基于地面成像光譜數(shù)據(jù)特征的濕地典型植被類型識別研究

凌成星，劉 華*，鞠洪波，張懷清，孫 華，由 佳，李偉娜

(1.中國林業(yè)科學(xué)研究院 資源信息研究所，北京 100091；2.中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004)

在全球生態(tài)系統(tǒng)中，濕地生態(tài)系統(tǒng)具有非常重要的作用,濕地植被作為濕地生態(tài)系統(tǒng)的重要組成部分，更是該生態(tài)系統(tǒng)變化的指示性特征和關(guān)鍵因素，可以反映整個濕地生態(tài)系統(tǒng)的綜合生境特征和生態(tài)服務(wù)功能[1]。因此，科學(xué)、準(zhǔn)確、迅速地識別濕地植被，對于濕地資源監(jiān)測和保護(hù)具有重要的意義。近幾十年，隨著遙感技術(shù)的深入發(fā)展，在濕地資源監(jiān)測中應(yīng)用非常廣泛，高光譜遙感因其波段多、光譜分辨率高、特有的光譜特性等優(yōu)點，成為遙感定量研究的重要方向，對復(fù)雜的濕地植被光譜特征綜合分析有著特殊的優(yōu)越性[2]。

趙峰[3]等利用遙感技術(shù)對漳江口紅樹林濕地保護(hù)區(qū)進(jìn)行了濕地類型的提取，并且得到了其空間分布的特征。柴穎[4]等以美國Sacramento-San Joaquin三角洲為研究區(qū),利用高光譜和高空間分辨率遙感影像HyMap數(shù)據(jù),在光譜特征分析和實測數(shù)據(jù)的基礎(chǔ)上,構(gòu)造特征指數(shù),建立決策樹分類模型對濕地植被進(jìn)行分類。袁琳[5]等以不同蓋度的濕地植被狐尾草為研究對象，獲取其光譜反射率數(shù)據(jù)，并且采用一階和二階導(dǎo)數(shù)方法對光譜指數(shù)進(jìn)行回歸分析處理，得到了該濕地植被類型和光譜指數(shù)的顯著線性關(guān)系。李敏夏[6]等分別測量了蘋果葉片的光譜反射率、SPAD值和葉綠素含量,分析了葉片的SPAD值和葉綠素含量與微分光譜之間的相關(guān)性。張翼然[7]等采用高光譜數(shù)據(jù)處理導(dǎo)數(shù)法分析不同水分環(huán)境梯度下植物的光譜特征和變化趨勢，得到光譜曲線在520 nm和710 nm附近達(dá)到增長最快點，作為區(qū)別沉水植物與其他植物類型的特征波段的結(jié)論。胥喆[8]等基于非成像高光譜數(shù)據(jù)的采集，然后對高山松葉綠素建立了估算模型，得到了高山松葉綠素的估算結(jié)果。高占國[9]等測定不同季節(jié)的濕地植被反射光譜數(shù)據(jù)，分析可見光和近紅外波段的 “綠峰”和“紅邊”波段差異，結(jié)果表明不同的植被群落在各生長季都有特有生長特性，并且具有顯著的光譜特征季節(jié)差異性。林川[10]等采用Fieldspec3野外高光譜輻射儀，獲取了野鴨湖典型濕地植物的冠層光譜，分析和對比不同植物生態(tài)類型的光譜特征，并區(qū)分了7種植物生態(tài)類型。孫永華[11]等在洪河自然保護(hù)區(qū)進(jìn)行了濕地類型的高光譜定量提取研究工作。劉克[12]等以北京野鴨湖濕地為試驗區(qū)，測定該區(qū)域典型的濕地植被群落反射光譜，并重采樣以模擬OMIS機(jī)載成像光譜儀紅-近紅外的50個波段，分析了有利于識別濕地植被特征的9個最佳波段。范云豹[13]等探討了基于高光譜信息的蘆葦和香蒲地上干生物量反演方法研究。陶婷[14]等基于空間分辨率3 m的HyMap高光譜數(shù)據(jù),根據(jù)濕地植被的光譜差異和結(jié)合地面實況數(shù)據(jù),構(gòu)建了決策樹模型提取出研究區(qū)的浮水植被。

但是在這些研究中，主要集中在航天航空成像高光譜數(shù)據(jù)和地面非成像高光譜數(shù)據(jù)的研究和應(yīng)用上，對于基于地面成像高光譜的濕地植被圖譜特征分析和類型識別技術(shù)方面還研究得非常少。本研究選取湖南省東北部東洞庭湖區(qū)域濕地保護(hù)核心區(qū)作為研究區(qū)，采用地面成像光譜儀SOC710VP采集典型植被的成像高光譜數(shù)據(jù)，并對原始數(shù)據(jù)進(jìn)行反射率轉(zhuǎn)換，得到4種典型植物類型的分析光譜曲線，并在采集數(shù)據(jù)的基礎(chǔ)上采用一階導(dǎo)數(shù)降維分析和包絡(luò)線去除方法分析光譜吸收特征，分析典型植被類型成像光譜曲線波段特性，提取成像光譜數(shù)據(jù)“雙邊”參數(shù)、掌握據(jù)吸收特征，最終利用Fisher線性判別函數(shù)進(jìn)行研究區(qū)的典型植被類型分類，提供了地面成像高光譜遙感數(shù)據(jù)采集、預(yù)處理、分析的技術(shù)流程，也為洞庭湖區(qū)濕地遙感監(jiān)測提供了新型的技術(shù)手段。

1 材料與方法

1.1 數(shù)據(jù)獲取

試驗地點位于長江中下游荊江江段，湖南省東北部岳陽市境內(nèi)的湖南東洞庭湖區(qū)域，27°38′-29°52′N,111°18′-113°33′E，平均海拔33.4 m，屬于亞熱帶季風(fēng)氣候，年平均氣溫16.5℃～17.3℃，分布的濕地類型和濕地植被都非常典型，日照充足，雨量充沛，有豐富的沉水、浮水和挺水植物。采用地面成像光譜儀(SOC710VP)采集典型植被的成像高光譜數(shù)據(jù)，對原始數(shù)據(jù)進(jìn)行反射率轉(zhuǎn)換。在研究區(qū)采集了挺水植物蘆葦、濕生植物苔草、泥蒿和栽培植物青菜(表1)。采樣129條有效的光譜曲線數(shù)據(jù)，對原始數(shù)據(jù)進(jìn)行了預(yù)處理，隨機(jī)篩選了86條光譜曲線數(shù)據(jù)作為訓(xùn)練樣本，另外剩余的43條作為檢驗數(shù)據(jù)對后期分類結(jié)果進(jìn)行精度檢驗。

表1 濕地樣本Table 1 Samples of wetland

1.2 處理方法

1.2.1 一階導(dǎo)數(shù)光譜計算提取成像光譜數(shù)據(jù)“雙邊”參數(shù) 利用光譜數(shù)據(jù)導(dǎo)數(shù)計算得到成像光譜數(shù)據(jù)的“雙邊”參數(shù)特征，其中，“紅邊”是綠色植物在670～760 nm之間反射率增高最快的點，也是一階導(dǎo)數(shù)光譜在該區(qū)間內(nèi)的拐，特征常常體現(xiàn)在紅邊的位置和紅邊的斜率，也叫紅邊幅值，植被覆蓋度越高，紅邊斜率也越大，而“綠邊”是綠光波長在480～520 nm附近區(qū)域產(chǎn)生反射波峰極值的特征區(qū)域，能夠非常典型地反映出綠色植被光譜特征的葉綠素含量特征。通過對采集到的原始光譜曲線數(shù)據(jù)進(jìn)行微分計算，或者采用數(shù)學(xué)函數(shù)對整個區(qū)間進(jìn)行光譜斜率的估算，由此所得到的該光譜曲線的斜率稱為微分光譜或?qū)?shù)光譜[8]，細(xì)分又可以有一階和多階的導(dǎo)數(shù)光譜等，其中一階導(dǎo)數(shù)的使用最為廣泛，因為它可以比較明顯地消除原始光譜數(shù)據(jù)由于大氣效應(yīng)引起的噪音現(xiàn)象，有效去除背景干擾信息，對綠色植物所吸收產(chǎn)生的波形具有增強(qiáng)效應(yīng)，有了這種特性就可以對植被光譜數(shù)據(jù)中的紅邊、綠邊參數(shù)特征進(jìn)行有效地信息深度挖掘，從而分析出其中的參數(shù)特征。一階導(dǎo)數(shù)公式如下：

ρ′(λi)=(ρλi+1-ρλi)/Δλ

(1)

式中，ρλi為波長λi的反射率值，Δλ為平均波長值，ρ′(λi)為一階導(dǎo)數(shù)值無量綱。

1.2.2 包絡(luò)線去除法獲取成像光譜吸收特征 成像光譜數(shù)據(jù)吸收特征采用包絡(luò)線去除法進(jìn)行計算，通過計算將吸收強(qiáng)烈部分的波段特征進(jìn)行轉(zhuǎn)換，進(jìn)行光譜吸收特征分析和光譜特征波段選擇，包絡(luò)線指的是一條連接光譜上選取波段間上吸收起點和吸收終點的線，通過去除后的曲線，可以進(jìn)一步計算得到吸收位置(WP)、吸收寬度(WID)、吸收面積(AREA)、吸收深度(DEP)等光譜吸收特征的定量值[8]：

DEP=1-CRmin

WP=λCRmin

WID=λb-λa

AREA=DEP×WID

(2)

式中，CRmin為吸收谷最小值，λCRmin為吸收谷底波長值，λa,λb為吸收深度中心波長值。吸收位置、吸收寬度、吸收面積、吸收深度等都為無量綱。

1.2.3 Fisher線性判別函數(shù) Fisher線性判別函數(shù)的出發(fā)點是把所有的樣本都投影到一維空間，使得在投影線上最易于分類，而最易于分類投影面的特征是投影后兩類相隔盡可能遠(yuǎn)，而對同一類的樣本又盡可能聚集。

為了求出這個最佳投影面，引入離散度矩陣，F(xiàn)isher線性判別函數(shù)就是使得類間離散度盡可能大，而類內(nèi)離散度盡可能小，這樣就能夠使得兩類之間盡可能分開，各類的內(nèi)部又能盡可能聚集，從而判斷各類特征。

2 結(jié)果與分析

2.1 濕地典型植物生態(tài)類型的“雙邊”參數(shù)分析

采用一階導(dǎo)數(shù)分析方法對86條訓(xùn)練樣本進(jìn)行計算，由于SOC710成像光譜儀采集到的植被反射光譜波長集中在400～1 050 nm，所以本研究選取該波長范圍的成像光譜數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)進(jìn)行分析。圖1為東洞庭湖核心濕地區(qū)域4種典型植物類型的光譜一階導(dǎo)數(shù)曲線。確定光譜曲線變化區(qū)域，包括紅邊、紅谷、綠邊等特征光譜區(qū)域。

圖1 洞庭湖4種典型植被光譜一階導(dǎo)數(shù)曲線Fig.1 Results of the first derivative spectra of four typical vegetations in Dongting Lake

由圖1分析得出，蘆葦、辣蓼、泥蒿、青菜這4種植被類型的光譜曲線在520 nm達(dá)到一個反射率極值點，這個區(qū)域出現(xiàn)反射率迅速升高的原因是因為綠色植被的葉綠素反射敏感區(qū)，是“綠邊”區(qū)域的起點，青菜的葉片反射率在520 nm 附近表現(xiàn)相對于其他3種植被類型更為突出，跟葉片結(jié)構(gòu)有很大關(guān)系，蘆葦反射特征居中，泥蒿和苔草反射特征相對較弱。在720 nm達(dá)到了第2個更高的反射率極值點，該區(qū)域反射率的迅速變化是因為綠色植被典型的“紅邊”效應(yīng)。苔草區(qū)域相對于其他3種類型的反射作用仍然最弱?？傮w上，挺水植物蘆葦、濕生植物苔草、泥蒿以及栽培植物青菜的反射光譜一階導(dǎo)數(shù)特征都非常明顯。

采用植被反射光譜曲線的計算和分析，進(jìn)一步詳細(xì)地對植被反射光譜曲線特征中的“紅邊”“綠邊”區(qū)域作為濕地區(qū)域典型植物光譜明顯特征指示區(qū)域進(jìn)行參數(shù)統(tǒng)計，在所定義的波長范圍，對紅邊位置、紅邊幅值、紅邊幅值均值、綠邊位置、綠邊幅值、綠邊幅值均值參數(shù)統(tǒng)計和特征見表2和圖2。

表2 東洞庭湖4種典型植物的紅邊和綠邊參數(shù)統(tǒng)計Table 2 Statistics of red edge and green edge parameters of four typical vegetations

圖2 東洞庭湖4種典型植物的紅邊和綠邊參數(shù)Fig.2 The red edge and green edge parameters of four typical vegetations

2.2 不同濕地植物類型的光譜吸收特征結(jié)果分析

在本研究中，為了對不同濕地植物類型的光譜吸收特征進(jìn)行定量分析，采用了包絡(luò)線去除分析法進(jìn)行處理，在處理過程中，選取了所采集到的400～1 050 nm范圍的典型植被的光譜曲線訓(xùn)練樣本，所得到蘆葦、苔草、泥蒿、白色的光譜吸收特征系數(shù)見表3，吸收特征見圖3，可以看出，4種在該濕地研究區(qū)分布的植被的光譜吸收特征曲線存在著差異，可以為區(qū)分不同種類奠定特性基礎(chǔ)，其中蘆葦、苔草以及泥蒿這3種典型濕地植被的吸收強(qiáng)度>青菜，在530 nm和675 nm波長處，具有2個明顯深度的吸收谷，通過式(2)計算出了DEP-520、AREA-520、DEP-670以及AREA-670的系數(shù)(表3)。通過統(tǒng)計得出了4種典型植被的光譜吸收特征定量值。

表3 東洞庭湖4種典型植物光譜吸收特征Table 3 Spectral absorption characteristics of four typical vegetations 無量綱

2.3 基于光譜特征指標(biāo)的濕地典型植被類型識別結(jié)果

通過上述分析，為了對典型植被類型的蘆葦、苔草、泥蒿、青菜進(jìn)行大區(qū)域的光譜特征區(qū)分和分類判別，首先確定了具有代表性和可區(qū)分度的8個光譜特征變量進(jìn)行分類函數(shù)計算，其中包括了綠邊和紅邊位置、綠邊和紅邊幅值，530、675 nm處的吸收深度和吸收面積，以及相對應(yīng)的常量系數(shù)(表4)，利用實際采集的訓(xùn)練樣本獲得的變量值，將它們帶入Fisher線性判別函數(shù)，得出了蘆葦、苔草、泥蒿、青菜4種代表挺水、濕生和栽培植物的訓(xùn)練樣本判別值，再對判別值在這4個典型植被類型上的數(shù)值進(jìn)行比較，在這4類中計算的判別值越大，就屬于該類別，由此區(qū)分出所采集的每種光譜特征的具體植被分類類型。分類結(jié)果精度混淆矩陣表明，總分類精度達(dá)到87.39%，通過計算混淆矩陣中真實調(diào)查和分類判別的結(jié)果進(jìn)行Kappa系數(shù)計算，來檢驗分類精度一致性，得到Kappa 系數(shù)為0.831 6，常用Kappa系數(shù)>0.6以上，就表明分類精度具有高度良好的一致性，所以本結(jié)果Kappa系數(shù)表明分類精度優(yōu)良。苔草分類后的精度最高，達(dá)到92.55%，青菜地的識別精度為92.31%，蘆葦居中，識別精度達(dá)到86.11%，泥蒿的識別精度為80.65%(表5)。

圖3 東洞庭湖4種典型植物光譜吸收特征Fig.3 Spectral absorption characteristics of four typical vegetation

表4 Fisher線性判別系數(shù)Table 4 Fisher linear discriminant coefficient

表5 植被分類識別的精度混淆矩陣Table 5 Precision confusion matrix of vegetation classification

分析表明，由于苔草的分布面積在整個區(qū)域分布是最廣泛和成片的，通過地面成像光譜儀(SOC710VP)采集到的光譜特征比較穩(wěn)定，呈現(xiàn)出來的典型植被間的差異性也非常明顯，通過分類算法得到的分類后精度較高，青菜地在研究區(qū)內(nèi)的分布非常少，也比較單一和分散，但它自身的植被葉片結(jié)構(gòu)的特征相對于蘆葦、苔草、泥蒿具有非常大的差異，由此所采集到的反射光譜特征也具有非常好的可分性，且有土壤背景的光譜特性在其中，相比于其他3種植被類型的情況比較典型，識別精度較高。泥蒿與苔草多數(shù)為混合狀態(tài)，成片分布的范圍較少，精度相對較低一些。蘆葦?shù)娜~片和分布也決定了其分類精度在平均水平，總體結(jié)果符合野外實地調(diào)查的植被分布情況。

3 結(jié)論與討論

本次研究的挺水植物蘆葦、濕生植物苔草、泥蒿以及青菜的反射光譜特征有不同的特征，主要表現(xiàn)在不同植被類型的葉片形態(tài)、大小，根莖葉含水率、葉綠素差異以及背景土壤的干擾值等原因。通過本研究中對原始采集的光譜特征進(jìn)行了一階導(dǎo)數(shù)計算和包絡(luò)線去除法的處理，把這些植被生理特性的光譜反射特征差異增強(qiáng)，并進(jìn)行分類比較，證明了地面采集的成像光譜數(shù)據(jù)進(jìn)行分析得到的植被光譜特征變量具有一定的普適性和可靠性，可以為濕地植被類型的識別提供科學(xué)依據(jù)，在下一步研究中，要把實測成像光譜數(shù)據(jù)、非成像光譜數(shù)據(jù)、星載高光譜影像(Chirs數(shù)據(jù))以及光學(xué)影像數(shù)據(jù)進(jìn)行耦合分析，充分發(fā)揮多源數(shù)據(jù)優(yōu)勢。

參考文獻(xiàn)：

[1] 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[J].Journal of Environmental Management,2009,90:2130-2137.

[2] XU G H,TIAN G L,WANG C,etal．The progress and prospect of remote information science[J].Acta Geographica Sinica,1996，51(5):385-397.

[3] 趙峰,張懷清,劉華,等.福建漳江口紅樹林濕地保護(hù)區(qū)遙感監(jiān)測及保護(hù)分析[J].西北林學(xué)院學(xué)報,2011,26(1):160-165.

ZHAO F,ZHANG H Q,LIU H,etal.Remote sensing monitoring and protection of mangrove wetland reserve of the Zhangjiang estuary in Fujian Province[J].Journal of Northwest Forestry University,2011,26(1):160-165.(in Chinese)

[4] 柴穎,阮仁宗,傅巧妮.高光譜數(shù)據(jù)濕地植被類型信息提取[J].南京林業(yè)大學(xué)學(xué)報:自然科學(xué)版,2015,39(1):181-184.

CHAI Y,RUAN R Z,FU Q N.Extraction of wetland vegetation information using hyperspectral image data[J].Journal of Nanjing Forestry University:Natural Science Edition,2015,39(1):181-184.(in Chinese)

[5] 袁琳,張利權(quán).大型沉水植物狐尾藻不同蓋度的光譜特征[J].遙感學(xué)報,2007,11(4):609-616.

YUAN L,ZHANG L Q.The spectral characteristics of a submerged plant myriophyllum spicatum with varied coverage[J].Journal of Remote Sensing,2007,11(4):609-616.(in Chinese)

[6] 李敏夏,張林森,李丙智,等.蘋果葉片高光譜特性與葉綠素含量和SPAD值的關(guān)系[J].西北林學(xué)院學(xué)報,2010,25(2):35-39.

LI M X,ZHANG L S,LI B Z,etal.Relationship between spectral reflectance feature and their chlorophyll contentrations and SPAD value of apple leaves [J].Journal of Northwest Forestry University,2010,25(2):35-39.(in Chinese)

[7] 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[J].光譜學(xué)與光譜分析,2012,32(3):743-748.

ZHANG Y R,GONG Z N,ZHAO W J.Typical plant spectral characteristics analysis in wild duck lake along water environment gradient[J].Spectroscopy and Spectral Analysis,2012,32(3):743-748.(in Chinese)

[8] 胥喆,舒清態(tài),楊凱博,等.基于非成像高光譜的高山松葉綠素估算模型研究[J].西北林學(xué)院學(xué)報,2017,32(2):73-78.

XU Z,SHU Q T,YANG K B,etal.Estimation models of chlorophyll inPinusdensatabased on non-imaging hyperspectrum[J].Journal of Northwest Forestry University,2017,32(2):73-78.(in Chinese)

[9] 高占國,張利權(quán).上海鹽沼植被的多季相地面光譜測量與分析[J].生態(tài)學(xué)報,2006,26(3):168-175.

GAO Z G,ZHANG L Q.Measuring and analyzing of the multi-seasonal spectral characteristics for saltmarsh vegetation in Shanghai[J].Acta Ecologica Sinica,2006,26(3):168-175.(in Chinese)

[10] 林川,宮兆寧,趙文吉,等.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[J].生態(tài)學(xué)報,2013,33(4):1172-1185.

LIN C,GONG Z N,ZHAO W J,etal.Identifying typical plant ecological types based on spectral characteristic variables:a case study in wild duck lake wetland,Beijing[J].Acta Ecologica Sinica,2013,33(4):1172-1185.(in Chinese)

[11] 孫永華,等.基于高光譜的濕地植被定量遙感研究:以洪河自然保護(hù)區(qū)為例[M].北京:中國環(huán)境出版社,2015.

[12] 劉克，趙文吉，郭逍宇，等．野鴨湖典型濕地植物光譜特征[J]．生態(tài)學(xué)報，2010，30(21):5853-5861.

LIU K,ZHAO W J,GUO X Y,etal.Spectral bands of typical wetland vegetation in the wild duck lake[J].Acta Ecologica Sinica,2010,30(21):5853-5861.(in Chinese)

[13] 范云豹,趙文吉,宮兆寧,等.基于高光譜信息的蘆葦和香蒲地上干生物量反演方法研究[J].濕地科學(xué),2016,14(5):654-664.

FAN Y B,ZHAO W J,GONG Z N,etal.Inversion methods for above-ground dry biomass ofPhragmitesaustralisandTyphaangustifolia based on hyperspectral information[J].Wetland Science,2016,14(5):654-664.(in Chinese)

[14] 陶婷,阮仁宗,歲秀珍,等.基于HyMap數(shù)據(jù)的浮水植被信息提取[J].國土資源遙感,2017,29(2):187-192.

TAO T,RUAN R Z,SUI X Z,etal.Extraction of floating-leaved vegetation information based on HyMap data[J].Remote Sensing for Land & Resources,2017,29(2):187-192.(in Chinese)

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