1.2 研究區主要地物類型及其分布 羅布麻主要生長於沙漠鹽堿地、河岸、山溝、山坡的砂質地，該區域生長的羅布麻群落主要由蘆葦、檉柳、甘草、黑果枸杞駱駝刺等半生植物建群。阿勒泰阿拉哈克鄉核心區鹽湖連片生長的100多公頃野生羅布紅麻地實施封育禁牧，建立了阿拉哈克鄉鹽湖羅布紅麻保護區；另外，與鹽湖有一定距離範圍內有零星分布的羅布麻；人工仿生羅布麻分布在鹽湖東北方向羅布麻人工種植區，戈寶公司院內也有種植。
2 數據源選擇
本研究選擇的遙感影像。選擇的數據位
於同一季相，處於羅布麻花期，且相差20 d之內，避免了因季節差而產生的植被物候變化信息，從而保證了變化檢測對圖像質量的要求。
野生藥用植物遙感識別信息提取
首先，通過走訪當地農業科技站、戈寶公司等單位調研並結合相關資料對研究區進行踏查，確定勘察時間、勘察區域範圍、勘查路線、勘察方法，並確定遙感影像數據信息，包括影像分辨率、時相，範圍等；繼而進行羅布麻野外勘察，勘察方法是基於GPS根據勘察路線采集羅布麻以及周圍典型植被樣本，選取的樣本具有一定典型性，為後續遙感影像室內解譯提供驗證數據；最後對研究區進行核查，采集核查數據來驗證遙感影像的解譯精度，將遙感影像與實地進行對比、修改、更正室內目視解譯結果，總體技術流程。
2.1 野外樣地調查 研究小組連續2年對阿勒泰阿拉哈克鄉羅布麻進行遙感調查，於2012年5月、9月下旬阿勒泰阿拉哈克鄉野生羅布麻保護區開展了野外調查共獲取50個野外GPS觀測樣本，包括野生羅布麻、人工仿生羅布麻、油葵、苜蓿、防護林等，這50個樣本是作為資源三號衛星分類的訓練樣本和檢驗樣本；於2013年6月28—29日共獲取30個野外GPS觀測樣本，包括野生羅布麻、人工仿生羅布麻、油葵、苜蓿、防護林等，這30個樣本作為Worldview-2衛星提取羅布麻信息時的訓練樣本和檢驗樣本；樣本地塊在實驗區內均勻分布，有著較好的代表性，為實驗區羅布麻麵積測量提供有效的訓練樣本和檢驗樣本，然後利用GIS軟件將GPS定位點的樣地經緯度數據轉換成與圖像投影一致的shp格式文件，以便在遙感圖像上進行地麵樣點定位，獲取地麵樣點位置處的遙感監測信息，為高分辨率影像目視解譯提供先驗知識和樣本信息。
2.2 遙感影像預處理 首先對兩景遙感影像進行分別進行預處理，包括幾何校正、輻射校正、圖像增強和裁剪、融合等。本文采用Gram-Schmidt光譜銳化高保真的圖像融合算法。Gram-Schmidt 變換的圖像不但很好的保留了多光譜圖像的絕大部分光譜信息，提高了影像辨識度，增強了紋理特征而且圖像色彩接近自然色，地物的對比效果較好，清晰度較高，可以消除冗餘信息，且計算過程較簡單[17]。最後對預處理結果進行裁剪得到實驗區影像。
2.3 訓練樣本選取 為避免特征維數的增加對分類性能的影響在遙感圖像分類中，假設某個地物類別服從正態分布，要選擇訓練樣本對該類別進行表示需要的樣本數量計算公式如下。
N=z2p（100-p）/e2（1）
式中n為采樣個數； p為準確度期望值（%）；Z為按照一定概率水平在標準正態分布雙側分位數表中查到的值；e期望值的允許偏差（%）。在具體的實驗中不是利用公式確定樣本數量，而是采用人們長期總結出來的簡單方法，即選擇10～30倍於圖像波段數目的訓練樣本，或者在此基礎上越多越好。樣本量的增加可以減少單次分類引起的隨機誤差，使分類結果趨於穩定[15]
2.4 基於PCA和紋理特征的監督分類 由於國產衛星資源三號波段數較少，光譜信息不夠豐富，集中在可見光和近紅外波段，通常在傳統分類方法中可加入紋理特征、主成分變換（PCA）等特征數據加以輔助來提高分類精度；為了做比較，對於高分數據Worldview-2采用相同的特征數據參與分類。
光譜波段之間的相關性比較高，首先對實驗區多光譜數據進行主成分變換，采用灰度共生矩陣法對PCA的第一主成分進行5種適宜的紋理特征提取包括：對比度、熵、逆差矩、非相似性、相關性；提取紋理信息移動窗口的大小選擇很也重要，窗口的過大過小都會影響到特征提取的效果，研究中分別嚐試用5×5，7×7，9×9大小的窗口對研究區遙感影像進行紋理特征提取，對比紋理特征圖像發現，7×7窗口既能較好地提取地物紋理的邊緣，又可以減小窗口帶來的模糊效應。因此，本文采用7×7窗口對PCA的第一主成分進行紋理特征的提取，最後將經過PCA處理後加入5種紋理特征以及影像原始的光譜波段進行監督分類。根據勘察采集的樣本數據結合目視解譯，選取訓練樣本，將影像大致分為羅布麻、裸地、其他植被、水體等典型地物樣本。
3 不同數據源分類結果分析與對比
3.1 混淆矩陣 資源三號影像數據影像總體精度為90.23%，Kappa係數為0.865 8，說明整體分類精度較好，但是羅布麻的生產者精度隻有73.09%，漏判情況較嚴重，根據實地調查情況對比分析，發現零星分布的羅布麻沒有被識別提取。