張富華，黃明祥，張 晶，包 鋼，包玉海

(1.首都師范大學(xué)，北京 100048；2.內(nèi)蒙古師范大學(xué)，內(nèi)蒙古呼和浩特 010022)

利用高光譜識(shí)別草地種類(lèi)的研究
——以錫林郭勒草原為例

張富華1，黃明祥2，張 晶1，包 鋼2，包玉海2

(1.首都師范大學(xué)，北京 100048；2.內(nèi)蒙古師范大學(xué)，內(nèi)蒙古呼和浩特 010022)

以錫林郭勒草原典型的羊草、針茅、日陰菅、隱子草為研究對(duì)象，測(cè)量4種草地光譜，利用光譜微分法對(duì)原始光譜數(shù)據(jù)進(jìn)行處理，在提取草地光譜7個(gè)特征參數(shù)的基礎(chǔ)上，采用相關(guān)性分析和主成分分析方法精選紅邊斜率、綠峰位置、綠峰值和紅谷位置4個(gè)參數(shù)?；谒x的4個(gè)光譜特征參數(shù)，采用多層感知神經(jīng)網(wǎng)絡(luò)模型對(duì)草地種類(lèi)進(jìn)行識(shí)別，精度達(dá)到80.3%，同時(shí)對(duì)比7個(gè)特征參數(shù)與4個(gè)特征參數(shù)對(duì)草地種類(lèi)識(shí)別精度的影響，發(fā)現(xiàn)草地種類(lèi)識(shí)別精度從69.0%提高到80.3%。本研究可為大面積草地物種資源的遙感調(diào)查和監(jiān)測(cè)提供科學(xué)依據(jù)。

高光譜；草地；種類(lèi)；識(shí)別；神經(jīng)網(wǎng)絡(luò)模型

一、引 言

草地是我國(guó)陸地上最大的生態(tài)系統(tǒng)，對(duì)發(fā)展畜牧業(yè)、保護(hù)生物多樣性、保持水土和維護(hù)生態(tài)平衡有著重大的作用和價(jià)值。正確地識(shí)別草地植被種類(lèi)是草地資源利用保護(hù)和區(qū)域生物多樣性的研究的基礎(chǔ)和依據(jù)，現(xiàn)行的草地識(shí)別方法主要是依靠一些成本高、費(fèi)時(shí)、費(fèi)力的野外調(diào)查方法或利用大比例尺的航片來(lái)進(jìn)行判讀。近年來(lái)高光譜遙感發(fā)展迅速，成為當(dāng)前遙感技術(shù)的前沿領(lǐng)域。高光譜遙感可用于草地分類(lèi)和生物量估測(cè)等研究[1]，傳統(tǒng)的草地高光譜研究停留在對(duì)光譜反射特征的分析和比較[2]，此統(tǒng)計(jì)分類(lèi)方法缺乏伸縮性，難以處理大訓(xùn)練集。近年來(lái)，神經(jīng)網(wǎng)絡(luò)模型作為一種基于模式識(shí)別的數(shù)據(jù)挖掘技術(shù)，適宜于高維度的分類(lèi)問(wèn)題，具有較好的自適應(yīng)能力，在多光譜遙感分類(lèi)中得到廣泛應(yīng)用[3-4]。

本文選取了錫林郭勒草原4種典型草地植被為研究對(duì)象，利用光譜微分、相關(guān)性分析、主成分分析提取光譜特征，并采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行草地種類(lèi)識(shí)別。本研究可為航空航天草地類(lèi)型識(shí)別和資源調(diào)查提供科學(xué)依據(jù)。

二、研究區(qū)概況

研究區(qū)草地植被采樣點(diǎn)選在東烏旗、烏拉蓋、蘇尼特右旗和錫林浩特市四地，研究對(duì)象為錫林郭勒草原的4種典型植被：羊草、針茅、日陰菅、隱子草。樣點(diǎn)研究區(qū)屬錫林郭勒草原，平均海拔1000 m左右，氣候呈明顯的溫帶大陸性特征。

三、數(shù)據(jù)與方法

1.采樣方法和數(shù)據(jù)處理

本研究采用美國(guó)ASD公司的FieldSpec-3便攜式光譜儀在研究區(qū)內(nèi)隨機(jī)測(cè)量羊草、針茅、日陰菅、隱子草4種草地植被的高光譜。為去除測(cè)量系統(tǒng)誤差及不確定性因素的干擾，本研究利用ViewSpec Pro對(duì)野外實(shí)測(cè)的典型草地植物光譜數(shù)據(jù)進(jìn)行預(yù)處理，包括去除野外獲取的有明顯錯(cuò)誤的數(shù)據(jù)及反射率大于1和明顯低于正常值的數(shù)據(jù)、清除包含在信號(hào)內(nèi)的少量噪聲、剔除水汽吸收波段[5]。經(jīng)數(shù)據(jù)預(yù)處理后，共得到111個(gè)合格的樣本，其中羊草24個(gè)、針茅42個(gè)、日陰菅25個(gè)、隱子草20個(gè)。本研究?jī)H保留了植物特征明顯且噪聲較小的350—1300 nm作為后續(xù)分析波段，4種草地植被的平均光譜反射率曲線如圖1所示。

2.高光譜特征提取與分析

高光譜數(shù)據(jù)包含的信息豐富，波段數(shù)量多，數(shù)據(jù)量大，如果直接用于分類(lèi)，不僅會(huì)因計(jì)算量過(guò)大而導(dǎo)致分類(lèi)過(guò)程耗時(shí)較長(zhǎng)，增加后續(xù)分析的難度，也可能因引入噪聲而降低分類(lèi)精度。提取植被頻譜波形特征(第一、二導(dǎo)數(shù)，峰，谷等)是降低數(shù)據(jù)維度、保留有用信息、提高分類(lèi)精度、避免休斯現(xiàn)象的有效方法[6]。本研究首先計(jì)算光譜反射率在350—1300 nm內(nèi)的一階微分[7-8]，然后提取紅邊位置、紅邊斜率、紅邊面積、紅谷位置、紅谷值、綠峰位置和綠峰值7個(gè)光譜特征參數(shù)，并以此作為后續(xù)分析和應(yīng)用的基礎(chǔ)。

圖1 錫林郭勒草原典型植被的反射光譜曲線

3.多層感知神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代中后期迅速發(fā)展起來(lái)的一個(gè)前沿領(lǐng)域，因其良好的預(yù)測(cè)性和實(shí)用性被廣泛應(yīng)用于各個(gè)領(lǐng)域[9-10]。本研究采用SPSS Statistics 17.0的Neural Networks模塊構(gòu)建了多層感知神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，以4類(lèi)草地植被類(lèi)型為輸出，以提取的光譜特征參數(shù)為輸入，神經(jīng)網(wǎng)絡(luò)模型的隱藏層數(shù)為1，隱藏層的節(jié)點(diǎn)個(gè)數(shù)為7，且其激活函數(shù)為雙曲正切函數(shù)，優(yōu)化算法采用調(diào)整的共軛梯度法，輸出層的激活函數(shù)為Softmax，誤差函數(shù)為交叉熵。將111個(gè)光譜樣本分為2部分，81個(gè)作為訓(xùn)練樣本，剩下30個(gè)作為測(cè)試樣本。

四、結(jié)果與分析

1.草地光譜特征分析

從4種草地光譜曲線(如圖1所示)可以看出，羊草的光譜反射率總體上高于其他3類(lèi)植被光譜，尤其是在800—1300 nm和350—500 nm之間，羊草的反射率都明顯其他3類(lèi)草地。針茅、日陰菅和隱子草光譜反射率較為一致，但日陰菅光譜在350—500 nm之間光譜反射率最低，而在1100—1300 nm之間，其反射率最高，日陰菅這一波譜特征較為明顯。而針茅和隱子草的光譜較為接近，尤其是在可見(jiàn)光范圍內(nèi)，光譜差別較少，僅在近紅外隱子草較針茅光譜反射率大，但差距也不大。

為了進(jìn)一步分析4類(lèi)草地光譜的特征，對(duì)光譜數(shù)據(jù)進(jìn)行一階微分處理后，分別提起了所選的7個(gè)特征參數(shù)，各特征參數(shù)的平均值、標(biāo)準(zhǔn)差和變異系數(shù)見(jiàn)表1?？傮w來(lái)看，紅邊、綠峰和紅谷位置變異系數(shù)小，而紅邊斜率、紅邊面積、綠峰值和紅谷值變異系數(shù)相對(duì)較大，其中紅谷值的變異系數(shù)總體來(lái)說(shuō)最大，針茅的紅谷值變異系數(shù)達(dá)35.98%。盡管紅邊位置、綠峰位置和紅谷位置的變異系數(shù)總體不大，這也從側(cè)面印證了3個(gè)特征參數(shù)的波段值較為穩(wěn)定，是植被光譜的特征性波段，同時(shí)也可以看出4種草地光譜之間對(duì)應(yīng)的紅邊、綠峰和紅谷位置較為接近，其中就紅邊位置來(lái)看，羊草＞針茅＞隱子草＞日陰菅，而針茅和日陰菅相差1 nm，差距最小。此外，羊草的紅邊斜率和綠峰值高于其他3種草地植被，日陰菅的紅邊斜率、綠峰值和紅谷值最低。

表1 特征參數(shù)的平均值、標(biāo)準(zhǔn)差、變異系數(shù)

2.草地光譜特征參量提取

為了進(jìn)一步提取特征參數(shù)，降低用于草地種類(lèi)光譜分類(lèi)的維度，本研究對(duì)7個(gè)特征參數(shù)進(jìn)行了相關(guān)分析和主成分分析，分析結(jié)果見(jiàn)表2、表3和表4。從相關(guān)系數(shù)矩陣(表2)可以看出，紅邊斜率與紅邊面積、綠峰值與紅谷值具有加強(qiáng)的相關(guān)性，其他變量間相關(guān)性不強(qiáng)，其中紅邊斜率與紅邊面積的相關(guān)系數(shù)達(dá)0.978，綠峰值與紅谷值的相關(guān)系數(shù)為0.802，都呈正相關(guān)。從主成分分析(表3)可以看出，前3個(gè)主分量累計(jì)貢獻(xiàn)就達(dá)85.13%，表4是提取的前3個(gè)主分的因素矩陣，從中可以看出紅邊斜率、紅邊面積和綠峰值主要構(gòu)成了主成分1，綠峰值和紅谷值主要構(gòu)成了主成分2，而成分3主要是由紅谷位置構(gòu)成的，而紅邊位置對(duì)3個(gè)主分的貢獻(xiàn)率較低，分別只有0.434、-0.239和0.644。因此，通過(guò)相關(guān)性和主成分分析可以看出，所提取的7個(gè)特征參量中，紅邊斜率與紅邊面積、綠峰值與紅谷值之間的相關(guān)性較大，并且從構(gòu)成前3個(gè)主分的特征變量來(lái)看，紅邊位置特征貢獻(xiàn)較小，為了降低應(yīng)用光譜進(jìn)行草地類(lèi)別識(shí)別的維度，后續(xù)利用神經(jīng)網(wǎng)絡(luò)進(jìn)行草地種類(lèi)光譜劃分時(shí)不再考慮紅邊面積、紅谷值和紅邊位置3個(gè)特征參量。

表2 相關(guān)系數(shù)矩陣

表3 方差分解主成分提取分析

表4 主成分矩陣

3.草地種類(lèi)識(shí)別

根據(jù)草地光譜特征參量提取結(jié)果，以紅邊斜率、綠峰值、綠峰位置和紅谷位置4個(gè)變量為神經(jīng)網(wǎng)絡(luò)的輸入，其分類(lèi)結(jié)果見(jiàn)表5。從表中可以看出，訓(xùn)練總體精度為80.20%，測(cè)試的總體精度達(dá)83.30%，測(cè)試和訓(xùn)練精度較高、且較為平穩(wěn)。在4種草地種類(lèi)中，日陰菅的精度最高，測(cè)試樣本沒(méi)有錯(cuò)分情況；羊草的訓(xùn)練精度較低，而測(cè)試精度較高，精度較不穩(wěn)定，主要錯(cuò)分到針茅和日陰菅兩類(lèi)；隱子草主要錯(cuò)分到羊草和針茅；針茅主要錯(cuò)分到了羊草。以上4類(lèi)草地種類(lèi)的識(shí)別精度分析可以看出，盡管特征參量的變異系數(shù)大，造成類(lèi)間不易劃分，但由于神經(jīng)網(wǎng)絡(luò)在自學(xué)習(xí)、自組織和自適應(yīng)的優(yōu)勢(shì)，基于神經(jīng)網(wǎng)絡(luò)的草地種類(lèi)識(shí)別總體精度較高。

同時(shí)，為了比較特征變量篩選對(duì)草地種類(lèi)識(shí)別的影響，以最初所選的7個(gè)特征變量為輸入，神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置相同，訓(xùn)練和測(cè)試樣本不變，其草地種類(lèi)識(shí)別結(jié)果見(jiàn)表6。從表中可以看出，相比篩選后的4變量草地種類(lèi)識(shí)別精度，訓(xùn)練和測(cè)試精度都有所降低，其中訓(xùn)練精度下降不多，測(cè)試精度從83.3%下降到69%，除了日陰菅的4變量訓(xùn)練分類(lèi)精度從80%升高到90%外，其他草地種類(lèi)識(shí)別精度基本都是降低，而針茅識(shí)別精度相對(duì)穩(wěn)定，精度降低很小，羊草和隱子草分類(lèi)精度降低較大。從以上分析可以得出，總體來(lái)看，經(jīng)過(guò)特征變量篩選后，通過(guò)去除變量間冗余信息量，能夠提高草種類(lèi)識(shí)別精度，說(shuō)明特征變量的篩選很重要，對(duì)后續(xù)分析和應(yīng)用能產(chǎn)生影響，并不是變量越多越好。

表5 4個(gè)特征變量神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果

表6 7個(gè)特征變量神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果

五、結(jié)論與展望

本研究采集并分析了錫林郭勒草原羊草、針茅、日陰菅、隱子草的光譜特征，研究發(fā)現(xiàn)4種草地的光譜較為相似，其中羊草在800—1300 nm和350—500 nm間的光譜反射率高于其他3種草地光譜，日陰菅光譜在350—500 nm之間光譜反射率最低，在1100—1300 nm之間反射率最高。通過(guò)一階微分光譜提取了紅邊位置、紅邊斜率、紅邊面積、紅谷位置、紅谷值、綠峰位置和綠峰值7個(gè)草地特征參數(shù)，采用相關(guān)分析和主成分分析發(fā)現(xiàn)，紅邊斜率與紅邊面積、綠峰值與紅谷值之間的相關(guān)性較大，構(gòu)成前3個(gè)主分量的特征變量來(lái)看，紅邊位置特征貢獻(xiàn)較小。根據(jù)光譜特征提取結(jié)果，以紅邊斜率、綠峰值、綠峰位置和紅谷位置作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行草地種類(lèi)的識(shí)別，草地種類(lèi)識(shí)別精度達(dá)83.30%，神經(jīng)網(wǎng)絡(luò)作為數(shù)據(jù)挖掘的有效手段，能較好識(shí)別不同草地光譜，進(jìn)而劃分出不同草地種類(lèi)。本研究可為基于遙感技術(shù)開(kāi)展錫林郭勒草原草地資源的植被分類(lèi)、調(diào)查與動(dòng)態(tài)監(jiān)測(cè)等提供技術(shù)支撐。

[1] 吳建付，陳功，楊紅麗，等.利用高光譜技術(shù)進(jìn)行草地地上生物量估測(cè)[J].草業(yè)與畜牧，2009(4)：1-3.

[2] 楊紅飛，李建龍，穆少杰，等.新疆三種主要草地植被類(lèi)型的高光譜反射特征研究[J].草業(yè)學(xué)報(bào)，2012，21 (6)：258-266.

[3] 張友水，馮學(xué)智，阮仁宗，等.基于GIS的BP神經(jīng)網(wǎng)絡(luò)遙感影像分類(lèi)研究[J].南京大學(xué)學(xué)報(bào)：自然科學(xué)版，2003，39(6)：806-813.

[4] 楊國(guó)鵬，余旭初，馮伍法，等.高光譜遙感技術(shù)的發(fā)展與應(yīng)用現(xiàn)狀[J].測(cè)繪通報(bào)，2008(10)：1-4.

[5] 龍娟.基于光譜特征分析的野鴨湖濕地典型植物信息提取方法研究[D].北京：首都師范大學(xué)，2011.

[6] 蓋穎穎，范聞捷，徐希孺，等.基于高光譜數(shù)據(jù)的呼倫貝爾草原花期物種識(shí)別和覆蓋度估算[J].光譜學(xué)與光譜分析，2011，31(10)：2778-2783.

[7] 林文鵬，趙敏，張翼飛，等.基于SPOT遙感影像的城市森林葉面積指數(shù)反演[J].測(cè)繪科學(xué)，2008，33 (2)：57-60.

[8] 方紅亮，田慶久.高光譜遙感在植被監(jiān)測(cè)中的研究綜述[J].遙感技術(shù)與應(yīng)用，1998，13(1)：62-69.

[9] 王三明，蔣軍成，姜慧.基于人工神經(jīng)網(wǎng)絡(luò)理論的系統(tǒng)安全評(píng)價(jià)[J].工業(yè)安全與防塵，2001，27(2)：27-30.

[10] 錢(qián)育蓉，賈振紅，于炯，等.BP-ANN在荒漠草地高光譜分類(lèi)研究中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(12)：225-228.

Identification of Grass Species Based on Hyperspectrum——A Case Study of Xilin Gol Grassland

ZHANG Fuhua，HUANG Mingxiang，ZHANG Jing，BAO Gang，BAO Yuhai

P237

B

0494-0911(2014)07-0066-04

2014-03-03

內(nèi)蒙古自然科學(xué)基金(2011BS0609；2012MS0607)；內(nèi)蒙古自治區(qū)科技計(jì)劃(20110524)；國(guó)家自然科學(xué)基金(40901233)

張富華(1987—)，女，山東日照人，碩士生，研究方向?yàn)檫b感與GIS應(yīng)用。

黃明祥

張富華，黃明祥，張晶，等.利用高光譜識(shí)別草地種類(lèi)的研究——以錫林郭勒草原為例[J].測(cè)繪通報(bào)，2014(7)：66-69.

10.13474/ j.cnki.11-2246.2014.0228