关于从影像中识别植被物种的真相
18543 评价本文:
4.5
关于从影像中识别植被物种的真相
匿名作者 2016年3月2日，星期三
最近，植被分析——尤其是物种识别——这个话题突然变得热门起来。我在卡内基研究所全球生态系工作的那些年里，花了大量时间研究热带环境中的入侵物种——想想茂密的热带森林。即使使用高光谱数据，这也是一项巨大的挑战。植被不像矿物。它由碳、氢、氮和氧组成。吸收特征更多地受叶片组成和健康状况驱动，而不是因为某个物种具有独特的特征；而矿物则因其电子键或其他化合物的存在/缺失而具有自身或同类矿物家族独有的吸收特征。同一物种的植被看起来可能差异巨大。甚至同一株植物上的叶子也可能看起来完全不同。换句话说，物种内的变异性大于物种间的变异性。或者正如我常说的那样，植被研究很难。
以我这棵缺绿病植物为例。根据维基百科，“缺绿病是叶片产生的叶绿素不足的一种状况。由于叶绿素是叶子呈现绿色的原因，患缺绿病的叶子呈浅色、黄色或黄白色。”一片叶子看起来与植物的其余部分差异很大，但它是同一株植物。利用光谱数据进行物种识别之所以具有挑战性，是因为单株植物可以呈现出多种多样的形态。为一种植物创建光谱库极其困难——该物种可能出现的变化方式几乎是无穷无尽的。你真的无法用一个光谱去寻找其他个体。如果你这样做，分类器会去寻找与该光谱类似的其他个体。但无论该光谱处于何种状态（干燥、湿润、健康），都无法真正给你一个物种识别结果。这并不是说你无法进行一些区分。针叶树和落叶树可以被区分开，草和某些类型的灌木在特定数据下也可以被区分。但是，仅凭光谱来区分亚高山冷杉和花旗松，确实非常困难。
美国地质调查局光谱实验室（USGS SpecLab）的 Ray Kokaly 有一篇不错的论文，题为 可通过成像光谱观测到的植被生物化学。我从中得到的关键启示是，你可以从影像中提取大量的生物物理信息，并用其来研究生态系统的健康和生产力，但同样地，植物具有相似的生物化学特性，因此这并不能直接应用于物种识别。这些化学特性并非某个物种所独有。
以下四点在帮助实现物种识别方面可能最有用：
- 时序数据：某些物种比其他物种更早出现。植物在不同时间开花，对水分胁迫有不同的反应，在不同的时间死亡，等等。即使只是来自不同时间的两个影像也能有所帮助，更多影像则可以提供更高程度的准确性。
- 上下文信息：例如，“你不会在西部山区发现棕榈树，所以不要在那里寻找它们，而是去寻找扭叶松、花旗松和蓝云杉。”缩小选择范围，你更有可能利用光谱库和目标检测获得一些成功。再次推荐使用高光谱数据（HSI）。根据空间分辨率的不同，多光谱数据（MSI）可能仍然会带来混淆。
- 面向对象的分析：这种方法适用于高分辨率数据，因此可能光谱特征提供的信息不够，但冠层形状、聚集模式和纹理特征都可能指示特定的物种。ENVI 的特征提取工具（Feature Extraction Tool）可以提供此类分析。
- 深度学习：我们才刚刚开始探索深度学习在植被研究方面的潜力。我们内部有一个可用的工具，如果你有棘手的植被问题需要解决，可以联系我。这篇关于 识别食物图片的Yelp文章很好地概述了深度学习的工作原理。
正如开头所说，植被研究很难。并非不可能，但很难。不过，你可以尝试多种方法来改善结果。入侵物种检测、杂草侵害监测以及寻找濒危植物，都是迫切需要解决方案的研究领域。如果你有棘手的植被问题并想讨论一下，请与我联系。这是我非常喜欢的话题之一，你大概也看出来了。