中国气象局乌鲁木齐沙漠气象研究所, 新疆 乌鲁木齐 830002
新疆天山北坡山地草甸是天山山区草地生产力最高的草地类型, 草地退化情况较为严重。 对草地植被进行分类与识别, 监测草地生态系统本底状况, 可以快速、 准确、 有效的评价草地退化动态与程度, 是进行生态重建的关键。 为了探索适合草地植被的分类方法, 选择天山北坡中段山地草甸植被作为研究对象, 利用高光谱成像光谱仪(SOC710VP)获取了典型植被多季相(4个关键生育期)的原始反射光谱数据, 通过多项式卷积平滑(S-G)及最小噪声分离(MNF)变换对光谱数据进行平滑去噪及降维处理, 分别采用支持向量机(SVM)、 BP人工神经网络(BP-ANN)及波谱角填图(SAM)三种方法建立分类模型, 并对分类结果进行了对比分析。 结果表明: 使用S-G滤波及MNF变换预处理方法可以有效的对草地植被高光谱数据进行降维除噪, 获得较平滑的光谱曲线, 减少了数据的冗余程度并缩短了分类时间。 不同季相山地草甸植被的“绿峰”、 “红谷”及“红边”等参数差异较大, 在植被生长旺盛期(4月—5月)的光谱曲线特征比黄枯期的光谱曲线特征更容易区分, 这个时期分类精度较高。 SVM分类模型在返青期(4月)和分蘖(枝)期(5月)总体分类精度均超过了90%, Kappa系数也超过了0.9; 利用SVM方法进行分类时, 在植物生长旺盛期(4月—5月)Polynomial核函数分类精度较高, 植物成熟期(6月—9月)径向基核(RBF)函数分类精度较高。 BP-ANN在分蘖(枝)期分类精度较高, 总体分类精度为91.07%, Kappa系数为0.89, 其他时期分类效果一般, 虽然在MNF变换降维后能极大的缩短数据处理时间, 但分类时间还是较SVM时间要长。 SAM分类速度最快, 但在各生育期的分类精度都较低, 最高值为分蘖(枝)期的总体分类精度77.80%, Kappa系数为0.73。 因此, 利用Polynomial核函数的SVM分类模型适合对山地草甸植被进行分类识别, 分类结果类别完整, 准确度高, 误分、 错分现象相对较少, 相比BP-ANN及SAM等高光谱数据分类方法具有较大的优势。
高光谱数据 多季相 山地草甸 分类识别 Hyperspectral data Multi-seasonal Mountain meadow Classification and recognition 光谱学与光谱分析
2022, 42(6): 1939
中国林业科学研究院资源信息研究所, 北京 100091
森林每年随季节变化而出现形态和生理机能的规律性变化, 该变化在一定程度通过其光谱特征有规律地展现。 准确地掌握森林冠层光谱特征随季节变化的规律不仅是遥感解译的关键, 也为树种识别、 动态监测和生化参数反演提供理论基础。 利用地物光谱仪对研究区9个主要树种的冠层光谱数据进行长期观测, 获取了春夏秋冬四个季节的反射光谱曲线并生成一阶导数曲线, 同时还计算了常用的植被特征参数,进而分析不同树种在相同季相和不同季相的光谱特征,对比不同树种在可见光和近红外波段的季相变化特征和差异, 探索遥感手段用于树种分类识别的最佳波段、 最佳时相。 结果表明: 不同树种在各生长季光谱具有独特的特征, 落叶树种光谱特征因季节的改变而呈现有规律的变化, 而常绿树种光谱特征年变化不明显。 光谱特征的变化有效地反应了物候的变化, 应用多季相的数据进行分类可以取得最好的效果, 常绿树种和落叶树种光谱特征在冬季差异明显, 而夏季是采用单季相遥感数据进行树种识别的最佳时节。
森林冠层 光谱分析 多季相 Forest canopy Spectral analysis Multi-seasons 光谱学与光谱分析
2013, 33(12): 3303
