文章目录
1 材料和方法
1.1 研究区概况
1.2 光谱图像采集
1.3 原始光谱反射值提取
1.4 数据处理方法
1.4.1 预处理
1.4.2 降维
1.4.3 机器学习分类
1.4.4 精度评价方法
1.4.5 分析软件
2 结果与分析
2.1 原始光谱数据不同数学方法变换
2.2 PCA降维
2.3 基于机器学习方法的5种分类模型的植物分类精度比较
3 讨论
3.1 数学变换对植物光谱曲线的影响
3.2 数学变换对PCA降维后累计方差贡献率的影响
3.3 机器学习分类模型精度与数学变换的关系
4 结论
文章摘要:毒草种类识别是开展毒草危害面积调查、危害程度评估以及科学防治的前提。研发快速、高效和适用于大范围的毒草种类识别技术对于退化草地生态修复具有重要意义。本研究利用SOC710VP近红外高光谱成像仪,获取了高寒草甸11种主要毒草的光谱数据。采用Savitzky-Golay平滑处理、导数变换、归一化变换、均值中心化和对数变换等方式对高光谱数据进行预处理,利用主成分分析（PCA）方法对预处理数据进行降维处理后,分别用随机森林（RF）、支持向量机-径向核函数（SVM-RBF）、K临近算法（Knn）、朴素贝叶斯（NB）、决策树（DT）等算法对降维后光谱数据进行分类预测,以混淆矩阵总体精度为检验标准,筛选可用于高寒草甸主要毒草的近红外高光谱数据识别算法。结果表明:1)6种数学变换处理中,对数变换后样本光谱反射值差异最大;2)对数变换、平滑处理、均值中心化变换经PCA降维后PC1和PC2累计方差贡献率>85%;3)5种分类算法中,SVM-RBF算法分类精度最高,分类精度达到99.35%;4)使用前8个主成分分类时,分类精度SVM-RBF>RF>NB>Knn>DT。
文章关键词:
