基于UAV高光谱数据的城区优势树种提取研究

作     者：马晓童 

作者单位：山东师范大学 

学位级别：硕士

导师姓名：满其霞

授予年度：2024年

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 09[农学] 0903[农学-农业资源与环境] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

主      题：高光谱遥感 树种提取 传统机器学习 深度学习 时相信息 迁移学习 

摘      要：及时、准确获取城市树种类型对于城市绿化管理、生态环境监测等具有重要意义。目前基于星载高光谱数据的树种提取研究,无法满足复杂城区高精度应用需求。无人机平台、遥感技术以及深度学习算法的快速发展,为复杂城区树种精准识别提供了可能。然而,目前鲜有研究将其应用于复杂城区,探索传统分类算法、深度学习模型在复杂城区的性能。 鉴于此,本文采用多时相无人机高光谱数据对山东师范大学千佛山校区的主要优势树种进行提取。通过构建传统机器学习模型以及深度学习模型,结合特征组合方案,提取城区优势树种,最终通过精度验证,评价不同模型的性能,进而探究特征组合、分类算法等对城区优势树种提取精度的影响。本研究的主要结果及结论包括以下方面: (1)对于传统机器学习模型,光谱特征是树种提取最重要的特征,纹理特征的加入可以在一定程度上提高传统机器学习对树种提取的精度。在传统机器学习的分类方法中,随机森林表现出较好的优势树种提取性能(夏季数据集总体精度(Overall accuracy,OA)为80.81%,秋季数据集OA为91.71%)。同时单木粗提取与最大投票法相结合可以优化基于像素的分类结果中出现的椒盐效应,但单木分割的精度仍需要进一步提高。 (2)对于深度学习模型,多类型特征组合的引入,尤其是纹理特征的加入可以在一定程度上提高深度学习对树种提取的精度。在深度学习方法中,空谱联合的3D-CNN优势树种提取效果较好(夏季数据集OA为86.39%,秋季数据集OA为97.13%)。同时旋转、翻转等样本扩增的方法有助于改善深度学习模型的树种识别精度(最佳的总体精度(OA)提高了2.82%)。 (3)针对不同时相UAV高光谱数据,多时相数据有助于改善城区的优势树种提取。其中,秋季高光谱特征组合似乎更有助于增加树种冠层之间的差异性,从而提高树种提取效果。通过迁移通用模型可知,3D-CNN对于不同时相的优势树种提取具备较好的泛化能力。时相特征组合有助于改善随机森林的树种提取结果(OA为95.64%),但对于多时相特征的利用,3D-CNN需要进一步探究。