退化高寒草甸主要物種花與葉片的光譜識別方法

劉詠梅,蓋星華,董幸枝,王懷玉,胡念釗

(1.西北大學(xué) 城市與環(huán)境學(xué)院,陜西 西安 710127;2.西北大學(xué) 陜西省地表系統(tǒng)與環(huán)境承載力重點實驗室, 陜西 西安 710127)

高寒草甸是青藏高原分布最廣泛的草地類型之一,約占高寒草地面積的46.7%[1],是高寒草地生態(tài)系統(tǒng)的主要組成部分,對于高寒地區(qū)生物多樣性維護(hù)、氣候調(diào)節(jié)及水源涵養(yǎng)發(fā)揮著關(guān)鍵作用[2]。近年來，由于氣候變化和人類活動的影響,高寒草甸呈現(xiàn)不同程度的退化趨勢,草地覆蓋度降低、生產(chǎn)力下降、毒雜草類植物增加、土壤退化甚至沙化[3]。傳統(tǒng)的草地退化監(jiān)測以實地調(diào)查為主[4],該方法受野外條件限制且覆蓋空間有限[5]。遙感技術(shù)的快速發(fā)展為退化草地監(jiān)測提供了新途徑,高光譜遙感具有波段連續(xù)性強(qiáng)、光譜分辨率高的特點,在草地植被分類及制圖中具有明顯優(yōu)勢。研究典型退化草甸主要植物的光譜可分性,可為草地動態(tài)監(jiān)測和退化草甸修復(fù)提供關(guān)鍵技術(shù)支持。

近年來多位學(xué)者利用實測光譜對草地植物光譜識別方法開展了系列研究。王煥炯等[6]對呼倫貝爾溫性草甸草原的羊草(Leymuschinensis)、克氏針茅(Stipakrylovii)和冷蒿(Artemisiafrigida)等植物的葉片光譜使用一階微分和紅邊位置提取特征參量,對上述植物的識別精度高于95%。周偉等[7]采用三江源地區(qū)8種典型毒雜草和4種優(yōu)良牧草的冠層光譜,結(jié)合Savitzky-Golay平滑、包絡(luò)線去除、導(dǎo)數(shù)變換、光譜特征參數(shù)及馬氏距離提取特征波段,結(jié)果表明毒雜草與優(yōu)良牧草識別的敏感波段主要位于680～750 nm和900～1 000 nm范圍內(nèi)。喻小勇等[8]對三江源地區(qū)矮嵩草(Kobresiahumilis)、高山嵩草(Kobresiapygmaea)和藏嵩草(Kobresiatibetica)3種未退化草甸,以及四種退化程度的高山嵩草草甸的樣地光譜進(jìn)行對比分析,結(jié)果顯示波長675 nm和760 nm處的反射率以及紅邊斜率差異能夠有效區(qū)分不同的高寒草甸類型。現(xiàn)有研究主要側(cè)重于植物綠色葉片或冠層/群落之間的光譜區(qū)分,但對于不同植物花的光譜可分性研究較少。蓋穎穎等[9]基于呼倫貝爾草原7種花的冠層以及裸土光譜,通過光譜微分、光譜重排、計算NDVI指數(shù)并結(jié)合線性解混模型,通過花的光譜差異來識別物種。陳晉等[10]在青海海貝牧場采集三裂堿毛茛(Halerpestestricuspis)花的實測光譜,建立Hyperspectral Flower Index模型來估算花的蓋度,為植物分類及動態(tài)監(jiān)測提供了新的生態(tài)指標(biāo)。盛花期不同草地植物花的顏色之間及其與綠色葉片之間的光譜差異明顯增強(qiáng),可為退化草甸不同植物種類遙感識別提供新的切入點。

常用的植物光譜可分性方法主要是光譜參量化分析[6-7],如提取藍(lán)邊、綠峰、紅谷和紅邊等特征參數(shù)、光譜一階/二階微分等。這些方法強(qiáng)調(diào)了植物生物特性的光譜反映,但特征光譜位置的準(zhǔn)確度和波段寬度會隨著物種不同而發(fā)生變化,從而降低特征波段的提取精度。層次分析法通過對光譜數(shù)據(jù)的逐次降維,能夠精確提取不同植物種類光譜差異的特征波段。Adam等[11]及Fernandes等[12]綜合統(tǒng)計檢驗、分類與回歸樹算法(classification and regression trees, CART)和Jeffries-Matusita(J-M)距離算法,分層提取了紙莎草(Cyperuspapyrus)及蘆竹(Arundodonax)識別的最優(yōu)特征波段。艾金泉等[13]采用ANOVA檢驗、CART算法并結(jié)合J-M距離,提取互花米草(Spartinaalterniflora)的光譜敏感波段并評估其光譜可分性。以上研究表明層次分析法可以準(zhǔn)確識別不同植物種類光譜差異的最優(yōu)波段,其波段選擇的準(zhǔn)確性優(yōu)于傳統(tǒng)光譜分析方法。針對退化高寒草甸植物種類之間光譜相似性高而遙感識別存在較大難度的問題,本研究在青海省祁連縣青陽溝選擇典型退化草甸作為研究區(qū),實測主要植物種類花和葉片光譜,結(jié)合Kruskal-Wallis檢驗、CART算法和J-M距離提取青藏高原退化草甸主要物種花和葉片的最優(yōu)光譜識別波段,為退化高寒草甸遙感動態(tài)監(jiān)測提供依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)位于青海省海北州祁連縣境內(nèi),屬于典型的高原大陸性氣候,氣候寒冷、溫差大、日照時間較長,年平均氣溫2.7℃[14],年降水量420 mm[15]。草地類型主要為高寒草甸,土壤為高山草甸土。近年來由于過度放牧的影響,草地逐漸退化,形成為以狼毒(Stellerachamaejasme)等毒雜草為優(yōu)勢種的草甸群落。光譜實驗樣地選在狼毒入侵嚴(yán)重的八寶鎮(zhèn)青陽溝,地理位置100°21′38″～100°21′52″E、38°9′32″～38°9′40″N,平均海拔3 073 m,地勢平坦開闊(見圖1)。草甸群落組成種類豐富,優(yōu)勢種有狼毒、高山嵩草、草玉梅(Anemonerivularis)、線葉嵩草(Kobresiacapillifolia)、乳白香青(Anaphalislactea)、披針葉黃華(Thermopsislanceolata)等。

1.2 數(shù)據(jù)采集與處理

光譜野外測量于2019年7月中旬進(jìn)行,采用ASD Field Spec4 Hi-Res(350～2 500 nm)地物光譜儀測量試驗樣地主要植物種類的花及葉片光譜。光譜采樣間隔為1.4 nm(350～1 000 nm)和2 nm(1 001～2 500 nm),波長精度為±0.1 nm,鏡頭視場角為 25°。試驗樣地退化草甸主要物種花的顏色有3種:白色、黃色、紫色,葉片顏色主要為綠色。① 白色花:狼毒、草玉梅、乳白香青、草血竭(Polygonumpaleaceum)。② 黃色花:黃花棘豆(Oxytropisochrocephala)、蒲公英(Taraxacummongolicum)、石龍芮(Ranunculussceleratus)、委陵菜(Potentillachinensis)。③ 紫色花:秦艽(Gentianamacrophylla)、刺芒龍膽(Gentianaaristata)、肉果草(Lanceatibetica)、高原扁蕾(Gentianopsispaludosa)。④ 綠色葉片:狼毒、草玉梅、高山嵩草、披針葉黃華等主要物種綠色葉片。使用葉片夾進(jìn)行光譜采集,將花及葉片樣本平鋪在葉片夾鏡片上,每次采集15條光譜,取均值作為每個樣本的光譜反射率。每種顏色的花重復(fù)20～25個樣本,各種綠色葉片重復(fù)28個樣本,共測量98個光譜樣本。

1.3 研究方法

1.3.1 光譜數(shù)據(jù)預(yù)處理 首先采用ViewSpecPro軟件中的移動窗口多項式擬合平滑法(窗口大小為9*9)對所有光譜數(shù)據(jù)進(jìn)行平滑降噪處理。包絡(luò)線去除能夠突出光譜曲線的吸收和反射特征[16],該方法采用實際光譜反射率除以包絡(luò)線上相應(yīng)波段的反射率,將光譜反射率歸一化為0～1.0之間的值。在平滑降噪的基礎(chǔ)上進(jìn)一步對光譜數(shù)據(jù)進(jìn)行包絡(luò)線去除處理,增強(qiáng)不同物種花及葉片的光譜特征。

圖1 研究區(qū)位置圖Fig.1 Overview of study area in Qilian County, Qinghai Province

1.3.2 光譜數(shù)據(jù)降維 本研究借鑒Fernandes等[12]的方法對實驗樣地植物群落中的4種顏色光譜(白色、黃色、紫色和綠色)進(jìn)行分層降維處理,提取退化草甸主要植物花和葉片光譜區(qū)分的最優(yōu)敏感波段。Kruskal-Wallis檢驗是一種非參數(shù)檢驗方法,用于比較多個獨立樣本。該方法不需要對總體分布做任何假設(shè),當(dāng)總體方差未知或者不符合正態(tài)分布時用于檢驗多個總體的分布是否存在顯著差異[17]。首先對4種顏色光譜的所有波長(n=2 151)進(jìn)行Kruskal-Wallis檢驗(p<0.05),并對篩選出的差異顯著波長進(jìn)行Dunn事后檢驗,確定主要差異波長。其次,采用CART算法進(jìn)一步篩選花和葉片之間光譜區(qū)分的特征波長,并將相鄰的波長聚合為特征波段[11]。CART是一種非參數(shù)非線性統(tǒng)計模型,該算法構(gòu)建的樹用一個或多個自變量來解釋單個因變量的變化,自變量和因變量通常是分類的(分類樹)或連續(xù)/離散的(回歸樹)[18-19]。在本研究中將所有光譜樣本按四種顏色類別進(jìn)行劃分,隨機(jī)抽取樣本的60%作為訓(xùn)練集,40%作為驗證集。基于訓(xùn)練集數(shù)據(jù)采用二叉樹形式遞歸地重復(fù)分割數(shù)據(jù)來構(gòu)造分類樹,每次分割時根據(jù)類別將自變量拆分為互斥的組;再基于驗證集數(shù)據(jù)對構(gòu)建的最大樹進(jìn)行剪枝,通過評估剪枝序列中每棵樹的預(yù)測性能確定大小正確的樹[20]。

1.3.3 光譜可分性評價 J-M距離被廣泛地用作最優(yōu)波段選擇和分類結(jié)果評價的可分性準(zhǔn)則[21],一定的值域范圍表示分類精度達(dá)到一定等級。CART算法提取了同一光譜區(qū)域中若干個相鄰的特征波段,這些波段都具有一定的植物種類區(qū)分能力,通過計算J-M距離可以篩選出這些相鄰波段中具有最佳光譜可分性的波段。J-M距離具有漸近行為,其值域為[0,2],J-M值為2表示光譜特征之間完全可分,0值對應(yīng)于完全重疊。本研究采取通用的光譜可分性標(biāo)準(zhǔn):J-M>1.9代表類別間具有最高可分性,即沒有任何重疊完全可分;1.9>J-M>1.0代表類別間具有一定可分性,但是有部分重疊;J-M<1.0代表類別間完全重疊而不可分。

兩個類別之間的J-M距離的表達(dá)式如下:

J-Mij=2(1-e-a)，

(1)

(2)

式中:U為樣本的均值向量；Σ為方差矩陣；i和j分別表示兩個地物類型。

本研究中光譜數(shù)據(jù)降維及光譜可分性評價的所有算法均使用Python語言在Anaconda3中編寫代碼實現(xiàn)。

2 結(jié)果與分析

2.1 花與葉片的反射光譜特征

研究區(qū)植物群落主要植物花和葉片的反射光譜曲線如圖2所示。植物花呈現(xiàn)不同顏色是色素及其含量共同作用的結(jié)果,相同顏色的花光譜反射光譜曲線存在一定共性特征。白花不含色素,在700～1 300 nm波段反射率明顯高于其他顏色的花。黃花反射率在綠波段500 nm附近的吸收谷與類胡蘿卜素有關(guān)[22]。在427～464 nm附近花青素含量與光譜反射率成正比,紫花反射率急劇上升到0.2;在500nm附近花青素對綠光的吸收增大,紫花的反射率急劇減小[23]。綠色葉片的光譜在450～500 nm附近及以650～680 nm附近出現(xiàn)了藍(lán)谷和紅谷,在550 nm附近則形成了綠峰,700～750 nm處的紅邊位置區(qū)域與葉綠素含量有較強(qiáng)相關(guān)性,葉片光譜反射率陡升至0.5[24]?？傮w來看,在380～1 300 nm波段4種顏色的光譜反射率差異較大,特別是在700～1 300 nm波段隨著顏色加深反射率呈現(xiàn)下降趨勢,白花的反射率最高,綠色葉片的反射率最低。在1 300～2 500 nm波段4種顏色的反射光譜曲線變化趨于一致,均在1 400 nm和1 800 nm處存在明顯的水分吸收谷。

2.2 光譜降維結(jié)果

研究區(qū)植物4種顏色在350～2 500 nm范圍所有波長的Kruskal-Wallis檢驗結(jié)果,以及Dunn事后檢驗結(jié)果如圖3所示。在95%的置信水平下Kruskal-Wallis檢驗篩選的差異顯著波長較多,在可見光、紅邊、近紅外及短波紅外波段均有分布,主要集中在392～1 388 nm和1 566～1 845 nm兩個波段范圍內(nèi)。Dunn事后檢驗篩選的主要差異波長大幅減少,主要集中在393～528 nm、589～726 nm、886～1 343 nm 3個波段;被剔除的波段有可見光區(qū)的529～588 nm、紅邊及近紅外區(qū)的727～885 nm及短波近紅外區(qū)的1 344～1 388 nm和1 566～1 845 nm,差異顯著波長數(shù)目從1 277減少到732個。在統(tǒng)計檢驗的基礎(chǔ)上使用CART算法進(jìn)一步篩選的敏感波長減少到490個(見圖4),將相鄰波長合并為波帶,確定4種顏色區(qū)分的最優(yōu)敏感波段主要位于可見光區(qū)域的393～449 nm、453～527 nm,紅邊區(qū)的592～608 nm、614～647 nm、653～654 nm、660～684 nm、688～690 nm、699 nm、706～722 nm,近紅外和短波近紅外的886～1 127 nm、1 131～1 140 nm、1 146～1 156 nm、1 160～1 167 nm、1 170～1 231 nm和1 237～1 342 nm。表1顯示CATR模型構(gòu)建的準(zhǔn)確率較高,花和葉片顏色光譜的總分類精度達(dá)到了80%。精確率和召回率分別反映了每一類的查準(zhǔn)率和查全率,F1值是精確率和召回率的調(diào)和平均值。4種顏色的精確率和召回率均在0.6以上,白色、紫色、黃色和綠色的F1值為0.72、0.62、0.72和0.86,說明模型整體性能較好,對于綠色葉片光譜的識別能力最佳,其次是白色、黃色及紫色。

圖2 研究區(qū)主要花與葉片的反射光譜曲線Fig.2 Spectral reflectance curves of main flowers and leaves in the study area

2.3 花與葉片的光譜可分性

基于CART算法提取的敏感波長對4種植物顏色計算兩兩之間的J-M光譜距離。由表2可見,白色-黃色、白色-綠色、黃色-紫色之間J-M距離值大于1.9的波長數(shù)目分別為72、35和4,表明上述植物顏色之間具有高度光譜可分性。其中,敏感波長數(shù)目最多的是白色-黃色,集中在藍(lán)綠波段的415～495 mn及近紅外波段的1 064～1 088 mn;其次是白色-綠色,敏感波長主要分布在紅光、紅邊和近紅外波段的636～699 nm;黃色-紫色之間的敏感波長相對較少,位于近紅外波段的1 052～1 055 nm。相對而言,白色-紫色、黃色-綠色、紫色-綠色之間的光譜可分性降低,無J-M距離值大于1.9的敏感波長,J-M距離值在1.0～1.9之間的波長數(shù)目分別為177、99和5。表明這些顏色之間具有一定的光譜可分性(見表3)。其中,敏感波長數(shù)目最多的是白色-紫色,集中在藍(lán)綠波段的423～527 nm、紅光波段的592～678 nm和紅邊位置的680～722 nm,少部分位于近紅外波段的886～1 097 nm附近;其次是黃色-綠色,敏感波長集中在藍(lán)綠波段的403～495 nm、紅光和紅邊位置的646～690 nm,少部分位于近紅外波段的1 044～1 108 nm;紫色-綠色的敏感波長最少,在可見光波段只有527 nm一個波長,其余波長位于近紅外波段范圍內(nèi)的886 nm和1 050～1 052 nm?？傮w來看，4種顏色識別的敏感波長主要位于可見光波段,其次是紅邊和近紅外波段,而在短波紅外波段1 300～2 500 nm內(nèi)則不存在光譜識別的敏感波長。

圖3 統(tǒng)計差異顯著波長檢驗結(jié)果Fig.3 Statistical test of spectral difference wavelength

圖4 CART篩選的特征波段Fig.4 Characteristic bands selected by CART

表1 CART分類精度評價Tab.1 Classification accuracy evaluation of CART

表2 花/葉片之間的光譜可分性評價結(jié)果(高度可分)Tab.2 Results of spectral separability between flowers and leaves(good separability)

表3 花/葉片之間的光譜可分性評價結(jié)果(中度可分)Tab.2 Results of spectral separability between flowers and leaves(moderate separability)

3 討論

光譜數(shù)據(jù)降維方法應(yīng)確保植被關(guān)鍵特征的保留和冗余數(shù)據(jù)的剔除,單獨使用一種方法很難篩選出最合理的敏感波長[11],基于統(tǒng)計檢驗、CART和J-M距離3個層級的逐次降維能夠有效篩選不同植物種類花與葉片之間光譜區(qū)分的最優(yōu)波段。在本研究中統(tǒng)計檢驗的降維效率為66.0%,波長數(shù)目從2 151減少至732;進(jìn)一步使用CART算法的降維效率為33.1%,波長數(shù)目從732減少至490;隨后基于J-M距離篩選出的高度可分性波長數(shù)目降到111,降維效率為77.3%;總體降維效率達(dá)到94.8%。已有研究中,Adam等[11]、Fernandes等[12]及艾金泉等[13]使用層次分析法的總體降維效率分別約為97.9%、97.6%和96.7%,本文的研究與前人研究結(jié)果具有一致性。結(jié)果表明,聯(lián)合統(tǒng)計檢驗、CART和J-M距離的層次分析法可有效提取退化草甸白色、黃色、紫色花及綠色葉片之間的最優(yōu)敏感波段,光譜降維效率遠(yuǎn)高于傳統(tǒng)方法[6，9]。

退化草甸主要花與葉片顏色的光譜區(qū)分波長與相關(guān)色素的特征波長具有一致性。本研究發(fā)現(xiàn),在3種花之間,白花與黃花的光譜可分性最高,其次是黃花與紫花,這兩個類對之間基于敏感波段計算的J-M距離值均大于1.9。白花-黃花的光譜區(qū)分波段與類胡蘿卜素的敏感波段密切相關(guān),而黃花-紫花的光譜特征波段則與類胡蘿卜素和花青素的敏感波段有一定關(guān)聯(lián)。已有研究表明類胡蘿卜素的敏感波段在425～490 nm 、490～600 nm[25]以及1 039～1 085 nm 附近[22];綠光、紅光及紅邊位置則是花青素最敏感的波段范圍[26],在427～464 nm、635～690 nm波段花青素含量與反射光譜呈正相關(guān)[23]。本研究顯示,白花-黃花的特征識別波段主要集中在415～495nm,少部分集中在1 064～1 088nm,皆為類胡蘿卜素的敏感波段。黃花-紫花的特征識別波段位于1 052～1 055 nm,可能的原因在于類胡蘿卜素和花青素的敏感波長在可見光波段有一定重疊而難以區(qū)分,而在1 052～1 055 nm附近類胡蘿卜素的CH2結(jié)構(gòu)與光譜反射率有相關(guān)性[23],因而可以區(qū)分黃花和紫花。在花與葉片之間,白花與葉片可分性最高,白花-綠葉的光譜區(qū)分波段與葉片葉綠素的敏感波段有對應(yīng)關(guān)系。已有研究顯示紅和紅邊是葉綠素含量與光譜反射率之間密切相關(guān)的波段[24],其中紅邊位置是紅波段葉綠素強(qiáng)吸收和近紅外波段葉綠素內(nèi)部結(jié)構(gòu)多重散射造成的強(qiáng)反射而引起的光譜急劇變化區(qū)域[27]。本研究提取的白花-綠葉的光譜區(qū)分波段位于636～699 nm附近,進(jìn)一步從光譜可分性的角度驗證了前人研究結(jié)果。

退化草甸植物群落4種主要顏色之間均具有一定的光譜可分性,可為草地植被遙感分類提供科學(xué)的波段選擇依據(jù)。白色-黃色、白色-綠色和黃色-紫色三個類對的敏感波長計算的J-M距離值>1.9,具有最佳的光譜可分性。白色-紫色、黃色-綠色、紫色-綠色3個類對的敏感波長計算的J-M距離值在1.0～1.9之間,具有一定的光譜可分性和潛在的應(yīng)用價值。狼毒是青藏高原危害最嚴(yán)重的有毒入侵植物之一,盛花期狼毒頂花為白色,與綠色草地背景光譜差異明顯,本研究顯示紅、紅邊和近紅外區(qū)的636～699 nm波段對于白花和綠色葉片的光譜區(qū)分效果最佳,可為狼毒的遙感識別與監(jiān)測提供重要借鑒。黃色-綠色、紫色-綠色的敏感波段也為退化高寒草地其他主要毒雜草黃花棘豆、披針葉黃華、橐吾(Ligulariasibirica)(黃色花)和馬先蒿(Pedicularisreaupinanta)(紫色花)在盛花期的遙感識別奠定了光譜可分性基礎(chǔ),拓展了光譜分析技術(shù)在退化草地植被遙感動態(tài)監(jiān)測的應(yīng)用范圍。

4 結(jié)論

本研究基于在青海省祁連縣青陽溝實測的植物花和葉片光譜,采用Kruskal-Wallis檢驗、CART算法和J-M距離相結(jié)合的層次分析法提取青藏高原退化草甸主要物種花和葉片的最優(yōu)光譜識別波段,結(jié)論如下:

1)退化草甸白花、黃花、紫花及綠色葉片的反射光譜在380～1 300 nm波段存在明顯差異,特別是在700～1 300 nm波段隨著顏色加深反射率呈現(xiàn)下降趨勢,白花的反射率最高,綠色葉片的反射率最低。在1 300～2 500 nm波段4種顏色的反射光譜曲線變化趨于一致,均在1 400 nm和1 800 nm處存在明顯的水分吸收谷。

2)層次分析法通過逐次降維可有效篩選退化草甸主要物種花與葉片之間光譜區(qū)分的最優(yōu)敏感波段,Kruskal-Wallis和Dunn事后檢驗、CART算法和J-M光譜距離的降維效率分別為66.0%、33.1%和 77.3%,總體降維效率達(dá)到94.8%。

3)退化草甸植物群落四種主要顏色之間均具有一定的光譜可分性。其中,白花-黃花、白花-綠葉、黃花-紫花的敏感波長計算的J-M距離值>1.9,具有最佳的光譜可分性。白花-紫花、黃花-綠葉、紫花-綠葉的敏感波長計算的J-M距離值在1.0～1.9之間,具有一定的光譜可分性和潛在的應(yīng)用價值。

本研究顯示,花與葉片光譜識別的特征波長與色素的敏感波段密切相關(guān),不同色素的敏感波段存在一定重疊,可能會影響或降低不同顏色花與葉片之間的光譜可分性。采用光譜增強(qiáng)方法提高不同物種之間的光譜差異性,進(jìn)一步優(yōu)化花與葉片的光譜區(qū)分敏感波段,這方面的工作有待于進(jìn)一步開展。