基于无人机高光谱遥感的荒漠化草原草种类分类研究

作     者：张锡鹏 

作者单位：内蒙古农业大学 

学位级别：硕士

导师姓名：杜建民

授予年度：2020年

学科分类：083002[工学-环境工程] 090503[农学-草业科学] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 0909[农学-草学] 07[理学] 08[工学] 0905[农学-畜牧学] 09[农学] 0903[农学-农业资源与环境] 0713[理学-生态学] 

主      题：无人机遥感 荒漠化草原 Vgg-16卷积神经网络 Bisenet卷积神经网络 草种分类 

摘      要：我国草原面积位居世界第二位,仅次于澳大利亚,内蒙古地区草原面积为8666.7万公顷,其中有效天然牧场6800万公顷,占全国草场面积的27%。近几年来,草原退化已成为我国首要的生态问题,而内蒙古地区在改革开放以来畜牧业发展迅速,但草原生态与畜牧业之间矛盾也日渐显现,草原整体生态环境不断恶化。草原退化不仅表现为单位面积草量下降,还表现为各种类优良牧草变劣以及植被群落结构的改变。本研究以内蒙古荒漠化草原为研究对象,具体实验地点为内蒙古四子王旗试验区。为得到准确的草原退化信息,采用地面和空中两套高光谱采集系统,采集的地面数据空间分辨率为0.63mm,空中数据空间分辨率为1.1cm。高光谱数据的信息含量大,并相比于卫星遥感保证了数据的空间分辨率,基本实现了对草原草种的识别分类以及区域性监测。针对高光谱数据波段数多、冗余度高的特点,本研究采用了 PCA波段选择法,对地面和空中的高光谱数据进行波段选择并重组,有效的减小了数据量以及处理的复杂程度。利用PCA波段选择法将每张高光谱数据的单个波段视为一维向量组成互不相关的n维矩阵,通过计算协方差矩阵的特征值、特征向量得到贡献率最大的几个波段进行重组。数据预处理之后,将地面和空中的数据输入卷积神经网络,地面数据通过卷积、批归一化、激励函数以及池化下采样提取特征,获得最大感受野,通过反向传播调整权重系数最后从全连接层输出较好的分类结果。本研究分别使用深层网络与浅层网络做对比实验,实验结果表明,Vgg-16卷积神经网络对荒漠化草原优势种有较好的分类性能。本研究还对不同时期植被数据输入模型中验证,得出了植被结实期的分类效果最佳的结论。空中数据经过划定感性区域,导出感性区域位置信息,数据增强等手段后输入Bisenet双向分割卷积神经网络,数据通过空间分支网络和上下文分支网络,分别提取图像的空间信息,边缘细节特征,以及最大感受野,通过特征融合模块对提取的特征进行整合,输出加权后的损失率,最后通过不断地迭代由全连接层输出分类结果。空中的语义分割网络可将图像以可视化的形式呈现分类结果,更加直观的表现了卷积神经网络对荒漠化草原优势种的分类性能。本研究使用机载地面两用型高光谱仪获得内蒙古典型荒漠化草原高光谱数据,基于PCA和卷积神经网络构成了地面以及空中两种草种分类模型。并通过设计对比实验表明本研究两种分类模型在针对内蒙古荒漠化草原草种的分类具有较大的优势。