1 青海大学地质工程系, 青海 西宁 810016
2 青海大学地质工程系, 青海 西宁 810016 青藏高原北缘新生代资源环境重点实验室, 青海 西宁 810016
土壤水分在一定程度上决定着地区的生态承载力和土壤理化性质。 准确、 快速的获取土壤水分含量, 对生态环境监测、 土壤退化恢复等具有重要意义。 高光谱遥感在土壤参数反演方面应用广泛, 但对高寒草甸土壤的高光谱特征与参数反演研究有待深入。 为建立适用于高寒脆弱生态系统的高寒草甸土壤含水量高光谱反演模型, 以黄河源区的河南县为例, 利用多元线性逐步回归(MLSR)、 偏最小二乘回归(PLSR)和BP神经网络(BPNN)对土壤样本含水量与土壤光谱及其数学变换的特征波段进行建模, 由决定系数(R2)、 均方根误差(RMSE)和预测残差比(RPD)对模型精度进行验证。 结果表明: (1) 在可见光-近红外波段, 土壤样本的光谱反射率在710、 780和950 nm附近存在强弱不同的水分吸收区间, 且随着含水量的增加, 反射率呈现先迅速降低, 后缓慢增加的趋势。 (2) 通过连续投影算法(SPA)筛选的光谱特征波段作为自变量, 含水量作为因变量, 分别通过MLSR和PLSR建立反演模型, 其中一阶微分(FD)、 对数一阶微分(FDL)变换对应的PLSR模型可实现高寒草甸土壤水分的粗略反演, 且FD变换对应的PLSR模型精度较高。 (3)BPNN反演模型中, 除去包络(CR)建模外, 其余模型R2均大于0.9, RMSE在0.048~0.074之间。 其中FD、 FDL、 LG变换光谱对应的BPNN模型反演精度较高, 验证结果的R2均大于0.8, RPD均大于2.5, 精度最高的为对数(LG)变换对应的BPNN模型, R2、 RMSE和RPD分别达到0.967、 0.038和5.039。 因此, BPNN模型能较精确的实现黄河源区高寒草甸土壤含水量的高光谱反演, 为该地区乃至其他高寒地区生态环境监测与土壤恢复提供技术基础和数据支撑。
高光谱反演 高寒草甸 机器学习 SPA算法 黄河源 Hyperspectral inversion Alpine Meadow Machine Learning SPA Yellow River Source 光谱学与光谱分析
2023, 43(6): 1961
甘肃农业大学草业学院, 草业生态系统教育部重点实验室, 国家林业草原高寒草地鼠害防控工程技术研究中心, 甘肃 兰州 730070
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%。
高寒草甸 毒草 光谱特征 典型判别 分类 Alpine meadow Poisonous plants Spectral characteristics Canonical discrimination Classification 光谱学与光谱分析
2022, 42(4): 1076
