应用机载高光谱与机器学习法的绿藻识别算法研究

作     者：孙琳 毕卫红 刘桐 武家晴 张保军 付广伟 金娃 王兵 付兴虎 SUN Lin;BI Wei-hong;LIU Tong;WU Jia-qing;ZHANG Bao-jun;FU Guang-wei;JIN Wa;WANG Bing;FU Xing-hu

作者机构：燕山大学信息科学与工程学院河北省特种光纤与光纤传感重点实验室河北秦皇岛066004 秦皇岛红燕光电科技有限公司河北秦皇岛066004 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2023年第43卷第11期

页      面：3637-3643页

核心收录：

学科分类：0711[理学-系统科学] 082803[工学-农业生物环境与能源工程] 08[工学] 0828[工学-农业工程] 0837[工学-安全科学与工程] 0804[工学-仪器科学与技术] 0714[理学-统计学（可授理学、经济学学位）] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

基　　金：国家重点研发计划项目(2019YFC1407904) 河北省省级科技计划项目(205A3901D)资助 

主　　题：海洋监测 无人机 高光谱 绿潮 机器学习 

摘      要：绿潮是一种海洋大型藻暴发性生长聚集形成的藻华现象,严重影响沿海的生态环境。绿潮覆盖面积的精准监测对绿潮灾害预防、监测和治理有着重要意义。利用光谱方法进行遥感监测拥有非接触、成本低和损耗小等优势,其中机载高光谱遥感凭借其光谱和空间分辨率高及成像通道多的优势,在海洋领域拥有广泛的应用前景。利用大疆M300 RTK专业级无人机搭载410 Shark高光谱成像系统对秦皇岛市金梦海湾海域的绿藻暴发区进行数据采集。对采集到的光谱数据进行数据预处理,提取不同地物的光谱特征,基于该特征构建了容量为30000的光谱特征数据集,随机的将数据集划分为训练集和测试集,其中训练集占比75%,测试集占比25%。通过决策树、随机森林、支持向量机(SVM)、K最近邻(KNN)和三输入的投票分类器五种机器学习算法建立高光谱绿潮反演模型。对基于机载高光谱成像系统的地面分辨单元(GRC)计算绿潮暴发区的绿潮覆盖面积,并基于数据集内准确率、Kappa系数和预设标准面积误差验证法测试反演模型的分类精度。结果表明:在对高光谱数据进行绿藻像元和其他地物像元的二分类和利用所构建的分类器进行大数据预测时,先进行波段选择可节约大量时间;对高光谱数据进行对数处理增强谱间差异后再构建分类器模型,可有效提高模型的分类准确率;基于随机森林、SVM和KNN的三输入的投票分类器建立的高光谱绿潮反演模型的反演精度最高,数据集准确率达到98.95%,Kappa系数为0.9789,预设标准面积误差验证法得到的分类误差为6.06%。通过对实验区高光谱图像的预测应用,证明了该模型在预测大数据时仍保持较高准确率,且对混合像元区的水中绿藻像元也能给出定义,证明了该方法在绿潮遥感监测领域的可行性和优越性,在绿潮面积监测领域具有普适性,在海洋监测领域具有广泛的应用前景。