一种基于全谱段相关分析算法的树种信息识别方法与流程

本发明涉及树种信息识别技术领域，特别是涉及一种基于全谱段相关分析算法的树种信息识别方法。

背景技术：

森林几乎覆盖了陆地表面的三分之一，作为最重要的陆地生态系统，其在保持水土和调节气候等方面发挥着巨大作用；树木作为森林的主体，掌握其种类及分布状况对森林生态系统保护、森林持续经营等具有重大意义。因此，如何快速而准确地获取大范围的森林树种分布信息显得尤为重要。

近年来，随着遥感技术的飞速发展，遥感技术被大量应用于树种分类研究之中；而高光谱数据因其丰富的光谱特征信息，以及易凸显细微信息等优势，始终是树种分类研究中的热点。树木存在受环境(水文、气候、土壤等)影响并呈现周期性的自然现象，包括发芽、展叶、叶变色、落叶等，即物候现象，且同种树木冠层叶片受光照、冠层几何结构、高度等制约导致同种树木冠层叶片光谱也存在差异；因而基于少数光谱特征波段进行树种分类的难度较高，难以取得理想精度，且分类精度随树种数目的增加而逐渐降低，因而探索树种信息识别新方法对于树种分类极为重要，如何合理地利用有限光谱信息已成为亟待解决的问题。

光谱变异的本质是目标理化特性的变化，树木种间光谱差异的根源在于不同树种在理化特性方面存在差异；考虑到环境影响，同一树种的叶片存在差异，但其理化特性却具有较高相似性，同种树木光谱具有较高的相关性，因此本发明提出一种基于全谱段相关分析算法树种信息识别，为提升树种识别精度提供了必要的技术支撑。

技术实现要素：

本发明的目的是提供一种基于全谱段相关分析算法的树种信息识别方法，方法简单，操作方便，树种识别精度高，有利于提升林业信息监管水平。

为实现上述目的，本发明提供了如下方案：

一种基于全谱段相关分析算法的树种信息识别方法，包括以下步骤：

s1，采集多个不同树种叶片样本；

s2，利用asd光谱仪测定所述树种叶片样本的光谱数据；

s3，从所述树种叶片样本中，筛选部分树种叶片样本作为训练样本，剩余树种叶片样本作为验证样本；

s4，每种树木取其所有训练样本的叶片光谱数据均值作为树种识别的标准光谱；

s5，利用光谱变换方法对验证样本的光谱数据进行处理，打乱所述验证样本的光谱数据顺序，然后，将所述验证样本的光谱数据与树种识别的标准光谱进行相关性分析，取相关性最高的标准光谱对应的树种作为该验证样本的树种类型。

可选的，所述步骤s1中，所述利用asd光谱仪测定所述树种叶片样本的光谱数据，具体包括：每种树木采集18条光谱数据。

可选的，所述步骤s3中，从所述树种叶片样本中，筛选部分树种叶片样本作为训练样本，剩余树种叶片样本作为验证样本，具体包括：筛选2/3树种叶片样本作为训练样本，1/3树种叶片样本作为验证样本。

可选的，所述树种信息识别方法还包括：步骤s6，基于步骤s5的分析结果，利用已知信息进行精确度检验。

可选的，所述asd光谱仪采用野外便携式地物光谱仪。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于全谱段相关分析算法的树种信息识别方法，充分利用不同树种在叶片理化特性方面的差异为切入点，利用全波段作为分析数据，从相关性这一关键点分析，开展树种的识别技术的研究；树种信息识别存在难度大、精度低等问题，而本发明是在深入分析树种理化特性与光谱内在关联的基础上提出的，具有高精度、简便、易操作等优势，可为树种的识别提供基础技术支撑；树种信息识别是开展生物量、生态等森林信息检测的基础数据，树种信息识别精度的提升有助于提升森林信息的监测精度，本发明可为提升森林信息管理的智能化、信息化水平提供基础技术支撑；现有技术在树种信息识别方面相对匮乏，本发明能有效弥补该领域的不足，且本发明的检测精度更高，鲁棒性和普适性更好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例基于全谱段相关分析算法的树种信息识别方法的流程图；

图2是本发明实施例地物光谱仪的结构示意图；

图3为本发明中实施例中15种树木叶片光谱曲线图；

图4为本发明中实施例基于全波段相关分析法树种分类精度结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于全谱段相关分析算法的树种信息识别方法，方法简单，操作方便，树种识别精度高，有利于提升林业信息监管水平。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的基于全谱段相关分析算法的树种信息识别方法，以下步骤：

s1，采集多个不同树种叶片样本；

s2，利用asd光谱仪测定所述树种叶片样本的光谱数据；

s3，从所述树种叶片样本中，筛选部分树种叶片样本作为训练样本，剩余树种叶片样本作为验证样本；

s4，每种树木取其所有训练样本的叶片光谱数据均值作为树种识别的标准光谱；

s5，利用光谱变换方法对验证样本的光谱数据进行处理，打乱所述验证样本的光谱数据顺序，然后，将所述验证样本的光谱数据与树种识别的标准光谱进行相关性分析，取相关性最高的标准光谱对应的树种作为该验证样本的树种类型。

其中，所述步骤s1中，所述利用asd光谱仪测定所述树种叶片样本的光谱数据，具体包括：每种树木采集18条光谱数据。

其中，所述步骤s3中，从所述树种叶片样本中，筛选部分树种叶片样本作为训练样本，剩余树种叶片样本作为验证样本，具体包括：筛选2/3树种叶片样本作为训练样本，1/3树种叶片样本作为验证样本。

其中，所述树种信息识别方法还包括：步骤s6，基于步骤s5的分析结果，利用光谱数据及相应树种种类进行精确度检验。

其中，所述asd光谱仪采用野外便携式地物光谱仪。地物光谱是地物化特性的综合体现，某一地物光谱的变化其根源是物质本理化特性的变化，因而光谱是某一地物理化特性(构成成分、占比等)的外在体现；因此同一树种的叶片光谱间具有相近的理化特性，因而同种树叶间具有较高的相关性；不同树种的叶片在理化特性方面的差异相对较大，因而异种树叶间具有较低的相关性；考虑到不同树种间具有一定的相似性，无法利用一个或多个特征波段进行高精度区分，本发明基于充分利用不同树种在叶片理化特性方面的差异为切入点，利用全波段作为分析数据，从相关性这一关键点分析，开展树种的识别技术的研究。

在步骤s2中，树木叶片光谱测量方法采用在室内进行，地物光谱仪器使用美国asd公司生产的野外便携式地物光谱仪进行测量，该仪器的波段覆盖范围为350～2500nm，输出光谱分辨率为1nm，具体示意图如图2所示。该测量方法能有效避免外界不可控因素的干扰，提升光谱数据质量。每个样本测定10条光谱，取其平均作为最终光谱。由于室内环境稳定，采集到的光谱数据质量较高，因此无需进行平滑去噪。

在步骤s5中，光谱变换方法指的是通过采用光谱变换方法处理分析光谱数据，实现增强某一光谱特征，提升分类精度或反演精度。本发明采用一阶微分(r')、二阶微分(r")、低通滤波(low_filter)、归一化(n)、对数(log(r))、对数一阶微分((log(r))')、对数归一化(n(log(r)))、对数归一化减归一化(n(log(r))-r)、对数减倒数(1/log(r))、倒数(1/r)、倒数一阶微分((1/r)')等11中方法处理光谱数据。

其中，相关性分析：相关分析与回归分析在实际应用中有密切关系。然而在回归分析中，着重研究一个随机变量y对另一个(或一组)随机变量x的依赖关系的函数形式。而在相关分析中，所讨论的变量的地位一样，分析侧重于随机变量之间的种种相关特征。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。相关系数或线性相关系数，一般用字母r表示，用来度量两个变量间的线性关系：其计算方法如下所示：

其中，cov(x,y)为x与y的协方差，var[x]为x的方差，var[y]为y的方差。本研究着重研究分析线性相关通过计算变量间的相关系数r进行分析两者间的相关性。

本实施方式中，选用大叶黄杨、丁香、冬青、构树、胡枝子树、连翘、山茶、石榴、柿子树、薮树、喜树、杏树、杨树、榆树、紫薇等15种树种为分类对象，并采集不同树木叶片样本，并利用asd光谱仪测定各树种叶片的光谱数据，如图3所示，制作不同树种的标准光谱；将验证光谱数据打乱，并将每条光谱分别与树种标准光谱进行相关性分析，取相关性最高的标准光谱的树种为该光谱的类别，采用步骤三，依据上述结果，利用已知信息进行精度检验，如表1和图4所示。

此外，不同树种在理化成分组成、占比方面存在较大的相似性，这导致其光谱特征曲线具有较高的相似性；但不同树种构成成分的占比存在差异，该差异的光谱响应具有特定范围，因而这树种分类提供了可能；同一树种拥有更为相近构成成分及占比，其光谱间的相关性就越高，而不同树种成分占比相差较大，其光谱间的相关性就越低。

表1树种分类精度评价表

本发明提供的基于全谱段相关分析算法的树种信息识别方法，充分利用不同树种在叶片理化特性方面的差异为切入点，利用全波段作为分析数据，从相关性这一关键点分析，开展树种的识别技术的研究；树种信息识别存在难度大、精度低等问题，而本发明是在深入分析树种理化特性与光谱内在关联的基础上提出的，具有高精度、简便、易操作等优势，可为树种的识别提供基础技术支撑；树种信息识别是开展生物量、生态等森林信息检测的基础数据，树种信息识别精度的提升有助于提升森林信息的监测精度，本发明可为提升森林信息管理的智能化、信息化水平提供基础技术支撑；现有技术在树种信息识别方面相对匮乏，本发明能有效弥补该领域的不足，且本发明的检测精度更高，鲁棒性和普适性更好。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。