1、引言

草原是我国面积最大的陆地生态系统，内蒙古草原是我国北方草原的主体，也是北方重要的生态安全屏障。根据国家环保局统计，草原退化日益加剧，90%以上的草原处于不同程度退化之中，其中内蒙古退化草原面积已占全区草原面积达到了31.77%。近年来，由于气候变化、高强度放牧、鼠害等多种因素的影响下，植被覆盖度和植被种类减少，草原退化情况日益加剧，退化指示种变优势物种，种类和数量呈增长趋势。因此，准确、快速地监测退化指示种研究对草原生态保护具有重要意义。

目前，草原退化方面研究主要利用单期或者多期的遥感影像，获取NDVI、NPP等参数的变化及植被覆盖度的分布情况，进行退化等级划分，分析草地退化的现状或动态变化特征，研究草原退化情况。其中，遥感技术在草原生物量评估、植被覆盖度、大面积的环境和灾害监测、土地覆盖的分类等方面被广泛应用。但卫星遥感数据受空间分辨率和光谱分辨率的限制，仅能实现植被群落或植被类型级别的监测，但在微小尺度的植物、作物的精细分类等方面存在不足。而无人机高光谱遥感具有较高的空间分辨率和光谱分辨率，能够灵活快速获取图像、成本低、操作灵活等特征，弥补了卫星遥感在草原种群精细识别与分类方面的缺陷。

因此，无人机遥感已被广泛应用于高精度农业监测、资源调查、环境变化监测、草原退化监测等多个领域。在草原监测方面，无人机遥感主要应用在草原生物量估算、覆盖度反演和草原退化物种识别等方面。在草原退化研究中，主要采用无人机搭载普通相机、多光谱、高光谱等传感器获取正射影像或倾斜影像，结合机器学习方法开展了一系列研究。

综上所述，近年来无人机高光谱遥感和机器学习法被广泛应用在植物种类识别研究中，其中，RF和SVM模型分类精度较高。为此，实验以锡林郭勒盟白音锡勒典型草原的退化指示种（冷蒿）为研究对象，通过微分变换和包络线去除方法对植被光谱进行光谱特征差异分析，选择特征波段。在此基础上，采用支持向量机（SVM）和随机森林（RF）算法进行退化指示种的识别研究。通过运用混淆矩阵对识别结果进行精度验证，对比分析各模型的分类结果和适用性，选出识别退化指示种最佳的机器学习模型，为业务化的草原退化物种精细识别提供技术支撑。

2、数据与方法

2.1 无人机飞行试验设计

实验区位于锡林浩特市郊南52km处，内蒙古锡林郭勒盟典型草原中的白音锡勒牧场，地理位置坐标116°21′7″~116°21′16″E，43°42′49″~43°42′42″N，平均海拔高度为1266m，面积为200×200m²（如图1所示）。

图1 研究区的地理位置

该地区属于中温带大陆性气候，年平均降水在350~450mm之间。该地区的植被一类是大针茅、克氏针茅和蒿类为主，另一类是羊草、小禾草为主的群落。实验所选取的实验区处于高放牧状态下，致使该地区为典型草原退化较为严重的地区。在过度放牧、践踏下，耐践踏的植被成为优势群落，冷蒿成为实验区内的退化指种。

图2 研究区植被照片

本次高光谱数据采集方案共规划10条航带，旁向叠率设置为80%、横向重叠率为75%，飞行高度50m，速度5m/s。现场调查数据与无人机高光谱数据同时采集。实验区设置了40个样方，样方面积为1m×1m，按20m的间隔4×10的行列式均匀分布，实验人员在每个绿色A4纸标签的东侧居中放置一个1m×1m的样方框，样方的类别由样方框内大于70%的草种来定，其他30%混杂的草为其他绿色植被。使用佳能80D相机，在样方中心的上方垂直向地面正射，实现照片涵盖样方的范围，并记录样方坐标信息、样方植被覆盖度和植被组成（如图2）。野外调查和无人机高光谱数据采集同时开展，野外调查样方作为无人机采集图像物种识别分类结果验证的真值。

2.2 研究方法

2.2.1光谱特征分析法

预处理之后进行光谱变换，以便提取有用的信息，为后续的光谱信息分析提供信息源。实验用的光谱变换方法主要有：一阶微分、二阶微分和包络线去除等方法。对初始光谱数据进行微分变换、包络线去除等处理后，将光谱曲线斜率的细微变化进一步放大化，波形变得更清晰，有利于与其他光谱曲线进行特征数值的比较，增强真实反映目标物信息的光谱特征，实现光谱特征差异分析。实验数据具有125个波段，但并非所有的波段对退化指示种都敏感，通过光谱特征差异分析，从原始波段中选择相关性小、信息量大、有效代表地物特征的波段，将这些波段作为最佳特征波段组合。这也可以使数据达到降维效果，降低识别分类模型的计算复杂度。

2.2.2分类识别方法

实验中分别采用支持向量机（SVM）和随机森林（RF）这两种模型对退化指示种进行分类识别，并对分类精度进行综合评价与比较分析。随机森林（RF）是一种集成分类器，它使用随机选择的训练样本子集和变量产生多个决策树。通过集成学习的思想，将多棵决树进行集成的算法。它的基本单元是决策树，每棵决策树都是一个分类器，N棵树会有N个分类结果。按决策树分类器的投票决定最终随机森林的分类结果。实验共采集了1500个样本，构建模型时从中随机选择了2/3来创建森林中的每棵决策树，其他参数是基于分类算法评价指标，选择精度最高所对应的参数。为此，将决策树的数量设置为1000，最大树数设置为50，最大树深为30。

支持向量机（SVM）分类器是一种监督分类方法，是建立在统计学习理论基础之上的新一代机器学习算法。另外，构造出一个具有良好性能的SVM，核函数的选择是关键，会影响到SVM的分类效果，常用的核函数有线性核（linear）、多项式、Sigmoid核和径向基核（radialba‐sisfunction）等4种函数。多项式核函数可通过主观设置幂数来实现总结的预判，使得原本线性不可分的数据线性可分，将解决非线性数据集的分类问题。研究使用的数据是高维数据并且样本少，核函数的引入避免了“维数灾难”，大大减小了计算量，也可以有效的处理高维输入。创建模型时，采用了同一组训练样本构建了分类模型。

2.2.3退化程度评价法

根据国标《天然草地退化、沙化、盐渍化的分级指标》中的退化程度分级指标（如表1）对此实验区的现状进行退化程度的评价。

表1草地退化程度的分级与分级指标

选取景观格局指数法中的景观聚集度指数AI和分离度指数SPLIT对退化指示物种和其他覆盖类型的聚集程度和离散程度进行评价，聚集度指数AI计算公式如式（1）和式（2）所示。

其中：ｎ为景观中斑块类型总数，ｎ的取值为５；P_ij为斑块类型ｉ与ｊ相邻的概率；Pi=为景观类型ｉ所占景观的比例；为在给定斑块类型i的情况下，斑块类型j与其相邻的条件概率；m_ij为景观栅网中斑块ｉ和ｊ相邻的边数；m_i为斑块类型i的总边数。分离度指数指数SPLIT计算公式如式（3）。

其中：SPLIT表示离散度指数A表示景观总面积（m²）；a_ij表示第i种斑块类型的第j块斑块的面积（m²）。AI表示反映景观中不同斑块类型的聚集程度，数值越大表示景观内斑块越集中；SPLIT表示反映斑块的破碎程度。

续~

推荐：

便携式高光谱成像系统 iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。