面向机载高光谱数据的3D-CNN亚热带森林树种分类

摘要

[目的]探讨深度卷积神经网络在机载高光谱数据分类中的应用,以提高亚热带地区森林树种分类精度.[方法]以广西南宁高峰林场为试验区,基于中国林业科学研究院LiCHy系统获取的机载高光谱数据,以三维卷积层为基础,提出一种高效的卷积神经网络(CNN)结构.CNN模型以端到端方式处理高光谱影像分析问题,将原始数据作为输入,不需要降维或特征筛选,可省去传统分类方法在不同程度上人工筛选特征的工作;网络中3D卷积层可同时提取光谱特征和空间特征,学习特征立方体空间和光谱维度的局部信号变化,利用重要的识别特征进行分类,以提高对高光谱影像的判别能力.针对机载高光谱数据维度高、训练样本相对较少的问题,对模型进行优化,以避免过拟合.[结果]相较传统的特征筛选与面向对象分割结合的方法,本研究提出的3D-CNN结构森林树种总体分类精度达98.38％,Kappa系数为0.98,与随机森林特征选择结合支持向量机分类相比,总体精度提高8.82％,Kappa系数提高0.11;小样本训练情况下(减少75％训练样本),总体精度仍可达95.89％,Kappa系数为0.94.[结论]三维卷积神经网络在处理机载高光谱影像特征提取和分类问题时能够充分利用影像中的丰富信息,实现高精度区分亚热带森林树种;合理的网络结构以及训练策略(加入Dropout)能够极大提高网络训练速度,并在小样本训练时仍能得到很好的结果,可实现高效、准确的森林树种分类.