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%。

石油污染的出现, 导致生态环境遭到破坏。 因此, 油类识别方法的研究对于环境的保护具有重要意义。 采用荧光光谱法获得石油光谱数据, 并对其进行预处理, 再通过降维方法来提取特征信息, 最后利用模式识别算法进行分类, 从而可以实现对油类的定性分析, 因此研究一种更高效的数据降维方法以及识别分类算法极其重要。 基于三维荧光光谱技术, 利用稀疏主成分分析(SPCA)对FS920光谱仪测得的荧光光谱数据进行特征提取, 再利用支持向量机(SVM)算法对提取的特征数据进行分类识别, 获得了一种更加高效的油类识别方法。 首先, 利用海水和十二烷基硫酸钠(SDS)配制成浓度为0.1 mol·L^-1的胶束溶液, 将其作为溶剂配制柴油、 航空煤油、 汽油以及润滑油各20种不同浓度的溶液; 然后, 利用FS920光谱仪测得样本溶液的三维荧光光谱数据, 对得到的光谱数据进行预处理; 最后, 对预处理后的数据分别利用SPCA和主成分分析(PCA)进行特征提取, 再利用SVM和K最近邻(KNN)两种模式识别算法对特征向量进行分类, 最终得到四种模型PCA-KNN, SPCA-KNN, PCA-SVM以及SPCA-SVM的分类结果。 研究结果表明, 由四种模型得到的分类准确率分别为85%, 90%, 90%和95%, 其中, 在同种分类算法中, 利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%, 因此可知, SPCA的稀疏性具有突出主要成分的作用, 在提取光谱特征时能够减小非必要成分的影响, 并且载荷矩阵的稀疏化可以去除变量之间的冗余信息, 优化降维特征信息, 为后续分类提供更有效的数据特征信息; 在同种特征提取算法下, 利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%, 表明SVM算法在分类中更具有优势。 因此, 本文利用三维荧光光谱技术结合SPCA和SVM算法, 实现了对石油的准确识别与分类, 为今后对石油污染物的高效检测提供了新思路。

油类污染严重威胁到自然环境及人类健康。 因此, 识别和处理油类污染非常重要。 由于三维荧光光谱能够表征石油的荧光特征, 故一般利用三维荧光光谱法检测溶液中存在的油类污染物。 但油类的三维荧光光谱数据维度较高且直接分析的难度较大, 因此可以利用数据降维方法提取原始油类样本的光谱特征, 并利用所得到的光谱特征对样本进行识别。 基于此, 利用二维线性判别分析(2D-LDA)对油类样本进行特征提取, 研究提取的不同样本光谱特征的差别, 将得到的光谱特征作为K最近邻(KNN)分类的输入, 得到相应的分类结果。 首先, 分别配制四种不同的油类(柴油、 汽油、 航空煤油、 润滑油)样本各20个, 共计得到80个油类样本; 然后, 利用FS920光谱仪采集所有油类样本的三维荧光光谱数据; 其次, 对采集到的光谱数据进行预处理, 去除光谱中散射的干扰并标准化; 最后, 利用2D-LDA算法对样本进行特征提取, 利用KNN算法进行分类, 并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。 研究结果表明, 2D-LDA提取特征的分类效果优于PCA。 利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%, 而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。 表明两类光谱相对于三维荧光光谱具有互补性, 将发射和激发光谱特征相结合能够更好地对样本进行分类。 而利用PCA对测试集识别的准确率仅为85%, 表明2D-LDA对三维荧光光谱数据的特征提取效果更好。 与PCA相比, 2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征, 使得同类样本尽可能接近, 不同样本尽可能分离。 因此, 2D-LDA具有使降维后的数据更容易被区分的特点, 故其鲁棒性好。 该研究为油类的降维识别提供了一种参考。