基于高光譜遙感的樹種識別

董元，董夢，單瑩

(1.華北理工大學 礦業工程學院，河北 唐山 063210； 2.北京化工大學 文法學院，北京 100029；3.唐山市自然資源與規劃局海港經濟開發區分局，河北 唐山 063611)

0 引言

森林是陸地上最經濟實用的二氧化碳吸收器，在全球氣候變暖的今天森林對全球的環境保護發揮重要的作用。對森林樹種進行精準識別是利用和保護森林資源的基礎，具有重要的現實意義。目前進行森林樹種調查方法主要依靠人工野外調查，這種方式不僅成本較高，且消耗時間多、周期較長、時效性較差，不宜進行大面積調查，無法滿足相關部門對森林資源實時變化信息的需求。遙感技術具有宏觀實時監測的優點，多光譜遙感已經應用到樹種識別領域，但由于多光譜遙感光譜信息相對匱乏，不宜對不同樹種之間細微的光譜差異進行分析，樹種識別精度有待提高。高光譜遙感具有波段范圍廣、光譜分辨率高等特點，可以彌補多光譜遙感這一不足，將觀測的地物以完整光譜曲線表示出來，有利于地物的精細識別與分類，為樹種定性定量分析提供依據。利用高光譜對草地、農作物等進行精細研究比較常見，于成龍基于環境一號高光譜數據，利用決策樹法提取主要農作物類型信息，總體精度達到88.71%[1]。顧留碗等通過對農作物光譜進行數據重采樣和植被指數計算，研究常用植被指數和常用傳感器的識別能力，識別精度最高達90.0%[2]。王崠等通過對不同形式光譜及高光譜特征參數進行分析，得出利用SDr建立的神經網絡總體精度最高[3]。武紅旗等利用便攜式地物光譜儀對伊犁絹蒿叉毛蓬和伊犁絹蒿木地膚2個群落進行光譜采集，分別測定群落及主要植物的反射光譜，通過分析NDVI和RVI，探討利用光譜特征和植被指數進行植被分類的可行性。結果表明，5月牧草返青期可以利用RVI分類[4]。安如等使用混合像元分解技術對高光譜影像和實測高光譜數據進行分析，將分類精度提高到84.2%[5]。王惠寧等利用便攜式光譜儀測定草地地面光譜，采用單一波段進行反演時，反演精度隨覆蓋度增加而提高[6]。而森林冠層的反射光譜受到林木高度、設備自身因素的影響，獲取較為困難，目前我國在這方面的研究還處于發展階段。因此，對森林樹種光譜特征進行分析，可以實現高光譜遙感樹種分類，并可為森林分類及其科學經營管理提供有力的技術支持。該研究以USGS光譜庫為數據源，選擇了光譜庫中的山楊樹、楓樹、橄欖樹、核桃樹和樅樹5個樹種冠層光譜，對這5種類型樹種冠層的光譜變化特征及其差異性進行了對比分析和研究，并探討了各個樹種通過高光譜技術區分的可行性，以期為森林分類和動態監測提供理論依據。

1 光譜數據來源

USGS光譜庫由USGS波譜實驗室提供，含有1 994種地物波譜，包括涂料、人造材料、礦物、混合物、植物和揮發物。USGS植物波譜庫波長范圍為0.4～2.5 μm，包括17種植被波譜，近紅外波長精度為0.5 nm，可見光波長精度為0.2 nm。

2 光譜數據處理

2.1 微分變換

通過光譜微分變換能夠降低測量時環境或人為因素造成的影響，同時通過微分變換可以使光譜之間不易察覺的細微差異更加顯著，在分離重疊波段的峰值方面效果為最顯著[7]。

一階微分：

(1)

式(1)中：ρ'表示一階微分后的光譜值；λ表示原始光譜值；Δλ表示光譜值差值。

二階微分：

(2)

式(2)中：ρ''表示二階微分后的光譜值；λ表示原始光譜值；Δλ表示光譜值差值。

2.2 去除包絡線

去除包絡線是對光譜數據進行歸一化的操作，將不同光譜曲線歸一化到同一基準線上，不僅在抑制噪聲方面效果顯著，同時光譜曲線的吸收和反射特征也更加突出，便于分類和識別，尤其是對不同植被的識別更加有效[8]。

包絡線去除公式：

(3)

式(3)中，S為原始光譜，C為包絡線值。

2.3 植被指數

植被指數是光譜數據的線性或非線性組合，通過組合構建對研究具有特定意義的模型，來實現對地物信息的識別，同時在一定程度上對噪聲具有消除作用。根據研究需要，使用植被指數進行樹種識別，如表1所示。

3 光譜特征分析

3.1 原始光譜

原始的光譜曲線如圖1所示。

通常情況下函數動點問題題目較長，題意也較為復雜，使學生逐漸形成相應的恐懼感。也就是學生在剛剛面對函數動點問題時，在心理上對自身進行了相應的否定。在長時間的影響下每當其遇到函數動點問題時，心理上會認為這一類問題難度相對較高，自己不能對其進行解決。針對學生的這種現狀，教師應在學生剛剛接觸到動點問題期間，結合實際教學需求與學生知識掌握情況制定完善的教學計劃，實施專題訓練，從低到高、從淺至深對各種問題類型進行總結，對合理的教學模式進行運用，培養學生函數動點問題解題積極性的形成，并在其問題解答期間形成相應的征服感。

圖1 樹種冠層原始反射率

從圖1可以看出，5種樹種冠層原始反射光譜曲線總體的走勢一致; 在可見光350～500 nm波長范圍內橄欖樹的反射率明顯高于其他樹種，楓樹和山楊樹反射率相差不大，幾乎一致; 在680 nm左右存在葉綠素的吸收峰; 在750～1 400 nm的波長范圍內，5種樹種反射率出現明顯差別，橄欖樹反射率最高，山楊樹的反射率最低，樅樹在這一波長區間光譜曲線形態與其他樹種有著明顯差異，可以作為原始反射率樹種識別的重要研究區。在1 400～1 900 nm的光譜區間內，5種樹種冠層原始反射率波形差異不大。造成這些光譜差異的原因很多，有樹種本身的原因，包括樹種本身結構、健康狀況、含水量和葉片的細胞構造等方面的差異。

3.2 一階微分

圖2所示為樹種冠層一階微分反射率。

圖2 樹種冠層一階微分反射率

一階微分反映的是原始光譜曲線的斜率變化，一階微分為正時，說明原始光譜處于上升階段，反之，一階微分為負，說明原始光譜處于下降階段。由圖2原始光譜一階微分后的光譜曲線可知，5種樹種的原始光譜總體變化趨勢一致，但在350～500 nm存在顯著差異，以411 nm處最為明顯。同時在720 nm波段處橄欖樹的一階微分光譜與樅樹差距最大。此外，在949 nm、1 143 nm、1 393 nm、1 885 nm、2 315 nm和1 508 nm波段附近樹種的一階微分光譜差距也較為顯著，可作為樹種識別波段。

3.3 二階微分

樹種的二階微分光譜曲線如圖3所示。

圖3 樹種冠層二階微分反射率

二階微分能夠更好地放大光譜間細微差異。二階微分光譜反映的是原始光譜曲線的彎曲狀態，二階微分光譜為正時，說明原始光譜曲線存在向下凹趨勢，反之，二階微分光譜為負時，說明原始光譜曲線存在向上凸的趨勢。通過圖3可以看出，原始光譜曲線凹凸比較明顯的波段主要位于533 nm、694 nm、742 nm、1 133 nm、1 383 nm、1 408 nm、1 865 nm和1 895 nm波段附近，這些波段也是二階微分差異最顯著的波段，可以作為二階微分光譜樹種識別的顯著波段。

3.4 去除包絡線

圖4所示為樹種冠層去除包絡線反射率。

圖4 樹種冠層去除包絡線反射率

從圖4可以看出，去除包絡線光譜使得原始光譜的吸收特征更加明顯，差異最為明顯的波段有490 nm、680 nm、1 453 nm和1 915 nm，其中楓樹在680 nm附近的吸收率最高，核桃樹在1 453 nm附近的吸收率最低，可以作為去除包絡線光譜樹種識別的顯著波段。

3.5 植被指數

通過表1的計算公式，計算出各個樹種的植被指數的方差和標準差，如表2所示。

表2 樹種植被指數的方差及標準差

通過計算得到的11種植被指數中CRI、GMI值均大于1，其它植被指數均位于0～1之間，mSR705和PRI為負值。植被指數的方差和標準差越大，說明其識別能力越強，通過分析表2可知，11種植被指數中方差和標準差最大的是CRI，分別為29.846 0和5.464 8，表明11種植被指數中CRI識別5種樹種的能力最大；方差和標準差最小的是PRI，分別僅為0.000 4和 0.019 3，表明11種植被指數中PRI識別這5種樹種的能力最小，因此11種植被指數識別5種樹種的能力大小依次順序為CRI>GMI>mSR705>VOG>SIPI>SRPI>NDVI>mND705>DVI>NPCI>PRI。

4 結論

(1)在原始冠層反射光譜方面，這5種樹種冠層的反射光譜曲線總體趨勢一致，在750～1 400 nm的波長范圍內，5種樹種反射率出現明顯差別，橄欖樹反射率最高。5種樹種的原始冠層反射光譜曲線在350～500 nm 和750～1 400 nm波長段差異明顯，是區別它們的適宜波段。

(2)根據對不同數據變換形式后光譜進行分析，篩選出最佳識別波長，一階微分變換后的敏感波段有 411 nm、949 nm、1 143 nm、1 393 nm、1 885 nm、2 315 nm和1 508 nm；二階微分變換后的敏感波段有533 nm、694 nm、742 nm、1 133 nm、1 383 nm、1 408 nm、1 865 nm和1 895 nm，去除包絡線變換后敏感波段為490 nm、1 453 nm和1 915 nm。

(3)采用原始光譜計算的11種植被指數識別農作物能力從強到弱依次為CRI>GMI>mSR705>VOG>SIPI>SRPI>NDVI>mND705>RVI>NPCI>PRI。