基于冠层实测光谱的树种识别

刘育圳，程瑞彤，陈文惠，b*，林莉平

(福建师范大学 a.地理科学学院，b. 湿润亚热带山地生态国家重点实验室培育基地，福州 350007)

0 引言

森林生物多样性对维持森林生态系统服务、功能和稳定的重要性已得到充分承认[1]。由于人类活动和气候变化，全球的森林生物多样性遭到严重的破坏。从生态保护和管理的角度来看，特定物种的生长和产量模型或确定处理计划需要有关树种的信息[2]，因此，监测森林生物多样性是必不可少的。树种识别作为林业资源调查的主要内容之一，准确地描述森林地区的树种位置、分布和丰度是一项重要的任务，因为它可以推动森林的开发和管理政策，以及帮助森林管理者在许多领域做出可靠的决策[3-4]。地面调查和采用大比例尺的航拍是传统的树种识别野外调查手段，其成本高、耗时长、劳动密集，并且当遇到复杂的地理环境，将会给调查带来许多困难和增加调查的危险系数。与传统的野外调查手段相比，遥感技术为树种识别提供了一种实用、经济、高效的手段，特别是在大规模应用中[5]。如今，多种类型的遥感数据，包括超高分辨率航空摄影(空间分辨率<50 cm)、机载多光谱、高光谱和光探测及测距(激光雷达)数据，已经被广泛应用于森林树种分类[6]，利用高光谱遥感技术能够极大地改善物种特征的识别和分类精度。

国内外学者利用高光谱遥感技术对树种进行识别已有大量研究。Wietecha M等基于HySpex VNIR-1800和SWIR-384机载高光谱影像通过SVM分类法对波兰西南部的米利兹林区的黑桤木、有花序的橡树、银桦树和欧洲山毛榉进行识别研究[4]。Modzelewska A等利用迭代支持向量机法从机载高光谱HySpex数据中识别出波兰地区的7个树种和包含其他阔叶的附加类[7]。Richter R等利用机载高光谱数据通过PLS-DA的基于多数的判别分析分类方法对莱比锡河畔森林进行树种分类[8]。Shi等利用高光谱数据中的3个植物功能性状对德国天然森林的5种树种进行分类[9]。Harrison等基于叶子的长波高光谱数据通过随机森林分类法对哥斯达黎加的热带干燥森林进行树种识别[10]。宫鹏等利用实测的夏、秋两季的高光谱数据对美国加州主要的6种针叶树种进行分类研究[11]。王志辉等对不同树种进行光谱特征分析，并将其应用于4种南方常见的树种分类[12]。李永亮等利用高光谱数据基于BP神经网络法对攸县黄丰桥国有林场的马尾松成熟林、荷花玉兰幼龄林和樟树幼龄林进行识别研究[13]。刘秀英等对马尾松和杉木原始光谱、数学变换光谱和植被指数数据基于逐步判别分析法进行识别研究[14]。闫晓勇等通过光谱特征参量的选取，结合逐步判别分析法对南疆盆地主栽的5种果树进行识别[15]。臧卓等利用PCA算法先对乔木树高光谱数据进行降维处理，然后用4种分类技术对乔木树种进行分类研究[16]。高光谱遥感技术还广泛应用于矿物识别、植被的生化组分估算和病虫害监测等。本研究采用去包络线法对高光谱数据进行处理，并进行光谱特征参量选取，从而对三明野外科学站的4种树种进行分类识别，为将来在该地区的机载高光谱遥感树种识别提供技术支持。

1 研究区与数据采集

1.1 研究区概况

研究区位于福建省三明市莘口镇的三明森林生态系统与全球变化野外科学观测研究站(地理坐标25°30′N～27°54′N，116°16′E～118°09′E)，本区气候类型为中亚热带季风气候，多年平均气温为12～20 ℃，多年平均日照时数1 792～1 871 h，多年平均降雨量为1 500～2 000 mm以上，降雨主要集中在3—9月；本区属于丘陵地貌，平均海拔为210 m，坡度介于25°～35°之间。该造林研究点主要有13种类型的树种[17]，包括木荷(Schimasuperba)、樟树(Cinnamomumcamphora)、香叶(Linderacommunis)、黄山栾树(Koelreuteriabipinnata)、杜英(Elaeocarpusdecipiens)、马褂木(Liriodendronchinense)、米槠(Castanopsiscarlesii)、杉木(Cunninghamialanceolata)、枫香(Liquidambarformosana)、马尾松(Pinusmassoniana)、火力楠(Micheliamacclurei)、无患子(Sapindus)和红叶石楠(Photiniafraseri)。

主要选取4种常见树种作为研究对象，两种常绿针叶树种：马尾松，杉木，两种常绿阔叶树种：米槠，香叶树。

1.2 光谱数据采集

利用美国ASD公司的FieldSpec3便携式地物光谱仪进行野外冠层光谱测量，该仪器能够测量的波长范围为350～2 500 nm，在350～1 000 nm采样间隔为1.4 nm，在1 001～2 500 nm采样间隔为1.1 nm，光谱仪器输出时，其会自动进行间隔为1 nm的光谱数据重采样，输出的通道数为2 150。光谱采集时间为2018年7月15日至17日，在北京时间12：00—14：00(正午太阳高度角变化不大对光谱测量结果影响较小)天气晴朗无风无云的环境下对样本的冠层光谱进行测量。每种树种测量前，对准标准参考板进行定标校准，得到接近100%的基线，然后对准目标树种进行测量。测量时，传感器探头的视场角为25°，探头定位时需避免阴影，垂直向下，距离树冠1 m左右。为了获取一致的测量结果，测量员应面向阳光。为了保证数据的准确性和有效性，每隔10 min进行一次标准白板校正。测量过程中，及时记录下测量点的GPS数据，并对点位周围的环境进行拍照以便为日后的图像解译和光谱重建提供一定的支持依据。同树种的生长状况不同，其光谱特征有一定差异，所以采样时同一树种选择成长期相同的样本，以避免问题复杂化。每个树种在4个区域各选取10个样本，每种树种各测量40个样本，每个样本测定10条光谱曲线，用来求得每个树种平均值，以此降低噪声和随机性的影响。

2 方法

2.1 光谱数据预处理

从实测光谱的测量结果看，野外实测的树种光谱数据由于受到环境、测量仪器和目标地物本身光谱特性等多种因素的影响。剔除每个树种有明显异常的光谱曲线，由于350～400 nm和1 700～2 500 nm波段范围光谱曲线受噪声影响较大，因此将它们去除[18-19]。光谱平滑能够很有效地去除光谱数据中高频噪声，本研究采用S-G虑波平滑，设定的平滑窗口的大小为21，多项式的次方数设为3，然后对符合要求的同一样本的光谱曲线进行平滑。同时，考虑到野外测量易受到大气中水汽的影响，去除水汽影响严重的波段范围1 348～1 460 nm。为了保证光谱数据的准确性，选取400～1 348 nm波段进行研究分析。

2.2 高光谱数据变换

高光谱数据经过平滑和去噪后，在一定程度上抑制了低频噪声对最终分类的影响[20]。但仍需要进一步消除混合背景因素(如土壤、岩石与非目标植被等)和日照条件所带来的影响。

光谱变化是指利用数学运算的方式对高光谱数据进行变换，以获取不同研究目标间的光谱差异，提取光谱曲线的敏感波段，提高研究目标的分类精度。常用的光谱变换方法有导数变换原理、对数变换及对数一阶微分变换、归一化变化及归一化一阶微分变换等。

2.2.1一阶微分变换

在不同树种间曲线斜率相近的位置，其一阶微分值也非常接近。这有利于限制低频背景光谱，比如凋落物、死亡植物及土壤光谱对目标光谱的影响[20]。一阶微分原理如下：

(1)

式(1)中：R′(λ)是光谱的一阶微分值，Δλ是相邻波段的宽度值，λi是每个波段的波长。

2.2.2包络线去除

包络线去除具有增强感兴趣吸收特征的特点[21]，能够有效突出光谱曲线的吸收、反射和发射特征[22]，有利于和其他光谱曲线进行特征数值的比较。

2.3 光谱特征参量选取

图 1 4种树种冠层原始光谱曲线 Figure 1 Original spectral curves of the canopy of the four species

光谱特征参量是指波段特定位置的波长值、反射率值和微分变换最值、面积值等，既能够增加信息的负荷、增大波段间的差异，又能减少外界因素的影响[23]，可以很好地表达光谱曲线的走势。它们相互间具有一定的代表性和独立性，在达到光谱降维的同时突出光谱特征。本研究应用到的光谱特征参量主要有3种：位置变量、面积变量和比值植被指数变量。表1列出了17个特征参数[20，24]。

表1 高光谱特征参量及描述 Table 1 Hyperspectral characteristic parameters and description

3 结果与分析

根据马尾松、米槠、杉木和香叶实测的冠层光谱数据，对首尾受噪声影响和水汽影响的波段和异常值进行剔除，再分别进行光谱的均值处理，运用软件绘制冠层原始光谱曲线图，结果如图1。从总体上，4种树种的原始光谱曲线相互间存在着差异(图1)。这是由于不同树种叶面积大小，叶子的叶绿素含量、内部结构、含水量等参数存在一定的差异[25]，但是它们整体的变化趋势基本一致，因为影响光谱反射的主要元素相同，4种树种呈现出典型的植被光谱曲线特征。在400～500 nm波段之间，光谱反射率曲线变化趋于平缓，并且反射值较低，都处于0.05以下；随着波长的增大，反射率值也逐渐增大，在545 nm左右呈现出一个反射率值在0.1上下波动的小反射峰，这主要是由于叶绿素对绿光有很强的反射作用的影响；在670 nm附近由于叶绿素对红光吸收作用强，因此形成了“红谷”。在680～750反射率急剧上升形成“红边”。

4种树种间存在着一些微小差异(图1)，如在红和近红外波段的反射率为马尾松>香叶>米槠≈杉木，但是在光谱曲线基本一致的情况下，想要直接从中获取光谱特征，还需要对光谱曲线做进一步的处理，来突出植被的光谱特征。本研究对4种树种的光谱曲线进行一阶微分、去包络线、去包络线后一阶微分处理。图2为4种树种一阶微分曲线图，图3表示以马尾松为例的原始光谱曲线和去除包络线曲线，图4表示为以马尾松为例的一阶微分曲线和去包络线后一阶微分曲线，通过软件计算得到去除包络线的光谱特征参量绿峰放射率(Rg)、红谷反射率(Ro)、蓝边面积(SDb)、黄边面积(SDy)和红边面积(SDr)等(表2)。

表2 4种树种去除包络线的光谱特征参数值 Table 2 Spectral characteristic parameter values of continuum removal of four tree species

图2 4种树种一阶微分曲线 Figure 2 First-order differential curves of four tree species

图3 马尾松原始光谱和去包络线曲线 Figure 3 Curve of the original spectrum and continuum removal of Pinus massoniana

图4 马尾松一阶微分和去包络线后一阶微分曲线 Figure 4 First-order differential and first order differential curve after continuum removal of Pinus massoniana

由图2知，对4种树种的冠层原始光谱数据进行一阶微分处理后，削弱了低频背景光谱的影响。4种树种一阶微分曲线的趋势也基本一致，他们之间的差异并不明显，在720～730 nm波段范围内，马尾松的一阶微分值大于0.010，其余3种树种在0.009左右，马尾松具有一定的区分度。

由图3可以看出，马尾松的原始光谱曲线经过包络线去除处理后，光谱曲线在可见光波段呈现出了更显著的吸收，反射特征，如545 nm附近的小反射峰更加显著。又由图4知原始光谱去包络线后进行一阶微分处理的效果后能更好地突出植被的光谱特征，如510～560 nm内的“绿峰”，680～750 nm之间的“红边”。

从表2可以看出，4种树种在包络线去除处理后光谱特征参数存在差异。基于高光谱位置变量，4种树种的蓝边位置表现为米槠>杉木>马尾松>香叶，黄边位置红边位置表现为马尾松>米槠>杉木>香叶，绿峰反射率表现为香叶>杉木>马尾松>米槠，红谷反射率表现为杉木>香叶>米槠>马尾松。基于高光谱面积变量，4种树种的蓝边面积呈现为香叶>马尾松>杉木>米槠，黄边面积呈现为香叶>杉木>马尾松>米槠，红边面积呈现为马尾松>米槠>香叶>杉木。基于高光谱比值植被指数，4种树种的绿峰反射率与红谷反射率的比值表现为马尾松>香叶>米槠>杉木，绿峰反射率与红谷反射率的归一化值表现为马尾松>香叶>米槠>杉木。红边面积与蓝边面积的比值表现为米槠>杉木>马尾松>香叶。红边面积与黄边面积的比值表现为米槠>马尾松>杉木>香叶。红边面积与蓝边面积的归一比值表现为米槠>杉木>马尾松>香叶，红边面积与黄边面积的归一比值表现为米槠>马尾松>杉木>香叶。

4种树种的蓝边位置和黄边位置的差异不大，难以将4类树种进行区分，其中马尾松、米槠和杉木的值在720 nm左右，而香叶的值和其他差异较大，出现了“红边”向蓝光方向移动(称蓝移)，这是由于植被遭受病虫害或被污染或者是物候变换而“失绿”导致“红边”位移。根据“蓝移”这一特征，能够很好地将香叶和其他树种树种区别开来，但另外3种树种的区别不大，不好区别。同样根据香叶的蓝边面积最大、黄边面积最大、红边面积与蓝边面积的比值和归一化比值最小、红边与黄边面积比值和归一化比值最小，也能将其与其他3类树种区别开来。

马尾松的红谷反射率最小、红边面积最大、绿峰反射率与红谷反射率的比值最大、绿峰反射率与红谷反射率的归一化值最大，而杉木恰好相反，其红谷反射率值最大、红边面积最小、绿峰反射率与红谷反射率的比值最小、绿峰反射率与红谷反射率的归一化值最小，根据这4个光谱特征参数可以将马尾松和杉木区分出来。米槠的蓝边面积最小、黄边面积最小、红边面积与蓝边面积的比值和归一化比值最大、红边与黄边面积比值和归一化比值最大。根据这6个特征参量，能够很好地将米槠区别出来。

4 结论与讨论

高光谱数据具有多波段、高分辨率和图谱合一的特点，可以为具有相似光谱曲线的不同树种提供一定的光谱反射信息。本研究利用美国ASD公司生产的FieldSpec3便携式地物光谱仪，对三明野外科学观测研究站的马尾松、米槠、杉木和香叶树进行了地面调查和野外实测高光谱数据。通过树种的原始光谱曲线分析发现，4种常见树种的光谱特征相似，想要详细地将它们区分出来，需要利用效果更佳的高光谱分析法。研究得出以下结论：

(1)平滑处理后的数据去包络线后进行一阶微分变换处理的光谱曲线相比平滑后直接进行一阶微分处理的光谱曲线更能突出光谱的吸收和反射特征。一阶微分法削弱噪声影响的同时增强了4种树种在蓝光、绿光和红光波段范围内的光谱差异。

(2)不同树种的叶片厚度、叶片色素含量、叶片含水量和细胞组织结构等参量存在差异，导致不同树种有着不相同光谱特征参量。根据“红边”位置产生“蓝移”的现象可以很好地将香叶区分出来。基于蓝边面积和红边面积的高光谱特征参数值则可以将米槠和马尾松、杉木很好地区别开来。利用红谷反射率，红谷反射率与绿峰反射率的比值和归一化比值，能够区分马尾松和杉木。

本研究基于光谱特征参数对三明森林生态系统与全球变化野外科学观测研究站的4种树种识别取得了较好的成果，为将来该地区其他物种的识别提供一定的参考依据，也有助于深入开展机载高光谱遥感树种的识别研究。

由于时间和科研条件的限制，本研究只涉及一个季节4种南方树种的高光谱识别研究，不同树种在不同季相和不同空间上光谱识别，同一树种在不同环境下的光谱特征有何区别，需要进一步的研究。虽然本次的样本数量基本能够满足树种识别研究，但样本数量仍偏少，且部分的实测光谱数据测量结果不够理想，存在异常，今后可以继续增加样本的数量、选取不同季相(如早春、夏天、秋天)、不同研究点的同一树种实测高光谱数据进行验证与研究，增加树种识别研究的普适性。