下载文档原格式
湿地植被高光谱遥感技术运用研究湿地植被高光谱遥感技术是通过获取、处理和分析植被反射光谱信息来研究湿地植被的技术手段。
湿地植被高光谱遥感技术可以为湿地生态环境监测、湿地植被类型分类与分布、湿地植被物候变化监测等方面的研究提供重要的数据支持。
湿地植被高光谱遥感技术的核心是利用高光谱遥感图像获得湿地植被的光谱信息。
高光谱遥感图像可以获取大量的连续光谱数据，一般包含几十甚至上百个光谱波段，能够提供详细的光谱信息，有助于分析湿地植被的物理、化学和生物特性。
通过对湿地植被光谱的分析，可以获得湿地植被的光谱曲线和光谱特征参数，进而确定湿地植被的类型、生态状态和健康状况。
湿地植被高光谱遥感技术主要包括数据获取、数据处理和数据分析三个步骤。
数据获取是指通过卫星传感器获取高光谱遥感图像。
目前常用的高光谱遥感传感器有ENVI、Hyperion、AVIRIS等。
数据处理是指对高光谱遥感图像进行预处理，包括大气校正、辐射校正、几何校正等，以获得准确的植被光谱信息。
数据分析是指利用统计学、数学模型及遥感技术对植被光谱进行分析，提取湿地植被的信息。
湿地植被高光谱遥感技术在湿地生态环境监测方面具有广泛的应用价值。
通过对湿地植被高光谱遥感图像的分析，可以实现湿地植被的类型分类与分布研究。
湿地植被具有多样性和复杂性，传统的遥感方法难以准确地识别和划分湿地植被的类型和分布。
而湿地植被高光谱遥感技术可以通过对植被光谱特征参数的分析，实现湿地植被类型的精确识别和准确定位。
湿地植被高光谱遥感技术还可以用于湿地植被物候变化的监测。
湿地植被物候变化是指植物在生长发育过程中由于气候、水分和养分等环境因素的不同而表现出的不同生长阶段。
高光谱遥感图像可以获取植被的光谱曲线以及与物候变化相关的指标，如光谱特征参数和植被指数等。
通过对这些指标的分析，可以实现湿地植被物候变化的实时监测和预测，有助于研究湿地植被的生长发育规律和生态系统的动态变化。
基于中分辨率TM数据的湿地水生植被提取林川;宫兆宁;赵文吉【摘要】利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取.研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果.2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源.【期刊名称】《生态学报》【年(卷),期】2010(030)023【总页数】10页(P6460-6469)【关键词】面向对象分类;中分辨率遥感影像;水生植被;信息提取;北京野鸭湖湿地【作者】林川;宫兆宁;赵文吉【作者单位】首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室;资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京,100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室;资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京,100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室;资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京,100048【正文语种】中文湿地是人类重要的生存环境和自然界最富生物多样性的生态景观之一，同时也是生物赖以生存的最重要的环境之一［1］。
基于光谱特征的湿地植物种类识别柴颖;阮仁宗;柴国武;傅巧妮【摘要】光谱特征的选择对于湿地植被的识别精度和效率有直接的影响作用。
以美国舍曼（ Sherman ）岛水域为研究区，基于HyMap航空高光谱遥感影像数据，分析湿地植被的一阶微分光谱和光谱吸收特征，利用逐步判别分析法筛选识别精度较好的光谱特征参数参与C4．5决策树分类。
结果表明：4种湿地植被的一阶导数光谱特征差异较小，吸收特征差异性相对较大；基于一阶微分光谱特征和光谱吸收特征利用C4．5决策树进行分类，可以实现湿地植被在物种水平上的识别，并达到较好的分类精度。
%Certain spectral characteristics have a direct impact on accuracy and efficiency of identifying the wetland vegetation.In this paper, the authors mapped wetland vegetation with 3 m spatial resolution for HyMap image data from Sherman Island of California ’ s Sacramento -San Joaquin delta .The first -derivative spectral features and spectral absorption features of different species were analyzed by the method of stepwise discriminate analysis , and the spectral characteristic parameters with better classification accuracy were screened to identify species of wetland vegetation in C4.5 decision tree classifier .The results showed that the absorption features of four plants have larger differences than first -derivative spectral features .The results also showed that C4.5 decision tree classifier in combination with the first -derivative spectral characteristics and spectral absorption characteristics could be effective in distinguishing wetland vegetation and allowing for species -level detection .【期刊名称】《国土资源遥感》【年(卷),期】2016(028)003【总页数】5页(P86-90)【关键词】高光谱遥感;光谱特征;湿地植被;HyMap【作者】柴颖;阮仁宗;柴国武;傅巧妮【作者单位】河海大学地球科学与工程学院，南京 210098;河海大学地球科学与工程学院，南京 210098;河南省南阳水文水资源勘测局，南阳 474500;河海大学地球科学与工程学院，南京 210098【正文语种】中文【中图分类】TP751.1近年来，高光谱遥感技术在湿地植被的精细识别和分类方面的应用逐渐增多。
藻类植物生态类型
任德蘭
【期刊名称】《生物学教学》
【年(卷),期】1960(000)006
【摘要】<正> 地球上现存的植物界可分别为高等植物和低等植物两大类。
藻类植物是植物界中最低等的植物,它们大多数都具有叶绿素,藻体呈绿色。
也有藻类植物不呈绿色,这是由于藻体内载色体除含叶绿素外,还含有其他的色素。
所以有的藻类植物体是蓝绿色、红色、褐色、或棕黄色等。
大多数藻类植物因具有叶绿素,所以是自养植物。
但也有个别藻类植物是寄生或腐生的异养植物。
依照藻类植物体含有色素的不同及体型、构造、繁殖的方式的不同,可分为七个门。
蓝藻
【总页数】5页(P12-15,28)
【作者】任德蘭
【作者单位】大连师院
【正文语种】中文
【中图分类】Q94
【相关文献】
1.热带与南亚热带植物生态类型多样性的应用 [J], 罗文扬;罗萍;武丽琼;邓旭;李土荣;戴小红
2.桂林漓江藻类植物生态学研究 [J], 徐淑庆;徐文立
3.基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例[J], 林川;宫兆宁;赵文吉;樊磊
4.园林植物生态类型及应用 [J], 姚方
5.家居内外园林植物生态类型及应用 [J], 姚方
因版权原因，仅展示原文概要，查看原文内容请购买。
北京野鸭湖湿地植物功能性状研究的开题报告一、研究背景与意义湿地是一种特殊的生态系统，它不仅可以提供生物多样性的保护，还具有重要的环境保护和意义。
作为湿地的重要组成部分，植物起着至关重要的作用，具有非常重要的功能性状。
因此，通过对湿地植物功能性状的研究，可以更好地了解湿地的生态系统特点和生态过程，为湿地保护和恢复提供科学依据。
北京野鸭湖湿地是北京市境内规模较大、景观优美的湿地，是野鸭栖息和繁殖的重要地点，有较高的生态、文化和科学价值。
近年来，随着城市化进程的不断加快，野鸭湖湿地的生态环境受到了一定程度的破坏和损失，需要进行生态修复和保护。
因此，对野鸭湖湿地植物功能性状的研究显得尤为必要和重要。
二、研究目的与内容本研究旨在探讨北京野鸭湖湿地植物的功能性状，具体目标为：1. 确定野鸭湖湿地优势植物种类和优势度。
2. 研究野鸭湖湿地植物的生长状况和功能性状，包括植物高度、根系、叶片形态等特征。
3. 研究植物的光合作用、呼吸作用、蒸腾作用等生理特性。
4. 分析湿地植物与土壤、水质之间的关系，了解植物对湿地环境的适应性和响应机制。
5. 为野鸭湖湿地的生态保护和修复提供科学支撑。
本研究主要内容包括野鸭湖湿地植物调查、植物样品采集与处理、植物性状测定、生理生态研究等环节。
三、研究方法1. 湿地植物调查法：采取系统抽样和随机样方法，对野鸭湖湿地不同生境类型的植物进行调查，记录优势种、种群分布状况和生长特征等。
2. 植物样品采集与处理：采用标准野外样品收集方法，对野鸭湖湿地不同生境类型的植物进行采集并进行处理，为后续的性状测定提供样品基础。
3. 植物性状测定：对采集样品进行高度、根系、叶片形态等生长状况和功能性状测定。
4. 生理生态研究：通过测定植物的光合作用、呼吸作用、蒸腾作用等生理特性，分析湿地植物与水质、土壤之间的关系和响应机制。
四、预期成果本研究将为野鸭湖湿地的生态保护和修复提供科学支撑和依据，具体成果包括：1. 野鸭湖湿地优势植物种类和优势度的确定。
东洞庭湖典型湿地植被高光谱特征分析与识别的开题报告1. 研究背景与意义东洞庭湖是我国重要的湖泊湿地之一，它是世界上最大的淡水湖泊之一，在生物多样性、生态与环境保护方面具有重要的意义。
而湿地植被是湖泊湿地中的重要组成部分，它能够影响湿地的水质、水量、土壤和底泥状况，并对湿地生态系统的稳定运行起着至关重要的作用。
因此，深入探究东洞庭湖湿地植被的分布和特征，对保护东洞庭湖及其生态环境具有重要的意义。
在植被遥感信息提取中，高光谱图像能够提供更丰富、更具信息量的光谱特征，有助于更精细化、更准确地识别植被覆盖类型和空间分布。
而且，结合机器学习等先进的计算机技术，可以使植被遥感信息提取的准确性和效率得到进一步提高。
因此，本课题旨在利用高光谱技术对东洞庭湖湿地植被进行遥感信息提取，并应用机器学习算法对其进行识别分类，以评估植被分布和类型，为湿地生态环境保护和管理提供科学支持。
2. 主要研究内容与方法（1）采集高光谱影像数据和地面实测数据：通过卫星遥感技术获得东洞庭湖湿地植被高光谱遥感影像数据，并结合现场地面实测数据建立植被光谱数据库。
（2）提取植被光谱特征：针对东洞庭湖湿地植被高光谱影像数据，采用主成分分析法、特征波段选择法等方法提取植被的高光谱特征，并进行数据降维和预处理。
（3）应用机器学习模型对植被类型进行识别分类：通过构建机器学习模型，在提取的植被高光谱特征的基础上对植被类型进行识别与分类，并与地面实测数据相结合进行结果验证和精度评估。
3. 预期研究成果及意义（1）预期研究成果：①建立东洞庭湖湿地高光谱影像植被光谱数据库，提取湿地植被的高光谱特征；②实现机器学习算法对东洞庭湖湿地植被的识别和分类，并与实测数据相结合进行结果验证和精度评估；③分析评估东洞庭湖湿地植被空间分布和类型分布特征，为湿地生态环境保护和管理提供科学支持。
（2）预期研究意义：①开展高光谱技术在湿地植被遥感信息提取中的应用研究，探究植被高光谱特征与湿地生态环境之间的关系；②应用机器学习算法对植被类型进行识别和分类，提高植被遥感信息提取的精度和效率；③为东洞庭湖湿地生态环境保护和管理提供科学依据和技术支持。
湿地植被高光谱遥感技术运用研究湿地生态是重要的生态系统，主要由气候、水文、地形、土壤和植被等因素组成。
湿地植被是生态系统中重要的组成部分，对于湿地维护和生态平衡具有重要意义。
然而，湿地植被的监测和管理面临诸多挑战，包括湿地广阔、困难到达、成本高等问题。
同时，传统的湿地监测方法不仅难以获取精确且实时的数据，而且人工估测结果存在主观性。
因此，高光谱遥感技术成为了研究湿地植被的有力工具。
高光谱遥感技术可以获取细微波长范围内的光谱数据，应用遥感差异提取技术，可准确提取大量植被特征信息。
此外，高光谱遥感技术具有高时空分辨率、操作简便、快速实现等优点，可以降低成本，提高效率。
因此，高光谱遥感技术被广泛应用于湿地植被监测。
本文通过文献资料介绍高光谱遥感技术在湿地植被监测中的应用和发展现状，分为数据获取、特征提取、分类识别和模型建立四个方面进行阐述。
数据获取高光谱遥感数据的获取是进行植被特征提取的基础。
目前，高光谱遥感数据的获取主要通过两种方法，一种是空间范围内的人为采集，即地面采集方式，另一种是遥感卫星获取。
采集方式的选择要根据实际需求和条件。
在遥感卫星获取中，Landsat、Envi等常用卫星成像平台在湿地植被监测中得到广泛应用。
针对不同地域、环境特征、遥感要素等因素，需要针对性选择遥感卫星并制定不同的遥感数据获取方案，以便获取合适的遥感数据。
特征提取高光谱遥感技术可以提取多种植被特征信息，如植被光谱特征、地物空间分布特征、植被高度和生理状态等。
其中，植被光谱特征是提取植被生理状态和物候期变化的核心内容，是根据高光谱遥感数据通过光学反射率、反射率变化、NDVI等算法获取植被信息，可以从不同颜色和波段的光谱曲线上反映出植被的生理状态和细微变化。
其中，NDVI指数成为惯用的指标，常用于反映植被生长状态和变化。
分类识别高光谱遥感技术可以通过对植被特征分析，从而实现湿地植被的分类和识别。
根据不同的研究目的、时间尺度、空间尺度和地域特点等特征，可以采用不同的分类方法。
湿地植被高光谱遥感技术运用研究引言湿地是国家重要的生态系统，其植被覆盖对维持湿地生态系统的平衡具有重要作用。
随着遥感技术的不断发展，高光谱遥感技术在湿地植被研究中的应用也越来越广泛。
本文将针对湿地植被高光谱遥感技术的应用研究进行探讨，旨在为湿地植被科学研究和保护提供参考和指导。
一、湿地植被高光谱遥感技术概述高光谱遥感技术是指利用光波长范围内的大量相对连续的光谱信息进行遥感获取的一种技术。
与传统的遥感技术相比，高光谱遥感技术可以获取更丰富的光谱信息，通过对不同波段的光谱数据进行分析，可以获取更多的植被信息，从而实现对植被类型、健康状况、覆盖度等更精准的评估和监测。
湿地植被作为湿地生态系统的重要组成部分，对于湿地的稳定和生态环境的维护具有至关重要的作用。
利用高光谱遥感技术对湿地植被进行监测和评估，可以帮助科研人员更准确地把握湿地生态系统的变化情况，为湿地保护和管理提供科学依据。
二、湿地植被高光谱遥感技术在植被类型识别中的应用利用高光谱遥感技术可以获取丰富的植被光谱信息，这些光谱信息可以帮助科研人员对湿地植被的类型进行精准识别。
通过对湿地植被光谱数据进行分析，可以确定不同植被类型的光谱特征，并结合地面调查数据对这些光谱特征进行验证，最终可以实现对湿地植被类型的准确识别和分布图的制作。
这种基于高光谱遥感技术的植被类型识别方法，可以帮助科研人员更准确地掌握湿地植被的类型分布情况，为湿地保护和管理提供科学依据。
与传统的植被类型调查相比，高光谱遥感技术可以实现对大范围湿地的植被类型识别，为湿地保护和管理提供更加全面精准的信息。
基于高光谱遥感技术的植被健康状况监测方法，可以帮助科研人员及时了解湿地植被的健康状况变化情况，为湿地生态系统的健康状况评估提供科学依据。
通过对植被健康状况的监测，可以及时发现植被健康异常，为湿地植被病虫害的防治提供科学依据。
四、湿地植被高光谱遥感技术在植被覆盖度评估中的应用植被覆盖度是评估湿地生态系统稳定性的重要指标之一。
北京市野鸭湖自然保护区湿地维管束植物多样性及其保护研究野鸭湖自然保护区是北京市面积最大、生物多样性最为丰富的湿地类型自然保护区。
本文对其湿地维管束植物区系、群落分类、群落垂直结构、水平分布格局进行比较深入地分析,并以此为基础评价珍稀植物和优先保护区域,为自然保护区科学管理提供理论依据。
采用系统取样和典型取样相结合的方法,调查范围包括水深不超过2m且有水生维管束植物生长的水体、水陆过渡地带以及长期或季节性受湿地水分影响的区域,共设置样点11处、样带104条、样方562处,其中浅水植物样方161处,湿生植物样方245处,盐生植物样方140处,湿中生植物样方16处。
野外调查及数据分析主要有7项结果。
(1)记录野鸭湖湿地维管束植物172种,其中有北京新记录种蔺状隐花草(Crypsis schoenoides)1种,野鸭湖新记录种狸藻(Utricul-aria vulgaris)、陌上菜(Lindernia procumbens)、蓼子朴(Inula salsoloides)3种。
蔺状隐花草和蓼子朴的出现是湿地土壤盐碱化的突出表现;水生食虫植物狸藻是清洁水质的指示植物。
(2)野鸭湖自然保护区湿地维管束植物区系起源古老,具有较强的温带性质,拥有许多古老的植物类型,种间亲缘关系疏远。
绝大部分在重要值上处于优势地位的科、属、种都是单子叶植物。
(3)16种生活型中,春性一年生草本的种类最为丰富且重要值较高。
(4)主要依据建群种对群落分类形成4个植被型组、7个植被型和47个群系,其中芦苇群系(form. Phragmites australis)占调查面积的13.88%,是最主要的群落类型;芦苇群系(form. Phragmites autralis)、扁秆藨草群系(form. Scirpusplaniculmis)、长芒稗群系(form. Echinochloa crusgali var. caudata)等14种植物群系占调查面积的71.01%,是野鸭湖自然保护区湿地植被外貌和结构的最主要缔造者。
基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例林川;宫兆宁;赵文吉;樊磊【摘要】光谱特征变量的选择对于湿地植被识别的精度和效率有着直接的影响作用.以华北地区典型的淡水湿地——野鸭湖湿地为研究区,采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植物的冠层光谱.以野外高光谱数据为基础,首先利用一阶导数与包络线去除的方法,分析和对比不同植物生态类型的光谱特征,选定了用于识别植物生态类型的光谱特征变量,选定的8个光谱特征变量为红边位置WP_r、红边幅值Dr、绿峰位置WP_g、绿峰幅值Rg、510 nm附近的吸收深度DEP-510和吸收面积AREA-510、675 nm附近的吸收深度DEP-675和吸收面积AREA-675.其中,7种植物生态类型的一阶导数光谱特征差异较小,吸收特征差异性相对较大.除WP_r和WP _g外,沉水植物Rg和Dr平均值最低,湿生植物的Rg平均值最高,达到0.164,栽培植物的Dr平均值最高,达到0.012.7种植物生态类型在675 nm附近的DEP-675和AREA-675均高于510 nm附近的DEP-510与AREA-510,除去栽培植物,随着水分梯度的变化,其他6种植物生态类型的吸收深度和吸收面积都表现出先升高后降低的趋势.然后利用单因素方差分析(One-way ANOVA)验证了所选光谱特征变量的区分度,在P≤0.01的置信水平下,选取的8个光谱特征变量都能够较好的区分7种植物生态类型,区分度的最小值为13,最大值为18,并且吸收特征参数的区分度优于一阶导数参数.最后应用非线性的反向传播人工神经网络(BP-ANN)与线性判别分析(FLDA)的类型识别方法,利用选定的8个光谱特征变量进行湿地植物生态类型识别,取得了较好的识别精度,两种方法的总分类精度分别达到85.5％和87.98％.单因素方差分析(One-way ANOVA)和不同分类器的分类精度表明,所选的8个光谱特征变量具有一定的普适性和可靠性.【期刊名称】《生态学报》【年(卷),期】2013(033)004【总页数】14页(P1172-1185)【关键词】湿地植物生态类型;高光谱;光谱特征变量;单因素方差分析(One-way ANOVA);非线性的反向传播人工神经网络(BP-ANN);线性判别分析(FLDA)【作者】林川;宫兆宁;赵文吉;樊磊【作者单位】首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048【正文语种】中文湿地植被作为湿地生态系统的一个重要组成部分，可以综合反映湿地的生境特征，是湿地研究的关键，因此快速、准确进行湿地植被的鉴识，对于湿地资源监测和保护具有重要的意义［1］。
由于大范围的湿地植被具有面源特性，常规的监测技术范围有限，并且费时费力，因此采用遥感手段，利用地物反射光谱信息，可以实时、快速、大面积的获取湿地生态系统的信息，实现从点源监测到面源监测的飞跃，目前已广泛用于湿地资源的调查和研究中。
许多学者已经采用各种多光谱影像(如TM、SPOT、IKONOS等)，来获取湿地植被分类的数据并进行湿地的监测与保护［2-5］。
但是，由于多光谱传感器的波段少、光谱分辨率较低(一般大于100nm)，再加上湿地植被组成的复杂性以及植被光谱特征的相似性，在空间遥感探测中容易出现“异物同谱”的现象，影响了分类的精度和效率，无法满足更高精度湿地植被物种和群落识别的需要。
而高光谱遥感技术经过近二十年来的飞速发展，以其所具有的光谱分辨率高、波段数目多、数据丰富等独特性能，弥补了传统多光谱遥感技术的不足，使其在地表物质的识别和分类、有用信息提取方面具有独特的优势，在农业、水文和地质等领域得到了广泛应用［6-8］。
近年来该技术在湿地科学中的应用也逐渐增多，尤其是精细湿地植被识别和分类方面，能够提高湿地植被识别与分类的精度，国内外的许多研究都取得了较好的效果［9-11］。
同时，国内外一些学者也应用地面实测光谱，通过分析和提取实测光谱间的差异，进行湿地植物群落的识别研究。
Schmidt等［12］使用GER 3700野外便携式地物光谱仪测量了荷兰南部海岸盐沼湿地的27种湿地植被的反射光谱，利用统计检验、连续统去除法以及距离分析法，最终筛选出了6个用于分类的最优波段。
Zhang［13］等应用改进的光谱混合分析方法对盐沼湿地植被的地面实测光谱进行处理，结果表明，利用该方法可以放大种间的光谱差异，降低种内的光谱差异，对优势种的识别精度能够达到90%以上。
Elhadi等［14］使用ASD FieldSpec3野外高光谱辐射计测定了南非圣路西亚湿地公园沼泽湿地中包括纸草在内的4种湿地植被的冠层光谱，并综合运用方差分析与分类回归的分析方法，选定了8个用于识别纸草的最优波段。
Zomer等［15］使用GER 2600野外便携式光谱辐射计测定了美国加利福尼亚州帕切科溪盐沼湿地7种湿地植被类型的冠层和叶片光谱，然后利用得到的地物光谱曲线建立波谱库，为基于高光谱遥感影像的湿地植被分类提供一定的科学依据与技术支持。
然而，由于高光谱与传统的遥感技术差别明显，特别是高光谱数据的波段多、信息量大、信息冗余多等特点，使得在高光谱数据的处理与应用中还有许多问题需要解决，其中，如何选择用于特定分析的光谱特征变量(最佳波段、植被指数以及光谱吸收特征参数)已经成为国内外学者研究的重点问题之一［16］。
光谱特征变量的选择对于湿地植被识别的精度和效率有着直接的影响作用，因此，快速、简单以及准确的选择湿地植被识别的光谱特征变量，对于湿地植被的识别与分类具有重要的意义。
同时，目前应用高光谱遥感技术进行湿地植被识别的研究大多集中于盐沼湿地植被上，针对淡水湿地植被的研究尚不多见。
本文以典型淡水湿地——野鸭湖湿地为研究区，在采集典型湿地植物群落反射光谱的基础上，利用光谱微分技术中的一阶导数分析方法与光谱吸收谷/反射峰特征分析中的包络线去除法［17］，在可见光-近红外波段范围内选出识别湿地植物生态类型的光谱特征变量，并采用单因素方差分析(One-way ANOVA)验证得到的最优光谱特征变量是否能够区分各植物生态类型，最后应用反向传播人工神经网络(BP-ANN)模型［18］和Fisher线性判别分析(FLDA)方法［19］进行湿地植物生态类型识别，以期为野鸭湖湿地植被的高光谱遥感数据的处理以及野鸭湖湿地资源的监测和保护提供科学依据，为遥感技术在淡水湿地植被识别中的实际应用提供理论依据和技术支持。
1 研究区概况野鸭湖湿地保护区位于北京市延庆县西北部的延庆镇、康庄镇、和延庆农场交界处，地理位置为东经115°46'16″—115°59'48″，北纬40°22'04″—40°30'31″，是官厅水库延庆辖区及环湖海拔 479 m 以下淹没区及滩涂组成的人工湿地(图1)。
目前，保护区总面积9000 hm2，是北京最大的湿地自然保护区，同时也是北京首个湿地鸟类自然保护区。
野鸭湖湿地地处北山隆起构造区的延庆-昌平活动断裂区，地势东北高，西南低，属于堆积构造地貌类型，主要由妫水河洪冲击形成，地势平坦，土壤类型以褐土为主。
属北温带大陆性季风气候，处于暖温带与中温带、半干旱到半湿润之间的过度地带，具有四季分明的特点，春季干旱，夏季雨热同季，降雨多集中于7、8、9三个月，年平均降水500 mm左右;秋季天高气爽，冬季寒冷干燥［20］。
图1 研究区地理位置图Fig.1 Location map of study area在野鸭湖特殊的地质地貌、水文、土壤和气候等因子的作用下，植物群落经过长期的演替变化，该区域生长了大面积的湿地植被，分布广、种类多、生物多样性丰富，在北京乃至华北区湿地中具有典型性和代表性。
野鸭湖区域内的湿地植被在空间上具有典型的成带分布特点，自岸边至湖中心处，随着水深的不断增加，形成了不同的植物群落。
湖中心处水深较深，沉水植物广泛分布，比较典型的有狐尾藻、篦齿眼子菜、菹草等;趋向湖岸的水较浅，生长着浮水植物，比较典型的有莲、浮萍、槐叶萍等;在靠近湖岸的浅水处，为挺水植物带，比较典型的有芦苇、香蒲等。
在野鸭湖湿地长期浸水区域或季节性水淹区域，分布有大量的湿生植物，以球穗莎草和扁杆藨草群落为主，伴生种主要为水芹菜、针蔺、水葱、薄荷等，植物多样性丰富［20-21］。
在季节性水体的上方，很少被水淹浸，但土壤湿度仍然很大，是湿生和旱生植物均能生长的地带，分布有牛鞭草等中生植物群落。
2 数据资料与研究方法2.1 数据获取与预处理由于研究区内环境较为复杂，有的区域因为地形地貌等因素的限制难以进入，同时研究区内湿地植被类型丰富，因而采样过程中无法达到全部区域以及覆盖所有植被类型，所以在进行野外光谱数据采集之前，首先进行采样区域以及植被类型的选择和确定［22］。
本次研究的采样区域如图2所示，图中3个区域内滩涂面积较大、沟岔众多、水深较浅，湿地植被类型众多，具有一定的典型性和代表性，因此选定为光谱数据的采样区。
区域4被人工建造的围堤所包围，围堤内湿地植被生长状况良好，面积较大，也具有一定的典型性与代表性。
区域5为湿地生态恢复与苜蓿人工种植的混合区域，区域内苜蓿大面积种植，与自然生长的植被相比，该区域内的植被受人类活动影响较大，同时也是野鸭湖区域内湿地植被的重要组成部分，所以将该区域中的苜蓿(栽培种)选定为采样的植被类型之一。
而且上述区域水深较浅，地势平坦，方便到达，便于开展光谱数据的采集工作。
选定采样区域后，结合研究目的和采样区域内湿地植被的类型、数量、长势以及分布特点，选择样区内的典型湿地植被进行采样，选定的典型湿地植被如表1所示。
表1中所选取的12种湿地植被生长旺盛，密度较大，覆盖度较高，在5个采样区域内分布广泛，所占面积达到了采样区域面积的75%—85%。
图2 野外采样区域图Fig.2 Field sampling area采样时间选择2011年6月上旬到7月下旬，该段时间内，降水充足，温度、光照都比较适合湿地植被的生长，而且大多数湿地植被都处于花期或者果期，生长比较旺盛，健康状况良好，是采集光谱信息的最佳时期。
