续~

4、结果分析

4.3 不同分类方法比较与分析

4.3.1基于SVM方法的分类结果比较

在不同SVM分类方法中，由于其所采用的分类模型和输入特征差异影响，分类结果也存在较大差异。相较于SVM-Linear方法，SVM-RBF模型采用RBF核函数将原始特征光谱空间投影到更加高维空间，以解决线性不可分问题，理论上应该可以得到更好的分类结果。然而在本实验中，SVM-RBF模型并没有体现出更加强大的优势，反而在西瓜、水泥路面、裸土这些地物分类中表现出更差的分类结果。这有可能与训练样本的数量和可分性密切相关，这些地物的样本数量偏少，样本空间即使投影到高维空间，也难以被区分开来。高光谱不同波段之间的强相关性以及信息冗余“Hughes现象”，主成分变换方法可以对原始光谱数据进行降维，通过提取部分主成分分量进行地物分类有可能在一定程度上提高分类模型的鲁棒性。提取前k个主分量输入到基于RBF核变换的SVM分类模型中，得到的分类结果精度与主成分分量个数之间的关系如图5所示。

图5 基于不同方法的作物分类结果

可以发现，当主分量数量过少，会影响到分类精度，而随着主分量数量的增加，分类精度会有所提升直到稳定状态，此时如果再增加主分量数量，分类精度反而会下降。

图6 不同数量的主成分分类精度变化

从图6可以看出，取前15个主成分分量能够达到较好的分类结果，此15个主成分占原图像信息含量为99.92%，所有地物的平均分类精度为83.15%，仅裸土的分类精度较低。如果在此基础上再加入灰度共生矩阵的纹理特征，即SVM-RBF-PCAGLCM模型。一般来说，将高空间分辨率图像的空间纹理特征输入到分类器中有助于提高图像分类精度。但对于本研究而言，它并没有获得理想效果，这是因为本研究区地表覆盖类型十分复杂、作物的生长阶段也不一致，多数地物并没有体现出有规律的空间纹理特征所致。

表2 测试样本的分类精度

但是从表2也可以看出，对于大面积分布、有一定空间纹理规律的地物，SVM-RBF-PCA-GLCM模型能够得到较好的效果，如丝瓜、水稻、铁皮厂房、南瓜、黄瓜。相较于本文其他SVM方法，采用空间后处理技术的SVM-ERW方法考虑了相邻像素之间的空间相关性以及训练样本和测试样本之间的连通性，在消除“椒盐”噪声方面表现良好，同时在整体精度上展示出较好的性能，但是该方法容易将作物间的其他地物类型划分为相同作物，比如其中的水泥路面、裸土和其他，多被错误划分成邻近作物类型。

4.3.2基于深度学习方法的分类结果比较

针对高光谱遥感图像高维非线性问题，深度学习方法具有较强的自主学习能力的优势，并且能够解决复杂的多维非线性问题，可以从原始图像中提取各层次特征，从而在高光谱图像分类中表现出更强的鲁棒性。

从分类结果上看出，3DCNN模型与Attention-CNN模型由于融合了图像光谱—空间信息，极大地提升了高光谱图像分类精度，同时分类结果也剔除了大部分椒噪声；基于深度学习方法的分类结果总体分类精度整体上比SVM方法提升了12.7%。3D-CNN模型基于整个高光谱立方体数据集，有效地提取了光谱—空间特征，并且不依赖于数据预处理方式或后期处理，能够取得较好的效果，所有地物类型的分类精度均有很大的提升。引入注意力机制的AttentionCNN模型，可以让模型忽略无关信息而更多地关注图像中的高阶光谱特征，从而提升图像分类效果。从分类结果上来看，Attention-CNN模型与3D-CNN模型在总体分类精度OA、Kappa系数上并没有体现出太多的差异，但是它的平均分类精度却提升了3.7%，对于西瓜这类小样本数量地物而言，其分类精度远超过其他方法。

4.4 不同覆盖背景下蔬菜作物的分类结果

不同覆盖背景会与作物产生光谱混合现象，特别是作物处于不同生长发育阶段、叶面积覆盖较小时，作物混合光谱效应越明显，混合光谱差异越大，从而影响作物的精细分类结果。水稻作物由于没有覆盖背景影响且叶面积覆盖较大，其光谱特征明显、作物内部同质性高，因此在所有分类方法中水稻作物能够很好地与蔬菜其他作物区分开来。辣椒包含地膜、大棚和防虫网3种覆盖背景，尽管总体上深度学习方法获得了较好的分类结果，但是在不同覆盖背景上的分类效果还是存在一定的差异。在3D-CNN模型的分类结果中，均会出现部分区域由于混合光谱影响而错分为其他类型的现象，特别是在小尺度地块分类结果中，3种覆盖类型的部分地块均出现了极端错误分类情形。例如第二排小尺度地块中的左起第12块大棚覆盖辣椒、第23块防虫网覆盖辣椒以及第三排第5、6块地膜覆盖辣椒均出现了极端错误分类情况；而在Attention-CNN模型辣椒分类结果中，仅第二排第12块大棚覆盖辣椒出现了极端错误现象，其他覆盖背景的辣椒作物得到了较好的分类效果，但是大尺度地块上地膜覆盖辣椒除外。地膜覆盖的丝瓜在3D-CNN模型中分类效果较好，但防防虫网覆盖的丝瓜欠佳；Attention-CNN模型的分类效果与之相反。在小尺度地块上，地膜和大棚覆盖的茄子在Attention-CNN模型中均得到了较好的分类效果。

产生上述现象的原因在于不同覆盖背景对训练集混合光谱的影响。在实验区中，辣椒、茄子和丝瓜3种作物最为典型，均受了地膜、大棚及防虫网覆盖背景的影响。它们处在不同生长发育阶段，其中辣椒处于初花期生长阶段，叶片较为茂盛，植株长势较好；茄子处于移栽期，叶片较小，植株整体偏小；丝瓜处于盛果期，叶片茂密，整体植株覆盖面积大。这3种作物在不同覆盖背景下的作物光谱如图7所示。

图7　不同覆盖背景下蔬菜作物光谱

从图7中可以看出，不同覆盖背景下的作物光谱有显著差异，这也给同种作物精细分类带来较大挑战。不同蔬菜作物受覆盖物材质、颜色以及作物生长物候等因素影响，其光谱曲线的变化会存在一定的不确定性。在将来的研究中，我们将围绕不同地区常用地膜、大棚材质、颜色开展更进一步的高光谱成像实验，深入分析其光谱、空间特征变化机理，阐明蔬菜作物设施覆盖对其光谱的影响性。

五、结论

本研究以湖南省农业科学研究院高桥科研基地为研究区，通过利用无人搭载高光谱传感器获取研究区的高光谱数据，采用当前流行SVM机器学习方法和深度学习方法对研究区的蔬菜作物进行了精细分类，经过对分类结果比较和精度评价分析，不同的方法均能得到较好的效果，可为复杂背景下田间蔬菜作物无人机高光谱精细分类提供一定的技术支持。通过本次研究，可以得到以下结论：

（1）无人机高光谱遥感数据兼具高空间分辨率和高光谱分辨率的特点，在受到地膜、防鸟网、大棚覆盖等复杂背景影响情况下，仍可有效地实现蔬菜作物高精度精细分类，可对区域蔬菜作物管理现代化、自动化和精细化提供有力支撑。

（2）基于SVM的不同分类方法可以得到较好的分类效果，但难以克服分类中的椒盐噪声影响；由于高光谱数据的高维度、信息冗余、非线性等特点，直接将原始高光谱特征输入SVM分类器以及核变换分类器，效果不甚理想，但是通过选择主成分降维后可以有效地提升分类效果，但是效果有限；鉴于本研究不同蔬菜作物的种植背景较为复杂、作物生长阶段差异较大，空间纹理结构特征的输入并没有取得理想的分类精度提升效果。

（3）基于深度学习的方法（1D-CNN除外）可以有效实现对复杂背景下的蔬菜作物分类；三维卷积神经网络（3D-CNN）能够有效地提取高光谱图像中的光谱—空间特征，并从中挖掘深层次的高级语义信息，分类结果中能有效地消除椒盐噪声，在蔬菜作物精细分类中表现出强大的优势；基于注意力机制的卷积神经网络（Attention-CNN）通过关注图像中的光谱—空间特征信息，在分类精度上表现得更加平衡，对于西瓜这类小样本数量地物而言，其分类精度远超过其他方法。

（4）蔬菜作物在大尺度地块上空间纹理特征明显，而在小地块尺度上差异较大，宜采用不同深度学习方法对其进行精细分类。基于3D-CNN模型有效地融合了光谱—空间结构特征，更加适合提取大地块尺度上的蔬菜作物；Attention-CNN模型引入注意力机制，聚焦高阶光谱特征和局部邻域信息，更加适合小尺度地块作物的精细分类。由于蔬菜作物种植的特殊性和实验基地的局限性，本研究获取的数据较为有限，后续将通过深入研究不同覆盖背景对蔬菜作物光谱信号的透过规律和影响机制，收集多个区域的高光谱航飞数据，进一步分析研究蔬菜复杂覆盖背景下的蔬菜作物种植结构信息高光谱遥感探测能力及精度。

推荐：

便携式高光谱成像系统 iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。