利用高光谱和多光谱图像检测的树种:复习一下
Sude古尔叶尔
1*
将有关Tunc Gormus2
- 1土地登记部门和地籍,Coruh大学阿尔温特Turkiye的阿尔温特
- 2测绘学工程系,Karadeniz技术大学,特拉布宗,Turkiye
在森林树种分类提供了重要的数据监控,可持续森林管理和规划。近期的事态发展在多光谱(MS)和超光谱遥感(HS)成像传感器使树种更容易和准确的检测。系统回顾研究,旨在了解使用的贡献多光谱、超光谱成像数据检测的树种,同时突出该领域的最新进展,强调未来调查的重要方向和新的可能性。综述、研究人员和决策者将通知在两个不同的主题:一个是利用多光谱的处理步骤和商品图片和第二个是确定的优势利用多光谱、超光谱图像检测树种的应用领域。以这种方式利用卫星数据将帮助。这也将提供一种经济获得使用商业多光谱、超光谱成像数据。此外,它还应该记住,随着光谱数量的标签将从每棵树类型不同,处理方法和相应的分类方法将会改变。综述,研究分组根据数据利用(只有超光谱图像,只有多光谱图像和它们的组合),树监控类型和处理方法。然后,使用的图像数据的贡献研究评估根据分类的准确性,合适的类型的树和分类方法。
1介绍
树种信息不可或缺的资源来管理森林生态系统。森林是全球变暖的最有效的战士,这就是为什么我们比以往任何时候都更需要他们。需要树种森林可持续管理的知识是永恒的。快速增加的人口在世界我们的开发和消费,对森林和森林产品的需求增加。因此,是否自然森林工业发展森林,他们都需要可持续管理(Hycza et al ., 2018)。森林物种重新计算后可能还需要未来作物规划、森林砍伐由于非法切割、破坏森林的火灾或自然灾害(习et al ., 2021;Zagajewski et al ., 2021)。的决心森林树种是由当地政府准备站地图与经典方法基于土地调查。然而,有简单和低成本的方法来检测树种,它是一个常数,比传统方法(Immitzer et al ., 2012)。1998年,第一个研究树种与高光谱图像检测(AVIRIS)是由(马丁et al ., 1998)。今天,高光谱图像仍用于此目的。最近光谱创新高光谱和多光谱成像方法导致了他们在研究树种的频繁使用检测。植被计算已经被使用了红色边缘乐队,用于测量叶绿素水平,使其绿色植物,尤其是在多光谱图像。植物的物候差异计算的帮助下这些红色边缘乐队,它已广泛应用于树种测定(Grabska et al ., 2019)。树树检测是由使用季节性物候学差异与时间序列分析时段遥测提供免费的多光谱图像(Grabska et al ., 2019;习et al ., 2021)。高光谱图像已经高光谱分辨率,由于大量的狭窄的乐队他们包含,但低空间分辨率很难发现个别树种。这些困难已经克服了盘磨的方法,最近被频繁应用Lassalle et al。(2022)和费雷拉et al。(2020)。
的帮助下免费的卫星图像和开源应用程序,树种几乎能被探测到的便宜。无人机的帮助下或飞机,树种检测研究可以进行更多的最新的和更少的累比实地研究方法(Hati et al ., 2021;杨et al ., 2022)。高光谱和多光谱图像,个人可以使树识别以及stand-based物种映射(费雷拉et al ., 2020;Grabska et al ., 2020)。没有约束的发展技术,人工智能应用程序的增加也导致了遥感图像(Bolyn et al ., 2022)。
使用机器学习,深入学习,新产生的算法和植物指数与遥感图像增加了分类精度(习et al ., 2021;杨et al ., 2022)尽管审查的研究已经进行树种检测在过去的几年中,由于最近的事态发展在分类和卫星图像,编译研究在这一领域已经要求(Fassnacht et al ., 2016)。
系统回顾了研究篇用英语写的文章发表在同行评议期刊包含技术发展和近年来发生的方法。雷竞技电竞体育竞猜平台在本文研究中我们准备树种的决心;我们使用最近的研究,利用高光谱图像、多光谱图像,及其组合(Hycza et al ., 2018;Rumora et al ., 2020;阿巴斯et al ., 2021;Hati et al ., 2021;杨et al ., 2022)。
在文献综述,文章树种检测与多光谱和高光谱图像选择2012 - 2022年之间。搜索是2022年11月20日进行的搜索短语“树类型检测,树种分类”在SCI期刊和排除系统以外的高光谱和多光谱成像系统(如激光雷达、特区)。雷竞技电竞体育竞猜平台
乐队的所有方法,这些研究中使用的算法和植物指数是根据不同类型的森林(习et al ., 2021;杨et al ., 2022)。出于这个原因,我们评估这些方法根据森林类型。
在本文中,我们对树种分类研究检测六个森林类型,让它更容易理解。热带雨林也认为是热带森林,但是,我们认为这两种森林类型不同物种由于差异他们包含的原因,并非每个热带雨林树种将。森林是分组;红树林(Hati et al ., 2021),热带森林(费雷拉et al ., 2016),热带雨林(La Rosa et al ., 2021),北方森林(Grabska et al ., 2020),温带森林(佩尔松et al ., 2018;Hościło Lewandowska, 2019)。
在这项研究中,17的文章,只使用图像(女士爪哇et al ., 2021;习et al ., 2021;王et al ., 2022)13篇文章只使用商品图像(富兰克林·艾哈迈德,2018;Hycza et al ., 2018;阿巴斯et al ., 2021)和4篇文章使用的融合图像(Hati et al ., 2021;杨et al ., 2022)所示的树种的检测方法进行了综述图1。
图1。卫星和传感器类型中使用的研究。
考试的结果,给出了详细的信息关于预处理步骤(减少大气校正、大小等),分类方法(机器学习,深入学习,不同的植物指数)和方法用于精度评估(多数类评估,物种组成评估,等等)在接下来的部分。
2检测树种:森林和方法
2.1森林类型
在本文中,我们评估了研究4种不同的类型。这些都是北方,温带、亚热带和热带森林。因为森林树种的显示不同的特点,它们还含有不同的光谱值的吸收和回射的阳光。北方森林北部的森林传播世界耐寒结构。北方森林,这甚至可以承受非常寒冷的气候条件,包含更少树木的物种。他们通常更多的阴影宽容和狭窄的冠,吸收阳光即使在最低的角度。北方森林通常包含以下类型的树;松树(松属)和云杉(云杉),落叶松(落叶松属)和桦木(桦木属),阿斯彭(杨树)和柳树(柳属)(兰茨贝格和华林,2014)热带森林也通常被称为热带雨林,但并不是所有的热带森林总是湿的。他们通常是发现在亚马逊在南美洲的北半部,温度很高,在森林的中部非洲和东南亚的森林(兰茨贝格和华林,2014)。在这个编译研究中,树木被分类在森林群落的一般。然而,由于并不是每个热带树将被包含在一个热带雨林和一个单独的树识别进行了研究,它被列为单独的森林类型(La Rosa et al ., 2021)。在温带森林物种;橡树、山毛榉、冷杉、枫木、榆木、栗子和雪松。这些树是常用的商业,因为他们是笔直和高。住在沿海地区的红树林在热带和亚热带。由于其生态特征,它是一个重要的资源使用木材,用于医药、水产养殖和生态旅游。红树林是受到威胁的树木由于强烈的风暴,洪水,大量人类使用(Mafaziya Nijamdeen et al ., 2023)。在我们做其他森林分类,有树可以生长在很多地方没有被具体包含在森林或少量的研究中提到。研究中,树与多光谱(MSI)和高光谱检测(HSI)图像,我们检查范围内的审查,在北方森林发现的树种测定最所示图2。
图2。森林类型和比例的树木分类研究中检查。
文章综述了,树中的检测是在两个方面,个人和森林站(费雷拉et al ., 2019;Grabska et al ., 2020)。站地图由授权机构和组织在短时间内可能会变得过时。然而,森林库存信息或站地图可能是不够的在决定用于森林监测的树种。在这种情况下,树与遥感图像检测确保数据保持一致。在我们检验的研究中,许多研究,使个人树检测不到的许多研究stand-based检测由于分类的困难。而高光谱图像(HSI)使用了更多的个人树检测、多光谱图像(MSI)使用更多stand-based检测(图3)。
图3。树树检测研究个人和皇冠级别。
3遥感的树木:工具和方法
3.1检测树木卫星传感器和照相机
在遥感数据用于树种检测通常包括空中或卫星图像,包括高分辨率多光谱和高光谱图像,光探测和测距(激光雷达)数据,和热图像。这些数据类型提供信息反射,光辉,结构,和温度的地球表面,可用于识别和区分不同树种根据他们独特的光谱结构和热签名。
然而,这些数据相比有优点和缺点。在激光雷达探测树种是一个伟大的发明,它是昂贵的。虽然高光谱图像成功皇冠检测由于其高光谱分辨率,他们更容易过程比多光谱数据由于其大小和使用。在这项研究中,我们审查已经完成在树检测和如何可以提高低成本、高分辨率、多光谱和高光谱数据,我们可以分析在全球范围内。
高光谱图像是通过高光谱遥感技术获得的。这种技术使用专门的传感器对卫星、飞机、或无人机(uav)来捕获数据在电磁波谱的广泛,包括可见光、近红外、短波红外。这些传感器捕获的数据被分成许多窄谱带,通常在10 - 30 nm宽,提供详细信息的反射性质不同的材料在现场。这些数据处理,形成一个图像,每个像素代表的反射率值为一个特定的位置在现场所有的光谱带。有各种各样的高光谱遥感平台和传感器,每个国家都有不同的规格和功能。平台和传感器的选择取决于研究的特定需求,如所需的空间和光谱分辨率,覆盖区域的大小,和成本约束。
卫星图像的重要特征树检测他们的空间和光谱分辨率。树木很重要的光谱分辨率光谱响应的准确性,和空间分辨率将这些树的比较重要的训练数据分类。高分辨率图像允许个人树检测甚至离开这些树的分离(Grabska et al ., 2019)。
然而,并不是每一个卫星图像同时有这两种优势。因为它是不可能的对卫星图像高光谱和空间分辨率的同时,用户在pansharpening找到解决方案。他们还增加了高光谱图像的空间分辨率高光谱波段和适合树检测利用全色波段(例如,:(聚氨酯和兰德里,2012;费雷拉et al ., 2019;Lassalle et al ., 2022)。
女士从陆地卫星等不同的卫星图像,IKONOS, Quickbird,和哨兵常用树种的分类。在这些系统首选的主要原因是,他们提供免费的图像比其他系统更频繁的时候(激光雷达、无人驾驶飞行器)。偏好的另一个原因是对于短波红外成像的乐队,组织属性和植物指数(图4)。
图4。卫星多光谱传感器用于研究及其光谱性质。
当这些乐队与各种分类方法一起使用,他们提供了极大的方便用户在这两个单一图像树和即时检测(习et al ., 2021)。利用树木的物候周期,物种可以用树的图像识别多个日期和季节。季节性泛黄的落叶树木的叶子允许每棵树给不同的光谱反射和便于检测。站,落叶和常绿树木混合,物种识别可以利用落叶的季节(Grabska et al ., 2019)。物种识别研究的主要困难的帮助下时间序列是识别常绿乔木。高光谱图像也常用树种的分类。作者更喜欢这些图片,因为他们提供更深层次的信息。有许多树和无人机检测,研究相机或卫星图像。高光谱图像大多被用于个人皇冠在红树林物种分类和识别。作者喜欢用高光谱图像在他们研究的深度研究和所需的分类灵敏度和空间分辨率的成本。
3.2一般操作步骤
最基本的工作流应用树种在识别和映射图5。当然,这些都不是有限的选择,他们将在下面详细讨论的部分研究。树检测研究中最基本的问题是选择适合你学习的形象。有两个重要的问题要问,当选择一个图像;“怎么这幅图像的光谱特征帮我解决我的问题吗?”、“选择图像的空间分辨率适合我希望灵敏度?”。例如,尽管高光谱分辨率高光谱图像中经常使用个人皇冠检测流程,需要提高图像的空间分辨率在同一时间。因此,它的目的是提高高光谱图像的空间分辨率与pan-sharpening方法。在stand-based物种识别的研究中,高光谱分辨率是忽略并且高光谱图像经常使用。
图5。树类型分类和visualalization工作流。
我们可以列出一般工作流程如下,当然,并不局限于这些的方法。与高光谱和多光谱图像处理的发展,这些方法也一天新似一天。我们在本文中描述的方法是有限的论文我们回顾了执行树种与现有的高光谱和多光谱图像检测。
数据采集:获取高光谱和多光谱数据(或两者)的研究区域使用遥感仪器。
预处理:对数据执行必要的预处理步骤,如大气校正、降噪和辐射校正。许多操作,比如大小减少对高光谱数据和云屏蔽多光谱数据也可以被添加到这个步骤根据数据类型。
特征提取:从纠正高光谱和多光谱数据中提取相关特征。这可以包括计算植被指数、主成分分析(PCA)和将数据转换为波长域。
分类:使用决策树等机器学习算法,随机森林,并支持向量机分类树类型基于提取功能,或者使用深学习算法,如U-net AlexNet,这被看作是机器学习的一个子集。这些只是一些最新的方法,当然,传统方法或不同的算法正在开发中也可以使用。
验证:验证分类结果的准确性使用一个独立的数据集或通过应用一个精度评估技术,如混淆矩阵或k-fold交叉验证。
可视化:创建地图和可视化显示树种分类的结果。
4树分类研究
4.1树与MSI检测,恒生指数
数据提供形象和包含女士(VIS),可见近红外(NIR)和短波红外(短波红外成像)乐队提供详细的信息,使它很容易区分不同树种。特别是,他们多次检测可用性使得它们比树。当树检测研究与多光谱图像进行自2012年以来,这是发现他们中的大多数受益时段遥测图像(佩尔松et al ., 2018;Immitzer et al ., 2019;Grabska et al ., 2020;习et al ., 2021)。分类研究中使用的乐队我们审查审查的范围内研究三个主要类型。这些都是VIS (400 - 700 nm),近红外光谱(700 - 1300 nm)和短波红外成像(1300 - 2500海里)。磁带的信息通常单独使用和在研究中可以找到图6。
图6。维恩图的使用多光谱传感器乐队单独或共同研究。
树叶吸收光线由于他们含有的叶绿素。入射光子的方式分布在叶片中的叶肉取决于叶的结构。由于木质素分子,它包含纤维素和氮,预计更多的反射的短波红外成像的乐队,但不幸的是这是不可能的在生活。因为生活中包含的水叶减少反射。然而,由于没有水干树叶,他们将展示更多的反映在短波红外成像乐队(佩尔松et al ., 2018)。
这使得很容易区分落叶和常绿树木使用多次的图像。
Sentinel-2有更广泛的条纹宽度比其他多光谱图像提供者。通过这种方式,不多久他再次访问相同的地方。无云图像捕获变得更容易和更频繁的访问。它促进了树种识别由于其三个红色边缘乐队(植被红边),用于测量叶绿素水平。这就解释了为什么它是最喜欢与时间序列分析研究(Hościło Lewandowska, 2019;Immitzer et al ., 2019;Grabska et al ., 2020)。
高分辨率的全色波段VHR WV-3卫星的传感器提供了明确的个人树的可视化的花冠。由于短波红外成像乐队,树冠可以很容易地检测到。由于这个原因,费雷拉et al。(2019)首选WV-3卫星探测到单独的树木在热带森林。Immitzer et al。(2012)产生的光谱特征10树种在奥地利森林和他的研究结果反映的价值观阔叶树种红边和近红外光谱波段都高于针叶树。古柏是针叶树树给人在近红外波段反射率值最高,其次是冷杉、落叶松,黄色松树和云杉。虽然近红外光谱波段可以区分阔叶和针叶树尖锐,不够成功确定了亚种。
最重要的一个原因对树种使用高光谱图像检测是它可以区分两个不同的亚种互相相同的物种由于其高光谱分辨率(Hati et al ., 2021)。研究中发现树种,看到不同的平台获得的高光谱数据和传感器如无人机(UAV),飞机,地面摄像头,卫星(Hycza et al ., 2018;阿巴斯et al ., 2021;Hati et al ., 2021;La Rosa et al ., 2021)。利用高光谱图像得到无人机越来越适用在林业领域。因为无人机比飞机更安全,飞行计划可以调整更灵活、成本更低(富兰克林·艾哈迈德,2018)。由于树木的化学成分,这是正常的每个人给一个不同的反射不同波段,这些思考让我们区分单个树冠以及stand-based树歧视。这些区别往往不清楚地探测与宽带多光谱图像。然而,个别树冠可以大幅杰出由于高光谱图像(狭窄的乐队Hycza et al ., 2018)。
传感器选择按照分类特征。例如,高光谱分辨率传感器需要区分两种不同的树种,非常接近光谱反射(里希特et al ., 2016)。
AVIRIS-NG数据,AVIRIS的接班人,在红树林物种检测研究。AVIRIS-NG联合项目的印度空间研究组织(ISRO)和美国国家航空航天局和提供详细的数据从许多不同的印度部分地区(Hati et al ., 2021)。
La Rosa et al。(2021),另一方面,研究树种的决心在茂密的森林地区CMOSIS CMV400传感器相机与乐队在500 nm和900 nm)附加到四轴飞行器无人机(UAV)。Specim品牌芬兰成像产品是一种最常用的成像系统在这篇文章中我们回顾了。手持相机命名Specim智商这个系统的,爱莎的鹰和鹰传感器成像系统中,天线系统之一,被单独使用,在树种检测研究Hycza et al ., 2018;阿巴斯et al ., 2021)。收集从树叶的光谱特征,哈里森et al。(2018)使用安捷伦4100 ExoScan红外光谱(傅里叶变换红外)便携式光谱仪确定树叶的漫反射光谱。
因为城市景观包含很多种类,分类是更加困难比其他站的森林。因此,有必要利用高光谱分辨率的高光谱图像。为此,AVIRIS卫星图像也被用来探测城市森林的树木在一棵树级(肖et al ., 2004)。乐队在970海里被移除,因为他们在传感器之间的过渡区和较低的信号内容。下面的乐队400 nm和2400 nm被排除在图像噪音,因为他们是乐队。研究进行了剩下的乐队在450 - 2400海里。Vaglio三月桂酸甘油酯et al。(2016)利用了爱莎鹰传感器,消除了嘈杂的乐队在400 - 450和900 - 1000 nm。由于低信号,他删除了乐队在759 - 766之间450 - 900纳米的范围和工作与186年乐队在这个范围(图7)。
图7。乐队中提取,用于高光谱图像。
最低噪音分数(延长)已经被用于消除或减少每个像素的市场。他们保留了延长组件,冠无噪声的,清晰可见。这个变换后转换为原来的规模来计算营养指标。
高光谱和多光谱图像以及同时航拍照片被用来精确确定冠。仿真是由考虑到高光谱带隙模拟Wv-3数据时使用。这些乐队模拟光谱响应函数(SRF) (Vaglio三月桂酸甘油酯et al ., 2016)。
以下4.4.1预处理方法
离开太阳后,太阳辐射从那里前往地球和卫星传感器。在这个旅程,它是受到一些因素如由气体和气溶胶辐射吸收和散射,导致反射值不同于他们(Lopez-Serrano et al ., 2016)。在某些分类过程,当训练样本和数据在同一卫星图像,调整不是必需的,但是使用多次数据时,由于大气影响两个数据不同,有必要改正(歌et al ., 2001)。
改进研究中应该包括详细的分类,比如树种检测,因为大气效应增加光谱混淆两种不同的树种(聚氨酯和兰德里,2012)。大多数卫星仪器提供商执行自己的大气校正的部署。例如,尽管欧洲航天局(ESA)为Sentinel-2提供自己的大气校正,美国国家航空和宇宙航行局(NASA)还介绍了Ledaps和LaSRC修正卫星任务陆地卫星(Rumora et al ., 2020)。研究中我们回顾了,大气校正Sentinel-2图像是完成了Sen2Cor ESA提供的插件(韦塞尔et al ., 2018;Immitzer et al ., 2019;Axelsson et al ., 2021;习et al ., 2021)。WV-2大气的影响,WV-3和IKONOS卫星影像纠正与数字(Pua和兰德里,2012;费雷拉et al ., 2019)。修正一些卫星图像的使用环境也由FLAASH模块。
这些补丁之后另一个问题是多云的天气条件。无论我们的分类问题,我们最基本的问题之一是薄云遮挡卫星图像。由于这个原因,多云的天气而进行研究选择尽可能没有云或没有足够的不能阻止分类(Grabska et al ., 2019)。图像从之前或之后数年也可以用来代替图像无法获得没有云(习et al ., 2021)。把非林地区从森林地区分类之前缩短了分类过程。
为此,归一化植被指数(NDVI)和其他植被指数(聚氨酯和兰德里,2012)。这些指标也有能力减少大气问题(习et al ., 2021)。除了植被指数,也使用机器学习方法应用森林面具(Grabska et al ., 2019)。锅锐化方法应用于增加幽灵般丰富的多光谱图像的空间分辨率(王et al ., 2022)。有许多类型的算法分为组件替换(基于cs),多分辨率分析(MRA)变分文中针对(VO)和混合型(爪哇et al ., 2021)。研究中我们回顾了,三个tree-detection研究pan-sharpened它使用的多光谱图像(聚氨酯和兰德里,2012;费雷拉et al ., 2019;Lassalle et al ., 2022)。这个方法尤其喜欢树皇冠检测,因为它提供了一个清晰的形象相比,unsharpened形象(聚氨酯和兰德里,2012)。费雷拉et al。(2019)结合他使用的图像相关的乐队中使用树检测使用gram - schmidt变换。他解释说,选择这种方法的原因是空间分辨率较低的图像保存他们的光谱值,它在树前检测研究是有益的。
最近邻扩散(NNDiffuse)算法pan-sharpen图像利用邻近像素的光谱响应基于光谱混合分析。Lassalle et al。(2022)尖锐的乐队中使用从WV-3和WV-4卫星拍摄的图像使用最近邻扩散环境(NNDiffuse)算法®博尔德(L3Harris地理空间,有限公司,美国)。聚氨酯和兰德里(2012)使用FieldSpec®3、分析光谱设备现场,光谱测量的位置他们发现了IKONOS和WV-2。使用这些测量,他校准地面反射和应用之间的pan-sharpening各自的乐队。高光谱数据包含大量的相关数据。有时这被认为是一种优势,但有时它增加了噪音。增加谱带的数量还介绍了计算复杂度。这也被称为维度的诅咒。根据这一现象,乐队的数量的增加会导致一个指数增加训练数据(朗达比利和,2018年)。因此,一个最基本的高光谱数据的预处理步骤是减少尺寸和降噪。主成分分析(PCA)被广泛用于实现这些(Hycza et al ., 2018)。Hati et al。(2021)了从AVIRIS-NG传感器接收数据的大气校正模型他使用气溶胶光学深度开发(AOD)和吸收深度值。他手动删除乐队发现坏的数据。数据越大,时间越长,更艰苦的过程,从而减少数据的大小与主成分分析(PCA)。辐射和暗信号校正了高光谱成像仪的帮助下软件的图像CMOSIS CMV400传感器安装在无人机车辆(阿巴斯et al ., 2021)。辐射校正和运用获得的高光谱数据与CaliGeo Pro SPECIM成像系统进行应用集成环境(里希特et al ., 2016)。大气和地理修正后,森林和非林地掩蔽应该被应用到数据减少要处理的数据的大小,以防误分类。这些掩蔽过程可以通过手动处理训练数据从卫星图像和机器学习方法(Hycza et al ., 2018),通过树木的坐标与地面采集技术(京et al ., 2012)或利用森林库存(里希特et al ., 2016)可以做到的。
一个增广的线性混合模型(ALMM)是一种高光谱分离技术,有助于树种识别研究提高分析的准确性和鲁棒性。高光谱分离是一个过程,估算部分大量endmember光谱出现在高光谱图像。此信息可用于确定不同树种基于其独特的光谱特征。ALMM方法处理光谱变化的问题,发生在同一树种可以有不同的光谱特征变化因素如年龄、生理或环境条件。ALMM方法模型这种光谱变化,向传统的线性混合模型的附加信息,如光谱库或物种的先验知识,以提高分离结果的准确性和鲁棒性(香港et al ., 2018)。虽然不是我们回顾了用于研究,通过使用ALMM方法,研究人员可以获得更准确和可靠的信息的光谱特征不同的树种,可以提高树种识别的准确性和鲁棒性的研究在遥感。
4.1.2多传感器融合
高光谱和多光谱图像的结合使用了树种检测研究。在研究多光谱和高光谱传感器的乐队组合是和一起使用通过比较这两个平台(提供的准确率费雷拉et al ., 2016;Hati et al ., 2021;杨et al ., 2022)。需要做一些适应性的综合利用高光谱和多光谱传感器数据。为此,高光谱数据模拟多光谱波段光谱重采样。狭窄的带隙用于高光谱数据适应多光谱图像滤波(费雷拉et al ., 2016)。
杨et al。(2022)试图尽可能选择无云的图像,因此保持数据的多样性。
Hati et al。(2021)也进行了红树林物种检测研究,在这项研究中Landsat-8, Sentinel-2多光谱成像系统,亥伯龙神,AVIRIS高光谱成像系统。为了统一补丁检测,采集标本手持式光谱仪(ASD FieldSpec®)在研究区,以及它所使用的卫星平台。由于这些例子,平均产品创建一个补丁旋转和用它来分类。
450 - 2400 nm波长高光谱(SPECIM,爱莎)和模拟多光谱数据(WW-3)是用来区分和地图在热带季节性半落叶森林树种。除了这些,植被指数也被用来识别个人树种(费雷拉et al ., 2016)。
多光谱和高光谱数据的组合使用提供了巨大的优势树种检测。使用的一些文章中我们回顾了这两个数据进行比较,而其他人一起使用模拟方法,如光谱响应函数(SRF) (Vaglio三月桂酸甘油酯et al ., 2016)。光谱响应函数(缓释)是指遥感仪器的灵敏度不同的波长的光。缓释肥描述多少能量传感器检测到在每个波长的电磁波谱,用于把原始数字数字(DNs)从传感器获取物理单位,如反射(D 'Odorico et al ., 2013)。
CoSpace方法,这是一个方法,我们还没有遇到在reviwed研究中,在树种也看作是一种很有前途的方法检测。CoSpace方法,它是利用多光谱和高光谱数据的方法,包括发现数据之间的信息共享和投射到一个共同的子空间。这允许来自两个来源的信息有效地结合,从而提高员工的分类性能。它使高光谱和多光谱数据的有效使用,并降低数据的维数,使其更容易处理和分析(香港et al ., 2019)。使用CoSpace树分类是一种很有前途的方法,有可能比单独使用源提供改进的结果。
4.2分类方法
4.2.1机器学习准备
使用的机器学习算法的综述文章图8。
图8。机器学习算法用于文章。
支持向量机(SVM);它是最常用的监督学习算法分类和回归的解决方案。支持向量机的主要目的是将获得的新数据分配给它属于的类。为此,我们需要生产最好的线条和决策相互独立的类。最好的决定类这是超平面。
对象分配给他们的新类基于他们的距离和到超平面的距离。为了创建这个平面,选择支持向量在极端状态(Mountrakis et al ., 2011)。由于支持向量机算法找到最好的决策超平面多维数据,它是一个可靠的方法用于检测树种。
当我们大数据进行分类时,无论是树检测或地表分类,大部分时间数据不能在一个线性分类方法(习et al ., 2021)。
随机森林(RF);包含了许多决策树。这些树被训练与训练例子来解决分类问题。训练样本由70随机选择的数据总数的百分比样本。树是使用尽可能大,分类是根据大多数的选票。射频是健壮的反对过度拟合,对噪音。这是一个经常在树种分类和首选方法可以应用成功。为了使算法在大数据提供更多可靠的结果,应该选择最重要的参数。为此,平均精度下降(MDA) (习et al ., 2021)。
最大似然(ML);它是一个决策规则根据不同类别的条件概率(Axelsson et al ., 2021)。这是一个参数监督分类算法,基于贝叶斯方程。数据的未知类分配给相应的类通过计算归属的概率。它更能准确的结果比其他参数正态分布数据的分类(Otukei Blaschke, 2010)。
极端的梯度增加(XGB);在这种方法中,这是一个梯度树增量法,它预测中的新成员类添加剂后每个分类的一种方式。其additiveness有助于纠正之前的分类错误,做出更准确的决策。最终的分类,是最主要的,因为所有树木添加剂的增长。过度拟合的限制是最重要的功能,导致它被选中的分类(Georganos et al ., 2018)。
线性判别分析(LDA);这是一个监督学习技术,通过找到一个线性变换矩阵。由于标准的方法,类均值和方差最小化之间的距离(也免不了et al ., 2009)。虽然这种分析方法给出了很好的结果,古典判别分析的一些缺点出现在多光谱高光谱图像。这不是一个专家在处理严重分布数据。由于维度的诅咒,恒生指数不能成功地处理。数据简化方法的应用也能导致消除必要的数据。方法假定样本数据有一个高斯分布和共享平等协方差在所有类,但不幸的是,这是不可能的。因此,分类界限很难找到。提出了许多新方法克服这些困难的经典方法(陈et al ., 2018)。
最大似然(ML);这是一个方法,最大化训练数据类的数量和这些类找到超平面之间的距离,相互分离的类。误分类是最小化由于这个方法(Vaglio三月桂酸甘油酯et al ., 2016)。
最小距离(MD);这种方法计算欧氏距离的像素分类的平均向量组成的平均像素。在这种方法中,每个像素的类定义分配给该集团最亲密的距离。其不良特性是像素等距或无法计算的距离不是机密。
K -最近邻(事例);这种方法计算的距离度量和最近的邻居k)的数量和分配的像素类是试图找到正确的类的权重根据邻居。欧几里得距离通常是用作距离度量。因为它可以用于多层次的数据,它经常被用于生产连续估计森林功能(孟et al ., 2007;Chirici et al ., 2016)。
光谱角制图者;监督分类技术,计算了光谱角之间的相似像素的像素在训练集和类。萨姆是常用的分类问题,因为它很简单和快速实现。抑制阴影效果目标的反射特性。这使得一个强大的分类器(Petropoulos et al ., 2013)。
回归树;它是一种非参数方法制备的基础上创建二叉决策树与训练数据样本。它需要大样本训练数据得到好的结果。在决策树中,复杂的分类问题分为简单问题。用户参与的过程,因为他能干扰的节点树(Bittencourt和克拉克,2003年)。
4.2.2深度学习
深度学习,机器学习在我们的发展中国家(的一个子图9),是一个系统,模仿我们的大脑在人工神经网络的帮助。
图9。人工智能、机器学习和深度学习的关系。
借助这个系统,在遥感数据分类问题能够解决。DL,经典的神经网络模型相比,更有级联神经层,更成功地揭示复杂的关系(Kattenborn et al ., 2021)。卷积神经网络(CNN);他们安排在层和神经元,可以学习顺序表示。重量和偏见是用来连接神经元层之间。它有隐藏层匹配输入与输出属性。这些层必须包含至少一个卷积层利用模式。卷积层包含许多过滤器。这些过滤器的数量给我们CNN深度。作为输入层在一层一层的输出数据。因此,由于层之间的许多操作,分类精度增加与经典方法相比。 The first input layer is hyperspectral or multispectral images, while the last output layer is their versions classified according to tree types. CNN, which is designed to learn spatial features, is frequently used in studies due to its success in revealing spatial features, whether in determining individual tree crowns or in stand-based tree species detection studies (Kattenborn et al ., 2021;Gazzea et al ., 2022)。CNN层如卷积或池层可以组合以不同的方式来解决这个问题。这些组合定义为CNN架构。有许多CNN架构。检测使用的架构下面列出的树种。
Conv1D架构;这是一个一维(1 d)卷积神经网络模型。它使用卷积内核掌握的时态模式或形状输入。在这个模型中,有多于一个卷积层,功能逐渐被删除。激活函数是用来加速训练过程,防止过度拟合。它是非常方便的用于时间序列方法(习et al ., 2021)。
AlexNet;这是一个二维(2 d) CNN模型。它由五个卷积和整整三层。它收集图像在不同的类使用将Softmax分类器。它滴单位从神经网络应用下降函数来消除过度拟合(习et al ., 2021)。
长时间的短期记忆(LSTM);这是一个家庭的复发性神经网络模型。由于它的结构,它重复很多,由于这些重复,可以保持很长一段时间内的输入信息。
UNet架构;这是最常见的一种图像分割方法,它包括两个方面,编码器和译码器。编码器由卷积和联营单位,而译码器由转置运算。自2015年首次使用,许多新版本已经适应提高精确度。其中一个Unet + +有两大变异而经典的方法。在树的检测过程中,特别是当使用高光谱图像时,训练数据插入到培训零碎的,不是散装,为了训练体系结构的重量。Unet + +模型旨在减少过度拟合,加强模型泛化,使体重调整(Bolyn et al ., 2022)。
DeepLabv3 +架构;这是一个改进版本的DeepLabv3架构用于分割通过添加一个译码器。这种译码器大大改善了分割结果。DeepLabv3 +基于多任务Encoder-Decoder (MT-EDv3)架构也被用于树种检测研究的基础上,冠(La Rosa et al ., 2021;Lassalle et al ., 2022)。
剩余网络(Resnet);有许多新版本的这些体系结构,广泛应用于图像处理、变化。它有数百层更深。有跳过一些层(La Rosa et al ., 2021)。
3 d CNN;这是一个三维卷积神经网络用于获取空间和时间信息。当用于高光谱数据,整个形象不是插入到层作为输入层,而不是像素块进入培训(维度)的诅咒。通常是首选方法,防止过度的登录信息的损失。在这里,层数与立方体的空间维度(Zhang et al ., 2020)。
图卷积网络,这是一个相对较新的深度学习技术,我们还没有遇到在树种检测研究,是专门设计的图形处理结构化数据。在树的背景下检测政府通讯可用于模型在遥感图像像素之间的关系,其中每个像素表示为图中的一个节点。GCN可以学会通过卷积图结构,提取有意义的特性,表明树木图像的存在。实现GCN树检测,第一步是将遥感图像转换成一个图结构。可以通过构造一个图,每一个像素都是节点和边缘代表像素之间的关系。例如,边缘可以代表像素之间的空间距离或颜色相似。接下来,图为卷积使用多个政府通讯层,每一层聚合来自邻国的信息来更新节点表示(Zhang et al ., 2019)。最后一个节点表示可以送入分类器进行最后的树检测决策。除了政府通讯层,其他技术,如多尺度特征提取和注意力机制也可以合并改善树的性能检测系统(Wan et al ., 2019)。例如,多尺度特征提取可以帮助捕获图像中不同尺度的树结构,同时注意机制可以帮助关注图像的最重要的部分。总之,树之下是一个强大的技术检测遥感图像中,因为它可以处理图结构的数据在一个自然的方式和提取有意义的任务的功能。通过与其他技术结合之下,可以构建一个健壮的和准确的树在映射和检测系统,可以帮助跟踪树木的生长和分布。
SpectralSWIN方法旨在提取特征没有扭曲的光谱信息。它提出了一个变压器骨架使用swin-spectral模块(SSM)同时处理空间和光谱特性。在这项研究中,应用了两个不同的数据集,它被认为是比常用的分类方法(更成功阿雅Tunc-Gormus, 2022)。
4.3评估审查结果
研究的结果我们检查了综述研究解释为分组根据树类型,材料和分类方法的准确性。因为精度的计算是通过不同的方法之间的研究,F1分数和用户精度(UA)所示,以避免混乱。除了这些,作者的工作可以咨询详细信息(产品矩阵,制造商的准确性,等等)。
当我们第一次看表的松树,supruce、落叶松、白桦和白杨的物种,我们已经在北方森林类型分类(图10);松树和云杉的最高精度得到UA得分0.96,0.99 (Grabska et al ., 2019)。落叶松和杨树被发现的最高精度ξet al。(2021)0.85 - -0.87的F1的分数。通过白桦的最高精度Illarionova et al。(2021)F1得分为0.91分。
图10。北方森林树木的分类精度比较。
当这些高精度的材料和分类方法进行比较,发现他们使用MSI但使用不同的分类方法。这显示了分类方法不同树种检测的准确性(图11)。
图11。数据和分类方法用于树种检测精度最高的(北方森林)。
当我们检查温带森林类型的精度,精度最高的了Hościło和Lewandowska (2019)得分0.91和0.93 F1橡树和山毛榉。冷杉被发现的最高精度Grabska et al。(2020)UA得分为0.85分(图12)。
图12。比较温带森林树木的分类精度。
虽然三个研究人员使用相同的方法和材料,一个在两个物种取得精度高(图13)。
图13。比较温带森林树木的分类精度。
他解释了原因Hościło和Lewandowska (2019)通过融合多sentinel-2数据和地形数据的土地,尤其是海拔数据。
当我们看红树林物种鉴定研究,F1的分数,我们可以比较精度不是文章中给出,所以这些研究的真值表没有准备。然而,当我们回顾了研究,Hati et al。(2022)使用高光谱图像区分红树林物种和确定纯红树林类SAM分类方法(Avicennia阿尔巴,矮小,Avicennia officinalis,Excoecaria agallocha,菲尼克斯paludosa, Aegialitis rotundifolia和Heritiera)。由于AVIRIS 5 m空间和5纳米光谱分辨率,它能够轻松区分这两个物种。他甚至能区分一个物种在不同年龄段的水平。经典的机器学习分类技术的影响(射频、支持向量机等)和先进的CNN模型在红树林类型也检查了,发现他们更成功的高级CNN分类(La Rosa et al ., 2021)。
在红树林映射,La Rosa et al。(2021)进行物种鉴定研究的基础上,个体的花冠。由于他的研究,他成功地分离地区的皇冠没有王冠,但他们提出的方法在物种鉴定无法提供预期的成功。
与其他人不同的是,杨et al。(2022)用红树林植被指数。在高光谱图像,红树林识别指数(MRI),红树林指数(MI)、归一化红树林指数(NDMI),红树林植被指数概率(MPVI),红树林识别指数(CMRI),水下红树林识别指数(SMRI),红树林指数(MFI)和类似的分类进行了。在同一地区,同一数据被SVM分类并与指数的分类。这种比较的结果,据报道,用SVM分类像素缺失导致低于指数。
费雷拉et al。(2019)试图确定湿度的影响通过图像在潮湿和干燥的季节在一项研究中他在一个热带森林。然而,平均精度没有重大影响。他们研究的主要假设,积极短波红外成像确定磁带上树描述的效果。平均分类精度高7.9%在短波红外成像波段比近红外光谱波段。通过包括分类、短波红外成像乐队积极改善所有物种,只有一个除外。的平均精度Cecropia hololeuca类型略有下降,甚至1%。
5的结论
检查结果的文章,它已被观察到多光谱和高光谱图像的贡献相当高stand-based分类和个体树种的决心。高光谱图像做出了积极的贡献,特别是在个别树种的检测和检测多个同一物种的亚种。多光谱图像,另一方面,已被研究人员经常使用的,因为他们是免费的,而且容易和文学作出了重大贡献。虽然机器学习算法在出版物中很常见,深度学习分类算法在文献中比较少见。开发机器学习技术的贡献,已观察到树种检测是相当高的。预计深度学习算法,得到更精确的结果,会发现在未来更多的空间在文献中。
这是不可避免的,另一个因素影响结果以及所选图像类型和分类方法的预处理步骤。出于这个原因,研究人员将进行树种测定研究应该给重要预处理步骤至少尽可能多的其他因素。结果显示两个研究人员树种进行检测研究使用相同的传感器类型,同一森林类型和相同的分类方法;它可能是误导检测时只使用树木的光谱反射。已经观察到,没有忽视森林的连接与地形,因此包括地形标准确定物种的研究将提高分类精度。
虽然机器学习方法和深度学习方法用于分类研究是有前途的,图卷积网络等先进方法有望应用于分类。预计最先进的应用程序,例如使用CoSpace方法融合多个传感器和一个增广的线性混合模型(ALMM)健康建立光谱签名将被纳入新的研究。
作者的贡献
所有作者列出了一大笔,直接和知识贡献的工作,批准发布。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
引用
阿巴斯。,Peng, Q., Wong, M. S., Li, Z., Wang, J., Ng, K. T. K., et al. (2021). Characterizing and classifying urban tree species using bi-monthly terrestrial hyperspectral images in Hong Kong.远程Sens ISPRS j .摄影测量。177年,204 - 216。doi: 10.1016 / j.isprsjprs.2021.05.003
Axelsson,。,Lindberg, E., Reese, H., and Olsson, H. (2021). Tree species classification using sentinel-2 imagery and bayesian inference.j: Int。地球观测地质信息100年,102318年。doi: 10.1016 / j.jag.2021.102318
阿雅,S。,和Tunc-Gormus, E. (2022). Spectralswin: A spectral-swin transformer network for hyperspectral image classification.Int。j .远程Sens。43岁,4025 - 4044。doi: 10.1080 / 01431161.2022.2105668
也免不了,t . V。,Bruzzone, L., and Camps-Valls, G. (2009). Classification of hyperspectral images with regularized linear discriminant analysis.IEEE反式。地球科学远程Sens。47岁,862 - 873。doi: 10.1109 / tgrs.2008.2005729
Bittencourt, h·R。,和Clarke, R. T. (2003). “Use of classification and regression trees (cart) to classify remotely-sensed digital images,” in2003年雪茄烟。2003年IEEE国际地球科学和遥感研讨会。程序(IEEE猫。03号ch37477) (IEEE)6,3751 - 3753。
Bolyn C。,Lejeune, P., Michez, A., and Latte, N. (2022). Mapping tree species proportions from satellite imagery using spectral–spatial deep learning.远程参议员包围。280年,113205年。doi: 10.1016 / j.rse.2022.113205
陈,M。,Wang, Q., and Li, X. (2018). Discriminant analysis with graph learning for hyperspectral image classification.远程Sens。10日,836年。doi: 10.3390 / rs10060836
Chirici G。色差,M。,McInerney, D., Py, N., Tomppo, E. O., Waser, L. T., et al. (2016). A meta-analysis and review of the literature on the k-nearest neighbors technique for forestry applications that use remotely sensed data.远程参议员包围。176年,282 - 294。doi: 10.1016 / j.rse.2016.02.001
达比利,Z。,和Lang, S. (2018). Comparison of independent component analysis, principal component analysis, and minimum noise fraction transformation for tree species classification using apex hyperspectral imagery.ISPRS Int。j .信息图谱7日,488年。doi: 10.3390 / ijgi7120488
D 'Odorico, P。Gonsamo,。达姆,。,和Schaepman, M. E. (2013). Experimental evaluation of sentinel-2 spectral response functions for ndvi time-series continuity.IEEE反式。地球科学远程Sens。51岁,1336 - 1348。doi: 10.1109 / tgrs.2012.2235447
Fassnacht f E。Latifi, H。,Stereńczak, K., Modzelewska, A., Lefsky, M., Waser, L. T., et al. (2016). Review of studies on tree species classification from remotely sensed data.远程参议员包围。186年,64 - 87。doi: 10.1016 / j.rse.2016.08.013
费雷拉,m . P。,de Almeida, D. R. A., de Almeida Papa, D., Minervino, J. B. S., Veras, H. F. P., Formighieri, A., et al. (2020). Individual tree detection and species classification of amazonian palms using uav images and deep learning.对。生态。等内容。475年,118397年。doi: 10.1016 / j.foreco.2020.118397
费雷拉,m . P。瓦格纳,f . H。阿拉冈,l·E。,Shimabukuro, Y. E., and de Souza Filho, C. R. (2019). Tree species classification in tropical forests using visible to shortwave infrared worldview-3 images and texture analysis.远程Sens ISPRS j .摄影测量。149年,119 - 131。doi: 10.1016 / j.isprsjprs.2019.01.019
费雷拉,m . P。Zortea, M。,Zanotta, D. C., Shimabukuro, Y. E., and de Souza Filho, C. R. (2016). Mapping tree species in tropical seasonal semi-deciduous forests with hyperspectral and multispectral data.远程参议员包围。179年,66 - 78。doi: 10.1016 / j.rse.2016.03.021
富兰克林,美国E。,和Ahmed, O. S. (2018). Deciduous tree species classification using object-based analysis and machine learning with unmanned aerial vehicle multispectral data.Int。j .远程Sens。39岁,5236 - 5245。doi: 10.1080 / 01431161.2017.1363442
Gazzea, M。,Kristensen, L. M., Pirotti, F., Ozguven, E. E., and Arghandeh, R. (2022). Tree species classification using high-resolution satellite imagery and weakly supervised learning.IEEE反式。地球科学远程Sens。1 - 11。doi: 10.1109 / tgrs.2022.3210275
Georganos, S。Grippa, T。,Vanhuysse, S., Lennert, M., Shimoni, M., and Wolff, E. (2018). Very high resolution object-based land use–land cover urban classification using extreme gradient boosting.远程参议员列托人IEEE地球科学。15日,607 - 611。doi: 10.1109 / lgrs.2018.2803259
Grabska E。,Frantz, D., and Ostapowicz, K. (2020). Evaluation of machine learning algorithms for forest stand species mapping using sentinel-2 imagery and environmental data in the polish carpathians.远程参议员包围。251年,112103年。doi: 10.1016 / j.rse.2020.112103
Grabska E。,Hostert, P., Pflugmacher, D., and Ostapowicz, K. (2019). Forest stand species mapping using the sentinel-2 time series.远程Sens。11日,1197年。doi: 10.3390 / rs11101197
哈里森,D。瑞瓦德,B。,和Sanchez-Azofeifa, A. (2018). Classification of tree species based on longwave hyperspectral data from leaves, a case study for a tropical dry forest.j: Int。地球观测地质信息66年,93 - 105。doi: 10.1016 / j.jag.2017.11.009
Hati, j . P。,Chaube, N. R., Hazra, S., Goswami, S., Pramanick, N., Samanta, S., et al. (2022). Mangrove monitoring in lothian island using airborne hyperspectral aviris-ng data.放置空间物。doi: 10.1016 / j.asr.2022.05.063
Hati, j . P。,Samanta, S., Chaube, N. R., Misra, A., Giri, S., Pramanick, N., et al. (2021). Mangrove classification using airborne hyperspectral aviris-ng and comparing with other spaceborne hyperspectral and multispectral data.埃及。j .远程参议员空间科学。24岁,273 - 281。doi: 10.1016 / j.ejrs.2020.10.002
在香港,D。,Yokoya, N., Chanussot, J., and Zhu, X. X. (2018). An augmented linear mixing model to address spectral variability for hyperspectral unmixing.IEEE反式。图像的过程。28日,1923 - 1938。doi: 10.1109 / tip.2018.2878958
在香港,D。,Yokoya, N., Chanussot, J., and Zhu, X. X. (2019). Cospace: Common subspace learning from hyperspectral-multispectral correspondences.IEEE反式。地球科学远程Sens。57岁,4349 - 4359。doi: 10.1109 / tgrs.2018.2890705
Hościło,。,和Lewandowska, A. (2019). Mapping forest type and tree species on a regional scale using multi-temporal sentinel-2 data.远程Sens。11日,929年。doi: 10.3390 / rs11080929
Hycza, T。,Stereńczak, K., and Bałazy, R. (2018). Potential use of hyperspectral data to classify forest tree species.n z . j .。科学。48岁的18-13。doi: 10.1186 / s40490 - 018 - 0123 - 9
Illarionova, S。Trekin,。,Ignatiev, V., and Oseledets, I. (2021). Tree species mapping on sentinel-2 satellite imagery with weakly supervised classification and object-wise sampling.森林12日,1413年。doi: 10.3390 / f12101413
Immitzer, M。,Atzberger, C., and Koukal, T. (2012). Tree species classification with random forest using very high spatial resolution 8-band worldview-2 satellite data.远程Sens。4,2661 - 2693。doi: 10.3390 / rs4092661
Immitzer, M。,Neuwirth, M., Böck, S., Brenner, H., Vuolo, F., and Atzberger, C. (2019). Optimal input features for tree species classification in central Europe based on multi-temporal sentinel-2 data.远程Sens。11日,2599年。doi: 10.3390 / rs11222599
爪哇,f . D。,Samadzadegan, F., Mehravar, S., Toosi, A., Khatami, R., and Stein, A. (2021). A review of image fusion techniques for pan-sharpening of high-resolution satellite imagery.远程Sens ISPRS j .摄影测量。171年,101 - 117。doi: 10.1016 / j.isprsjprs.2020.11.001
京,L。,胡锦涛,B。,Noland, T., and Li, J. (2012). An individual tree crown delineation method based on multi-scale segmentation of imagery.远程Sens ISPRS j .摄影测量。70年,88 - 98。doi: 10.1016 / j.isprsjprs.2012.04.003
Kattenborn, T。Leitloff, J。Schiefer F。,和Hinz, S. (2021). Review on convolutional neural networks (cnn) in vegetation remote sensing.远程Sens ISPRS j .摄影测量。173年,这里。doi: 10.1016 / j.isprsjprs.2020.12.010
La Rosa l·e·C。所以,C。,Feitosa, R. Q., de Almeida, C. M., Schimalski, M. B., and Oliveira, D. A. B. (2021). Multi-task fully convolutional network for tree species mapping in dense forests using small training hyperspectral data.远程Sens ISPRS j .摄影测量。179年,35-49。doi: 10.1016 / j.isprsjprs.2021.07.001
Lassalle G。,费雷拉,m . P。,La Rosa l·e·C。,和de Souza Filho, C. R. (2022). Deep learning-based individual tree crown delineation in mangrove forests using very-high-resolution satellite imagery.远程Sens ISPRS j .摄影测量。189年,220 - 235。doi: 10.1016 / j.isprsjprs.2022.05.002
Lopez-Serrano, p . M。,Corral-Rivas, J. J., Díaz-Varela, R. A., Álvarez González, J. G., and López-Sánchez, C. A. (2016). Evaluation of radiometric and atmospheric correction algorithms for aboveground forest biomass estimation using landsat 5 tm data.远程Sens。8,369。doi: 10.3390 / rs8050369
Mafaziya Nijamdeen, T。Ephrem, N。,巨大的,J。,Kodikara, K. A. S., and Dahdouh-Guebas, F. (2023). Understanding the ethnobiological importance of mangroves to coastal communities: A case study from southern and north-western Sri Lanka.3月政策147年,105391年。doi: 10.1016 / j.marpol.2022.105391
马丁,M。,Newman, S., Aber, J., and Congalton, R. (1998). Determining forest species composition using high spectral resolution remote sensing data.远程参议员包围。65年,249 - 254。doi: 10.1016 / s0034 - 4257 (98) 00035 - 2
孟,Q。,Cieszewski, C. J., Madden, M., and Borders, B. E. (2007). K nearest neighbor method for forest inventory using remote sensing data.GIScience远程Sens。44岁,149 - 165。1548 - 1603.44.2.149 doi: 10.2747 /
Mountrakis G。Im, J。,和Ogole, C. (2011). Support vector machines in remote sensing: A review.ISPRS j . Photogramm。远程Sens。63 (3),247 - 259。doi: 10.1016 / j.isprsjprs.2010.11.001
Otukei, j . R。,和Blaschke, T. (2010). Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms.j: Int。地球观测地质信息12,S27-S31。doi: 10.1016 / j.jag.2009.11.002
,M。,Lindberg, E., and Reese, H. (2018). Tree species classification with multi-temporal sentinel-2 data.远程Sens。10日,1794年。doi: 10.3390 / rs10111794
Petropoulos, g P。、Vadrevu k P。,和Kalaitzidis, C. (2013). Spectral angle mapper and object-based classification combined with hyperspectral remote sensing imagery for obtaining land use/cover mapping in a mediterranean region.Geocarto Int。28日,114 - 129。doi: 10.1080 / 10106049.2012.668950
聚氨酯,R。,和Landry, S. (2012). A comparative analysis of high spatial resolution ikonos and worldview-2 imagery for mapping urban tree species.远程参议员包围。124年,516 - 533。doi: 10.1016 / j.rse.2012.06.011
里希特,R。活,B。,Wirth, C., Doktor, D., and Vohland, M. (2016). The use of airborne hyperspectral data for tree species classification in a species-rich central European forest area.j: Int。地球观测地质信息52岁,464 - 474。doi: 10.1016 / j.jag.2016.07.018
Rumora, L。,Miler, M., and Medak, D. (2020). Impact of various atmospheric corrections on sentinel-2 land cover classification accuracy using machine learning classifiers.ISPRS Int。j .信息图谱9日,277年。doi: 10.3390 / ijgi9040277
歌,C。,Woodcock, C. E., Seto, K. C., Lenney, M. P., and Macomber, S. A. (2001). Classification and change detection using landsat tm data: When and how to correct atmospheric effects?远程参议员包围。75年,230 - 244。doi: 10.1016 / s0034 - 4257 (00) 00169 - 3
Vaglio三月桂酸甘油酯,G。Puletti, N。,Hawthorne, W., Liesenberg, V., Corona, P., Papale, D., et al. (2016). Discrimination of tropical forest types, dominant species, and mapping of functional guilds by hyperspectral and simulated multispectral sentinel-2 data.远程参议员包围。176年,163 - 176。doi: 10.1016 / j.rse.2016.01.017
湾。,Gong, C., Zhong, P., Du, B., Zhang, L., and Yang, J. (2019). Multiscale dynamic graph convolutional network for hyperspectral image classification.IEEE反式。地球科学远程Sens。今年58岁,3162 - 3177。doi: 10.1109 / tgrs.2019.2949180
王,Z。,妈,Y。,和Zhang, Y. (2022). Review of pixel-level remote sensing image fusion based on deep learning.正融合。90年,36-58。doi: 10.1016 / j.inffus.2022.09.008
韦塞尔,M。,Brandmeier, M., and Tiede, D. (2018). Evaluation of different machine learning algorithms for scalable classification of tree types and tree species based on sentinel-2 data.远程Sens。10日,1419年。doi: 10.3390 / rs10091419
Xi, Y。,Ren, C., Tian, Q., Ren, Y., Dong, X., and Zhang, Z. (2021). Exploitation of time series sentinel-2 data and different machine learning algorithms for detailed tree species classification.IEEE j .选取。上面。达成。地球观测远程Sens。14日,7589 - 7603。doi: 10.1109 / jstars.2021.3098817
肖,Q。,Ustin, S., and McPherson, E. (2004). Using aviris data and multiple-masking techniques to map urban forest tree species.Int。j .远程Sens。25日,5637 - 5654。doi: 10.1080 / 01431160412331291224
杨,G。,Huang, K., Sun, W., Meng, X., Mao, D., and Ge, Y. (2022). Enhanced mangrove vegetation index based on hyperspectral images for mapping mangrove.远程Sens ISPRS j .摄影测量。189年,236 - 254。doi: 10.1016 / j.isprsjprs.2022.05.003
Zagajewski B。Kluczek, M。Raczko E。,Njegovec, A., Dabija, A., and Kycko, M. (2021). Comparison of random forest, support vector machines, and neural networks for post-disaster forest species mapping of the krkonoše/karkonosze transboundary biosphere reserve.远程Sens。13日,2581年。doi: 10.3390 / rs13132581
张,B。,Zhao, L., and Zhang, X. (2020). Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images.远程参议员包围。247年,111938年。doi: 10.1016 / j.rse.2020.111938
关键词:树种分类、超光谱图像(HSI),多光谱图像(MSI),机器学习,深入学习、红树林、森林
引用:叶尔SG和Tunc Gormus E(2023)利用高光谱和多光谱图像检测的树种:复习一下。前面。远程Sens。4:1136289。doi: 10.3389 / frsen.2023.1136289
收到:2023年1月02;接受:2023年3月14日;
发表:2023年3月27日。
编辑:
Elfatih Mohamed任苏丹喀土穆大学版权©2023叶尔Tunc Gormus。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:Sude Gul叶尔,sudegyildiz@artvin.edu.tr