盆栽网,中国盆栽植物第一网!
推荐
当前位置: 盆栽网 > 盆栽果树 >

4种盆栽冠层光谱特征

发布时间:2016-08-17来源:盆栽网浏览:
4种盆栽冠层光谱特征
  植物的组织结构、生化成分、形态学特征等决定了其光谱反射特性[25]。在可见光波段,绿色植被的反射光谱主要受到冠层叶绿素含量和盖度的影响,反射率较低;近红外波段则受到冠
 
层结构、叶面积指数和生物量的影响,反射率较高[26]。正是因为上述因素的影响,使得不同植被的光谱反射率存在一定的差异,而这些因素与植被的生长发育及环境等密切相关,同时又与
 
岩石、土壤、水体等地物的光谱特征截然不同[27]。 
  根据苹果、香梨、核桃、红枣实测的冠层光谱数据,在剔除受首尾噪声影响的波段和奇异值后,分别进行均值处理,运用Origin软件绘制得南疆盆地4种主栽盆栽树种冠层阳面、冠层阴面
 
的光谱曲线(图1、图2)。由图1、图2知,从总体上看,尽管4种盆栽的光谱曲线间都存在差异,但其整体走势基本一致,呈现出典型的绿色植被光谱曲线特征。在400~490 nm波段时,反射
 
率曲线较为平缓,并且反射值低,均处于0.1以下;随波长增大,反射率开始缓慢上升,在550 nm附近呈现出一个反射峰,即“绿峰”,这是由于植被叶绿素的强烈反射造成,也是人肉眼看到
 
植物呈绿色的原因[28];然后反射率值开始下降,在680 nm附近形成“红谷”,这和叶绿素a在680 nm与700 nm具有较强的吸收作用有关[29];“红谷”过后,反射率骤然上升,即为“红边效
 
应”[30];在760~900 nm近红外波段范围内,反射率曲线在750 nm附近形成拐点后平滑上升,此处可以认为是植被防灼伤的自卫本能[27]。由此说明,在不同波段,南疆盆地4种主栽盆栽树
 
种冠层光谱特征表现不同。 
  2.2最佳指数法的波段组合 
  以上文提取的501个波段为数据源,首先应用Excel软件对平均光谱每10个连续波段进行平均,并计算出各单波段的标准差,然后应用Matlab软件计算各波段间的相关系数矩阵,再分别求
 
出所有可能3个波段组合对应的OIF,OIF越大,则信息量越大,独立性越高,反之,信息量越少,相关性越大,最后将OIF值进行排序,即可选出最佳波段组合[15]。由表2至表5知,原始光谱
 
阳面最佳波段组合为波段32-49-50,即波段范围710~719、880~889、890~899 nm;阴面最佳波段组合为波段1-38-39,即波段范围400~409、770~779、780~789 nm;一阶微分光谱阳面最
 
佳波段组合为波段31-42-49,即波段范围700~709、810~819、880~889 nm;阴面最佳波段组合为波段21-33-34,即波段范围600~609、720~729、730~739 nm;对数一阶微分光谱阳面最
 
佳波段组合为波段29-35-50,即波段范围680~689、740~749、890~899 nm;阴面最佳波段组合为波段4-30-40,即波段范围430~439、690~699、790~799 nm;归一化一阶微分光谱阳面最
 
佳波段组合为波段16-34-49,即波段范围550~559、730~739、880~889 nm;阴面最佳波段组合为波段6-34-39,即波段范围450~459、730~739、750~759 nm。 
  2.3应用BP神经网络的树种识别 
  将原始光谱数据、一阶微分、对数一阶微分和归一化一阶微分变换后的光谱数据运用Clementine 12.0中的Neural Net模型进行分类,通过调整网络参数得到最优的网络结构,从而得到最
 
优的预测模型[31]。经过反复试验确定BP神经网络的最优结构为:将30个所选波段作为输入神经元,4个预先分类值作为输出神经元,隐藏层1层,隐藏单元5个,各层间采用Sigmoid激励函数
 
,迭代次数100次,训练算法选择“快速训练法”,训练模式选择“专家”,冲量项设为0.9,初始学习率设为0.3。由表6、表7可知,无论是盆栽冠层阳面还是阴面光谱数据,对数一阶微分变
 
换均取得了最佳效果,前者测试精度为94.70%,后者测试精度为96.58%,均超过了90%,归一化一阶微分变换后的光谱数据识别效果次之,而原始光谱数据的树种识别精度最低,仅为60.93%和
 
62.33%。3种经过微分转换处理后的光谱数据与原始数据相比,分类精度超过其30%左右,充分说明高光谱数据的微分处理能产生较高的分类精度。
  2.4波段重要性 
  Neural Net模型在进行分类时可以计算出变量的贡献率,经对数一阶微分处理后的光谱数据识别精度最高,因此对对数一阶微分光谱数据对应的特征波段进行变量重要性计算,结果见图3
 
、图4。由图3、图4可知,阳面波段组合中各个波段在树种分类时的贡献率依次为685 nm>684 nm>897 nm>689 nm>898 nm>746 nm>742 nm>747 nm>687 nm>686 nm,阴面波段组合中各个波段在
 
树种分类时的贡献率依次为690 nm>693 nm>699 nm>697 nm>430 nm>796 nm>692 nm>691 nm>795 nm>695 nm,贡献率较大的波段均位于红边区(680~760 nm),这充分证明大量树种识别的信
 
息包含在红边区的光谱波段中。 
  3讨论与结论 
  原始光谱数据经对数一阶微分、归一化一阶微分变换后可改善树种识别精度。对手持式野外光谱辐射仪测得的4种盆栽树种高光谱数据不作任何处理,直接进行波段选择,然后利用BP神经
 
元网络来识别此4种树种,效果并不理想,识别精度仅为60.93%和62.33%。运用高光谱数据的转换方法能够提高树种的识别精度,2种最理想的转换方法是对数一阶微分和归一化一阶微分,分
 
类精度分别在94%和88%以上。这与宫鹏等用神经元网络算法对6种主要针叶树种进行分类识别时得到的对数变换后一阶微分和归一化变换后一阶微分能够获得最好的识别精度的结果相一致[6]
 
。另外,刘秀英等利用逐步判别分析法对杉木和马尾松进行分析时,同样得到了对数一阶微分的识别精度最高,精度为96.67%[19]。 
  大量树种识别的信息包含在红边区的光谱波段中。Neural Net模型在进行分类时对对数一阶微分光谱数据对应的特征波段进行了变量重要性计算,结果显示,贡献率较大的波段(阳面波
 
段组合:685 nm、684 nm、689 nm、746 nm、742 nm、747 nm、687 nm、686 nm,阴面波段组合:690 nm、693 nm、699 nm、697 nm、692 nm、691 nm、695 nm)都在红边区范围(680 nm~
 
760 nm)内。这与刘秀英等采用分层聚类法对杉木、雪松、小叶樟树和桂花进行分类识别获得的红边区的光谱波段包含了大量树种识别的信息结果相一致[12]。 
  BP神经网络进行南疆盆地主栽盆栽树种识别时取得了较好的分类效果。由于BP神经网络具有强有力的学习能力,可以实现输入与输出之间的高度非线性映射,因此被广泛的应用在各种品
 
种识别领域中,并得到了十分理想的分类效果[32-34]。本研究通过BP神经网络算法对南疆盆地4种主栽盆栽树种进行分类,最高精度达到96.58%,说明采用BP神经网络算法能够对南疆盆地主
 
栽盆栽树种进行基于冠层光谱的分类,并且达到了相对较高的识别精度。
责任编辑:admin
Powered By 盆栽网©2014 盆栽网 鲁ICP备14011741号