文摘

本研究的目的是测试映射的树冠的有效性梧桐树danxiaensis(FD),一个在中国珍稀濒危植物物种,从遥感图像通过一个定制的成像系统安装在一个无人机(UAV)。这项工作是在一个实验进行网站(大约10公里²)广东丹霞山的脚下,中国。的研究是作为一个实验任务进行推出大规模FD测量在丹霞山(约200公里²在区域)在无人机遥感平台。首先,通过手持高光谱光谱仪野外光谱采集,然后进行分析,以帮助设计一个分类模式能够区分目标植物物种在研究网站。第二,遥感图像的实验网站获得和校准通过各种预处理步骤。Orthoimages和数字表面模型(DSM)作为输入的数据生成校准无人机图像。光谱和几何特性被用来预处理无人机图像分割成均匀的补丁。最后,分层分类,与支持向量机(SVM)相结合,提出了确定FD的树冠的分段补丁。分类的有效性是由现场评估GPS记录。结果说明,该模式的层次分类的支持向量机分类器收集的遥感图像成像系统在无人机提供了一个很有前途的方法映射空间分布的FD的树冠,作为替代实地调查在试图实现大规模植物调查地方政府。

1。介绍

森林对全球碳循环起着至关重要的作用。理解宪法和林业植物物种的空间分布模式是植物学家和环保人士的主要问题(1]。努力已经输入区分森林植物物种并分析其分布。是一种有效的工具来获得土地覆盖广阔的地区,遥感技术已应用于检测的森林。几项研究已经进行映射的森林分布和物种组成的提取应用遥感安装在卫星和无人驾驶飞行器(无人机)[2]。卫星遥感的明显优势是它在森林资源监测植被条件和能力大规模地区一个快速和有效的方式3]。例如,卫星遥感数据已经批准有效的映射的轮廓为了监控森林砍伐森林面积(4]。遥感卫星平台支持的产品范围从高空间分辨率低分辨率。高分辨率图像从卫星平台的典型例子包括全球视界2号照片带来,是用来识别城市树种生态服务评估(5]。更粗遥感意象,如陆地卫星的中分辨率的产品主题映射器(TM)和高分辨率图像增强的主题映射器+ (ETM +),可能是只适合映射分配分组植物覆盖面积较大的优势(6]。最近,由无人机遥感图像的应用获得了各领域大幅增加。卫星遥感相比,无人机遥感增强的能力获取高空间分辨率的图像(7]。无人机遥感的应用包括植被健康监测,详细的成分分析的植物物种,和生物量估算8]。此外,由无人机遥感图像提供了重要的数据资源为构建高分辨率机载正投影图和点云已广泛应用于生态学研究[9]。

领域的森林监测、动态映射的植物成分,植物的树冠的性质,和森林健康是一个重要的任务,遥感技术已经被广泛地应用于数据采集工具这样一个目的。例如,量测摄影机安装在无人机用于河岸森林物种进行分类,分析森林的组成(10]。希尔等人研究了这种无人机是否能够创建精确的地图补丁一个程度的入侵植物,称为虹膜(虹膜pseudacorusl .)他们发现的手册解释UAV-acquired意象产生最精确的地图,这表明更多的研究在自动提取植物物种仍需要提高分类的性能从无人机图像11]。其他的研究使用了无人机平台上的高空间分辨率图像获得详细调查植物群落(12]。最近的无人机遥感技术的进步提供了一种方法来获得高度强化点云遥感目标,这有助于建立一个三维树的树冠结构在林业13]。当无人机平台上的3 d数据来源于图像和数字高程模型相结合,可以测量植物的高度和形状变化的大小计算绘制植物物种有极大的灵活性14]。张等人设计了一个遥感系统安装在轻型无人机长期森林监测,根据获得的数据,建立了树冠高度(CHM)模型,用于分析物种丰富度和数量分布(15]。在另一个应用程序中,与近红外成像系统和RGB通道安装在无人机平台被用来研究疾病和害虫的植被(16]。大量研究测试的有效性映射从遥感图像森林植物物种。为了更好地提取植物物种和评估他们的健康,米饭等人使用RGB orthoimages,随着无人机平台上的高光谱影像采集,确定植物和地图树树皮甲虫损害个体水平(17]。然而,在某些情况下,植被物种呈现低不同在遥感图像的光谱和纹理,很难区分他们。例如,梧桐树danxiaensis(FD)中国独特和濒危物种印度河,很难被探测到的一个例子是由于其生长条件和特征(18]。

最近的进步在遥感平台提供可能的数据源的植物物种可能会检测到,另一种方法为提高植被的结果映射寻找先进的图像分类器。许多分类方法,如随机森林(RF),人工神经网络(ANN),决策树(DT)和支持向量机(SVM)已经提出并申请从远程遥感图像中提取植被。例如,Michez等人利用射频检测到河岸入侵植物物种与无人机系统图像(19]。Kwon等人使用人工神经网络分类的森林垂直结构数字图像和激光雷达数据20.]。弗里克等人利用DT模型分类和分析植被组成rewetted泥炭地从卫星图像21]。汉等人发现了种植面积在黑河流域基于SVM使用多瞬时植被指数数据(22]。与其他分类器相比,基于svm是建立在统计学习理论,通过建立的最大边界超平面分类对象从非常有限的输入特性称为支持向量(23]。一些研究表明,在大多数情况下,支持向量机训练样本少敏感,性能优于其他分类器与相同数量的训练样本24]。因此,支持向量机通常是首选的样本分类目的只有非常有限的真理。本研究的目的是验证映射FD的树冠的可行性从遥感图像通过一个定制的无人机成像系统和测试的有效性提出了图像分类器,分层分类模式由支持向量机,从遥感影像中提取FD。

本研究的目的是验证映射FD的树冠的可行性从遥感图像通过一个定制的无人机成像系统和测试的有效性提出了图像分类器,分层分类模式由支持向量机,从遥感影像中提取FD。

2。研究网站

FD的主要栖息地,丹霞山(位于113°3624°E, 51N),广东省韶关市,中国正在研究(图1)。丹霞山的总面积是200公里左右²。气候特点是亚热带季风,年平均温度19.7°C和年降水量1715毫米。地表主要是由裸露的石头,企业集团,和红色的土壤。主导家庭的植物包括在内Osteomeles subrotunda,Trichophorum subcapitatum,Engelhardtia chrysolepis,Lithocarpa uvariifolia,宏碁oblongum,Helieia kwangtungensis复苏植物,梧桐树danxiaensis(FD)。FD是中国的珍稀濒危植物,因此,保护植物物种已经成为植物学家和地方政府的一项重要的任务。

FD主要生长在浅土壤在丹霞山(图2)。事实上,FD是唯一的主要树种,丹霞山被列为濒危物种在中国物种红色名录(25]。一些关于表中列出的物种的特征1。FD的形态形成的树冠形状各不相同,这使得他们很难从其他植物物种完全通过遥感图像中提取。FD达到成熟在夏季也是季节生长状况,FD工厂发展成典型的形状。地方政府以及植物学家渴望地图FD的树冠的空间分布和可能设计策略,以保护植物。但是植物物种的精确定位是很难获得的。作为一个传统的地面调查方法映射FD分布,但有限的由于陡峭的地形,这使得一些数据无法收集(26]。因此,替代方法有更高的效率。卫星遥感可以太粗检测FD由于其小冠,和植物在图像纹理信息不能被捕获,导致不满意的提取FD检测的结果。相反,数据采集与无人机可以解决这个问题,因为UAV-collected高空间分辨率的图像。然而,考虑到大面积的高山(200公里²),一个典型的实验站点和一个小区域(3公里×4公里)决定作为一个测试项目之前进行大规模FD映射的无人机平台在这个研究。

3所示。材料和方法

3.1。定制的多光谱成像系统

3.1.1。地面光谱谱带的收集和选择

作为一个初步的步骤,我们杰出的植物物种之间的光谱通过收购现场光谱信号的每个植物物种和裸露的地面(地面表示,以后)没有植被覆盖/工厂。现场光谱信号收集7月11日,2016年,通过野外光谱仪(Avafield-2)。这谱仪记录的光谱信号波长从350纳米到1000纳米。领域的观点是25°。在每个计量单位,参考小组收集的信号首先进行校准。参考面板是硫酸与大约98%反射板直径20厘米的大小。探测器是垂直的距离约1米样品。为了避免偶然误差,每个观察重复了五次。每个地面特征的平均反射率曲线如图3。初步分析表明,地面可以很容易地排除在近红外区域的信号。四个植物物种,称为high-spectral不同类别(HSD-classes以后),包括Osteomeles surotunda,Engelhardtia chrysolepis,Trichophorum subcapitatum,Helieia kwangtungensis似乎已经显著不同光谱的其他四个物种。因此,可以单独HSD-classes和地面使用纯光谱从其他物种的信息。左边四个物种,称为低光谱不同阶级(LSD-classes以后),基于光谱很难被分离。因此,必须考虑其他几何和纹理信息分类的设计模式。

3.1.2。定制的多光谱成像系统

基于光谱特征的分析收集现场以及一般知识的绿色植被的光谱响应,一个定制的多光谱成像系统是专为我们的研究目标。八个光谱波段捕获的成像系统设计,包括三大渠道(通过RGB相机)和五个多光谱通道,如图4。标准差(std)选定波长的反射率计算,导致0.0623,0.0512,0.0838,0.1881,0.1965,550 nm、600 nm、700 nm、750 nm和850 nm。简化了成像系统在市场上寻找合适的商业相机。最后,相机索尼6000年直接用于捕捉RGB通道。5多光谱波段,索尼6000大后结合特定的带通滤波器,它实现了捕获特定波长的信号通道。成像系统设计的主要特点是表所示2。滤波器的透射率是95%。(半宽度)带宽的半最大值宽度10纳米。成像系统获得的六个乐队同时曝光,和时间间隔是4 s。空间分辨率是12厘米时的飞行高度是1000米。

3.2。遥感数据采集和预处理

3.2.1之上。成像数据采集

2016年7月14日进行图像采集,一个晴朗的日子,使用定制的成像系统安装在一个无人机平台。使用一个地面控制站的软件(任务计划,http://ardupilot.org/planner计划和控制飞行。路线规划设计基于土地地形为了平衡数据采集的效率和重叠区域的要求构建一个完全限定的图像数据集。最后,图像在一个连续的模式对整个实验站点(面积约10公里²),导致50%重叠和70%向前1000米的海拔高度重叠。曝光的总数是721次。每个接触产生八个图片(包括三个RGB通道和5多光谱通道)保存在tiff格式。

3.2.2。图像数据预处理

几何畸变的影响映射精度,必须减少。数字数字辐射校准是必要的从植物中提取的光谱反射率和地面。此外,校准图像被用来生成一个扫描线orthoimage和DSM地图。总的来说,图像预处理包括三个步骤,光学校准,mosaicking辐射标定和匹配,图像。

光学校准处理包括几何校正和删除光晕。几何校准确定透镜畸变参数和成像系统的主要点。透镜畸变系数的包括径向和切向畸变。径向畸变弯曲效应是由于微妙的径向位移。扭曲了枕形效应值的位置。切向畸变影响的平面转变的角度图像由于不结盟的镜头27]。用于几何校准的校准在Matlab工具箱(28]。渐晕用查表的校准记录光晕参数在实验室逐像素的基础上获得的。

辐射处理DNs(数字数字)转化为每个形象光辉(Rad)乐队。实验室校准和实证方法被用来确定量子效率函数,计算所需的参数(29日]。量子效率定义光子通量的比例有助于光电流在光电探测器或像素。DNs和Rad可以表达之间的关系 在哪里是在一个像素在图像和灰度值吗辐射值的像素。是一个成像系统的量子效率。在我们的研究中,实验室校准用于推导 。实验确定参数逐像素的基础上通过建立一个函数之间的标准光源的亮度与已知的光辉和成像系统的DN。被用来变换DNs辐射值。

RGB和多光谱图像和点云产生的校准图像使用Pix4D软件(30.]。这些校准图像有足够的重叠区域。Orthoimages是分开计算基于RGB和多光谱通道和剪叠加图像研究区覆盖。植被指数,如表中列出3,来自堆叠的形象。DSM被逆距离产生的点云重(31日5-by-5-pixel平均滤波器)和平滑。

3.3。树冠无人机图像的分割

图像分割是图像处理的一个基本任务分组像素的图像划分成均匀的地区或补丁。基于对象的图像分割被证明是有用的对于复杂图像(32]。为此,有必要设计一个同质性指数(称为相结合)基于指数的方差在每个补丁可以被评估。在这项研究中,几何、纹理和光谱特性获得图像中出现的不同的植物物种被充分考虑。一个补丁,由一组图像像素,是一个综合的指数反映了补丁的同质性。采用自下而上的区域融合算法实现图像分割。区域合并从单个像素和查找周边像素必须满足如果合并指数。的标准对象合并是最小化索引。在每个步骤中,选择相邻的对象是基于最小异质性的增长。一个预定义的参数,给出了哈,基于一个试错的测试。如果异质性高于HA,合并过程将会停止。被定义为(33] 在哪里和的重量是光谱指数和形状指数的总和和是1,是一个捕捉光谱特征的光谱指数,然后呢是一个形状指数反映合并对象的形状特征。光谱特性是由重定义的每个通道数量的候选对象和标准偏差 。形状特性是由密实度特性决定的,光滑的特性,它们的比例。给定的对象表示其中obj1和另一个对象表示methoda其中obj1被合并, ,和计算(3)和(4): 在哪里层数(乐队)参与分割和分配给乐队的重量吗代表它的重要性(= 1),是像素的总数在合并后的对象,标准差是像素的光谱中包含一个对象(x其中obj1 methoda,或合并的对象),然后呢和在其中obj1 methoda像素的数量,分别合并。表示其中obj1 methoda从光谱的不同视角。

在(4),和被定义的形状紧密度和平滑度指数(5)和(6),分别。

在(5)和(6),和代表对象的边界和边界框x(x=其中obj1 methoda或合并对象)和其他参数都是相同的(3)。

在这项研究中,我们使用绝大多数识别开发人员(美国天宝,2015)为研究区部分处理的图像。八个乐队(RGB乐队和多光谱波段)是参与和同样加权(w_我= 1/8,我= 1,2,…,8)。重量0.6给密实度重量(w_{电脑及相关知识})和0.4是平滑(w_sm合并前),考虑到密实度应给予更多的优先级。同等重量的形状参数(w_上海)和光谱参数(w_sp)。困难之一是决定阈值(H_一个)基于合并过程可以停止计算H指数大于阈值。高H_一个将导致大的补丁可能包括多个植物物种的补丁。相反,太小了H_一个可能导致单个FD皇冠分为几个补丁。因此,阈值的确定被试错意识到通过设置一系列的策略H_一个和区域分割成补丁使最FD位于一个补丁,从现场的盟誓数据,为结果。最后,H_一个适当给35,这似乎在FD分组分段补丁中出现。

3.4。图像分类模式的设计

为了分类FD的树冠,层次分类方法,辨别九类(包括地面),决定,建立了基于目标植物的光谱特征分析以及典型形态形式的FD的树冠。层次分类方法简化了分类过程分为三个层次。每个级别允许使用特定算法和规则分类所需的类。分类策略的流程图如图5。在第一级,分割对象(补丁)分为地面和non-Ground(植被)对象,后实现计算植被指数(vi)、生坯密度的指标,从遥感图像。力也被用于分离植物物种在许多其他研究[34]。活力的归一化植被指数(NDVI)可能是最受欢迎的一种计算通过比较的大小在红色和近红外波段光谱反射率,由(35] 在哪里反射波长850 nm和吗的反射波长705 nm或红色通道的RGB图像。

除了归一化植被指数外,还有其他植被指数(vi)(表提出了类似的目的3)。这些力是通过制定绿色植被的光谱反射率的特点从不同的方面。例如,绿色植被的光谱反射率通常呈现出峰位于550 nm波长光谱和强劲的光谱吸收光谱的蓝色和红色区域。此外,从植被通常观察到红色边缘效应植被反射在反射发生的快速增长在红色区域光谱中(约700海里)近红外区域(通常在750 nm和850 nm)。提供这些信息的基础设计定制的光谱通道多光谱成像系统在无人机上。

一个简单的基于特殊处理的过滤器应用于排除地面补丁。在2级,植物物种被列为四HSD-classes LSD-class。HSD-classes包括四个植物物种,即Osteomeles surotunda,Engelhardtia chrysolepis,Trichophorum subcapitatum,和Helieiakwangtungensis。左边的植物物种,包括FD,被指定为联合LSD-class不能分离的纯光谱信息由于低光谱不同。在这个级别,使用SVM分类5类(四HSD-classes结合LSD-class)使用光谱特性(八个乐队和植被指数)。光谱的平均值和植被指数(NDVI、SIPI RENDVI,革命制度党,在桌子上3)的所有像素位于每个补丁进行计算,并用于支持向量机分类器。在3级,结合LSD-class进一步分为四个植物物种,包括FD,基于几何特征,地形特征和纹理特性由另一个支持向量机分类器。SVM, nonparameter-supervised分类器,被选为分类器的水平2和3,因为它有优势达到好的分类结果不敏感性样本大小(36]。

地形属性、几何性质和纹理特征用于三级识别补丁被FD的树冠覆盖。地形属性,包括边坡方面,和DSM输入分类器由于FD观察到主要出现在中地形高度和南坡。因为我们没有与空间分辨率DEM数据与处理过的图像,用平滑曲线斜率和过程方面的数据。

纹理和几何信息表示的形状目标补丁。在这项研究中,应用灰度共生矩阵建立()是灰度共生矩阵法用于表示纹理(37]。应用灰度共生矩阵建立四个指标中包括分类(表4)。几何性质,三个指标制定和使用的分类器(表4)。

标准径向高斯函数作为核函数的支持向量机分类器。分类器的主要参数是决定包括在内(惩罚参数代表一个误差项)(控制训练效率)。因为没有先验知识和是可以接受的,他们决定基于递归循环与不同的组合。在这个过程中,一个好的一双和可以识别(38]。

安排了实地考察收集地面实况数据模型训练和验证结果。地面数据采集的日期是7月21日进行的,2016年,一个星期后,无人机飞行。GPS设备(特林布尔R2 GNSS)是用来记录FD树干的坐标位置,和一般形状为每个记录FD树冠被起草。RTK(实时运动)被设置为操作模式,生产绝对定位精度在1 - 2厘米。三分之二的录音被用于模型训练的目的,和其他被用于验证结果。绝大多数识别开发人员用来实现分级分类策略。分段补丁,DSM层,坡层,层方面参与了分类过程。光谱、几何和纹理指数计算在分类过程中通过自定义函数。

4所示。结果

4.1。UAV-Collected图像

orthoimage加工从无人机传感器收集的光谱显示明显的分化,光谱、纹理,几何,在不同植物物种的分布和裸露的地面(图6)。DSM,从214米到302米,显示表面高度的空间变化。这样的高度反映了变化空间在民主党和植物物种。当结合其他地形信息如斜率和方面,更好地理解每一个植物物种的首选地点可以分析。获得的图像从无人机允许生产各种植被指数可以帮助数据输入分类植物物种和地面。例如,红色边缘归一化植被指数(RENDVI)处理多光谱波段的775 nm和红色的RGB显示明显的分化模式在裸露的地面和植物物种的分布。应用无人机平台的一个优点是,高空间分辨率的图像提供了足够的细节信息构建先进的图像分类器,否则是不可能对其他卫星平台。

4.2。FD树冠的分类结果

使用支持向量机,使用径向高斯核函数,用于分类HSD-classes LSD-classes。在2级,和被确定为(5、10)SVM分类器。在3级,和被确定为分类器(10)。不同的参数设置允许优化分类结果在不同分类的步骤。最终的分类结果,表示作为FD物种,non-FD物种,和地面,研究网站是显示在图7(一)。

结果表明,FD物种只有很小的一部分区域覆盖,这是符合现实。虽然FD可能蔓延在整个研究区域,FD倾向于集群的空间分布,靠近居多的裸露的地面和悬崖(图7 (b))。这一发现可能成为当地的重要线索植物学家对FD分布进行评估。

4.3。精度检验

实地考察的GPS记录被用来验证分类结果。那些被记录为FD的点覆盖的分类部分(图8)。FD物种通常的位置匹配的部分分配给FD,与相邻的合并后,有一个区域从10米²32米²(图8 (b)),与树冠大小的数据字段(表样本1)。提出了分层分类器的分类结果显示,总体分类精度在2和3的水平达到87.4%和75.3%,分别为(表5)。SVM分类器的2级,有17.6%病例HSD-classes被错误地分配到迷幻药类,尽管大多数LSD-classes贴有正确(精度= 92.4%)。有331例分为LSD-class,包括53例实际上HSD-class。52 FD样品的测试集,6例被错误地映射为HSD-class(表5(一个))和剩下的46个,随机选择51 non-FD样本,在三级进入下一个支持向量机分类器进行测试。结果表明,支持向量机分类器在三级表现略逊于级别2,主要是由于这样的事实,几乎三分之一的被错误归类为FD non-FD样本。分层分类的支持向量机分类器对FD物种整体精度达到76.9%,一个合理的结果考虑到地形比较复杂和多种植物物种。

5。讨论

遥感图像采集由传感器安装在无人机平台已广泛应用于森林的分类(39]。通过应用无人机遥感有几个优势。首先,无人机平台可以在低空飞行,因此具有高空间分辨率的图像可以获得。低空遥感减少目标对象和传感器之间的距离,从而提高获得图像的数量。由于高空间分辨率,从无人机图像中提取FD也不影响混合像素问题。此外,收集到的图像不受大气影响和发光的影响。其次,飞行路线和飞行高度可定制根据实际需要,因此无人机平台为数据采集提供了更多的灵活性。传感器安装在无人机可用于地图大多数地方在土地表面,并设定一个适当的飞行高度平衡的覆盖率和空间分辨率可以获得数据;因此,可以提高数据采集的效率,因为飞行范围可以根据需要确定。第三,无人机平台可以支持任何相机用来收集特定光谱波长的图像。 As the study conducted here, RGB channels and 5 multispectral channels were designed by using particular band-pass filters on the commonly commercial cameras. By collecting and analyzing the diversity of spectra, imaging systems can be customized to collect spectra based on the mapping purposes. However, unlike satellite remote sensing platforms which can cover a large area in one glance, UAVs are usually suitable for mapping small area only due to the limited viewing angles and relatively low flight height. Further, the demand for georegistering and mosaicing multiple images collected at adjacent flight routes also introduces extra input for remote sensing by UAVs. Possible solutions may integrate UAV images with other imagery products from satellite remote sensing.

在我们的研究中,我们提出了一个分层分类方法的光谱特征分析后的植物物种。这样的策略让我们分离不同类型采用循序渐进的方式,被证明是适合提取FD获得图像。例如,裸露的地面可以很容易地排除基于计算VIs只需使用阈值过滤,即分段补丁与能见度低于预定义的阈值被贴上地面。支持向量机已经被证明是有效的在遥感图像分类数量有限的样本是可用的(40]。几项研究已经使用层次分类方法和支持向量机算法分类具体植物(41]。例如,使用支持向量机作为一种二元分类器来检测半自然的栖息地(42]。分层分类的组合模式和SVM算法有三个主要的优势。首先,建立这样的过程分类结构是现成的在一些现有的软件包,如绝大多数识别和Matlab (43]。后必要的数据集,包括orthoimages、DSM和分段补丁在这项研究中,准备好,分类器可以快速设置与输入数据集。构建分类器的主要工作涉及建立规则的标签输入补丁基于相关数据(例如,DSM和orthoimages工作)。第二个优势是,分类模式可以简化分类过程。分层分类方法把候选人类分成几个级别,因此,分类可以分为几个subobjectives。适当结合时,算法在每一个层面,提高总体分类精度可以实现。最后,分层分类与SVM相结合是有效提取的一个类(例如,FD在这项研究)从多个类标签。基本的SVM分类器只支持二元分类问题,即0 - 1例。SVM分类还支持多个类叫做幼儿园分级机分割过程分为k的步骤(44]。在最近的研究中,运用支持向量机进行分类LSD-class和non-LSD-class级别2,分类FD和non-FD 3级,这两个二进制分类,尽管有多个植物物种。事实上,没有必要分类中的物种HSD-classes或LSD-classes中的每个物种进行分类,考虑研究的非常具体的目标。

有两个步骤可能会引入不确定性在最终的分类结果的基础上,提出了分层分类模式;他们是分割的图像分割和分类补丁。首先,检测FD树冠高度依赖于图像分割的结果是基于自底向上进行区域融合算法在这个研究。均匀性指数, ,是用于控制对象合并的过程。很明显,图像分类的结果取决于采用的标准索引。因素涉及补丁被认为是产生的光谱和几何计算指数。权重赋值为每个因素至关重要。此外,该阈值(H_一个)研究确定分割的过程:要么继续合并过程或停止它。的因素和他们的体重模式以及阈值确定分段补丁的大小。尽管我们使用试错策略来确定H_一个,我们发现仍有一小部分的补丁(FD树冠测试的字段GPS录音)太小或太大,导致不当的下一步分层分类的支持向量机分类器。下一步,分层分类分段补丁,还介绍了某些不确定性。有三个层次提出了分层分类模式。我们观察到有很少的情况下误标在第一级。然而,支持向量机分类器在2和3的水平并产生贴错了标签,补丁,包括案例non-FD补丁被贴上FD或FD补丁是标记。而支持向量机被认为是一种先进的分类器,已成功应用于许多图像分类研究[45),数据质量用来训练模型和测试样本中数据质量肯定会对结果产生很大影响。光谱以及spectra-derived植被指数作为支持向量机分类器的输入在第二个层次。指出混合光谱遥感图像不可避免的会导致副作用的分类结果(46]。尽管该研究地形属性、几何属性,和纹理特性的支持向量机分类器在第三个层面,某些混乱FD和其他植物物种之间也可能存在,作出错误的标签分配给一些分段补丁。地形属性可能是最重要的因素,应采取区分LSD-classes FD是主要分布接近悬崖地区斜率指数的分类器起到了至关重要的作用。其他因素相关的几何和纹理可以更详细地检查和选择支持向量机分类器。然而,我们的工作证明了应用设计的基于对象的图像分割的有效性和层次分类模式在FD树冠的提取遥感图像在无人机平台上。

6。结论

最近的无人机的应用使设备迅速发展成一个易于使用的传感器部署平台获得精细在大面积植被数据及时和具有成本效益的方式。定制的成像系统安装在无人机平台拥有的能力和灵活性为土地覆盖分类收集低空遥感数据与植物物种。在这项工作中,我们设计了一个定制的成像系统安装在无人机和收购了RGB和多光谱图像覆盖对丹霞山的一部分梧桐树danxiaensis(FD),一个在中国珍稀濒危植物,分布。FD分布的识别已经被当地的从业者以及所需人员在学术界很长一段时间。然而,大规模的FD映射,基于传统的实地调查,被称为停止由于高成本,甚至与工作相关的安全问题。随着遥感技术的进步,特别是无人机应用,本研究试图通过定制测试映射FD的可能性成像系统安装在一个无人机平台。为此,数量有限的野外光谱收集进行了第一次来帮助分析FD和其他植物的特点,使设计一个合理的分层分类模式获得了无人机图像。各种图像产品,包括DSM和植被指数,是由成像系统和参与分类的过程。支持向量机是集成的实现很好的提取FD的树冠的无人机图像。光谱、地形、几何和纹理属性被送入该分类器,这样植物物种可以被分开。检测的准确性评估了地面实况GPS记录。研究证明,无人机可以是一个有前途的平台进行FD测绘,提供基本数据保护稀有植物物种。 Future work may focus on fusing UAV-based images with other products from satellite remote sensing so that the efficiency for mapping FD could be further improved.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(没有。41771481,没有。41671451,没有。41701524),中央大学的基础研究基金和中国博士后科学基金(批准号2017 m621530),上海市经济和信息化委员会(没有。jmrh - 2018 - 1016)。作者感谢Tongfan测量工程技术有限公司和航空ShuWei高科技有限公司。他们的帮助在数据测量。