基于高光谱遥感的树种识别

董元，董梦，单莹

(1.华北理工大学 矿业工程学院，河北 唐山 063210； 2.北京化工大学 文法学院，北京 100029；3.唐山市自然资源与规划局海港经济开发区分局，河北 唐山 063611)

0 引言

森林是陆地上最经济实用的二氧化碳吸收器，在全球气候变暖的今天森林对全球的环境保护发挥重要的作用。对森林树种进行精准识别是利用和保护森林资源的基础，具有重要的现实意义。目前进行森林树种调查方法主要依靠人工野外调查，这种方式不仅成本较高，且消耗时间多、周期较长、时效性较差，不宜进行大面积调查，无法满足相关部门对森林资源实时变化信息的需求。遥感技术具有宏观实时监测的优点，多光谱遥感已经应用到树种识别领域，但由于多光谱遥感光谱信息相对匮乏，不宜对不同树种之间细微的光谱差异进行分析，树种识别精度有待提高。高光谱遥感具有波段范围广、光谱分辨率高等特点，可以弥补多光谱遥感这一不足，将观测的地物以完整光谱曲线表示出来，有利于地物的精细识别与分类，为树种定性定量分析提供依据。利用高光谱对草地、农作物等进行精细研究比较常见，于成龙基于环境一号高光谱数据，利用决策树法提取主要农作物类型信息，总体精度达到88.71%[1]。顾留碗等通过对农作物光谱进行数据重采样和植被指数计算，研究常用植被指数和常用传感器的识别能力，识别精度最高达90.0%[2]。王岽等通过对不同形式光谱及高光谱特征参数进行分析，得出利用SDr建立的神经网络总体精度最高[3]。武红旗等利用便携式地物光谱仪对伊犁绢蒿叉毛蓬和伊犁绢蒿木地肤2个群落进行光谱采集，分别测定群落及主要植物的反射光谱，通过分析NDVI和RVI，探讨利用光谱特征和植被指数进行植被分类的可行性。结果表明，5月牧草返青期可以利用RVI分类[4]。安如等使用混合像元分解技术对高光谱影像和实测高光谱数据进行分析，将分类精度提高到84.2%[5]。王惠宁等利用便携式光谱仪测定草地地面光谱，采用单一波段进行反演时，反演精度随覆盖度增加而提高[6]。而森林冠层的反射光谱受到林木高度、设备自身因素的影响，获取较为困难，目前我国在这方面的研究还处于发展阶段。因此，对森林树种光谱特征进行分析，可以实现高光谱遥感树种分类，并可为森林分类及其科学经营管理提供有力的技术支持。该研究以USGS光谱库为数据源，选择了光谱库中的山杨树、枫树、橄榄树、核桃树和枞树5个树种冠层光谱，对这5种类型树种冠层的光谱变化特征及其差异性进行了对比分析和研究，并探讨了各个树种通过高光谱技术区分的可行性，以期为森林分类和动态监测提供理论依据。

1 光谱数据来源

USGS光谱库由USGS波谱实验室提供，含有1 994种地物波谱，包括涂料、人造材料、矿物、混合物、植物和挥发物。USGS植物波谱库波长范围为0.4～2.5 μm，包括17种植被波谱，近红外波长精度为0.5 nm，可见光波长精度为0.2 nm。

2 光谱数据处理

2.1 微分变换

通过光谱微分变换能够降低测量时环境或人为因素造成的影响，同时通过微分变换可以使光谱之间不易察觉的细微差异更加显著，在分离重叠波段的峰值方面效果为最显著[7]。

一阶微分：

(1)

式(1)中：ρ'表示一阶微分后的光谱值；λ表示原始光谱值；Δλ表示光谱值差值。

二阶微分：

(2)

式(2)中：ρ''表示二阶微分后的光谱值；λ表示原始光谱值；Δλ表示光谱值差值。

2.2 去除包络线

去除包络线是对光谱数据进行归一化的操作，将不同光谱曲线归一化到同一基准线上，不仅在抑制噪声方面效果显著，同时光谱曲线的吸收和反射特征也更加突出，便于分类和识别，尤其是对不同植被的识别更加有效[8]。

包络线去除公式：

(3)

式(3)中，S为原始光谱，C为包络线值。

2.3 植被指数

植被指数是光谱数据的线性或非线性组合，通过组合构建对研究具有特定意义的模型，来实现对地物信息的识别，同时在一定程度上对噪声具有消除作用。根据研究需要，使用植被指数进行树种识别，如表1所示。

3 光谱特征分析

3.1 原始光谱

原始的光谱曲线如图1所示。

通常情况下函数动点问题题目较长，题意也较为复杂，使学生逐渐形成相应的恐惧感。也就是学生在刚刚面对函数动点问题时，在心理上对自身进行了相应的否定。在长时间的影响下每当其遇到函数动点问题时，心理上会认为这一类问题难度相对较高，自己不能对其进行解决。针对学生的这种现状，教师应在学生刚刚接触到动点问题期间，结合实际教学需求与学生知识掌握情况制定完善的教学计划，实施专题训练，从低到高、从浅至深对各种问题类型进行总结，对合理的教学模式进行运用，培养学生函数动点问题解题积极性的形成，并在其问题解答期间形成相应的征服感。

图1 树种冠层原始反射率

从图1可以看出，5种树种冠层原始反射光谱曲线总体的走势一致; 在可见光350～500 nm波长范围内橄榄树的反射率明显高于其他树种，枫树和山杨树反射率相差不大，几乎一致; 在680 nm左右存在叶绿素的吸收峰; 在750～1 400 nm的波长范围内，5种树种反射率出现明显差别，橄榄树反射率最高，山杨树的反射率最低，枞树在这一波长区间光谱曲线形态与其他树种有着明显差异，可以作为原始反射率树种识别的重要研究区。在1 400～1 900 nm的光谱区间内，5种树种冠层原始反射率波形差异不大。造成这些光谱差异的原因很多，有树种本身的原因，包括树种本身结构、健康状况、含水量和叶片的细胞构造等方面的差异。

3.2 一阶微分

图2所示为树种冠层一阶微分反射率。

图2 树种冠层一阶微分反射率

一阶微分反映的是原始光谱曲线的斜率变化，一阶微分为正时，说明原始光谱处于上升阶段，反之，一阶微分为负，说明原始光谱处于下降阶段。由图2原始光谱一阶微分后的光谱曲线可知，5种树种的原始光谱总体变化趋势一致，但在350～500 nm存在显著差异，以411 nm处最为明显。同时在720 nm波段处橄榄树的一阶微分光谱与枞树差距最大。此外，在949 nm、1 143 nm、1 393 nm、1 885 nm、2 315 nm和1 508 nm波段附近树种的一阶微分光谱差距也较为显著，可作为树种识别波段。

3.3 二阶微分

树种的二阶微分光谱曲线如图3所示。

图3 树种冠层二阶微分反射率

二阶微分能够更好地放大光谱间细微差异。二阶微分光谱反映的是原始光谱曲线的弯曲状态，二阶微分光谱为正时，说明原始光谱曲线存在向下凹趋势，反之，二阶微分光谱为负时，说明原始光谱曲线存在向上凸的趋势。通过图3可以看出，原始光谱曲线凹凸比较明显的波段主要位于533 nm、694 nm、742 nm、1 133 nm、1 383 nm、1 408 nm、1 865 nm和1 895 nm波段附近，这些波段也是二阶微分差异最显著的波段，可以作为二阶微分光谱树种识别的显著波段。

3.4 去除包络线

图4所示为树种冠层去除包络线反射率。

图4 树种冠层去除包络线反射率

从图4可以看出，去除包络线光谱使得原始光谱的吸收特征更加明显，差异最为明显的波段有490 nm、680 nm、1 453 nm和1 915 nm，其中枫树在680 nm附近的吸收率最高，核桃树在1 453 nm附近的吸收率最低，可以作为去除包络线光谱树种识别的显著波段。

3.5 植被指数

通过表1的计算公式，计算出各个树种的植被指数的方差和标准差，如表2所示。

表2 树种植被指数的方差及标准差

通过计算得到的11种植被指数中CRI、GMI值均大于1，其它植被指数均位于0～1之间，mSR705和PRI为负值。植被指数的方差和标准差越大，说明其识别能力越强，通过分析表2可知，11种植被指数中方差和标准差最大的是CRI，分别为29.846 0和5.464 8，表明11种植被指数中CRI识别5种树种的能力最大；方差和标准差最小的是PRI，分别仅为0.000 4和 0.019 3，表明11种植被指数中PRI识别这5种树种的能力最小，因此11种植被指数识别5种树种的能力大小依次顺序为CRI>GMI>mSR705>VOG>SIPI>SRPI>NDVI>mND705>DVI>NPCI>PRI。

4 结论

(1)在原始冠层反射光谱方面，这5种树种冠层的反射光谱曲线总体趋势一致，在750～1 400 nm的波长范围内，5种树种反射率出现明显差别，橄榄树反射率最高。5种树种的原始冠层反射光谱曲线在350～500 nm 和750～1 400 nm波长段差异明显，是区别它们的适宜波段。

(2)根据对不同数据变换形式后光谱进行分析，筛选出最佳识别波长，一阶微分变换后的敏感波段有 411 nm、949 nm、1 143 nm、1 393 nm、1 885 nm、2 315 nm和1 508 nm；二阶微分变换后的敏感波段有533 nm、694 nm、742 nm、1 133 nm、1 383 nm、1 408 nm、1 865 nm和1 895 nm，去除包络线变换后敏感波段为490 nm、1 453 nm和1 915 nm。

(3)采用原始光谱计算的11种植被指数识别农作物能力从强到弱依次为CRI>GMI>mSR705>VOG>SIPI>SRPI>NDVI>mND705>RVI>NPCI>PRI。