高光譜遙感在世界各地都受到高度的重視，發達國家把農業遙感作為國內決策支持的重要手段，對主要農產品的產量、全球資源環境變化等狀況進行長期動態監測。高光譜感具有分辨率高波段多且連續的特點，滿足連續性與光譜可分性的要求，能夠區別同一種地物的不同類別，可以作為植物和群落分類的依據。

在高光譜分析中，單一原始光譜反射率有時對植物指標反映不敏感且光譜測定時易收到外界環境影響如土壤背景，大氣溶膠等影響，此時常常對原始光譜數據進行適當的變換和篩選處理，或結合不同波段的原始光譜反射率，形成了各種植被指數，以增強植物某一指標特征或消除環境因子的影響。

01植被指數選取

植物光譜除受自身生理生化指標影響外，還易受周圍環境變化影響如土壤背景、大氣溶膠等影響，常常利用不同的植被指數以增強植物某一指標特征或消除環境因子的影響。根據寧夏荒漠植被與環境特點，篩選出7個植被指數（表1）。

表1 植被指數

這些植被指數與植物特征密切相關，或有助于光譜精度提升。如NDVI對植被冠層結構、GNDVI對植被冠層綠度、PRI對植物類胡蘿卜素、NDWI對植被冠層水分較敏感PSRI多用于植被健康的監測與檢測，OSAVI可有效消除士壤背景的影響，VARI可以有效矯正大氣溶膠影響，消除部分輻射誤差。

02不同植物的原始光譜特征

植物冠層反射光譜（圖1）表明，不同植物光譜反射率均符合綠色植物特征，但各植物原始光譜不同波段之間存在明顯差異。可見光波段550nm附近，出現了第一個葉綠素吸收峰，北方獐牙菜波峰光譜反射率最低無芒稗、虎尾草、大針茅較高。

植株在680nm附近反射率快速上升，形成植物所特有的“紅邊”，與其他植物不同。其中白蓮蒿的紅邊斜率最低:乳漿大戟的紅邊斜率最高，白蓮蒿紅邊斜率區別于其余植物，但整體紅邊趨勢相差不大。在近紅外波段，甘草、大針茅的光譜反射率較高。所有植物在954~973，1084~1198和1440~1462nm這3個波段均存在明顯的吸收谷，在1450nm附近水分吸收谷處光譜反射率最大值為0.35（狗尾草），最小值為0.079（沙蔥）。

圖1 荒漠草地植物原始光譜反射率

03植物分類模型

RF分類模型

RF分類模型ntree誤差表明，當ntree=100時模型內草種誤差基本穩定，即ntree取100。圖3為RF模型變量重要性圖。由圖3可知，RF模型重要性指標由大到小分別為ND-WI，PRI，OSAVI，NDVI，GNDVI，VARI和PSRI。RF模型Gini系數由大到小分別為NDWI，PRI，VARI，OSAVI，GNDVI，NDVI和PSRI。NDWI為重要性指標和Gini系數最高的變量。

圖2 隨機森林模型混淆矩陣圖

圖3 隨機森林分類模型變量重要性圖

注:圖中藍色圓柱為變量重要性，變量值越大說明變量的重要性越強，黃色圓柱為基尼系數，圖中系數越高，分類切割越好

SVM分類模型

表2為支持向量機gamma與cost不同參數設置錯誤率根據表2所示當選擇gamma=1x10-1、cost=100作為SVM分類模型參數時誤差最小，將gamma=1x10-1，Cost=100作為SVM分類模型原始參數。

表2 gamma與cost設置

圖4為支持向量機SVM分類模型的混淆矩陣氣泡圖。支持向量機SVM模型精度為0.94，kappa系數為0.94，說明支持向量機SVM模型較好，能較好的區分32種荒漠植物。

圖4 支持向量機SVM模型混淆矩陣圖

圖6為KNN分類模型的混淆矩陣氣泡圖，由圖6可知，32種植物進行分類時，KNN分類模型的混淆矩陣中，其中12份白蓮蒿中2份被誤判為北蕓香（16.7%）、4份蟲實樣本中1份被誤判為甘草（25%），總樣本數165，誤判樣本數3.KNN模型分類精度為0.982。

圖6 KNN模型混淆矩陣圖

04結論

（1）荒漠草地植物光譜具有典型植物的光譜特征，但因環境的干旱和高溫脅迫，出現紅移現象，各植物原始光譜水分吸收波段差異也較明顯。

（2）RF和KNN分類模型對32種荒漠草地植物的識別效果較好。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。