无码精品一区二区三区在线,欲性游乐场(高H),日日橹狠狠爱欧美视频,欧美日韩精品

1、引言

草原是我國面積最大的陸地生態系統，內蒙古草原是我國北方草原的主體，也是北方重要的生態安全屏障。根據國家環保局統計，草原退化日益加劇，90%以上的草原處于不同程度退化之中，其中內蒙古退化草原面積已占全區草原面積達到了31.77%。近年來，由于氣候變化、高強度放牧、鼠害等多種因素的影響下，植被覆蓋度和植被種類減少，草原退化情況日益加劇，退化指示種變優勢物種，種類和數量呈增長趨勢。因此，準確、快速地監測退化指示種研究對草原生態保護具有重要意義。

目前，草原退化方面研究主要利用單期或者多期的遙感影像，獲取NDVI、NPP等參數的變化及植被覆蓋度的分布情況，進行退化等級劃分，分析草地退化的現狀或動態變化特征，研究草原退化情況。其中，遙感技術在草原生物量評估、植被覆蓋度、大面積的環境和災害監測、土地覆蓋的分類等方面被廣泛應用。但衛星遙感數據受空間分辨率和光譜分辨率的限制，僅能實現植被群落或植被類型級別的監測，但在微小尺度的植物、作物的精細分類等方面存在不足。而無人機高光譜遙感具有較高的空間分辨率和光譜分辨率，能夠靈活快速獲取圖像、成本低、操作靈活等特征，彌補了衛星遙感在草原種群精細識別與分類方面的缺陷。

因此，無人機遙感已被廣泛應用于高精度農業監測、資源調查、環境變化監測、草原退化監測等多個領域。在草原監測方面，無人機遙感主要應用在草原生物量估算、覆蓋度反演和草原退化物種識別等方面。在草原退化研究中，主要采用無人機搭載普通相機、多光譜、高光譜等傳感器獲取正射影像或傾斜影像，結合機器學習方法開展了一系列研究。

綜上所述，近年來無人機高光譜遙感和機器學習法被廣泛應用在植物種類識別研究中，其中，RF和SVM模型分類精度較高。為此，實驗以錫林郭勒盟白音錫勒典型草原的退化指示種（冷蒿）為研究對象，通過微分變換和包絡線去除方法對植被光譜進行光譜特征差異分析，選擇特征波段。在此基礎上，采用支持向量機（SVM）和隨機森林（RF）算法進行退化指示種的識別研究。通過運用混淆矩陣對識別結果進行精度驗證，對比分析各模型的分類結果和適用性，選出識別退化指示種最佳的機器學習模型，為業務化的草原退化物種精細識別提供技術支撐。

2、數據與方法

2.1 無人機飛行試驗設計

實驗區位于錫林浩特市郊南52km處，內蒙古錫林郭勒盟典型草原中的白音錫勒牧場，地理位置坐標116°21′7″~116°21′16″E，43°42′49″~43°42′42″N，平均海拔高度為1266m，面積為200×200m²（如圖1所示）。

圖1 研究區的地理位置

該地區屬于中溫帶大陸性氣候，年平均降水在350~450mm之間。該地區的植被一類是大針茅、克氏針茅和蒿類為主，另一類是羊草、小禾草為主的群落。實驗所選取的實驗區處于高放牧狀態下，致使該地區為典型草原退化較為嚴重的地區。在過度放牧、踐踏下，耐踐踏的植被成為優勢群落，冷蒿成為實驗區內的退化指種。

圖2 研究區植被照片

本次高光譜數據采集方案共規劃10條航帶，旁向疊率設置為80%、橫向重疊率為75%，飛行高度50m，速度5m/s。現場調查數據與無人機高光譜數據同時采集。實驗區設置了40個樣方，樣方面積為1m×1m，按20m的間隔4×10的行列式均勻分布，實驗人員在每個綠色A4紙標簽的東側居中放置一個1m×1m的樣方框，樣方的類別由樣方框內大于70%的草種來定，其他30%混雜的草為其他綠色植被。使用佳能80D相機，在樣方中心的上方垂直向地面正射，實現照片涵蓋樣方的范圍，并記錄樣方坐標信息、樣方植被覆蓋度和植被組成（如圖2）。野外調查和無人機高光譜數據采集同時開展，野外調查樣方作為無人機采集圖像物種識別分類結果驗證的真值。

2.2 研究方法

2.2.1光譜特征分析法

預處理之后進行光譜變換，以便提取有用的信息，為后續的光譜信息分析提供信息源。實驗用的光譜變換方法主要有：一階微分、二階微分和包絡線去除等方法。對初始光譜數據進行微分變換、包絡線去除等處理后，將光譜曲線斜率的細微變化進一步放大化，波形變得更清晰，有利于與其他光譜曲線進行特征數值的比較，增強真實反映目標物信息的光譜特征，實現光譜特征差異分析。實驗數據具有125個波段，但并非所有的波段對退化指示種都敏感，通過光譜特征差異分析，從原始波段中選擇相關性小、信息量大、有效代表地物特征的波段，將這些波段作為最佳特征波段組合。這也可以使數據達到降維效果，降低識別分類模型的計算復雜度。

2.2.2分類識別方法

實驗中分別采用支持向量機（SVM）和隨機森林（RF）這兩種模型對退化指示種進行分類識別，并對分類精度進行綜合評價與比較分析。隨機森林（RF）是一種集成分類器，它使用隨機選擇的訓練樣本子集和變量產生多個決策樹。通過集成學習的思想，將多棵決樹進行集成的算法。它的基本單元是決策樹，每棵決策樹都是一個分類器，N棵樹會有N個分類結果。按決策樹分類器的投票決定最終隨機森林的分類結果。實驗共采集了1500個樣本，構建模型時從中隨機選擇了2/3來創建森林中的每棵決策樹，其他參數是基于分類算法評價指標，選擇精度最高所對應的參數。為此，將決策樹的數量設置為1000，最大樹數設置為50，最大樹深為30。

支持向量機（SVM）分類器是一種監督分類方法，是建立在統計學習理論基礎之上的新一代機器學習算法。另外，構造出一個具有良好性能的SVM，核函數的選擇是關鍵，會影響到SVM的分類效果，常用的核函數有線性核（linear）、多項式、Sigmoid核和徑向基核（radialba‐sisfunction）等4種函數。多項式核函數可通過主觀設置冪數來實現總結的預判，使得原本線性不可分的數據線性可分，將解決非線性數據集的分類問題。研究使用的數據是高維數據并且樣本少，核函數的引入避免了“維數災難”，大大減小了計算量，也可以有效的處理高維輸入。創建模型時，采用了同一組訓練樣本構建了分類模型。

2.2.3退化程度評價法

根據國標《天然草地退化、沙化、鹽漬化的分級指標》中的退化程度分級指標（如表1）對此實驗區的現狀進行退化程度的評價。

表1草地退化程度的分級與分級指標

選取景觀格局指數法中的景觀聚集度指數AI和分離度指數SPLIT對退化指示物種和其他覆蓋類型的聚集程度和離散程度進行評價，聚集度指數AI計算公式如式（1）和式（2）所示。

其中：ｎ為景觀中斑塊類型總數，ｎ的取值為５；P_ij為斑塊類型ｉ與ｊ相鄰的概率；Pi=為景觀類型ｉ所占景觀的比例；為在給定斑塊類型i的情況下，斑塊類型j與其相鄰的條件概率；m_ij為景觀柵網中斑塊ｉ和ｊ相鄰的邊數；m_i為斑塊類型i的總邊數。分離度指數指數SPLIT計算公式如式（3）。

其中：SPLIT表示離散度指數A表示景觀總面積（m²）；a_ij表示第i種斑塊類型的第j塊斑塊的面積（m²）。AI表示反映景觀中不同斑塊類型的聚集程度，數值越大表示景觀內斑塊越集中；SPLIT表示反映斑塊的破碎程度。

續~

推薦：

便攜式高光譜成像系統 iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。