薇甘菊(Mikania micrantha)原产于南美洲和中美洲^[1]，也称小花蔓泽兰或小花假泽兰，是菊科(Compositae)多年生草本植物或灌木状攀缘藤本, 已经广泛传播到了亚洲热带地区和太平洋上的一些岛屿^[2]。由于薇甘菊营养生长非常迅速，通过攀缘、缠绕导致其他植物死亡，极易破坏当地的生态环境，已成为当今热带、亚热带地区危害最严重的杂草之一^[3–4]。

薇甘菊自20世纪80年代初期传入我国香港、深圳等地，目前，薇甘菊已在我国香港、广东、海南、云南等地区广泛扩散，并伴有进一步扩散的趋势^[5–7]。薇甘菊的入侵已严重威胁当地的生态系统健康和生物多样性，钟晓青等^[8]采取随机抽样和全面调查的方式，运用市场价值法、影子工程法等进行评估，薇甘菊入侵造成内伶仃岛森林生态系统服务功能的经济损失383.49~862.86万元，每年生物多样性损失66.80~150.31万元，估计全岛年损失近450.29~1 013.17万元。贺东北等^[9]对德宏州薇甘菊分布规律进行了研究，认为薇甘菊攀缘或缠绕的植物主要有西南桦(Betula alnoides)、橡胶(Hevea brasi- liensis)、杉木(Cunninghamia lanceolata)、澳洲坚果(Macadamia ternifolia)、咖啡(Coffea arabica)、龙竹(Dendrocalamus giganteus)、茶(Camellia sinensis)和恺木(Alnus cremastogyne)等速生、喜光照和湿热的树种，受危害面积达8 602.40 hm²，占全部危害面积的51.88%。在马来西亚薇甘菊的覆盖危害可使橡胶树种子萌发率降低27%，橡胶产量在早期32个月内减产27%~29%^[10]。薇甘菊严重威胁木本植物生存生长，仅在云南薇甘菊就可危害30多种植物^[11]。为了有效控制薇甘菊入侵，需对其空间分布和动态变化进行监测与统计。

传统的监测方法主要以野外实地调查等人工监测为主，难以深入森林腹地等复杂地区进行调查，需消耗大量的人力、物力，且由于不同监测人员的判断不同，监测的结果主观性强，也影响监测结果的准确性。随着遥感技术的运用，为精准提取薇甘菊影像提供了一种有效的途径。胡佳等^[12]基于WorldView-2高分辨率遥感影像，对深圳市局部地区的薇甘菊开展光谱和纹理分析，其入侵范围的制图精度达87.6%，用户精度88.4%，表明高分辨率遥感影像能精细识别薇甘菊。柳帅等^[13]基于Pleiades-1高分辨率遥感影像进行光谱与纹理信息分析，对广东省深圳市薇甘菊信息，综合识别精度达95.3%, 实现了薇甘菊的精细识别。

利用卫星及航空遥感监测薇甘菊，虽然可实现大范围监测，提高监测效率和准确性，但需要高空间分辨率的影像，存在价格昂贵，时间分辨率不高等问题^[14–16]。柳宗伟等^[17]通过无人机(unmanned aerial vehicle, UAV)为采集复杂环境的数据提供了一种低成本、小风险的高可行性方案，通过无人机搭载高光谱成像仪采集高分辨率影像，运用最大似然和支持向量机方法，对薇甘菊与其他物种的特征识别精度达到90%以上。刘彦君等^[18]基于广东省增城林场无人机遥感影像数据，采用SVM和ASP+ABS波段选择法，薇甘菊分布的制图精度和用户精度分别达到95.98%和92.98%，解译效果显著。无人机高光谱遥感可为局部区域薇甘菊的快速获取、精准监测预警和防治提供高效手段。同时，无人机遥感系统具有运载便利、灵活性高、作业周期短、影像数据分辨率高等优势，较高的空间和时间分辨率使其在遥感方面得到越来越多的应用^[18–19]。因此，本文采用无人机对薇甘菊进行有效监测，基于无人机高光谱数据，通过深度学习(deep learning, DL)、支持向量机(support vector machine, SVM)和随机森林(random forest, RF)方法提取薇甘菊分布范围，为薇甘菊的防治提供支持和依据，对保护当地生态系统安全具有重要意义。

研究区位于云南省西部的德宏州，与缅甸接壤。薇甘菊已在德宏州5县(市) 46个乡(镇)发现, 占全州乡(镇)数的92%。薇甘菊多在山林、荒地、道路旁、沟渠边、河堤、甘蔗地及经济作物园发生, 总发生面积达3.20×10⁴ hm²，不仅制约着德宏州支柱产业和新兴产业的发展，还威胁着粮食、经济和生态安全。根据德宏州薇甘菊的入侵历史和发生发展情况^[21–22]，选择发生严重和典型地区为设置样地(图 1)，样地位于德宏州东南部，98°16′12″~98°16′34″ E，24°12′31″~24°12′37″ N，面积为12.36 hm²，年均温19.6℃，属南亚热带季风气候，年均降雨量1 654.60 mm。

图 1(Fig. 1)

图 1 研究区位置 Fig. 1 Location of the studied area

在薇甘菊盛花期的2019年11月12日，使用搭载美国Headwall Photonics公司的Hyper Spec VNIR型可见光近红外高光谱成像光谱仪的固定翼无人机，采用全反射同心光学设计并设置f/2的大通光孔径，光谱范围为400~1 000 nm，光谱通道为324个，获取薇甘菊的高光谱影像。

无人机完成高光谱成像作业后，使用Agisoft Photoscan软件(Agisoft LLC，俄罗斯)对影像数据进行拼接处理^[23]。将影像图片和POS (position and orientation system)数据导入软件中，输出数字正射影像(digital orthophoto map, DOM)，对影像进行地面控制点配准，以达到较高的几何精度，然后进行辐射校正。使用中值滤波、降低噪声、主成分变换、全色锐化等进行图像增强处理，提高目视效果。

由于高光谱数据信息较多，包含176个波段信息，如果将全部波段信息进行后续分析，工作量大，耗时、效率低，因此先对影像进行主成分分析，旨在利用降维的思想，把高光谱数据信息量转化为少数几个综合指标，进行信息压缩。通过主成分分析结果的信息含量，前10个主成分的信息含量为97.35% (图 2)，损失少，包含绝大部分原始信息。因此，研究区高光谱影像保留前10个主成分的波段，分别为波段23、48、75、88、140~144和147，相应的波长分别为468.8、550.8、641.6、686.2、870.1、873.7、877.3、880.9、884.6和895.5 nm。以此数据作为分类数据，进行薇甘菊信息提取。

图 2(Fig. 2)

图 2 高光谱影像主成分分析 Fig. 2 Principal component analysis of hyperspectral image

在无人机影像中选取均匀分布的83个样点(图 3)，于2019年11月15日对样点进行人工实地调查，精确确定每个样点的实际地物类别。

图 3(Fig. 3)

图 3 样点分布 Fig. 3 Sample point distribution

深度学习    卷积神经网络模型(convolutional neural network, CNN)是深度学习中经常使用的模型^[24]，相对于浅层学习存在的人工筛选特征复杂、识别精度低和运行速度慢等不足，深度学习侧重探索数据深层关联性，通过神经网络自动提取和学习特征，实现端到端的训练和识别，能较好地反映和挖掘数据特征。CNN由输入层、卷积层、池化层、全连接层与输出层组成，无人机数据通过预处理经过输入层，在卷积核和偏置作用下生成卷积层，卷积层特征图中各单元独立，与前一层存在局部联通，在激活函数的作用下生成新特征图，从而构成CNN的第二个池化层，通过卷积层和池化层的不断交替作用，将最终得到的若干特征图以一维向量的方式建立全连接层，全连接层通过数据处理将成果输出，构成CNN的输出层^[25]。为了训练数据在深度学习中学到的预测数据分布与真实数据分布相近，本文选择交叉熵作为损失函数loss= $ - \frac{1}{n}\sum\limits_x {[y\ln a + } $(1-y)ln(1-a)]，用于衡量预测值和实际值间的误差，进而在训练过程中可以进行参数梯度下降的调整，从而优化学习分类过程。分类精度accuracy^[26]是训练样本中正确分类的像元总数与总像元数的比，$ {\text{accuracy}} = (\sum {_{i = 1}^r{x_{ii}}} )/x $，式中，y表示实地采样点的分布，a则为训练后的分类类别信息分布，其中交叉熵损失函数可以衡量y与a的相似性，r为分类正确的样本个数，x_ii为第i个类别中分类正确的样本，x为样本个数。

支持向量机(SVM)    SVM是建立在计算学习理论的结构风险最小化原则之上，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以求获得最好的推广能力。主要思想是针对两类分类问题，在高维空间中寻找一个超平面作为两类的分割，以保证最小的分类错误率。其主要的优点就是在有限样本下，得到最优解，并且避免了局部极值问题^[27–28]。本研究对研究区内的薇甘菊建立感兴趣区，使用ENVI 5.3软件进行监督分类，选择SVM分类方法。SVM分类方法利用核函数解决低维空间向量映射到高维空间将会增加的计算复杂度问题，因此不同的内积核函数代表不同的分类方法，本研究的内积核函数选用径向基核函数(radial basis function)。

随机森林(RF)    RF算法是一种基于分类和回归树的多决策树分类器^[29]，通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支。首先, 从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量和原始数据集是相同的。不同子数据集的元素可以重复，同1个子数据集中的元素也可以重复；第二，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出1个结果；最后，如果有了新的数据需要通过随机森林得到分类结果，而最终的分类结果是由所有决策树投票来决定，得票最多的成员将会被选中。使用ENVI 5.3软件Random Forest Classification工具^[30]，得到基于随机森林方法的薇甘菊分布区域。

混淆矩阵是用来表示精度评价的一种标准格式^[31]。混淆矩阵是n行n列的矩阵，其中n为类别数量，列为参考影像信息，行为被评价影像分类结果信息，行与列相交的部分概括了分类到与参考类别有关的某一特定类别中的样本数目，样本数可以为像元数目、或者分割对象数目。在影像上随机抽取83个样点，采用人工实地调查的数据，精确确定每个参考点的地物类别，并通过混淆矩阵比较分类结果和地表真实信息，通过用户精度(user accuracy, UA)和制图精度(producer accuracy, PA)对基于深度学习、SVM、RF的薇甘菊提取结果进行精度评价^[32]。UA=x_ii/x_i+，PA=x_jj/x_+j，式中，x_ii、x_jj是矩阵的主对角元素，即被分到正确类别的样本数；x_ij是分类数据中第i类和参考数据类型第j类的分类样本数; x_i+=$ \sum\limits_{j = 1}^n {{x_{ij}}} $为分类所得到的第i类的总和；x_+j=$ \sum\limits_{i = 1}^n {{x_{ij}}} $为参考数据的第j类的总和；n为评价样本总数。

对研究区薇甘菊进行标记获取样本数据，随机选取80%组建训练数据集，随机选取20%作为验证数据集^[33]。分类实验在MATLAB (MathWorks公司，美国)平台上进行，对影像进行迭代运算，得最终最优次数为200。从训练过程图可见(图 4: A)，模型训练过程中，在迭代200次之前loss迅速下降，然后快速收敛于0.3；训练和验证accuracy曲线在迭代200次以后逐渐趋于平稳，表明在模型训练效果较好(图 4: B)。分析迭代过程图验证loss曲线和验证accuracy曲线，发现同样快速发生收敛，表明模型训练过程没有发生过拟合的现象，因此模型训练情况较好。

图 4(Fig. 4)

图 4 训练过程 Fig. 4 Training process

图 5为基于DL的薇甘菊分布提取结果，可见薇甘菊主要集中分布在植被较为稀疏的区域，植被茂盛区域较少。薇甘菊分布样点提取制图精度和用户精度均高于非薇甘菊分布样点，2样点的制图精度分别为96.61%和87.50%，用户精度分别为95.00%和91.30% (表 1)。

图 5(Fig. 5)

图 5 基于深度学习提取的薇甘菊分布图 Fig. 5 Mikania micrantha distribution map based on DL

表 1(Table 1)

表 1 3种方法提取的薇甘菊分布精度 Table 1 Interpretation accuracy of Mikania micrantha based on DL, SVM and RF 方法 Method 预测样点 Predict sample site 实际样点Actual sample site 有薇甘菊 With M. micrantha 非薇甘菊 Without M. micrantha 总数 Total 用户精度/% User Accuracy DL 有薇甘菊With Mikania micrantha 57 3 60 95.00 非薇甘菊Without M. micrantha 2 21 23 91.30 总数Total 59 24 83 制图精度Producer accuracy /% 96.61 87.50 SVM 有薇甘菊With M. micrantha 49 11 60 81.67 非薇甘菊Without M. micrantha 4 19 23 82.61 总数Total 53 30 83 制图精度Producer accuracy /% 92.45 63.33 RF 有薇甘菊With M. micrantha 55 5 60 91.67 非薇甘菊Without M. micrantha 3 20 23 86.96 总数Total 58 25 83 制图精度Producer accuracy /% 94.83 80.00

表 1 3种方法提取的薇甘菊分布精度 Table 1 Interpretation accuracy of Mikania micrantha based on DL, SVM and RF

图 6为基于SVM的薇甘菊分布影像提取结果，同样，薇甘菊分布样点的提取制图精度高于非薇甘菊分布样点，2样点的制图精度分别为92.45%和63.33%，用户精度分别为81.67%和82.61% (表 1)。

图 6(Fig. 6)

图 6 基于SVM提取的薇甘菊分布图 Fig. 6 Mikania micrantha distribution map based on SVM

从基于RF提取的薇甘菊分布影像来看(图 7), 薇甘菊分布样点提取的制图精度和用户精度均高于非薇甘菊分布样点，2样点的制图精度分别为94.83%和80.00%，用户精度分别为91.67%和86.96% (表 1)。

图 7(Fig. 7)

图 7 基于RF提取的薇甘菊分布图 Fig. 7 Mikania micrantha distribution map based on RF

DL、SVM和RF方法均能识别出薇甘菊的聚集区域，主要分布在植被稀疏区。将基于SVM、RF和DL的局部区域进行ArcgGIS叠加分析(图 8)，结果表明，SVM方法对零散分布的薇甘菊识别能力较差，DL方法则能较好识别出零散分布的薇甘菊。RF方法对零散分布的薇甘菊识别能力与DL相仿, 均能很好地识别出零散分布的薇甘菊。比较3种方法的精度，DL的制图精度和用户精度最高，达到比较理想的结果。薇甘菊在遥感影像中表现为绿色夹杂白色，边界呈不规则分布，经人工实地调查, 3种方法在薇甘菊分布提取中将草地错分为薇甘菊的现象较为突出，主要是因为薇甘菊呈现零散分布时和草地特征极为相似，边界不明显。

图 8(Fig. 8)

图 8 基于深度学习、支持向量机和随机森林提取的薇甘菊分布叠加分析图 Fig. 8 Stacking diagram of Mikania micrantha distribution based on DL, SVM and RF

本研究利用无人机高光谱遥感影像，结合DL、SVM和RF方法进行薇甘菊的光谱信息提取，结果表明，3种方法均有效实现了薇甘菊的分布提取，以DL方法的提取效果最佳，制图精度和用户精度分别为96.61%和95.00%；其次为RF和SVM方法；3种方法均能很好地反映出薇甘菊集中分布区域，DL和RF方法对零散分布薇甘菊的识别效果优于SVM。

目前有关薇甘菊分布的遥感解译主要以遥感卫星和无人机的高分辨率影像为主，两者相比，无人机高分辨率影像数据在可获取性、便捷程度均优于遥感影像。在方法方面，DL、RF方法适用于本研究，但并不意味着DL方法就一定优于SVM，由于本文的研究重点为薇甘菊分布的遥感影像提取，主要注重于薇甘菊样本的选择。本研究在SVM方法的监督分类过程中，结合实地调查选择薇甘菊像元，由于零散分布的薇甘菊像元特征与其他地物特征存在重叠现象，为保证薇甘菊的识别精度，主要选取了集聚薇甘菊的像元。而根据云南省的薇甘菊分布研究，薇甘菊的分布与海拔、坡向、光照、坡位、坡度、温度、土地利用、人为影响、森林资源分布等环境数据息息相关，要想加强薇甘菊的监测和防控，还需要深入研究其与环境要素的关联^[6]。同时，目前的薇甘菊监测研究大多是基于当年薇甘菊开花期(通常为10-12月)，薇甘菊在开花季节的颜色以及纹理异于其他植被，因此进行薇甘菊遥感监测时的遥感影像集中于开花季节拍摄。目前，薇甘菊非开花期及长时间序列的监测研究较少，不利于研究薇甘菊的扩散机制。

根据无人机高光谱影像提取结果可得到薇甘菊入侵的具体位置，相较传统的人工调查更方便快捷，为监测薇甘菊提供了新方法、新思路。本研究从薇甘菊无人机高光谱遥感影像中取得了较好的结果，后续研究可从以下方面开展：(1) 薇甘菊开花期的遥感影像，对其他生长阶段是否适用？(2) DL、SVM和RF方法能很好地提取德宏州的薇甘菊分布信息，是否适用于其他地区？