文|史说百家
编辑|史说百家
【前言】遥感技术彻底改变了植被测绘和监测领域，为科学家和研究人员研究和了解复杂的陆地生态系统提供了强有力的工具。
从卫星、飞机和无人机，获取地球表面高分辨率图像的能力，改变了人类感知和分析植被模式的方式，为不同地区和生物群落的植物群落的分布、结构和健康状况提供了见解。
尽管遥感技术在过去几十年中取得了重大进展，但由于不同植物物种的光谱特征复杂，以及土壤、水和大气条件等环境因素的影响，在多光谱和高光谱图像中识别植被仍然是一项具有挑战性的任务。
那么，该如何利用遥感绘制植被图呢？是否可以根据电磁频谱的红色和近红外波段之间的对比度来测量呢？
【机器学习技术】这些方法虽然在许多应用中被证明是有效的，但它们存在一些局限性，包括需要人工解释和卫星图像的空间分辨率有限，此外，传统方法通常耗时且成本高昂，需要大量的现场调查和地面实况数据来校准和验证结果。
为了克服这些挑战，机器学习技术已成为植被测绘和分类的一种有前途的方为遥感应用提供了具有成本效益和准确的解决方案。
特别是在发展中国家，机器学习算法可以分析大量的高光谱数据，并识别难以或不可能通过人类解释识别的模式和特征。
从而可以自动和客观地检测植被覆盖，近年来，机器学习应用程序在植被测绘中的使用一直在增加，这是由于大型高光谱数据集的可用性以及高级算法和计算工具的发展，机器学习技术。
如人工神经网络，决策树，支持向量机和随机森林，在从高光谱图像识别和分类植被覆盖方面显示出有希望的结果，为遥感应用提供了更强大、可靠和更具成本效益的解决方案。
除了机器学习技术之外，曲线之间的相关方法已成为比较高光谱图像像素的光谱特征和对研究区域中植被进行有效分类的另一种强大工，光谱特征是物体或材料在整个电磁频谱中的反射率值的图形表示，在植被制图的背景下，光谱特征可用于根据其独特的光谱特性识别不同的植物物种或植被类型。
曲线之间的相关方法可用于比较高光谱图像中不同像素的光谱特征，并识别其光谱特性的异同，植被制图最常用的相关方法包括皮尔逊相关系数和光谱角度映射器，以及许多其他可用的方法。
皮尔逊相关系数测量两组数据之间的线性关系，范围从 −1 到 1，值越接近 1 表示两组数据之间存在很强的正相关关系，在植被制图中，皮尔逊相关系数可用于比较不同像素的光谱特征，并识别植被覆盖相似的区域。
另一方面，光谱角度映射器测量两个光谱特征之间的角度相似性，范围从 0 到 1，值接近 1 表示两个特征之间的光谱相似性高度，光谱角度映射器可用于比较不同像素的光谱特征，并识别具有相似植被的区域。
这些相关性为机器学习技术提供了一种补充方法，此外，这些相关方法易于实现且计算效率高，因此对于资源有限的发展中国家或区域的应用特别有用。
【方法论】从参考图像中手动获得一组对应于植被像素的100个坐标和一组对应于非植被像素的100个坐标，以比较两组中不同距离和相关指标的准确性，在该方法的第2阶段，使用描述性统计来确定特征像素或平均像素，通过平均380个植被像素的400个位置。
目的是让特征像素在其380个位置上收集来自不同频段的平均信息，获得特征像素后，在方法的第 3 阶段。
图1.该图描述了研究中使用的方法。
将执行平均像素与植被和非植被集之间的距离/相关指标的计算，以确定每个指标的精度。此阶段使用的 5 个距离/相关指标是直接相关、相似性或余弦距离、归一化欧几里得距离、布雷-柯蒂斯距离和皮尔逊相关系数。
在该方法的第4阶段，通过计算第3阶段描述的相关性和相似性获得的结果与植被和非植被像素有关，目的是确定两种情况下每个指标的相关百分比的精度阈值，以便确定用于植被检测的最佳指标，这些指标是将像素最好地分类为植被的指标。
关于高光谱图像，它的尺寸为1500×1500像素，每像素380个波段，范围从400nm到2400nm，从图像中的不同位置总共提取了 100 个任意植被像素，目的是通过平均100个像素的相应光谱特征来获得代表性或特征像素。
该代表性像素用于比较上述相关性和相似性指标，因此，在图 2 中，植被像素显示为蓝色，而非植被像素显示为红色。
图2.本研究中使用的高光谱图像，以蓝色植被像素和红色非植被像素表示。
在图3a中，可以观察到所选100个像素的光谱特征及其在380个波段中的分布，尽管反射率值表现出变化，但 100 条曲线的形状保持不变。
它们拥有一组峰值，这些峰值在不同的像素上以类似的方式重复，同样，在图3b中，显示了与无植被区域相对应的光谱特征。
在图3c中，可以观察到对应于特征或平均像素的光谱特征，该像素是通过平均 100 像素的曲线获得的，其中包含所考虑样本的代表性最大值和最小值。
组成它的不同像素的图像读取和处理是使用 Python 光谱库提供的功能执行的，通过采用平均像素归一化方法，可以确定合并超过100个像素不会导致平均像素值的重大修改。
图3.为比较研究选择的像素：（a） 植被，（b） 非植被，以及 （c） 植被的平均像素。
基于上述内容，最初，使用第 100 节中考虑的五个指标，将代表性或平均像素与 2 个选定植被像素中的每一个相关联，完成此操作是为了确定每个指标获得的平均值和阈值。
这有助于确定识别植被光谱特征的最准确和最有效的方法，为此，作者从图像中的每个像素都是空间中的矢量表示的想法开始，换句话说，每个像素都是一个矢量。
具有对应于 380 各波段的 380 个位置，每个波段存储一个反射率值，通过使用 numpy 库和统计工具在平均像素和 100 各植被像素之间执行矢量运算。
图 4 中显示的条形图显示了为所考虑的五个指标中的每一个获得的最小值、平均值和最大值，以及平均值的相应标准偏差值。
图4.植被像素相似性或相关性方法的比较研究结果.
在图 4 中，可以观察到 Pearson 相关性、余弦距离和直接相关是分别呈现平均像素和 100 个植被像素之间相关百分比最高平均值的指标，分别为 99.54%、99.47% 和 99.09%。
可以理解，这三个指标以相同的顺序呈现平均像素和 100 各植被像素之间的最高最小相关百分比值，分别为 92.77%、92.55% 和 85.53%。
另一方面，在合并和比较这三个顶级指标的阈值时，可以观察到最大阈值和最小阈值之间差异最小的指标是皮尔逊相关，差异为 7.2%，其次是余弦距离，差异为 7.41%。
研究 100 个植被像素后，使用相同的五个指标并遵循与植被像素类似的过程执行平均像素与 100 个随机选择的非植被像素之间的相关性。因此，通过在平均像素和 100 个非植被像素之间使用相同的 Python 库进行矢量运算，图 5 中的条形图显示了五个研究指标的最小值、平均值和最大值，以及平均值的相应标准偏差值。
图 5
根据图 5，可以观察到直接相关分别呈现平均像素与 100 个非植被像素之间相关百分比最低平均值的指标，分别为 31.24%、56.81% 和 65.62%。
值得一提的是，余弦距离和皮尔逊相关（在本例中显示了植被像素的两个最佳结果）对于非植被像素的两个最高最大百分比，值分别为 90.12% 和 89.26%。
尽管这些值不超过使用植被像素检测到的最小阈值，但它们与植被像素的最小阈值相差 2.43% 和 3.51%。
图6.植被和非植被像素中最小阈值和最大阈值之间的比较。
在图 6 中，可以验证欧氏距离和 Bray-Curtis 距离度量中阈值的重叠，如何通过植被像素中的最小相关百分比和非植被像素中的最大相关百分比之间的负差异来证明，同样，可以观察到直接相关和皮尔逊相关指标分别获得最佳结果，百分比差异值分别为 7.01% 和 3.51%。
值得一提的是，这些指标也是植被像素中平均相关百分比最高的前三个指标之一，因此，根据结果，它们是高光谱图像中植被检测的最佳选择。
图7.直接相关和皮尔逊相关度量在高光谱测试图像上的应用.
最后，通过对基于相关指标、Pearson 相关性和余弦距离的算法检测到的 Manga 邻域高光谱图像的植被像素进行计数，阈值为 95%，获得了检测到的植被的百分比，如图 8 所示。可以观察到，根据所考虑的度量获得的结果，15%至17%的像素对应于高光谱图像中的植被。
图8.% 植被检测。
本研究介绍了一种识别高光谱图像植被的新方法，本研究利用距离和相关指标为遥感和影像分析领域提供了有价值的见解，这项研究的重要性对发展中国家尤其重要。
因为它突出了开放获取编程平台对分析高光谱图像的重要性，无障碍工具使这些国家能够利用高光谱数据的潜力，帮助土地监测、农业管理和环境保护工作。
从科学角度来看，关于开展涉及专有工具的研究，如用于分析高光谱图像的可视化图像环境软件（ENVI），利用开源技术（如光谱，numpy）和其他机器学习库（如scikit-learn）可以开发能够满足特定遥感需求的不受阻碍的技术解决方案，这种方法促进了各种人工智能技术的整合。
体现了其潜力，这些开源工具允许实施不受限制的技术解决方案，以满足遥感应用的独特要求，从而提高高光谱和多光谱图像分析过程的准确性，效率和鲁棒性。
本研究为比较曲线峰的相关方法的有效性提供了实证证据，这种有效性源于通过识别曲线中最高峰和最低峰的对齐点来实现实质性空间相关性的能力。
然而，本研究的结果表明，仅将分析限制在特定波段不足以全面比较曲线，建议使用最大可行波段数的像素之间进行相关分析，同时不仅要考虑最大点和最低点，还要考虑拐点。
【结论】本研究旨在提出一种比较方法，以评估不同距离和相关指标在哥伦比亚卡塔赫纳曼加社区城市地区的高光谱图像中识别植被的准确性，从高光谱影像中总共选择了 100 个植被和非植被像素来创建参考或平均像素。
随后，使用五个不同的指标计算相关性，揭示直接相关和皮尔逊指标表现出更高的植被像素精度和辨别力，优于基于监督学习的方法。
尽管这两个指标之间存在差异，但观察到欧几里得和布雷-柯蒂斯距离度量在准确将像素分类为植被或非植被方面遇到了挑战，所提出的基于相关和/或矢量距离度量的方法被证明可以有效地区分高光谱图像中的光谱特征。
目视检查证实，采用这两个指标的检测算法正确识别了指定区域的植被，尽管可以根据特定的相关阈值调整检测到的像素数。
使用最有效的相关指标实施的算法可用于与确定不同纬度植被的空间分布相关的研究，此外，它可以作为检测各种物体或表面的参考，例如水污染物、沥青、容器和石棉屋顶等。
这项研究的一个创新方面在于利用开源软件工具来访问、处理和分析高光谱图像，光谱库促进了矢量表示中的图像检索、读取和像素提取，而 Python numpy 和 scipy 库用于矢量运算和相关计算。
此外，Python matplotlib库促进了像素和高光谱图像光谱特征的管理和可视化，这些工具可以作为在高光谱成像领域测试和验证检测算法的宝贵资源。
未来的努力将涉及在高光谱图像中结合机器学习模型和专门的分类方法来检测植被像素，此外，还计划测试和校准在城市屋顶上检测石棉水泥的考虑指标。
阅读此文后，烦请您关注+评论，方便剩下后续事件有新的进展能够让您迅速关注到
参考文献;
1、佩雷斯-卡贝洛;蒙托里奥;阿尔维斯，D.B.评估火灾后植被恢复的遥感技术。库尔。奥平。
2、安德烈亚塔;吉安内尔;斯科顿;Dalponte，M.用遥感估计草原植被覆盖：Landsat-8，Sentinel-2和PlanetScope图像之间的比较。
3、R.P.斯里帕达 使用航空彩色红外摄影确定玉米的当季氮需求;北卡罗来纳州立大学：美国北卡罗来纳州罗利，
4、希克万巴纳;Xongo， K.;马沙兰;Mhangara，P. 2010/2011和2015/2016强ENSO阶段南非的气候和植被响应模式
END
