基于不同机器学习算法的无人机高光谱影像树种分类研究

Tree Species Classification in UAV Hyperspectral Images Based on Different Machine Learning Algorithms

摘要

机载高光谱数据能够反映树种光谱特征，可以对森林树种进行精确分类。应用不同机器学习分类算法对无人机高光谱影像进行树种分类研究。首先利用无人机完成黑龙江省帽儿山实验林场研究区的高光谱数据采集，对获取数据进行一系列预处理；然后分别利用基于高斯核的支持向量机、随机森林、K-近邻3种不同机器学习分类算法建立基于全波段高光谱数据的树种分类模型，并基于不同波段选择方法（连续投影算法、竞争性自适应重加权法以及无信息变量消除法）对全波段高光谱数据降维后再进行树种分类模型构建；最后联合不同波段选择方法与高光谱图像纹理特征构建树种分类模型，并对不同处理方法结果进行比较。研究表明，对于全波段高光谱数据的树种分类模型中，基于高斯核的支持向量机分类准确率最高（87.55%）。不同波段选择后，随机森林稳定性是3种分类算法中最好的，准确率较高，而基于高斯核的支持向量机分类准确率随着特征维度的增加而提升。基于灰度共生矩阵提取纹理特征后结合波段选择建立的树种分类模型准确率高于单一的波段选择建立的模型，尤其是K-近邻分类算法的提升最大，说明具有明显划分的特征进行其建模可达到较好分类效果。该研究利用不同特征选择方式结合3种不同的机器学习分类算法实现了基于高光谱数据的优势树种分类，为波段选择方式与机器学习算法结合提供了技术参考，也对基于无人机高光谱数据的森林生物量反演和碳储量估测研究具有重要意义。

Abstract

Airborne hyperspectral data can reflect the spectral characteristics of tree species， which can be used for precise classification of forest tree species. This study applies different machine-learning classification algorithms to classify tree species in hyperspectral images of unmanned aerial vehicles （UAV）. Firstly， a UAV was used to collect hyperspectral data from the Maor Mountain Experimental Forest Farm in Heilongjiang Province， and a series of preprocessing was completed for the obtained data. Then， three different machine learning classification algorithms， namely， support vector machine （SVM） based on Gaussian kernel， random forest （RF）， and K-nearest neighbor （KNN）， were used to establish the tree species classification models， respectively， based on the full-band hyperspectral data. Meanwhile， tree species classification models were constructed based on the dimension-reduced full-band hyperspectral data using different band selection methods （successive projections algorithm， competitive adaptive reweighted sampling method and uninformative variable elimination method）. Finally， the tree species classification model was constructed by combining different band selection methods and hyperspectral image texture features， and the results of different processing methods were compared. Research shows， the kernel SVM had the highest classification accuracy （87.55%） among the tree species classification models with full-band hyperspectral data. After selecting different bands， the stability of RF is the best among the three classification algorithms， and the accuracy rate was high， while the classification accuracy of the support vector machine based on the Gaussian kernel improved with the increase of feature dimension. The accuracy of the tree species classification model established by extracting texture features based on a grayscale co-occurrence matrix combined with band selection was higher than that of the model established by a single band selection. In particular， the K-nearest neighbor classification algorithm has the greatest improvement， which indicated that modeling with clearly partitioned features can achieve good classification results. This study used different feature selection methods combined with three different machine learning classification algorithms to achieve dominant tree species classification based on hyperspectral data， which provides technical reference for the combination of band selection methods and machine learning algorithms， and it is also of great significance for forest biomass retrieval and carbon storage estimation based on UAV hyperspectral data.

Graphical abstract

关键词

无人机 / 高光谱 / 特征提取 / 机器学习 / 树种分类

Key words

UAV / hyperspectral image / feature extraction / machine learning / tree species classification

0 引言

精确的树种分类，对于森林资源监测、生物多样性评价和生物量反演等研究有重要意义。目前，传统的树种调查方式通常需要设置样地进行人工调查，存在作业工作强度大、成本高以及周期长等问题^［1］。而利用遥感技术采集森林资源信息具有速度快、效率高、时间成本低和可反映地表作物动态变化等特点，因此基于遥感技术可实现森林树种的快速和准确的分类。

高光谱遥感（Hyperspectral remote sensing）作为一种被动遥感技术，具有光谱分辨率高、对地物细微差别分辨能力强等优点，已经应用于树种分类与树种多样性研究^［2］。在对高光谱数据进行处理并实现树种识别的研究中，机器学习算法一直占有重要地位。Koukal等^［3］通过对研究区不同角度拍摄获取无人机高光谱森林影像数据，并利用随机森林算法进行树种分类，分类精度为92%。Dalponte等^［4］利用支持向量机、随机森林和最大似然法等算法对欧洲北部针叶林树种进行精细分类，结果显示支持向量机的树种分类效果最佳，Kappa系数为0.8。赵庆展等^［5］利用三北防护林研究区内无人机高光谱数据提取特征后，分别采用最大似然法、支持向量机和随机森林进行防护林优势树种分类，精度都达到88%以上。Ballanti等^［6］基于获取的复杂林分条件下机载高光谱数据，利用最小噪声分离变换进行降维，对保留下的27个波段数据分别利用支持向量机和随机森林算法进行树种分类，总体准确率都高于90%。樊雪等^［7］获取湖北省荆门市东宝区的研究区无人机高光谱数据进行降噪降维提取特征等处理之后，利用支持向量机完成优势树种分类，分类精度到80.7%。苗宇宏等^［8］对青岛某研究区无人机高光谱数据进行数据降维并提取特征后，利用支持向量机进行植被分类，分类准确率达96%以上。Zhong等^［9］对无人机高光谱数据进行分割并获取单木信息，经过特征提取后采用支持向量机完成了研究区主要优势树种类型的识别。陆嘉辉^［10］研究发现，利用机器学习算法基于光谱和纹理信息进行树种分类，分类精度高于单一信息的机器学习建模分类精度。Liu等^［11］获取广东省丹霞山附近研究区的无人机高光谱数据，结合光谱特征和纹理特征，并基于支持向量机对树种进行分类，达到较好效果。

目前，在利用高光谱数据结合机器学习算法进行树种分类的研究中，部分研究者是经过数据预处理之后直接对全波段进行树种分类，分类数据信息量大，繁杂且多冗余，易造成“数据灾难”；由于不同的机器学习算法对树种分类的精度也不同，需要对不同机器学习算法的分类效果进行系统研究，从而找到最优的分类算法。另外，仅通过对高光谱数据降维后利用不同波段信息进行树种分类，没有结合其他的有效信息，如纹理特征等，可能导致分类精度不高。为解决上述问题，本研究基于无人机获取的高光谱影像数据分别利用连续投影法（Successive Projections Algorithm，SPA）、竞争性自适应重加权法（Competitive Adaptive Reweighted Sampling，CARS）以及无信息变量去除法（Uninformative Variables Elimination，UVE）进行数据降维，并对全波段和降维后的数据采用随机森林（Random Forests，RF）、支持向量机（Support Vector Machines，SVM）与K-近邻（K-Nearest Neighbor，KNN）3种不同的机器学习算法进行树种分类，最后加入主成分分析（Principal Component Analysis，PCA）变换降维后基于光谱特征变换的纹理特征提取方式提取纹理特征，再次进行树种分类，从而探究高光谱数据降维处理、不同机器学习算法以及纹理特征加入对复杂林分下树种分类的影响，为无人机高光谱遥感数据在森林资源调查中的应用提供参考。

1 数据与方法

1.1 研究区与数据源

1.1.1 研究区

研究区位于黑龙江省哈尔滨市帽儿山地区，具体位置如图1所示，年平均气温为3.0 ℃，年平均降水量为723.8 mm^［12］。研究区内覆盖天然混交林和人工林，树种以落叶松（Larix gmelinii）、胡桃楸（Juglans mandshurica）、紫椴（Tilia amurensis）、蒙古栎（Quercus mongolica）和榆树（Ulmus pumila）等为主。在该研究区选择树种长势较好且分布相对均匀的样地，样地面积东西长50 m，南北长70 m。

1.1.2 数据获取

2021年8月，在天气晴朗的情况下，运用大疆无人机M300RTK搭载高光谱成像传感器Pika L在研究区上空进行数据采集，无人机飞行的高度和速度分别为100 m和4.5 m/s^［9］。获取的高光谱数据具体参数见表1。

2021年9月，进行实地数据调查。根据调查结果，利用ArcGIS 10.7软件结合目视解译方法获取高光谱数据中详细树种数据分布，利用ENVI 5.3软件对高光谱数据进行裁剪，选取150 像素×200像素的数据进行试验。试验样地的优势树种类型见表2。

1.2 研究方法

本研究首先对原始无人机高光谱影像数据进行预处理，之后使用3种方法对预处理后高光谱影像进行压缩降维并提取纹理特征，借助3种机器学习算法对原始数据、处理后数据以及其不同处理方法组合等进行树种识别，并进行结果分析和算法对比。具体的研究技术路线图如图2所示。

1.2.1 数据预处理

对于获取的高光谱数据利用ENVI 5.3软件进行拼接、辐射定标、几何校正和大气校正等预处理之后，并根据低通滤波算法进行降噪。

1.2.2 波段选择与纹理特征提取

由于高光谱数据量庞大且数据之间有明显的共线性，不仅出现大量冗余信息，而且严重影响模型的运算效率^［13］，因此本研究采用3种波段选择方法（SPA、CARS、UVE）对高光谱数据进行波段选择，并利用机器学习算法完成树种分类精度对比，从而得到最优的波段选择方法。

1）SPA通过前向搜索法^［14］搜索出光谱波段集合中共线性最小、信息冗余量最低的最优变量子集。SPA方法通过预先设置所选择的变量数范围为2~50，最后选择的变量数在预设范围内的均方根误差为最小^［15］。

2）CARS是一种基于回归系数为变量重要性评价指标的变量选择算法。CARS通过自适应重加权采样技术并结合指数衰减函数选出偏最小二乘回归（Partial Least Squares Regression，PLSR）系数绝对值大的变量点，利用交叉验证选出N个PLSR子集模型中交叉验证均方根误差最小的子集作为 最优变量子集^［15-16］。本研究中，CARS运算交叉 验证对折次数设置为20，蒙特卡罗采样次数为50，每次运行程序选择的训练集和测试集样本比例为4∶1。

3）UVE的建立基于偏最小二乘法（Partial Least Squares，PLS）。该算法目的是减少偏PLSR模型中包含的变量数，降低模型复杂性，改善PLSR模型 ^［17］。UVE运算并利用PLSR建模过程中设置最佳因子为10，留一法次数为30 000。

高光谱影像不同树种之间不仅存在光谱差异，其纹理特征也会不同，无人机高光谱影像拥有较高的空间分辨率，因此将纹理特征用于树种间分类是有必要的。使用灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）提取的纹理特征，能够反映影像不同区域的粗糙程度^［18］，因此本研究使用GLCM对高光谱影像进行纹理特征提取。

1.2.3 树种分类模型建立与评价

采用RF算法、SVM算法以及KNN算法建立树种分类模型。其中，RF是以Bagging为框架的基于CART决策树的一种集成算法，具有一定的抗过拟合能力；SVM采用高斯核函数进行试验，能够有效避免样本空间的维数灾难；KNN是一种适用性较高的算法，通过测量不同特征值之间的距离来实现分类^［19］。本研究通过图像分类的方法，以整幅高光谱图像为输入量，通过对比3个模型分类效果，讨论模型性能。

本研究的模型评价指标采用分类准确率^［15］，计算如式（1）所示。

A_{\mathrm{c}\mathrm{c}}=\frac{T_{\mathrm{P}}+T_{\mathrm{N}}}{T_{\mathrm{P}}+T_{\mathrm{N}}+F_{\mathrm{P}}+F_{\mathrm{N}}}\times \mathrm{100}\%。（1）

式中：A_{\mathrm{c}\mathrm{c}}为准确率；T_{\mathrm{P}}为正确识别为正样本像素点的数量；T_{\mathrm{N}}为正确识别为负样本像素点的数量；F_{\mathrm{P}}为错误识别为正样本像素点的数量；F_{\mathrm{N}}为错误识别为负样本像素点的数量。

本研究使用的数据处理平台为ENVI 5.3、ArcGIS10.7、Matlab2014a、Python3.8等数据处理以及编程软件。

2 结果与分析

2.1 波段选择结果

2.1.1 SPA波段选择结果

经过SPA波段选择之后共筛选出2个特征波段。图3为利用SPA提取树种高光谱数据全部特征波段的运算结果。对300个波段变量建立了偏最小二乘回归提取波长后的多元线性回归模型，由图3（a）可以看出，随着采样次数增加，波段数由最初的300个，最终选择波段个数为2个，此时的均方根误差（Root mean squared error，RMSE）值最小，RMSE达到最小值1.208，此时的模型预测精度已达到最高，由图3（b）可以看出，选出来的波段变量是第166和174波段。

2.1.2 CARS波段选择结果

经过CARS波段选择后共筛选出48个特征波段。图4为利用CARS提取树种高光谱数据全部特征波段变量的运算结果。

由图4可以看出，随着蒙特卡罗迭代次数的增加，被选择的波长数量不断下降，当蒙特卡罗迭代次数为18时，交叉验证均方差（Root mean square error of cross validation，RMSECV） 的值最小，此时自适应加权采样选择的特征波长建立的偏最小二乘回归的预测效果最好，选择出的48个波段变量为最优变量组合。

2.1.3 UVE波段选择结果

本研究中经过UVE处理后保留了206个特征波段，如图5所示。

图5中横坐标正中的300波段处的竖直线为变量分割线，分割线左右两侧分别为原始矩阵300个光谱变量和加入噪声后矩阵的300个随机变量的稳定性（C）的分布曲线，2条水平线分别为UVE变量筛选出的上下阈值线。由图5可以看出，94条阈值线以内的无用信息变量被剔除，206条变量稳定值C内的阈值线以外的有用信息变量被保留下来进行分类试验。

2.2 分类结果与精度

分别采用SPA、CARS和UVE算法对预处理 后的高光谱数据进行了波段选择，对选择后的 波段分别采用RF、SVM、KNN算法进行了树种分类，树种分类结果如图6所示，相应的分类准确率见表3。

由图6和表3可以看出，3种分类算法对于全波段和经过3种波段选择后的数据都可以实现分类，但分类准确率有所不同。基于全波段数据，分类准确率从高到低分别为支持向量机、RF算法以及KNN算法，除了KNN算法，其他2种算法的分类准确率都在80%以上；当利用SPA、CARS以及UVE波段选择后，波段保留数依次为2、48、206。使用RF、SVM和KNN算法的分类准确率平均值分别为79.05%、78.81%以及54.73%。基于全波段的机器学习分类运行时间最长，除了UVE的波段选择，基于SPA和CARS进行波段选择后的树种分类准确率有一定程度的下降，但是运行效率相对来说比较高，尤其是KNN算法的运行时间最快。基于机器学习算法对降维后的高光谱数据进行树种分类的精度高于全波段，这与藏卓^［20］研究结果一致。

对全波段数据进行PCA变换之后，选取前3个PCA变换分量进行GLCM纹理特征提取，共提取到24个纹理特征，当加入GLCM纹理特征之后，结合不同的降维方法和机器学习算法对研究区的树种分类结果如图7所示，相应的分类准确率见表4。

由图7与表4可以看出，与单一波段信息相比，纹理特征的加入能够不同程度地提高树种分类准确率，这与江萍^［21］的研究结果是一致的。虽然运行时间也随之增加，但小于基于全波段的机器学习分类的运行时间。本研究利用基于光谱特征变换的遥感影像纹理特征提取，采用PCA降低数据维度，有效地保留了纹理特征的关键信息，同时适当地改善了运行效率^［22］。纹理特征的提取主要是基于GLCM得到，GLCM可以提供影像像元间排列、方向等变化信息，通过对纹理信息的统计，可获取一系列描述影像纹理的特征^［2］。本研究利用局部平稳、对比度、非相似性、熵、均值、变化量、能量以及相关等8个方面的纹理特征来分析各树种间纹理特征差异，并通过光谱与纹理特征的组合数据，使其在特征空间达到各树种间的可分性最大，进而提高分类精度^［23-24］。总之，纹理特征的加入提高了数据特征的显著性，使得数据特征划分具有明显的特征分类，分类准确率显著提高。

3 讨论与结论

3.1 讨论

本研究分别采用CARS、SPA、UVE方法对高光谱数据进行波段选择实现数据降维，并基于SVM、RF、KNN 3种机器学习算法进行树种分类，最后加入基于GLCM提取到的纹理特征提升树种分类精度。研究结果可以为基于高光谱数据的树种分类研究中波段选择方式和分类算法选择提供一定的技术参考，促进无人机高光谱数据在森林资源调查中广泛应用。

通过采用SPA、CARS以及UVE 3种波段选择方法实现了高光谱数据的降维。SPA方法通过在向量空间投影捕获最小共线性变量子集^［25］，选择了2个最优波段信息，极大减少了数据量，提高了运算效率，但是由于原始数据的大量减少，一些有用信息也可能被去掉，导致总体分类精度较低；CARS是基于蒙特卡罗采样和偏小二乘回归模型中回归系数的一种特征波段选择方法^［15］，优选出了48个波段信息，基于机器学习算法进行树种分类的CARS波段选择总体高于SPA波段选择方法，但低于UVE波段选择方法；UVE方法在光谱矩阵中加入随机产生的噪声矩阵，波段变化对结果影响较小^［26］，在本研究中选择波段数最多（206个波段），基于机器学习算法对UVE波段选择后的数据进行树种分类得到的准确率最高。总体来看，使用SPA、CARS与UVE方法降维后的数据能够实现对研究区优势树种的分类，SPA、CARS 2种方法与全波段数据分类结果相比，波段经筛选后树种分类准确率出现不同程度的下降，准确率影响较大，但是运行效率非常高；而UVE方法降维后数据分类结果高于全波段数据，运行效率也较高。3种波段筛选方法的数据降维能力不同，数据降维能力由大到小依次为SPA、CARS、UVE。

通过对降维后的高光谱数据采用RF、SVM和KNN 3种机器学习算法进行树种分类，发现RF算法的分类稳定性较好，说明RF算法可以处理不同维度数据的分类计算；高斯核的SVM算法适合于特征数量较多情况下的数据分类，较少的特征数据分类效果相对较差；KNN算法对小样本数据集分类实现较快，然而总体分类效果较低，上述研究结果与姜玉峰等^［27］、于航等^［28］、徐新良等^［29］研究结果一致。因此，在高光谱数据特征维度较高的情况下适合用SVM算法进行数据分类，而要提高效果稳定性则可以选择使用RF算法，但是在满足小样本数据集运算效率的同时，数据特征具有明显的区分情况下，KNN算法则可以用来进行高光谱数据优势树种分类。

基于灰度共生矩阵提取纹理特征后结合波段选择建立的树种分类模型准确率高于单一的波段选择建立的模型，运行效率也相对较高。李军玲^［30］对无人机高光谱数据进行波段选择之后利用机器学习进行树种分类，分类精度达到90%以上，之后利用基于光谱特征变换的遥感影像纹理特征提取方式提取纹理特征，结合波段选择后数据进行机器学习树种分类，分类精度可达96%。因此，纹理特征的加入有利于树种分类精度的提高。同时随着样本数据特征的增加，基于高斯核的支持向量机分类算法优势明显高于其他2种分类算法。

虽然本研究基于无人机高光谱数据实现了树种的分类，但是本研究也存在一定的局限性，如研究区面积和树种数量有限，在数据降维方法和机器学习算法的分类选择上，需要进一步研究或采用新的分类算法。最后，可尝试采用多源遥感数据来进行复杂林分条件下优势树种的分类。

3.2 结论

本研究基于无人机高光谱影像数据对黑龙江省帽儿山实验林场所选研究区主要优势树种进行分类，对预处理后的高光谱数据分别利用CARS、SPA、UVE方法进行了有效的降维，极大地缩减了高光谱波段数量，减少了信息冗余量和数据繁杂度，提升了数据的运行效率；然后利用RF、SVM、KNN 3种不同机器学习算法对全波段数据和波段选择之后数据进行树种分类得出，机器学习算法能实现优势树种的分类，但不同算法的分类精确性有一定的差异，需要结合具体的数据来选择不同分类算法；最后将降维后数据结合基于GLCM提取的纹理特征再次进行数据分类，树种的分类效果都得到了一定的提高，说明加入纹理特征后比单一波段特征进行树种识别分类精度更高。

参考文献

[1] 钟浩，刘浩然，林文树.激光雷达和高光谱遥感技术在树种识别中的应用［J］.世界林业研究，2021，34（4）：41-45.

[2] ZHONG H， LIU H R， LIN W S.Application of lidar and hyperspectral remote sensing technology to tree species identification［J］.World Forestry Research，2021，34（4）：41-45.

[3] 吴倩.基于机载高光谱遥感数据的森林乔木树种多样性研究［D］.合肥：安徽农业大学，2018.

[4] WU Q.Research on vegetation diversity of forest Arbor species based on airborne hyperspectral remote sensing data［D］.Hefei：Anhui Agricultural University，2018

[5] KOUKAL T， ATZBERGER C， SCHNEIDER W.Evaluation of semi-empirical BRDF models inverted against multi-angle data from a digital airborne frame camera for enhancing forest type classification［J］.Remote Sensing of Environment，2014（151）：27-43.

[6] DALPONTE M， ØRKA H O， GOBAKKEN T，et al.Tree species classification in boreal forests with hyperspectral data［J］.IEEE Transactions on Geoscience and Remote Sensing，2021，51（5）：2632-2645.

[7] 赵庆展，江萍，王学文，基于无人机高光谱遥感影像的防护林树种分类［J］.农业机械学报，2021，52（11）：190-199.

[8] ZHAO Q Z， JIANG P， WANG X W，et al.Classification of protection forest tree species based on UAV hyperspectral data［J］.Transactions of the Chinese Society for Agricultural Machinery，2021，52（11）：190-199.

[9] BALLANTI L， BLESIUS L， HINES E，et al.Tree species classification using hyperspectral imagery：a comparison of two classifiers［J］.Remote Sensing，2016，8（6）：445.

[10] 樊雪，刘清旺，谭炳香.基于机载PHI高光谱数据的森林优势树种分类研究［J］.国土资源遥感，2017，29（2）：110-116.

[11] FAN X， LIU Q W， TAN B X.Classification of forest species using airborne PHI hyperspectral data［J］.Remote Sensing for Land and Resources，2017，29（2）：110-116

[12] 苗宇宏，杨敏，吴国俊.基于高光谱影像多维特征的植被精细分类［J］.大气与环境光学学报，2020，15（2）：117-124.

[13] MIAO Y H， YANG M， WU G J.Sophisticated vegetation classification based on multi-dimensional features of hyperspectral image［J］.Journal of Atmospheric and Environmental Optics，2020，15（2）：117-124.

[14] ZHONG H， LIN W S， LIU H R，et al.Identification of tree species based on the fusion of UAV hyperspectral image and LiDAR data in a coniferous and broad-leaved mixed forest in Northeast China［J］.Frontier in Plant Science，2022，13：964769.

[15] 陆嘉辉.基于林冠高光谱影像的树种分类研究［D］.上海：华东师范大学，2020.

[16] LU J H.Tree species classification based on canopy hyperspectral images［D］.Shanghai：East China Normal University，2020.

[17] LIU C， AI M， CHEN Z，et al.Detection of Firmiana danxiaensis canopies by a customized imaging system mounted on an UAV platform［J］.Journal of Sensors，2018（9）：1-12

[18] 陈莹，董灵波，刘兆刚.帽儿山天然次生林主要林分类型最优树种组成［J］.北京林业大学学报，2019，41（5）：118-126.

[19] CHEN Y， DONG L B， LIU Z G.Optimal tree species composition of main stand types in Maoershan natural secondary forest［J］.Journal of Beijing Forestry University，2019，41（5）：118-126.

[20] 林海军.塔里木河下游主要荒漠植物高光谱特征分析［D］.乌鲁木齐：新疆农业大学，2014.

[21] LIN H J.Analysis of spectral features of main desert plants in the lower reaches of Tarim River［D］.Urumqi：Xinjiang Agricultural University，2014.

[22] 刘明博，唐延林，李晓利，水稻叶片氮含量光谱监测中使用连续投影算法的可行性 ［J］.红外与工程，2014，43（4）：1265-1271.

[23] LIU M B， TANG Y L， LI X L，et al.Feasibility of using successive projections algorithm in spectral monitoring of rice leaves nitrogen contents［J］.Infrared and Laser Engineering，2014，43（4）：1265-1271.

[24] 胡逸磊，姜洪喆，周宏平，高光谱成像技术检测油茶果成熟度［J］.食品科学，2022，43（16）：324-331.

[25] HU Y L， JIANG H Z， ZHOU H P，et al.Maturity detection of Camellia oleifera by hyperspectral imaging［J］.Food Science，2022，43（16）：324-331.

[26] 周宏平，胡逸磊，姜洪喆，基于高光谱成像的油茶籽含油率检测方法研究［J］.农业机械学报，2021，52（5）：308-315.

[27] ZHOU H P， HU Y L， JIANG H Z，et al.Detection method of oil content of Camellia oleifera seed based on hyperspectral imaging［J］.Transactions of the Chinese Society for Agricultural Machinery，2021，52（5）：308-315.

[28] 陈媛媛，王志斌，王召巴.基于无信息变量消除法与岭极限学习机的新型变量选择方法：以CO气体浓度反演为例（英文）［J］.光谱学与光谱分析，2017，37（1）：299-305.

[29] CHEN Y Y， WANG Z B， WANG Z B.Novel variable selection method based on uninformative variable elimination and ridge extreme learning machine：CO gas concentration retrieval trial［J］.Spectroscopy and Spectral Analysis，2017，37（1）：299-305.

[30] 李丽.基于ELM的高光谱遥感影像土地利用覆盖分类优化方法研究［D］.成都：电子科技大学，2018.

[31] LI L.Research on land use cover classification optimization methods for hyperspectral remote sensing image based on ELM［D］.Chengdu：University of Electronic Science and Technology of China，2018.

[32] 孔嘉鑫.基于无人机遥感影像的亚热带常绿落叶阔叶混交林树种分类与识别［D］.上海：华东师范大学，2020.

[33] KONG J X.Object-based tree species classification and identification using Unmanned Aerial Vehicle remote sensing imageries in a subtropical evergreen deciduous broad-leaved mixed forest［D］.Shanghai：East China Normal University，2020.

[34] 臧卓.南方主要乔木树种高光谱数据降维组合分类算法研究［D］.长沙：中南大学，2015.

[35] ZANG Z.Combination and comparison of dimensional reduction and classification algorithms for classifying main tree species of Southern China base on hyperspectral data［D］.Changsha：Central South University，2015.

[36] 江萍.基于无人机高光谱影像的防护林树种分类研究［D］.石河子：石河子大学，2022.

[37] JIANG P.Research on tree species classification of shelterbelt based on UAV hyperspectral image［D］.Shihezi：Shihezi University，2022.

[38] 刘友山，吕成文，祝凤霞，基于PCA和多尺度纹理特征提取的高分辨率遥感影像分类［J］.遥感技术与应用，2012，27（5）：706-711.

[39] LIU Y S， LÜ C W， ZHU F X，et al.Extraction of high spatial resolution remote sensing image classification based on PCA and multi-scale texture feature［J］.Remote Sensing Technology and Application，2012，27（5）：706-711.

[40] 袁晶贤.红树林优势种高光谱遥感识别方法研究——以广东省典型区为例［D］.青岛：中国石油大学（华东），2021.

[41] YUAN J X.Study on hyperspectral remote sensing identification method of dominant mangrove species——taking a typical area in Guangdong Province as an example［D］.Qingdao：China University of Petroleum（East China），2021.

[42] 崔林丽.遥感影像解译特征的综合分析与评价［D］.北京：中国科学院研究生院（遥感应用研究所），2005.

[43] CUI L L.Integrative analysis and evaluation of the interpretation features in remote sensing image［D］.Beijing：Graduate School of Chinese Academy of Sciences（Institute of Remote Sensing Applications），2005.

[44] 周竹，尹建新，周素茵，基于近红外光谱与连续投影算法的针叶材表面节子缺陷识别［J］.激光与光电子学进展，2017，54（2）：311-319.

[45] ZHOU Z， YIN J X， ZHOU S Y，et al.Knot defection on coniferous wood surface near infrared spectroscopy and successive projections algorithm［J］.Laser & Optoelectronics Progress，2017，54（2）：311-319.

[46] 孙葳.基于高光谱成像技术的南瓜种子质量快速无损检测研究［D］.昆明：云南农业大学，2022.

[47] SUN W.Rapid nondestructive testing of Pumpkin seed quality based on hyperspectral imaging technology［D］.Kunming：Yunnan Agricultural University，2022.

[48] 姜玉峰，齐建国，陈博伟，基于无人机高光谱影像和机器学习的红树林树种精细分类［J］.遥感技术与应用，2021，36（6）：1416-1424.

[49] JIANG Y F， QI J G， CHEN B W，et al.Classification of mangrove species with UAV hyperspectral imagery and machine learning methods［J］.Remote Sensing Technology and Application，2021，36（6）：1416-1424.

[50] 于航，谭炳香，沈明潭，基于机器学习算法的机载高光谱图像优势树种识别［J］.自然资源遥感： 1-10［2023-12-11］.

[51] YU H， TAN B X， SHEN M T，et al.Research on identification of dominant tree species using airborne hyperspectral images based on machine learning algorithm［J］.Remote Sensing for Natural Resources： 1-10［2023-12-11］.

[52] 徐新良，曹明奎.森林生物量遥感估算与应用分析［J］.地球信息科学，2006（4）：122-128.

[53] XU X L， CAO M K.An analysis of the applications of remote sensing method to the forest biomass estimation［J］.Geo-information Science，2006（4）：122-128.

[54] 李军玲.机载高光谱影像温带人工林树种分类［D］.北京：中国林业科学研究院，2019.

[55] LI J L.Species classification of temperate plantation using airborne hyperspectral images［D］.Beijing：Chinese Academy of Forestry，2019.

基金资助

黑龙江省自然科学基金联合引导项目(LH2020C049)