基于地面高光譜數據的典型作物類型識別方法
——以青海省湟水流域為例

史 飛 飛,高 小 紅,楊 靈 玉,賈 偉,何 林 華

(青海師范大學生命與地理科學學院，青海省自然地理與環境過程重點實驗室，青藏高原環境與資源教育部重點實驗室,青海 西寧 810008)

基于地面高光譜數據的典型作物類型識別方法
——以青海省湟水流域為例

史 飛 飛,高 小 紅*,楊 靈 玉,賈 偉,何 林 華

(青海師范大學生命與地理科學學院，青海省自然地理與環境過程重點實驗室，青藏高原環境與資源教育部重點實驗室,青海 西寧 810008)

高光譜技術運用于農作物識別與分類目前已成為農業遙感應用領域前沿課題之一。使用ASD FieldSpec4地物光譜儀實測青海省湟水流域大豆、青稞、土豆、小麥和油菜5種典型作物冠層光譜，經數據預處理，利用1/R、d(R)、N(R)、log(R)、d(log(R))、d(N(R))6種光譜數據變換形式和在“綠峰”、“紅谷”、“紅邊”、“光譜吸收特征區”提取的16種光譜特征變量的6種選取結果，分別構建基于BP神經網絡的典型作物類型識別模型，通過模型精度比較以尋求用于高光譜農作物分類的有效光譜數據形式和光譜特征變量。結果表明:1/R、d(R)、log(R)、d(log(R))及d(N(R))5種數據變換形式能顯著提高模型識別精度，以d(N(R))變換數據構建BPNN模型其辨識精度最高，總體分類精度達88%；在提取的16種光譜特征變量中，以變量數分別為16、14、12的3種選取方案構建BPNN模型其辨識精度較優，總體分類精度分別為88%、86%、84%；BPNN模型能較好地識別5種作物光譜，且采用選取光譜特征變量方法構建BPNN模型其網絡訓練效率和模型穩定性優于光譜數據變換方法構建BPNN模型。

高光譜；作物識別；光譜變換；光譜特征變量； BPNN模型

0 引言

作物識別和分類是農業遙感的基礎，是實現農業資源監測的關鍵，實時、準確地獲取作物類型、結構和分布信息對于國家糧食安全、社會經濟穩定、農業生態功能和服務均具有重要意義[1]。遙感技術與常規地面調查統計方法相比具有快速、高效和大面積同步觀測等特點，已成為作物識別和分類的主要技術手段[2]。傳統多光譜遙感受傳感器波段少、光譜分辨率低、植被光譜相似性的影響，無法獲得較高的作物類型識別精度；而新興的高光譜技術通過獲取連續地物光譜信息，能在眾多窄波段范圍探測作物間細微的光譜差異，進而準確區分作物類型[3]。近年來國內外學者利用高光譜數據在作物識別與分類方面已開展了大量研究工作。Manjunath等[4]利用地面高光譜數據，采用逐步判別法區分出油菜和干豆類作物的最佳光譜波段分別集中在5.5～9.8 μm和7.5～9.6 μm；Rao等[5]利用高光譜數據建立了兩種自動區分水稻、辣椒、甘蔗、棉花作物類型的波譜庫，總體分類精度均達86%以上；Mahesh等[6]通過近紅外高光譜成像系統，利用線性判別分析和二次判別分析，對5種含水量不同的小麥品種進行分類,其分類精度分別達61%和82%；邢東興等[7]通過地面實測7種果樹冠層光譜，利用數據重采樣和光譜變換，建立了區分果樹類型的BPNN模型，其識別精度達86%；王長耀等[8]利用MAIS成像光譜儀數據，采用遺傳算法優選最佳波段，通過Fuzzy-Artmap分類器進行小麥品種識別，總體分類精度達97%。上述研究表明將高光譜技術運用于作物識別和分類具有獨特優勢和廣泛應用前景。

由于高光譜數據具有波段多、數據量大、信息冗余嚴重等特點，因此在數據的應用與處理中仍有許多問題有待解決[9，10]。其中，如何選取有效的光譜數據形式和光譜特征變量已經成為國內外學者討論的重點[11]。針對該問題Adam等[12,13]在濕地植被類型識別方面以及宮鵬等[14]在森林樹種識別方面已進行討論，結果表明：選取不同的光譜數據形式和光譜特征變量對分類器的識別效率和精度均有直接影響。但目前在農作物識別分類方面對于此類問題研究較少，同時對高海拔地區分布的青稞、大豆、土豆、油菜等進行高光譜作物分類也鮮有報道。

本文以青海省湟水流域為研究區，以流域內5種作物冠層光譜為研究對象，經數據預處理，利用光譜變換數據和光譜特征變量選取數據分別構建BPNN識別模型，進而對模型建模效果和驗證精度進行對比分析，探討用于作物分類的有效光譜數據變換形式和光譜特征變量，為今后高光譜遙感數據廣泛應用于農業監測提供方法支持。

1 研究區與數據源

1.1 研究區概況

湟水流域位于青海省東北部,為青藏高原與黃土高原過渡帶(36°02′～37°28′N，100°42′～103°04′E)，流域面積16 120 km2，海拔1 656～4 855 m(圖1)。流域地形以黃土丘陵、溝壑地貌為主，同時有中、高山地分布，氣候屬于典型的溫帶大陸性氣候。流域川水區(海拔<2 600 m)土壤肥沃,為主要農業區，廣泛種植小麥、油菜、大豆、土豆作物，土壤以灌溉型栗鈣土為主;淺山區(2 600～3 200 m)土壤貧瘠，耕地零星分布，荒山禿嶺居多，以種植青稞、油菜等作物為主，土壤多為紅、黃、灰栗鈣土;腦山區(海拔>3 200 m)多為草地，少量分布森林，土壤以暗栗鈣土、黑鈣土和山地草甸土為主。湟水流域是青海省政治、經濟、文化、教育中心，也是省內最大的糧食、蔬菜和果品生產基地[15]。

圖1 研究區概況與采樣點分布Fig.1 Location of the study area and distribution of sampling points

1.2 數據采集與預處理

光譜數據采集使用ASD FieldSpec4地物光譜儀，采樣時間為2014年7-8月，在晴朗無云、風力小的天氣測量，測量時間為11:00-15:00。觀測時探頭垂直向下距離植被冠層0.7 m，儀器每15 min白板校正一次，每個測點測定4個方向，每次記錄5條光譜。利用數碼相機于植被正上方0.7 m處拍攝植被冠層圖像，用于記錄作物長勢和健康狀況，利用GPS獲取測點的地理坐標和海拔高度。

數據預處理，首先利用Savitzky-Golay方法，通過試驗選用窗口為7的三次多項式進行平滑去噪處理；其次剔除光譜數據中受水汽吸收影響強烈波段[16](1 350～1 400 nm、1 800～1 950 nm、2 400～2 500 nm)；最后對光譜數據做平均處理,即將每個樣點采集的20條光譜求取平均值。經數據預處理共獲得5種作物光譜129條，采用分層隨機抽樣法，對每種作物光譜數據按2∶1選取訓練樣本和驗證樣本，獲得訓練樣本86條，驗證樣本43條。

2 研究方法

2.1 光譜數據變換

研究表明光譜變換方法能有效改善分類器的識別精度[9]。本文采用6種光譜變換方法，分別為d(R)(一階微分變換)、log(R)(對數變換)、d(log(R))(對數一階微分變換)、N(R)(歸一化變換)、d(N(R))(歸一化一階微分變換)、1/R(倒數變換)。

2.2 光譜特征變量選取

植被光譜中一些顯著的反射和吸收特征，常采用光譜指數、光譜導數、光譜重排等方法進行提取，本文采用光譜微分和連續統去除進行光譜特征變量提取，運用相關性分析和主成分分析選取光譜特征變量，最后利用單因素方差分析對選定的光譜特征變量進行區分度驗證。

2.2.1 光譜微分法 光譜微分通過數學模擬反射光譜和求取不同階數微分值，以迅速確定光譜彎曲點，提取反射和吸收峰參數[9]。在實際應用中，低階微分對噪聲敏感性較低,使用更為廣泛。本文采用一階光譜微分，其計算式如下：

(1)

式中:λi為波段波長;ρ′(λi)為波長λi的一階導數。

2.2.2 連續統去除法 連續統去除是將反射光譜吸收強烈的部分波段進行轉換，放大其吸收特征，并在共同基線進行比較，便于分析和提取光譜吸收特征[17]。根據連續統去除后的光譜可求取吸收深度(DEP)、吸收寬度(WID)、吸收面積(AREA)等特征參量，其公式如下:

DEP=1-CRmin

(2)

WID=λb-λa

(3)

AREA=DEP×WID

(4)

式中:CRmin為一個吸收谷內連續統去除后最小光譜反射率，λa、λb分別為吸收起點、終點的波長值。

2.3 模型構建方法

人工神經網絡(ANN)目前作為一種基于模式識別的數據挖掘技術引入高光譜分類研究，以解決數據量大、含混度高和高度非線性的分類和識別問題[18]。本文以反向傳播神經網絡模型(BPNN)為作物光譜分類器，將BPNN模型設定三層(輸入層+隱含層+輸出層)，能實現任意非線性映射滿足使用需求[13,18]，利用MATLABR2010b軟件實現模型構建。

2.4 模型精度評價

模型精度評價指標采用決定系數(R2)、均方根誤差(RMSE)和相對分析誤差(RPD)。當建模R2越接近1，RMSE越小，則訓練模型越穩定，精度越高；驗證R2越接近1，RMSE越小，RPD越大，則預測模型越穩定、精度越高、預測能力越強，公式如下：

(5)

(6)

RPD=STD(Xi)/RMSE

(7)

3 結果與分析

3.1 光譜變換結果分析

利用6種光譜變換方法改變光譜數據形式，結果如圖2。通過與原始光譜對比分析結果表明：d(R)變換凸顯了光譜曲線變化速率，限制了低頻背景噪聲，但也增強了植被光譜首尾范圍高階噪聲的擾動。變換后5種作物光譜較為接近且僅在520nm、720nm、1 150nm、1 330nm和1 550nm光譜最值點處各類型區分度明顯；log(R)變換增強了可見光范圍光譜間差異，減少了光照條件引起的乘性因素影響[14]。變換后作物類型在可見光峰谷處(550nm和680nm)、光譜高值區域(750～1 300nm)和水吸收谷(1 450 nm)處區分明顯；d(log(R))變換具有log(R)和d(R)變換綜合作用效果，變換后可見光區光譜差異較d(R)變換顯著增強，作物類型區分明顯，但該變換過分放大了光譜首尾范圍處的噪聲；N(R)變換完全消除了光照條件差異對光譜的影響[14]，使不同作物光譜在“爬升脊”(700～750 nm)處趨于一致，變換后光譜形態與原數據極為相似，僅在550 nm和1 700 nm波段處作物類型可分；d(N(R))變換能去除光照變化、低頻噪聲和近線性背景影響[14]，變換結果與d(R)變換相似，但在光譜“波峰波谷”處類型區分更加明顯；1/R變換放大了可見光區光譜差異，削弱了光譜中的水分吸收強烈帶，光譜形態改變較大并在400 nm處作物類型區分明顯。

圖2 作物光譜變換結果Fig.2 The results of spectral transformation of crops

對光譜變換后數據與原數據的相關性分析結果如圖3所示。分析發現1/R和log(R)變換光譜與原光譜在350～2 400 nm范圍高度相關，說明兩種變換方法有好的數據保真性，但也因此保留了原數據中大量冗余信息和噪聲；N(R)變換降低700～1 100 nm范圍與原數據相關性，而與剩余波段范圍仍呈高度相關，說明該變換具有壓縮部分波段數據的能力；對d(R)、d(log(R))和d(N(R))變換進行相關分析均表現為僅在部分窄波段范圍與原數據高度相關，而在剩余波段則呈低相關，說明上述3種方法能保留原數據部分光譜特征信息而對大部分數據進行壓縮。

圖3 相關性分析Fig.3 Correlation analysis

3.2 光譜特征變量選取結果分析

3.2.1 光譜變量提取結果分析 利用光譜微分和連續統去除分析5種作物光譜的反射和吸收特征，發現在可見光至近紅外波段的綠峰(510～560 nm)、紅谷(650～690 nm)、紅邊(680～760 nm)、藍光區葉綠素吸收帶(400～530 nm)、紅光區葉綠素吸收帶(550～730 nm)、水弱吸收帶(930～1 000 nm)、水和氧窄吸收帶(1 100～1 250 nm)及水和二氧化碳強吸收帶(1 450～1 550 nm)為識別作物類型的主要光譜特征區域。利用MATLAB軟件在綠峰、紅谷、紅邊區域提取綠峰幅值(Rg)、綠峰位置(WP_g)、紅谷幅值(Ro)、紅谷位置(WP_ro)、紅邊幅值(Dr)和紅邊位置(WP_r)6種微分特征變量，在5處光譜吸收帶提取吸收深度(DEP)和吸收面積(AREA)10種吸收特征變量,其統計結果如表1所示。

表1 作物特征變量統計Table 1 Statistical of feature variables of crops

在6種微分特征變量中WP_r、WP_g、WP_ro變異系數較小，最大僅為1.056%，表明該變量能描述5種作物中普遍且穩定的光譜特征；Rg、Dr、Ro變異系數較大，說明其數據內部離散度高，由圖4進一步比較作物的Rg、Dr、Ro均值，發現其數值差異明顯，表明3種特征變量能有效區分作物類型；5種作物類型中油菜的Rg和Ro值最大，而大豆的Rg和Ro值最小，這與采樣時油菜處于開花期前期而大豆為節莢期后期，其不同生長階段植被冠層葉片內葉綠素含量有關；土豆的Dr、Rg值較大可能與土豆為開花期且土豆葉片較寬大有關；青稞和小麥植被光譜曲線整體較為相似，但其Dr、Rg、Ro值存在差異，原因為兩種作物存在短暫的種植時差，其部分光譜特征必然存在差異。在10種吸收特征變量中DEP-980、DEP-1 200、AREA-500、AREA-980、AREA-1 200變異系數較大，剩余變量變異系數小于10%。由圖5分析10種變量在5種作物類型間的均值發現，除AREA-680均值差異不明顯，其余變量差異顯著，均為有效的作物類型識別特征變量。

圖4 光譜微分特征變量Fig.4 First-derivative feature variables of crops

3.2.2 光譜特征變量選取結果 為選取信息貢獻率高且獨立性好的特征變量，首先計算相關系數矩陣表明：1)AREA-680、DEP-500和DEP-680,2)AREA-980、AREA-1 200、DEP-980和DEP-1 200,3)AREA-1 450與DEP-1 450，3組數據內部兩者間相關系數均達0.8以上，表明該變量間存在嚴重數據冗余。其次采用主成分分析提取4個主成分，其累計貢獻率達87.4%，由成分矩陣分析表明：DEP-980、DEP-1 200、AREA-980、AREA-1 200對第一主成分,DEP-500、DEP-680、AREA-680對第二主成分,Rg、Ro對第三主成分,WP_g、Dr對第四主成分，信息貢獻率高。綜上選取特征變量時在3組相關性高的數據中保留信息貢獻率高的特征變量，而逐步剔除其余變量，最終得到6種特征變量選取方案。為進一步驗證所選取的特征變量是否具有較好的區分度，本文利用單因素方差分析法進行評價,結果如表2和圖6所示，圖中區分度定義為某一特征變量能夠區分5種作物類型的任意兩種則其區分度每次累加1。在0.05的置信水平下，16種特征變量總體呈現較好的可分性，但相互間也存在較大的差異，Rg和Dr區分度最大達18，AREA-1 450區分度最小為8。

圖5 作物吸收特征變量Fig.5 Absorption feature variables of crops

表2 光譜特征變量選取結果Table 2 The result of spectral characteristic variables selected

3.3 模型辨識結果分析

以三層BPNN模型為分類器，訓練前采用premnmx函數對訓練和驗證樣本數據歸一化處理，采用newff函數網絡初始化。通過反復試驗確定隱含層節點數:17-25，隱含層傳遞函數:tansig，輸出層傳遞函數:purelin，訓練方法:traincgf，能獲得穩定的訓練和驗證精度。網絡中學習速率：0.01，允許誤差：10-5，訓練迭代次數：1 000。

圖6 單因素方差分析結果Fig.6 The result of single factor analysis of variance

3.3.1 基于光譜數據變換的BPNN辨識結果分析 以6種作物光譜變換數據為模型輸入，其對應的作物類型編碼為輸出，利用精度評價指標對網絡訓練效果予以評價，最優訓練結果如表3。

表3 BPNN模型精度Table 3 The accuracy of BPNN model

分析發現，經1/R、log(R)、d(R)、d(log(R))、d(N(R))變換構建BPNN模型其建模和辨識效果優于原光譜數據(R)建模，模型的RPD均在2.50以上，RMSE小于0.55，建模R2大于0.95，驗證R2大于0.84，說明5種模型均具有好的建模、驗證精度和極好的預測能力。d(R)變換其模型建模和驗證R2相比原始光譜(R)建模提高0.04，而d(N(R))和d(log(R))變換能獲得更高的訓練和驗證精度，d(N(R))變換模型訓練和驗證R2分別為0.98和0.89，提高約0.07，RPD為2.93，該模型的穩定性和辨識能力為最優。d(log(R))變換的建模和辨識效果僅次于d(N(R))變換。上述3種變換能顯著改善模型識別效果，與該變換能降低測量環境噪聲或擴大某波段范圍內光譜差異，同時也能保留部分原光譜信息并對其他波段數據有效壓縮有關。采用1/R和log(R)變換的模型辨識效果與d(R)變換較為接近，3種變換的建模R2相同，但1/R和log(R)變換的驗證R2低于d(R)變換，綜合模型穩定性和預測能力，在3種方法中d(R)變換效果優于log(R)優于1/R。上述兩種變換能改善模型識別效果與該變換均能放大可見光區的光譜差異有關。6種變換方法中采用N(R)變換后模型的辨識能力和穩定性最差，其建模R2為0.97，但驗證R2僅為0.76。可能是該方法增強了網絡訓練對光譜差異的敏感度，同時采用小的訓練樣本進行網絡訓練雖能獲得好的建模精度，但由于小樣本缺乏對整體樣本的代表性，BP網絡可能失去對新樣本的外推能力[8]。

3.3.2 基于光譜特征變量選取的BPNN辨識結果分析 以6種光譜特征變量選取結果作為模型輸入，其對應的作物類型編碼為輸出，利用精度評價指標對網絡訓練效果予以評價，最優訓練結果如表4。

表4 BPNN模型精度Table 4 The accuracy of BPNN model

分析發現，方案1的模型辨識效果最好，其建模R2為0.98，驗證R2為0.91，RPD為3.3，模型的建模和驗證精度較高，具有較好的模型穩定性和極好的預測能力；方案2引入14個變量，模型的訓練和驗證R2分別為0.98和0.88，RPD為2.87，該模型總體辨識效果與方案1相近，說明當剔除一些冗余度高且信息貢獻率低的特征變量時對模型辨識精度影響較小；方案3變量數為12，模型的建模R2為0.90，驗證R2為0.88，RPD為2.58，模型仍具有較好的建模效果和預測能力，原因為所剔除的特征變量仍為無效變量，模型的建模精度下降與模型輸入數據減少有關；方案4-6因過度剔除特征變量，模型中用于分類的可用信息過少致使模型穩定性和精度顯著下降，已不能作為有效的分類模型。

3.4 作物光譜辨識度分析

為分析5種農作物光譜的辨識度，選取文中已訓練的9種BPNN分類模型，載入驗證樣本數據并對模型的辨識結果統計如表5和圖7。

分析表明，5種作物光譜在9種BPNN模型中其識別精度存在差異，但也表現出一定規律，如油菜、大豆和土豆作物在9種BPNN模型均具有較高的生產精度，表明上述3種作物光譜差異明顯，不易混淆，這與3種作物本身植被形態、葉片結構存在較大差異有關。小麥和青稞易相互混淆，其被模型準確分類效果最差，原因為青稞與小麥同屬禾本科，植被形態以及葉片大小與結構均較為相似，因而其光譜特征也十分接近。

表5 BPNN模型辨識精度Table 5 Identification accuracy of BPNN model

注：分類精度是指模型的生產精度。

4 結論與討論

本文通過實測5種作物冠層光譜開展其類型識別研究，并針對光譜數據變換形式和光譜特征變量對分類模型辨識精度的影響問題重點討論。

首先，在遙感數據處理中，光譜數學變換特征一直備受關注[11]。文中采用數學變換方法改變光譜數據形式并構建BPNN模型，能顯著提高作物類型識別精度，但不同變換方法對光譜中噪聲的處理能力和對原光譜特征信息的提取程度不同，對于模型精度的提升存在差異；對作物光譜數據進行微分處理能獲得86%的平均分類精度，精度最大提升7%，而利用簡單數據處理如1/R和log(R)變換,其平均分類精度84%，精度最大提升3%；將簡單數據處理與微分處理結合使用能獲得最佳的分類精度，如6種變換中d(N(R))變換模型辨識效果最好，總體分類精度88%，Kappa指數0.85。文中采用d(N(R))和d(log(R))兩種變換形式能取得好的識別效果,這與目前在濕地植被類型識別、草種識別、森林和果樹樹種識別中得出的結論較為一致，表明該數據形式具有良好的適用性[12-14]。

其次，在植被光譜研究中某些光譜特征變量具有普適性，但不同類型作物光譜受生長期、冠層密度、葉片結構等因素影響其適用性將有所不同[20]。對提取的16種光譜特征變量的適應性進行驗證并經選取構建BPNN模型，在6種變量選取結果中，方案1-3的BPNN模型總體分類精度分別為88%、86%、84%，表明該方法能有效降低光譜數據冗余，提高模型訓練效率和精度；而方案4-6的BPNN模型總體分類精度均低于70%，說明在特征變量選取時剔除冗余度高且信息貢獻少的特征變量對分類器精度影響不大，但模型引入變量過少則會導致BPNN模型識別精度和穩定性迅速降低；對選取的16種特征變量分析表明具有良好的區分度和適用性，且為目前在植被研究中廣泛選取的特征參量，具有一定普適性，在今后將引入更多變量進行討論。

最后，文中利用光譜數據形式變換結果與光譜特征變量選取結果構建BPNN模型均能取得較好的辨識精度，但從模型的訓練效率和穩定性而言，采用光譜特征變量選取方法建模效果較優。受采樣區域地形限制,本文樣本數量較少,可能在一定程度上影響模型識別精度，下一步將增加采樣點數量，同時結合地面實測光譜和高光譜影像開展進一步研究。

[1] 陳思寧,趙艷霞,申雙和.基于波譜分析技術的遙感作物分類方法[J].農業工程學報,2012,28(5):154-160.

[2] 張群,胡春勝,陳素英,等.多時相遙感影像監測冬小麥種植面積的變化研究[J].中國生態農業學報,2006,14(3):180-183.

[3] 楊可明,郭達志.植被高光譜特征分析及其病蟲害信息提取研究[J].地理與地理信息科學,2006,22(4):31-34.

[4] MANJUNATH K R,RAY S S,PANIGRAHY S.Discrimination of spectrally-close crops using ground-based hyperspectral data[J].Indian Society Remote Sense,2011,39(4):599-602.

[5] RAO N R,GARG P K,GHOSH S K.Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data[J].Precision Agriculture,2007,8:173-185.

[6] MAHESH S,JAYAS D S,PALIWAL J,et al.Identification of wheat classes at different moisture levels using near-infrared hyperspectral images of bulk samples[J].Sense & Instrument Food Quality,2011,5:1-9.

[7] 邢東興,常慶瑞.基于花期果樹冠層光譜反射率的果樹樹種辨識研究[J].紅外與毫米波學報,2009,28(3):207-211.

[8] 王長耀,劉正軍,顏春燕.成像光譜數據特征選擇及小麥品種識別實驗研究[J].遙感學報,2006,10(2):249-255.

[9] 浦瑞良，宮鵬.高光譜遙感及其應用[M].北京:高等教育出版社,2008.145-176.

[10] ULFARSSON M O,BENEDIKTSSON J A,SVEINSSON J R.Data fusion and feature extraction in the wavelet domain[J].International Journal of Remote Sensing,2003,24:3933-3945.

[11] 童慶禧,張兵,鄭蘭芬.高光譜遙感——原理技術與應用[M].北京:高等教育出版社,2006.136-146.

[12] ELHADI A,ONISIMO M,DENIS R.Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation[J].Wetlands Ecological Manage,2010,18:281-296.

[13] 林川,宮兆寧,趙文吉,等.基于光譜特征變量的濕地典型植物生態類型識別方法[J].生態學報,2013,33(4):1172-1185.

[14] 宮鵬,浦瑞良,郁彬.不同季相針葉樹種高光譜數據識別分析[J].遙感學報,1998,2(3):211-217.

[15] 李萬全.湟水流域農業可持續發展面臨的困境[J].干旱區研究,1998,15(2):55-59.

[16] 王德彩,張俊輝，韓光中.土壤含水量對Vis-NIR光譜分析土壤質地的影響[J].地理與地理信息科學,2015,31(6):52-55.

[17] YUE Y M,ZHANG B,WANG K L,et al.Spectral indices for estimating ecological indicators of karst rocky desertification[J].International Journal of Remote Sensing,2010,31(8):2115-2122.

[18] 陳彥光.基于Matlab的地理數據分析[M].北京：高等教育出版社,2012.359-398.

[19] CHANG C W,LAIRD D A.Near-infrared reflectance spectroscopic analysis of soil C and N[J].Soil Science,2002,167:110-116.

[20] 王崠,吳見.農作物種類高光譜遙感識別研究[J].地理與地理信息科學,2015,31(2):29-33.

Identifying Typical Crop Types from Ground Hyper-spectral Data: A Case Study in the Huangshui River Basin,Qinghai Province

SHI Fei-fei,GAO Xiao-hong,YANG Ling-yu,JIA Wei,HE Lin-hua

(CollegeofLifeandGeographicalSciences,PhysicalGeographyandEnvironmentalProcessKeyLaboratoryofQinghaiProvince,KeyLaboratoryofMinistryofEducationonEnvironmentandResourceinQinghai-TibetanPlateau,QinghaiNormalUniversity,Xining810008,China)

The hyperspectral technology used in crop identification and classification has increasingly become one of the frontier issues in agricultural remote sensing applications at currently.In this study,using ASD FieldSpec4 spectrometer,canopy spectrum from five selected typical crops including soybean,barley,potato,wheat and rape was measured in the open air in the Huangshui River Basin,Qinghai Province,and then data preprocessing was finished.Six spectral transformations for original reflectance spectrum(R) such as 1/R,d(R),N(R),log(R),d(log(R)),d(N(R)) were conducted and six kinds of selection results of 16 spectral characteristic variables selected from “Green Peak”,“Red Valley”,“Red Edge” and “Spectral Absorption Feature” to construct a typical crop types identification model which based on neural network of BP.Through the comparison of the accuracy of the models to find the effective spectral data form and spectral characteristic variables for crop classification with hyperspectral data.The results showed that 5 kinds of transformation methods such as 1/R,d(R),log(R),d(log(R)),d(N(R))) could improve identification accuracy of model significantly,especially the BPNN model which created by the data of d(N(R)) has the highest overall accuracy,which reached to 88%.The number of spectral characteristic variables of 3 projects were 16,14,12,respectively,and the identification accuracy of BPNN from 3 projects was much better,which were 88%,86%,84%.The BPNN model can better identify the five crops spectra,the training efficiency and the model stability of BPNN model which created by the spectral characteristic variable selections was better than that created by the transformation forms of the spectrum.

hyperspectral;crop types identification;spectral transformation;spectral characteristic variables;BPNN model

2015-10-27；

2016-01-01

國家自然科學基金項目(40861022)；青海省重點實驗室發展專項：青海省自然地理與環境過程重點實驗室(2014-Z-Y24、2015-Z-Y01)

史飛飛(1991-)，男，碩士研究生，從事遙感應用與地理數據空間分析研究。*通訊作者E-mail：xiaohonggao226@163.com

10.3969/j.issn.1672-0504.2016.02.007

TP79

A

1672-0504(2016)02-0032-08