无人机高光谱影像与冠层树种多样性监测 生物多样性    2021, 29 (5): 647-660.   DOI: 10.17520/biods.2021013

图2 冠层RGB影像与主成分分析(PCA)处理后的冠层高光谱影像对比图。(A)冠层RGB影像, 各树种冠层呈现相近的绿色; (B)通过PCA处理后的前三轴的冠层高光谱影像, 不同树种的林冠呈现不一样的颜色, 这意味着高光谱影像具备充分的潜力, 能够反映出不同树种之间的细微差异。

正文中引用本图/表的段落

以图2的冠层高光谱影像为例, 在普通RGB冠层影像上几乎无法区分不同物种的冠层信息。通过主成分分析(principal component analysis, PCA)提取冠层高光谱影像的主要信息后, 就能看到不同树种的林冠呈现出不同的颜色(图2)。这就意味着在普通RGB影像上都是绿色的植物, 在不同的光谱曲线上存在可区别的颜色差异, 说明高光谱影像具备充分潜力, 能够反映出不同树种之间的细微差异。

然而, 利用无人机收集高光谱数据需要考虑光照、风速等天气因素; 在实际飞行过程中, 为了覆盖大片区域, 一般需要设定多条飞行路线, 这些路线会受到采集时间、太阳角度、天气条件和潜在的不同植物物候状态的影响(Fricker et al, 2019), 所以在飞行之前需要进行一定量的前期准备工作, 如无人机飞行航线预设、反射率设置, 飞行安全保障等, 以保证高光谱影像的质量。相对于RGB影像, 高光谱影像具有丰富的光谱信息, 对太阳高度角等外界环境因素很敏感, 所以在飞行过程中也需要不断采集白帧与暗背景以便于后续校准。对于不同类型的高光谱相机收集到的数据, 处理方法有所不同。对于内置推扫式高光谱相机, 图像拍摄结束后, 相片需要依次进行镜头校正、反射率校正、大气校正等。镜头校正主要用以纠正高光谱镜头成像的畸变; 反射率校正用来校正在当前光照条件下物体的真实反射率; 大气校正用于消除水汽等大气因素对于物体反射的影响①(① 陆嘉辉 (2020) 基于林冠高光谱影像的树种分类研究. 硕士学位论文, 华东师范大学, 上海.)。相片校正结束后, 需要将数据文件集导入专业的拼接软件进行图像拼接。一般的拼接软件利用经纬度信息及重投影(reprojection)算法细化高光谱相机参数, 从而实现影像拼接(黄宇等, 2019)。但这种处理方式忽略了高光谱内丰富的光谱信息。如果定位不够精准, 就会产生偏差; 当然也存在一些商用软件可以利用高光谱的光谱特性辅助拼接, 但目前仍处于不断发展过程中, 软件的功能与稳定性逐步提升。对于画幅式高光谱相机, 所得的高光谱影像不需要经过镜头校正, 一般会在采集高光谱影像的同时采集分辨率更高的灰度图像, 先将两者融合, 再与校正后的灰度图像进行影像配准, 得到校正融合影像, 通过影像镶嵌、拼接、感兴趣区域提取、平滑等步骤得到最终影像(秦占飞等, 2016)。而对于随飞行外置推扫式高光谱相机而言, 除了之前的镜头校正、反射率校正和大气校正外, 还需要利用二项反射分布函数(bidirectional reflection distribution function, BRDF)进行正射归一化校正, 采集的图像并不需要拼接, 而是直接利用航带进行分析(荚文等, 2017)。当前无人机图像以及多源数据处理技术日益强大, 一站式行业软件(常用的一站式行业航测图像分析软件见附录2)的进步, 使得后期图像拼接、数据处理有了基本保障, 从而使生态学家们能将更多精力投入到数据分析层面。

本文的其它图/表

• 图1 浙江天童亚热带常绿阔叶林典型森林冠层RGB影像与高光谱影像示意图。(A)普通RGB影像, 仅包含红(620-760 nm)、绿(500-560 nm)、蓝(430-470 nm) 3层信息, 因此在RGB影像中多数常绿树种的冠层呈现近乎相同的绿色, 给冠层树种的识别造成了极大的困难; (B)冠层高光谱影像的三维立体展示, x轴为扫描长度, y轴为扫描宽度, z轴为光谱轴; (C)选定像素的光谱反射曲线, 横坐标代表波长, 纵坐标代表波段反射率值, 该像素在不同的波段下表现出不同的反射率值, 组成了一条近乎连续的光谱曲线。
  
• 图3 个体的林冠层光谱特征曲线。(A)主成分分析(PCA)处理后的冠层高光谱影像, 其中数字①-⑤分别代表不同的个体。(B) 5个林冠个体的光谱反射曲线。不同的植物因其化学性质和结构的不同, 表现出不同的光谱反射曲线, 这是基于光谱物种分类的基础。
  
• 图4 基于深度学习网络的分类模型。模型中包括输入层、隐藏层和输出层, 隐藏层用于提取图像特征, 层数越高, 隐藏层提取的特征越高级。
  
• 图5 2000-2019年间生态学领域中分别使用无人机(UAV)、深度学习、高光谱进行研究的文章统计结果
  
• 图6 深度学习与非深度学习算法在高光谱树种分类中的表现。通过统计检验结果可看出, 深度学习算法在物种分类中有明显优势。