高光譜遙感在世界各地都受到高度的重視，發(fā)達(dá)國(guó)家把農(nóng)業(yè)遙感作為國(guó)內(nèi)決策支持的重要手段，對(duì)主要農(nóng)產(chǎn)品的產(chǎn)量、全球資源環(huán)境變化等狀況進(jìn)行長(zhǎng)期動(dòng)態(tài)監(jiān)測(cè)。高光譜感具有分辨率高波段多且連續(xù)的特點(diǎn)，滿(mǎn)足連續(xù)性與光譜可分性的要求，能夠區(qū)別同一種地物的不同類(lèi)別，可以作為植物和群落分類(lèi)的依據(jù)。

在高光譜分析中，單一原始光譜反射率有時(shí)對(duì)植物指標(biāo)反映不敏感且光譜測(cè)定時(shí)易收到外界環(huán)境影響如土壤背景，大氣溶膠等影響，此時(shí)常常對(duì)原始光譜數(shù)據(jù)進(jìn)行適當(dāng)?shù)淖儞Q和篩選處理，或結(jié)合不同波段的原始光譜反射率，形成了各種植被指數(shù)，以增強(qiáng)植物某一指標(biāo)特征或消除環(huán)境因子的影響。

01植被指數(shù)選取

植物光譜除受自身生理生化指標(biāo)影響外，還易受周?chē)h(huán)境變化影響如土壤背景、大氣溶膠等影響，常常利用不同的植被指數(shù)以增強(qiáng)植物某一指標(biāo)特征或消除環(huán)境因子的影響。根據(jù)寧夏荒漠植被與環(huán)境特點(diǎn)，篩選出7個(gè)植被指數(shù)（表1）。

表1 植被指數(shù)

這些植被指數(shù)與植物特征密切相關(guān)，或有助于光譜精度提升。如NDVI對(duì)植被冠層結(jié)構(gòu)、GNDVI對(duì)植被冠層綠度、PRI對(duì)植物類(lèi)胡蘿卜素、NDWI對(duì)植被冠層水分較敏感PSRI多用于植被健康的監(jiān)測(cè)與檢測(cè)，OSAVI可有效消除士壤背景的影響，VARI可以有效矯正大氣溶膠影響，消除部分輻射誤差。

02不同植物的原始光譜特征

植物冠層反射光譜（圖1）表明，不同植物光譜反射率均符合綠色植物特征，但各植物原始光譜不同波段之間存在明顯差異?？梢?jiàn)光波段550nm附近，出現(xiàn)了第一個(gè)葉綠素吸收峰，北方獐牙菜波峰光譜反射率最低無(wú)芒稗、虎尾草、大針茅較高。

植株在680nm附近反射率快速上升，形成植物所特有的“紅邊”，與其他植物不同。其中白蓮蒿的紅邊斜率最低:乳漿大戟的紅邊斜率最高，白蓮蒿紅邊斜率區(qū)別于其余植物，但整體紅邊趨勢(shì)相差不大。在近紅外波段，甘草、大針茅的光譜反射率較高。所有植物在954~973，1084~1198和1440~1462nm這3個(gè)波段均存在明顯的吸收谷，在1450nm附近水分吸收谷處光譜反射率最大值為0.35（狗尾草），最小值為0.079（沙蔥）。

圖1 荒漠草地植物原始光譜反射率

03植物分類(lèi)模型

RF分類(lèi)模型

RF分類(lèi)模型ntree誤差表明，當(dāng)ntree=100時(shí)模型內(nèi)草種誤差基本穩(wěn)定，即ntree取100。圖3為RF模型變量重要性圖。由圖3可知，RF模型重要性指標(biāo)由大到小分別為ND-WI，PRI，OSAVI，NDVI，GNDVI，VARI和PSRI。RF模型Gini系數(shù)由大到小分別為NDWI，PRI，VARI，OSAVI，GNDVI，NDVI和PSRI。NDWI為重要性指標(biāo)和Gini系數(shù)最高的變量。

圖2 隨機(jī)森林模型混淆矩陣圖

圖3 隨機(jī)森林分類(lèi)模型變量重要性圖

注:圖中藍(lán)色圓柱為變量重要性，變量值越大說(shuō)明變量的重要性越強(qiáng)，黃色圓柱為基尼系數(shù)，圖中系數(shù)越高，分類(lèi)切割越好

SVM分類(lèi)模型

表2為支持向量機(jī)gamma與cost不同參數(shù)設(shè)置錯(cuò)誤率根據(jù)表2所示當(dāng)選擇gamma=1x10-1、cost=100作為SVM分類(lèi)模型參數(shù)時(shí)誤差最小，將gamma=1x10-1，Cost=100作為SVM分類(lèi)模型原始參數(shù)。

表2 gamma與cost設(shè)置

圖4為支持向量機(jī)SVM分類(lèi)模型的混淆矩陣氣泡圖。支持向量機(jī)SVM模型精度為0.94，kappa系數(shù)為0.94，說(shuō)明支持向量機(jī)SVM模型較好，能較好的區(qū)分32種荒漠植物。

圖4 支持向量機(jī)SVM模型混淆矩陣圖

圖6為KNN分類(lèi)模型的混淆矩陣氣泡圖，由圖6可知，32種植物進(jìn)行分類(lèi)時(shí)，KNN分類(lèi)模型的混淆矩陣中，其中12份白蓮蒿中2份被誤判為北蕓香（16.7%）、4份蟲(chóng)實(shí)樣本中1份被誤判為甘草（25%），總樣本數(shù)165，誤判樣本數(shù)3.KNN模型分類(lèi)精度為0.982。

圖6 KNN模型混淆矩陣圖

04結(jié)論

（1）荒漠草地植物光譜具有典型植物的光譜特征，但因環(huán)境的干旱和高溫脅迫，出現(xiàn)紅移現(xiàn)象，各植物原始光譜水分吸收波段差異也較明顯。

（2）RF和KNN分類(lèi)模型對(duì)32種荒漠草地植物的識(shí)別效果較好。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專(zhuān)門(mén)用于野外遙感測(cè)量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測(cè)試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。