基于BP神经网络高光谱果树树种识别研究.docVIP

基于BP神经网络高光谱果树树种识别研究 　　摘要：高光谱具有波段窄、波段多的特点，能够提供比多光谱遥感更精细的地物光谱信息，为识别光谱性质相似的森林树种提供了有效途径。对南疆盆地4种主栽果树树种（苹果、香梨、核桃、红枣）的冠层光谱数据进行测量，用BP神经网络对原始光谱数据及其经一阶微分、对数一阶微分、归一化一阶微分变换后的光谱数据进行分类识别，结果表明：对数一阶微分和归一化一阶微分变换后树种识别精度分别为94%和88%以上；红边区的光谱波段包含了大量树种识别的信息；采用BP神经网络能够对南疆盆地主栽果树进行基于冠层光谱的分类，而且分类精度相对较高。 　　关键词：高光谱数据；波段选择；BP神经网络；树种识别；果树 　　中图分类号： S126；TP391.4文献标志码： A文章编号：1002-1302（2016）05-0410-04 　　在南疆特色林果产业化的进程中，其信息化建设明显滞后，传统调查方式以多光谱遥感和地面辅助调查为主，不仅分辨率具有局限性，而且费时、耗力、周期长[1]。自1980年以来，高光谱遥感冲破技术障碍，在对地观测方面获得了重大突破，相比多光谱遥感技术，它具有波段窄、数量多的特征，可以提供更详细的目标光谱信息，为研究地物的细微特征提供了快速、准确、有效的途径[2]。因此林果树种的高光谱遥感识别对新疆南疆盆地特色林果产业的可持续经营具有重要的现实意义[3-5]。目前，我国已有一些基于高光谱遥感技术进行森林树种识别的研究。宫鹏等通过对6种主栽针叶树种的高光谱实地测量，开展了不同季节（夏、秋季）针叶树种的高光谱数据分类研究[6]。王志辉等利用测量的4种树种叶片光谱数据，进行了可识别性波段的选择与光谱特征参量的分析[7]。于祥等对广西红树林进行高光谱实测，通过多种光谱分类方法对多个红树林树种进行了分类研究[8]。 　　高光谱遥感技术在为树种的精细识别带来可能性的同时，也带来了数据冗余度大的问题。怎样在高光谱数据信息利用最大化的基础上，高效处理高光谱数据成为高光谱研究领域的焦点和未来发展的重要方向[9-11]。刘秀英等利用分层聚类法和逐步判别分析进行波段选择，对桂花树、小叶樟树、雪松和杉木4个树种的识别进行了研究，取得了较好的效果[12]。藏卓等利用对雪松、黑松、马尾松、杉木等针叶树种的高光谱实测，通过主成分分析和遗传算法两种波段选择方法对树种识别进行比较研究，有一定的实用性[13]。此外，许多学者基于遥感影像对森林类型进行分类时，使用了最佳指数法、波段指数法、灰度值法等几种常用的高光谱遥感影像的波段选择方法，认为最佳指数法用于高光谱遥感的树种识别具有一定可行性和优越性[14-16]。因此，本研究采用最佳指数法对高光谱数据进行波段选择，并利用BP神经网络对波段选择数据进行分类，从而对新疆南疆盆地4种主栽果树树种进行分类识别，为探索星载高光谱遥感树种识别提供技术支持。 　　1材料与方法 　　1.1试验对象 　　试验时间为2014年6月，试验地点位于新疆阿克苏地区红旗坡农场（地理坐标41°14′39″～41°16′18″N、80°15′46″～80°18′51″E，海拔1 213 m），试验对象是处在相同立地条件、自然状态下生长的4种南疆塔里木盆地主栽果树树种：红富士苹果（Malus pumila Mill）、库尔勒香梨（Pyru bretschneideri Rehd）、核桃（Juglans regia Linn.）、红枣（Ziziphus zizyphus Mill）。选择冠型均匀的样本，苹果为大、中、小冠型，香梨、核桃为大冠型，红枣为小冠型，共选择样地21块，总样株252株，其中苹果样地6块，每块11～12株，香梨、核桃样地各5块，每块12～13株，红枣样地5块，每块12株，基本生长状况如表1所示。 　　1.2数据获取 　　光谱测量仪器采用美国ASD公司生产的手持式野外光谱辐射仪（FieldSpec HandHeld），该仪器能够在325～1 075 nm 的波长范围内进行连续的光谱测量，光谱分辨率和光谱采样间隔均为1 nm，视场角为25°，共751个波段。在天气晴朗、无风无云的条件下，选择正午太阳高度角变化不大的时间段（北京时间12：00―16：00）进行4种果树冠层光谱反射率数据测量。测量时，将光谱仪探头垂直向下置于冠层之上，并与冠幅保持约1 m高度，同时根据所选样株冠幅大小调整探头与冠幅的距离。将每个样株冠层分为阴面、阳面2个方向进行测量，每个方向重复测量5次，取平均值作为样株这一方向上的光谱反射率，之后在剔除异常反射率光谱曲线的基础上，对每种树该方向的所有样本的光谱反射率进行平均，得到每种树该方向的光谱值。为保证数据的有效性与准确性，每隔10 min进行1次标准白板矫正。 　　1.3高光