基于地面高光谱数据的典型作物类型识别方法——以青海省湟水流域为例

史 飞 飞,高 小 红,杨 灵 玉,贾 伟,何 林 华

(青海师范大学生命与地理科学学院，青海省自然地理与环境过程重点实验室，青藏高原环境与资源教育部重点实验室,青海 西宁 810008)

基于地面高光谱数据的典型作物类型识别方法
——以青海省湟水流域为例

史 飞 飞,高 小 红*,杨 灵 玉,贾 伟,何 林 华

(青海师范大学生命与地理科学学院，青海省自然地理与环境过程重点实验室，青藏高原环境与资源教育部重点实验室,青海 西宁 810008)

高光谱技术运用于农作物识别与分类目前已成为农业遥感应用领域前沿课题之一。使用ASD FieldSpec4地物光谱仪实测青海省湟水流域大豆、青稞、土豆、小麦和油菜5种典型作物冠层光谱，经数据预处理，利用1/R、d(R)、N(R)、log(R)、d(log(R))、d(N(R))6种光谱数据变换形式和在“绿峰”、“红谷”、“红边”、“光谱吸收特征区”提取的16种光谱特征变量的6种选取结果，分别构建基于BP神经网络的典型作物类型识别模型，通过模型精度比较以寻求用于高光谱农作物分类的有效光谱数据形式和光谱特征变量。结果表明:1/R、d(R)、log(R)、d(log(R))及d(N(R))5种数据变换形式能显著提高模型识别精度，以d(N(R))变换数据构建BPNN模型其辨识精度最高，总体分类精度达88%；在提取的16种光谱特征变量中，以变量数分别为16、14、12的3种选取方案构建BPNN模型其辨识精度较优，总体分类精度分别为88%、86%、84%；BPNN模型能较好地识别5种作物光谱，且采用选取光谱特征变量方法构建BPNN模型其网络训练效率和模型稳定性优于光谱数据变换方法构建BPNN模型。

高光谱；作物识别；光谱变换；光谱特征变量； BPNN模型

0 引言

作物识别和分类是农业遥感的基础，是实现农业资源监测的关键，实时、准确地获取作物类型、结构和分布信息对于国家粮食安全、社会经济稳定、农业生态功能和服务均具有重要意义[1]。遥感技术与常规地面调查统计方法相比具有快速、高效和大面积同步观测等特点，已成为作物识别和分类的主要技术手段[2]。传统多光谱遥感受传感器波段少、光谱分辨率低、植被光谱相似性的影响，无法获得较高的作物类型识别精度；而新兴的高光谱技术通过获取连续地物光谱信息，能在众多窄波段范围探测作物间细微的光谱差异，进而准确区分作物类型[3]。近年来国内外学者利用高光谱数据在作物识别与分类方面已开展了大量研究工作。Manjunath等[4]利用地面高光谱数据，采用逐步判别法区分出油菜和干豆类作物的最佳光谱波段分别集中在5.5～9.8 μm和7.5～9.6 μm；Rao等[5]利用高光谱数据建立了两种自动区分水稻、辣椒、甘蔗、棉花作物类型的波谱库，总体分类精度均达86%以上；Mahesh等[6]通过近红外高光谱成像系统，利用线性判别分析和二次判别分析，对5种含水量不同的小麦品种进行分类,其分类精度分别达61%和82%；邢东兴等[7]通过地面实测7种果树冠层光谱，利用数据重采样和光谱变换，建立了区分果树类型的BPNN模型，其识别精度达86%；王长耀等[8]利用MAIS成像光谱仪数据，采用遗传算法优选最佳波段，通过Fuzzy-Artmap分类器进行小麦品种识别，总体分类精度达97%。上述研究表明将高光谱技术运用于作物识别和分类具有独特优势和广泛应用前景。

由于高光谱数据具有波段多、数据量大、信息冗余严重等特点，因此在数据的应用与处理中仍有许多问题有待解决[9，10]。其中，如何选取有效的光谱数据形式和光谱特征变量已经成为国内外学者讨论的重点[11]。针对该问题Adam等[12,13]在湿地植被类型识别方面以及宫鹏等[14]在森林树种识别方面已进行讨论，结果表明：选取不同的光谱数据形式和光谱特征变量对分类器的识别效率和精度均有直接影响。但目前在农作物识别分类方面对于此类问题研究较少，同时对高海拔地区分布的青稞、大豆、土豆、油菜等进行高光谱作物分类也鲜有报道。

本文以青海省湟水流域为研究区，以流域内5种作物冠层光谱为研究对象，经数据预处理，利用光谱变换数据和光谱特征变量选取数据分别构建BPNN识别模型，进而对模型建模效果和验证精度进行对比分析，探讨用于作物分类的有效光谱数据变换形式和光谱特征变量，为今后高光谱遥感数据广泛应用于农业监测提供方法支持。

1 研究区与数据源

1.1 研究区概况

湟水流域位于青海省东北部,为青藏高原与黄土高原过渡带(36°02′～37°28′N，100°42′～103°04′E)，流域面积16 120 km2，海拔1 656～4 855 m(图1)。流域地形以黄土丘陵、沟壑地貌为主，同时有中、高山地分布，气候属于典型的温带大陆性气候。流域川水区(海拔<2 600 m)土壤肥沃,为主要农业区，广泛种植小麦、油菜、大豆、土豆作物，土壤以灌溉型栗钙土为主;浅山区(2 600～3 200 m)土壤贫瘠，耕地零星分布，荒山秃岭居多，以种植青稞、油菜等作物为主，土壤多为红、黄、灰栗钙土;脑山区(海拔>3 200 m)多为草地，少量分布森林，土壤以暗栗钙土、黑钙土和山地草甸土为主。湟水流域是青海省政治、经济、文化、教育中心，也是省内最大的粮食、蔬菜和果品生产基地[15]。

图1 研究区概况与采样点分布Fig.1 Location of the study area and distribution of sampling points

1.2 数据采集与预处理

光谱数据采集使用ASD FieldSpec4地物光谱仪，采样时间为2014年7-8月，在晴朗无云、风力小的天气测量，测量时间为11:00-15:00。观测时探头垂直向下距离植被冠层0.7 m，仪器每15 min白板校正一次，每个测点测定4个方向，每次记录5条光谱。利用数码相机于植被正上方0.7 m处拍摄植被冠层图像，用于记录作物长势和健康状况，利用GPS获取测点的地理坐标和海拔高度。

数据预处理，首先利用Savitzky-Golay方法，通过试验选用窗口为7的三次多项式进行平滑去噪处理；其次剔除光谱数据中受水汽吸收影响强烈波段[16](1 350～1 400 nm、1 800～1 950 nm、2 400～2 500 nm)；最后对光谱数据做平均处理,即将每个样点采集的20条光谱求取平均值。经数据预处理共获得5种作物光谱129条，采用分层随机抽样法，对每种作物光谱数据按2∶1选取训练样本和验证样本，获得训练样本86条，验证样本43条。

2 研究方法

2.1 光谱数据变换

研究表明光谱变换方法能有效改善分类器的识别精度[9]。本文采用6种光谱变换方法，分别为d(R)(一阶微分变换)、log(R)(对数变换)、d(log(R))(对数一阶微分变换)、N(R)(归一化变换)、d(N(R))(归一化一阶微分变换)、1/R(倒数变换)。

2.2 光谱特征变量选取

植被光谱中一些显著的反射和吸收特征，常采用光谱指数、光谱导数、光谱重排等方法进行提取，本文采用光谱微分和连续统去除进行光谱特征变量提取，运用相关性分析和主成分分析选取光谱特征变量，最后利用单因素方差分析对选定的光谱特征变量进行区分度验证。

2.2.1 光谱微分法 光谱微分通过数学模拟反射光谱和求取不同阶数微分值，以迅速确定光谱弯曲点，提取反射和吸收峰参数[9]。在实际应用中，低阶微分对噪声敏感性较低,使用更为广泛。本文采用一阶光谱微分，其计算式如下：

(1)

式中:λi为波段波长;ρ′(λi)为波长λi的一阶导数。

2.2.2 连续统去除法 连续统去除是将反射光谱吸收强烈的部分波段进行转换，放大其吸收特征，并在共同基线进行比较，便于分析和提取光谱吸收特征[17]。根据连续统去除后的光谱可求取吸收深度(DEP)、吸收宽度(WID)、吸收面积(AREA)等特征参量，其公式如下:

DEP=1-CRmin

(2)

WID=λb-λa

(3)

AREA=DEP×WID

(4)

式中:CRmin为一个吸收谷内连续统去除后最小光谱反射率，λa、λb分别为吸收起点、终点的波长值。

2.3 模型构建方法

人工神经网络(ANN)目前作为一种基于模式识别的数据挖掘技术引入高光谱分类研究，以解决数据量大、含混度高和高度非线性的分类和识别问题[18]。本文以反向传播神经网络模型(BPNN)为作物光谱分类器，将BPNN模型设定三层(输入层+隐含层+输出层)，能实现任意非线性映射满足使用需求[13,18]，利用MATLABR2010b软件实现模型构建。

2.4 模型精度评价

模型精度评价指标采用决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)。当建模R2越接近1，RMSE越小，则训练模型越稳定，精度越高；验证R2越接近1，RMSE越小，RPD越大，则预测模型越稳定、精度越高、预测能力越强，公式如下：

(5)

(6)

RPD=STD(Xi)/RMSE

(7)

3 结果与分析

3.1 光谱变换结果分析

利用6种光谱变换方法改变光谱数据形式，结果如图2。通过与原始光谱对比分析结果表明：d(R)变换凸显了光谱曲线变化速率，限制了低频背景噪声，但也增强了植被光谱首尾范围高阶噪声的扰动。变换后5种作物光谱较为接近且仅在520nm、720nm、1 150nm、1 330nm和1 550nm光谱最值点处各类型区分度明显；log(R)变换增强了可见光范围光谱间差异，减少了光照条件引起的乘性因素影响[14]。变换后作物类型在可见光峰谷处(550nm和680nm)、光谱高值区域(750～1 300nm)和水吸收谷(1 450 nm)处区分明显；d(log(R))变换具有log(R)和d(R)变换综合作用效果，变换后可见光区光谱差异较d(R)变换显著增强，作物类型区分明显，但该变换过分放大了光谱首尾范围处的噪声；N(R)变换完全消除了光照条件差异对光谱的影响[14]，使不同作物光谱在“爬升脊”(700～750 nm)处趋于一致，变换后光谱形态与原数据极为相似，仅在550 nm和1 700 nm波段处作物类型可分；d(N(R))变换能去除光照变化、低频噪声和近线性背景影响[14]，变换结果与d(R)变换相似，但在光谱“波峰波谷”处类型区分更加明显；1/R变换放大了可见光区光谱差异，削弱了光谱中的水分吸收强烈带，光谱形态改变较大并在400 nm处作物类型区分明显。

图2 作物光谱变换结果Fig.2 The results of spectral transformation of crops

对光谱变换后数据与原数据的相关性分析结果如图3所示。分析发现1/R和log(R)变换光谱与原光谱在350～2 400 nm范围高度相关，说明两种变换方法有好的数据保真性，但也因此保留了原数据中大量冗余信息和噪声；N(R)变换降低700～1 100 nm范围与原数据相关性，而与剩余波段范围仍呈高度相关，说明该变换具有压缩部分波段数据的能力；对d(R)、d(log(R))和d(N(R))变换进行相关分析均表现为仅在部分窄波段范围与原数据高度相关，而在剩余波段则呈低相关，说明上述3种方法能保留原数据部分光谱特征信息而对大部分数据进行压缩。

图3 相关性分析Fig.3 Correlation analysis

3.2 光谱特征变量选取结果分析

3.2.1 光谱变量提取结果分析 利用光谱微分和连续统去除分析5种作物光谱的反射和吸收特征，发现在可见光至近红外波段的绿峰(510～560 nm)、红谷(650～690 nm)、红边(680～760 nm)、蓝光区叶绿素吸收带(400～530 nm)、红光区叶绿素吸收带(550～730 nm)、水弱吸收带(930～1 000 nm)、水和氧窄吸收带(1 100～1 250 nm)及水和二氧化碳强吸收带(1 450～1 550 nm)为识别作物类型的主要光谱特征区域。利用MATLAB软件在绿峰、红谷、红边区域提取绿峰幅值(Rg)、绿峰位置(WP_g)、红谷幅值(Ro)、红谷位置(WP_ro)、红边幅值(Dr)和红边位置(WP_r)6种微分特征变量，在5处光谱吸收带提取吸收深度(DEP)和吸收面积(AREA)10种吸收特征变量,其统计结果如表1所示。

表1 作物特征变量统计Table 1 Statistical of feature variables of crops

在6种微分特征变量中WP_r、WP_g、WP_ro变异系数较小，最大仅为1.056%，表明该变量能描述5种作物中普遍且稳定的光谱特征；Rg、Dr、Ro变异系数较大，说明其数据内部离散度高，由图4进一步比较作物的Rg、Dr、Ro均值，发现其数值差异明显，表明3种特征变量能有效区分作物类型；5种作物类型中油菜的Rg和Ro值最大，而大豆的Rg和Ro值最小，这与采样时油菜处于开花期前期而大豆为节荚期后期，其不同生长阶段植被冠层叶片内叶绿素含量有关；土豆的Dr、Rg值较大可能与土豆为开花期且土豆叶片较宽大有关；青稞和小麦植被光谱曲线整体较为相似，但其Dr、Rg、Ro值存在差异，原因为两种作物存在短暂的种植时差，其部分光谱特征必然存在差异。在10种吸收特征变量中DEP-980、DEP-1 200、AREA-500、AREA-980、AREA-1 200变异系数较大，剩余变量变异系数小于10%。由图5分析10种变量在5种作物类型间的均值发现，除AREA-680均值差异不明显，其余变量差异显著，均为有效的作物类型识别特征变量。

图4 光谱微分特征变量Fig.4 First-derivative feature variables of crops

3.2.2 光谱特征变量选取结果 为选取信息贡献率高且独立性好的特征变量，首先计算相关系数矩阵表明：1)AREA-680、DEP-500和DEP-680,2)AREA-980、AREA-1 200、DEP-980和DEP-1 200,3)AREA-1 450与DEP-1 450，3组数据内部两者间相关系数均达0.8以上，表明该变量间存在严重数据冗余。其次采用主成分分析提取4个主成分，其累计贡献率达87.4%，由成分矩阵分析表明：DEP-980、DEP-1 200、AREA-980、AREA-1 200对第一主成分,DEP-500、DEP-680、AREA-680对第二主成分,Rg、Ro对第三主成分,WP_g、Dr对第四主成分，信息贡献率高。综上选取特征变量时在3组相关性高的数据中保留信息贡献率高的特征变量，而逐步剔除其余变量，最终得到6种特征变量选取方案。为进一步验证所选取的特征变量是否具有较好的区分度，本文利用单因素方差分析法进行评价,结果如表2和图6所示，图中区分度定义为某一特征变量能够区分5种作物类型的任意两种则其区分度每次累加1。在0.05的置信水平下，16种特征变量总体呈现较好的可分性，但相互间也存在较大的差异，Rg和Dr区分度最大达18，AREA-1 450区分度最小为8。

图5 作物吸收特征变量Fig.5 Absorption feature variables of crops

表2 光谱特征变量选取结果Table 2 The result of spectral characteristic variables selected

3.3 模型辨识结果分析

以三层BPNN模型为分类器，训练前采用premnmx函数对训练和验证样本数据归一化处理，采用newff函数网络初始化。通过反复试验确定隐含层节点数:17-25，隐含层传递函数:tansig，输出层传递函数:purelin，训练方法:traincgf，能获得稳定的训练和验证精度。网络中学习速率：0.01，允许误差：10-5，训练迭代次数：1 000。

图6 单因素方差分析结果Fig.6 The result of single factor analysis of variance

3.3.1 基于光谱数据变换的BPNN辨识结果分析 以6种作物光谱变换数据为模型输入，其对应的作物类型编码为输出，利用精度评价指标对网络训练效果予以评价，最优训练结果如表3。

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

分析发现，经1/R、log(R)、d(R)、d(log(R))、d(N(R))变换构建BPNN模型其建模和辨识效果优于原光谱数据(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，验证R2大于0.84，说明5种模型均具有好的建模、验证精度和极好的预测能力。d(R)变换其模型建模和验证R2相比原始光谱(R)建模提高0.04，而d(N(R))和d(log(R))变换能获得更高的训练和验证精度，d(N(R))变换模型训练和验证R2分别为0.98和0.89，提高约0.07，RPD为2.93，该模型的稳定性和辨识能力为最优。d(log(R))变换的建模和辨识效果仅次于d(N(R))变换。上述3种变换能显著改善模型识别效果，与该变换能降低测量环境噪声或扩大某波段范围内光谱差异，同时也能保留部分原光谱信息并对其他波段数据有效压缩有关。采用1/R和log(R)变换的模型辨识效果与d(R)变换较为接近，3种变换的建模R2相同，但1/R和log(R)变换的验证R2低于d(R)变换，综合模型稳定性和预测能力，在3种方法中d(R)变换效果优于log(R)优于1/R。上述两种变换能改善模型识别效果与该变换均能放大可见光区的光谱差异有关。6种变换方法中采用N(R)变换后模型的辨识能力和稳定性最差，其建模R2为0.97，但验证R2仅为0.76。可能是该方法增强了网络训练对光谱差异的敏感度，同时采用小的训练样本进行网络训练虽能获得好的建模精度，但由于小样本缺乏对整体样本的代表性，BP网络可能失去对新样本的外推能力[8]。

3.3.2 基于光谱特征变量选取的BPNN辨识结果分析 以6种光谱特征变量选取结果作为模型输入，其对应的作物类型编码为输出，利用精度评价指标对网络训练效果予以评价，最优训练结果如表4。

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

分析发现，方案1的模型辨识效果最好，其建模R2为0.98，验证R2为0.91，RPD为3.3，模型的建模和验证精度较高，具有较好的模型稳定性和极好的预测能力；方案2引入14个变量，模型的训练和验证R2分别为0.98和0.88，RPD为2.87，该模型总体辨识效果与方案1相近，说明当剔除一些冗余度高且信息贡献率低的特征变量时对模型辨识精度影响较小；方案3变量数为12，模型的建模R2为0.90，验证R2为0.88，RPD为2.58，模型仍具有较好的建模效果和预测能力，原因为所剔除的特征变量仍为无效变量，模型的建模精度下降与模型输入数据减少有关；方案4-6因过度剔除特征变量，模型中用于分类的可用信息过少致使模型稳定性和精度显著下降，已不能作为有效的分类模型。

3.4 作物光谱辨识度分析

为分析5种农作物光谱的辨识度，选取文中已训练的9种BPNN分类模型，载入验证样本数据并对模型的辨识结果统计如表5和图7。

分析表明，5种作物光谱在9种BPNN模型中其识别精度存在差异，但也表现出一定规律，如油菜、大豆和土豆作物在9种BPNN模型均具有较高的生产精度，表明上述3种作物光谱差异明显，不易混淆，这与3种作物本身植被形态、叶片结构存在较大差异有关。小麦和青稞易相互混淆，其被模型准确分类效果最差，原因为青稞与小麦同属禾本科，植被形态以及叶片大小与结构均较为相似，因而其光谱特征也十分接近。

表5 BPNN模型辨识精度Table 5 Identification accuracy of BPNN model

注：分类精度是指模型的生产精度。

4 结论与讨论

本文通过实测5种作物冠层光谱开展其类型识别研究，并针对光谱数据变换形式和光谱特征变量对分类模型辨识精度的影响问题重点讨论。

首先，在遥感数据处理中，光谱数学变换特征一直备受关注[11]。文中采用数学变换方法改变光谱数据形式并构建BPNN模型，能显著提高作物类型识别精度，但不同变换方法对光谱中噪声的处理能力和对原光谱特征信息的提取程度不同，对于模型精度的提升存在差异；对作物光谱数据进行微分处理能获得86%的平均分类精度，精度最大提升7%，而利用简单数据处理如1/R和log(R)变换,其平均分类精度84%，精度最大提升3%；将简单数据处理与微分处理结合使用能获得最佳的分类精度，如6种变换中d(N(R))变换模型辨识效果最好，总体分类精度88%，Kappa指数0.85。文中采用d(N(R))和d(log(R))两种变换形式能取得好的识别效果,这与目前在湿地植被类型识别、草种识别、森林和果树树种识别中得出的结论较为一致，表明该数据形式具有良好的适用性[12-14]。

其次，在植被光谱研究中某些光谱特征变量具有普适性，但不同类型作物光谱受生长期、冠层密度、叶片结构等因素影响其适用性将有所不同[20]。对提取的16种光谱特征变量的适应性进行验证并经选取构建BPNN模型，在6种变量选取结果中，方案1-3的BPNN模型总体分类精度分别为88%、86%、84%，表明该方法能有效降低光谱数据冗余，提高模型训练效率和精度；而方案4-6的BPNN模型总体分类精度均低于70%，说明在特征变量选取时剔除冗余度高且信息贡献少的特征变量对分类器精度影响不大，但模型引入变量过少则会导致BPNN模型识别精度和稳定性迅速降低；对选取的16种特征变量分析表明具有良好的区分度和适用性，且为目前在植被研究中广泛选取的特征参量，具有一定普适性，在今后将引入更多变量进行讨论。

最后，文中利用光谱数据形式变换结果与光谱特征变量选取结果构建BPNN模型均能取得较好的辨识精度，但从模型的训练效率和稳定性而言，采用光谱特征变量选取方法建模效果较优。受采样区域地形限制,本文样本数量较少,可能在一定程度上影响模型识别精度，下一步将增加采样点数量，同时结合地面实测光谱和高光谱影像开展进一步研究。

[1] 陈思宁,赵艳霞,申双和.基于波谱分析技术的遥感作物分类方法[J].农业工程学报,2012,28(5):154-160.

[2] 张群,胡春胜,陈素英,等.多时相遥感影像监测冬小麦种植面积的变化研究[J].中国生态农业学报,2006,14(3):180-183.

[3] 杨可明,郭达志.植被高光谱特征分析及其病虫害信息提取研究[J].地理与地理信息科学,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] 邢东兴,常庆瑞.基于花期果树冠层光谱反射率的果树树种辨识研究[J].红外与毫米波学报,2009,28(3):207-211.

[8] 王长耀,刘正军,颜春燕.成像光谱数据特征选择及小麦品种识别实验研究[J].遥感学报,2006,10(2):249-255.

[9] 浦瑞良，宫鹏.高光谱遥感及其应用[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] 童庆禧,张兵,郑兰芬.高光谱遥感——原理技术与应用[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,宫兆宁,赵文吉,等.基于光谱特征变量的湿地典型植物生态类型识别方法[J].生态学报,2013,33(4):1172-1185.

[14] 宫鹏,浦瑞良,郁彬.不同季相针叶树种高光谱数据识别分析[J].遥感学报,1998,2(3):211-217.

[15] 李万全.湟水流域农业可持续发展面临的困境[J].干旱区研究,1998,15(2):55-59.

[16] 王德彩,张俊辉，韩光中.土壤含水量对Vis-NIR光谱分析土壤质地的影响[J].地理与地理信息科学,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] 陈彦光.基于Matlab的地理数据分析[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] 王岽,吴见.农作物种类高光谱遥感识别研究[J].地理与地理信息科学,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

国家自然科学基金项目(40861022)；青海省重点实验室发展专项：青海省自然地理与环境过程重点实验室(2014-Z-Y24、2015-Z-Y01)

史飞飞(1991-)，男，硕士研究生，从事遥感应用与地理数据空间分析研究。*通讯作者E-mail：xiaohonggao226@163.com

10.3969/j.issn.1672-0504.2016.02.007

TP79

A

1672-0504(2016)02-0032-08