联合地面-机载高光谱遥感的植被精确识别方法

Hyperspectral remote sensing has been widely applied for ground object recognition and now is utilized for vegetation recognition as a novel remote sensing analysis technique. However, vegetation recognition technique based on ground hyperspectral remote sensing cannot comprehensively cover the vegetation recognition area because of the limited detection range. In addition, the airborne hyperspectral remote sensing sensor could extend the detection range, but it is difficult to obtain the massive training samples, the recognition accuracy and efficiency are relatively low and cannot satisfy the practical work. As a result, an accurate vegetation recognition method is proposed by uniting ground-airborne hyperspectral remote sensing and semi-supervised learning strategy in the study, which combines the abundant heuristic knowledge of ground data and wide detection range of airborne data. Firstly, the optimal band subsets and waveform decomposition parameters are obtained by using multi-objective ant lion optimizer, which could reduce the data dimension and improve the recognition efficiency. Furthermore, training samples are expended on the basis of little labelled samples by using multiple wavelet kernel function ensemble support vector machines to obtain enough training samples and construct deep learning classifier. Finally, deep confidence network is utilized to make learning for large sample dataset, and the accurate vegetation recognition model is designed based on the theory of deep learning, which improves the vegetation recognition accuracy.

高光谱遥感作为一种新型遥感分析技术己被广泛应用于地物识别中，将其应用于植被识别的研究也正在展开。然而，基于地面高光谱遥感的植被识别技术探测范围小，常无法对植被识别区域进行全方位覆盖；基于机载高光谱遥感探测范围大，大规模训练样本获取困难，导致识别精度及效率难以满足实际应用。因此，基于半监督学习策略，结合地面数据光谱分辨率高和机载影像探测范围大的优势，本项目拟提出一种联合地面-机载高光谱遥感的植被精确识别方法，主要内容包括：1）引入多目标蚁狮优化算法，利用多目标蚁狮优化算法获取机载影像的最优波段子集和地面数据的波形分解参数，降低数据维度，提高识别效率；2）在少量已标记样本的基础上，利用多小波集成支持向量机分类器拓展训练样本，从而获得足量训练样本用于构建深度学习分类器；3）利用深度置信网络对得到的大样本数据集进行学习，设计基于深度学习理论的植被精确识别模型并完成最终识别，提升植被识别精度。

高光谱遥感作为一种新型遥感分析技术己被广泛应用于地物识别中，将其应用于植被识别的研究也正在展开。然而，基于地面高光谱遥感的植被识别技术探测范围小，常无法对植被识别区域进行全方位覆盖；基于机载高光谱遥感探测范围大，大规模训练样本获取困难，导致识别精度及效率难以满足实际应用。因此，基于半监督学习策略，结合地面数据光谱分辨率高和机载影像探测范围大的优势，本项目拟提出一种联合地面-机载高光谱遥感的植被精确识别方法，主要内容包括：1）引入多目标蚁狮优化算法，利用多目标蚁狮优化算法获取机载影像的最优波段子集和地面数据的波形分解参数，降低数据维度，提高识别效率；2）在少量已标记样本的基础上，利用多小波集成支持向量机分类器拓展训练样本，从而获得足量训练样本用于构建深度学习分类器；3）利用深度置信网络对得到的大样本数据集进行学习，设计基于深度学习理论的植被精确识别模型并完成最终识别，提升植被识别精度。依托本项目共发表SCI期刊论文10余篇，其中第一标注论文6篇，第二标注论文3篇，授权软件著作权1项，撰写发明专利2项，以副主编出版学术专著2部，满足项目结题相关要求。其中，将波形分解的概念由全波形点云数据引申至高光谱遥感光谱特征曲线，通过波形分解和波段选择分别对地面和影像光谱进行分析，提取多模态高光谱遥感数据中的关键信息，在降低数据维度的同时进一步提升了解译精度，为植被精确识别提供了模型支撑。通过对模型进行迁移，将其进一步应用于矿物填图领域，分析不同地物间光谱特征特别是吸收特征间的细微差异，为不同地物的精确识别提供了一种全新的思路。通过与中国冶金地质总局合作，基于 Itres公司生产的 CASI 1500H/ SASI 600 机载高光谱成像仪，开展了数据获取和特征提取的实验研究，并通过多架次飞行获取高光谱遥感影像覆盖整个研究区，影像兼具较高的空间及光谱分辨率，为后续更为深入的研究提供了坚实的基础。