基于葉片高光譜的皇甫山森林公園優(yōu)勢樹種分類研究

何 念,劉玉嬋,閔 婕

(滁州學院，安徽 滁州 239000)

1 引言

在全球氣候日益變暖及全球生態(tài)環(huán)境不斷惡化的情況下，加強對生態(tài)環(huán)境的保護就顯得格外重要，而重視森林的建設與管理是增強生態(tài)環(huán)境保護能力的重要方式。森林是林業(yè)的重要組成部分，是構成自然生態(tài)環(huán)境體系的重要內容，影響著經濟社會的可持續(xù)發(fā)展。重視森林體系管理，識別、分清森林樹種是做好森林管理及推動森林健康發(fā)展的重要保障。當前，我國很多地區(qū)森林樹種的分類調查還依賴于實地調查研究，但因森林分布范圍較廣、區(qū)域較大，依靠實地調查對森林樹種尤其是森林優(yōu)勢樹種進行分類，需要耗費大量的人力、時間，因而使用遙感技術對優(yōu)勢樹種進行分類就成為森林樹種分類管理的必然途徑。

當前，遙感技術在森林中的應用逐漸普及，使用范圍也越來越廣，主要利用光學圖像或者數字圖片來獲得樹種的特征信息，進而依靠樹種的特征信息來對優(yōu)勢樹種進行分類，分類效果通常較好。但在遙感技術獲得快速發(fā)展的情況下，高光譜技術也隨之發(fā)展，并在森林優(yōu)勢樹種中的分類應用也實現了巨大突破，對森林優(yōu)勢樹種的分類應用的精確程度也獲得了大幅提高。而葉片高光譜作為高光譜的一種，在優(yōu)勢樹種分類中的應用也不斷普及。因此，本文通過研究基于葉片高光譜的皇甫山森林公園優(yōu)勢樹種分類，不僅有利于加強對皇甫山森林公園的管理，還有利于保護公園的森林生態(tài)體系，減少人力、財力消耗，提高現代技術在優(yōu)勢樹種分類中的應用能力。

2 研究區(qū)及數據源

2.1 研究區(qū)

研究區(qū)位于滁州市西郊38 km處，與南京市、合肥市的距離大約有100 km，將近1 h的車程?；矢ι皆诠糯环Q為曲亭山，因南唐將軍皇甫暉在該處屯兵而獲得此名?；矢ι缴止珗@占地面積達到了53273畝，森林覆蓋率達到了96.1%，是華東地區(qū)擁有的最后一片原始森林。在公園內部自然景觀與人文景觀交錯分布，是我國的森林公園、自然保護區(qū)，也是我國著名的旅游風景區(qū)。北將軍嶺是皇甫山森林公園的最高峰，海拔為399.2 m。

皇甫山森林公園內部群山連綿，跌宕起伏，多為山地、丘陵地形，擁有眾多的峽谷，因而形成了山水相間的自然風光，境內植被茂密，成為一個天然的大氧吧。同時，皇甫山森林公園蘊含的負氧離子含量較高，生態(tài)環(huán)境較好，公園常年的平均氣溫為14.3 ℃，氣候較為溫和，夏季氣溫不高，是一個天然的休閑避暑療養(yǎng)場所，被授予我國最好的森林療養(yǎng)目的地的稱號。

皇甫山森林公園境內原始森林眾多，古樹茂密，藤蘿遍布，景色宜人，分布著河麂、小靈錨、豹貓、花面貍等130多種野生動物。當前，公園植被主要是多以北亞熱帶落葉闊葉林為主，原生次生林數量較多，分布范圍較廣，擁有銀杏、黃檀、鵝掌楸等10余種國家級二三級保護樹種以及114種野生植物。其中，皇甫山森林公園擁有的優(yōu)勢樹種為銀杏、黃檀、鵝掌楸、櫸樹、馬尾松、國外松、杉木、麻櫟等。

2.2 數據源獲取

為保障皇甫山森林公園優(yōu)勢樹種分類研究的有效開展，此次的實驗數據采集分通過3個階段來完成，第一階段的數據采集時間為2019年3月6日至3月12日，第二階段的數據采集時間為2019年4月15日至4月21日，第三階段的數據采集時間為2019年5月24日至5月30日。其中，第一階段采集的數據主要用于皇甫山森林公園優(yōu)勢樹種及多光譜數據的可分性研究，以及通過反射透射、葉面正反面以及不同預處理方式對優(yōu)勢樹種分類的影響。而第二階段和第三階段采集的數據主要用于8種優(yōu)勢樹種的可分性研究及不同海拔條件下的葉片光譜變化情況。第三階段采集的數據主要用于變色期時間變化對葉片光譜產生的影響。

圖1 皇甫山森林公園的區(qū)域分布

在第一階段，使用光譜儀對優(yōu)勢樹種葉片的光譜進行測量，將300～1150 nm作為光譜的測量范圍，將3.3～3.4 nm作為光譜的測量間距，因處于300～470 nm及1050～1150 nm范圍內的光譜噪聲較大，故將470～1050 nm范圍內的波段作為研究數據的來源。同時，使用反射和透射方式對優(yōu)勢樹種葉片正反面的數據進行采集，并且反射數據通過使用光譜儀內部光源和二支分叉光纖進行測量獲得，投射數據通過使用光譜儀的外部窗素燈光源和直行光汗進行測量獲得(表1)。

第二、三階段使用兩臺光譜儀對優(yōu)勢樹種葉片進行光譜測量，通過兩臺光譜儀的測量，可以獲得380～1170 nm范圍內的光譜測量數據。通過采用反射和透射方式測量優(yōu)勢樹種葉片正反面的信息，由此獲得葉片正反面的數據。其中，使用二叉分支光纖對反射數據進行測量，并通過光纖一端的方式連接光譜儀，通過光纖分支連接光源(表2、3)。

表1 第一階段采集的樣本數據

表2 第二階段采集的樣本數據

表3 第三階段采集的樣本數據

3 數據預處理

在光譜常用的數據預處理方式中，經常使用對數變換、一階導數變換、二階導數變換，對于去除光譜噪聲能夠起到非常有效的作用。對皇甫山森林公園優(yōu)勢樹種進行分類處理，可以使用對數變換、一階導數變換、二階導數變換等三種方式對數據進行預處理，從而有利于優(yōu)勢樹種分類的數據預處理。用g(r)、f'(r)、f''(r)分別作為對數變換、一階導數函數、二階導數函數進行變換后得到的光譜曲線函數，其中，f(r)是去除異常值和重采樣后的實際測量原始光譜曲線函數，并將r定義為波長值，

4 研究方法

4.1 單因素方差分析

在不考慮波段之間相關性的前提下，利用單因素方差對優(yōu)勢樹種的波段進行分析，以便能夠發(fā)現不同優(yōu)勢樹種之間的差異性，可以通過不同優(yōu)勢樹種波段光譜的均值及方差來對不同優(yōu)勢樹種的波段差異性進行判斷，可以優(yōu)先考慮差異較大的波段，同時，借助SPSS20軟件對單因素方差進行研究，將0.05作為顯著性差異的標志，由此可以得到不同優(yōu)勢樹種波段的基礎信息，但還需要進行下一步的分析。

4.2 逐步判別分析

逐步判別分析法是指將具有一定研究對象的類別作為因變量，將具有相應特征的變量作為自變量，由此按照一定的判別標準建立判別函數，由此依據研究對象的屬性特征來確定判別函數的待定系數，由此對相應的判別指標進行計算。因此，在對優(yōu)勢樹種進行分類的過程中，可以使用逐步判別法選擇有利于優(yōu)勢樹種分類的波段組合，按照Wilks' Lambda(L)的標準對波段進行選擇，并使用交叉驗證方法對波段進行驗證，以便能夠對選擇波段的穩(wěn)定性進行驗證。因此，可以使用全模型法對選擇出來的特征波段進行判別，從而根據不同波段的特征來對不同優(yōu)勢樹種進行分類。

4.3 因子分析

使用因子分析法可以對選擇的不同樹種的波段進行優(yōu)化、提取，作為一種常用的數據降維方法，能夠從多種變量中提取共性因子，將相關性較強的共性因子歸類為同一類，以便能夠通過少數的因子來表達共性因子的特征。在對皇甫山森林公園的不同種類的優(yōu)勢樹種進行分類的過程中，使用主成分分析的方法進行因子提取。

4.4 多光譜數據的模擬

通過使用多光譜傳感器中的光譜響應函數對多光譜數據進行模擬，以便能夠模擬出不同傳感器的低分辨率光譜，并且使用SDA進行分類研究，以便能夠確定不同的波段個數，從而能夠對皇甫山森林公園不同優(yōu)勢樹種進行分類。

首先，對光譜重采樣進行1nm間隔，依據波段響應函數，對3個不同衛(wèi)星的多光譜傳感器的光譜曲線進行模擬，并且這3種不同的衛(wèi)星分別為GEOEYE-1、RAPIDEYE、WORDVIEW2，前兩種衛(wèi)星的波段是從430 nm開始的，而后面一個衛(wèi)星的波段是從350 nm開始的。但實驗室在對葉片光譜數據波段信噪比進行測量，能夠獲得較高的波段范圍處于470～1050 nm，為滿足藍光波段模擬的要求?；诖?，未對藍光波段進行研究。對多光譜傳感器進行光譜模擬，需要對光譜響應函數進行了解，并根據實際測量的光譜能量重新進行分配，即能夠按照實際測量的光譜函數進行波長加權平均，得到的波長函數的權重就是光譜響應函數在該波段處的函數值。

5 結果與分析

對于第一階段采集獲得的數據，可以使用單因素分析法和逐步判別法對其進行研究，將實驗得到的數據按照不同的優(yōu)勢進行分類，將其分為9種樹種，以便能夠探討皇甫山森林公園不同優(yōu)勢樹種葉片光譜的可分性，同時，還要分析不同數據對優(yōu)勢樹種分類結果的影響。

5.1 單因素分析方法對8種樹種分類結果的影響

利用單因素分析方法對實驗獲得的原始數據和對數數據進行分析，對于透射或者反射來說，對皇甫山森林公園的優(yōu)勢樹種進行分類，可以借助高光譜數據的波段并且會對優(yōu)勢樹種分類產生顯著影響。在經過一階導數、二階導數處理后，獲得的波段數據對優(yōu)勢樹種分類不會產生顯著影響，并且獲得的波段在高光譜波段范圍內處于不規(guī)則分布狀態(tài)。依據葉片正面對數的反射數據，紅色波段對馬尾松、國外松等針闊葉林的分類不會產生較大的影響。利用反射數據對皇甫山森林公園的優(yōu)勢樹種進行分類，會對優(yōu)勢樹種分類產生較為顯著的影響。利用透射數據對優(yōu)勢樹種進行分類時，綠光和紅光波段對優(yōu)勢樹種分類的影響不是很顯著。對于反射和透射數據來說，近紅外波段光譜都會對優(yōu)勢樹種分類產生顯著影響。在對葉片正反面不加以區(qū)分的情況下，反射光譜在混合之后可以減少可分波段的數量，而透射數據對可分波段的數量不會產生顯著影響。

5.2 逐步判別分析方法對8種樹種分類結果的影響

利用逐步判別分析方法對實驗獲得的優(yōu)勢樹種光譜數據進行分析，在對數據信息分析的過程中，通過對Wilk' Lambda(L)值及波段、分類精度數據既驗證精度數據進行提取。其中，可以使用Wilk' Lambda(L)值對之前選擇的波段進行分類，將其取值范圍界定在0-1之間，若其取值越靠近0，越能夠表明選擇的波段對優(yōu)勢樹種具有越強的分類能力。若其取值越靠近1，越能夠表明選擇的波段對優(yōu)勢樹種具有越弱的分類能力。當Wilk' Lambda(L)值不會在顯著降低時，對優(yōu)勢樹種分類的分析也就結束。

借助Wilk' Lambda(L)值、分類精度對優(yōu)勢樹種進行分類，如圖2所示，從整體上看，使用判別分析法對已經選擇的分類波段對優(yōu)勢樹種都具有較強的分類能力(L<0.12)，并且經過一階導數、二階導數處理后的Wilk' Lambda(L)值均小于通過源數據和對數數據所獲得的Wilk' Lambda(L)值，并且通過反射正面獲得的數據以及不區(qū)分葉片正反面所獲得的反射數據，其獲得的Wilk' Lambda(L)值均大于其他方式獲得的Wilk' Lambda(L)值。

圖2 L值對比

如圖3所示，對于馬尾松、國外松等樹種來說，這種樹種的分類及驗證精度都能夠達到100%，各種優(yōu)勢樹種也能夠獲得較好的分類結果，大部分優(yōu)勢樹種的分類精度都處于80%～100%之間，尤其是分類精度處于90%～100%之間的精度數量占總的精度數量的百分比達到了85%以上。同時，對實驗數據預處理方式以及采取不同的組合方式都會對優(yōu)勢樹種的分類精度產生影響，但使用一階導數、二階導數對優(yōu)勢樹種進行分類，能夠獲得較好的分類效果。通過反射+透射的分類方式獲得的分類精度效果相對較好，但通過透射、反射、反射透射相結合分分類方式所獲得的分類效果逐漸降低。

圖3 8種樹種分類精度對比

總體來看，通過對優(yōu)勢樹種的正面葉片進行高光譜采集數據，能夠獲得較好的分類效果，但對優(yōu)勢樹種的反面葉片進行高光譜采集數據，能夠獲得的分類效果要弱于通過正面葉片進行高光譜采集數據所獲得的分類效果。但如果對葉片正反面不加以區(qū)分，所獲得的葉片數據由此來進行優(yōu)勢樹種的分類精度較差。此外，在對所獲得的數據進行分類判別時，并且對分類的波段進行匯總，發(fā)現紅邊波段是出現頻率最高的波段，因而紅邊波段對皇甫山森林公園優(yōu)勢樹種的分類有著較為顯著的影響。

6 結論

在現代世界環(huán)境中，森林的重要性不言而喻，而優(yōu)勢樹種作為構成森林生態(tài)體系的重要組成部分，在現代環(huán)境中發(fā)揮著十分重要的作用。因此，加強對優(yōu)勢樹種的分類管理，是提升森林管理的重要方式。通過使用葉片高光譜對皇甫山森林公園優(yōu)勢樹種進行分類研究，發(fā)現使用單因素方差分析、逐步判別分析、因子分析能夠取得較好的分類效果，并且3種分析方法對優(yōu)勢樹種分類的精度有著顯著的差異。同時，也發(fā)現紅邊波段對皇甫山森林優(yōu)勢樹種的分類能夠取得較好的分類效果。因此，使用葉片高光譜技術對森林中的優(yōu)勢樹種進行分類研究，具有重要的研究價值。