）。該研究驗(yàn)證了ZY1-02D國(guó)產(chǎn)高光譜衛(wèi)星數(shù)據(jù)光譜紋理特征結(jié)合進(jìn)行干旱區(qū)植被類型劃分的潛力，證實(shí)了GNDO方法對(duì)高光譜波段選取的有效性，為高光譜植被類型制圖中光譜、紋理特征選取提供了一種思路。

遙感；算法；ZY1-02D；植被類型分類；特征選??；GNDO

0 引 言

干旱-半干旱生態(tài)系統(tǒng)在調(diào)節(jié)全球碳平衡方面起著重要作用。然而，在該區(qū)域區(qū)分植被物種及其在區(qū)域尺度碳動(dòng)態(tài)中的作用仍具有挑戰(zhàn)性[1]。高光譜衛(wèi)星數(shù)據(jù)包含連續(xù)的反射率光譜信息，可提供豐富的區(qū)分植被類型所需的植被生理和化學(xué)信息[2–5]。不同類型星載（Hyperion[6]、CHRIS[3]）與機(jī)載（APEX[7]、AISA[8]）高光譜數(shù)據(jù)已被用于全球不同區(qū)域植被類型分類研究。2019年9月中國(guó)成功發(fā)射的資源一號(hào)O2D（ZY-1 02D）星包含高光譜傳感器（Advanced HyperSpectral Imager，AHSI）和多光譜傳感器（Visible and Near Infrared Camera，VNIC），是首顆民用高光譜業(yè)務(wù)衛(wèi)星，大大提升了國(guó)產(chǎn)衛(wèi)星對(duì)于植被類型精細(xì)識(shí)別與監(jiān)測(cè)的能力[9-10]。

盡管星載高光譜數(shù)據(jù)為植被類型識(shí)別提供了更強(qiáng)的光譜探測(cè)能力，但干旱區(qū)植被類型制圖仍面臨諸多挑戰(zhàn)。一是“異物同譜”現(xiàn)象。盡管高光譜圖像相比傳統(tǒng)的多光譜圖像能更好地區(qū)分相似地物，但僅基于光譜特征區(qū)分不同植被類型的能力有限[11]。另外，混合光譜問題也是制約星載高光譜植被分類精度的重要因素[12]，特別是在地表覆被為灌木、土壤和草地混合的干旱-半干旱地區(qū)，某一像元光譜多是灌木、土壤和草地等端元的混合光譜。有研究表明正確組合多遙感特征可有效提升分類精度[13]。二是高維數(shù)據(jù)產(chǎn)生的休斯效應(yīng)（Hughes phenomenon）[14]影響圖像分類精度。對(duì)高光譜數(shù)據(jù)進(jìn)行光譜特征（波段）選取降低數(shù)據(jù)維度是緩解休斯效應(yīng)的有效途徑[15]。在保持或提高分類精度的前提下，利用特征優(yōu)化算法從高光譜數(shù)據(jù)集中挑選一些最有效的光譜特征（波段）以降低特征空間維數(shù)，提高泛化能力[15]。特征選擇方法依據(jù)是否獨(dú)立于后續(xù)的學(xué)習(xí)算法, 分為過濾式（Filter）和封裝式（Wrapper）[16]。與Filter方法相比，Wrapper方法總體準(zhǔn)確率更高[17]。Vaiphasa等[18]證實(shí)基于遺傳算法（Genetic Algorithm，GA）的高光譜波段選擇方法能夠在植被物種水平上解決光譜相似性問題。Monteiro等[19]將粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）應(yīng)用于大豆作物甜度高光譜反演中的特征波段選取，獲得了相較傳統(tǒng)主成分分析方法更高的反演精度。Zhang等[20]提出了一種廣義正態(tài)分布優(yōu)化算法（Generalized Normal Distribution Optimization，GNDO）并應(yīng)用于光伏模型的參數(shù)提取，驗(yàn)證了該方法的參數(shù)提取結(jié)果在質(zhì)量和穩(wěn)定性方面優(yōu)于PSO和灰狼優(yōu)化算法（Grey Wolf Optimization，GWO）等方法，但目前還沒有研究嘗試?yán)肎NDO方法進(jìn)行高光譜波段選取。三是圖像分類精度受訓(xùn)練樣本規(guī)模制約。Sabat-Tomala等[21]利用機(jī)載高光譜數(shù)據(jù)進(jìn)行植被類型分類時(shí)，發(fā)現(xiàn)總體分類精度隨訓(xùn)練像元數(shù)量的減少而降低，像元數(shù)量每減少10個(gè)，精度約降低2%。另外，不同分類器的植被分類精度對(duì)訓(xùn)練像元數(shù)量的依賴程度也不同。當(dāng)訓(xùn)練像元從30減少到10，最大似然法（Maximum Likelihood，ML）總體分類精度顯著下降約28%，而隨機(jī)森林（Random Forest，RF）和支持向量機(jī)（Support Vector Machines，SVM）方法的總體分類精度僅下降2%～3%。然而，還少有研究關(guān)注訓(xùn)練像元數(shù)量對(duì)高光譜波段選取及其選取結(jié)果分類精度的影響。

本研究旨在驗(yàn)證ZY-1 02D國(guó)產(chǎn)高光譜衛(wèi)星遙感數(shù)據(jù)對(duì)干旱區(qū)植被類型分類的可行性。同時(shí)1）探索結(jié)合遙感數(shù)據(jù)光譜特征和空間結(jié)構(gòu)特征（紋理信息）進(jìn)行植被類型分類的有效性；2）驗(yàn)證GNDO優(yōu)化算法對(duì)高光譜波段選取的可行性；3）對(duì)比分析訓(xùn)練像元數(shù)量對(duì)高光譜波段選取和分類精度的影響；以期為干旱-半干旱區(qū)高光譜植被類型分類中的光譜和紋理特征選取提供一種新思路。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于青海省海西蒙古族藏族自治州都蘭縣宗加鎮(zhèn)，面積50.46 km2（圖1）。研究區(qū)屬于高原干旱大陸性氣候，平均海拔2 775 m，年平均氣溫4.3℃，年平均降雨量37.9～180.5 mm，蒸發(fā)量1 358～1 765 mm。地貌類型為荒漠與河流灘地。研究區(qū)南部為人類居住區(qū)，主要植被類型包括枸杞林和道路旁防風(fēng)楊樹林，其中枸杞林按照種植時(shí)間可分為新枸杞林（2018年后種植）和老枸杞林（2018年前種植），研究區(qū)北部為荒漠與河流灘地，植被類型主要為梭梭林和草本植物。研究區(qū)其他土地覆被類型包括裸地和建筑物。

1.2 數(shù)據(jù)源與預(yù)處理

此次數(shù)據(jù)源為2020年9月30日采集的資源1號(hào)02D數(shù)據(jù)。ZY-1 02D星重返周期為3 d，高光譜傳感器（AHSI）幅寬60 km，包含可見光-近紅外區(qū)間76個(gè)波段，短波紅外區(qū)間90個(gè)波段，空間分辨率為30 m，多光譜傳感器（VNIC）幅寬110 km，包含可見光至近紅外區(qū)間8個(gè)多光譜波段（10 m分辨率）和一個(gè)全色波段（2.5 m分辨率）。

利用ENVI 5.3平臺(tái)對(duì)ZY-1 02D星AHSI數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正處理，獲取地表反射率數(shù)據(jù)；再對(duì)AHSI數(shù)據(jù)、VNIC數(shù)據(jù)多光譜波段和全色波段進(jìn)行幾何校正，保證其空間位置配準(zhǔn)，幾何校正通過手動(dòng)選取控制點(diǎn)（均勻選取36處）結(jié)合多項(xiàng)式法進(jìn)行，校正結(jié)果平均誤差為4.6 m。將VNIC數(shù)據(jù)全色波段與多光譜波段進(jìn)行圖像融合，獲取8波段2.5 m空間分辨率數(shù)據(jù)（圖1）。

注：按2018年前后種植分為老、新枸杞林。下同。

1.3 野外調(diào)查與分類樣本選取

2020年8月8—10日開展野外調(diào)查，對(duì)照遙感影像，選取并驗(yàn)證各類型植被樣本，保證研究中訓(xùn)練樣本集與驗(yàn)證樣本集選取的準(zhǔn)確性，最終驗(yàn)證并選取枸杞林（老）樣本區(qū)55處、枸杞林（新）樣本區(qū)64處、草地樣本區(qū)54處、梭梭林樣本區(qū)66處、楊樹林樣本區(qū)70處、人工建筑30處、裸地32處。研究區(qū)主要植被類型圖片見圖2。

此次研究中使用分層隨機(jī)抽樣方式，選擇各植被類型全部樣本區(qū)的50%作為訓(xùn)練樣本集，其余50%的樣本區(qū)作為檢驗(yàn)樣本集。為了研究訓(xùn)練樣本集中訓(xùn)練像元數(shù)量對(duì)各特征選取方法選取結(jié)果和植被分類精度的影響，在各植被類型訓(xùn)練樣本數(shù)據(jù)集中，以隨機(jī)采樣方式分別選取30、50、100、150和200個(gè)訓(xùn)練像元，分別應(yīng)用于光譜、紋理特征的選取和RF植被分類。

2 研究方法

此次工作在選取各植被類型檢驗(yàn)樣本集和訓(xùn)練樣本集基礎(chǔ)上，利用各種特征選擇方法結(jié)合不同數(shù)量的訓(xùn)練樣本集，對(duì)AHSI反射率數(shù)據(jù)進(jìn)行光譜特征選取，形成基于光譜特征的分類數(shù)據(jù)集，再利用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）方法，結(jié)合各植被類型訓(xùn)練樣本，提取并選取圖像紋理特征，形成結(jié)合光譜紋理特征的分類數(shù)據(jù)集，最后利用RF模型完成各分類數(shù)據(jù)集植被類型自動(dòng)分類，并進(jìn)行精度評(píng)價(jià)和對(duì)比分析。具體技術(shù)流程如圖3所示。

2.1 光譜特征選取

GA、PSO、GWO是高光譜特征選取的常用算法，而GNDO是一種改進(jìn)的特征優(yōu)化算法[20]，至今還未應(yīng)用于高光譜數(shù)據(jù)波段選擇，此次研究以ZY1-02D數(shù)據(jù)為例，旨在對(duì)比GNDO算法與傳統(tǒng)GA、PSO、GWO算法在不同數(shù)量（30、50、100、150、200）訓(xùn)練像元條件下的光譜特征選取效果?？紤]到計(jì)算效率，研究中GA、PSO、GWO和GNDO這4種算法中適應(yīng)度函數(shù)均選擇K最近鄰（KNN，K-Nearest Neighbor）方法，最大迭代次數(shù)均設(shè)置為200。由于GA、PSO、GWO和GNDO算法的本質(zhì)是隨機(jī)性的，所以研究中分別運(yùn)行20次各算法，選擇各結(jié)果中重復(fù)出現(xiàn)15次及以上的波段作為最終波段選擇結(jié)果。

2.1.1 GA算法

遺傳算法（GA）是一種經(jīng)典的解決優(yōu)化問題的軟計(jì)算技術(shù)[22]，多種形式的遺傳算法被提出并廣泛用于解決各遙感應(yīng)用問題，如圖像配準(zhǔn)[23]、圖像分割與分類[24]、亞像元分類[25]和高光譜波段選擇[18,26]等。此次研究，遺傳算法應(yīng)用于ZY1-02D高光譜數(shù)據(jù)波段選擇，是將染色體作為一種波段組合，將其中每個(gè)基因座與AHSI各波段相聯(lián)系并以波段號(hào)賦值[18]，其優(yōu)化過程主要包括“交叉”運(yùn)算和“變異”運(yùn)算?！敖徊妗边\(yùn)算指兩個(gè)染色體可對(duì)隨機(jī)選擇的位置（波段）進(jìn)行替換重組，以創(chuàng)建兩個(gè)新的染色體（波段組合）?！白儺悺边\(yùn)算指隨機(jī)改變?nèi)旧w中某些基因座賦值，即隨機(jī)選取一波段替換原波段組合中的某一波段。優(yōu)化過程是以分類算法為適應(yīng)度函數(shù)分代進(jìn)行的，每次都會(huì)生成新的染色體。由于種群數(shù)量有限，因此只有“最佳”染色體（分類精度高的波段組合）有更多機(jī)會(huì)進(jìn)行迭代、配對(duì)并產(chǎn)生新的染色體。優(yōu)化方案由“0”和“1”組成的有限“染色體”序列表示。

2.1.2 PSO算法

粒子群優(yōu)化（PSO）算法通過模擬鳥群覓食行為而發(fā)展起來(lái)的一種基于群體協(xié)作的隨機(jī)搜索算法[27]。粒子群優(yōu)化算法應(yīng)用于ZY1-02D高光譜數(shù)據(jù)波段選擇，是構(gòu)造一個(gè)166維向量空間與AHSI數(shù)據(jù)166個(gè)波段對(duì)應(yīng)，同時(shí)訓(xùn)練一個(gè)具有個(gè)粒子的種群，在此166維空間中飛行，采用二進(jìn)制編碼對(duì)粒子的空間飛行位置進(jìn)行編碼[19]，其中“1”表示相應(yīng)位置的波段被選中，“0”表示相應(yīng)位置的波段未被選中[28]，每個(gè)粒子的飛行位置代表波段選擇的一個(gè)解。初始階段，群體粒子隨機(jī)分布于解空間；進(jìn)化過程中，粒子基于適應(yīng)度函數(shù)（分類算法），根據(jù)個(gè)體和群體歷史最佳粒子位置更新速度和位置，逐漸收斂于解空間的最佳位置[29]，即為波段選擇最優(yōu)解。

2.1.3 GWO算法

灰狼優(yōu)化（GWO）算法主要通過模擬狼群中的等級(jí)制度，將整個(gè)狼群中的狼分為Alpha、Beta、Delta及Omega共4個(gè)等級(jí)，等級(jí)依次降低。算法根據(jù)狼群捕食方式分為3個(gè)階段，即搜尋獵物階段、圍捕獵物階段和進(jìn)攻獵物階段[30]。根據(jù)狼群社會(huì)等級(jí)制度建立數(shù)學(xué)模型，則Alpha狼在狼群中等級(jí)最高，屬于統(tǒng)治階級(jí)，主要負(fù)責(zé)領(lǐng)導(dǎo)捕食（尋優(yōu)）過程中決策以及管理狼群等職責(zé)。選定Alpha狼為最優(yōu)解，Beta狼為次優(yōu)解，Delta狼更次之，Omega狼為灰狼種群的候選解?；依莾?yōu)化算法應(yīng)用于ZY1-02D高光譜數(shù)據(jù)波段選擇，首先從AHSI數(shù)據(jù)166個(gè)波段中隨機(jī)選擇（=5、10、15、20、25、30、35）個(gè)不同的波段組成一個(gè)灰狼向量，重復(fù)此操作20次，構(gòu)成GWO初始化種群；其次計(jì)算種群中各灰狼向量（波段組合）的分類精度并排序，確定種群中初始Alpha、Beta、Delta及Omega狼；再對(duì)初始種群進(jìn)行迭代的搜尋獵物階段、圍捕獵物階段和進(jìn)攻獵物階段算法運(yùn)算，當(dāng)?shù)螖?shù)達(dá)到最大值，或者滿足連續(xù)兩次選擇同一Alpha狼，此時(shí)輸出Alpha狼，即最優(yōu)解（最佳波段組合）。

GWO是為解決連續(xù)優(yōu)化問題而設(shè)計(jì)的。對(duì)于二進(jìn)制優(yōu)化問題，例如高光譜波段選取，需要GWO的二進(jìn)制版本。本研究使用Emary等[31]提出的二進(jìn)制灰狼優(yōu)化算法。

2.1.4 GNDO算法

廣義正態(tài)分布優(yōu)化（GNDO）算法是一種改進(jìn)的優(yōu)化算法，Zhang等[20]提出了該算法并用于光伏模型參數(shù)提取。該算法應(yīng)用于ZY1-02D高光譜數(shù)據(jù)波段選擇，是構(gòu)造一個(gè)166維向量空間與AHSI數(shù)據(jù)166個(gè)波段對(duì)應(yīng)，同時(shí)構(gòu)造一個(gè)×階矩陣進(jìn)行種群初始化，其中（=20）為種群中個(gè)體數(shù)量，（=166）為高光譜數(shù)據(jù)波段數(shù)。矩陣的行代表種群中的每個(gè)個(gè)體，即波段組合，個(gè)體中包含的具體波段是通過對(duì)矩陣中要素進(jìn)行隨機(jī)賦值（0～1），并結(jié)合閾值（＞0.5）確定的。GNDO中設(shè)計(jì)的信息共享策略包括局部探索和全局探索[20]。其中局部探索是在建立廣義正態(tài)分布模型的基礎(chǔ)上進(jìn)行的，以分類誤差最小為適應(yīng)度函數(shù)，計(jì)算初代個(gè)體的適應(yīng)度（誤差率），獲得當(dāng)前最優(yōu)解（當(dāng)前最佳波段組合）及最佳位置向量（在多維向量空間的位置），同時(shí)計(jì)算種群中全部個(gè)體在多維向量空間中的平均位置向量，使種群中每個(gè)個(gè)體同時(shí)向最佳位置和平均位置方向移動(dòng)，實(shí)現(xiàn)個(gè)體位置更新（波段組合優(yōu)化、更新）。全局探索與3個(gè)隨機(jī)選擇的個(gè)體（Random individual）有關(guān)，隨機(jī)選擇種群中與目標(biāo)個(gè)體之外的3個(gè)個(gè)體，基于隨機(jī)個(gè)體的位置對(duì)目標(biāo)個(gè)體位置進(jìn)行更新，起到擴(kuò)大搜索空間的效果。通過局部搜索和全局搜索的迭代運(yùn)行，更新種群和個(gè)體位置，獲得逐漸收斂于解空間的最佳位置，即最佳波段組合。

2.2 紋理特征選取與篩選

紋理是保持一定的特征重復(fù)性的空間結(jié)構(gòu)。圖像紋理是反應(yīng)植被冠層形態(tài)、結(jié)構(gòu)的重要信息。Haralick等[32]利用灰度共生矩陣，基于圖像的紋理統(tǒng)計(jì)信息，提出了14種紋理特征。其中均值（mean）、方差（variance）、同質(zhì)性（homogeneity）、對(duì)比度（contrast）、相異度（dissimilarity）、熵（entropy）、二階矩（second moment）和相關(guān)性（correlation）8種紋理特征常被用于植被類型自動(dòng)分類[33]。本研究采用灰度共生矩陣方法，選擇上述8種統(tǒng)計(jì)參量，對(duì)研究區(qū)VNIC數(shù)據(jù)全色波段（0.452～0.902m）提取紋理圖像。同時(shí)，紋理特征提取時(shí)，移動(dòng)窗口的大小十分關(guān)鍵，通過對(duì)比3×3、5×5、7×7、9×9、11×11、13×13六種窗口大小提取紋理圖像中植被類型的可區(qū)分程度，最終選擇3×3窗口進(jìn)行紋理計(jì)算。

獲取研究區(qū)8幅紋理圖像中各植被類型訓(xùn)練像元的均值曲線圖（圖4），從曲線圖中比較各植被類型訓(xùn)練像元均值的區(qū)別，選擇區(qū)分各植被類型效果較好的紋理圖像。其中，方差、二階矩、熵紋理圖像中各植被類型訓(xùn)練像元的均值相差較大；同質(zhì)性紋理圖像中楊樹林訓(xùn)練像元均值與其他植被類型差異較大，利于區(qū)分楊樹林；對(duì)比度、相異度紋理圖像中枸杞林（老）訓(xùn)練像元均值與其他植被類型差異較大，利于區(qū)分枸杞林（老）。最終選擇方差、同質(zhì)性、對(duì)比度、相異度、熵、二階矩6幅紋理圖像參與研究區(qū)植被類型分類。

2.3 隨機(jī)森林分類方法

隨機(jī)森林（Random Forest，RF）分類算法優(yōu)勢(shì)在于對(duì)訓(xùn)練樣本過擬合的適應(yīng)能力強(qiáng)且分類時(shí)間短[21]。法國(guó)南部Languedoc地區(qū)的地中海灌木植被類型分類研究結(jié)果表明，RF算法應(yīng)用于高光譜植被類型自動(dòng)分類時(shí)，分類精度優(yōu)于傳統(tǒng)分類器（如決策樹、線性判別分析、二次判別分析和K最近鄰值），特別對(duì)區(qū)分光譜差異較小的植被類型具有優(yōu)勢(shì)[34]。在對(duì)相同的高光譜數(shù)據(jù)集進(jìn)行植被分類時(shí)，RF算法相較支持向量機(jī)和最大似然算法運(yùn)算時(shí)間更短[35]。此次研究中，為驗(yàn)證高光譜植被類型分類中，不同訓(xùn)練像元數(shù)量、不同光譜特征選擇方法的圖像分類精度差異，同時(shí)驗(yàn)證圖像紋理特征的加入對(duì)植被分類精度的影響。分別對(duì)研究區(qū)AHSI 全部波段數(shù)據(jù)（ALL）、不同光譜特征選擇方法（GNDO、GA、PSO、GWO）在不同訓(xùn)練像元數(shù)量（30、50、100、150、200）條件下獲得的25組基于光譜特征的分類數(shù)據(jù)集，即：ALL30、ALL50、ALL100、ALL150、ALL200、GNDO30、GNDO50、GNDO100、GNDO150、GNDO200、GA30、GA50、GA100、GA150、GA200、PSO30、PSO50、PSO100、PSO150、PSO200、GWO30、GWO50、GWO100、GWO150、GWO200以及結(jié)合光譜與紋理特征（TEX）的5組分類數(shù)據(jù)集，即：ALL200+TEX、GNDO200+TEX、GA200+TEX、PSO200+TEX、GWO200+TEX進(jìn)行RF植被分類試驗(yàn)。為保證對(duì)比試驗(yàn)的客觀性，各組RF植被分類試驗(yàn)中選取相同決策樹數(shù)目（100）。

圖4 NDVI與各紋理圖像中各植被類型訓(xùn)練像元均值特征曲線

2.4 精度評(píng)價(jià)

利用混淆矩陣方法計(jì)算總體分類精度（Overall Accuracy，OA）、生產(chǎn)者精度（Producer’s Accuracy，PA）、用戶精度（User’s Accuracy，UA）和Kappa系數(shù)[36]等精度評(píng)價(jià)指標(biāo)。將各植被類型樣本區(qū)中作為訓(xùn)練樣本外的50%的樣本區(qū)作為檢驗(yàn)樣本集對(duì)各分類結(jié)果進(jìn)行精度評(píng)價(jià)。檢驗(yàn)樣本集分布見圖1。

3 結(jié)果與分析

3.1 光譜特征選擇結(jié)果對(duì)比

圖5顯示，各特征選擇算法在不同訓(xùn)練數(shù)量條件下，選取的波段數(shù)量有較大差異。由于此次光譜特征的選擇是進(jìn)行20次試驗(yàn)，并選擇重復(fù)出現(xiàn)15次以上的波段作為各特征選擇算法的光譜特征選取結(jié)果，最終選擇的波段數(shù)越多表明多次試驗(yàn)結(jié)果的差異性越小，該特征選擇算法更穩(wěn)定。GNDO方法與PSO方法的波段選擇數(shù)量大致隨訓(xùn)練像元數(shù)量的增大而增大，表明隨著訓(xùn)練像元數(shù)量增加，這兩種特征選擇算法的結(jié)果趨于穩(wěn)定。而GWO方法與GA方法的波段選擇數(shù)量與訓(xùn)練像元數(shù)據(jù)無(wú)明顯相關(guān)性。圖6為各波段選擇結(jié)果的光譜區(qū)間分布情況。從各波段選取結(jié)果的光譜覆蓋區(qū)間上看（圖6），波段選取累計(jì)次數(shù)前三多的光譜區(qū)間為400～450 nm（38次）、700～750 nm（35次）和600～650 nm（28次），分別為藍(lán)波段、植被紅邊波段和紅波段。而波段選取累計(jì)次數(shù)前四少的光譜區(qū)間為800～850、1 350～1 400、1 500～ 1 500及1 800～1 850 nm，波段選取累計(jì)次數(shù)均為6次。

注：算法后數(shù)字代表訓(xùn)練像元數(shù)量。下同。

注：X軸標(biāo)注1～43代表波長(zhǎng)350～2 500 nm中以50nm為間隔的光譜區(qū)間。如1為350～400 nm，2為401～450 nm，以此類推。

3.2 植被分類結(jié)果對(duì)比

表1為各分類數(shù)據(jù)集分類精度?；诠庾V特征的各分類數(shù)據(jù)中，使用200個(gè)訓(xùn)練像元和GNDO方法進(jìn)行特征優(yōu)選獲取的分類數(shù)據(jù)集（GNDO200）獲得最高分類精度，OA和Kappa系數(shù)分別為80.44%和0.73。隨著訓(xùn)練像元的增加，基于光譜特征的各分類數(shù)據(jù)集總體分類精度均呈上升趨勢(shì)，各特征選擇方法（GNDO、GA、PSO與GWO）與原始全部波段（ALL）均在200個(gè)訓(xùn)練像元條件下獲得最高的OA。其中，在200個(gè)訓(xùn)練像元條件下，PSO與GNDO方法獲取的分類數(shù)據(jù)集（PSO200與GNDO200）的總體分類精度優(yōu)于包含全部波段的分類數(shù)據(jù)集（OA提高1.03和2.58個(gè)百分點(diǎn)，Kappa系數(shù)提高0.01和0.02）。加入紋理特征的各分類數(shù)據(jù)集相較原數(shù)據(jù)集，總體分類精度均有所提升，其中GWO200+TEX獲得了最高的分類精度，OA和Kappa系數(shù)分別為82.86%和0.76，ALL200+TEX總體分類精度最低，OA和Kappa系數(shù)分別為82.14%和0.75。各植被類型中，梭梭林的分類精度最高，各分類數(shù)據(jù)集PA均大于88%，UA均大于95%。

圖7為ALL200、ALL200+TEX、GNDO200和GNDO200+TEX這4種分類數(shù)據(jù)集的植被分類結(jié)果圖，顯示出各分類數(shù)據(jù)均成功提取了研究區(qū)各類型植被的分布，主要的誤分表現(xiàn)為研究區(qū)北部的部分裸地像元誤分類為新枸杞林，以及老枸杞林和新枸杞林間的混分。GNDO2OO與ALL200的分類結(jié)果相比，老枸杞林內(nèi)部誤分類為新枸杞林和楊樹林的現(xiàn)象有所減少，老枸杞林的PA提高了4.47個(gè)百分點(diǎn)，新枸杞林的UA提高3.80個(gè)百分點(diǎn)，楊樹林的UA提高2.61個(gè)百分點(diǎn)。ALL200+TEX與ALL200的分類結(jié)果相比，楊樹林的分類效果明顯改善，楊樹林誤分類為老枸杞林的現(xiàn)象減少，其他植被類型誤分類為楊樹林的現(xiàn)象也有所改善，楊樹林的PA和UA分別提高4.35和12.57個(gè)百分點(diǎn)。GNDO200+TEX與GNDO200的分類結(jié)果相比，楊樹林的分類效果同樣改善，楊樹林的PA和UA分別提高7.82和9.63個(gè)百分點(diǎn)。

4 討 論

本研究利用不同特征選擇方法，在不同數(shù)量訓(xùn)練像元條件下進(jìn)行光譜特征選取試驗(yàn)，并統(tǒng)計(jì)各光譜區(qū)間的選擇頻次，分析各光譜區(qū)間對(duì)于區(qū)分研究區(qū)植被類型的重要性差異。結(jié)果顯示，波段選取累計(jì)次數(shù)前三多的光譜區(qū)間分別為藍(lán)波段（400～450 nm，38次）、紅邊波段（700～750 nm，35次）和紅波段（600～650 nm，28次）。這與稀樹灌草叢生態(tài)系統(tǒng)高光譜植被分類研究中的波段選擇結(jié)果一致[37-38]，即藍(lán)、紅和紅邊波段光譜特征最利于區(qū)分干旱區(qū)植被類型。不同類型植被葉片色素類型和含量的差異是利用反射率光譜區(qū)分植被類型的主要依據(jù)。其中，藍(lán)波段反射率主要受到植被葉片葉綠素吸收的影響，對(duì)于區(qū)分針葉林與闊葉林十分有效[39]，可有效區(qū)分研究區(qū)中楊樹和梭梭林。紅波段區(qū)間，尤其是680 nm附近反射率特征與葉面葉綠素與花青素含量相關(guān)[40]，被認(rèn)為是區(qū)分作物類型和植被類型最重要的光譜區(qū)間[41]。此次研究中區(qū)分不同樹齡枸杞樹，主要依據(jù)其綠葉素、氮素等營(yíng)養(yǎng)物質(zhì)差異。前人研究證實(shí)紅邊區(qū)間與植被葉綠素、氮素、水分含量以及葉面積指數(shù)（Leaf Area Index，LAI）等結(jié)構(gòu)特征有重要相關(guān)性[42]，同時(shí)紅邊區(qū)域?qū)τ趨^(qū)分高葉綠素含量和高LAI值的植被類型十分有效[43]。

表1 各分類數(shù)據(jù)集分類精度

注：ALL代表全部波段數(shù)據(jù)；TEX代表紋理特征；OA、PA、UA分別代表總體精度、生產(chǎn)者精度和用戶精度。下同。

Note: ALL represents all bands; TEX texture feature; OA, PA, UA represent overall accuracy, producer accuracy, and user accuracy, respectively. Same below.

圖7 4種分類數(shù)據(jù)集的RF植被分類結(jié)果

在光譜特征選擇方法上，本文將GNDO方法應(yīng)用于高光譜特征選擇，并對(duì)比了不同樣本數(shù)量條件下，GA、PSO、GWO與GNDO方法的特征選擇結(jié)果和分類精度。結(jié)果顯示，所有光譜特征分類數(shù)據(jù)集中，GNDO200整體分類精度最高，驗(yàn)證了GNDO方法對(duì)于高光譜特征選擇的可行性。整體上，隨訓(xùn)練像元的增加，各特征選擇結(jié)果的總體分類精度均呈上升趨勢(shì)。這與Sabat-Tomala等[21]的結(jié)論一致。而不同的特征選擇方法的分類精度對(duì)訓(xùn)練像元數(shù)量表現(xiàn)出不同的依賴程度。其中，GA、GWO和GNDO方法在訓(xùn)練像元數(shù)量達(dá)到100或更多時(shí)，總體分類精度趨于穩(wěn)定，而PSO方法在訓(xùn)練像元數(shù)量達(dá)到50時(shí)，總體分類精度就趨于穩(wěn)定。在訓(xùn)練像元數(shù)量較少（30個(gè)）時(shí)，GA方法的特征選擇結(jié)果獲得了最高的分類精度，而在訓(xùn)練像元數(shù)量較大（200個(gè)）時(shí)，GNDO方法的特征選擇結(jié)果獲得了最高的分類精度。

為驗(yàn)證圖像紋理特征對(duì)植被分類的有效性，在對(duì)VNIC數(shù)據(jù)全色波段進(jìn)行紋理特征提取和篩選的基礎(chǔ)上，結(jié)合紋理特征與光譜特征進(jìn)行圖像分類發(fā)現(xiàn)，圖像紋理特征的加入顯著提升了各分類數(shù)據(jù)集分類精度，這與Fu等[11,13]的研究結(jié)論一致。Zhang等[13]發(fā)現(xiàn)加入紋理特征后，光譜特征相似的屋頂和道路間的混分現(xiàn)象顯著減少。本研究結(jié)果顯示，加入紋理特征后，老枸杞林和楊樹林的分類精度明顯提升，與其他類型植被、背景地物的混分現(xiàn)象明顯減少，這與楊樹高大的冠層形成特征圖像紋理和規(guī)則種植的枸杞林形成的規(guī)則線性紋理有關(guān)。

本研究利用不同特征選取方法結(jié)合隨機(jī)森林分類算法進(jìn)行植被類型自動(dòng)分類試驗(yàn)，結(jié)果顯示GWO200+TEX數(shù)據(jù)集獲得了最高的總體分類精度（82.86%），與George等[44]利用Hyperion數(shù)據(jù)進(jìn)行喜馬拉雅西部植被類型分類的總體分類精度（82.27%）接近，高于Lim等[45]利用Hyperion數(shù)據(jù)進(jìn)行中國(guó)和韓國(guó)局部區(qū)域樹種分類的總體分類精度（64%～81%），驗(yàn)證了ZY1-02D數(shù)據(jù)對(duì)干旱區(qū)植被類型分類的可行性。但研究區(qū)北部各分類結(jié)果中均有部分像元被錯(cuò)分為新枸杞林，這是由于新種植的枸杞樹區(qū)域植被覆蓋度較低，加上混合像元效應(yīng)，新枸杞林像元與裸地的光譜特征接近，導(dǎo)致誤分類，下一步工作中，將進(jìn)一步研究植被覆蓋度對(duì)干旱區(qū)植被類型分類的影響，同時(shí)嘗試采用高光譜圖像融合方法，提升高光譜數(shù)據(jù)空間分辨率，緩解混合像元效應(yīng)，進(jìn)一步提升分類精度。由于西北半干旱地區(qū)植被類型圖像分類研究對(duì)數(shù)據(jù)時(shí)相要求嚴(yán)格，同時(shí)ZY1-02D數(shù)據(jù)積累有限，此次研究?jī)H收集到一景數(shù)據(jù)進(jìn)行分類試驗(yàn)，后續(xù)將進(jìn)一步驗(yàn)證GNDO算法對(duì)ZY1-02D數(shù)據(jù)和其他高光譜數(shù)據(jù)的適用性和穩(wěn)定性。

5 結(jié) 論

利用不同的圖像光譜和紋理特征提取和篩選方法，在不同訓(xùn)練像元下構(gòu)建各分類數(shù)據(jù)集，利用隨機(jī)森林算法進(jìn)行植被類型分類，驗(yàn)證了國(guó)產(chǎn)ZY1-02D高光譜衛(wèi)星數(shù)據(jù)對(duì)于干旱區(qū)植被類型分類的可行性。主要結(jié)論以下：

1）ZY1-02D AHSI數(shù)據(jù)各光譜區(qū)間對(duì)于區(qū)分研究區(qū)植被類型的重要性存在差異。藍(lán)波段（400～450 nm）、紅邊波段（700～750 nm）和紅波段（600～650 nm）對(duì)區(qū)分研究區(qū)植被類型最敏感。

2）訓(xùn)練樣本規(guī)模對(duì)波段選取結(jié)果和分類精度存在影響。隨著訓(xùn)練像元的增加，各分類數(shù)據(jù)集總體分類精度均呈上升趨勢(shì)，使用200個(gè)訓(xùn)練像元和廣義正態(tài)分布優(yōu)化算法（Generalized Normal Distribution Optimization， GNDO）方法進(jìn)行特征優(yōu)選獲取的分類數(shù)據(jù)集在基于光譜特征的各分類數(shù)據(jù)集中獲得了最高的總體分類精度（80.44%），表明了GNDO應(yīng)用于高光譜波段選取的可行性。不同的特征選擇方法的分類精度對(duì)訓(xùn)練像元數(shù)量表現(xiàn)出不同的依賴程度。其中，遺傳算法、灰狼優(yōu)化算法和GNDO方法在訓(xùn)練像元數(shù)量達(dá)到100后，總體分類精度趨于穩(wěn)定，而粒子群優(yōu)化算法在訓(xùn)練像元數(shù)量達(dá)到50后，總體分類精度就趨于穩(wěn)定。

3）圖像紋理特征能有效提升植被類型圖像分類精度。對(duì)于各分類數(shù)據(jù)集，圖像紋理特征的加入均顯著提升了分類精度，其中使用200個(gè)訓(xùn)練像元和GWO方法進(jìn)行波段優(yōu)選的結(jié)果與紋理特征結(jié)合的分類數(shù)據(jù)集（GWO200+TEX）獲得最高的總體分類精度（82.86%）。

[1] Dashti H, Poley A, Glenn N F, et al. Regional scale dryland vegetation classification with an integrated lidar-hyperspectral approach[J]. Remote Sensing, 2019, 11(18): 2141-2156.

[2] Kokaly R F, Despain D G, Clark R N, et al. Mapping vegetation in Yellowstone National Park using spectral feature analysis of AVIRIS data[J]. Remote Sensing of Environment, 2003, 84(3): 437-456.

[3] Lawrence R L, Wood S D, Sheley R L. Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications (Random Forest) [J]. Remote Sensing of Environment, 2006, 100(3): 356-362.

[4] 吳見，彭道黎. 基于空間信息的高光譜遙感植被分類技術(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(5)：150-153.

Wu Jian, Peng Daoli. Vegetation classification technology of hyperspectral remote sensing based on spatial information[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(5): 150-153. (in Chinese with English abstract)

[5] 劉帥，張旭含，李笑迎，等. 基于雙分支卷積網(wǎng)絡(luò)的高光譜與多光譜圖像協(xié)同土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(14)：252-262.

Liu Shuai, Zhang Xuhan, Li Xiaoying, et al. Cooperative land use classification of hyperspectral and multispectral imagery based on dual branch convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020，36(14)：252-262. (in Chinese with English abstract)

[6] Pengra B W, Johnston C A, Loveland T R. Mapping an invasive plant, Phragmites australis, in coastal wetlands using the EO-1 Hyperion hyperspectral sensor[J]. Remote Sensing of Environment, 2007, 108(1): 74-81.

[7] Skowronek S, Ewald M, Isermann M, et al. Mapping an invasive bryophyte species using hyperspectral remote sensing data[J]. Biological Invasions, 2017, 19(1): 239-254.

[8] Ishii J, Washitani I. Early detection of the invasive alien plant Solidago altissima in moist tall grassland using hyperspectral imagery[J]. International Journal of Remote Sensing, 2013, 34(16): 5926-5936.

[9] 孫偉偉，任凱，肖晨超，等. 資源一號(hào)02D衛(wèi)星高光譜與多光譜融合數(shù)據(jù)濱海濕地分類應(yīng)用[J]. 航天器工程，2020，29(6)：162-168.

Sun Weiwei, Ren Kai, Xiao Chenchao, et al. Classification of coastal wetlands based on hyperspectral and multispectral fusion data of ZY-1-02D satellite[J]. Spacecraft Engineering, 2020, 29(6): 162-168. (in Chinese with English abstract)

[10] 李毅夫，王琫瑜，高志海，等. 資源一號(hào)02D衛(wèi)星影像防護(hù)林信息提取方法[J]. 航天器工程，2020，29(6)：174-179.

Li Yifu, Wang Bengyu, Gao Zhihai, et al. Shelter forest in formation extraction method of ZY-1-02D satellite remote sensing images[J]. Spacecraft Engineering, 2020, 29(6): 174-179. (in Chinese with English abstract)

[11] Fu Y Y, Zhao C J, Wang J H, et al. An improved combination of spectral and spatial features for vegetation classification in hyperspectral images[J]. Remote Sensing, 2017, 9(3): 1-16.

[12] Dashti H, Glenn N F, Ustin S, et al. Empirical methods for remote sensing of nitrogen in drylands may lead to unreliable interpretation of ecosystem function[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(6): 3993-4004.

[13] Zhang L F Zhang L P, Tao D C. On combining multiple features for hyperspectral remote sensing image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3): 879-893.

[14] Hughes G F. On the Mean Accuracy of Statistical Pattern Recognizers[J]. IEEE Transactions on Information Theory, 1968, 14(1): 55-63.

[15] Hennessy A, Clarke K, Lewis M. Hyperspectral classification of plants: a review of waveband selection generalisability[J]. Remote Sensing, 2020, 12(1): 113-139.

[16] Wang H, Han Z Z, Xie Q Y, et al. Finite-time chaos control via nonsingular terminal sliding mode control[J]. Communications in Nonlinear Science and Numerical Simulation, 2009, 14(6): 2728-2733.

[17] 姚旭，王曉丹，張玉璽，等. 特征選擇方法綜述[J]. 控制與決策，2012，27(2)：161-167.

Yao Xu, Wang Xiaodan, Zhang Yuxi, et al. Summary of feature selection algorithms[J]. Control and Decision, 2012, 27(2): 161-167. (in Chinese with English abstract)

[18] Vaiphasa C, Skidmore A K, Boer W F D, et al. A hyperspectral band selector for plant species discrimination[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2007, 62: 225-235.

[19] Monteiro S T, Kosugi Y. A particle swarm optimization-based approach for hyperspectral band selection[C]. IEEE Congress on Evolutionary Computation.Piscataway, NJ: IEEE, 2007: 3335-3340.

[20] Zhang Y Y, Jin Z G, Mirjalili S. Generalized normal distribution optimization and its applications in parameter extraction of photovoltaic models[J]. Energy Conversion and Management, 2020, 224: 113301-113314.

[21] Sabat-Tomala A, Raczko E, Zagajewski B. Comparison of support vector machine and random forest algorithms for invasive and expansive species classification using airborne hyperspectral data[J]. Remote Sensing, 2020, 12(3): 516-536.

[22] Yu S X, Backer S D, Scheunders P. Genetic feature selection combined with composite fuzzy nearest neighbor classifiers for hyperspectral satellite imagery[J]. Pattern Recognition Letters, 2020, 23: 183-190.

[23] Chalermwat P, El-Ghazawi T, Lemoigne J. 2-phase GA-based image registration on parallel clusters[J]. Future Generation Computer Systems, 2001, 17: 467-476.

[24] Nguyen T, Han J, Park D. Satellite image classification using convolutional learning satellite image classification using convolutional learning[C]. AIP Conference Proceedings, Melville, USA: AIP Publishing, 2013.

[25] Mertens K C, Verbeke L P C, Ducheyne E I, et al. Using genetic algorithms in sub-pixel mapping[J]. International Journal of Remote Sensing, 2003, 24(21): 4241-4247.

[26] Cogdill R P, Hurburgh C R, Rippke G R. Single-Kernel maize analysis by near-infrared hyperspectral imaging[J]. American Society of Agricultural Engineers, 2006, 47(1): 311-320.

[27] Tjiong A S J, Monteiro S T. Feature selection with PSO and Kernel methods for hyperspectral classification[C]. 2011 IEEE Congress of Evolutionary Computation (CEC). Piscataway, NJ: IEEE, 2011: 1762-1769.

[28] 王藝婷，黃世奇，劉代志，等. 基于粒子群優(yōu)化算法的波段選擇方法[J]. 計(jì)算機(jī)仿真，2015，32(9)：417-420.

Wang Yiting, Huang Shiqi, Liu Daizhi, et al. Band selection method based on particle swarm optimization[J]. Computer Simulation, 2015, 32(9): 417-420. (in Chinese with English abstract)

[29] 劉全金，趙志敏，李穎新，等. 基于近鄰信息和 PSO 算法的集成特征選取[J]. 電子學(xué)報(bào)，2016，44(4)：995-1002.

Liu Quanjin, Zhao Zhimin, Li Yingxin, et al. Ensemble feature selection method based on neighborhood information and PSO algorithm[J]. Acta Electronica Sinica, 2016, 44(4): 995-1002. (in Chinese with English abstract)

[30] 王俊，馮軍，張戈，等. 基于改進(jìn)灰狼優(yōu)化算法的醫(yī)學(xué)數(shù)據(jù)特征選擇應(yīng)用研究[J]. 河南大學(xué)學(xué)報(bào)：自然科學(xué)版，2020，50(5)：570-578.

Wang Jun, Feng Jun, Zhang Ge, et al. Application research of medical data feature selection based application research of medical data feature selection based on improved grey wolf optimization algorithm[J]. Journal of Henan University: Natural Science, 2020, 50(5): 570-578. (in Chinese with English abstract)

[31] Emary E, Zawbaa H M, Hassanien A E. Binary gray wolf optimization approaches for feature selection[J/OL]. Neurocomputing, 2016, 172: 371-381.

[32] Haralick R M, Dinstein I, Shanmugam K. Textural features for image classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973, 3(6): 610-621.

[33] 汪雪淼，孟慶巖，趙少華，等. GF-2在城市綠地分類及景觀格局度量中的應(yīng)用[J]. 地球信息科學(xué)學(xué)報(bào)，2020，22(10)：1971-1982.

Wang Xuemiao, Meng Qingyan, Zhao Shaohua, et al. Urban green space classification and landscape pattern measurement based on GF-2 image[J]. Journal of Geo-information Science, 2020, 22(10): 1971-1982. (in Chinese with English abstract)

[34] Sluiter R, Pebesma E J. Comparing techniques for vegetation classification using multi- and hyperspectral images and ancillary environmental data[J]. International Journal of Remote Sensing, 2010, 31(23): 6143-6161.

[35] Burai P, Deák B, Valkó O, et al. Classification of herbaceous vegetation using airborne hyperspectral imagery[J]. Remote Sensing, 2015, 7(2): 2046-2066.

[36] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35-46.

[37] Cho M A, Debba P, Mathieu R, et al. Improving discrimination of savanna tree species through a multiple-endmember spectral angle mapper approach: Canopy-level analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(11): 4133-4142.

[38] Naidoo L, Cho M A, Mathieu R, et al. Classification of savanna tree species, in the Greater Kruger National Park region, by integrating hyperspectral and LiDAR data in a Random Forest data mining environment[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 69: 167-179.

[39] Gong P, Ruilianp P, Yu B. Conifer species recognition: An exploratory analysis of in situ hyperspectral data[J]. Remote Sensing of Environment, 1997, 62(2): 189-200.

[40] Blackburn G A. Hyperspectral remote sensing of plant pigments[J]. Journal of Experimental Botany, 2007, 58(4): 855-867.

[41] Mariotto I, Thenkabail P S, Huete A, et al. Hyperspectral versus multispectral crop-productivity modeling and type discrimination for the HyspIRI mission[J]. Remote Sensing of Environment, 2013, 139: 291-305.

[42] Clark M L, Roberts D A, Clark D B. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales[J]. Remote Sensing of Environment, 2005, 96(3/4): 375-398.

[43] Adam E, Mutanga O. Spectral discrimination of papyrus vegetation (L.) in swamp wetlands using field spectrometry[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(6): 612-620.

[44] George R, Padalia H, Kushwaha S P S. Forest tree species discrimination in western Himalaya using EO-1 Hyperion[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 28(1): 140-149.

[45] Lim J, Kim K M, Jin R. Tree species classification using hyperion and sentinel-2 data with machine learning in South Korea and China[J]. ISPRS International Journal of Geo-Information, 2019, 8(3): 150-172.

Method for classifying vegetation types in arid areas combining spectral and textural features of ZY-1 02D

Shuai Shuang1,3, Zhang Zhi2※, Zhang Tian2, Xiao Chengzhi2, Chen Si3, Ma Zicheng2, Xie Cuirong3

(1.,(),430074,; 2.,(),430074,; 3.,430010,)

With the continuous development of hyperspectral remote sensing technology, it has been widely used in vegetation mapping. However, sparse vegetation canopy, soil background, and spectral similarity between different types of vegetation are still the main challenges for vegetation types mapping in arid areas. As a result, it is difficult to achieve reliable classification accuracy by using spectral or texture features separately. Generalized Normal Distribution Optimization (GNDO) is a new feature optimization algorithm, with advantages in quality and stability of feature extraction results, comparing to traditional optimization algorithms. But it has not yet been applied to select bands of hyperspectral data. In order to validate the feasibility of combining ZY-1 02D spectral and texture features to classify vegetation types in arid areas, to verify the effectiveness of the GNDO method for bands selection of hyperspectral data, and to explore the effects of feature selection methods and training sample numbers on the classification accuracy of vegetation mapping, different Wrapper Optimization methods, such as Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Grey Wolf Optimization (GWO), and GNDO, were applied to select spectral features for vegetation mapping, taking the area around Zongjia Town, Dulan County, Qinghai Province, China as the research area, then the band selection results of these methods were analyzed. Train sample set containing 30, 50, 100, 150, and 200 pixels per class were used to select bands and to train the classifier. Different methods (ALL (without bands selection), GA, PSO, GWO, GNDO) and different sizes of the trained sample sets (30, 50, 100, 150, and 200 pixels per class) were used to obtain 25 spectral feature-based classification data sets. Simultaneously, 8 texture features (mean, variance, homogeneity, contrast, dissimilarity, entropy, second moment) were extracted using the Gray-level co-occurrence matrix (GLCM) method, and selected on basis of distinguishability for vegetation types. Texture features (TEX) were combined with spectral feature-based classification data sets. The random forest classification method was applied to classify vegetation types for the classification data sets, and the classification accuracy of classification data sets was evaluated and compared. The results show that 1) the blue region (400-450 nm), the red edge region (700-750 nm), and the red region (600-650 nm) are the most sensitive to distinguish the vegetation types in the study area; 2) the GNDO200 achieved the highest overall classification accuracy (80.44%) among the spectral feature-based classification data sets, which was better than the classification accuracy (78.86%) using all bands (ALL200); 3) with the increase of training samples, the overall classification accuracy of each classification data set showed an increasing trend, the classification accuracy of different feature selection methods showed different reliance on the number of training samples; 4) image texture features significantly improved the classification accuracy, and the GWO200+TEX dataset had the highest overall classification accuracy (82.86%). This study could verify the potential of the ZY1-02D, the new hyperspectral satellite data, for the classification of vegetation types in arid areas, and provide an idea for the selection of spectral and texture features in hyperspectral vegetation mapping.

remote sensing; algorithm;ZY1-02D; vegetation classification; feature selection; GNDO

10.11975/j.issn.1002-6819.2021.21.023

P237；TP79；S-3

A

1002-6819(2021)-21-0199-9

帥爽，張志，張?zhí)?，?結(jié)合ZY-1 02D光譜與紋理特征的干旱區(qū)植被類型遙感分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(21)：199-207.doi：10.11975/j.issn.1002-6819.2021.21.023 http://www.tcsae.org

Shuai Shuang, Zhang Zhi, Zhang Tian, et al. Method for classifying vegetation types in arid areas combining spectral and textural features of ZY-1 02D[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 199-207. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.21.023 http://www.tcsae.org

2021-06-11

2021-09-15

青海省青藏高原北部地質(zhì)過程與礦產(chǎn)資源重點(diǎn)實(shí)驗(yàn)室專項(xiàng)基金（2019-kz-01）；青海省科技廳創(chuàng)新平臺(tái)建設(shè)專項(xiàng)項(xiàng)目“青海省自然資源要素與生態(tài)狀況一體化遙感監(jiān)測(cè)應(yīng)用平臺(tái)”（2019-ZJ-T04）；中國(guó)地質(zhì)調(diào)查局項(xiàng)目（DD20191011；DD20190705；DD20190511）

帥爽，博士生，研究方向?yàn)檫b感地學(xué)應(yīng)用。Email：21844ss@cug.edu.cn

張志，博士，教授，研究方向?yàn)檫b感地學(xué)應(yīng)用。Email：3slab@cug.edu.cn