基于近距离高光谱成像以及高山草甸植物的光谱-空间特征，对有害杂草进行了精确识别

《Ecological Informatics》：Fine identification of noxious weeds based on close-range hyperspectral imaging and spectral-spatial features of alpine meadow plants

高原草甸有害杂草识别中，基于近程高光谱遥感的谱空特征融合方法显著提升分类精度，实验采用光谱增强（一阶/二阶导数、连续去除）、纹理（GLCM）和形态（HOG）特征，结合Mahalanobis距离波段筛选，通过线性支持向量机、随机森林、轻量级梯度提升树和逻辑回归分类，总体精度达95.75%，Kappa系数0.95，验证了多源特征融合的有效性。

　　本研究聚焦于青藏高原高寒草甸中恶性杂草的识别问题，提出了一种基于近距离高光谱遥感技术的融合光谱与空间特征的方法。高寒草甸作为一种重要的生态系统，其退化趋势已成为影响生物多样性、草场生产力及生态稳定性的重要因素。由于高寒植被的低矮性、密集生长以及空间异质性，传统的遥感技术在识别和区分恶性杂草时面临诸多挑战。本研究通过整合光谱和空间信息，利用多种特征提取方法，如梯度信息、纹理指标、窄波段光谱指数（如NGNDVI、NPRI）以及一阶光谱导数，显著提高了恶性杂草识别的准确性。研究还通过Mahalanobis距离选择敏感光谱波段，并对四种分类器（LinearSVC、Random Forest、LightGBM和Logistic Regression）进行了分类性能评估。结果表明，一阶导数、光谱指数和纹理特征分别对分类性能贡献了27.07%、18.36%和11.66%；与仅使用光谱参数相比，结合空间和光谱特征的方法显著提升了分类精度，四个分类器的Kappa系数提高了6.89%、1.76%、1.47%和4.55%；在使用最优特征组合的情况下，总体分类精度超过了92%，其中最高Kappa系数达到了0.95。这些结果表明，结合近距离高光谱成像的光谱和空间特征，可以显著提升恶性杂草的检测准确性。该方法为高精度植被监测提供了可靠且实用的途径，可能有助于在脆弱的高寒生态系统中实现恶性杂草的早期干预和有效管理。

高寒草甸作为青藏高原的重要生态系统，其退化问题近年来日益严重，主要归因于过度放牧、鼠害以及气候变化等多重因素。恶性杂草的种类和数量不仅是草地退化的关键标志，也是预测植被群落结构的重要指标。当前，针对高寒草甸中恶性杂草的识别研究仍存在局限性，特别是在高光谱数据处理中，如何有效融合光谱与空间信息成为提升识别精度的关键。此外，传统机器学习方法在植被识别和入侵物种分类任务中仍具有较高的准确性，尤其是在结合波段选择和降维技术后，能够显著优于k-Nearest Neighbors（k-NN）和线性判别分析（LDA）等方法。因此，本研究采用传统机器学习模型，如LinearSVC、Random Forest、LightGBM和Logistic Regression，结合高光谱数据的特征提取与选择，探索了一种适用于高寒草甸恶性杂草识别的新方法。

研究区域选在了位于青藏高原与四川盆地过渡带的若尔盖高原，其平均海拔超过3500米，气候寒冷，年平均气温在0°C至5°C之间，冬季漫长而寒冷，夏季短暂且凉爽。年降水量约为600毫米，主要集中在6月至9月，全年日照时间接近2500小时。由于其高海拔和开阔的地形，若尔盖高原在晴朗天气下常能获得稳定的光照和大气条件，为高光谱数据的采集提供了良好的环境基础。此外，该区域的典型牧草包括Kobresia pygmaea和Poa crymophila，而常见的恶性杂草包括Aconitum gymnandrum、Thalictrum alpinum和Stellera chamaejasme。近年来，若尔盖高原的部分草场出现了局部退化现象，主要表现为植被覆盖减少、裸露地面增加以及恶性杂草的扩张。因此，该区域成为研究高寒草甸退化的重要地点。

为了确保研究的科学性和代表性，本研究采用了系统化的野外数据采集和预处理流程。在采集高光谱数据时，选择了7月31日的正午时段，以减少阴影和运动伪影的影响。所有数据均在同一时间采集，以避免因环境变化带来的不一致性。采集的原始高光谱图像经过辐射校正，随后使用标准白板进行反射率校准，生成反射率图像。为降低噪声，应用了Savitzky-Golay滤波器进行光谱平滑处理。所采集的数据覆盖了500 nm至900 nm的波段范围，空间分辨率达到0.001米，为后续的高精度识别提供了坚实的数据基础。

在特征提取方面，本研究综合考虑了光谱和空间特征的互补性。光谱特征方面，通过一阶导数、二阶导数变换和连续谱去除等方法，增强了高寒草甸植物之间的光谱差异。这些方法能够有效去除背景干扰，突出吸收特征，并提升不同健康状态植物之间的吸收谷深度差异。此外，研究还选取了多种窄波段光谱指数，如近红外植被反射率指数（NIRv）、Vogelmann红边指数（VREI1）、红边归一化植被指数（RENDVI）、简单比值植被指数（SR1、SR2）、窄波段光化学反射率指数（NPRI）、窄波段归一化植被指数（NNDVI）、窄波段叶绿素指数（NLCI）、窄波段绿光归一化植被指数（NGNDVI）和归一化植被指数（NDVI）等，用于识别恶性杂草。这些光谱指数在提升植物类别差异、减少土壤反射干扰以及增强植物光谱特征区分方面具有显著作用。

空间特征方面，本研究采用了主成分分析（PCA）对光谱特征进行降维，并基于灰度共生矩阵（GLCM）提取纹理特征。GLCM通过分析图像中相邻像素在特定距离和方向上的灰度相关性，能够有效提取纹理信息，从而描述图像的纹理特征。此外，为了进一步提升分类效果，研究还引入了基于方向梯度直方图（HOG）的形态特征提取方法。HOG通过计算图像中不同方向的梯度幅度和方向，能够捕捉植物的形状特征，为分类提供重要的补充信息。研究还对不同特征组合进行了评估，包括原始反射波段、一阶导数波段、二阶导数波段、连续谱去除波段、纹理特征和形态特征，构建了多种特征数据集，以寻找最优的分类策略。

在分类模型构建方面，研究采用了四种经典的机器学习方法，包括LinearSVC、Random Forest、LightGBM和Logistic Regression。这些模型在高维高光谱数据的分类任务中表现出良好的性能，尤其是在小样本和有限资源条件下，它们具有较高的效率和稳定性。其中，LightGBM在多个分类器中表现最佳，取得了95.14%的Kappa分类准确率和95.75%的总体分类准确率。此外，研究还对不同特征数据集的分类效果进行了对比，结果显示，融合空间和光谱特征的Dataset-F在分类性能上优于其他数据集，特别是在提升分类准确率方面具有显著优势。通过特征重要性分析，研究进一步确认了不同特征类型的贡献比例，其中一阶导数特征波段、光谱指数、连续谱去除波段和纹理特征分别贡献了27.07%、18.36%、16.55%和12.92%。

研究还分析了不同特征变量对恶性杂草识别的贡献度，结果显示，光谱指数、纹理特征、一阶导数波段和连续谱去除波段在识别过程中起到了关键作用。其中，GLCM的平均值（MEA）作为最重要的纹理特征，对识别恶性杂草具有显著贡献。此外，研究发现，尽管形态特征在识别中的贡献相对较小，但结合光谱、纹理和形态特征的多源融合方法能够显著提升分类效果。这种多源特征融合的策略在高寒草甸恶性杂草识别中具有重要的应用价值，尤其是在植被结构相似、环境条件相近的高寒和亚高山草甸中，能够有效提高分类精度，为生态监测和管理提供有力支持。

本研究的结果不仅验证了传统机器学习方法在高寒草甸恶性杂草识别中的有效性，还展示了光谱与空间特征融合在提升分类精度方面的潜力。通过引入Mahalanobis距离和递归特征消除（RFE）等波段选择策略，研究有效减少了冗余信息，降低了后续分类的计算负担。此外，研究还探讨了未来在更大区域范围内应用该方法的可能性，包括结合无人机多光谱或高光谱数据、优化空间分辨率以及探索跨尺度模型适应策略等。通过多源高光谱数据的整合，研究提出了一种兼顾高精度识别与广泛空间覆盖的方法，为高寒生态系统中恶性杂草的监测和管理提供了新的思路和技术手段。

本研究的意义在于，它不仅为高寒草甸植被的高精度监测提供了科学依据，还推动了传统机器学习方法在遥感数据处理中的应用。通过系统化的特征提取和分类模型构建，研究成功提升了恶性杂草识别的准确性，为生态退化评估和草地生态管理提供了重要的技术支撑。此外，研究结果还为未来高光谱数据的多源融合和跨区域应用提供了参考，有助于拓展遥感技术在生态监测和保护中的应用范围。本研究的方法在实际应用中具有较高的可行性，特别是在需要高精度识别的生态环境监测和管理任务中，能够发挥重要作用。