基于高光譜數(shù)據(jù)季相特征的山地草甸植被分類識(shí)別

鄭 奕，王 瑤，劉 艷*

1.中國氣象局烏魯木齊沙漠氣象研究所，新疆 烏魯木齊 830002 2.中亞大氣科學(xué)研究中心，新疆 烏魯木齊 830002 3.新疆樹木年輪生態(tài)實(shí)驗(yàn)室，新疆 烏魯木齊 830002

引 言

近年來，由于氣候變化及人為干擾強(qiáng)度增加，天山山區(qū)草地生態(tài)嚴(yán)重失衡，天然草地面積逐漸減少，部分草地類型發(fā)生退化。天山北坡山地草甸是全區(qū)草地生產(chǎn)力最高的草地類型，也是退化較為嚴(yán)重[1]、草畜矛盾突出的區(qū)域。草地退化是一個(gè)由量變到質(zhì)變的發(fā)展過程，表現(xiàn)為草地生態(tài)系統(tǒng)的物種個(gè)體，種群特征、群落組成等發(fā)生著不同程度的演變。因此，對(duì)草地植被進(jìn)行分類識(shí)別，監(jiān)測(cè)草地生態(tài)系統(tǒng)本底狀況，可以快速、準(zhǔn)確、有效的評(píng)價(jià)草地退化動(dòng)態(tài)與程度，是進(jìn)行生態(tài)重建的關(guān)鍵。傳統(tǒng)的草地資源實(shí)地考察的監(jiān)測(cè)方法難以實(shí)現(xiàn)對(duì)偏遠(yuǎn)地區(qū)監(jiān)測(cè)及快速資源調(diào)查評(píng)估的需要；多光譜遙感監(jiān)測(cè)精度較低，無法對(duì)植被種類進(jìn)行識(shí)別，難以獲取草地持續(xù)退化過程中優(yōu)勢(shì)種和群落組成變化的精細(xì)信息，對(duì)于部分毒雜草叢生或“逆向”演替的退化草地類型具有明顯的局限性。因此，尋求一種適用的草地植被分類識(shí)別方法具有十分重要的意義。

高光譜遙感技術(shù)的發(fā)展，為草地監(jiān)測(cè)提供了前所未有的數(shù)據(jù)源。高光譜遙感數(shù)據(jù)具有光譜分辨率高、信息量大的特點(diǎn)，能夠更為全面、細(xì)致的獲取地物光譜特征及其差異性，從而大幅度提高地物分類的類別精細(xì)度和準(zhǔn)確度[2]。目前國內(nèi)的相關(guān)分類識(shí)別研究主要集中在利用地面實(shí)測(cè)高光譜數(shù)據(jù)，通過波段選擇和特征提取，結(jié)合支持向量機(jī)(support vector machine，SVM)[3]、決策樹[4]、邏輯回歸[5]及極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)[6]等分類器對(duì)植被進(jìn)行分類識(shí)別，取得了較好的分類效果。如林川等分析和對(duì)比了不同植物生態(tài)類型的光譜特征，選定用于識(shí)別植物生態(tài)類型的光譜特征變量，最后應(yīng)用非線性的反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)與線性判別分析(FLDA)的類型識(shí)別方法，對(duì)濕地植物生態(tài)類型進(jìn)行了識(shí)別[7]。肖波等采集了6個(gè)草地早熟禾品種新鮮葉片的高光譜圖像，提取了葉片的光譜信息，運(yùn)用逐步判別分析法選擇特征波段，采用Fisher線性判別法，構(gòu)建草地早熟禾品種的判別分析模型, 為快速識(shí)別草地早熟禾品種提供了一種新的方法[8]。但是，高光譜遙感精細(xì)分類中仍存在“維數(shù)災(zāi)難”(Hughes現(xiàn)象)及椒鹽噪聲嚴(yán)重影響分類結(jié)果的應(yīng)用[2]。有效降低高光譜數(shù)據(jù)的維數(shù)、選擇特征波段以及提高光譜圖像的信噪比和質(zhì)量仍是高光譜數(shù)據(jù)處理和應(yīng)用中亟待解決的關(guān)鍵問題[9]。另外，由于草地植被的光譜曲線特征差異性不大，存在“同物異譜”和“異物同譜”現(xiàn)象，加上植被在生長發(fā)育的不同階段，植被的外部形態(tài)特征到內(nèi)部的葉綠素含量、含水量都會(huì)發(fā)生變化，其光譜特征也會(huì)隨之變化，都會(huì)影響分類識(shí)別的精度?，F(xiàn)階段的研究大多采取植被成熟時(shí)期的光譜數(shù)據(jù)進(jìn)行植被識(shí)別，而缺少時(shí)間過程的多時(shí)相地物光譜數(shù)據(jù)綜合分析、目標(biāo)識(shí)別研究。如何使植被類型間的差異加大，增強(qiáng)植被的可分性，提高分類精度還有待更多的研究實(shí)例進(jìn)行驗(yàn)證。

基于此，選擇新疆天山北坡中段山地草甸典型植被作為研究對(duì)象，采集了多季相(4個(gè)關(guān)鍵生育期)植被原始反射光譜數(shù)據(jù)，然后通過多項(xiàng)式卷積平滑(Savitzky-Golay，S-G)對(duì)實(shí)測(cè)高光譜數(shù)據(jù)進(jìn)行平滑除噪，再利用最小噪聲分離(minimum noise fraction，MNF)變換進(jìn)行降維處理，構(gòu)建多種分類模型進(jìn)行植物識(shí)別；一方面研究了不同季相草地植被的辨識(shí)精度，另一方面通過選用不同的分類識(shí)別算法，探索適用于新疆山地草甸植被的高光譜分類識(shí)別方法。

1 研究方法

1.1 研究區(qū)概況

研究區(qū)位于天山北麓中段白楊溝的中天山草地生態(tài)氣象監(jiān)測(cè)野外基地，海拔2 050.0 m，年平均氣溫2.4 ℃，年平均總?cè)照諘r(shí)數(shù)2 429 h，年降水量468 mm，年平均蒸發(fā)量1 194 mm，土壤為栗鈣土。該基地草場(chǎng)類型屬山地草甸，建群種主要有禾本科牧草(老芒麥ElymussibiricusL.、草地早熟禾PoapratensisL.等)、豆科牧草(黃芪AstragaluspenduliflorusLam.等)及典型的退化指示種(草原糙蘇Phlomispratensiskar.et Kir.、草原老鸛草GeraniumpratenseL.、綠草莓FragariaviridisDuch.、委陵菜PotentillachinensisSer.、火絨草Leontopodiumleontopodioides(Willd.)Beauv.)等，局部地段生長有中生灌木，其氣候特點(diǎn)和自然植被類型具有較好的代表性。

圖1 研究區(qū)地理位置及典型植被組成圖(圖中黑框區(qū)域?yàn)樘焐缴絽^(qū))

1.2 高光譜數(shù)據(jù)的采集

植物光譜觀測(cè)采用美國的高光譜成像光譜儀(SOC710VP)，波長范圍是400～1 000 nm，光譜分辨率為4.7 nm，波段數(shù)為128個(gè)，所獲取的高光譜圖像具有圖譜合一的特點(diǎn)，圖像上每一個(gè)像元點(diǎn)都包含著豐富的光譜信息，構(gòu)成光譜數(shù)據(jù)立方體。選擇晴朗、無云、光照條件較好的天氣進(jìn)行測(cè)量，時(shí)間為12：00—14：00。測(cè)定植被冠層光譜時(shí)，應(yīng)保證測(cè)定區(qū)域內(nèi)植被類型具有代表性。觀測(cè)時(shí)傳感器方向垂直向下，高度0.6 m，同時(shí)記錄觀測(cè)時(shí)間、天氣狀況、樣地經(jīng)緯度、植被類型情況。測(cè)量的時(shí)點(diǎn)包含山地草甸典型植被的返青期(4月)、分蘗(枝)期(5月)、花期(6月—7月)及黃枯期(9月)。采用定點(diǎn)觀測(cè)，每個(gè)測(cè)點(diǎn)采集5景高光譜圖像，一個(gè)測(cè)點(diǎn)整個(gè)生長季共采集了20景高光譜圖像，選取其中質(zhì)量最好的4景作為實(shí)驗(yàn)樣本，優(yōu)勢(shì)植物主要為老芒麥、草原糙蘇、草原老鸛草和綠草莓。

圖2 植被不同時(shí)期高光譜圖像

1.3 高光譜數(shù)據(jù)處理方法

高光譜數(shù)據(jù)采集后，剔除數(shù)據(jù)有明顯異常的波段，截取的波段范圍為406～997 nm，共計(jì)115個(gè)波段，先利用SRAnal710軟件進(jìn)行高光譜數(shù)據(jù)標(biāo)定及反射率轉(zhuǎn)換處理，再用ENVI5.3軟件進(jìn)行數(shù)據(jù)分析。

1.3.1 平滑去噪處理

采用多項(xiàng)式卷積平滑(S-G)對(duì)高光譜數(shù)據(jù)進(jìn)行平滑去噪，它是一種在時(shí)域內(nèi)基于局部多項(xiàng)式最小二乘擬合的濾波方法，該方法的最大優(yōu)點(diǎn)在于濾波噪聲的同時(shí)可以確保信號(hào)的形狀和寬度不變，較好地保留了圖像細(xì)節(jié)。由于該算法不受圖像數(shù)據(jù)本身限制，因而提高了平滑去噪的適用性。其計(jì)算公式如式(1)

(1)

1.3.2 降維處理

由于高光譜數(shù)據(jù)波段數(shù)較多，有些波段質(zhì)量不佳，將其直接作為模型輸入將會(huì)導(dǎo)致數(shù)據(jù)過大，影響速度和精度。同時(shí)為了克服Hughes現(xiàn)象，選用最小噪聲分離(MNF)變換對(duì)高光譜數(shù)據(jù)進(jìn)行降維和波段優(yōu)選以提高建模速度、減少計(jì)算量。MNF是針對(duì)一組多元隨機(jī)變量構(gòu)造線性變換，得到一組相互正交的結(jié)果變量，變換的目標(biāo)是使結(jié)果變量的信噪比最大化[9]。其本質(zhì)上是兩次疊置的主成分變換，第一次變換(基于估計(jì)的噪聲協(xié)方差矩陣)用于分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，這步操作使變換后的噪聲數(shù)據(jù)只有最小的方差且沒有波段間的相關(guān)；第二步是對(duì)噪聲白化數(shù)據(jù)(noise-whitened)進(jìn)行主成分變換，具體相關(guān)推導(dǎo)公式見文獻(xiàn)[9]。

1.4 分類識(shí)別方法

分別利用支持向量機(jī)分類(support vector machine，SVM)、人工神經(jīng)網(wǎng)絡(luò)分類(artificial neural network，ANN)及波譜角填圖(spectral angle mapper，SAM)這三種常用的高光譜數(shù)據(jù)分類方法對(duì)研究區(qū)植被進(jìn)行分類識(shí)別，并對(duì)分類精度進(jìn)行綜合評(píng)價(jià)與比較分析。

1.4.1 支持向量機(jī)

近期的研究表明SVM的方法在高光譜遙感數(shù)據(jù)監(jiān)督分類方面具有相當(dāng)大的潛力，能獲得比神經(jīng)網(wǎng)絡(luò)、決策樹和最大似然等概率分類方法更高的精度，其分類原理及具體公式見文獻(xiàn)。在SVM中需要指定一個(gè)重要參數(shù)為懲罰系數(shù)C(表示對(duì)誤差的寬容度)，C越大，說明越不能容忍出現(xiàn)誤差，容易過擬合，即訓(xùn)練集準(zhǔn)確率可能很高而測(cè)試集準(zhǔn)確率不高；C越小，容易欠擬合[10]。另外，SVM中的核函數(shù)及其參數(shù)的選擇也很重要，直接影響到SVM的分類效果，常用的核函數(shù)有線性核(linear)、多項(xiàng)式核(polynomial)、Sigmoid核與徑向基核(radial basis function)4種。其公式如下：

(1)線性核(linear)

k(xi,xj)=xixj

(2)

(2)多項(xiàng)式核(polynomial)

k(xi,xj)=(xixj+c)d

(3)

(3)Sigmoid核

k(xi,xj)=tanh[μ(xixj)+ν]

(4)

(4)徑向基核(radial basis function)

(5)

其中，c，d，μ，ν和σ2均為參數(shù)。

1.4.2 人工神經(jīng)網(wǎng)絡(luò)

ANN指用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識(shí)別、記憶、思考過程。其中誤差反向傳播算法(back propagation，BP)應(yīng)用最為廣泛，它通常指多層前向神經(jīng)網(wǎng)絡(luò)，含有輸入層、輸出層以及處于輸入輸出層之間的隱含層，如果進(jìn)行非線性分類，輸入的區(qū)域并非線性分類或需要兩個(gè)超平面才能區(qū)分類別的時(shí)候，隱含層數(shù)設(shè)置為大于或等于一。隱含層的狀態(tài)影響輸入與輸出之間的關(guān)系，改變隱含層的權(quán)系數(shù)，可以改變整個(gè)多層神經(jīng)網(wǎng)絡(luò)的性能，本文使用的是算法較成熟的前饋三層BP網(wǎng)絡(luò)模型(BP-ANN)，有關(guān)模型的算法詳見文獻(xiàn)[7, 10]。

1.4.3 波譜角填圖

SAM是高光譜圖像分類中較常用的方法，該方法從考慮光譜維的信息出發(fā)，強(qiáng)調(diào)了光譜的形狀特征，通過計(jì)算待測(cè)光譜與參考光譜之間的“角度”來確定兩者之間的相似性。每個(gè)光譜都看成n維空間的一個(gè)向量，第i個(gè)向量和第j個(gè)向量之間存在一個(gè)夾角θij，夾角的余弦值稱為相似系數(shù)，如式(6)

(6)

式(6)中，i和j均為n維空間向量，X為向量對(duì)應(yīng)的值。光譜角值越小，其余弦值越接近1，待測(cè)光譜與參考光譜就越相似，地物特征信息也就越相似，歸為一類的可能性就越高[11]。

1.5 精度評(píng)價(jià)

衡量分類算法性能的2個(gè)指標(biāo)分別為總體分類精度、Kappa系數(shù)，值域范圍均為[0，1]，2個(gè)指標(biāo)的值越接近1，說明算法的性能越好?？傮w分類精度為所有正確識(shí)別的樣本數(shù)與總驗(yàn)證樣本數(shù)的比值，其公式如式(7)[12]

(7)

式(7)中，N為樣本總數(shù)，m為地物類型數(shù)，Pii為混淆矩陣第i行第i列的像元數(shù)(即地物i被正確識(shí)別的樣本量)。

Kappa系數(shù)是另一種衡量圖像整體分類精度的指標(biāo)，既考慮了對(duì)角線上被正確分類的像元，又考慮了不在對(duì)角線上的各種漏分和錯(cuò)分誤差，其值越大，分類結(jié)果與真實(shí)地物類型的一致性越好，其公式如式(8)

(8)

式(8)中，Pi+和P+i分別為混淆矩陣第i行和第i列的像元總數(shù)。

2 結(jié)果與討論

2.1 原始光譜曲線經(jīng)Savitzky-Golay濾波后效果

圖3為幾種優(yōu)勢(shì)植物不同季相光譜曲線平滑去噪處理前后對(duì)比，可以看出，草地植被未經(jīng)平滑去噪處理的原始光譜，其鋸齒狀的波動(dòng)不利于光譜特征的判斷和提取，經(jīng)過Savitzky-Golay濾波算法處理后，對(duì)比原始曲線，大部分噪音得以去除，且濾波后的曲線平滑度較高。平滑處理在剔除干擾值的同時(shí)，保持了原始曲線的基本特征，并突出刻畫了波峰與波谷相交替的狀態(tài)，較好的體現(xiàn)了植物生長的變化特征。

圖3 不同季相優(yōu)勢(shì)植物光譜曲線平滑去噪處理前后對(duì)比

2.2 不同季相優(yōu)勢(shì)植物光譜特征變化

圖4反映了草原糙蘇、綠草莓、草原老鸛草、老芒麥等4種山地草甸優(yōu)勢(shì)植物在不同季相的光譜曲線響應(yīng)變化，在可見光波段400～420 nm處的吸收谷，稱為“藍(lán)谷”，反映了植物光合作用色素(葉綠素、類胡蘿卜素)對(duì)藍(lán)光的吸收特征。

在可見光波段550 nm附近是葉綠素的綠色強(qiáng)反射區(qū)，形成一個(gè)反射峰，即“綠峰”，返青期的“綠峰”幅值最高，說明這個(gè)時(shí)期植被葉綠素含量較高。在植物分蘗(枝)期及花期，“綠峰”均不同程度向藍(lán)光方向偏移，這是因?yàn)殡S著植被的生長，葉綠素濃度增加，植物光合作用增強(qiáng)。黃枯期這幾種植物的葉片開始黃化，生物量減少，葉綠素缺乏使植物在葉綠素吸收帶上的吸收減少，“綠峰”又向紅光方向偏移。如綠草莓、草原老鸛草黃枯期的“綠峰”位置偏移到640 nm左右。表現(xiàn)最為明顯的是草原糙蘇，黃枯期地上部分大多凋落或枯黃，綠色葉片大量減少，光譜曲線無明顯“綠峰”和植物光譜特征，已呈現(xiàn)出土壤的光譜反射特征，只是反射率要高于土壤，這是由于草原糙蘇枯葉表面比較光滑，在測(cè)量光譜過程中，入射光照射到枯葉表面會(huì)有一部分產(chǎn)生反射，使其反射率比土壤的反射率要大，這和已有的一些研究結(jié)論相同[13]。

在可見光波段670～700 nm處的吸收谷，稱為“紅谷”，是植物光合作用吸收最強(qiáng)的波段范圍。隨著植被的生長，有“紅谷”藍(lán)移現(xiàn)象。由圖4還可以看出，分蘗(枝)期(5月)為植被生長旺期，葉綠素含量較高，幾種植物對(duì)紅光的吸收較強(qiáng)，“紅谷”幅值基本都是全生長季最小。

圖4 優(yōu)勢(shì)植物在4個(gè)關(guān)鍵生育期的光譜曲線對(duì)比圖

在近紅外波段700～750nm區(qū)域，植被葉面反射率急劇增大，出現(xiàn)反射“陡坡”，稱為“紅邊”?！凹t邊”斜率主要與植被覆蓋度或葉面積指數(shù)有關(guān)，覆蓋度越高，葉綠素含量越高，紅邊的斜率越大。另外，植被生長旺盛時(shí)期，植被生物量、色素含量高，紅邊位置會(huì)向紅光方向偏移，到黃枯期，又向藍(lán)光方向偏移。

近紅外波段750～950 nm是一個(gè)相對(duì)平坦、反射率較高的區(qū)域，它主要由植被葉片內(nèi)部結(jié)構(gòu)決定。在這個(gè)范圍內(nèi)，不同植被在不同季節(jié)，其光譜反射率是不同的。幾種植物返青期草地光譜反射率值均不同程度高于其他時(shí)期的草地反射率值，主要是因?yàn)榉登嗥诓莸厣L狀況良好，葉面積指數(shù)較大，葉綠素含量較高。黃枯期則因植被地上部分大多凋落或枯黃，綠色葉片大量減少，反射率受到土壤光譜干擾而呈現(xiàn)數(shù)值偏高的現(xiàn)象。

通過以上分析，可以看出幾種植物雖然具有相同的反射率變化特征，即波峰、波谷等特征出現(xiàn)的位置基本一致。但在生長的不同階段，由于葉綠素含量差異影響到植物光合作用效率，葉綠素含量越低，藍(lán)、紅波段吸收減弱，可見光波段反射率升高，近紅外反射率減弱，反之葉綠素含量越多，藍(lán)、紅波段吸收增強(qiáng)，可見光波段反射率降低，近紅外反射率增強(qiáng)，導(dǎo)致光譜特征存在細(xì)微差別，主要體現(xiàn)在“綠峰”、“紅谷”及“紅邊”等參數(shù)差異較大，其位置會(huì)根據(jù)植被健康狀況、成熟狀態(tài)等發(fā)生偏移，因此可以通過不同季相光譜曲線的細(xì)小差別實(shí)現(xiàn)對(duì)植被的精細(xì)分類。

2.3 多種方法分類結(jié)果與精度評(píng)價(jià)

基于同一樣地采樣數(shù)據(jù)，在對(duì)原始數(shù)據(jù)進(jìn)行降維除噪后，分別采用SVM，BP-ANN和SAM三種方法進(jìn)行分類。采用ENVI5.3軟件提取高光譜圖像的感興趣區(qū)域(region of interest，ROI)，為了保證精度驗(yàn)證的準(zhǔn)確性，建模樣本與驗(yàn)證樣本必須彼此獨(dú)立，重新選取ROI作為驗(yàn)證樣本來計(jì)算混淆矩陣。不同季相不同植物建模樣本和驗(yàn)證樣本的比例大致為2∶1。

2.3.1 SVM分類器的構(gòu)建與評(píng)價(jià)

篩選出Polynomial核函數(shù)和RBF核函數(shù)構(gòu)建SVM分類器，徑向基核函數(shù)除了受懲罰系數(shù)C影響，還受核函數(shù)寬度參數(shù)σ2影響，σ2間接地決定了數(shù)據(jù)映射到新特征空間后的分布狀況，值越大，支持向量越少，可能會(huì)造成過擬合；值越小，支持向量越多，可能出現(xiàn)大的平滑效應(yīng)，無法在訓(xùn)練集上得到特別高的準(zhǔn)確率，影響最終測(cè)試集的分類準(zhǔn)確率。因此，C與σ2的選擇需要維持一種動(dòng)態(tài)平衡，不僅要有較高的測(cè)試集分類準(zhǔn)確率，而且還要保證分類器的通用性、泛化性等性能。SVM模型的分類及檢驗(yàn)結(jié)果如表1所示。

表1 高光譜數(shù)據(jù)支持向量機(jī)建模結(jié)果

結(jié)果表明，不管是采用多項(xiàng)式核函數(shù)還是采用高斯徑向基核函數(shù)，利用SVM對(duì)山地草甸植被高光譜數(shù)據(jù)進(jìn)行分類均取得了較理想的效果。尤其在返青期和分蘗(枝)期分類精度較高，總體分類精度均超過了95%，Kappa系數(shù)也超過了0.94，其中分蘗(枝)期Polynomial-SVM分類精度達(dá)到97.86%，Kappa系數(shù)為0.97。利用SVM方法進(jìn)行分類時(shí)，在植物生長旺盛期(4月—5月)Polynomial核函數(shù)分類精度較高，植物成熟期(6月—9月)徑向基核(RBF)函數(shù)分類精度較高。

2.3.2 其他分類方法的比較

為了驗(yàn)證SVM對(duì)高光譜數(shù)據(jù)分類的優(yōu)勢(shì)，又利用BP-ANN及SAM分類方法進(jìn)行了比較分析，具體分類結(jié)果見表2。

表2 多種方法分類結(jié)果與評(píng)價(jià)

在常用的高光譜數(shù)據(jù)分類方法中，BP-ANN為學(xué)習(xí)型機(jī)制，通過誤差逆?zhèn)鞑ニ惴ú粩嘤?xùn)練模型實(shí)現(xiàn)分類，但是針對(duì)高光譜數(shù)據(jù)的不確定性、高維數(shù)等分類效果不夠理想。由表2可以看出，除了分蘗(枝)期分類精度較高，總體分類精度為91.07%，Kappa系數(shù)為0.89，其他時(shí)期分類效果一般。另外，在樣本數(shù)量較大時(shí)，BP-ANN模型訓(xùn)練較為耗時(shí)，分類效率較低，雖然在MNF變換降維后能極大的縮短數(shù)據(jù)處理時(shí)間，但分類時(shí)間還是較其他兩種分類方法都長。該方法在黃枯期的分類精度略高于SVM和SAM分類方法，總體分類精度為89.90%，Kappa系數(shù)為0.88。

SAM分類也是高光譜分類的常用方法，雖然有訓(xùn)練樣本數(shù)量少，分類速度快的優(yōu)點(diǎn)，但是在植被各季相的分類結(jié)果精度均不高，最高值為分蘗(枝)期的總體分類精度77.80%，Kappa系數(shù)為0.73。這是因?yàn)镾AM算法把光譜角測(cè)度作為一種全局性的訓(xùn)練樣本對(duì)整個(gè)光譜向量集進(jìn)行相似性測(cè)量，當(dāng)?shù)匚镱悇e內(nèi)部存在一定的差異時(shí)，這種方法對(duì)局部特征和輻射強(qiáng)度并不敏感，且易受噪聲影響，導(dǎo)致分類精度下降[14]。另外，由于所有高光譜的波段都參與影像分類，也容易產(chǎn)生Hughes現(xiàn)象。

比較以上三種分類方法，可以看出，在植被生長旺盛期(4月—5月)的光譜曲線特征比黃枯期的光譜曲線特征更容易區(qū)分，因此這個(gè)時(shí)期比較適合進(jìn)行草地植被分類，精度較高。三種方法對(duì)花期的分類精度都有所降低，可能是因?yàn)檫@個(gè)時(shí)期部分植物的葉片受葉黃素、花青素等色素影響有變色現(xiàn)象；另外，花期草甸植被植株較其他時(shí)期明顯增高，受采集時(shí)風(fēng)速的影響，高光譜影像上部分區(qū)域出現(xiàn)些許條紋偏移，也是致使花期植被分類精度降低的原因。這幾種常用的高光譜分類方法對(duì)于植被黃枯期的分類精度均不高，原因大致是因?yàn)辄S枯期植被大多呈現(xiàn)枯黃狀態(tài)，地上部分凋落或者萎蔫，葉片葉綠素含量減少，植被稀疏及土壤裸露，植被光譜反射率受到下墊面反射光譜影響造成分類精度降低，因此，植被黃枯期不適合對(duì)植被進(jìn)行分類與識(shí)別。

綜上所述，SVM算法以數(shù)學(xué)統(tǒng)計(jì)方法和優(yōu)化技術(shù)為基礎(chǔ)，分類器結(jié)構(gòu)簡單、容易訓(xùn)練、收斂速度快、具有很高的分類精度，與神經(jīng)網(wǎng)絡(luò)方法和波譜角填圖方法相比具有一定的優(yōu)勢(shì)，是一種有效的草地植被分類識(shí)別方法，但是在核函數(shù)和最優(yōu)參數(shù)組合的選擇方面仍然是一個(gè)難點(diǎn)。植物生長旺盛期基于Polynomial核函數(shù)的SVM分類器精度較高，植物成熟期基于RBF核函數(shù)的SVM分類器精度較高。

3 結(jié) 論

針對(duì)草地植被光譜相似度高、難以分類識(shí)別等特點(diǎn)，利用S-G濾波及MNF變換預(yù)處理結(jié)合不同核函數(shù)的SVM分類方法，對(duì)比BP-ANN及SAM等幾種常用的高光譜數(shù)據(jù)分類方法，統(tǒng)計(jì)分析得出以下結(jié)論：

(1)使用S-G濾波及MNF變換預(yù)處理方法可以有效的對(duì)高光譜數(shù)據(jù)進(jìn)行降維除噪，獲得較平滑的光譜曲線，減少了數(shù)據(jù)的冗余程度并縮短了分類時(shí)間。

(2)不同季相的植被因結(jié)構(gòu)特征、色素含量和含水量等不同造成光譜曲線差異，“綠峰”、“紅谷”及“紅邊”參數(shù)等均存在差異。在植被生長旺盛期(4月—5月)的光譜曲線特征比黃枯期的光譜曲線特征更容易區(qū)分，因此這個(gè)時(shí)期分類精度較高，這也反映出植物的葉綠素含量是進(jìn)行山地草甸植被分類的主要決定因素，植被黃枯期不適合對(duì)植被進(jìn)行精細(xì)化分類與識(shí)別。

(3)SVM算法可以實(shí)現(xiàn)對(duì)山地草甸植被的精細(xì)分類，分類結(jié)果類別完整，準(zhǔn)確度高，誤分、錯(cuò)分現(xiàn)象相對(duì)較少，相比BP-ANN及SAM等常用的高光譜數(shù)據(jù)分類方法具有較大的優(yōu)勢(shì)。植物生長旺盛期(4月—5月)Polynomial-SVM分類精度較高，植物成熟期(6月—9月)RBF-SVM分類精度較高。