对草地植被进行准确的分类与识别，是监测草地生态系统本底状况的基础工作。传统的草地资源实地考察的监测方法难以实现对偏远地区监测及快速资源调查评估的需要，而多光谱遥感监测由于精度较低，无法对植被种类进行识别，难以获取优势种和群落组成变化特征。因此，寻求一种适用的草地植被分类识别方法具有十分重要的意义。

随着高光谱遥感技术的发展，为草地监测提供了前所未有的数据源。高光谱遥感数据具有光谱分辨率高、信息量大的特点，能够更为全面、细致的获取地物光谱特征及其差异性，从而大幅度提高地物分类的类别精细度和准确度。但由于草地植被的光谱曲线特征差异性不大，存在“同物异谱”和“异物同谱”现象，如何选择合适的特征提取方法来提取特定的情景下的高光谱数据特征是很困难的。再者，同一种植被在生长的不同阶段，因叶绿素含量、细胞结构、含水量均有不同会导致光谱曲线的变化，如植被在不同季相中的光谱特征存在较大差异，对于时间过程的多时相地物光谱特征的综合分析研究还比较少见。

沙漠气象研究所“农牧业气象灾害防御团队”团队成员于2019－2021年，在天山北坡中段对山地草甸进行定点观测，利用高光谱成像光谱仪获取了典型植被多季相的原始反射光谱数据，通过多项式卷积平滑（S－G）及最小噪声分离（MNF）变换对光谱数据进行平滑去噪及降维处理，分别采用支持向量机（SVM）、BP人工神经网络（BP－ANN）及波谱角填图（SAM）三种方法建立分类模型，并对分类结果进行了对比分析。

结果表明：不同季相山地草甸植被的“绿峰”、“红谷”及“红边”等参数差异较大，在植被生长旺盛期（4－5月）的光谱曲线特征比黄枯期的光谱曲线特征更容易区分，这个时期分类精度较高。SVM分类模型在返青期（4月）和分蘖（枝）期（5月）总体分类精度均超过了90%，Kappa系数也超过了0.9；利用SVM方法进行分类时，在植物生长旺盛期（4－5月）Polynomial核函数分类精度较高，植物成熟期（6－9月）径向基核（RBF）函数分类精度较高。BP－ANN在分蘖（枝）期分类精度较高，总体分类精度为91.07%，Kappa系数为0.89，其它时期分类效果一般，虽然在MNF变换降维后能极大的缩短数据处理时间，但分类时间还是较SVM时间要长。SAM分类速度最快，但在各生育期的分类精度都较低，最高值为分蘖（枝）期的总体分类精度77.80%，Kappa系数为0.73。因此，利用Polynomial核函数的SVM分类模型适合对山地草甸植被进行分类识别，分类结果类别完整，准确度高，误分、错分现象相对较少，相比BP－ANN及SAM等高光谱数据分类方法具有较大的优势。

相关成果以“基于高光谱数据季相特征的山地草甸植被分类识别方法研究”为题发表在《光谱学与光谱分析》，论文第一作者为沙漠气象研究所郑奕副研究员。该研究得到国家自然科学基金项目（42071075）以及中亚大气科学研究基金项目（CAAS202011）支持。

原文信息：郑奕, 王瑶, 刘艳, 基于高光谱数据季相特征的山地草甸植被分类识别方法研究, 光谱学与光谱分析, 2022, 42(6): 1939-1947.