基于光譜特征變量的濕地典型植物生態(tài)類型識別方法
——以北京野鴨湖濕地為例

林 川，宮兆寧，趙文吉，樊 磊

(首都師范大學(xué)資源環(huán)境與旅游學(xué)院;三維信息獲取與應(yīng)用教育部重點實驗室;資源環(huán)境與地理信息系統(tǒng)北京市重點實驗室;北京市城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地，北京 100048)

濕地植被作為濕地生態(tài)系統(tǒng)的一個重要組成部分，可以綜合反映濕地的生境特征，是濕地研究的關(guān)鍵，因此快速、準確進行濕地植被的鑒識，對于濕地資源監(jiān)測和保護具有重要的意義［1］。

由于大范圍的濕地植被具有面源特性，常規(guī)的監(jiān)測技術(shù)范圍有限，并且費時費力，因此采用遙感手段，利用地物反射光譜信息，可以實時、快速、大面積的獲取濕地生態(tài)系統(tǒng)的信息，實現(xiàn)從點源監(jiān)測到面源監(jiān)測的飛躍，目前已廣泛用于濕地資源的調(diào)查和研究中。許多學(xué)者已經(jīng)采用各種多光譜影像(如TM、SPOT、IKONOS等)，來獲取濕地植被分類的數(shù)據(jù)并進行濕地的監(jiān)測與保護［2-5］。但是，由于多光譜傳感器的波段少、光譜分辨率較低(一般大于100nm)，再加上濕地植被組成的復(fù)雜性以及植被光譜特征的相似性，在空間遙感探測中容易出現(xiàn)“異物同譜”的現(xiàn)象，影響了分類的精度和效率，無法滿足更高精度濕地植被物種和群落識別的需要。而高光譜遙感技術(shù)經(jīng)過近二十年來的飛速發(fā)展，以其所具有的光譜分辨率高、波段數(shù)目多、數(shù)據(jù)豐富等獨特性能，彌補了傳統(tǒng)多光譜遙感技術(shù)的不足，使其在地表物質(zhì)的識別和分類、有用信息提取方面具有獨特的優(yōu)勢，在農(nóng)業(yè)、水文和地質(zhì)等領(lǐng)域得到了廣泛應(yīng)用［6-8］。近年來該技術(shù)在濕地科學(xué)中的應(yīng)用也逐漸增多，尤其是精細濕地植被識別和分類方面，能夠提高濕地植被識別與分類的精度，國內(nèi)外的許多研究都取得了較好的效果［9-11］。同時，國內(nèi)外一些學(xué)者也應(yīng)用地面實測光譜，通過分析和提取實測光譜間的差異，進行濕地植物群落的識別研究。Schmidt等［12］使用GER 3700野外便攜式地物光譜儀測量了荷蘭南部海岸鹽沼濕地的27種濕地植被的反射光譜，利用統(tǒng)計檢驗、連續(xù)統(tǒng)去除法以及距離分析法，最終篩選出了6個用于分類的最優(yōu)波段。Zhang［13］等應(yīng)用改進的光譜混合分析方法對鹽沼濕地植被的地面實測光譜進行處理，結(jié)果表明，利用該方法可以放大種間的光譜差異，降低種內(nèi)的光譜差異，對優(yōu)勢種的識別精度能夠達到90%以上。Elhadi等［14］使用ASD FieldSpec3野外高光譜輻射計測定了南非圣路西亞濕地公園沼澤濕地中包括紙草在內(nèi)的4種濕地植被的冠層光譜，并綜合運用方差分析與分類回歸的分析方法，選定了8個用于識別紙草的最優(yōu)波段。Zomer等［15］使用GER 2600野外便攜式光譜輻射計測定了美國加利福尼亞州帕切科溪鹽沼濕地7種濕地植被類型的冠層和葉片光譜，然后利用得到的地物光譜曲線建立波譜庫，為基于高光譜遙感影像的濕地植被分類提供一定的科學(xué)依據(jù)與技術(shù)支持。

然而，由于高光譜與傳統(tǒng)的遙感技術(shù)差別明顯，特別是高光譜數(shù)據(jù)的波段多、信息量大、信息冗余多等特點，使得在高光譜數(shù)據(jù)的處理與應(yīng)用中還有許多問題需要解決，其中，如何選擇用于特定分析的光譜特征變量(最佳波段、植被指數(shù)以及光譜吸收特征參數(shù))已經(jīng)成為國內(nèi)外學(xué)者研究的重點問題之一［16］。光譜特征變量的選擇對于濕地植被識別的精度和效率有著直接的影響作用，因此，快速、簡單以及準確的選擇濕地植被識別的光譜特征變量，對于濕地植被的識別與分類具有重要的意義。同時，目前應(yīng)用高光譜遙感技術(shù)進行濕地植被識別的研究大多集中于鹽沼濕地植被上，針對淡水濕地植被的研究尚不多見。

本文以典型淡水濕地——野鴨湖濕地為研究區(qū)，在采集典型濕地植物群落反射光譜的基礎(chǔ)上，利用光譜微分技術(shù)中的一階導(dǎo)數(shù)分析方法與光譜吸收谷/反射峰特征分析中的包絡(luò)線去除法［17］，在可見光-近紅外波段范圍內(nèi)選出識別濕地植物生態(tài)類型的光譜特征變量，并采用單因素方差分析(One-way ANOVA)驗證得到的最優(yōu)光譜特征變量是否能夠區(qū)分各植物生態(tài)類型，最后應(yīng)用反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)模型［18］和Fisher線性判別分析(FLDA)方法［19］進行濕地植物生態(tài)類型識別，以期為野鴨湖濕地植被的高光譜遙感數(shù)據(jù)的處理以及野鴨湖濕地資源的監(jiān)測和保護提供科學(xué)依據(jù)，為遙感技術(shù)在淡水濕地植被識別中的實際應(yīng)用提供理論依據(jù)和技術(shù)支持。

1 研究區(qū)概況

野鴨湖濕地保護區(qū)位于北京市延慶縣西北部的延慶鎮(zhèn)、康莊鎮(zhèn)、和延慶農(nóng)場交界處，地理位置為東經(jīng)115°46'16″—115°59'48″，北緯 40°22'04″—40°30'31″，是官廳水庫延慶轄區(qū)及環(huán)湖海拔 479 m 以下淹沒區(qū)及灘涂組成的人工濕地(圖1)。目前，保護區(qū)總面積9000 hm2，是北京最大的濕地自然保護區(qū)，同時也是北京首個濕地鳥類自然保護區(qū)。野鴨湖濕地地處北山隆起構(gòu)造區(qū)的延慶-昌平活動斷裂區(qū)，地勢東北高，西南低，屬于堆積構(gòu)造地貌類型，主要由媯水河洪沖擊形成，地勢平坦，土壤類型以褐土為主。屬北溫帶大陸性季風(fēng)氣候，處于暖溫帶與中溫帶、半干旱到半濕潤之間的過度地帶，具有四季分明的特點，春季干旱，夏季雨熱同季，降雨多集中于7、8、9三個月，年平均降水500 mm左右;秋季天高氣爽，冬季寒冷干燥［20］。

圖1 研究區(qū)地理位置圖Fig.1 Location map of study area

在野鴨湖特殊的地質(zhì)地貌、水文、土壤和氣候等因子的作用下，植物群落經(jīng)過長期的演替變化，該區(qū)域生長了大面積的濕地植被，分布廣、種類多、生物多樣性豐富，在北京乃至華北區(qū)濕地中具有典型性和代表性。野鴨湖區(qū)域內(nèi)的濕地植被在空間上具有典型的成帶分布特點，自岸邊至湖中心處，隨著水深的不斷增加，形成了不同的植物群落。湖中心處水深較深，沉水植物廣泛分布，比較典型的有狐尾藻、篦齒眼子菜、菹草等;趨向湖岸的水較淺，生長著浮水植物，比較典型的有蓮、浮萍、槐葉萍等;在靠近湖岸的淺水處，為挺水植物帶，比較典型的有蘆葦、香蒲等。在野鴨湖濕地長期浸水區(qū)域或季節(jié)性水淹區(qū)域，分布有大量的濕生植物，以球穗莎草和扁桿藨草群落為主，伴生種主要為水芹菜、針藺、水蔥、薄荷等，植物多樣性豐富［20-21］。在季節(jié)性水體的上方，很少被水淹浸，但土壤濕度仍然很大，是濕生和旱生植物均能生長的地帶，分布有牛鞭草等中生植物群落。

2 數(shù)據(jù)資料與研究方法

2.1 數(shù)據(jù)獲取與預(yù)處理

由于研究區(qū)內(nèi)環(huán)境較為復(fù)雜，有的區(qū)域因為地形地貌等因素的限制難以進入，同時研究區(qū)內(nèi)濕地植被類型豐富，因而采樣過程中無法達到全部區(qū)域以及覆蓋所有植被類型，所以在進行野外光譜數(shù)據(jù)采集之前，首先進行采樣區(qū)域以及植被類型的選擇和確定［22］。本次研究的采樣區(qū)域如圖2所示，圖中3個區(qū)域內(nèi)灘涂面積較大、溝岔眾多、水深較淺，濕地植被類型眾多，具有一定的典型性和代表性，因此選定為光譜數(shù)據(jù)的采樣區(qū)。區(qū)域4被人工建造的圍堤所包圍，圍堤內(nèi)濕地植被生長狀況良好，面積較大，也具有一定的典型性與代表性。區(qū)域5為濕地生態(tài)恢復(fù)與苜蓿人工種植的混合區(qū)域，區(qū)域內(nèi)苜蓿大面積種植，與自然生長的植被相比，該區(qū)域內(nèi)的植被受人類活動影響較大，同時也是野鴨湖區(qū)域內(nèi)濕地植被的重要組成部分，所以將該區(qū)域中的苜蓿(栽培種)選定為采樣的植被類型之一。而且上述區(qū)域水深較淺，地勢平坦，方便到達，便于開展光譜數(shù)據(jù)的采集工作。選定采樣區(qū)域后，結(jié)合研究目的和采樣區(qū)域內(nèi)濕地植被的類型、數(shù)量、長勢以及分布特點，選擇樣區(qū)內(nèi)的典型濕地植被進行采樣，選定的典型濕地植被如表1所示。表1中所選取的12種濕地植被生長旺盛，密度較大，覆蓋度較高，在5個采樣區(qū)域內(nèi)分布廣泛，所占面積達到了采樣區(qū)域面積的75%—85%。

圖2 野外采樣區(qū)域圖Fig.2 Field sampling area

采樣時間選擇2011年6月上旬到7月下旬，該段時間內(nèi)，降水充足，溫度、光照都比較適合濕地植被的生長，而且大多數(shù)濕地植被都處于花期或者果期，生長比較旺盛，健康狀況良好，是采集光譜信息的最佳時期。隨后，在GPS的輔助下，進行典型濕地植被冠層光譜的采集，針對每種典型濕地植被的數(shù)量與分布特點設(shè)置適合的樣方個數(shù)。典型濕地植被冠層光譜測量使用美國ASD公司生產(chǎn)的Field Spec 3背掛式野外高光譜輻射儀，光譜范圍為350—2500 nm，其中350—1000 nm光譜采樣間隔(波段寬)為1.4 nm，光譜分辨率為3 nm，1000—2500 nm光譜采樣間隔(波段寬)為2 nm，光譜分辨率為10 nm，數(shù)據(jù)采樣間隔為1 nm，光纖前視場角為25°。所有光譜測定均在晴朗、無云、無風(fēng)或微風(fēng)的天氣，測定時間為每日10:00—14:00，此時光照條件良好，陽光幾乎直射(太陽高度角大于45°)，并根據(jù)天氣條件及時進行標準白板優(yōu)化校正，每15 min進行1次優(yōu)化，標準白板的反射率為1。測定植被冠層光譜時，應(yīng)保證測定區(qū)域內(nèi)植被類型單一，植被覆蓋度較高，測定時將光譜儀探頭垂直向下，根據(jù)植被冠層的直徑和高度確定探頭距離冠層的高度，保證視場可以覆蓋冠層。每個樣點記錄10條采樣光譜曲線。

表1 樣區(qū)典型濕地植被類型Table 1 Typical wetland vegetation types of sample area

野外實測地物光譜數(shù)據(jù)由于受到自然環(huán)境、儀器和目標本身光譜特性等多種因素的影響，獲取的光譜數(shù)據(jù)中包含地物光譜數(shù)據(jù)和噪聲兩部分信息，通過光譜數(shù)據(jù)的預(yù)處理可以消除噪聲并且突出地物光譜中的某些細微差別。光譜數(shù)據(jù)的預(yù)處理主要包括光譜平滑去噪、水汽吸收波段的剔除以及光譜曲線均值處理3部分。

(1)光譜平滑去噪 由于光譜儀波段間對能量響應(yīng)上的差異，導(dǎo)致光譜曲線總是存在一些噪聲，為了得到平穩(wěn)與概略的變化，需要平滑波形，以去除包含在信號內(nèi)的少量噪聲。本文選用前后9個波段的平均值作為濾波后的光譜值，其函數(shù)表達式為:

(2)水汽吸收波段的剔除 由于大氣中水汽的強烈吸收，地面光譜在水汽吸收波段基本上都為噪聲。在濕地區(qū)域內(nèi)，地表濕度大，空氣中水汽含量較高，為了保證光譜數(shù)據(jù)的精度，需要剔除水汽吸收峰影響嚴重的波段區(qū)域，去除明顯錯誤的波段數(shù)值。本文中，由于1350—1450 nm、1800—2000 nm以及2350—2500 nm波段范圍內(nèi)產(chǎn)生的干擾噪音較大，對其進行了剔除處理。

(3)光譜曲線均值處理 由于每個樣點采集10條光譜曲線，所以對10條曲線進行均值運算，將均值處理后得到的光譜曲線作為每個樣點的最終光譜曲線，圖3為本次研究中選取的濕地植物生態(tài)類型經(jīng)過預(yù)處理后的光譜曲線。

經(jīng)過光譜數(shù)據(jù)預(yù)處理，最終得到7種植物生態(tài)類型的270條待分析光譜曲線，然后將其分為訓(xùn)練樣本和檢驗樣本兩組。按照分層隨機抽樣的方法，在每一種植物生態(tài)類型里隨機選擇2/3的樣本作為訓(xùn)練樣本，余下1/3作為檢驗樣本，即訓(xùn)練樣本數(shù)為180條，檢驗樣本數(shù)為90條。

2.2 數(shù)據(jù)分析

2.2.1 光譜數(shù)據(jù)一階導(dǎo)數(shù)計算

光譜微分技術(shù)是高光譜遙感數(shù)據(jù)最主要的分析技術(shù)之一，對光譜曲線進行微分或采用數(shù)學(xué)函數(shù)估算整個光譜上的斜率，由此得到光譜曲線斜率稱為微分光譜，又稱為導(dǎo)數(shù)光譜，可分為一階導(dǎo)數(shù)光譜和高階導(dǎo)數(shù)光譜［23］。利用光譜微分技術(shù)可以消除大氣和背景噪聲的影響，突出光譜特征和規(guī)律。一階導(dǎo)數(shù)的計算方法如

圖3 野鴨湖7種植物生態(tài)類型反射光譜曲線Fig.3 Reflectance spectral curves of seven plant ecological types in Wild Duck Lake

公式(2)［24］所示:

式中，λi為每個波段的波長，ρ'(λi)為波長λi的一階導(dǎo)數(shù)。

2.2.2 包絡(luò)線去除法

包絡(luò)線去除法通過將反射光譜吸收強烈部分的波段特征進行轉(zhuǎn)換，在一個共同基線的基礎(chǔ)上比較反射光譜的吸收特征，從而進行光譜吸收特征分析和光譜特征波段選擇［25］。包絡(luò)線是指一條連接光譜上選取波段間上吸收起點和吸收終點的線，如圖4所示。根據(jù)包絡(luò)線去除后的曲線，進一步得到吸收位置(WP)、吸收寬度(WID)、吸收面積(AREA)、吸收深度(DEP)等光譜吸收特征。吸收位置(WP)、吸收寬度(WID)、吸收面積(AREA)、吸收深度(DEP)的計算方法如公式(3)、(4)、(5)、(6)［26］所示:

圖4 包絡(luò)線去除法示意圖Fig.4 Continuum removal reflectance spectral curve

式中，CRmin為吸收谷內(nèi)包絡(luò)線去除后的最小值，λ(CRmin)為吸收谷內(nèi)包絡(luò)線去除后最小值對應(yīng)的波長，λb、λa為包絡(luò)線去除后的曲線中吸收深度一半位置的波長，b＞a。

2.2.3 單因素方差分析(One-way ANOVA)

單因素方差分析研究的是一個分類型自變量對一個數(shù)值型因變量的影響，利用單因素方差分析可以對選定光譜特征變量的區(qū)分度進行驗證，從而說明所選光譜特征變量是否能夠較好的區(qū)分不同植物生態(tài)類型［27］。單因素方差分析首先檢驗總體的均數(shù)是否相等，進而判斷該分類型自變量對數(shù)值型因變量的顯著影響。單因素方差分析采用的統(tǒng)計推斷方法是計算F統(tǒng)計量，進行F檢驗。總的變異平方和表示為SST，由兩部分組成，一部分是由控制變量引起的離差，表示為SSA(組間離差平方和)，反映了控制變量的影響;另一部分是由隨機變量引起的離差，表示為SSE(組內(nèi)離差平方和)，反映了數(shù)據(jù)抽樣誤差的大小程度。于是有SST=SSA+SSE。F的比統(tǒng)計量是平均組間平方和與平均組內(nèi)平方和的比，SSA、SSE和F的計算方法如公式(7)、(8)、(9)［27］所示:

式中，k為水平數(shù)，ni為第i個水平下的樣本容量。本文利用SPSS 17.0統(tǒng)計分析軟件實現(xiàn)單因素方差分析。

2.3 基于光譜特征變量的濕地典型植物生態(tài)類型識別

2.3.1 BP-ANN模型

隨著人工智能理論及應(yīng)用的逐漸發(fā)展與完善，神經(jīng)元網(wǎng)絡(luò)模型和算法作為一種基于模式識別的數(shù)據(jù)挖掘技術(shù)，被引入了高光譜分類研究領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)(ANN，簡稱神經(jīng)網(wǎng)絡(luò))作為一種由大量簡單神經(jīng)元廣泛相互聯(lián)接而成的非線性映射或自適應(yīng)動力系統(tǒng)，能實現(xiàn)各種非線性映射和求解各種分界面十分復(fù)雜和高度非線性的分類和模式識別問題。其中，在高光譜數(shù)據(jù)挖掘的眾多人工神經(jīng)網(wǎng)絡(luò)模型和算法中，反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)模型的應(yīng)用最廣泛。BP-ANN模型是一種多層前饋神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳播。構(gòu)成BP-ANN模型的神經(jīng)元與常規(guī)人工神經(jīng)網(wǎng)絡(luò)中定義的神經(jīng)元一樣。按照BP-ANN的算法要求，這些神經(jīng)元所用的激活函數(shù)必須是處處可導(dǎo)的，一般使用非線性的s形壓縮函數(shù)(Sigmoid函數(shù))［28］，其表達式為:Y=1/(1+e-s)。本文中應(yīng)用3層BP-ANN模型，包括輸入層、隱蔽層和輸出層，如圖5所示。本文利用MATLAB R2008實現(xiàn)BP-ANN模型。

圖5 3層BP-ANN網(wǎng)絡(luò)模型Fig.5 Three BP-ANN network model

BP-ANN模型的訓(xùn)練過程如下:首先根據(jù)當前的內(nèi)部表達，對樣本輸入模式作前向傳播，然后將實際輸出和期望輸出加以對比，如果誤差值小于規(guī)定值，則訓(xùn)練結(jié)束，否則將誤差反向傳播，逐步修正加權(quán)值和閾值，直至誤差達到要求為止［28］。對具有m個輸入結(jié)點和n個輸出結(jié)點的BP網(wǎng)絡(luò)來說，輸入到輸出的關(guān)系可視為m維到n維歐氏空間的映射。只要有足夠的隱結(jié)點，任何輸入到輸出的映射均可實施。

2.3.2 Fisher線性判別分析

Fisher線性判別分析(FLDA)是線性判別分析的一種，是由Fisher提出的一種非常經(jīng)典的分類技術(shù)，判別分析的目的是得到體現(xiàn)分類的函數(shù)關(guān)系式，即判別函數(shù)?；舅枷胧窃谝阎^測對象的分類和特征變量值的前提下，從中篩選出提供較多信息的變量，并建立判別函數(shù);目標是使得到的判別函數(shù)在對觀測量進行判別其所屬類別時的錯判率最小。判別函數(shù)的一般形式如公式(10)所示:

式中，Y為判別分數(shù)判別值;x1，x2，…，xn為反映研究對象特征的變量;a1，a2，…，an為各變量的系數(shù)，即判別系數(shù)。本文利用SPSS 17.0統(tǒng)計分析軟件實現(xiàn)FLDA。

3 結(jié)果與分析

3.1 濕地典型植物生態(tài)類型光譜特征變量的分析與選擇

3.1.1 濕地典型植物生態(tài)類型的反射光譜一階導(dǎo)數(shù)計算結(jié)果分析

針對訓(xùn)練樣本，通過光譜微分技術(shù)中的一階導(dǎo)數(shù)分析方法，選出識別濕地植物生態(tài)類型的光譜特征變量。由于植被的反射光譜特征主要集中在1000 nm之前［24］，所以本文選取350—1000 nm之間的一階導(dǎo)數(shù)進行分析。圖6為野鴨湖7種濕地植物生態(tài)類型的光譜一階導(dǎo)數(shù)曲線。

光譜一階微分技術(shù)能夠消除大氣和背景噪聲的影響，突出光譜曲線的斜率變化，從而確定光譜曲線的變化區(qū)域，如綠峰、紅谷、紅邊等。一階導(dǎo)數(shù)為正極值的波段，代表光譜反射率增速最大的波段，從圖6可以看出7種植物生態(tài)類型基本都在520nm和710 nm附近達到反射率增速最快的極點。520 nm附近反射率快速上升是因為葉綠素的反射作用增強，濕生植物在520 nm附近的表現(xiàn)較為突出，而沉水植物的反射作用最弱。710 nm附近反射率急劇上升是由“紅邊”效應(yīng)導(dǎo)致，沉水植物的反射作用仍然最弱。一階導(dǎo)數(shù)等于0的點對應(yīng)光譜反射率出現(xiàn)極值的波段，如:550、680、880 nm等波段附近?？傮w上，沉水植物一階導(dǎo)數(shù)的波動范圍最小，挺水植物、濕生植物以及栽培植物的變化幅度較大。

圖6 野鴨湖7種濕地植物生態(tài)類型光譜一階導(dǎo)數(shù)曲線Fig.6 Spectral first-derivative curves of seven plant ecological types in Wild Duck Lake

“紅邊”是綠色植物光譜最明顯的特征之一，它的定義為紅光范圍內(nèi)(680—760 nm)反射光譜一階導(dǎo)數(shù)的最大值所對應(yīng)的光譜位置(波長)，描述“紅邊”的參數(shù)一般有紅邊位置(紅光范圍內(nèi)一階導(dǎo)數(shù)光譜最大值所對應(yīng)的波長)WP_r，紅邊幅值(紅光范圍內(nèi)一階導(dǎo)數(shù)光譜的最大值)Dr等。本文選取7種植物生態(tài)類型的“紅邊”參數(shù)，如表2和圖7所示。7種植物生態(tài)類型在WP_r與Dr上存在不同水平的差異，WP_r都不相同，沉水植物的Dr平均值最小，僅為0.0012，栽培植物的Dr平均值最大，為0.012?！熬G峰”是綠色植被在綠光范圍(510—560 nm)內(nèi)反射峰所處的光譜位置，它是由植物中的色素對藍光和黃光的強吸收而在綠光區(qū)形成的相對反射高峰。描述“綠峰”的參數(shù)有綠峰幅值(Rg)定義為綠光范圍內(nèi)最大的光譜反射率和綠峰位置(WP_g)定義為Rg對應(yīng)的波長。本文選取7種植物生態(tài)類型的“綠峰”參數(shù)，如表2和圖7(b)所示。7種植物生態(tài)類型在WP_g與Rg上仍然存在不同水平的差異，沉水植物的Rg平均值依舊最小，僅為0.032，濕生植物的Rg平均值最大，為0.164。沉水植物與其他6種植物生態(tài)類型在Dr和Rg上存在明顯的差異，出現(xiàn)明顯差異的原因，一是因為水面以下的生活環(huán)境迫使沉水植物的葉片演化成不同于其他環(huán)境的模式，二是因為生長在水面以下，入射能量大部分被水體吸收。濕生植物的Rg值最高，栽培植物的Dr值最高，原因是這兩種植物生態(tài)型類型正處于生長旺盛期，細胞間的活力較為旺盛。

表2 野鴨湖7種植物生態(tài)類型紅邊與綠峰參數(shù)統(tǒng)計表Table 2 Red edge and green peak parameters of seven plant ecological types in Wild Duck Lake

圖7 野鴨湖7種植物生態(tài)類型紅邊與綠峰參數(shù)Fig.7 Red edge and green peak parameters of seven plant ecological types in Wild Duck Lake

3.1.2 不同植物生態(tài)類型的包絡(luò)線去除光譜特征分析

植被在可見光波段范圍內(nèi)存在著強烈的吸收，在植被光譜中該區(qū)域包含了重要的信息。針對訓(xùn)練樣本，本文選取400—820 nm范圍內(nèi)的光譜曲線進行包絡(luò)線去除處理，處理后的光譜吸收特征曲線如圖8所示。在該波段范圍內(nèi)，不同植物生態(tài)類型的吸收曲線存在著較大的差異。挺水植物、濕生植物的吸收較為強烈，沉水植物的吸收程度最弱。7種植物生態(tài)類型在510nm和675 nm附近，存在兩個不同深度的吸收谷。

對完成包絡(luò)線去除處理后光譜吸收特征曲線進一步計算得到510 nm和675 nm附近的吸收特征參數(shù)(吸收深度DEP和吸收面積AREA)，如表3和圖9所示。7種植物生態(tài)類型在675 nm附近的吸收深度和吸收面積均高于510 nm附近數(shù)值，說明植被在紅光范圍內(nèi)比藍光范圍有著更為強烈的吸收效應(yīng)。由于栽培植物受人為因素影響較大，所以除栽培植物，隨著水分梯度的變化，其他6種植物生態(tài)類型的吸收深度和吸收面積表現(xiàn)出先升高后降低的趨勢。7種植物生態(tài)類型在DEP-510、AREA-510、DEP-675以及AREA-675上存在較為明顯的差異，因而可以將其作為識別濕地植物生態(tài)類型的光譜特征變量。

圖8 野鴨湖7種植被生態(tài)類型光譜吸收特征曲線Fig.8 Spectral absorption feature curves of seven plant ecological types in Wild Duck Lake

表3 野鴨湖7種植物生態(tài)類型吸收特征參數(shù)統(tǒng)計表Table 3 Absorption feature parameters of seven plant ecological types in Wild Duck Lake

圖9 野鴨湖7種植物生態(tài)類型吸收特征參數(shù)Fig.9 Absorption feature parameters of seven plant ecological types in Wild Duck Lake

3.1.3 基于光譜特征變量的單因素方差分析

利用檢驗樣本，應(yīng)用單因素方差分析(One-way ANOVA)驗證所選的8個(WP_r、Dr、WP_g、Rg、DEP-510、AREA-510、DEP-675和AREA-675)光譜特征變量是否能夠較好的區(qū)分各植物生態(tài)類型。單因素方差分析的結(jié)果如圖10所示。圖中區(qū)分度的含義為，如果能夠區(qū)分7種植物生態(tài)類型中的任意兩種，則區(qū)分度+1。在P≤0.01的置信水平下，選取的8個光譜特征參數(shù)都能夠較好的區(qū)分7種植物生態(tài)類型。其中，吸收特征參數(shù)的區(qū)分度優(yōu)于一階導(dǎo)數(shù)參數(shù)。

3.2 基于選定光譜特征變量的濕地典型植物生態(tài)類型識別

3.2.1 基于BP-ANN模型的濕地植物生態(tài)類型識別

利用訓(xùn)練樣本和檢驗樣本，應(yīng)用BP-ANN模型進行濕地植物生態(tài)類型識別。在訓(xùn)練前，由于選取的光譜特征變量范圍和單位不一致，因而需要對訓(xùn)練樣本與檢驗樣本數(shù)據(jù)進行歸一化處理。歸一化處理方法選擇最大小法，計算公式為:xk=(xk-xmin)/(xmax-xmin)。經(jīng)過多次試驗，選取單隱層的BP網(wǎng)絡(luò)，輸入層一共有8個神經(jīng)元，隱蔽層取7個神經(jīng)元，輸出層為7個神經(jīng)元。隱蔽層的傳遞函數(shù)為S型正切函數(shù)(tansig)，輸出層節(jié)點轉(zhuǎn)移函數(shù)選用純線性函數(shù)。訓(xùn)練函數(shù)采用學(xué)習(xí)率可以變化的動量BP算法，學(xué)習(xí)速率選擇0.01，學(xué)習(xí)目標誤差精度制定為ε=10-4，訓(xùn)練迭代次數(shù)為10000次。將訓(xùn)練樣本用作網(wǎng)絡(luò)訓(xùn)練，檢驗樣本測試網(wǎng)絡(luò)的識別能力。BP-ANN模型的識別精度如表4所示。利用BPANN模型取得了較高的識別精度，總分類精度達到85.5%，Kappa系數(shù)達到0.8473。沉水植物的識別精度最高，達到100%，原因是沉水植物的光譜特征與其他植物生態(tài)類型相比，具有較大的差異性，所以不存在錯分和漏分的情況;浮水植物的識別精度最低，為75%，原因可能是浮水植物的樣本數(shù)較少，一旦出現(xiàn)錯分或者漏分的情況，對識別精度影響較大。

3.2.2 基于FLDA的濕地植物生態(tài)類型識別

在SPSS 17.0統(tǒng)計分析軟件中，利用訓(xùn)練樣本建立Fisher線性判別函數(shù)。判別系數(shù)如表5所示。將檢驗樣本的8個光譜特征變量帶入Fisher線性判別函數(shù)計算其在各類別上的判別值，并根據(jù)判別值的大小，比較不同類別的判別值，哪個大就屬于哪一類。FLDA的識別精度如表6所示。利用Fisher線性判別分析方法同樣取得了較高的分類精度，總分類精度達到87.98%，Kappa系數(shù)達到0.8672。其中，沉水植物與浮水植物的識別精度達到100%，中生植物的識別精度較低，為75%。由于沉水植物的光譜特征與其他植物生態(tài)類型相比，具有較大的差異性，所以分類精度仍然為100%，依舊不存在錯分與漏分的情況。與基于BP-ANN模型的識別結(jié)果相比，浮水植物的識別精度有了較大幅度的提高，中生植物的識別精度有了較大幅度的降低，原因可能是由于識別算法本身的規(guī)則表達和運行機制不同，導(dǎo)致對于同一種植物生態(tài)類型的識別精度具有一定的差異。

圖10 單因素方差分析結(jié)果圖Fig.10 The result of single factor analysis of variance

表4 基于BP-ANN模型的分類精度矩陣Table 4 Classification accuracy matrix based on BP-ANN model

表5 Fisher線性判別系數(shù)Table 5 The coefficient of fisher linear discriminant analysis

表6 基于FLDA的分類精度矩陣Table 6 Classification accuracy matrix based on FLDA

4 結(jié)論與討論

許多關(guān)于植物生態(tài)類型光譜特征的研究表明分析和選擇光譜特征變量進行植被研究具有現(xiàn)實的可行性［29］。除了能夠應(yīng)用于農(nóng)作物、森林之外，本次研究表明也能夠應(yīng)用于淡水濕地植被。目前，大多數(shù)研究所得到的光譜特征變量具有一定的相似性，說明一些關(guān)鍵光譜特征變量在植被研究中具有普適性，但是由于植被反射光譜在物種水平上存在不同，也具有一定差異，不同研究對象的光譜特征變量有所不同［30］。

本次研究的7種植物生態(tài)類型中，沉水植物的反射光譜由于受到水體和水中懸浮物等因素的影響，其反射光譜特征較為特別。其他6種植物生態(tài)類型的反射光譜則具有一定的相似性，但是由于不同植物生態(tài)類型的植物形態(tài)、含水量、葉綠素含量等方面不同，因而呈現(xiàn)出不同的反射光譜特征，并且通過光譜微分技術(shù)中的一階導(dǎo)數(shù)分析方法和光譜吸收谷/反射峰特征分析中的包絡(luò)線去除法，可以放大這些差異，是選擇光譜特征變量的有效分析方法。

植被的分布與其生境條件具有密切關(guān)系，植被種類能夠作為生境條件的反應(yīng)或指示。野鴨湖濕地植物的分布、生存以及演替主要受控于水鹽等生境條件［21］。本文的研究對象正是不同生境下的濕地植物，通過一階導(dǎo)數(shù)和包絡(luò)線去除法，選出了能夠區(qū)分不同生境濕地植物的光譜特征變量。利用濕地光譜特征變量進行濕地制圖，進而獲取濕地植物的生境信息，對于分析濕地植物演替等具有潛在的應(yīng)用價值。選定的8個光譜特征變量為紅邊位置WP_r、紅邊幅值Dr、綠峰位置WP_g、綠峰幅值Rg、510 nm附近的吸收深度DEP-510和吸收面積AREA-510、675 nm附近的吸收深度DEP-675和吸收面積AREA-675。

在應(yīng)用選定的8個光譜特征變量進行濕地植物生態(tài)類型識別之前，首先對檢驗樣本進行單因素方差分析(One-way ANOVA)處理，驗證了8個光譜特征變量對7種濕地植物生態(tài)類型的區(qū)分度，結(jié)果表明，所選的8個光譜特征變量能夠較好的區(qū)分7種濕地植物生態(tài)類型，具有一定的普適性和可靠性。

本文最后利用非線性BP-ANN與線性判別分析(FLDA)的類型識別方法，利用選定的8個光譜特征變量進行濕地植物生態(tài)類型識別，取得了較好的識別精度，兩種方法的總分類精度分別達到85.5%和87.98%，說明選定的8個光譜特征變量對不同分類器具有良好的適應(yīng)性，再次證明所選的光譜特征變量具有一定的普適性和可靠性。其中，兩種方法對沉水植物的識別精度最高，均為100%。以上研究成果不僅能夠為野鴨湖濕地植被的高光譜遙感數(shù)據(jù)處理與濕地植被制圖提供較為有力的科學(xué)依據(jù)，也可以為淡水濕地植被的遙感識別和分類提供一定的借鑒。

本次研究雖然取得了較為理想的結(jié)果，但是仍然存在以下不足:(1)僅應(yīng)用6月上旬至7月下旬的實測光譜數(shù)據(jù)，進行濕地植物生態(tài)類型的光譜特征分析以及識別，所得結(jié)論是否適用于整個生長季的濕地植物，還有待于進一步的研究;(2)樣本數(shù)量在一定程度上影響著BP-ANN模型和FLDA的識別精度。本文所使用的樣本數(shù)量仍然較少，在以后的研究中需要進一步增加樣本量;(3)本文的研究對象為植物生態(tài)類型，在下一步的研究中，應(yīng)該對數(shù)據(jù)進行深入挖掘，將研究對象進一步細化，達到群落或者更高層次;(4)本次研究中只應(yīng)用實測光譜數(shù)據(jù)進行分析，在下一步研究中應(yīng)結(jié)合機載或星載高光譜影像，達到圖譜合一，充分發(fā)揮高光譜遙感技術(shù)的特點和優(yōu)勢。

［1］Liu K，Zhao W J，Guo X Y，Hu D Y，Gong Z N，Long J.Spectral bands of typical wetland vegetation in the Wild Duck Lake.Acta Ecologica Sinica，2010，30(21):5853-5861.

［2］Charlotte M，Manithaphone M.Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and field survey data.Journal of Environmental Management，2009，90:2130-2137.

［3］Aurélie D，Gaёtan L，Brigitte P.Wetland monitoring using classification trees and SPOT-5 seasonal time series.Remote Sensing of Environment，2010，114:552-562.

［4］Xi Z，Alfred S，Xiao L C.Monitoring the dynamics of wetland inundation by random sets on multi-temporal images.Remote Sensing of Environment，2011，115:2390-2401.

［5］Iryna D，Peng G，Lin W.Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake，China.Remote Sensing of Environment，2011，115:3220-3236.

［6］Li B Z，Li M X，Zhou X，Zhang L S，Zhang H Y.Hyperspectral estimation models for nitrogen contents of apple leaves.Journal of Remote Sensing，2010，14(4):767-780.

［7］Chen B，Li S K，Wang K R，Wang F Y，Xiao C H，Pan W C.Study on hyperspectral estimation of pigment contents in leaves of cotton under disease stress.Spectroscopy and Spectral Analysis，2010，30(2):421-425.

［8］Rachid B，Kamal L，Patrick L，Anne G，Brahim O.Using HySpex SWIR-320m hyperspectral data for the identification and mapping of minerals in hand specimens of carbonate rocks from the Ankloute Formation(Agadir Basin，Western Morocco).Journal of African Earth Sciences，2011，61:1-9.

［9］Jollineau M Y，Howarth P J.Mapping an inland wetland complex using hyperspectral imagery.International Journal of Remote Sensing，2008，29(12):3609-3631.

［10］Hamada Y，Stow D A，Coulter L L，Jafolla J C，Hendricks L W.Detecting Tamarisk species(Tamarix spp.)in riparian habitats of Southern California using high spatial resolution hyperspectral imagery.Remote Sensing of Environment，2007，109(2):237-248.

［11］Wang C，Menenti M，Stoll M P，Belluco E，Marani M.Mapping mixed vegetation communities in salt marshes using airborne spectral data.Remote Sensing of Environment，2007，107(4):559-570.

［12］Schmidt K S，Skidmore A K.Spectral discrimination of vegetation types in a coastal wetland.Remote Sensing of Environment，2003，85(1):92-108.

［13］Zhang M，Pinzon J E，Ustin S L，Rejmankova E.Differentiating salt marsh species using foreground/background analysis//ERIM 2nd Ann.Airborne Remote Sensing Conference，1996，1:83-92.

［14］Elhadi A，Onisimo M.Spectral discrimination of papyrus vegetation(Cyperus papyrus L.)in swamp wetlands using field spectrometry.ISPRS Journal of Photogrammetry and Remote Sensing，2009，64:612-620.

［15］Zomer R J，Trabucco A，Ustin S L.Building spectral libraries for wetlands land cover classification and hyperspectral remote sensing.Journal of Environmental Management，2009，90:2170-2177.

［16］Tong Q X，Zhang B，Zheng L F.Hyperspectral Remote Sensing— Principle，Technique and Application.Beijing:Higher Education Press，2006:136-146.

［17］Zhang Y R，Gong Z N，Zhao W J.Typical plant spectral characteristics analysis in Wild Duck Lake along water environment gradient.Spectroscopy and Spectral Analysis，2012，32(3):743-748.

［18］Qian Y R，Jia Z H，Yu J，Yang F，Duan W L.Application of BP-ANN to classification of hyperspectral grassland in desert.Computer Engineering and Applications，2011，47(12):225-228.

［19］Yang J，Yang J Y，Ye H.Theory of fisher linear discriminant analysis and its application.Acta Automatica Sinica，2003，29(4):481-493.

［20］Chen W，Hu D，F(xiàn)u B Q，Gong Z N，Gao W，Hong J M，Du G S.Studies on Biological Diversity of Wetland in Beijing.Beijing:Science Press，2007:46-58.

［21］Gong Z N，Zhao W J，Hu D.Wetland plant community characteristics and ecological succession mode in Wild Duck Lake along salt and water environment gradient.Progress in Natural Science，2009，19(11):1272-1280.

［22］Gong Z N，Gong H L，Hu D.Wetland plants in Wild Duke Lake，Beijing.Beijing:China Environmental Science Press，2012:19-225.

［23］Huang W J.Remote sensing monitoring of crop diseases—Mechanism and Application.Beijing:China Agricultural Science and Technology Press，2009:113-114.

［24］Wang J H，Zhao C J，Huang W J.Fundamentals and Applications of Quantitative Remote Sensing in Agriculture.Beijing:Science Press，2008:157-158.

［25］Yue Y M，Zhang B，Wang K L，Liu B，Li R，Jiao Q J，Yang Q Q，Zhang M Y.Spectral indices for estimating ecological indicators of karst rocky desertification.International Journal of Remote Sensing，2010，31(8):2115-2122.

［26］Freek van der M.Analysis of spectral absorption features in hyperspectral imagery.International Journal of Applied Earth Observation and Geoinformation，2004，5:55-68.

［27］Huang C M，Cai R S.Application of One-way ANOVA in environmental tests.Electronic Product Reliability and Environmental Testing，2010，28(6):21-26.

［28］Lou X L，Huang W G.An artificial neural network method for detecting red tides with NOAA AVHRR imagery.Journal of Remote Sensing，2003，2(7):125-131.

［29］Thenkabail P S，Smith R B，DePauw E.Hyperspectral vegetation indices and their relationships with agricultural crop characteristics.Remote Sensing of Environment，2000，71(2):158-182.

［30］Cochrane M A.Using vegetation reflectance variability for species level classification of hyperspectral data.International Journal of Remote Sensing，2000，21(10):2075-2087.

參考文獻:

［1］劉克，趙文吉，郭逍宇，胡德勇，宮兆寧，龍娟.野鴨湖典型濕地植物光譜特征.生態(tài)學(xué)報，2010，30(21):5853-5861.

［6］李丙智，李敏夏，周璇，張林森，張海燕.蘋果樹葉片全氮含量高光譜估算模型研究.遙感學(xué)報，2010，14(4):767-780.

［7］陳兵，李少昆，王克如，王方永，肖春華，潘文超.病害脅迫下棉花葉片色素含量高光譜遙感估測研究.光譜學(xué)與光譜分析，2010，30(2):421-425.

［16? 童慶禧，張兵，鄭蘭芬.高光譜遙感-原理、技術(shù)與應(yīng)用.北京:高等教育出版社，2006:136-146.

［17］張翼然，宮兆寧，趙文吉.水分環(huán)境梯度下野鴨湖濕地典型植物光譜特征分析.光譜學(xué)與光譜分析，2012，32(3):743-748.

［18］錢育蓉，賈振紅，于炯，楊峰，段文亮.BP-ANN在荒漠草地高光譜分類研究中的應(yīng)用.計算機工程與應(yīng)用，2011，47(12):225-228.

［19］楊健，楊靜宇，葉暉.Fisher線性鑒別分析的理論研究及其應(yīng)用.自動化學(xué)報，2003，29(4):481-493.

［20］陳衛(wèi)，胡東，付必謙，宮兆寧，高武，洪劍明，杜桂森.北京濕地生物多樣性研究.北京:科學(xué)出版社，2007:46-58.

［21］宮兆寧，趙文吉，胡東.水鹽環(huán)境梯度下野鴨湖濕地植物群落特征及其生態(tài)演替模式.自然科學(xué)進展，2009，19(11):1272-1280.

［22］宮兆寧，宮輝力，胡東.北京野鴨湖濕地植物.北京:中國環(huán)境科學(xué)出版社，2012:19-225.

［23］黃文江.作物病害遙感監(jiān)測——機理與應(yīng)用.北京:中國農(nóng)業(yè)科學(xué)技術(shù)出版社，2009:113-114.

［24］王紀華，趙春江，黃文江.農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用.北京:科學(xué)出版社，2008:157-158.

［27］黃創(chuàng)綿，蔡汝山.單因素方差分析方法在環(huán)境試驗中的應(yīng)用.電子產(chǎn)品可靠性與環(huán)境試驗，2010，28(6):21-26.

［28］樓繡林，黃韋垠.基于人工神經(jīng)網(wǎng)絡(luò)的赤潮衛(wèi)星遙感方法研究.遙感學(xué)報，2003，2(7):125-131.