基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类.pdfVIP

2023, 31 (3): 22411, pages 1–16 doi: 10.17520/biods.2022411 •技术与方法• 基于无人机影像与面向对象-深度学习的滨海湿地 植物物种分类 1 1,2* 3 1 1 1 黄雨菲, 路春燕 , 贾明明, 王自立, 苏越, 苏艳琳 1. 福建农林大学计算机与信息学院, 福州 350002; 2. 福建农林大学生态与资源统计福建省高校重点实验室, 福州 350002; 3. 中国科学院 东北地理与农业生态研究所湿地生态与环境重点实验室, 长春 130102 摘要: 明确滨海湿地植物物种类型及其分布状况是实现滨海湿地精细化生物多样性监测的基础, 对于滨海湿地的保护管理 与生态可持续发展均具有重要意义。本研究以无人机可见光遥感影像为基础数据源, 在定量分析最优分割尺度与最优分类特 征组合的基础上, 应用面向对象-U-net深度学习方法对闽江河口湿地植物物种类型进行分类, 并与K最近邻、决策树、随机森 林和贝叶斯分类方法进行精度对比分析, 以期为滨海湿地植物物种遥感精细分类与生物多样性保护管理提供方法借鉴与科 学参考。研究结果表明, 利用面向对象-U-net深度学习方法提取不同滨海湿地植物物种类型的分类精度可达95.67%, 总体精 度较其他分类方法提高6.67%–13.67%, Kappa系数提高0.12–0.31, 且分类整体性好。此外, 实现植物物种光谱特征、形状特征、 纹理特征与高度特征的最优特征选择对于有效提高湿地植物物种信息分类精度具有重要作用, 应用最优分割尺度实现影像 分割可提高整体分类效率。 关键词: 植物物种分类; 滨海湿地; 面向对象; U-net深度学习; 无人机遥感; 最优分割尺度; 机器学习 黄雨菲, 路春燕, 贾明明, 王自立, 苏越, 苏艳琳 (2023) 基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类. 生物多样性, 31, 22411. doi: 10.17520/biods.2022411. Huang YF, Lu CY, Jia MM, Wang ZL, Su Y, Su YL (2023) Plant species classification of coastal wetlands based on UAV images and object-oriented deep learning. Biodiversity Science, 31, 22411. doi: 10.17520/biods.2022411. Plant species classification of coastal wetlands based on UAV images and object- oriented deep learning 1 1,2* 3 1 1 1 Yufei Huang , Chunyan Lu , Mingming Jia , Zili Wang , Yue Su , Yanlin Su 1 College of Computer and Information Sciences, Fujian Agriculture and Forestry University, Fuzhou 350002 2 Key Labora