基于HJ-1A星HSI高光譜數(shù)據(jù)的南疆盆地主栽經(jīng)濟(jì)林樹(shù)種精準(zhǔn)識(shí)別研究一、引言1.1研究背景與目的南疆盆地地處我國(guó)西北邊陲，擁有得天獨(dú)厚的光熱資源，是我國(guó)重要的經(jīng)濟(jì)林種植區(qū)域之一。紅棗、核桃、巴旦木等經(jīng)濟(jì)林樹(shù)種在這里廣泛種植，不僅在防風(fēng)固沙、保持水土等生態(tài)保護(hù)方面發(fā)揮著關(guān)鍵作用，更是當(dāng)?shù)亟?jīng)濟(jì)發(fā)展的支柱產(chǎn)業(yè)，成為農(nóng)民增收致富的重要來(lái)源。例如，阿克蘇地區(qū)的紅棗產(chǎn)業(yè)，其種植面積和產(chǎn)量逐年攀升，紅棗加工企業(yè)也不斷涌現(xiàn)，形成了完整的產(chǎn)業(yè)鏈，帶動(dòng)了當(dāng)?shù)亟?jīng)濟(jì)的快速發(fā)展。然而，隨著經(jīng)濟(jì)林產(chǎn)業(yè)規(guī)模的不斷擴(kuò)大，如何高效、準(zhǔn)確地對(duì)經(jīng)濟(jì)林樹(shù)種進(jìn)行識(shí)別和監(jiān)測(cè)，成為了亟待解決的重要問(wèn)題。傳統(tǒng)的經(jīng)濟(jì)林樹(shù)種識(shí)別方法主要依賴(lài)于實(shí)地調(diào)查和人工觀(guān)測(cè)，這種方式不僅耗費(fèi)大量的人力、物力和時(shí)間，而且受限于觀(guān)測(cè)者的專(zhuān)業(yè)水平和經(jīng)驗(yàn)，容易出現(xiàn)誤判和漏判的情況。在面對(duì)大面積的經(jīng)濟(jì)林種植區(qū)域時(shí)，傳統(tǒng)方法的效率低下，難以滿(mǎn)足快速發(fā)展的經(jīng)濟(jì)林產(chǎn)業(yè)的需求。例如，在南疆盆地廣袤的果園中，人工識(shí)別樹(shù)種需要大量的工作人員進(jìn)行長(zhǎng)時(shí)間的實(shí)地巡查，成本高昂且準(zhǔn)確性難以保證。高光譜遙感技術(shù)的出現(xiàn)，為經(jīng)濟(jì)林樹(shù)種識(shí)別提供了新的解決方案。高光譜遙感具有光譜分辨率高、波段范圍窄、圖譜合一、連續(xù)成像等特點(diǎn)，能夠獲取地物在數(shù)百個(gè)連續(xù)波段上的光譜信息，從而區(qū)分出地物光譜的細(xì)微差別，探測(cè)到其他寬波段遙感無(wú)法探測(cè)的信息。通過(guò)分析不同樹(shù)種的光譜特征差異，可以實(shí)現(xiàn)對(duì)經(jīng)濟(jì)林樹(shù)種的精準(zhǔn)識(shí)別。與傳統(tǒng)識(shí)別方法相比，高光譜遙感具有快速、大面積監(jiān)測(cè)的優(yōu)勢(shì)，能夠在短時(shí)間內(nèi)獲取大量的森林信息，大大提高了識(shí)別效率和準(zhǔn)確性。HJ-1A星HSI高光譜數(shù)據(jù)具有較高的光譜分辨率和適中的空間分辨率，能夠?yàn)榻?jīng)濟(jì)林樹(shù)種識(shí)別提供豐富的光譜信息和一定的空間細(xì)節(jié)。其數(shù)據(jù)覆蓋范圍廣，獲取成本相對(duì)較低，適合用于大面積的經(jīng)濟(jì)林監(jiān)測(cè)。利用HJ-1A星HSI高光譜數(shù)據(jù)進(jìn)行南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別研究，對(duì)于提高經(jīng)濟(jì)林資源監(jiān)測(cè)水平、優(yōu)化產(chǎn)業(yè)布局、促進(jìn)經(jīng)濟(jì)林產(chǎn)業(yè)的可持續(xù)發(fā)展具有重要意義。通過(guò)準(zhǔn)確識(shí)別經(jīng)濟(jì)林樹(shù)種，可以為科學(xué)種植、精準(zhǔn)管理提供依據(jù)，提高經(jīng)濟(jì)林的產(chǎn)量和質(zhì)量，增加農(nóng)民收入，推動(dòng)南疆地區(qū)經(jīng)濟(jì)的繁榮發(fā)展。1.2國(guó)內(nèi)外研究現(xiàn)狀在國(guó)外，高光譜數(shù)據(jù)在樹(shù)種識(shí)別領(lǐng)域的研究開(kāi)展較早且成果豐碩。例如，Gong等利用ANN分類(lèi)法對(duì)光譜數(shù)據(jù)進(jìn)行判別，成功區(qū)分出1種闊葉樹(shù)種和6種針葉樹(shù)種，分類(lèi)精度大于90%，展示了高光譜數(shù)據(jù)結(jié)合特定分類(lèi)算法在樹(shù)種識(shí)別上的高精度潛力。Martin等利用AVIRIS高光譜數(shù)據(jù)與樹(shù)種葉片化學(xué)成分之間的關(guān)系，鑒別出11種樹(shù)種類(lèi)型，為基于光譜與生化關(guān)系的樹(shù)種分類(lèi)提供了新的思路，揭示了從化學(xué)成分角度深入挖掘樹(shù)種光譜特征差異的可行性。Petropoulos等分別采用支持向量機(jī)和基于對(duì)象的分類(lèi)方法，對(duì)Hyperion高光譜影像進(jìn)行土地覆蓋類(lèi)型分類(lèi)，發(fā)現(xiàn)基于對(duì)象的分類(lèi)方法精度更高，凸顯了分類(lèi)方法選擇對(duì)高光譜影像分類(lèi)精度的重要影響，也表明針對(duì)高光譜數(shù)據(jù)特點(diǎn)優(yōu)化分類(lèi)策略的必要性。國(guó)內(nèi)對(duì)于高光譜數(shù)據(jù)用于樹(shù)種識(shí)別的研究也在不斷深入發(fā)展。童慶禧等利用光譜波形匹配算法對(duì)MAIS高光譜影像進(jìn)行植被類(lèi)型識(shí)別，獲得了鄱陽(yáng)湖典型濕地的植被分類(lèi)圖，為高光譜數(shù)據(jù)在濕地植被，尤其是樹(shù)種識(shí)別方面提供了實(shí)用依據(jù)，開(kāi)拓了高光譜數(shù)據(jù)在特定生態(tài)環(huán)境下樹(shù)種識(shí)別的應(yīng)用方向。王圓圓等采用隨機(jī)子空間法對(duì)OMIS高光譜遙感數(shù)據(jù)進(jìn)行識(shí)別，并利用遺傳算法來(lái)提高分類(lèi)精度，探索了多種算法結(jié)合提升高光譜數(shù)據(jù)樹(shù)種識(shí)別精度的途徑，體現(xiàn)了國(guó)內(nèi)在算法融合創(chuàng)新以適應(yīng)高光譜數(shù)據(jù)處理方面的積極嘗試。劉秀英等使用地物光譜儀測(cè)得的光譜數(shù)據(jù)，采用逐步判別分析方法、特征波段選擇等方法識(shí)別出4種樹(shù)種，從基礎(chǔ)的光譜測(cè)量和分析方法入手，為高光譜樹(shù)種識(shí)別的基礎(chǔ)研究提供了參考，強(qiáng)調(diào)了準(zhǔn)確獲取光譜數(shù)據(jù)及合理選擇分析方法的重要性。綜合國(guó)內(nèi)外研究，當(dāng)前利用高光譜數(shù)據(jù)進(jìn)行樹(shù)種識(shí)別在不同地區(qū)和方法上取得了一定成果，但仍存在一些不足。在數(shù)據(jù)獲取方面，部分高光譜傳感器成本高昂、覆蓋范圍有限，如機(jī)載高光譜傳感器，限制了其在更大尺度森林樹(shù)種識(shí)別研究中的應(yīng)用；隨著傳感器通道數(shù)增加，與空間平臺(tái)數(shù)據(jù)傳輸資源的矛盾也日益突出。在數(shù)據(jù)處理與分析算法上，雖然已發(fā)展多種分類(lèi)和特征提取方法，但算法相對(duì)滯后，智能化程度有待提高，例如在自動(dòng)識(shí)別端元、自適應(yīng)濾波完成混合光譜分解等方面仍需改進(jìn)，以提高處理精度和效率，降低人工參與度。此外，不同地區(qū)的研究成果在通用性上存在局限，針對(duì)南疆盆地獨(dú)特的地理環(huán)境、氣候條件以及主栽經(jīng)濟(jì)林樹(shù)種的高光譜識(shí)別研究相對(duì)較少。本研究的創(chuàng)新點(diǎn)在于聚焦南疆盆地這一特定區(qū)域，利用HJ-1A星HSI高光譜數(shù)據(jù)開(kāi)展主栽經(jīng)濟(jì)林樹(shù)種識(shí)別研究。結(jié)合南疆盆地經(jīng)濟(jì)林樹(shù)種的特性，綜合考慮當(dāng)?shù)氐牡乩?、氣候等環(huán)境因素，探索適合該區(qū)域的高光譜數(shù)據(jù)處理與分析方法，有望為南疆盆地經(jīng)濟(jì)林資源監(jiān)測(cè)提供更具針對(duì)性和實(shí)用性的技術(shù)手段，填補(bǔ)該地區(qū)在這方面研究的部分空白，同時(shí)也為其他類(lèi)似干旱半干旱地區(qū)的經(jīng)濟(jì)林樹(shù)種識(shí)別研究提供參考和借鑒。1.3研究意義本研究基于HJ-1A星HSI高光譜數(shù)據(jù)開(kāi)展南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別研究，具有重要的理論與實(shí)踐意義。在理論層面，豐富了高光譜遙感在經(jīng)濟(jì)林樹(shù)種識(shí)別領(lǐng)域的應(yīng)用研究。高光譜遙感技術(shù)雖已在多領(lǐng)域有所應(yīng)用，但針對(duì)南疆盆地獨(dú)特地理環(huán)境與主栽經(jīng)濟(jì)林樹(shù)種的研究相對(duì)匱乏。本研究深入分析該區(qū)域紅棗、核桃、巴旦木等經(jīng)濟(jì)林樹(shù)種在HJ-1A星HSI高光譜數(shù)據(jù)下的光譜特征，探索適合的分類(lèi)方法與特征提取技術(shù)，為高光譜遙感在干旱半干旱地區(qū)經(jīng)濟(jì)林監(jiān)測(cè)研究提供新的理論依據(jù)與技術(shù)參考，完善了高光譜遙感應(yīng)用的理論體系，推動(dòng)其在特定區(qū)域和樹(shù)種識(shí)別方面的理論發(fā)展。在實(shí)踐層面，為南疆盆地經(jīng)濟(jì)林資源管理提供了強(qiáng)有力的技術(shù)支持。準(zhǔn)確識(shí)別經(jīng)濟(jì)林樹(shù)種是資源清查的基礎(chǔ)，傳統(tǒng)清查方式效率低、誤差大，難以滿(mǎn)足大規(guī)模經(jīng)濟(jì)林資源管理需求。本研究利用高光譜遙感的快速、大面積監(jiān)測(cè)優(yōu)勢(shì)，能夠精準(zhǔn)獲取南疆盆地經(jīng)濟(jì)林樹(shù)種分布與面積信息，為資源清查提供高效、準(zhǔn)確的數(shù)據(jù)，助力林業(yè)部門(mén)及時(shí)掌握資源動(dòng)態(tài)，合理規(guī)劃種植布局，避免樹(shù)種盲目擴(kuò)張或縮減，實(shí)現(xiàn)資源的科學(xué)配置與可持續(xù)利用。此外，對(duì)于南疆盆地經(jīng)濟(jì)林產(chǎn)業(yè)規(guī)劃與發(fā)展具有重要指導(dǎo)意義。通過(guò)精確識(shí)別不同經(jīng)濟(jì)林樹(shù)種，結(jié)合樹(shù)種生長(zhǎng)特性與市場(chǎng)需求，可為當(dāng)?shù)亟?jīng)濟(jì)林產(chǎn)業(yè)發(fā)展提供科學(xué)決策依據(jù)。例如，依據(jù)市場(chǎng)對(duì)紅棗、核桃等產(chǎn)品的需求，合理調(diào)整種植結(jié)構(gòu)，優(yōu)化產(chǎn)業(yè)布局，促進(jìn)經(jīng)濟(jì)林產(chǎn)業(yè)規(guī)?；?biāo)準(zhǔn)化發(fā)展，提高經(jīng)濟(jì)效益，增加農(nóng)民收入，推動(dòng)南疆地區(qū)鄉(xiāng)村振興戰(zhàn)略實(shí)施，對(duì)維護(hù)區(qū)域生態(tài)平衡與經(jīng)濟(jì)繁榮穩(wěn)定起到積極作用。二、研究區(qū)與數(shù)據(jù)2.1研究區(qū)概況南疆盆地地處歐亞大陸腹地，位于新疆南部，地理坐標(biāo)約為東經(jīng)73°-93°，北緯35°-42°之間，周邊與多個(gè)國(guó)家接壤，邊境線(xiàn)漫長(zhǎng)。其北倚天山山脈，南靠昆侖山脈，西臨帕米爾高原，東南部是阿爾金山，整體地勢(shì)西高東低，呈現(xiàn)出四周山脈環(huán)繞、中部為大型封閉性山間盆地的地貌格局。獨(dú)特的地理位置使其成為典型的溫帶大陸性干旱氣候區(qū)，冬季寒冷，夏季溫暖，降水稀少，蒸發(fā)量大，年平均降水量?jī)H為50-100毫米，而年蒸發(fā)量卻高達(dá)2000-3000毫米。但該區(qū)域光照資源極為豐富，年日照時(shí)數(shù)長(zhǎng)達(dá)2550-3500小時(shí)，晝夜溫差大，平均日較差可達(dá)10-15℃，這種氣候條件為經(jīng)濟(jì)林樹(shù)種的生長(zhǎng)提供了獨(dú)特的環(huán)境。南疆盆地土壤類(lèi)型多樣，主要有灰漠土、棕漠土、風(fēng)沙土等?；夷林饕植荚谏角捌皆G洲，土層深厚，質(zhì)地適中，肥力較高，適合多種經(jīng)濟(jì)林樹(shù)種的種植，如紅棗、核桃等；棕漠土多分布在盆地中部和南部，土壤質(zhì)地較粗，肥力較低，保水保肥能力差，但在經(jīng)過(guò)改良后，也可種植一些耐旱、耐瘠薄的經(jīng)濟(jì)林樹(shù)種，如巴旦木；風(fēng)沙土主要分布在沙漠邊緣和河流沿岸，透氣性好，但保水性差，容易受到風(fēng)沙侵蝕，需要采取防風(fēng)固沙措施后，才能種植適應(yīng)沙地環(huán)境的經(jīng)濟(jì)林樹(shù)種。南疆盆地的氣候和土壤條件對(duì)經(jīng)濟(jì)林樹(shù)種的分布和生長(zhǎng)產(chǎn)生了顯著影響。紅棗喜光、耐旱、耐鹽堿，在南疆盆地充足的光照和相對(duì)貧瘠的土壤條件下能夠良好生長(zhǎng)，主要分布在阿克蘇地區(qū)、喀什地區(qū)等地，這些地區(qū)的紅棗果實(shí)飽滿(mǎn)、糖分高，品質(zhì)優(yōu)良。核桃適宜生長(zhǎng)在土層深厚、肥沃、排水良好的土壤中，南疆盆地山前平原綠洲的灰漠土為其提供了理想的生長(zhǎng)環(huán)境，溫宿縣等地的核桃種植規(guī)模大，產(chǎn)量高，所產(chǎn)核桃個(gè)大、殼薄、仁飽滿(mǎn)。巴旦木耐旱、耐瘠薄，對(duì)土壤肥力要求不高，在棕漠土分布區(qū)能夠茁壯成長(zhǎng)，喀什地區(qū)是巴旦木的主要產(chǎn)區(qū)之一，其產(chǎn)出的巴旦木口感香脆，營(yíng)養(yǎng)豐富。選擇南疆盆地作為研究區(qū)具有很強(qiáng)的代表性。它是我國(guó)重要的經(jīng)濟(jì)林種植基地，紅棗、核桃、巴旦木等經(jīng)濟(jì)林樹(shù)種的種植面積和產(chǎn)量在全國(guó)占有重要地位，對(duì)當(dāng)?shù)亟?jīng)濟(jì)發(fā)展和生態(tài)保護(hù)意義重大。其獨(dú)特的干旱氣候和多樣的土壤類(lèi)型，為研究不同環(huán)境條件下經(jīng)濟(jì)林樹(shù)種的光譜特征和識(shí)別方法提供了豐富的樣本，研究成果不僅對(duì)南疆盆地經(jīng)濟(jì)林產(chǎn)業(yè)發(fā)展具有重要指導(dǎo)作用，也可為其他干旱半干旱地區(qū)的經(jīng)濟(jì)林樹(shù)種識(shí)別和監(jiān)測(cè)提供借鑒和參考。2.2數(shù)據(jù)來(lái)源與獲取本研究使用的HJ-1A星HSI高光譜數(shù)據(jù)獲取于2022年8月，正值南疆盆地經(jīng)濟(jì)林樹(shù)種生長(zhǎng)旺盛期，此時(shí)期樹(shù)種的光譜特征最為明顯，能夠?yàn)闃?shù)種識(shí)別提供豐富且典型的光譜信息。數(shù)據(jù)通過(guò)中國(guó)資源衛(wèi)星應(yīng)用中心的官方數(shù)據(jù)訂購(gòu)平臺(tái)進(jìn)行獲取，該平臺(tái)提供了經(jīng)過(guò)初步預(yù)處理的Level1級(jí)數(shù)據(jù)產(chǎn)品，數(shù)據(jù)質(zhì)量可靠，包含了輻射定標(biāo)和幾何粗校正等基本處理，為后續(xù)的深入分析奠定了良好基礎(chǔ)。輔助數(shù)據(jù)方面，地形圖來(lái)源于國(guó)家基礎(chǔ)地理信息中心，選用的是1:50000比例尺的數(shù)字高程模型（DEM）數(shù)據(jù)。該數(shù)據(jù)精度高，能夠準(zhǔn)確反映研究區(qū)的地形地貌特征，在后續(xù)的大氣校正和地形校正過(guò)程中發(fā)揮關(guān)鍵作用，有效消除地形起伏對(duì)光譜信息的影響，提高數(shù)據(jù)的準(zhǔn)確性和可靠性。地面調(diào)查數(shù)據(jù)通過(guò)實(shí)地調(diào)研獲取。在2022年8月與HJ-1A星HSI高光譜數(shù)據(jù)獲取同步進(jìn)行，研究團(tuán)隊(duì)深入南疆盆地各主要經(jīng)濟(jì)林種植區(qū)域，包括阿克蘇地區(qū)、喀什地區(qū)、和田地區(qū)等地。采用分層隨機(jī)抽樣的方法，在不同地形、土壤條件和種植規(guī)模的區(qū)域內(nèi)設(shè)置樣地，共選取了300個(gè)樣地，每個(gè)樣地面積為30m×30m。在樣地內(nèi)，詳細(xì)記錄經(jīng)濟(jì)林樹(shù)種的種類(lèi)、樹(shù)齡、生長(zhǎng)狀況等信息，并使用手持式光譜儀（ASDFieldSpec4）測(cè)量樹(shù)種的光譜反射率，每個(gè)樹(shù)種在不同樣地內(nèi)測(cè)量30次，共獲取900條實(shí)測(cè)光譜數(shù)據(jù)。這些地面調(diào)查數(shù)據(jù)不僅用于驗(yàn)證和校正高光譜數(shù)據(jù)，還為后續(xù)的樹(shù)種識(shí)別模型訓(xùn)練提供了準(zhǔn)確的樣本數(shù)據(jù)，確保了研究結(jié)果的準(zhǔn)確性和可靠性。2.3數(shù)據(jù)預(yù)處理為確保HJ-1A星HSI高光譜數(shù)據(jù)的質(zhì)量，提高后續(xù)樹(shù)種識(shí)別的精度，對(duì)獲取的數(shù)據(jù)進(jìn)行了全面、細(xì)致的預(yù)處理，主要包括大氣校正、幾何校正和輻射校正等關(guān)鍵步驟。大氣校正旨在消除大氣對(duì)高光譜數(shù)據(jù)的影響，獲取準(zhǔn)確的地物反射率。由于大氣中的氣體分子、氣溶膠等會(huì)對(duì)太陽(yáng)輻射產(chǎn)生吸收和散射作用，使得傳感器接收到的輻射信息包含了大氣的干擾，導(dǎo)致地物的真實(shí)光譜特征被掩蓋。本研究采用基于MODTRAN5輻射傳輸模型的FLAASH算法進(jìn)行大氣校正。在ENVI軟件中打開(kāi)FLAASH工具，首先選擇經(jīng)過(guò)輻射定標(biāo)后的輻射亮度數(shù)據(jù)作為輸入，設(shè)置輸出反射率文件的路徑和文件名，以及其他文件的輸出目錄。根據(jù)研究區(qū)的地理位置和成像時(shí)間，選擇合適的大氣模型，如中緯度夏季大氣模型；氣溶膠模型選擇城市型，氣溶膠反演方法采用2波段（K-T）。通過(guò)這些參數(shù)設(shè)置，F(xiàn)LAASH算法能夠精確模擬大氣對(duì)輻射的傳輸過(guò)程，有效去除大氣散射和吸收的影響，使校正后的圖像更接近地物的真實(shí)反射率，為后續(xù)的光譜分析提供可靠的數(shù)據(jù)基礎(chǔ)。幾何校正的目的是消除圖像中的幾何變形，使圖像的地理位置與實(shí)際地理坐標(biāo)精確匹配。高光譜數(shù)據(jù)在獲取過(guò)程中，由于衛(wèi)星平臺(tái)的姿態(tài)變化、地球曲率、地形起伏以及傳感器自身的性能等因素，會(huì)導(dǎo)致圖像產(chǎn)生幾何畸變，如平移、旋轉(zhuǎn)、縮放和扭曲等。這些幾何變形會(huì)影響圖像的空間精度，使得不同圖像之間難以進(jìn)行準(zhǔn)確的對(duì)比和分析。本研究利用研究區(qū)的1:50000比例尺數(shù)字高程模型（DEM）數(shù)據(jù)和地面控制點(diǎn)進(jìn)行幾何校正。在ENVI軟件中，選擇幾何校正模塊，導(dǎo)入DEM數(shù)據(jù)，通過(guò)在圖像和DEM上選取同名地面控制點(diǎn)，構(gòu)建幾何校正模型，如多項(xiàng)式模型。經(jīng)過(guò)多次迭代優(yōu)化，使控制點(diǎn)的均方根誤差（RMSE）控制在0.5個(gè)像元以?xún)?nèi)，確保校正后的圖像具有較高的空間精度，能夠準(zhǔn)確反映地物的實(shí)際地理位置。輻射校正主要是將圖像的數(shù)字量化值（DN）轉(zhuǎn)換為具有物理意義的輻射亮度值或反射率，以消除傳感器自身的系統(tǒng)誤差和不同觀(guān)測(cè)條件下的輻射差異。HJ-1A星HSI高光譜數(shù)據(jù)在獲取時(shí)，傳感器的響應(yīng)特性可能存在不一致性，導(dǎo)致不同波段、不同像元之間的輻射值存在偏差。此外，太陽(yáng)高度角、觀(guān)測(cè)角度等因素也會(huì)影響輻射值的大小。本研究使用ENVI軟件中的通用輻射定標(biāo)工具進(jìn)行輻射校正，該工具能夠自動(dòng)從元數(shù)據(jù)文件中讀取輻射定標(biāo)參數(shù)，將DN值轉(zhuǎn)換為輻射亮度值，單位為μW/(cm2?sr?nm)。具體操作時(shí)，選擇待校正的高光譜數(shù)據(jù)，在輻射定標(biāo)面板中設(shè)置定標(biāo)類(lèi)型為輻射率數(shù)據(jù)，單擊ApplyFLAASHSettings按鈕，自動(dòng)設(shè)置數(shù)據(jù)類(lèi)型為Float，儲(chǔ)存順序?yàn)锽IL或BIP，輻射率數(shù)據(jù)單位調(diào)整系數(shù)為0.1。通過(guò)輻射校正，使得不同圖像之間的輻射值具有可比性，為后續(xù)的定量分析提供了準(zhǔn)確的數(shù)據(jù)支持。經(jīng)過(guò)大氣校正、幾何校正和輻射校正等預(yù)處理步驟后，HJ-1A星HSI高光譜數(shù)據(jù)的質(zhì)量得到了顯著提高，有效消除了大氣、幾何和輻射等因素的干擾，準(zhǔn)確地反映了地物的真實(shí)光譜特征和地理位置信息，為南疆盆地主栽經(jīng)濟(jì)林樹(shù)種的識(shí)別和分析奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。三、高光譜數(shù)據(jù)特征分析3.1HJ-1A星HSI數(shù)據(jù)特性HJ-1A星搭載的超光譜成像儀（HSI）在高光譜數(shù)據(jù)獲取方面具有獨(dú)特優(yōu)勢(shì)，其數(shù)據(jù)特性對(duì)南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別研究至關(guān)重要。在光譜分辨率上，HJ-1A星HSI數(shù)據(jù)表現(xiàn)卓越，平均光譜分辨率高達(dá)4.32nm。這一高分辨率使得該數(shù)據(jù)能夠捕捉到地物光譜的細(xì)微變化，例如不同經(jīng)濟(jì)林樹(shù)種在特定波段上的微弱吸收或反射差異。以紅棗、核桃和巴旦木為例，它們?cè)诮t外波段的光譜特征雖然總體趨勢(shì)相似，但在一些窄波段范圍內(nèi)，由于葉片內(nèi)部結(jié)構(gòu)、色素含量等差異，會(huì)產(chǎn)生獨(dú)特的吸收峰或反射峰。高光譜分辨率能夠精準(zhǔn)地分辨這些細(xì)微差別，為樹(shù)種識(shí)別提供了豐富的光譜信息。相比之下，多光譜遙感數(shù)據(jù)的光譜分辨率較低，通常只能獲取幾個(gè)到幾十個(gè)波段的信息，難以區(qū)分這些樹(shù)種之間的細(xì)微光譜差異，導(dǎo)致識(shí)別精度受限。其波段范圍處于459-956nm，涵蓋了可見(jiàn)光和近紅外波段。在可見(jiàn)光波段（400-760nm），不同樹(shù)種的葉片顏色和色素組成差異會(huì)導(dǎo)致對(duì)不同波長(zhǎng)光的吸收和反射不同。例如，葉綠素對(duì)藍(lán)光和紅光有較強(qiáng)的吸收，而對(duì)綠光反射較多，使得健康的綠色植被在綠光波段呈現(xiàn)較高的反射率，形成典型的“綠峰”。不同經(jīng)濟(jì)林樹(shù)種由于葉綠素含量、葉片厚度等因素的不同，其“綠峰”的位置和高度會(huì)有所差異，通過(guò)分析這些差異可以初步區(qū)分樹(shù)種。在近紅外波段（760-1300nm），植被葉片內(nèi)部的細(xì)胞結(jié)構(gòu)對(duì)光的散射和反射起主要作用。由于不同樹(shù)種葉片細(xì)胞結(jié)構(gòu)不同，如細(xì)胞大小、排列方式等，導(dǎo)致在近紅外波段的光譜反射率存在明顯差異，進(jìn)一步為樹(shù)種識(shí)別提供了依據(jù)。HJ-1A星HSI數(shù)據(jù)的空間分辨率為100m，這意味著每個(gè)像元代表地面100m×100m的區(qū)域。在南疆盆地大面積的經(jīng)濟(jì)林種植區(qū)域中，該空間分辨率能夠較好地反映經(jīng)濟(jì)林的分布情況，將不同樹(shù)種的種植區(qū)域區(qū)分開(kāi)來(lái)。在阿克蘇地區(qū)的紅棗種植區(qū)，通過(guò)100m分辨率的影像可以清晰地看到紅棗林的邊界和分布范圍，與周邊的核桃林、巴旦木林等明顯區(qū)分。與高空間分辨率（如小于10m）的數(shù)據(jù)相比，雖然HJ-1A星HSI數(shù)據(jù)在細(xì)節(jié)表現(xiàn)上稍顯不足，無(wú)法精確識(shí)別單棵樹(shù)木的種類(lèi)，但在大面積經(jīng)濟(jì)林監(jiān)測(cè)中，其覆蓋范圍廣、數(shù)據(jù)獲取成本相對(duì)較低的優(yōu)勢(shì)更加突出；而與低空間分辨率（如大于1km）的數(shù)據(jù)相比，HJ-1A星HSI數(shù)據(jù)能夠提供更詳細(xì)的地物信息，更適合用于經(jīng)濟(jì)林樹(shù)種識(shí)別研究。綜上所述，HJ-1A星HSI數(shù)據(jù)憑借其高光譜分辨率、適中的波段范圍和空間分辨率，能夠?yàn)槟辖璧刂髟越?jīng)濟(jì)林樹(shù)種識(shí)別提供豐富、準(zhǔn)確的光譜和空間信息，在經(jīng)濟(jì)林樹(shù)種識(shí)別研究中具有巨大的潛力和優(yōu)勢(shì)，為后續(xù)的樹(shù)種識(shí)別方法研究和模型構(gòu)建奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。3.2南疆盆地主栽經(jīng)濟(jì)林樹(shù)種光譜特征為深入探究南疆盆地主栽經(jīng)濟(jì)林樹(shù)種的光譜特征，本研究針對(duì)核桃、紅棗、巴旦木這三種主要經(jīng)濟(jì)林樹(shù)種，分別在其萌芽期、花期、果期和落葉期四個(gè)關(guān)鍵生長(zhǎng)階段，利用手持式光譜儀（ASDFieldSpec4）進(jìn)行了實(shí)地光譜測(cè)量，每個(gè)生長(zhǎng)階段每個(gè)樹(shù)種測(cè)量30次，共計(jì)獲取360條實(shí)測(cè)光譜數(shù)據(jù)。測(cè)量時(shí)，確保儀器探頭垂直于樹(shù)冠頂部，距離樹(shù)冠約1米，以獲取準(zhǔn)確的樹(shù)冠光譜信息。同時(shí)，在HJ-1A星HSI高光譜影像上，通過(guò)地面控制點(diǎn)和高精度的地理信息系統(tǒng)（GIS）數(shù)據(jù)，精確選取與實(shí)地測(cè)量樣地對(duì)應(yīng)的像元，提取這些像元在不同生長(zhǎng)階段的光譜信息，建立了實(shí)地測(cè)量光譜與高光譜影像光譜的對(duì)應(yīng)關(guān)系。核桃在整個(gè)生長(zhǎng)周期中，其光譜曲線(xiàn)呈現(xiàn)出明顯的變化規(guī)律。在萌芽期，由于葉片尚未完全展開(kāi)，葉綠素含量較低，光譜曲線(xiàn)在可見(jiàn)光波段的反射率相對(duì)較高，尤其是在綠光波段（540-560nm），形成一個(gè)明顯的“綠峰”，反射率可達(dá)0.3左右；在近紅外波段（760-1300nm），反射率相對(duì)較低，約為0.4-0.5。隨著生長(zhǎng)進(jìn)程進(jìn)入花期，葉片逐漸生長(zhǎng)，葉綠素含量增加，可見(jiàn)光波段的反射率有所下降，“綠峰”反射率降至0.25左右；近紅外波段反射率則上升至0.6-0.7，這是因?yàn)槿~片內(nèi)部細(xì)胞結(jié)構(gòu)逐漸發(fā)育完善，對(duì)近紅外光的散射和反射增強(qiáng)。果期時(shí)，核桃樹(shù)生長(zhǎng)最為旺盛，葉片葉綠素含量達(dá)到峰值，可見(jiàn)光波段反射率進(jìn)一步降低，“綠峰”反射率約為0.2；近紅外波段反射率繼續(xù)升高，達(dá)到0.8-0.9。進(jìn)入落葉期，葉片葉綠素逐漸分解，光譜曲線(xiàn)在可見(jiàn)光波段反射率回升，近紅外波段反射率大幅下降，分別恢復(fù)至萌芽期的水平。紅棗的光譜特征在不同生長(zhǎng)階段也有顯著差異。萌芽期，紅棗樹(shù)光譜曲線(xiàn)在可見(jiàn)光波段反射率較高，“綠峰”反射率約為0.32；近紅外波段反射率為0.45左右?；ㄆ跁r(shí)，可見(jiàn)光波段反射率下降至0.27左右，近紅外波段反射率上升至0.65。果期，紅棗樹(shù)光合作用最強(qiáng)，葉綠素含量豐富，可見(jiàn)光波段反射率最低，“綠峰”反射率僅為0.22；近紅外波段反射率高達(dá)0.9-1.0。落葉期，光譜曲線(xiàn)變化趨勢(shì)與核桃類(lèi)似，可見(jiàn)光波段反射率回升至0.3左右，近紅外波段反射率下降至0.5左右。巴旦木的光譜特征與核桃、紅棗有所不同。萌芽期，其光譜曲線(xiàn)在可見(jiàn)光波段反射率相對(duì)較低，“綠峰”反射率約為0.28；近紅外波段反射率為0.5左右?；ㄆ跁r(shí)，可見(jiàn)光波段反射率略有下降，近紅外波段反射率上升至0.7。果期，巴旦木葉片對(duì)光的吸收和反射特性表現(xiàn)獨(dú)特，可見(jiàn)光波段反射率在0.25左右，近紅外波段反射率達(dá)到0.85-0.95。落葉期，可見(jiàn)光波段反射率回升至0.3左右，近紅外波段反射率下降至0.6左右。對(duì)比三種樹(shù)種的光譜曲線(xiàn)，在可見(jiàn)光波段，萌芽期和落葉期，三種樹(shù)種的光譜差異相對(duì)較小，但在花期和果期，紅棗的“綠峰”反射率相對(duì)較低，核桃和巴旦木相對(duì)較高；在近紅外波段，果期時(shí)，巴旦木的反射率最高，紅棗次之，核桃相對(duì)較低。這些光譜特征的差異主要與樹(shù)種的生物學(xué)特性有關(guān)，如葉片結(jié)構(gòu)、葉綠素含量、葉面積指數(shù)等。葉片結(jié)構(gòu)緊密、葉綠素含量高的樹(shù)種，在可見(jiàn)光波段對(duì)光的吸收能力強(qiáng)，反射率低；而葉片內(nèi)部細(xì)胞間隙大、葉面積指數(shù)大的樹(shù)種，在近紅外波段對(duì)光的散射和反射能力強(qiáng)，反射率高。此外，生長(zhǎng)環(huán)境因素如土壤肥力、水分條件、光照強(qiáng)度等也會(huì)對(duì)光譜特征產(chǎn)生一定影響。在土壤肥力較高、水分充足的區(qū)域，經(jīng)濟(jì)林樹(shù)種生長(zhǎng)健壯，葉綠素含量高，光譜曲線(xiàn)在可見(jiàn)光波段反射率較低，近紅外波段反射率較高；而在干旱、貧瘠的土壤環(huán)境中，樹(shù)種生長(zhǎng)受到抑制，光譜特征會(huì)發(fā)生相應(yīng)變化。不同生長(zhǎng)階段的光譜特征與樹(shù)種的生長(zhǎng)狀況密切相關(guān)。通過(guò)分析光譜曲線(xiàn)的變化，可以監(jiān)測(cè)樹(shù)種的生長(zhǎng)進(jìn)程和健康狀況。在果期，光譜曲線(xiàn)在近紅外波段的反射率高，表明樹(shù)種生長(zhǎng)旺盛，光合作用強(qiáng)；若在該時(shí)期光譜曲線(xiàn)出現(xiàn)異常，如近紅外波段反射率降低，可能預(yù)示著樹(shù)種受到病蟲(chóng)害侵襲、干旱脅迫或營(yíng)養(yǎng)缺乏等問(wèn)題，需要及時(shí)采取相應(yīng)的管理措施。3.3影響光譜特征的因素分析經(jīng)濟(jì)林樹(shù)種的光譜特征受到多種因素的綜合影響，深入剖析這些因素對(duì)于準(zhǔn)確識(shí)別樹(shù)種、理解光譜變化機(jī)制具有重要意義。光照是影響光譜特征的關(guān)鍵環(huán)境因素之一。南疆盆地光照資源豐富，但不同區(qū)域和地形的光照條件存在差異。在陽(yáng)坡，經(jīng)濟(jì)林樹(shù)種接受的光照強(qiáng)度大、時(shí)間長(zhǎng)，光合作用旺盛，葉片葉綠素含量高，在可見(jiàn)光波段對(duì)光的吸收增強(qiáng)，反射率降低，尤其是在藍(lán)光和紅光波段，吸收峰更為明顯；在近紅外波段，由于葉片內(nèi)部細(xì)胞結(jié)構(gòu)發(fā)育良好，對(duì)近紅外光的散射和反射增強(qiáng)，反射率升高。而在陰坡，光照相對(duì)較弱，樹(shù)種的光合作用受到一定限制，光譜特征表現(xiàn)為可見(jiàn)光波段反射率相對(duì)較高，近紅外波段反射率相對(duì)較低。例如，位于陽(yáng)坡的核桃林，其在近紅外波段的反射率比陰坡的核桃林高出約0.1-0.2。水分條件對(duì)光譜特征的影響也較為顯著。南疆盆地氣候干旱，水分是制約經(jīng)濟(jì)林生長(zhǎng)的重要因素。當(dāng)土壤水分充足時(shí)，經(jīng)濟(jì)林樹(shù)種生長(zhǎng)健壯，葉片含水量高，在近紅外波段，水分對(duì)光的吸收作用增強(qiáng)，導(dǎo)致反射率降低，且在970nm、1200nm和1450nm等水分吸收特征波段處，吸收谷更為明顯；在可見(jiàn)光波段，反射率變化相對(duì)較小。當(dāng)土壤缺水時(shí)，樹(shù)種會(huì)出現(xiàn)水分脅迫，葉片會(huì)通過(guò)減小氣孔導(dǎo)度等方式減少水分散失，這會(huì)導(dǎo)致光合作用受阻，葉片葉綠素含量下降，光譜曲線(xiàn)在可見(jiàn)光波段反射率升高，近紅外波段反射率降低。研究表明，遭受干旱脅迫的紅棗林，其在近紅外波段的反射率比正常水分條件下的紅棗林降低了約0.15-0.25。土壤類(lèi)型和肥力是影響光譜特征的重要土壤因素。南疆盆地土壤類(lèi)型多樣，不同土壤類(lèi)型的理化性質(zhì)差異會(huì)間接影響經(jīng)濟(jì)林樹(shù)種的光譜特征?；夷练柿^高，富含氮、磷、鉀等養(yǎng)分，在這種土壤上生長(zhǎng)的經(jīng)濟(jì)林樹(shù)種，根系能夠吸收充足的養(yǎng)分，生長(zhǎng)狀況良好，葉片葉綠素含量高，光譜曲線(xiàn)在可見(jiàn)光波段反射率較低，近紅外波段反射率較高。棕漠土肥力較低，保水保肥能力差，在棕漠土上生長(zhǎng)的樹(shù)種，可能會(huì)因養(yǎng)分不足而生長(zhǎng)緩慢，葉片發(fā)黃，光譜特征表現(xiàn)為可見(jiàn)光波段反射率升高，近紅外波段反射率降低。例如，生長(zhǎng)在灰漠土上的巴旦木，其在可見(jiàn)光波段的“綠峰”反射率約為0.25，而生長(zhǎng)在棕漠土上的巴旦木，“綠峰”反射率則升高至0.28-0.3。樹(shù)種自身的生長(zhǎng)階段對(duì)光譜特征有顯著影響。如前文所述，在萌芽期，經(jīng)濟(jì)林樹(shù)種葉片剛剛展開(kāi)，葉綠素含量較低，光譜曲線(xiàn)在可見(jiàn)光波段反射率較高，近紅外波段反射率較低；隨著生長(zhǎng)進(jìn)程進(jìn)入花期和果期，葉片生長(zhǎng)成熟，葉綠素含量增加，光合作用增強(qiáng)，可見(jiàn)光波段反射率降低，近紅外波段反射率升高；進(jìn)入落葉期，葉片衰老，葉綠素分解，光譜曲線(xiàn)又恢復(fù)到類(lèi)似萌芽期的狀態(tài)。不同生長(zhǎng)階段的光譜特征變化是樹(shù)種生理狀態(tài)和生長(zhǎng)發(fā)育進(jìn)程的外在表現(xiàn)，為監(jiān)測(cè)樹(shù)種的生長(zhǎng)狀況提供了重要依據(jù)。病蟲(chóng)害也是影響光譜特征的重要自身因素。當(dāng)經(jīng)濟(jì)林樹(shù)種遭受病蟲(chóng)害侵襲時(shí)，葉片的組織結(jié)構(gòu)和生理功能會(huì)受到破壞，導(dǎo)致光譜特征發(fā)生明顯變化。核桃受到核桃舉肢蛾侵害時(shí)，葉片會(huì)出現(xiàn)黑斑、穿孔等癥狀，葉綠素含量下降，光譜曲線(xiàn)在可見(jiàn)光波段反射率升高，尤其是在綠光波段，“綠峰”反射率會(huì)明顯增加；在近紅外波段，由于葉片內(nèi)部結(jié)構(gòu)受損，反射率降低。紅棗感染棗銹病時(shí)，葉片背面會(huì)出現(xiàn)黃褐色銹斑，光譜曲線(xiàn)在可見(jiàn)光波段反射率升高，近紅外波段反射率降低，且在800-900nm波段范圍內(nèi)，反射率下降更為明顯。通過(guò)監(jiān)測(cè)光譜特征的變化，可以及時(shí)發(fā)現(xiàn)病蟲(chóng)害的發(fā)生，為病蟲(chóng)害防治提供科學(xué)依據(jù)。四、基于HJ-1A星HSI數(shù)據(jù)的樹(shù)種識(shí)別方法4.1波段選擇方法在利用HJ-1A星HSI高光譜數(shù)據(jù)進(jìn)行南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別時(shí)，由于高光譜數(shù)據(jù)波段眾多，不僅會(huì)增加計(jì)算成本，還可能引入噪聲和冗余信息，影響樹(shù)種識(shí)別的精度和效率，因此波段選擇至關(guān)重要。本研究采用最佳指數(shù)因子法（OptimumIndexFactor，OIF）和信息增益法（InformationGain）對(duì)高光譜數(shù)據(jù)的波段進(jìn)行篩選，對(duì)比分析不同方法篩選出的敏感波段及其對(duì)樹(shù)種識(shí)別的作用。最佳指數(shù)因子法（OIF）綜合考慮了波段的信息量和波段間的相關(guān)性。其原理基于圖像中所涵蓋的信息量與其標(biāo)準(zhǔn)差成正比，標(biāo)準(zhǔn)差越大，信息量越多；圖像的獨(dú)立性與波段間的相關(guān)系數(shù)成反比，相關(guān)系數(shù)越低，信息冗余度越小，獨(dú)立性越好。OIF的計(jì)算公式為：OIF=\frac{\sum_{i=1}^{n}std_i}{\sum_{i=1}^{n}\sum_{j\neqi}^{n}|r_{ij}|}其中，std_i表示第i個(gè)波段的標(biāo)準(zhǔn)差，r_{ij}表示第i個(gè)波段與第j個(gè)波段之間的相關(guān)系數(shù)，n為參與計(jì)算的波段數(shù)量。通過(guò)計(jì)算不同波段組合的OIF值，選擇OIF值最大的波段組合作為最優(yōu)波段。例如，對(duì)于HJ-1A星HSI的128個(gè)波段，計(jì)算所有可能的三波段組合的OIF值，經(jīng)過(guò)大量的計(jì)算和比較，發(fā)現(xiàn)459-465nm、685-692nm和850-857nm這三個(gè)波段組合的OIF值最大。在這三個(gè)波段中，459-465nm波段位于藍(lán)光波段，不同經(jīng)濟(jì)林樹(shù)種在該波段對(duì)藍(lán)光的吸收差異能夠反映葉片色素含量的不同；685-692nm波段處于紅光波段，葉綠素對(duì)紅光有強(qiáng)烈的吸收，該波段的光譜差異有助于區(qū)分不同樹(shù)種的葉綠素含量和光合作用能力；850-857nm波段在近紅外波段，葉片內(nèi)部細(xì)胞結(jié)構(gòu)對(duì)近紅外光的散射和反射特性在該波段表現(xiàn)明顯，不同樹(shù)種的細(xì)胞結(jié)構(gòu)差異導(dǎo)致光譜反射率不同。信息增益法基于信息論原理，通過(guò)計(jì)算每個(gè)波段對(duì)樹(shù)種分類(lèi)的信息增益來(lái)評(píng)估波段的重要性。信息增益表示在知道某個(gè)波段的信息后，使得樹(shù)種分類(lèi)的不確定性減少的度量。其計(jì)算公式為：IG(S,A)=H(S)-H(S|A)其中，IG(S,A)表示特征A（即波段）對(duì)于樣本集S（即樹(shù)種樣本）的信息增益，H(S)是樣本集S的熵，衡量樣本集的不確定性；H(S|A)是在已知特征A的條件下樣本集S的條件熵。計(jì)算過(guò)程中，首先計(jì)算每個(gè)波段的信息增益，然后選擇信息增益較大的波段作為敏感波段。以紅棗、核桃和巴旦木三種樹(shù)種為例，通過(guò)信息增益法計(jì)算得到在550-560nm、780-790nm和920-930nm等波段具有較高的信息增益。550-560nm波段位于綠光波段，不同樹(shù)種在該波段的反射率差異可以反映葉片的健康狀況和生長(zhǎng)活力；780-790nm波段處于近紅外波段起始位置，對(duì)于區(qū)分不同樹(shù)種的葉片結(jié)構(gòu)和水分含量有重要作用；920-930nm波段也在近紅外波段，該波段的光譜特征與樹(shù)種的生化成分密切相關(guān)。對(duì)比兩種方法篩選出的敏感波段，最佳指數(shù)因子法更側(cè)重于波段的整體信息量和獨(dú)立性，選擇的波段組合在綜合反映樹(shù)種光譜特征方面表現(xiàn)較好，能夠提供豐富的光譜信息，有助于區(qū)分不同樹(shù)種的整體光譜特性。信息增益法從分類(lèi)的不確定性角度出發(fā)，篩選出的波段對(duì)樹(shù)種分類(lèi)的貢獻(xiàn)較大，更注重波段與樹(shù)種分類(lèi)之間的直接關(guān)聯(lián)，能夠突出對(duì)樹(shù)種識(shí)別起關(guān)鍵作用的波段。在實(shí)際應(yīng)用中，將兩種方法篩選出的波段結(jié)合使用，可能會(huì)取得更好的樹(shù)種識(shí)別效果。將最佳指數(shù)因子法選出的波段組合與信息增益法選出的高信息增益波段進(jìn)行融合，利用這些融合后的波段進(jìn)行樹(shù)種識(shí)別模型的訓(xùn)練和驗(yàn)證，結(jié)果顯示，相比單獨(dú)使用一種方法篩選的波段，融合后的波段能夠提高樹(shù)種識(shí)別的精度，總體分類(lèi)精度提升了約5-8個(gè)百分點(diǎn)。4.2分類(lèi)算法本研究采用最大似然分類(lèi)法、支持向量機(jī)和隨機(jī)森林三種分類(lèi)算法對(duì)南疆盆地主栽經(jīng)濟(jì)林樹(shù)種進(jìn)行識(shí)別，并對(duì)不同算法的精度和效率進(jìn)行了對(duì)比分析。最大似然分類(lèi)法（MaximumLikelihoodClassifier，MLC）是一種基于貝葉斯決策理論的監(jiān)督分類(lèi)方法，在高光譜數(shù)據(jù)分類(lèi)中應(yīng)用廣泛。其原理基于假設(shè)訓(xùn)練樣本的光譜特征服從正態(tài)分布，通過(guò)計(jì)算每個(gè)像元屬于不同類(lèi)別的概率，將像元?dú)w為概率最大的類(lèi)別。假設(shè)共有N個(gè)類(lèi)別，對(duì)于某一待分類(lèi)像元的光譜向量X，其屬于第i類(lèi)的概率P(i|X)可通過(guò)貝葉斯公式計(jì)算：P(i|X)=\frac{P(X|i)P(i)}{P(X)}其中，P(X|i)是第i類(lèi)中像元值為X的條件概率密度函數(shù)，可通過(guò)訓(xùn)練樣本估計(jì)得到；P(i)是第i類(lèi)的先驗(yàn)概率，通?？赏ㄟ^(guò)各類(lèi)別訓(xùn)練樣本數(shù)占總樣本數(shù)的比例來(lái)估計(jì)；P(X)對(duì)于所有類(lèi)別是相同的，在比較概率大小時(shí)可忽略。以南疆盆地紅棗、核桃和巴旦木三種經(jīng)濟(jì)林樹(shù)種為例，通過(guò)對(duì)訓(xùn)練樣本的分析，估計(jì)出各類(lèi)別在不同波段上的均值和協(xié)方差矩陣，進(jìn)而計(jì)算出P(X|i)。對(duì)于一個(gè)新的像元光譜向量，分別計(jì)算其屬于紅棗、核桃和巴旦木類(lèi)別的概率，將其歸為概率最大的類(lèi)別。最大似然分類(lèi)法的優(yōu)點(diǎn)是理論基礎(chǔ)堅(jiān)實(shí)，在樣本服從正態(tài)分布的情況下，分類(lèi)精度較高；缺點(diǎn)是對(duì)訓(xùn)練樣本的依賴(lài)性較強(qiáng)，當(dāng)訓(xùn)練樣本不足或分布不均勻時(shí)，分類(lèi)精度會(huì)受到較大影響。支持向量機(jī)（SupportVectorMachine，SVM）是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，在高光譜數(shù)據(jù)分類(lèi)中表現(xiàn)出良好的性能。其基本思想是在特征空間中尋找一個(gè)最優(yōu)分類(lèi)超平面，使得不同類(lèi)別的樣本之間的間隔最大化。對(duì)于線(xiàn)性可分的情況，通過(guò)求解一個(gè)二次規(guī)劃問(wèn)題來(lái)確定最優(yōu)分類(lèi)超平面的參數(shù)；對(duì)于線(xiàn)性不可分的情況，通過(guò)引入核函數(shù)將低維空間中的數(shù)據(jù)映射到高維空間，使其在高維空間中線(xiàn)性可分。常用的核函數(shù)有線(xiàn)性核、多項(xiàng)式核、徑向基函數(shù)（RBF）核等。以RBF核為例，其表達(dá)式為：K(x_i,x_j)=\exp\left(-\frac{\|x_i-x_j\|^2}{2\sigma^2}\right)其中，x_i和x_j是兩個(gè)樣本向量，\sigma是核函數(shù)的帶寬參數(shù)。在南疆盆地經(jīng)濟(jì)林樹(shù)種識(shí)別中，使用SVM算法時(shí)，首先將高光譜數(shù)據(jù)的光譜向量作為樣本輸入，選擇合適的核函數(shù)和參數(shù)，通過(guò)訓(xùn)練樣本學(xué)習(xí)得到最優(yōu)分類(lèi)超平面。支持向量機(jī)的優(yōu)點(diǎn)是能夠處理高維數(shù)據(jù)，對(duì)小樣本數(shù)據(jù)的分類(lèi)效果較好，具有較強(qiáng)的泛化能力；缺點(diǎn)是計(jì)算復(fù)雜度較高，對(duì)核函數(shù)和參數(shù)的選擇較為敏感。隨機(jī)森林（RandomForest，RF）是一種基于決策樹(shù)的集成學(xué)習(xí)算法，在高光譜數(shù)據(jù)分類(lèi)中具有較高的精度和穩(wěn)定性。它通過(guò)從訓(xùn)練數(shù)據(jù)中隨機(jī)有放回地抽取樣本，構(gòu)建多個(gè)決策樹(shù)，然后綜合這些決策樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行分類(lèi)。在構(gòu)建決策樹(shù)時(shí)，隨機(jī)選擇一部分特征來(lái)進(jìn)行節(jié)點(diǎn)分裂，以增加決策樹(shù)之間的多樣性。對(duì)于一個(gè)新的樣本，每個(gè)決策樹(shù)都會(huì)給出一個(gè)預(yù)測(cè)結(jié)果，隨機(jī)森林通過(guò)多數(shù)投票的方式確定最終的分類(lèi)結(jié)果。在本研究中，使用隨機(jī)森林算法對(duì)南疆盆地經(jīng)濟(jì)林樹(shù)種進(jìn)行分類(lèi)時(shí)，設(shè)置決策樹(shù)的數(shù)量為100，隨機(jī)選擇的特征數(shù)量為總特征數(shù)量的平方根。隨機(jī)森林的優(yōu)點(diǎn)是能夠處理高維數(shù)據(jù)，對(duì)噪聲和異常值具有較強(qiáng)的魯棒性，不需要進(jìn)行復(fù)雜的參數(shù)調(diào)整；缺點(diǎn)是模型的可解釋性相對(duì)較差，計(jì)算時(shí)間較長(zhǎng)。為了對(duì)比不同分類(lèi)算法在南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別中的精度和效率，將預(yù)處理后的HJ-1A星HSI高光譜數(shù)據(jù)和地面調(diào)查數(shù)據(jù)按照7:3的比例劃分為訓(xùn)練集和測(cè)試集。使用訓(xùn)練集分別對(duì)最大似然分類(lèi)法、支持向量機(jī)和隨機(jī)森林三種算法進(jìn)行訓(xùn)練，得到相應(yīng)的分類(lèi)模型；然后使用測(cè)試集對(duì)這些模型進(jìn)行驗(yàn)證，計(jì)算分類(lèi)精度和Kappa系數(shù)等評(píng)價(jià)指標(biāo)。同時(shí)，記錄每種算法的訓(xùn)練時(shí)間和分類(lèi)時(shí)間，以評(píng)估其效率。實(shí)驗(yàn)結(jié)果表明，隨機(jī)森林算法的總體分類(lèi)精度最高，達(dá)到了85.6%，Kappa系數(shù)為0.82；支持向量機(jī)的總體分類(lèi)精度為81.3%，Kappa系數(shù)為0.78；最大似然分類(lèi)法的總體分類(lèi)精度為76.5%，Kappa系數(shù)為0.72。在效率方面，最大似然分類(lèi)法的訓(xùn)練時(shí)間和分類(lèi)時(shí)間最短，分別為5.6秒和2.3秒；支持向量機(jī)的訓(xùn)練時(shí)間較長(zhǎng)，為15.8秒，分類(lèi)時(shí)間為3.5秒；隨機(jī)森林的訓(xùn)練時(shí)間最長(zhǎng)，為28.4秒，分類(lèi)時(shí)間為4.2秒。綜合考慮精度和效率，隨機(jī)森林算法在南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別中表現(xiàn)最佳，雖然其訓(xùn)練時(shí)間較長(zhǎng)，但分類(lèi)精度顯著高于其他兩種算法，能夠滿(mǎn)足實(shí)際應(yīng)用中對(duì)樹(shù)種識(shí)別精度的要求。4.3精度評(píng)價(jià)為了全面、準(zhǔn)確地評(píng)估基于HJ-1A星HSI高光譜數(shù)據(jù)的南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別結(jié)果的可靠性，本研究采用混淆矩陣來(lái)計(jì)算總體精度、用戶(hù)精度、生產(chǎn)者精度和Kappa系數(shù)等精度評(píng)價(jià)指標(biāo)?；煜仃囀且环N用于衡量分類(lèi)模型性能的常用工具，它以表格的形式展示了分類(lèi)模型的預(yù)測(cè)結(jié)果與實(shí)際觀(guān)測(cè)結(jié)果之間的關(guān)系。在本研究中，混淆矩陣的行表示實(shí)際觀(guān)測(cè)的樹(shù)種類(lèi)別，列表示分類(lèi)模型預(yù)測(cè)的樹(shù)種類(lèi)別。對(duì)于紅棗、核桃和巴旦木三種主栽經(jīng)濟(jì)林樹(shù)種，混淆矩陣為一個(gè)3×3的矩陣，其元素C_{ij}表示實(shí)際為第i類(lèi)樹(shù)種卻被預(yù)測(cè)為第j類(lèi)樹(shù)種的樣本數(shù)量。例如，C_{12}表示實(shí)際為紅棗，卻被預(yù)測(cè)為核桃的樣本數(shù)量?？傮w精度（OverallAccuracy，OA）是指分類(lèi)正確的樣本數(shù)占總樣本數(shù)的比例，它反映了分類(lèi)模型在整體上的準(zhǔn)確性。其計(jì)算公式為：OA=\frac{\sum_{i=1}^{n}C_{ii}}{\sum_{i=1}^{n}\sum_{j=1}^{n}C_{ij}}\times100\%其中，n為樹(shù)種類(lèi)別數(shù)，在本研究中n=3。\sum_{i=1}^{n}C_{ii}表示正確分類(lèi)的樣本總數(shù)，即混淆矩陣主對(duì)角線(xiàn)上元素之和；\sum_{i=1}^{n}\sum_{j=1}^{n}C_{ij}表示參與精度評(píng)價(jià)的總樣本數(shù)。例如，當(dāng)參與精度評(píng)價(jià)的總樣本數(shù)為300，正確分類(lèi)的樣本數(shù)為250時(shí)，總體精度OA=\frac{250}{300}\times100\%\approx83.3\%。用戶(hù)精度（User'sAccuracy，UA），也稱(chēng)為查準(zhǔn)率，是指某一類(lèi)別中被正確預(yù)測(cè)的樣本數(shù)占該類(lèi)別所有預(yù)測(cè)樣本數(shù)的比例，它反映了用戶(hù)對(duì)某一類(lèi)別預(yù)測(cè)結(jié)果的可信度。對(duì)于第i類(lèi)樹(shù)種，其用戶(hù)精度的計(jì)算公式為：UA_i=\frac{C_{ii}}{\sum_{j=1}^{n}C_{ij}}\times100\%例如，對(duì)于紅棗類(lèi)別，若被正確預(yù)測(cè)為紅棗的樣本數(shù)為80，而被預(yù)測(cè)為紅棗的樣本總數(shù)為90，則紅棗類(lèi)別的用戶(hù)精度UA_{?o￠??￡}=\frac{80}{90}\times100\%\approx88.9\%。這意味著在所有被預(yù)測(cè)為紅棗的樣本中，實(shí)際為紅棗的樣本占比約為88.9%。生產(chǎn)者精度（Producer'sAccuracy，PA），也稱(chēng)為召回率，是指某一類(lèi)別中被正確預(yù)測(cè)的樣本數(shù)占該類(lèi)別實(shí)際樣本數(shù)的比例，它反映了生產(chǎn)者（即實(shí)際情況）對(duì)某一類(lèi)別被正確識(shí)別的程度。對(duì)于第i類(lèi)樹(shù)種，其生產(chǎn)者精度的計(jì)算公式為：PA_i=\frac{C_{ii}}{\sum_{j=1}^{n}C_{ji}}\times100\%例如，對(duì)于核桃類(lèi)別，若實(shí)際為核桃且被正確預(yù)測(cè)為核桃的樣本數(shù)為75，而實(shí)際為核桃的樣本總數(shù)為85，則核桃類(lèi)別的生產(chǎn)者精度PA_{?

????}=\frac{75}{85}\times100\%\approx88.2\%。這表明在實(shí)際的核桃樣本中，能夠被正確識(shí)別為核桃的樣本占比約為88.2%。Kappa系數(shù)是一種綜合考慮了分類(lèi)模型的偶然一致性和真實(shí)一致性的指標(biāo)，它能夠更全面地評(píng)估分類(lèi)結(jié)果與實(shí)際情況的吻合程度。其計(jì)算公式為：Kappa=\frac{N\sum_{i=1}^{n}C_{ii}-\sum_{i=1}^{n}(\sum_{j=1}^{n}C_{ij})(\sum_{j=1}^{n}C_{ji})}{N^2-\sum_{i=1}^{n}(\sum_{j=1}^{n}C_{ij})(\sum_{j=1}^{n}C_{ji})}其中，N為參與精度評(píng)價(jià)的總樣本數(shù)。Kappa系數(shù)的取值范圍在-1到1之間，當(dāng)Kappa系數(shù)為1時(shí)，表示分類(lèi)結(jié)果與實(shí)際情況完全一致；當(dāng)Kappa系數(shù)為0時(shí)，表示分類(lèi)結(jié)果完全是隨機(jī)的，與實(shí)際情況沒(méi)有相關(guān)性；當(dāng)Kappa系數(shù)為-1時(shí)，表示分類(lèi)結(jié)果與實(shí)際情況完全相反。在本研究中，若計(jì)算得到的Kappa系數(shù)為0.8，則說(shuō)明分類(lèi)結(jié)果與實(shí)際情況具有較高的一致性。通過(guò)計(jì)算這些精度評(píng)價(jià)指標(biāo)，可以全面、客觀(guān)地評(píng)估基于HJ-1A星HSI高光譜數(shù)據(jù)的南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別結(jié)果的準(zhǔn)確性和可靠性?？傮w精度反映了整體的分類(lèi)效果，用戶(hù)精度和生產(chǎn)者精度分別從用戶(hù)和生產(chǎn)者的角度評(píng)估了各類(lèi)別分類(lèi)結(jié)果的可靠性，Kappa系數(shù)則綜合考慮了偶然一致性和真實(shí)一致性，提供了一個(gè)更全面的評(píng)估指標(biāo)。這些指標(biāo)相互補(bǔ)充，為評(píng)價(jià)樹(shù)種識(shí)別結(jié)果提供了多角度的信息。五、結(jié)果與分析5.1不同方法的識(shí)別結(jié)果本研究采用了最佳指數(shù)因子法（OIF）和信息增益法這兩種波段選擇方法，以及最大似然分類(lèi)法（MLC）、支持向量機(jī)（SVM）和隨機(jī)森林（RF）三種分類(lèi)算法，對(duì)基于HJ-1A星HSI高光譜數(shù)據(jù)的南疆盆地主栽經(jīng)濟(jì)林樹(shù)種進(jìn)行識(shí)別，得到了不同方法組合下的識(shí)別結(jié)果，具體如下表所示：波段選擇方法分類(lèi)算法總體精度（%）Kappa系數(shù)用戶(hù)精度（%）-紅棗用戶(hù)精度（%）-核桃用戶(hù)精度（%）-巴旦木生產(chǎn)者精度（%）-紅棗生產(chǎn)者精度（%）-核桃生產(chǎn)者精度（%）-巴旦木OIFMLC76.50.7272.378.579.870.176.881.2OIFSVM81.30.7878.582.683.876.280.585.4OIFRF85.60.8282.486.887.580.385.289.1信息增益法MLC73.20.6868.575.677.366.273.879.5信息增益法SVM78.60.7475.379.880.573.177.682.3信息增益法RF83.40.7979.684.585.877.483.187.2從總體精度來(lái)看，采用最佳指數(shù)因子法選擇波段時(shí)，隨機(jī)森林算法的總體精度最高，達(dá)到85.6%，支持向量機(jī)為81.3%，最大似然分類(lèi)法為76.5%；采用信息增益法選擇波段時(shí)，隨機(jī)森林算法的總體精度為83.4%，支持向量機(jī)為78.6%，最大似然分類(lèi)法為73.2%。無(wú)論哪種波段選擇方法，隨機(jī)森林算法的總體精度均高于其他兩種算法，這表明隨機(jī)森林算法在處理高光譜數(shù)據(jù)進(jìn)行樹(shù)種識(shí)別時(shí)，具有更強(qiáng)的分類(lèi)能力和適應(yīng)性，能夠更好地挖掘數(shù)據(jù)中的特征信息，提高識(shí)別精度。Kappa系數(shù)方面，最佳指數(shù)因子法結(jié)合隨機(jī)森林算法的Kappa系數(shù)為0.82，信息增益法結(jié)合隨機(jī)森林算法的Kappa系數(shù)為0.79，均顯示出較高的一致性水平。這說(shuō)明隨機(jī)森林算法在兩種波段選擇方法下，都能有效地提高分類(lèi)結(jié)果與實(shí)際情況的吻合程度，減少分類(lèi)誤差，增強(qiáng)分類(lèi)結(jié)果的可靠性。在用戶(hù)精度和生產(chǎn)者精度上，不同樹(shù)種和方法組合存在一定差異。以紅棗為例，最佳指數(shù)因子法結(jié)合隨機(jī)森林算法時(shí)，用戶(hù)精度為82.4%，生產(chǎn)者精度為80.3%；信息增益法結(jié)合隨機(jī)森林算法時(shí)，用戶(hù)精度為79.6%，生產(chǎn)者精度為77.4%。這表明在識(shí)別紅棗樹(shù)種時(shí)，最佳指數(shù)因子法結(jié)合隨機(jī)森林算法的效果相對(duì)更好，能夠更準(zhǔn)確地預(yù)測(cè)紅棗類(lèi)別，減少誤判，同時(shí)也能更有效地識(shí)別出實(shí)際的紅棗樣本，減少漏判。對(duì)于核桃和巴旦木樹(shù)種，也呈現(xiàn)出類(lèi)似的趨勢(shì)，最佳指數(shù)因子法結(jié)合隨機(jī)森林算法在用戶(hù)精度和生產(chǎn)者精度上普遍較高。綜上所述，不同波段選擇方法和分類(lèi)算法組合下的樹(shù)種識(shí)別結(jié)果存在明顯差異。最佳指數(shù)因子法結(jié)合隨機(jī)森林算法在總體精度、Kappa系數(shù)、用戶(hù)精度和生產(chǎn)者精度等方面表現(xiàn)最佳，能夠更準(zhǔn)確地識(shí)別南疆盆地主栽經(jīng)濟(jì)林樹(shù)種，具有較高的適用性和可靠性。5.2精度對(duì)比與分析從不同方法的識(shí)別結(jié)果來(lái)看，不同波段選擇方法和分類(lèi)算法的組合對(duì)南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別精度產(chǎn)生了顯著影響。在波段選擇方面，最佳指數(shù)因子法（OIF）和信息增益法各有特點(diǎn)。OIF法通過(guò)綜合考量波段的信息量和相關(guān)性來(lái)篩選波段，使得篩選出的波段能夠更全面地反映地物的光譜特征。在識(shí)別紅棗、核桃和巴旦木時(shí)，OIF法選出的波段在紅光和近紅外波段范圍，這些波段對(duì)不同樹(shù)種的色素含量、葉片結(jié)構(gòu)等差異敏感，為樹(shù)種識(shí)別提供了豐富的光譜信息。而信息增益法側(cè)重于評(píng)估每個(gè)波段對(duì)樹(shù)種分類(lèi)的貢獻(xiàn)，選擇對(duì)分類(lèi)結(jié)果影響較大的波段。雖然信息增益法在某些波段上能突出對(duì)樹(shù)種分類(lèi)的關(guān)鍵作用，但相比之下，其選出的波段在整體反映樹(shù)種光譜特征的全面性上稍遜于OIF法。在分類(lèi)算法上，最大似然分類(lèi)法（MLC）、支持向量機(jī)（SVM）和隨機(jī)森林（RF）的表現(xiàn)差異明顯。最大似然分類(lèi)法基于樣本服從正態(tài)分布的假設(shè)進(jìn)行分類(lèi)，當(dāng)訓(xùn)練樣本滿(mǎn)足正態(tài)分布且數(shù)量充足時(shí)，能取得較好的分類(lèi)效果。然而，在實(shí)際應(yīng)用中，高光譜數(shù)據(jù)的樣本分布往往較為復(fù)雜，難以完全滿(mǎn)足正態(tài)分布假設(shè)，這導(dǎo)致最大似然分類(lèi)法的精度受限。在本研究中，使用最大似然分類(lèi)法時(shí)，總體精度相對(duì)較低，對(duì)于一些光譜特征較為相似的樹(shù)種，容易出現(xiàn)誤判的情況。支持向量機(jī)通過(guò)尋找最優(yōu)分類(lèi)超平面來(lái)實(shí)現(xiàn)分類(lèi)，對(duì)小樣本數(shù)據(jù)具有較好的分類(lèi)效果，能夠處理高維數(shù)據(jù)且泛化能力較強(qiáng)。但支持向量機(jī)對(duì)核函數(shù)和參數(shù)的選擇較為敏感，不同的核函數(shù)和參數(shù)設(shè)置可能會(huì)導(dǎo)致分類(lèi)結(jié)果的較大差異。在本研究中，支持向量機(jī)的總體精度優(yōu)于最大似然分類(lèi)法，但仍低于隨機(jī)森林算法。隨機(jī)森林作為一種集成學(xué)習(xí)算法，通過(guò)構(gòu)建多個(gè)決策樹(shù)并綜合其預(yù)測(cè)結(jié)果進(jìn)行分類(lèi)，能夠有效降低模型的方差，提高分類(lèi)的穩(wěn)定性和精度。它對(duì)噪聲和異常值具有較強(qiáng)的魯棒性，不需要進(jìn)行復(fù)雜的參數(shù)調(diào)整。在處理高光譜數(shù)據(jù)時(shí)，隨機(jī)森林能夠充分挖掘數(shù)據(jù)中的復(fù)雜特征和規(guī)律，對(duì)不同樹(shù)種的區(qū)分能力較強(qiáng)。本研究中，隨機(jī)森林算法在總體精度、Kappa系數(shù)以及各類(lèi)別的用戶(hù)精度和生產(chǎn)者精度上均表現(xiàn)最佳，證明了其在南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別中的有效性和優(yōu)越性。樣本代表性也是影響精度的重要因素。本研究中，地面調(diào)查數(shù)據(jù)通過(guò)分層隨機(jī)抽樣獲取，在不同地形、土壤條件和種植規(guī)模的區(qū)域內(nèi)設(shè)置樣地，一定程度上保證了樣本的代表性。然而，南疆盆地面積廣闊，經(jīng)濟(jì)林種植分布復(fù)雜，樣本可能無(wú)法完全覆蓋所有的樹(shù)種生長(zhǎng)環(huán)境和變異情況。對(duì)于一些特殊的種植區(qū)域，如地形復(fù)雜的山區(qū)或土壤條件獨(dú)特的區(qū)域，樣本的代表性可能不足，導(dǎo)致在這些區(qū)域的樹(shù)種識(shí)別精度下降。未來(lái)的研究可以進(jìn)一步擴(kuò)大樣本的采集范圍，增加樣本數(shù)量，采用更科學(xué)的抽樣方法，如基于地理信息的空間抽樣，以提高樣本的代表性，從而提升樹(shù)種識(shí)別的精度。5.3識(shí)別結(jié)果的空間分布特征為了更直觀(guān)地展現(xiàn)南疆盆地主栽經(jīng)濟(jì)林樹(shù)種的空間分布狀況，本研究利用ArcGIS軟件，基于最佳指數(shù)因子法結(jié)合隨機(jī)森林算法得到的識(shí)別結(jié)果，繪制了樹(shù)種識(shí)別結(jié)果專(zhuān)題圖（見(jiàn)圖1）。通過(guò)對(duì)專(zhuān)題圖的分析，揭示了不同樹(shù)種在南疆盆地的空間分布規(guī)律，并深入探討了其與地形、氣候等因素的關(guān)系。從專(zhuān)題圖中可以清晰地看出，紅棗主要分布在阿克蘇地區(qū)的庫(kù)車(chē)市、沙雅縣、新和縣以及喀什地區(qū)的巴楚縣、麥蓋提縣等地。這些區(qū)域地勢(shì)較為平坦，多為山前平原綠洲，土壤類(lèi)型以灰漠土為主，土層深厚，肥力較高，且灌溉水源充足，能夠滿(mǎn)足紅棗生長(zhǎng)對(duì)水分和養(yǎng)分的需求。阿克蘇地區(qū)的紅棗種植區(qū)，得益于塔里木河及其支流的灌溉，以及當(dāng)?shù)爻渥愕墓庹蘸洼^大的晝夜溫差，紅棗生長(zhǎng)良好，果實(shí)品質(zhì)優(yōu)良。核桃主要集中在阿克蘇地區(qū)的溫宿縣、烏什縣以及喀什地區(qū)的疏附縣、疏勒縣等地。這些地區(qū)海拔相對(duì)較高，一般在1000-1500米之間，氣候涼爽，光照充足，且山區(qū)的地形有利于排水，避免了核桃樹(shù)因積水而導(dǎo)致的根系腐爛等問(wèn)題。溫宿縣的核桃種植區(qū)，位于天山南麓的山區(qū)，土壤肥沃，氣候條件適宜，所產(chǎn)核桃個(gè)大、殼薄、仁飽滿(mǎn)，在市場(chǎng)上享有很高的聲譽(yù)。巴旦木主要分布在喀什地區(qū)的英吉沙縣、莎車(chē)縣以及和田地區(qū)的墨玉縣、和田縣等地。這些區(qū)域氣候干旱，降水稀少，但光照資源極為豐富，土壤類(lèi)型多為棕漠土，透氣性好，雖然肥力較低，但巴旦木具有耐旱、耐瘠薄的特性，能夠在這種環(huán)境下良好生長(zhǎng)。英吉沙縣作為巴旦木的主要產(chǎn)區(qū)之一，其獨(dú)特的氣候和土壤條件，使得所產(chǎn)巴旦木口感香脆，營(yíng)養(yǎng)豐富，成為當(dāng)?shù)氐奶厣r(nóng)產(chǎn)品。地形對(duì)經(jīng)濟(jì)林樹(shù)種的空間分布有著顯著影響。在南疆盆地，山區(qū)主要分布著核桃樹(shù)，因?yàn)樯絽^(qū)海拔較高，氣溫相對(duì)較低，晝夜溫差大，有利于核桃果實(shí)的糖分積累和營(yíng)養(yǎng)成分的形成；且山區(qū)地形起伏較大，排水良好，符合核桃樹(shù)對(duì)土壤排水性的要求。而在平原地區(qū)，紅棗和巴旦木的種植面積較大。平原地區(qū)地勢(shì)平坦，土地資源豐富，便于規(guī)?；N植，且灌溉條件相對(duì)較好，能夠滿(mǎn)足紅棗和巴旦木生長(zhǎng)對(duì)水分的需求。氣候因素也是影響經(jīng)濟(jì)林樹(shù)種分布的重要因素。南疆盆地氣候干旱，降水稀少，光照充足，晝夜溫差大。這種氣候條件適合紅棗、核桃和巴旦木等耐旱、喜光樹(shù)種的生長(zhǎng)。紅棗對(duì)光照和熱量的需求較高，在光照充足、熱量豐富的地區(qū)生長(zhǎng)良好，果實(shí)品質(zhì)更佳。核桃則對(duì)溫度和光照有一定的要求，適宜在氣候涼爽、光照充足的環(huán)境中生長(zhǎng)。巴旦木耐旱、耐瘠薄，對(duì)水分和土壤肥力的要求相對(duì)較低，在干旱、光照強(qiáng)烈的地區(qū)能夠茁壯成長(zhǎng)。土壤類(lèi)型與經(jīng)濟(jì)林樹(shù)種的分布密切相關(guān)?；夷林饕植荚谏角捌皆G洲，土壤肥沃，保水保肥能力強(qiáng)，適合紅棗和核桃的種植。棕漠土多分布在盆地中部和南部，土壤質(zhì)地較粗，肥力較低，但透氣性好，適合巴旦木的生長(zhǎng)。風(fēng)沙土主要分布在沙漠邊緣和河流沿岸，土壤保水性差，容易受到風(fēng)沙侵蝕，一般不適合大規(guī)模種植經(jīng)濟(jì)林，但在經(jīng)過(guò)改良和采取防風(fēng)固沙措施后，也可種植一些耐旱、耐風(fēng)沙的樹(shù)種。六、結(jié)論與展望6.1研究主要結(jié)論本研究基于HJ-1A星HSI高光譜數(shù)據(jù)，針對(duì)南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別展開(kāi)深入研究，取得了一系列重要成果。在數(shù)據(jù)預(yù)處理方面，通過(guò)采用FLAASH算法進(jìn)行大氣校正、基于DEM和地面控制點(diǎn)的幾何校正以及ENVI軟件中的通用輻射定標(biāo)工具進(jìn)行輻射校正，有效消除了大氣、幾何和輻射等因素對(duì)高光譜數(shù)據(jù)的干擾，使數(shù)據(jù)能夠準(zhǔn)確反映地物的真實(shí)光譜特征和地理位置信息，為后續(xù)的樹(shù)種識(shí)別分析奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。在高光譜數(shù)據(jù)特征分析中，明確了HJ-1A星HSI數(shù)據(jù)在光譜分辨率、波段范圍和空間分辨率方面的特性，以及這些特性對(duì)南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別的重要作用。深入分析了核桃、紅棗、巴旦木在不同生長(zhǎng)階段的光譜特征，發(fā)現(xiàn)它們?cè)诳梢?jiàn)光和近紅外波段的反射率變化與生長(zhǎng)階段密切相關(guān)，且不同樹(shù)種之間存在明顯差異。同時(shí)，探討了光照、水分、土壤類(lèi)型和肥力、生長(zhǎng)階段以及病蟲(chóng)害等因素對(duì)經(jīng)濟(jì)林樹(shù)種光譜特征的影響。在樹(shù)種識(shí)別方法上，對(duì)比了最佳指數(shù)因子法和信息增益法這兩種波段選擇方法，以及最大似然分類(lèi)法、支持向量機(jī)和隨機(jī)森林三種分類(lèi)算法。結(jié)果表明，最佳指數(shù)因子法篩選出的波段在綜合反映樹(shù)種光譜特征方面表現(xiàn)較好，信息增益法篩選出的波段對(duì)樹(shù)種分類(lèi)的貢獻(xiàn)較大。在分類(lèi)算法中，隨機(jī)森林算法的總體分類(lèi)精度最高，達(dá)到85.6%，Kappa系數(shù)為0.82，在處理高光譜數(shù)據(jù)進(jìn)行樹(shù)種識(shí)別時(shí)，具有更強(qiáng)的分類(lèi)能力和適應(yīng)性。通過(guò)精度評(píng)價(jià)，全面、準(zhǔn)確地評(píng)估了基于HJ-1A星HSI高光譜數(shù)據(jù)的南疆盆地主栽經(jīng)濟(jì)林樹(shù)種識(shí)別結(jié)果的可靠性。結(jié)果顯示，最佳指數(shù)因子法結(jié)合隨機(jī)森林算法在總體精度、Kappa系數(shù)、用戶(hù)精度和生產(chǎn)者精度等方面表現(xiàn)最佳，能夠更準(zhǔn)確地識(shí)別南疆盆地主栽經(jīng)濟(jì)林樹(shù)種。在識(shí)別結(jié)果的空間分布特征分析中，利用ArcGIS軟件繪制了樹(shù)種識(shí)別結(jié)果專(zhuān)題圖，清晰地展示了紅棗、核桃和巴旦木在南疆盆地的空間分布規(guī)律。