荒漠植物光谱特征分析及光谱识别-莱森光学

360影视 2025-01-20 17:37 2

摘要:高光谱遥感在世界各地都受到高度的重视,发达国家把农业遥感作为国内决策支持的重要手段,对主要农产品的产量、全球资源环境变化等状况进行长期动态监测。高光谱感具有分辨率高波段多且连续的特点,满足连续性与光谱可分性的要求,能够区别同一种地物的不同类别,可以作为植物和群

高光谱遥感在世界各地都受到高度的重视,发达国家把农业遥感作为国内决策支持的重要手段,对主要农产品的产量、全球资源环境变化等状况进行长期动态监测。高光谱感具有分辨率高波段多且连续的特点,满足连续性与光谱可分性的要求,能够区别同一种地物的不同类别,可以作为植物和群落分类的依据。

在高光谱分析中,单一原始光谱反射率有时对植物指标反映不敏感且光谱测定时易收到外界环境影响如土壤背景,大气溶胶等影响,此时常常对原始光谱数据进行适当的变换和筛选处理,或结合不同波段的原始光谱反射率,形成了各种植被指数,以增强植物某一指标特征或消除环境因子的影响。


01植被指数选取

植物光谱除受自身生理生化指标影响外,还易受周围环境变化影响如土壤背景、大气溶胶等影响,常常利用不同的植被指数以增强植物某一指标特征或消除环境因子的影响。根据宁夏荒漠植被与环境特点,筛选出7个植被指数(表1)。

表1 植被指数


这些植被指数与植物特征密切相关,或有助于光谱精度提升。如NDVI对植被冠层结构、GNDVI对植被冠层绿度、PRI对植物类胡萝卜素、NDWI对植被冠层水分较敏感PSRI多用于植被健康的监测与检测,OSAVI可有效消除士壤背景的影响,VARI可以有效矫正大气溶胶影响,消除部分辐射误差。

02不同植物的原始光谱特征

植物冠层反射光谱(图1)表明,不同植物光谱反射率均符合绿色植物特征,但各植物原始光谱不同波段之间存在明显差异。可见光波段550nm附近,出现了第一个叶绿素吸收峰,北方獐牙菜波峰光谱反射率最低无芒稗、虎尾草、大针茅较高。

植株在680nm附近反射率快速上升,形成植物所特有的“红边”,与其他植物不同。其中白莲蒿的红边斜率最低:乳浆大戟的红边斜率最高,白莲蒿红边斜率区别于其余植物,但整体红边趋势相差不大。在近红外波段,甘草、大针茅的光谱反射率较高。所有植物在954~973,1084~1198和1440~1462nm这3个波段均存在明显的吸收谷,在1450nm附近水分吸收谷处光谱反射率最大值为0.35(狗尾草),最小值为0.079(沙葱)。


图1 荒漠草地植物原始光谱反射率

03植物分类模型

RF分类模型

RF分类模型ntree误差表明,当ntree=100时模型内草种误差基本稳定,即ntree取100。图3为RF模型变量重要性图。由图3可知,RF模型重要性指标由大到小分别为ND-WI,PRI,OSAVI,NDVI,GNDVI,VARI和PSRI。RF模型Gini系数由大到小分别为NDWI,PRI,VARI,OSAVI,GNDVI,NDVI和PSRI。NDWI为重要性指标和Gini系数最高的变量。


图2 随机森林模型混淆矩阵图


图3 随机森林分类模型变量重要性图

注:图中蓝色圆柱为变量重要性,变量值越大说明变量的重要性越强,黄色圆柱为基尼系数,图中系数越高,分类切割越好

SVM分类模型

表2为支持向量机gamma与cost不同参数设置错误率根据表2所示当选择gamma=1x10-1、cost=100作为SVM分类模型参数时误差最小,将gamma=1x10-1,Cost=100作为SVM分类模型原始参数。

表2 gamma与cost设置


图4为支持向量机SVM分类模型的混淆矩阵气泡图。支持向量机SVM模型精度为0.94,kappa系数为0.94,说明支持向量机SVM模型较好,能较好的区分32种荒漠植物。


图4 支持向量机SVM模型混淆矩阵图

图6为KNN分类模型的混淆矩阵气泡图,由图6可知,32种植物进行分类时,KNN分类模型的混淆矩阵中,其中12份白莲蒿中2份被误判为北芸香(16.7%)、4份虫实样本中1份被误判为甘草(25%),总样本数165,误判样本数3.KNN模型分类精度为0.982。


图6 KNN模型混淆矩阵图

04结论

(1)荒漠草地植物光谱具有典型植物的光谱特征,但因环境的干旱和高温胁迫,出现红移现象,各植物原始光谱水分吸收波段差异也较明显。

(2)RF和KNN分类模型对32种荒漠草地植物的识别效果较好。

推荐:

便携式地物光谱仪iSpecField-NIR/WNIR

专门用于野外遥感测量、土壤环境、矿物地质勘探等领域的最新明星产品,由于其操作灵活、便携方便、光谱测试速度快、光谱数据准确是一款真正意义上便携式地物光谱仪。

来源:莱森光学

相关推荐