植物高光谱分类：波段选择

研究背景：

• 高光谱传感技术可以测量可见光到近红外波段的反射率，并被用于对植物进行分类和制图，分类精度可达物种级别。

• 高光谱数据通常需要进行一些特征选择，以减少数据维度，以便构建分类模型。

• 尽管已经有大量关于高光谱植物分类的研究，但尚未对特征选择方法和结果波段选择进行深入研究。

研究目标：

• 评估过去 22 年高光谱植被分类文献中波段选择频率的总体情况、波段选择频率随分类学、结构或功能群体变化的情况，以及特征选择方法选择的影响。

• 比较了逐步判别分析（SDA）、支持向量机（SVM）和随机森林（RF）等方法，以了解特征选择方法对波段选择的影响。

研究方法：

• 作者收集了过去 22 年发表的所有高光谱植被分类论文，并对这些论文中使用的特征选择方法和结果波段进行了分析。

• 作者还比较了 SDA、SVM 和 RF 三种方法在不同分类学、结构或功能群体中的波段选择情况。

主要发现：

• 所有高光谱植物研究的特点都影响了所选择的波段。这包括目标样本的分类学、结构和功能群体，以及高光谱测量的方法和尺度，以及使用的特征选择方法。

• 这些影响并不一致。

• 特征选择方法的不同会导致波段选择的很大差异，这使得很难分析不同研究中植物群体间波段选择的差异。

• SDA 方法可能不适合用作特征选择方法，因为它产生的波段选择与其他特征选择方法不一致。

• 在选择特征选择方法时应谨慎：建议使用多种方法。所选的光谱特征集可以单独由多个分类模型进行评估，也可以组合成一个集合进行单个分类器的评估。

• 在使用文献中的波段推荐来指导新植物区分应用的波段选择或分类时，应谨慎，因为这些推荐在不同研究之间似乎难以推广。

图形概要

VIS/SWIR 研究 (350 - 2500 nm) 绿色、VIS/NIR 研究 (350 - 1100 nm) 蓝色的波段选择以 50 nm 间隔进行分组。橙色填充的单元格代表由于噪声而从研究中删除的波段区域。选择率是选择给定 50 nm 区域进行物种分类的研究的百分比。表中的每一行都是一项单独的研究，每列都是 50 nm 范围箱。绿色/蓝色阴影区域表示从该范围内选择的至少一个波段，而橙色阴影区域表示去除的波长区域（例如主要吸水区域）。在该特定研究中，仅当由于噪声/大气影响而移除整个 50 nm 区域时，波长箱才会被移除。

3 种树木和电磁波谱 (400–2400 nm) 关键宽域的高光谱反射率示例。

冠层和叶尺度光谱每 50 nm 箱的 350–2500 nm 研究的特征选择率

使用 SDA 特征选择的 350–2500 nm 研究的特征选择率，以及所有其他特征选择方法组合的选择率

350–2500 nm 研究的特征选择率，使用冠层和叶尺度光谱的 SDA 特征选择子集，以及所有其他特征选择方法组合的选择率。

 ( a )：50nm 处的波段特征选择直方图，按数据集排序。四个特征选择器在同一数据集上运行 10 个交叉验证（新数据集由 10 个类和每个交叉验证 200 个样本组成）。( b )：图5a的结果按特征选择方法排序。（RF = 随机森林，SDA = 逐步判别分析，SFFS = 顺序浮动特征选择，SVM = 支持向量机）

 ( a ) 直方图波段特征选择的 PCA 降维。( b )直方图波段特征选择的t分布随机邻域嵌入(T-SNE)降维。（c）直方图波段特征选择的均匀流形逼近和投影（UMAP）降维。

总结：

高光谱植被分类是一个复杂的问题，所有研究参数都会影响波段选择。没有一种通用的、高效的波段选择方法。可见光波段和红边波段在植物分类中都很重要，但它们并不能提供足够的区分度。特定的植物群体是否有特定的波段特征还不能确定，因为不同研究的结果差异很大。未来的研究可以调查特征选择器超参数选择、数据预处理以及植被指数对波段选择的影响。推荐指数：⭐⭐⭐⭐