高寒草甸毒草化是青藏高原草地生态系统面临的主要问题之一。 高寒草甸毒草分类技术对草地群落的变化具有及时监测和科学防控的重要意义。 近年来, 毒草种类及危害面积急剧增加, 传统人工实地调查耗时费力、 调查结果代表性差。 同时毒草在地域分布上具有一定的差异性, 依靠人力难以实现大面积调查。 高光谱遥感技术凭借分辨率高、 波段多、 图谱合一等特点, 在毒草精细分类中表现出巨大的优势, 可满足快速、 准确、 大尺度获取毒草发生面积的需求。 已有学者对草地植物的光谱反射特征开展了研究, 证明采用植物光谱反射特征可有效区分其种类。 但是, 目前尚缺乏针对草地有毒植物光谱特征变量的筛选及构建基于毒草光谱特征的预测分类模型。 本研究利用SOC710VP近红外高光谱成像仪, 在甘肃省天祝县和玛曲县境内高寒草甸上采集黄花棘豆(Oxytropis ochrocephala)、 宽苞棘豆(O latibracteata)、 多枝黄芪(Astragalus polycladus)、 长毛风毛菊(Saussurea hieracioides)、 黄帚橐吾(Ligularia virgaurea)、 乳白香青(Anaphalis lactea)、 葵花大蓟(Cirsium souliei)、 瑞香狼毒(Stellera chamaejasme)、 密花香薷(Elsholtzia densa)、 露蕊乌头(Aconitum gymnandrum)、 碎米蕨叶马先蒿(Pedicularis cheilanrthifolia)11种主要毒草野外光谱数据, 采用Savitzky-Golay卷积平滑算法(SG)对原始光谱值进行去噪, 使用一阶微分导数(FD)开展光谱特征分析, 利用典型判别分析(CDA)对选用的16种光谱特征变量标准化得分系数绝对值进行排序, 然后从大到小分别添加到随机森林(RF)、 支持向量机-径向核函数(SVM-RBF)、 k最邻近分类(KNN)、 朴素贝叶斯(NB)、 决策树(CART)5种算法中构建分类模型并筛选最佳特征变量, 使用混淆矩阵评价分类效果。 结果表明: (1)16个光谱特征变量典型判别分析(CDA)总体分类精度为92.34%, R²=0.89; (2)筛选出最佳分类光谱特征变量为绿峰幅值(Mg)、 蓝边面积(Ab)、 红边幅值(Mre)、 红边面积(Are)、 红边位置(Lre)、 NDVI2、 RVI1; (3)将筛选出的7个光谱特征变量用于毒草分类, 结果支持向量机-径向核函数(SVM-RBF)分类效果最好, 精度达96.45%。