草原退化已经成为我国主要的生态问题之一。我国的草原主要分布在内蒙古中东部地区,是重要的畜牧业生产基地,也是我国重要的生态保护屏障。近年来,由于人类的活动和自然环境的变化,致使草原环境出现了恶化,荒漠化草原环境频现,草原退化严重。草原退化不仅表现为牧草生产能力的降低,还表现为植被群落结构和地表土壤性质的改变。本课题将以内蒙古荒漠化最为严重的乌兰察布草原为研究对象,具体实验地点为四子王旗地区的荒漠化草原。为实时准确地得到草原的退化信息,采用的是地面高光谱遥感技术。高光谱遥感图像包含的信息多,且能够图谱合一,可以通过高光谱图像分类草种。但是由于高光谱图像数据量大,草原草种的分类难度较高,使用传统的分类方法很难得到好的分类效果。因此,借助强大的深度学习方法解决高光谱图像的分类是本课题主要的研究方向。针对高光谱图像分类的难题,本课题会从深度学习和传统的机器学习两个技术方向解决本课题的问题,具体的工作如下:首先,针对高光谱遥感图像数据量大、波段冗余度大、波段间相关性强的问题,采用基于子空间划分的高光谱图像波段选择方法,对高光谱图像的波段进行选择,减小数据量。利用自动子空间划分法,根据各波段之间的相关系数获得相关系数矩阵,对相关系数进行排序,将全部的波段划分为若干个子空间,然后根据自适应波段选择法进行计算,获得各个子空间内的最大指数波段,最后根据给定的阈值完成波段选择。其次,完成数据的预处理之后,将输入到深度学习和机器学习之中。在深度学习训练过程中,首先将数据进行标准差标准化,然后输入卷积神经网络。通过卷积层的三维卷积核对图像提取特征,然后利用池化层进行降采样,获取特征图的最大值,最后经由全连接层输出结果值。在机器学习训练过程中,采用两种数据输入方式,一种是直接输入图像,另一种是利用灰度共生矩阵提取图像的纹理特征,利用支持向量机(SVM)的方法对数据进行处理分类。最后,通过调整参数得到最优的卷积神经网络和SVM的模型之后,比较两个模型的好坏,从两种模型的分类结果表明,卷积神经网络在图像分类中具有较高的优势。