英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
采用AISA Eagle分辨率重采样的高光谱数据判别草地退化评估指标草种
摘要：估计和绘制增加草种的技术的发展对于更好地理解草地状况和草地退化水平至关重要。 本文研究了重新采样到AISA Eagle分辨率的冠层反射光谱是否可以区分表示不同级别的牧场退化的四种增量物种。冠层光谱测量取自四种指示物种：Hyparrhenia hirta（HH），Eragrostis curvula（EC），Sporobolus africanus（SA）和Aristida diffusa（AD）。使用随机森林算法和正向变量选择技术来识别用于区分物种的最佳波长。结果显示，在区分四种增量物种时产生最低OOB误差（11.36％）的最佳波长数（n = 8）位于966.7,877.6,691.9,718.7,902.7,854.8,674.1和703nm处。这些波长位于电磁光谱的可见光，红边和近红外区域。随机森林算法可以准确地区分物种，总体准确率为88.64％，KHAT值为0.85。 该研究表明，可以将该方法升级为机载传感器，如AISA Eagle，以绘制草地退化指示物种。 应考虑轮换放牧管理计划，作为在退化地区建立可持续牧场管理的一种方式。
关键词：牧场退化 随机森林 指标种类 野外光谱仪测量 变量选择
1、绪论
草原退化的定义是在干旱，半干旱和干旱半湿润地区草地的生物和经济生产力的减少或暂时丧失（UNCCD，1995）。 目前，牧场退化已被确定为全球最严重的环境问题之一（Wessels等，2007）。在100多个国家中约有2.5亿人受到牧场退化的直接影响（Adger et al，2000; Wessels et al，2007）。 在南非，草地退化被认为是最严重和最普遍的环境问题之一（Hoffman和Todd，2000; Wessels等，2004）。与周边地区相比，总面积为4.8％（580万公顷）的南非土地被确定为退化的植被覆盖度较低（Thompson，1996; Wessels等，2004）。大面积的退化土地与南非和牲畜大量居住的公共土地和牧场相吻合（Hoffman and Todd，2000; Reid and Vogel，2006）。许多关于牧场退化的南非研究集中在商业领域（Palmer和van Rooyen，1998; Shackleton等，2005）。然而，公共区域还没有得到与商业区域相同的关注程度（Hoffman和Todd，2000; Wessels等人，2004）。持续的牧场退化对生物群落和生物多样性构成重大威胁（Lorent等，2008）。因此，需要制定计划策略，使用一致的，可重复的和空间明确的措施来绘制和监测不同尺度上的牧场退化（Prince等人，2009; Ravi等人，2010）。这些可持续土地管理的规划战略需要能够有效揭示土地的空间范围，大小和时间行为的技术（Prince et al，2009; Ravi et al，2010; Van Lynden and Mantel，2001）。 遥感技术提供了一种有效的经济有效的方法来评估和绘制草地退化（Ustin等，2009）。然而，利用遥感技术绘制草地退化需要简单的指标，以便将基于地面的方法与遥感数据相结合（Pyke等，2002）。 已经提出了几个指标来描绘牧场退化，如土壤有机质（Wang et al，2010），植被生产（Wessels et al，2008），天然和半自然植被群落（Hill等，2008）。这些研究的局限性在于它们主要集中在识别退化和未退化区域的二元图上。 虽然这些方法可以允许绘制两个类别之间的界线，但它们不允许使用可以轻松且直接地检测和监测的指标来识别不同程度的土地退化。 这种指示物可以是植物物种。这是因为某些植物物种适应特定的生长条件，其质量和数量随着生长条件的变化而减少或增加（Nordberg和Allard，2002; Van Doudtshoorn，1992）。在南非，草地物种根据放牧或不放牧的相对丰度变化分为两类增加物种和减少物种，这表明牧场状况（Vesk and Westoby，2001）。增加物种是通过放牧或利用不足而增加其相对丰度的物种，因此表明牧场条件差（Vesk and Westoby，2001; Van Oudtshoorn，1992）。增量物种已被分为三类，即增长者I，增长者II和增加者BI（du Toit，2009; Oluwole等，2008; Trollope，1990）。一些物种如Hyparrhenia hirta在未利用的情况下丰度增加，并且可以在放牧能力低的地区（如保存区）发现，而当牧场过度利用时（例如保存区），增加物种II的物种增加。 Eragrostis curvula和Sporobolus africanus）和增加III类物种（例如Aristida diffusa）在选择性放牧的牧场相对丰度的增加（du Toit，2009; Oluwole等人，2008; Trollope，1990; Van Doudtshoorn，1992）。退化梯度已被划分为范围从重度增加到增加I，增加II和增加III的物种到相对丰度较低的非退化牧场。 本研究考虑了四种增量物种I，IIa，IIb和III，因为它们是研究区域中唯一被确定为牧地退化指标的优势物种。因此，这些不同增量物种的相对丰度和分布可以用来将牧地状况分为中度（增加者I），贫穷（增加者II）和高度退化（增加者III），从而表明牧地退化的梯度。
有关增量物种的最新空间信息对于分类牧场状况是必不可少的。 据我们所知，还没有试图通过遥感将增殖物种区分为不同退化程度的指标。
传统上，测绘植被物种通常需要大量的田野工作，包括鉴定物种特征和对物种百分比的视觉估计，所有这些都是昂贵和耗时的，并且由于可及性差而有时不可能实现（Adam等人， 2009年; Muchoney和Haack，1994年）。 另一方面，遥感技术提供了一种经济有效的技术，为植被物种制图提供了及时和准确的信息（Ustin等，2009）。
特别是高光谱遥感正在发展为更深入的调查植物物种数量和质量的空间，时间和特征差异的手段（Us-tin et al。，2009）。 这是由于它使用了许多窄于10nm的窄带和连续光谱带。 这些频带可以检测物种水平的植被，这些植被被宽频带的多光谱卫星如SPOT（Ku-mar et al，2001; Mutanga and Skidmore，2004; Mutanga et al，2005）掩盖。高光谱遥感数据采用星载，机载传感器和手持式光谱仪获取（Adam等，2009）。目前，由于图像的成本和空中图像覆盖的小区域范围，高光谱遥感在更大范围内尚未达到操作水平。
然而，利用现场光谱数据研究指示植被物种的行为是了解构建可操作传感器以揭示牧场退化行为模式的关键波段，吸收特征和曲线的重要一步。由于高维度，应用统计方法时的过度拟合，对足够野外样本的过度需求以及高成本（Bajcsy和Groves，2004; Vaiphasa等，2007），处理高光谱遥感数据是具有挑战性的。因此，使用变量选择方法识别最佳和强大的波长而不丢失任何重要信息是超大规模遥感应用的先决条件（Adam和Mutanga，2009; Bajcsy和Groves，2004; Vaiphasa等，2007）。这种方法已经完成，不仅可以减少变量的数量来简化模型，而且可以确定哪些解释变量最适合对增量物种进行分类。 已经使用不同的统计技术来确定最佳波长，如差异分析，典型变量分析，分类树，支持向量机; 和主成分分析（Adam和Mutanga，2009; Cochrane，2000; Mutanga和Skidmore，2004）。
最近，由Breiman（2001）开发的随机森林算法已成功地用作高光谱数据的变量选择和分类算法（Adam等人，2009; Ismail，2010; Lawrence等人，2006）。 随机森林是一种树集成算法，它使用bagging即bootstrap聚集集成过程来构建多个单独的决策树，通过使用从训练数据集中提取的随机样本来提供多样化的决策树（Breiman，2001年）。 对训练数据进行采样以创建一个袋内分区来构造树（2/3的训练数据）和一个较小的袋外分区（训练数据集的1/3），以验证 每个构建的树（Ouml;zccedil;ift，2011）。 然后多棵树按照正确的分类投票。
本研究的目的是研究使用随机森林算法来识别对于区分四种指示物种（H. hirta，E. curv-ula，S. africanus和A. diffusa）最为敏感的关键波长 南非Okhombe的草地退化程度。 我们还试图调查是否可以使用随机森林算法来区分这四种物种的冠层反射光谱，重采样到AISA Eagle光谱分辨率。
2、材料和方法
2.1.研究区域
Okhombe是南非KwaZ-ulu-Natal省的公共牧场（图1），位于莱索托东北边界10-20公里之间，纬度28L300S和30L300S之间，经度28L300E和29L300E之间。 该地区的平均海拔高度从1200到3350米不等，夏季月平均气温为11.5到16 LC（Octo-ber-March）。在冬季（六月和七月），月平均温度达到5 LC，几乎每年冬季都会发生霜冻和积雪（Temme，2008）。 该地区年平均降雨量约为800-1000毫米，在夏季降雨量约为82％（Dollar和Goudy，1999）。 该地区的地质是斜坡和高原上普遍存在的泥岩，砂岩，till石，斜长石和玄武岩的混合物。 该地区的土壤是斜坡和高原上的格里芬和赫顿（Oxisol），Clovelly（Alfisol），Mispah和Glenrosa（Ebtisol / Enceptisol）。 研究区全面覆盖草地，有一些森林，灌木和树种斑块。植被群落与三个不同的海拔区域有关（OConnor和Bredenkamp，1997）。这些区域是河谷（1250-1800米），小伯格（1800-2500米）和山顶高原（2500-3350米）。 这些地带的常见植被种类有：Hyparrhenia，Eragrostis，Aristida，Themeda triandra，Digi-taria种，Panicum种，Monocymbium ceresiiforme，Sporobo-lus种和Miscanthus capense（OConnor和Bredenkamp，1997）。
2.2.野外数据收集
2.2.1.增加物种的鉴定
开展了强化野外工作，以确定与研究区牧场退化有关的草地物种（图2）。 然后根据它们的高相对丰度选择四种指示草种。 这些物种是H. hirta（HH），E. 曲叶草（EC），非洲黑种人（SA）和白花蛇舌草（DA）。 这些物种代表增量I，增长II和增长III类别（表1）。
2.2.2.冠层光谱测量
使用Analytical Spectral Devices（ASD）FieldSpec 3（ASD）从四种增量物种（H. hirta，E。curvula，S. africanus和A. diffusa）获取冠层水平的光谱测量值。 ASD的光谱范围为350-2500 nm，在350-1000 nm范围内的分辨率为1.4 nm，而在1000-2500 nm的光谱范围内分辨率为2.0 nm（ASD，2005）。使用Hawths Analysis Tool（HAT）在ArcGIS 9.3（Adam和Mutan-ga，2009）中生成随机点，研究组（Bangamwabo，2009）开发研究区的现有土地覆盖图。 一个物种的地块被定义为覆盖3立方米，其中目标物种（n = 4）更加均匀，每个地块中目标物种的相对丰度高达80％以上。每个草种（HH，EC，SA和AD）共生成75个地块。 然后用5L的视场从1.5m的最低点随机采集20-25个光谱测量值（表2）。在当地时间上午11点至下午2点30分（格林尼治标准时间：格林尼治标准时间 2），11月21日晴朗的晴天，在叶子上方产生了大约13厘米的地面视场。 然后对这些来自每块地块（n = 20-25）的光谱测量结果进行平均，以表示植被地块（n = 308）的光谱反射率。 然后使用ENVI 4.3图像处理软件（Mutanga，2005）将光谱测量结果重新采样到AISA Eagle光谱分辨率（图3）。 AISA Eagle数据具有2米的空间分辨率和在2.04至2.29纳米光谱分辨率下从393.2至994.1纳米（272波长）的光谱范围。 然后将重采样的AISA Eagle谱用于随后的分析。 然后将每个目标物种的数据随机分为70/30个训练数据集（n = 53）和测试数据集（n = 22）（Ismail和Mutanga，2011）。
3、数据分析
3.1使用随机森林算法（RF）测量变量重要性
随机森林算法是Breiman（2001）开发的一种基于森林的方法，用于克服传统基于树的方法的不稳定性。 Breiman（2001）定义随机森林算法如下：随机森林由多个决策树分类器的集合组成，定义为fhxx;HkTHORN;; k = 1; G。其中Hk表示相同分布的随机向量，每棵树在输入X处为最流行的类别投了一个单元投票。森林中的每个决策树都由以下步骤构成（图4）：
-
选择要种植的树木（T）的数量。
（2）选择分割每个节点的变量（f）的数量。 如果输入数据的变量由F表示，则必须满足
f lt;F。 在形成森林的过程中，特征f的子集保持不变。
（3）根据以下标准种植T棵树（ntree）：
（a）大小为n的Bootstrap样本是通过置换构造的，并且选择一个Sn样本来生长一棵树。
（b）为了在每个节点增长一棵树，m个特征被随机选择，并且它们被用来找到最佳分割。
（c）每棵树都会在不修剪的情况下长到最大尺寸。
为了对样本X进行分类（在本例中是增加物种），使用多数投票方案来评估森林中每棵树的投票。
RF算法提供了三个独立变量重要
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[24888]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
