使用EO-1 Hyperion高光谱图像对快速学习分类算法在城市森林树种识别方面的比较评估

《Frontiers in Environmental Science》：Comparative evaluation of fast-learning classification algorithms for urban forest tree species identification using EO-1 hyperion hyperspectral imagery

本研究利用EO-1 Hyperion高光谱影像，结合波段选择与降维分析，对比13种监督分类算法在印度新德里Hauz Khas城市森林中的树种识别效果。结果表明，随机森林和决策树在降维数据上表现最优，整体分类准确率达82.56%（Kappa=0.81），其中榕树和扁桃树准确率高达95%。APAD指标有效指导波段选择，PCA和MNF降维显著提升分类效率，为城市森林物种监测提供了可靠方法。

　　森林生态系统是地球最为重要的自然环境之一，对气候调节、生物多样性保护以及人类生计支持发挥着关键作用。准确识别森林中的树种对于可持续的森林管理、生物多样性评估和环境监测具有重要意义。然而，在城市森林中，由于光谱异质性，传统的分类方法面临诸多挑战。本研究旨在开发一种高效的分类框架，用于对印度新德里Hauz Khas城市森林的树种进行精确的分类和地图绘制，利用的是EO-1 Hyperion高光谱遥感影像。

研究采用十三种监督分类算法，涵盖传统光谱/统计分类器，如最大似然、马氏距离、最小距离、平行六面体、光谱角映射（SAM）、光谱信息差异（SID）和二进制编码，以及机器学习算法，包括决策树（DT）、K-近邻（KNN）、支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）。为了减少光谱冗余，研究还应用了主成分分析（PCA）和最小噪声分数（MNF）等降维技术，以及基于平均成对绝对差异（APAD）指标和物种特异性光谱比值指数的波段选择策略。地面实测样本通过广泛的实地调查获取，并使用高分辨率的Pléiades影像进行验证。

研究结果表明，总共识别出21种树种。在所有分类器中，随机森林和决策树表现出最佳的分类效果，其中随机森林在PCA转换后的数据上实现了最高的树种分类精度（如Peepal和Medlar达到95%），总体精度为82.56%（Kappa = 0.81）。这表明，在城市森林的复杂光谱环境中，结合降维技术和最优波段选择的集成学习方法显著提高了分类的效率和准确性。

在讨论部分，研究强调了集成学习方法在处理高光谱数据时的优势，特别是其在非线性光谱响应建模方面的表现。同时，研究指出虽然深度学习方法如卷积神经网络（CNN）在某些情况下能够提供更高的分类精度，但它们通常需要大量的标注数据和强大的计算资源，这在EO-1 Hyperion这类具有有限空间分辨率和混合像元效应的传感器上并不总是可行。因此，本研究聚焦于能够在精度和效率之间取得平衡的快速学习分类器，认为这些方法更适合实际的遥感应用。

研究使用的十三种监督分类器被归类为快速学习分类算法，它们具有计算效率高、训练时间短、对标注数据需求低的特点，同时在高维高光谱数据上保持了可靠的分类性能。与现代深度学习方法如CNN、RNN、三维CNN和基于Transformer的模型相比，这些快速学习算法虽然在精度上稍逊一筹，但因其在处理有限样本和混合像元数据时的鲁棒性，仍然适用于快速、可扩展的环境监测任务。

在研究区域方面，Hauz Khas城市森林位于印度新德里南部，面积约为400英亩，是城市化环境中的一片重要生态绿洲。该森林以其丰富的生物多样性和历史价值而闻名，包含多种本地和外来树种，其复杂的结构和微气候条件使其成为高分辨率高光谱分析的理想场所。研究中通过GPS收集了400个地理参考的树种样本，并结合高分辨率的Pléiades影像进行验证，确保训练样本和验证样本代表纯或主导的树冠。

材料部分提到，研究主要使用EO-1 Hyperion传感器获取的高光谱影像，该传感器具有242个连续的光谱波段，覆盖400至2500纳米范围，具有约10纳米的光谱分辨率和30米的空间分辨率。为了提高分类精度，研究还应用了高分辨率的Pléiades影像进行辅助。此外，研究还分析了不同树种的光谱响应，并利用光谱比值指数来增强分类效果。

方法部分详细描述了研究的流程，包括数据预处理、数据集准备、降维技术应用、监督分类和精度评估。数据预处理包括去除非信息性波段、去条纹校正和大气校正。数据集准备则涉及生成不同维度的数据集，包括完整的波段数据集、光谱可区分子集、PCA主成分和MNF噪声过滤成分。分类部分采用了十三种监督分类算法，包括传统统计分类器和现代机器学习算法，其中随机森林和决策树表现突出。精度评估使用混淆矩阵计算了总体精度（OA）、生产者精度（PA）、用户精度（UA）和Kappa系数，确保了分类器效果的全面评估。

结果和讨论部分展示了分类器在不同数据集上的表现，以及不同树种的分类精度。研究发现，随机森林和决策树在所有数据集上都表现出较高的精度，其中随机森林在PCA转换后的数据上实现了最高的总体精度（82.56%）和Kappa系数（0.81）。APAD指标在波段选择和物种特异性比值指数的开发中发挥了重要作用，而PCA和MNF降维技术有效减少了光谱冗余和噪声，提高了分类的鲁棒性和计算效率。

研究还探讨了光谱可区分性对分类结果的影响，以及波段比值指数对区分相似树种的作用。通过APAD指标计算了210个物种对的光谱可区分性得分，结果表明某些物种对（如Cassie和Christ’s Thorn）具有较高的APAD值，显示出良好的光谱区分能力。尽管EO-1 Hyperion具有30米的空间分辨率，这导致每个像元可能包含多个树冠，从而引入混合像元效应，但通过APAD波段选择和比值指数的开发，研究成功提高了分类的可靠性。

研究的生态和管理意义在于，准确的树种分类能够提升对城市森林组成的理解，支持更有效的管理和保护措施。高精度分类图可以用于更好地估算城市生物量、冠层健康状况和碳固存潜力，这些参数对于绿色GDP评估和气候适应性城市规划至关重要。研究结果表明，集成学习方法在城市森林的复杂光谱环境中具有显著的优势。

在方法论方面，研究强调了快速学习分类器在处理有限标注数据和混合像元数据时的实用性。同时，研究也指出了两个方法论上的局限性：一是EO-1 Hyperion的单日期获取限制了对季节动态的分析；二是APAD指标虽然能够有效量化物种间的光谱区分能力，但它没有考虑类内方差，这主要是由于30米分辨率的像元中混合像元限制了类内统计信息的获取。尽管深度学习方法如CNN和混合CNN-Transformer模型在某些情况下能够提供更高的分类精度，但它们的部署需要大量的标注数据和计算资源。鉴于研究中有限的地面实测样本和混合像元的限制，本研究优先选择了计算效率高、适用于有限标注条件的快速学习分类器。未来的研究可以结合高光谱数据和LiDAR导出的结构指标，进一步提升物种识别的精度和可扩展性。

研究的结论表明，通过EO-1 Hyperion高光谱影像在Hauz Khas城市森林中开发出的高效分类框架，为城市森林的树种识别提供了可靠的方法。研究还指出，快速学习分类器在处理有限标注数据时仍然具有重要的应用价值，尤其是在传统的高光谱任务中。未来的研究应扩展这一框架，结合深度学习方法，以进一步提升城市森林监测的精度和可扩展性。整体而言，本研究证明了在光谱可区分性驱动的特征选择下，快速学习的集成分类器仍然能够有效地用于传统的高光谱任务，并为下一代深度学习驱动的高光谱分析和城市森林监测系统奠定了坚实的基础。