4、結果分析

4.3 不同分類方法比較與分析

4.3.1基于SVM方法的分類結果比較

在不同SVM分類方法中，由于其所采用的分類模型和輸入特征差異影響，分類結果也存在較大差異。相較于SVM-Linear方法，SVM-RBF模型采用RBF核函數將原始特征光譜空間投影到更加高維空間，以解決線性不可分問題，理論上應該可以得到更好的分類結果。然而在本實驗中，SVM-RBF模型并沒有體現出更加強大的優勢，反而在西瓜、水泥路面、裸土這些地物分類中表現出更差的分類結果。這有可能與訓練樣本的數量和可分性密切相關，這些地物的樣本數量偏少，樣本空間即使投影到高維空間，也難以被區分開來。高光譜不同波段之間的強相關性以及信息冗余“Hughes現象”，主成分變換方法可以對原始光譜數據進行降維，通過提取部分主成分分量進行地物分類有可能在一定程度上提高分類模型的魯棒性。提取前k個主分量輸入到基于RBF核變換的SVM分類模型中，得到的分類結果精度與主成分分量個數之間的關系如圖5所示。

圖5 基于不同方法的作物分類結果

可以發現，當主分量數量過少，會影響到分類精度，而隨著主分量數量的增加，分類精度會有所提升直到穩定狀態，此時如果再增加主分量數量，分類精度反而會下降。

圖6 不同數量的主成分分類精度變化

從圖6可以看出，取前15個主成分分量能夠達到較好的分類結果，此15個主成分占原圖像信息含量為99.92%，所有地物的平均分類精度為83.15%，僅裸土的分類精度較低。如果在此基礎上再加入灰度共生矩陣的紋理特征，即SVM-RBF-PCAGLCM模型。一般來說，將高空間分辨率圖像的空間紋理特征輸入到分類器中有助于提高圖像分類精度。但對于本研究而言，它并沒有獲得理想效果，這是因為本研究區地表覆蓋類型十分復雜、作物的生長階段也不一致，多數地物并沒有體現出有規律的空間紋理特征所致。

表2 測試樣本的分類精度

但是從表2也可以看出，對于大面積分布、有一定空間紋理規律的地物，SVM-RBF-PCA-GLCM模型能夠得到較好的效果，如絲瓜、水稻、鐵皮廠房、南瓜、黃瓜。相較于本文其他SVM方法，采用空間后處理技術的SVM-ERW方法考慮了相鄰像素之間的空間相關性以及訓練樣本和測試樣本之間的連通性，在消除“椒鹽”噪聲方面表現良好，同時在整體精度上展示出較好的性能，但是該方法容易將作物間的其他地物類型劃分為相同作物，比如其中的水泥路面、裸土和其他，多被錯誤劃分成鄰近作物類型。

4.3.2基于深度學習方法的分類結果比較

針對高光譜遙感圖像高維非線性問題，深度學習方法具有較強的自主學習能力的優勢，并且能夠解決復雜的多維非線性問題，可以從原始圖像中提取各層次特征，從而在高光譜圖像分類中表現出更強的魯棒性。

從分類結果上看出，3DCNN模型與Attention-CNN模型由于融合了圖像光譜—空間信息，極大地提升了高光譜圖像分類精度，同時分類結果也剔除了大部分椒噪聲；基于深度學習方法的分類結果總體分類精度整體上比SVM方法提升了12.7%。3D-CNN模型基于整個高光譜立方體數據集，有效地提取了光譜—空間特征，并且不依賴于數據預處理方式或后期處理，能夠取得較好的效果，所有地物類型的分類精度均有很大的提升。引入注意力機制的AttentionCNN模型，可以讓模型忽略無關信息而更多地關注圖像中的高階光譜特征，從而提升圖像分類效果。從分類結果上來看，Attention-CNN模型與3D-CNN模型在總體分類精度OA、Kappa系數上并沒有體現出太多的差異，但是它的平均分類精度卻提升了3.7%，對于西瓜這類小樣本數量地物而言，其分類精度遠超過其他方法。

4.4 不同覆蓋背景下蔬菜作物的分類結果

不同覆蓋背景會與作物產生光譜混合現象，特別是作物處于不同生長發育階段、葉面積覆蓋較小時，作物混合光譜效應越明顯，混合光譜差異越大，從而影響作物的精細分類結果。水稻作物由于沒有覆蓋背景影響且葉面積覆蓋較大，其光譜特征明顯、作物內部同質性高，因此在所有分類方法中水稻作物能夠很好地與蔬菜其他作物區分開來。辣椒包含地膜、大棚和防蟲網3種覆蓋背景，盡管總體上深度學習方法獲得了較好的分類結果，但是在不同覆蓋背景上的分類效果還是存在一定的差異。在3D-CNN模型的分類結果中，均會出現部分區域由于混合光譜影響而錯分為其他類型的現象，特別是在小尺度地塊分類結果中，3種覆蓋類型的部分地塊均出現了極端錯誤分類情形。例如第二排小尺度地塊中的左起第12塊大棚覆蓋辣椒、第23塊防蟲網覆蓋辣椒以及第三排第5、6塊地膜覆蓋辣椒均出現了極端錯誤分類情況；而在Attention-CNN模型辣椒分類結果中，僅第二排第12塊大棚覆蓋辣椒出現了極端錯誤現象，其他覆蓋背景的辣椒作物得到了較好的分類效果，但是大尺度地塊上地膜覆蓋辣椒除外。地膜覆蓋的絲瓜在3D-CNN模型中分類效果較好，但防防蟲網覆蓋的絲瓜欠佳；Attention-CNN模型的分類效果與之相反。在小尺度地塊上，地膜和大棚覆蓋的茄子在Attention-CNN模型中均得到了較好的分類效果。

產生上述現象的原因在于不同覆蓋背景對訓練集混合光譜的影響。在實驗區中，辣椒、茄子和絲瓜3種作物最為典型，均受了地膜、大棚及防蟲網覆蓋背景的影響。它們處在不同生長發育階段，其中辣椒處于初花期生長階段，葉片較為茂盛，植株長勢較好；茄子處于移栽期，葉片較小，植株整體偏小；絲瓜處于盛果期，葉片茂密，整體植株覆蓋面積大。這3種作物在不同覆蓋背景下的作物光譜如圖7所示。

圖7不同覆蓋背景下蔬菜作物光譜

從圖7中可以看出，不同覆蓋背景下的作物光譜有顯著差異，這也給同種作物精細分類帶來較大挑戰。不同蔬菜作物受覆蓋物材質、顏色以及作物生長物候等因素影響，其光譜曲線的變化會存在一定的不確定性。在將來的研究中，我們將圍繞不同地區常用地膜、大棚材質、顏色開展更進一步的高光譜成像實驗，深入分析其光譜、空間特征變化機理，闡明蔬菜作物設施覆蓋對其光譜的影響性。

五、結論

本研究以湖南省農業科學研究院高橋科研基地為研究區，通過利用無人搭載高光譜傳感器獲取研究區的高光譜數據，采用當前流行SVM機器學習方法和深度學習方法對研究區的蔬菜作物進行了精細分類，經過對分類結果比較和精度評價分析，不同的方法均能得到較好的效果，可為復雜背景下田間蔬菜作物無人機高光譜精細分類提供一定的技術支持。通過本次研究，可以得到以下結論：

（1）無人機高光譜遙感數據兼具高空間分辨率和高光譜分辨率的特點，在受到地膜、防鳥網、大棚覆蓋等復雜背景影響情況下，仍可有效地實現蔬菜作物高精度精細分類，可對區域蔬菜作物管理現代化、自動化和精細化提供有力支撐。

（2）基于SVM的不同分類方法可以得到較好的分類效果，但難以克服分類中的椒鹽噪聲影響；由于高光譜數據的高維度、信息冗余、非線性等特點，直接將原始高光譜特征輸入SVM分類器以及核變換分類器，效果不甚理想，但是通過選擇主成分降維后可以有效地提升分類效果，但是效果有限；鑒于本研究不同蔬菜作物的種植背景較為復雜、作物生長階段差異較大，空間紋理結構特征的輸入并沒有取得理想的分類精度提升效果。

（3）基于深度學習的方法（1D-CNN除外）可以有效實現對復雜背景下的蔬菜作物分類；三維卷積神經網絡（3D-CNN）能夠有效地提取高光譜圖像中的光譜—空間特征，并從中挖掘深層次的高級語義信息，分類結果中能有效地消除椒鹽噪聲，在蔬菜作物精細分類中表現出強大的優勢；基于注意力機制的卷積神經網絡（Attention-CNN）通過關注圖像中的光譜—空間特征信息，在分類精度上表現得更加平衡，對于西瓜這類小樣本數量地物而言，其分類精度遠超過其他方法。

（4）蔬菜作物在大尺度地塊上空間紋理特征明顯，而在小地塊尺度上差異較大，宜采用不同深度學習方法對其進行精細分類。基于3D-CNN模型有效地融合了光譜—空間結構特征，更加適合提取大地塊尺度上的蔬菜作物；Attention-CNN模型引入注意力機制，聚焦高階光譜特征和局部鄰域信息，更加適合小尺度地塊作物的精細分類。由于蔬菜作物種植的特殊性和實驗基地的局限性，本研究獲取的數據較為有限，后續將通過深入研究不同覆蓋背景對蔬菜作物光譜信號的透過規律和影響機制，收集多個區域的高光譜航飛數據，進一步分析研究蔬菜復雜覆蓋背景下的蔬菜作物種植結構信息高光譜遙感探測能力及精度。

推薦：

便攜式高光譜成像系統 iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇