東北地理所在森林優勢樹種高光譜遙感自動分類方面取得進展
樹種信息是森林資源調查和監測的基礎內容，同時，也是森林生態系統模擬與預測模型中重要的輸入參數之一。正確地識別森林樹種是利用和保護森林資源的基礎和依據。幾十年來，遙感技術已廣泛應用于森林優勢樹種及樹種組成的精細識別領域，尤其是高光譜遙感的發展，突破了多光譜遙感在光譜分辨率上的局限性，能夠準確地探測到具有細微光譜差異的地物類型，極大地提高了森林樹種的識別精度。但高光譜遙感數據波段多、數據量大、特征復雜，發展更為有效的分類算法才能使其發揮更大的作用。東北地理所地理景觀遙感學科組研究人員利用我國最新發射的“珠海一號”衛星（OHS-1）高光譜影像，結合野外調查數據，將深度學習算法引入樹種自動分類研究，提出了一種基于OHS-1高光譜影像和深度學習算法的森林樹種自動分類模型，實現了東北長白山典型森林樣區優勢樹種的高精度識別。
圖1 一維深度卷積神經網絡模型圖
研究人員首次將我國自主生產的高光譜遙感影像數據OHS-1應用于優勢樹種分類研究，發揮其高光譜分辨率（2.5nm）和高空間分辨率（10m）的優勢，同時，引入深度學習算法（一維深度卷積神經網絡模型Conv1D），在有限的樣本數據條件下，選擇光譜特征和樹冠紋理特征(熵和均值)作為分類特征參數，通過優化卷積核大小及卷積層數等參數的設置，實現了東北長白山典型森林樣區優勢樹種的高精度識別。基于地面調查樣點的精度驗證結果表明，深度學習模型的總體分類精度（85.04%）高于隨機森林模型（80.61%），尤其是對于光譜特征相似的闊葉樹種（如核桃楸和白楊），深度學習模型的自動識別精度（87.15%）顯著高于隨機森林模型（71.77%）。因此，基于卷積的深度學習框架結合高光譜影像數據能夠有效提高樹種分類的準確性，具有廣闊的應用前景。
圖2 卷積核大小及卷積層數設置對深度學習算法精度及效率的影響
該研究由東北地理所郗延彪碩士、任春穎副研究員、張柏研究員、武漢大學魏世清博士等共同完成。研究成果發布在Forests國際期刊上。本研究由國家重大研發計劃(NO.2016YFC0500300)，吉林省科技發展計劃(NO.20170301001NY)和中科院東北地理所特色所項目 (NO.Y6H2091001)共同資助完成。論文信息如下：
Xi, Y.; Ren, C.*; Wang, Z.; Wei, S.; Bai, J.; Zhang, B.; Xiang, H.; Chen, L. Mapping Tree Species Composition Using OHS-1 Hyperspectral Data and Deep Learning Algorithms in Changbai Mountains, Northeast China. Forests 2019, 10, doi:10.3390/f10090818.
附件下載：
吉公網安備22017302000214號
