陽(yáng)昌霞， 劉漢湖， 張 春

（1.成都理工大學(xué)地球科學(xué)學(xué)院，成都 610059；2.成都理工大學(xué)國(guó)土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，成都 610059）

快速有效的農(nóng)作物識(shí)別與分類是農(nóng)業(yè)遙感應(yīng)用基礎(chǔ)，它為農(nóng)作物種植面積估算、農(nóng)作物病蟲害監(jiān)測(cè)以及預(yù)防、農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)以及農(nóng)作物產(chǎn)量估算等提供了有力依據(jù)［1］. 早期對(duì)植被進(jìn)行精細(xì)分類主要采用人工地面調(diào)查，這種方法需耗費(fèi)大量的財(cái)力物力［2］. 如今，隨著遙感技術(shù)的發(fā)展，使用遙感技術(shù)進(jìn)行農(nóng)作物分類已經(jīng)成為研究熱點(diǎn)之一. 傳統(tǒng)的遙感監(jiān)測(cè)方法主要采用星載或機(jī)載多光譜影像. 陳杰等［3］使用QUICKBIRD影像對(duì)農(nóng)作物和樹種進(jìn)行分類和識(shí)別；彭光雄等［4］利用TM等多時(shí)相遙感影像對(duì)農(nóng)作物進(jìn)行識(shí)別. 但是由于普通的多光譜影像分辨率較低、波段數(shù)目少，往往導(dǎo)致分類農(nóng)作物的分類結(jié)果精度有限，某些小面積種植產(chǎn)物無(wú)法識(shí)別等問(wèn)題，而高分辨率的多光譜影像獲取成本較高.

高光譜遙感技術(shù)是近年來(lái)迅速發(fā)展起來(lái)的一種對(duì)地觀測(cè)的技術(shù)，其影像具有“圖譜合一”、波段數(shù)目多、信息量大等顯著優(yōu)勢(shì)［5-8］. 由于不同作物間光譜信息存在一定差異，這種差異提高了作物間的可分性，當(dāng)前已有許多學(xué)者利用高光譜影像對(duì)農(nóng)作物進(jìn)行精細(xì)分類，并取得了一定成果. 余銘等［9］結(jié)合AVIRIS數(shù)據(jù)提出了一種基于條件隨機(jī)場(chǎng)的高光譜遙感農(nóng)作物精細(xì)分類方法，對(duì)研究區(qū)內(nèi)農(nóng)作物進(jìn)行精細(xì)分類，劉亮等利用高光譜遙感數(shù)據(jù)采用分層分類的分類方法對(duì)農(nóng)作物信息進(jìn)行提取和挖掘［10］. 虞佳維等利用高光譜數(shù)據(jù)對(duì)黃淮海地區(qū)的三種農(nóng)林植被進(jìn)行分類取得了較高的分類精度［2］. 但是高光譜數(shù)據(jù)在維數(shù)增加、信息量增大的同時(shí)也帶來(lái)了Hughes現(xiàn)象、信息冗余量大等問(wèn)題，且普通星載或者大型機(jī)載高光譜影像存在空間分辨率低、數(shù)據(jù)獲取成本較高等問(wèn)題，因此如何更充分有效地利用高光譜數(shù)據(jù)對(duì)農(nóng)作物進(jìn)行精細(xì)分類是當(dāng)前研究亟待解決的問(wèn)題.

近年來(lái)，輕小型成像光譜儀的研制迅速將無(wú)人機(jī)高光譜的研究推向熱潮，無(wú)人機(jī)遙感具有分辨率高、操作簡(jiǎn)單、影像獲取成本低等優(yōu)勢(shì)［11-12］，且無(wú)人機(jī)高光譜遙感相對(duì)于普通高光譜遙感具有更高的空間分辨率.目前已有諸多學(xué)者運(yùn)用無(wú)人機(jī)高光譜影像對(duì)農(nóng)作物信息進(jìn)行提取，蘭玉彬等利用無(wú)人機(jī)高光譜遙感對(duì)研究區(qū)內(nèi)的柑橘黃龍病進(jìn)行監(jiān)測(cè)，為柑橘黃龍病的防治與管理提供有力依據(jù)［13］；梁輝等使用無(wú)人機(jī)高光譜影像對(duì)水稻的光合性能成功進(jìn)行監(jiān)測(cè)［14］. 陶惠林等采用無(wú)人機(jī)高光譜影像與植物長(zhǎng)勢(shì)指標(biāo)相結(jié)合對(duì)冬小麥長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)［15］；程雪等［16］、田明璐等［17］使用無(wú)人機(jī)高光譜遙感對(duì)農(nóng)作物的葉面積信息進(jìn)行提取；楊紅艷利用無(wú)人機(jī)高光譜遙感對(duì)荒漠草原上的物種進(jìn)行分類，研究結(jié)果為內(nèi)蒙古地區(qū)荒漠草原的物種覆蓋度估算、退化演替判斷、牧場(chǎng)管理提供一定的數(shù)據(jù)支撐，為荒漠草原的生態(tài)恢復(fù)提供研究基礎(chǔ)［18］，Ishida利用無(wú)人機(jī)高光譜數(shù)據(jù)對(duì)植被進(jìn)行精細(xì)分類，分類結(jié)果精度高達(dá)94.5%［19］. 利用無(wú)人機(jī)高光譜數(shù)據(jù)對(duì)農(nóng)作物信息進(jìn)行提取為農(nóng)作物估產(chǎn)、農(nóng)情監(jiān)測(cè)等提供了有力依據(jù).

無(wú)人機(jī)高光譜遙感兼?zhèn)淞烁呖臻g分辨率以及高光譜分辨率的優(yōu)點(diǎn)，能夠精細(xì)地捕捉地物的光譜信息，國(guó)內(nèi)外許多學(xué)者利用無(wú)人機(jī)高光譜數(shù)據(jù)對(duì)農(nóng)林植被信息進(jìn)行提取大大提高了結(jié)果精度、降低了研究成本、彌補(bǔ)了傳統(tǒng)方法費(fèi)時(shí)費(fèi)力的不足，但是現(xiàn)有的研究多基于對(duì)某類農(nóng)作物進(jìn)行定性定量化研究；或?qū)τ趩蝹€(gè)分類模型，如支持向量機(jī)分類法（Support Vector Machine，SVM）或者隨機(jī)森林（Random Forest，RF）分類法的研究，對(duì)于兩類模型對(duì)比研究較少. 因此，為響應(yīng)國(guó)家農(nóng)業(yè)精細(xì)化的號(hào)召，實(shí)現(xiàn)對(duì)農(nóng)作物更加精確的管理和監(jiān)測(cè)，本文以高分辨率的無(wú)人機(jī)高光譜作為研究數(shù)據(jù)，采用當(dāng)前分類結(jié)果精度較高的兩類分類方法支持向量機(jī)分類法（SVM）［5］以及隨機(jī)森林（RF）分類算法［20-21］；通過(guò)對(duì)高分辨率的無(wú)人機(jī)高光譜影像進(jìn)行特征提取，對(duì)研究區(qū)影像中農(nóng)作物進(jìn)行提取，為研究區(qū)內(nèi)農(nóng)作物精細(xì)管理提供有力支撐.

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)位于四川省江油市馬角壩境內(nèi)漆樹灣地區(qū). 馬角壩地區(qū)位于四川省江油市境內(nèi)，地理坐標(biāo)為東經(jīng)105°04′，北緯32°05′. 馬角壩地區(qū)西南距江油市62 km，距成都市214 km，馬角壩地理位置圖如圖1所示. 穿過(guò)馬角壩境內(nèi)的鐵路線有寶成鐵路，成都—光源高速以及108 國(guó)道也穿過(guò)馬角壩研究區(qū)境內(nèi)，除此之外馬角壩地區(qū)還有其他公路若干，由此可見馬角壩地區(qū)交通較為發(fā)達(dá). 影像獲取時(shí)研究區(qū)主要種植農(nóng)作物有玉米、大豆、芋頭、水稻等.

圖1 研究區(qū)地理位置與無(wú)人機(jī)多光譜影像拼接圖Fig.1 Location of the study area and stitching chart of UAV spectral images

1.2 數(shù)據(jù)采集與預(yù)處理

1）無(wú)人機(jī)多光譜數(shù)據(jù)：無(wú)人機(jī)多光譜數(shù)據(jù)是由大疆精靈4Pro無(wú)人機(jī)搭載1英寸2000萬(wàn)像素Exmor RCMOS傳感器獲取的，總共獲取馬角壩漆樹灣地區(qū)影像740幅. 對(duì)無(wú)人機(jī)多光譜數(shù)據(jù)的預(yù)處理主要包括研究區(qū)影像的拼接以及研究區(qū)正射影像的生成；研究區(qū)無(wú)人機(jī)影像的拼接使用軟件為Photoscan. 無(wú)人機(jī)多光譜數(shù)據(jù)分辨率高，能從影像上識(shí)別各類地物，主要用于輔助分類以及分類精度檢驗(yàn).

2）無(wú)人機(jī)高光譜影像數(shù)據(jù)：無(wú)人機(jī)高光譜影像數(shù)據(jù)是由大疆M600Pro型無(wú)人機(jī)搭載芬蘭生產(chǎn)的SENOP RIKOLA 型成像光譜儀獲取，SENOP RIKOLA 型成像光譜儀的工作波長(zhǎng)范圍為500～900 nm，光譜分辨率為10 nm，當(dāng)飛行高度為100 m時(shí)地面分辨率為6.5 cm，最大光譜影像分辨率為1010×1010像素，本次實(shí)驗(yàn)獲取數(shù)據(jù)共有56個(gè)波段，波長(zhǎng)范圍從藍(lán)光波段到近紅外波段（504～889 nm）. 數(shù)據(jù)獲取于2018年8月28日上午，獲取時(shí)研究區(qū)內(nèi)天氣晴朗無(wú)云，并對(duì)傳感器進(jìn)行暗電流校正以及白板校正，無(wú)人機(jī)飛行高度為120 m，飛行設(shè)定航速為5 m/s，影像處理軟件為光譜儀自帶軟件以及提前設(shè)定的標(biāo)準(zhǔn)板進(jìn)行輻射定標(biāo)處理. 選取研究區(qū)內(nèi)植被種類豐富的且植被生長(zhǎng)狀況不同的兩幅無(wú)人機(jī)高光譜影像a和無(wú)人機(jī)影像b作為研究對(duì)象，對(duì)研究區(qū)內(nèi)不同生長(zhǎng)時(shí)期、不同農(nóng)作物進(jìn)行研究分析；其在研究區(qū)內(nèi)位置及無(wú)人機(jī)多光譜影像拼接影像如圖1所示.

1.3 訓(xùn)練樣本提取

通過(guò)實(shí)地調(diào)查并參考無(wú)人機(jī)多光譜影像，結(jié)合影像進(jìn)行目視解譯，確定兩幅影像中包含水稻、大豆、玉米、芋頭、雜草、裸地、水泥道路等地物. 影像訓(xùn)練樣本選取采用2×2像素大小ROI在影像中均勻選取，選擇ROI時(shí)在玉米、大豆等有種植間距較大的影像上采用真彩色影像與假彩色影像以及近紅外波段單波段混合選取，在影像波段合成無(wú)法判別時(shí)輔助以無(wú)人機(jī)多光譜影像，在訓(xùn)練樣區(qū)選擇完畢后. 將選擇的訓(xùn)練樣區(qū)按3∶2的比例隨機(jī)分為兩部分，將60%的ROI作為訓(xùn)練樣本，另外40%樣本用作分類精度檢驗(yàn)的驗(yàn)證樣區(qū)；并對(duì)每幅影像統(tǒng)計(jì)輸出訓(xùn)練樣區(qū)平均光譜曲線，作為研究區(qū)影像各地物的端元波譜曲線.

1.4 影像特征變換

1.4.1 數(shù)據(jù)降維 高光譜一個(gè)顯著的特點(diǎn)在于高光譜影像數(shù)據(jù)維數(shù)高，與普通多光譜相比數(shù)據(jù)量大，信息豐富，但是在高光譜維數(shù)增高的同時(shí)也帶來(lái)了數(shù)據(jù)信息冗余，數(shù)據(jù)處理效率低，數(shù)據(jù)的存儲(chǔ)困難等問(wèn)題. 因此為了提高分類效率以及分類精度，通常需要對(duì)高光譜影像數(shù)據(jù)進(jìn)行降維處理，從而達(dá)到降低高光譜數(shù)據(jù)維數(shù)，又最大量地保留了高光譜影像的信息. 本文主要采用了最小噪聲分離變換（Minimum Noise Fraction，MNF）對(duì)研究區(qū)無(wú)人機(jī)高光譜影像進(jìn)行降維處理. 最小噪聲分離變換（MNF）實(shí)際上由兩次主成分變換構(gòu)成［5］，MNF變換將把數(shù)據(jù)空間分為兩部分：一部分為大的特征值和相干特征影像；另一部分為近似值為1的特征值和噪音占主導(dǎo)地位的影像［22］.

1.4.2 一階微分變換 光譜導(dǎo)數(shù)法是高光譜特征提取的一種方法，該方法是指對(duì)反射光譜進(jìn)行數(shù)學(xué)模擬，對(duì)光譜求取一階導(dǎo)數(shù)（first-order derivative，F(xiàn)D）. 光譜導(dǎo)數(shù)可以體現(xiàn)原光譜中識(shí)別不了的細(xì)微變換，也能提取出不同的特征參數(shù)，如吸收峰位置、植被紅邊位置等. 本文主要采用一階微分變換對(duì)影像光譜進(jìn)行處理.

1.5 農(nóng)作物精細(xì)分類

1.5.1 分類方法 本研究使用經(jīng)典的機(jī)器學(xué)習(xí)分類方法支持向量機(jī)（Support Vector Machine，SVM）分類法以及近年來(lái)比較流行的基于決策樹分類器集成的分類法隨機(jī)森林（Random Forest，RF）分類法，分別建立對(duì)研究區(qū)主要農(nóng)作物的識(shí)別模型，對(duì)各個(gè)分類結(jié)果進(jìn)行精度評(píng)價(jià)，并對(duì)兩種分類方法進(jìn)行比較分析.

其中SVM是一種以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的機(jī)器學(xué)習(xí)方法. SVM可以自動(dòng)尋找對(duì)分類有較大區(qū)分能力的最優(yōu)分離超平面，并構(gòu)造出類器，可以將同類間間隔最小化，不同類的間隔最大化. 相對(duì)于傳統(tǒng)的分類方法來(lái)說(shuō)，支持向量機(jī)分類法分類結(jié)果精度更高，泛化能力強(qiáng)等優(yōu)點(diǎn)，除此之外SVM 分類方法能有效地緩解Hughes現(xiàn)象，對(duì)于小樣本且高維數(shù)據(jù)的分類比較適用［23-24］.

隨機(jī)森林算法是一種分類預(yù)測(cè)模型，是近年來(lái)比較流行的基于決策樹分類器集成的算法，該算法是一種對(duì)參數(shù)選擇不敏感，不存在過(guò)適應(yīng)，分類結(jié)果穩(wěn)定，學(xué)習(xí)訓(xùn)練速度較快的分類器集成算法，在解決多類問(wèn)題上具有許多獨(dú)特的優(yōu)勢(shì)［20-21］. 對(duì)于任意一個(gè)集合X采用有B棵樹的隨機(jī)森林進(jìn)行分類，那么

1.5.2 分類模型建立 本研究主要以研究區(qū)兩幅無(wú)人機(jī)高光譜影像為研究對(duì)象，在對(duì)研究區(qū)高光譜影像進(jìn)行降維處理，一階導(dǎo)數(shù)變化等基礎(chǔ)上，采用支持向量機(jī)、隨機(jī)森林兩類分類方法分別對(duì)初始高光譜影像，降維后高光譜影像以及一階導(dǎo)數(shù)光譜影像，對(duì)圖像進(jìn)行一階導(dǎo)數(shù)變換后再對(duì)變換后影像進(jìn)行MNF降維變換得到的影像進(jìn)行研究區(qū)內(nèi)主要農(nóng)作物類型進(jìn)行精細(xì)分類.

1.5.3 分類精度評(píng)價(jià) 本研究采用Kappa系數(shù)、總體精度（Overall Accuracy）、用戶精度（User’s Accuracy）以及生產(chǎn)者精度（Producer’s Accuracy）等4個(gè)評(píng)價(jià)指標(biāo)對(duì)高光譜影像分類結(jié)果進(jìn)行了分類結(jié)果評(píng)價(jià). Kappa系數(shù)的計(jì)算是基于混淆矩陣，常用于評(píng)價(jià)分類精度；四個(gè)評(píng)價(jià)指標(biāo)常常用于分類結(jié)果精度的評(píng)價(jià).

2 結(jié)果與分析

2.1 無(wú)人機(jī)高光譜影像數(shù)據(jù)分析

2.1.1 農(nóng)作物光譜分析 無(wú)人機(jī)高光譜數(shù)據(jù)包含56 個(gè)波段，根據(jù)選取的訓(xùn)練樣本可以得出主要農(nóng)作物的波譜曲線如圖2（a）所示. 在藍(lán)光、綠光以及紅光波段，四種主要農(nóng)作物的反射率相似度較高，而在近紅外波段農(nóng)作物反射率陡增，其中大豆在近紅外波段的反射率高于其他農(nóng)作物以及雜草，芋頭、水稻、雜草三種植被光譜相似度較高，玉米在近紅外波段反射率最低. 主要原因是影像獲取時(shí)研究區(qū)內(nèi)大豆植株生長(zhǎng)旺盛，水稻正處于灌漿期，而研究區(qū)內(nèi)玉米處于趨于成熟期，其中一部分玉米已經(jīng)收割，玉米植株在近紅外波段的反射率沒有其他幾類植株高. 對(duì)研究區(qū)影像以及所獲得的波譜曲線圖分別求一階微分，可以得到研究區(qū)一階微分影像以及一階微分波譜曲線，所得主要農(nóng)作物一階波譜曲線圖如圖2（b）所示，可見一階微分光譜在藍(lán)光、綠光、紅光波段相對(duì)于原始光譜有一定區(qū)分度，但是在近紅外波段，除大豆外其他植株一階導(dǎo)數(shù)光譜曲線較為相似.

圖2 主要植株波譜曲線圖Fig.2 Main plants spectrum curve

2.1.2 數(shù)據(jù)降維結(jié)果分析 利用MNF降維變換對(duì)無(wú)人機(jī)高光譜影像數(shù)據(jù)進(jìn)行降維處理，分別對(duì)初始高光譜影像和經(jīng)過(guò)一階導(dǎo)數(shù)變換后高光譜影像進(jìn)行MNF降維變換. 變換后初始高光譜影像以及一階高光譜影像前10個(gè)分量所包含信息量如表1所示，其中對(duì)原始影像進(jìn)行降維變換后前十個(gè)分量所包含數(shù)據(jù)量約為91%左右，一階導(dǎo)數(shù)變換后前十個(gè)分量包含數(shù)據(jù)為73%左右. 由表1可見，MNF降維變換對(duì)于一階導(dǎo)數(shù)影像的降維效果與初始影像相比較差.

表1 MNF降維后前十個(gè)分量信息量Tab.1 First ten components of information after MNF

2.2 農(nóng)作物提取分析

2.2.1 SVM分類結(jié)果分析 本文在前期數(shù)據(jù)處理的基礎(chǔ)上分別對(duì)初始無(wú)人機(jī)高光譜影像、MNF降維變換后影像（MNF）、一階導(dǎo)數(shù)變換影像（FD）以及一階導(dǎo)數(shù)變換后再做降維變換影像（FD-MNF）采用支持向量機(jī)分類（SVM）方法對(duì)幾種影像數(shù)據(jù)進(jìn)行分類處理，以實(shí)現(xiàn)對(duì)研究區(qū)主要農(nóng)作物的精細(xì)分類. 為了降低其他參數(shù)對(duì)分類結(jié)果的影像，再對(duì)每類影像分類時(shí)采用的支持向量機(jī)模型的參數(shù)都一致，選取徑向基核函數(shù)（RBF）作為核函數(shù). 分類結(jié)果如圖3所示，每類分類結(jié)果精度如表2所示. SVM對(duì)研究區(qū)各主要農(nóng)作物的分類精度高達(dá)81%以上，對(duì)無(wú)人機(jī)高光譜影像進(jìn)行降維處理以后分類精度提高2%左右. 對(duì)初始影像做降維處理后選擇前十個(gè)主成分再進(jìn)行主要農(nóng)作物的識(shí)別，一定程度上提高影像分類精度，而且大大降低了數(shù)據(jù)量，提高運(yùn)算速度. 由此可見，對(duì)無(wú)人機(jī)高光譜影像進(jìn)行數(shù)據(jù)降維處理不失為一種可行的方法. 而進(jìn)行一階導(dǎo)數(shù)變換后影像分類精度降低了1%～5%不等，分析原因?yàn)殡m然一階導(dǎo)數(shù)變換提高了某些農(nóng)作物可分性，突出了一部分農(nóng)作物的光譜信息，但多數(shù)農(nóng)作物間光譜相似性提高，降低了大多數(shù)農(nóng)作物間的可分性.

圖3 各分類模型分類結(jié)果圖Fig.3 Classification results for each classification model

2.2.2 RF 分類結(jié)果分析 隨機(jī)森林算法屬于機(jī)器學(xué)習(xí)的一大分支——集成學(xué)習(xí)法（Ensemble Learning），它是由多棵決策樹構(gòu)成，在本次研究中，為了方便本次研究進(jìn)行，經(jīng)過(guò)多次實(shí)驗(yàn)并查閱文獻(xiàn)，將本次研究隨機(jī)森林樹中決策樹的數(shù)目選取為500棵［26］，特征的數(shù)量為特征數(shù)的平方根，每個(gè)節(jié)點(diǎn)的不純度通過(guò)GINI系數(shù)求解. 采用RF 分類方法對(duì)研究區(qū)數(shù)據(jù)處理后四幅影像主要農(nóng)作物進(jìn)行精細(xì)分類，分類結(jié)果如圖5 所示，分類精度評(píng)價(jià)如表2 所示. 由表可見兩幅初始影像采用RF 分類方法分類精度均為88%以上，并且對(duì)影像進(jìn)行降維處理后分類結(jié)果精度差提高，然而一階導(dǎo)數(shù)影像同樣出現(xiàn)了結(jié)果精度下降的現(xiàn)象，下降幅度在2%～4%不等.

2.2.3 對(duì)比分析與討論 根據(jù)表3所示，兩幅影像的分類結(jié)果中，隨機(jī)森林分類方法的分類精度比支持向量機(jī)分類精度高1%～5%，所有影像中一階導(dǎo)數(shù)影像采用各種分類方法分類精度最低；且兩類影像在做降維換后選取前十個(gè)影像分類后影像分類結(jié)果精度提高，分類效率提高. 每類地物類型采用不同分類模型分類所得的生產(chǎn)者精度以及用戶精度如表3所示，針對(duì)原始的全波段影像分類結(jié)果進(jìn)行分析，對(duì)比所有運(yùn)用SVM與

RF分類模型所得分類結(jié)果的農(nóng)作物生產(chǎn)者精度和用戶精度，可以發(fā)現(xiàn)RF分類方法兩者精度相對(duì)于SVM有較明顯改善，尤其是對(duì)大豆、水稻等農(nóng)作物的監(jiān)測(cè)效果更優(yōu).

表3 各地物采用不同分類方法用戶精度及生產(chǎn)者精度表Tab.3 User accuracy and producer accuracy with different classification methods

如圖3所示，對(duì)于無(wú)人機(jī)高光譜影像b，使用SVM分類出現(xiàn)了將玉米誤分為水稻的現(xiàn)象，采用RF后，這種現(xiàn)象得到很好的解決，且較好地將玉米和水稻進(jìn)行區(qū)分. 對(duì)于無(wú)人機(jī)高光譜影像a，采用SVM方法分類時(shí)長(zhǎng)勢(shì)較差的大豆同樣存在誤分為水稻的現(xiàn)象，采用隨機(jī)RF后，大豆的生產(chǎn)者精度以及用戶精度都得到一定的提升. 由此可見，采用RF分類方法能有效對(duì)漆樹灣地區(qū)的農(nóng)作物提取和精細(xì)分類.

在研究區(qū)內(nèi)所有地物類型分類結(jié)果中玉米植株的分類效果最差，無(wú)論是隨機(jī)森林分類算法還是支持向量機(jī)分類算法所得結(jié)果精度都比較低，相比于其他地物類型的分類結(jié)果，玉米植株的分類往往出現(xiàn)更多錯(cuò)分漏分現(xiàn)象. 分析原因可能是由于研究區(qū)內(nèi)玉米植株分布在不同地塊，玉米植株的生長(zhǎng)狀況不同，無(wú)人機(jī)影像a內(nèi)左上角地塊玉米植株生長(zhǎng)旺盛，右下角玉米植株即將停止生長(zhǎng)正處于即將枯萎時(shí)期；處于不同生長(zhǎng)期的玉米植株波譜曲線具有一定差異，出現(xiàn)同物異譜現(xiàn)象，處于生長(zhǎng)旺盛時(shí)期的玉米植株波譜曲線和水稻大豆波譜曲線更為相似，于是導(dǎo)致幾種農(nóng)作物錯(cuò)分現(xiàn)象；除此之外，陰影的存在對(duì)研究區(qū)內(nèi)玉米植株的分類有較大影響.

在研究區(qū)內(nèi)，大豆正處于生長(zhǎng)旺盛期，大豆植株在近紅外波段處具有最高反射率，且生長(zhǎng)狀況均勻，有利于影像的精細(xì)分類. 在分類結(jié)果中發(fā)現(xiàn)在采用支持向量機(jī)分類時(shí)往往會(huì)出現(xiàn)在大豆植株間隙中有少量水稻現(xiàn)象. 通過(guò)對(duì)比初始影像以及無(wú)人機(jī)多光譜影像可知，在大豆種植間隙中往往出現(xiàn)一定混合像元且植株間隙邊緣大豆長(zhǎng)勢(shì)較差，于是造成分類結(jié)果的不準(zhǔn)確.

此外，研究區(qū)內(nèi)有較大面積的水稻植株，研究區(qū)時(shí)水稻植株正屬于灌漿-乳熟期，是水稻產(chǎn)量形成的重要時(shí)期，研究區(qū)內(nèi)水稻生長(zhǎng)狀況較為均勻，水稻植株間的波譜信息較為相似，水稻識(shí)別分類效果較好. 影像b內(nèi)的芋頭植株的識(shí)別情況較為正常穩(wěn)定，本研究對(duì)漆樹灣地區(qū)的芋頭進(jìn)行了有效提取.

采用無(wú)人機(jī)高光譜影像對(duì)研究區(qū)主要農(nóng)作物進(jìn)行精細(xì)分類，且分類結(jié)果精度較高，實(shí)現(xiàn)了對(duì)研究區(qū)內(nèi)主要農(nóng)作物進(jìn)行提取，為后續(xù)研究區(qū)內(nèi)農(nóng)作物產(chǎn)量估計(jì)、農(nóng)作物生長(zhǎng)狀況監(jiān)測(cè)、農(nóng)作物病蟲害監(jiān)測(cè)等提供了有力的依據(jù)和途徑.

3 結(jié)論與討論

本文基于無(wú)人機(jī)高光譜遙感對(duì)研究區(qū)主要農(nóng)作物類型進(jìn)行提取和監(jiān)測(cè)，利用無(wú)人機(jī)高光譜影像采集主要農(nóng)作物的信息并建立判別模型對(duì)研究區(qū)無(wú)人機(jī)高光譜影像種主要農(nóng)作物類型進(jìn)行提取和分類. 通過(guò)本文的研究實(shí)驗(yàn)分析，對(duì)研究區(qū)主要地物類型獲取光譜曲線，并對(duì)研究區(qū)內(nèi)無(wú)人機(jī)高光譜影像進(jìn)行MNF降維變換、FD變換等特征變換；并在此基礎(chǔ)上分別采用SVM以及RF分類算法對(duì)數(shù)據(jù)處理過(guò)后影像進(jìn)行分類，對(duì)研究區(qū)內(nèi)主要農(nóng)作物進(jìn)行監(jiān)測(cè)和提取，研究表明：

1）對(duì)初始影像以及一階導(dǎo)數(shù)（FD）影像分別進(jìn)行最小噪聲降維變換（MNF）后，前十個(gè)分量所包含的信息量分別在91%以及73%左右. 求取研究區(qū)內(nèi)主要農(nóng)作物一階導(dǎo)數(shù)光譜曲線，發(fā)現(xiàn)一階導(dǎo)數(shù)光譜曲線突出了大豆植株的光譜信息，但未提高其他農(nóng)作物間的可分性.

2）采用SVM與RF對(duì)研究區(qū)高光譜影像中農(nóng)作物進(jìn)行精細(xì)分類，研究表明兩個(gè)分類方法都取得較高的監(jiān)測(cè)精度，其中RF分類方法對(duì)無(wú)人機(jī)高光譜影像具有更優(yōu)的分類效果，且在對(duì)主要農(nóng)作物，如大豆玉米等植株的識(shí)別具有更高的監(jiān)測(cè)精度.

3）選取降維變換后的初始與一階導(dǎo)數(shù)影像的前十個(gè)主成分分別利用SVM與RF進(jìn)行分類，降維變換后影像分類結(jié)果精度比用全波段影像分類結(jié)果精度高1%～5%. 影像分類精度有所提高，并且可以有效地提高判別模型的分類速度，大大減少了數(shù)據(jù)量.

無(wú)人機(jī)高光譜對(duì)農(nóng)作物大的分類應(yīng)用研究具有巨大潛力，是未來(lái)研究發(fā)展的方向.