基于Relief F与卷积神经网络的湿地植物群落精细分类

湿地是陆地生态系统和水生生态系统之间的重要过渡带，准确高效地获取湿地植物群落分布信息对于保护湿地具有深远的意义。本文以无人机多光谱影像为数据源，首先构建包含光谱特征、植被指数和纹理特征的多维特征数据集，并采用Relief F算法进行特征优选，确定最优特征数据集；然后构建基于特征优选的卷积神经网络(CNN)分类模型，对最优特征数据集进行分类，并与基于原始多光谱影像的CNN和随机森林(RF)分类方法进行对比。结果表明：(1)随着特征个数的增加，分类精度先增加后下降，当特征数为32时分类精度最高；(2)窗口为13×13的GLCM提取的信息熵和同质性等纹理特征及GNDVI、MSAVI2、RVI等多光谱植被指数重要性较高；(3)基于最优特征数据集的CNN分类模型，能够有效提取空间光谱信息，抑制“椒盐现象”的产生，分类效果最佳，总体精度达93.40%,与未进行特征优选的RF和CNN分类模型相比分别提高了9.80%和7.40%。