基于无人机高光谱多特征融合与深度学习的草甸毒杂草精准识别研究

《Computers and Electronics in Agriculture》：Precise identification of noxious weeds in alpine meadows using UAV-based hyperspectral remote sensing with multi-feature integration and deep learning

　　本研究创新性地融合光谱、纹理和几何特征，结合马氏距离（Mahalanobis distance）和递归特征消除交叉验证（RFECV）算法筛选敏感波段，系统对比随机森林（RF）与三维卷积神经网络（3D-CNN）等九种模型，实现了高寒草甸毒杂草99.55%的识别精度，为高异质性植被精细分类提供了突破性技术方案。

　　

Highlight

代表性毒杂草与其他植物的特征差异分析

不同植物因生物组分、叶片形态、表面粗糙度及聚集状态差异，在遥感影像中展现出显著的光谱、纹理和几何特征分异。毒杂草（如密花香薷和露蕊乌头）在红边-近红外波段（650-800 nm）呈现独特的导数光谱峰谷响应，其纹理特征受冠层结构影响表现为更高的斑块复杂性，而几何特征则通过形态学参数（如冠层轮廓曲率）有效区分簇生型毒杂草与蔓生牧草。

结论

本研究聚焦青藏高原东北缘高寒草甸，基于无人机高光谱数据融合多植物特征，开发了毒杂草高效识别方法。主要结论包括：

（1）毒杂草在红边-近红外波段（650–800 nm）及导数包络光谱550 nm区域具有显著的一阶、二阶导数光谱差异；

（2）通过RFECV与马氏距离构建的多特征变量集中，光谱指数贡献度达64.98%（以NGNDVI、RENDVI和SR为主），MNF（最小噪声分离）与连续统去除分别贡献12.27%和8.72%；

（3）九类识别模型中，3D-CNN模型以99.55%总体精度（OA）和0.9929 Kappa系数表现最优，证实多特征融合与深度学习协同策略在复杂植被场景下的应用潜力。