柴穎， 阮仁宗， 柴國武， 傅巧妮

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，南京　210098； 2.河南省南陽水文水資源勘測局，南陽　474500)

?

基于光譜特征的濕地植物種類識別

柴穎1， 阮仁宗1， 柴國武2， 傅巧妮1

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，南京210098； 2.河南省南陽水文水資源勘測局，南陽474500)

摘要：光譜特征的選擇對于濕地植被的識別精度和效率有直接的影響作用。以美國舍曼(Sherman)島水域為研究區(qū)，基于HyMap航空高光譜遙感影像數(shù)據(jù)，分析濕地植被的一階微分光譜和光譜吸收特征，利用逐步判別分析法篩選識別精度較好的光譜特征參數(shù)參與C4.5決策樹分類。結(jié)果表明： 4種濕地植被的一階導(dǎo)數(shù)光譜特征差異較小，吸收特征差異性相對較大； 基于一階微分光譜特征和光譜吸收特征利用C4.5決策樹進(jìn)行分類，可以實現(xiàn)濕地植被在物種水平上的識別，并達(dá)到較好的分類精度。

關(guān)鍵詞：高光譜遙感； 光譜特征； 濕地植被；HyMap

0引言

近年來，高光譜遙感技術(shù)在濕地植被的精細(xì)識別和分類方面的應(yīng)用逐漸增多。由于高光譜遙感數(shù)據(jù)具有波段多、信息量大、信息冗余等特點，如何對高光譜數(shù)據(jù)進(jìn)行降維處理是國內(nèi)外學(xué)者研究的重點問題之一[1]。Hestir等采用光譜角分類器對美國加州三角洲的入侵水生植物進(jìn)行了物種識別和分類制圖[2]； 邱琳等基于均值置信區(qū)間估計原理篩選高光譜特征波段得到光譜差異顯著的波段從而進(jìn)行濕地植物信息的提取[3]； 劉雪華等采用馬氏距離和主成分分析法對高光譜數(shù)據(jù)進(jìn)行降維，利用提取的光譜信息構(gòu)建濕地植物判別模型[4]。然而，這些學(xué)者大多通過分析光譜差異進(jìn)行濕地植物分類研究，目前基于高光譜影像利用光譜特征識別濕地植被種類和組成的研究尚未深入展開。

本文以高光譜和高空間分辨率的HyMap航空遙感影像數(shù)據(jù)為數(shù)據(jù)源，基于地面實測數(shù)據(jù)在影像上提取典型濕地植被的反射光譜，利用光譜微分法和連續(xù)統(tǒng)去除法分析濕地植物的光譜特征，基于逐步判別分析法篩選識別精度較好的光譜特征參數(shù)參與C4.5決策樹分類，使?jié)竦刂脖贿_(dá)到物種水平上的識別。研究結(jié)果可為深入進(jìn)行濕地資源調(diào)查和濕地變化檢測等提供科學(xué)依據(jù)。

1研究區(qū)概況

薩克拉門托-圣華金三角洲(Sacramento-SanJoaquinDelta)位于美國加利福尼亞州西北部薩克拉門托河(SacramentoRiver)與圣華金河(SanJoaquinRiver)的交匯處。2條河流經(jīng)舊金山灣流入太平洋。三角洲流域面積為4.5萬km2，是加州的淡水輸送系統(tǒng)的主要樞紐[5]。三角洲的水力學(xué)異質(zhì)性體現(xiàn)在該處水體的鹽度、潮汐通量、水深的多變以及淡水流量極端的季節(jié)與年際變化[5]。一般時候淡水均從各支流順流流入薩克拉門托-圣華金兩河，再流入海灣； 而漲潮時咸水可倒流入至三角洲的上游部位。三角洲淡水流量有明顯的季節(jié)性變化特征： 冬季的平均流量約1 700m3/s，夏季平均流量則約為540m3/s[6]。

本文選取沉水植被巴西水草、浮水植被水葫蘆、挺水植被蒲草及岸棲植被辣椒水草4種研究區(qū)比較典型的植物群落作為研究對象。

2研究方法

2.1數(shù)據(jù)獲取及其預(yù)處理

研究區(qū)域的高光譜遙感數(shù)據(jù)來源于成像光譜儀HyMap的航攝影像，航攝時間為2007年6月19—21日，航高1 500m，空間分辨率3m。

HyMap是澳大利亞HyVista公司研制的航空成像光譜儀，共126個波段，光譜分辨率由12～16nm不等，波段范圍為0.450～2.543μm。

飛行路線貫穿整個三角洲，共64條航帶。本文研究區(qū)為第42，43和44航帶上的舍曼(Sherman)島水域(圖1)。

圖1　研究區(qū)的地理位置圖

本文野外實測樣點的點位數(shù)據(jù)均利用GPS獲得，平面精度約1m。實測時記錄了樣點植被的種類、蓋度和位置等屬性。每個樣點都拍攝2張照片，一張為樣本整體景觀，另一張為近距離單個植株。每張照片都與相應(yīng)的點位、拍攝時間建立了關(guān)聯(lián)，方便后續(xù)參考和計算。

HyMap數(shù)據(jù)已由HyVista公司進(jìn)行了幾何糾正和大氣校正。本文僅對11個位于大氣水汽吸收帶的波段和1個數(shù)據(jù)錯誤波段進(jìn)行了剔除； 然后在B29(R)B15(G)B8(B)假彩色合成圖像基礎(chǔ)上數(shù)字化提取水域邊界。

2.2光譜特征提取

2.2.1光譜導(dǎo)數(shù)計算

光譜微分法能夠?qū)⒃脊庾V曲線的變化趨勢和曲率等特征進(jìn)行放大，進(jìn)而確定光譜曲線的變化區(qū)域。一階導(dǎo)數(shù)光譜能反映出植物中葉綠素等物質(zhì)吸收產(chǎn)生的波形變化，并揭示光譜峰值特征[7]。因此，將一階光譜微分法應(yīng)用于本次濕地植被的研究，以期能夠獲取濕地植被識別的最佳波段。

一階微分光譜的計算方法為[8]

ρ′(λi)=[ρ(λi+1)-ρ(λi-1)]/2Δλ,

(1)

式中： λi為波段i的波長； ρ′(λi)為波長λi的一階微分光譜；Δλ為波長λi-1到λi的間隔，視波段波長而定。

2.2.2光譜吸收特征提取

地物光譜曲線反映了地物的吸收和反射特征。濕地植被在可見光和近紅外光譜范圍內(nèi)，由于受葉綠素和水體吸收作用的影響存在著精細(xì)的光譜吸收特征，可以通過定義光譜吸收特征參數(shù)來定量描述。因此，從光譜曲線中提取的光譜吸收特征參數(shù)可以用來對濕地植被進(jìn)行識別和分類。主要的光譜吸收特征量化參數(shù)有5種[8]，如下所示。

1)吸收深度(H)。歸一化值為1的曲線和吸收谷的最小值之間的垂直距離。

2)吸收面積(A)。歸一化值為1 的曲線與吸收谷之間的面積。

3)吸收對稱度(S)。 其公式為

S=AL/A,

(2)

式中： AL為吸收谷左半端的面積； A為吸收谷整體面積。

4)吸收斜率(K)。其公式為

K=(Re-Rs)/(λe-λs) ,

(3)

式中： λs,Rs分別為吸收谷起始點和對應(yīng)反射率； λe,Re分別為吸收谷終點和對應(yīng)反射率。

5)光譜吸收指數(shù)(SAI)。其公式為

(4)

式中吸收對稱性參數(shù)d可表達(dá)為

d=(λe-λp)/(λe-λs) ，

(5)

其中λp和Rp分別為吸收點p的波長位置和對應(yīng)反射率。

2.3逐步判別分析法

通過逐步判別分析可以對濕地植物識別具有最大判別能力的光譜特征參數(shù)篩選出來[9]。本文基于SPSS軟件進(jìn)行逐步判別分析。

2.4C4.5決策樹

1993年Quinlan提出C4.5算法，該算法改進(jìn)了ID3算法，用信息增益率取代了ID3算法中的信息增益來選擇決策樹的測試屬性。信息增益率為

R=G/S,

(6)

式中: 信息增益率R為信息增益G與分割信息量S的比值。C4.5算法選取信息增益率最大的測試屬性值作為節(jié)點，生成決策樹[10]。

3光譜特征分析與植被信息提取

3.1光譜特征分析

根據(jù)GPS采樣數(shù)據(jù)的屬性信息，選取單種植被蓋度為80%～100%的629個實測點為樣本點，其中訓(xùn)練樣本點370個，驗證點259個，如表1所示。根據(jù)訓(xùn)練樣本在影像上提取光譜曲線，由于波長大于1.343 6μm(中紅外)的波段受水體的影響較大，因此僅對0.452～1.343 6μm波段進(jìn)行分析。

表1　研究區(qū)地物類別樣本情況

(a) 原始曲線 (b) 一階導(dǎo)數(shù)曲線 (c) 光譜連續(xù)統(tǒng)去除

圖2不同變換方法的光譜曲線

Fig.2Spectralcurveswithdifferenttransformationmethods

從圖2(a)可以看出，4種濕地植物的光譜曲線都呈現(xiàn)出典型綠色植物特有的光譜特征。不同水分梯度下的濕地植物由于水體背景噪聲的影響，光譜特征(特別是在近紅外波段)有著明顯的差距。

4種植被的一階微分光譜曲線如圖2(b)所示。不同植被在0.52μm,0.73μm和1.01μm附近有3個較明顯的反射率增速極值； 在0.94μm,1.13μm和1.30μm分別達(dá)到反射率減速最快的極點，且在這些極值點上的光譜值差異較大。因此，本文選擇差異比較明顯的波段0.511～0.526 6μm,0.694 6～0.74μm,0.929 9～0.945 5μm,0.992 9～1.024 2μm,1.115 5～1.159 5μm,1.288 2～1.330 2μm共17個光譜值用于物種識別研究。

分析研究區(qū)典型濕地植被光譜曲線，發(fā)現(xiàn)不同種類濕地植物由于含水量、葉綠素含量和細(xì)胞結(jié)構(gòu)的差異，在0.452～0.542μm，0.572 3～0.74μm，0.929 9～1.070 3μm和1.115 5～1.260 2μm波段存在4個差異明顯的吸收谷。因此采用連續(xù)統(tǒng)去除法[11]對這4個吸收波段進(jìn)行歸一化處理(圖2(c))，進(jìn)而深入分析植被光譜的吸收特征。

根據(jù)原始光譜計算斜率(K)和光譜吸收指數(shù)(SAI)，對光譜連續(xù)統(tǒng)去除后的吸收深度做進(jìn)一步計算，得到各吸收波段的吸收深度(H)、吸收谷面積(A)和對稱度(S)。濕地植物在4個吸收谷的特征參數(shù)表現(xiàn)不同，有的差異明顯，有的變化則比較穩(wěn)定(表2)。巴西水草由于沉入水中，在第3，4吸收波段的吸收谷最大； 而辣椒水草在第1，2，4波段的吸收谷最小。這些特征可通過吸收深度(H)和吸收谷面積(A)等來定量描述。4種植物在綠光和近紅外區(qū)間的反射峰值存在差異，可通過斜率(K)和光譜吸收指數(shù)(SAI)使光譜特征信息差距加以突出。

表2　不同濕地植被在4個吸收谷處的吸收特征分析

3.2特征選擇

由于提取的參數(shù)眾多，特征重疊，所以在建模之前需進(jìn)行參數(shù)選擇，對一階微分的17個波段和20個光譜吸收特征參數(shù)進(jìn)行了逐步判別分析。其中求解過程中，逐步選擇變量的方式采用馬氏距離，判別函數(shù)系數(shù)選擇Fisher判別方程的系數(shù)。最終判別結(jié)果如表3所示。

表3　不同變化方法的植被識別精度及入選特征

3.3基于C4.5算法構(gòu)建決策樹

基于歸一化差分水體指數(shù)[12](normalizeddifferencewaterindex,NDWI)剔除研究區(qū)的水體信息，將逐步判別體分析法入選的14個特征參數(shù)作為測試變量，水葫蘆、巴西水草、辣椒水草、蒲草和其他植被作為目標(biāo)變量，將5類地物的ROI文件和14個測試變量合并?；贛atlab處理[13]，本研究共構(gòu)建出57個節(jié)點，28條知識規(guī)則。

4分類結(jié)果與精度評價

利用上述方法，得到的分類結(jié)果見圖3。

圖3　研究區(qū)域濕地植被信息提取結(jié)果圖

從圖3可知，蒲草和辣椒水草主要分布于淺灘上，石蓮花(屬其他植被類)主要分布在水域中流速較緩的區(qū)域，巴西水草則分布在離岸有一定距離，河水有一定深度的區(qū)域。

對照樣點的實測資料，對分類結(jié)果進(jìn)行精度評價，生成的混淆矩陣如表4所示。分類總精度達(dá)到84.17%，Kappa系數(shù)達(dá)到0.801 7，表明本文的分類結(jié)果具有較高的精度。

表4　典型濕地植被分類結(jié)果精度

5結(jié)論

本文基于HyMap高光譜航空遙感數(shù)據(jù)提取濕地植物光譜曲線，定量分析不同種類濕地植物的光譜特征，進(jìn)行濕地植物種類識別研究，取得的主要結(jié)論如下：

1)研究發(fā)現(xiàn)，4種濕地植被由于葉綠素含量和細(xì)胞結(jié)構(gòu)的差異，在0.452～0.542μm, 0.572 3～0.74μm,0.929 9～1.070 3μm和1.115 5～1.260 2μm波段存在4個差異明顯的吸收谷，可以通過固定的吸收波段來分析不同植物光譜的吸收特征。

2)通過對一階微分光譜和光譜吸收特征參數(shù)進(jìn)行逐步判別分析可知,4種濕地植被的一階導(dǎo)數(shù)光譜特征差異較小，吸收特征差異性相對較大。這是因為濕地植物特殊的生存環(huán)境，光譜反射率受背景水體的影響較大，由于受水體吸收作用的影響，其光譜吸收特征的識別效果更好。

3)基于一階導(dǎo)數(shù)光譜特征和光譜吸收特征，采用C4.5決策樹分類法可以使?jié)竦刂参锏淖R別達(dá)到物種水平上，獲得較好的分類精度。

參考文獻(xiàn)(References)：

[1]柳萍萍,林輝,孫華,等.高光譜數(shù)據(jù)的降維處理方法研究[J].中南林業(yè)科技大學(xué)學(xué)報,2011,31(11):34-38.

LiuPP,LinH,SunH,etal.DimensionalityreductionmethodofhyperionEO-1data[J].JournalofCentralSouthUniversityofForest,2011,31(11):34-38.

[2]HestirEL,KhannaS,AndrewME,etal.IdentificationofinvasivevegetationusinghyperspectralremotesensingintheCaliforniaDeltaecosystem[J].RemoteSensingofEnvironment,2008,112(11):4034-4047.

[3]邱琳,林輝,臧卓,等.基于均值置信區(qū)間帶的濕地植被高光譜特征波段選擇[J].中南林業(yè)科技大學(xué)學(xué)報,2013,33(1):41-45.

QiuL,LinH,ZangZ,etal.Hyper-spectralcharacteristicbandselectionforwetlandvegetationbasedonmeanconfidenceinterval[J].JournalofCentralSouthUniversityofForestryandTechnology,2013,33(1):41-45.

[4]劉雪華,孫巖,吳燕.光譜信息降維及判別模型建立用于識別濕地植物物種[J].光譜學(xué)與光譜分析,2012,32(2):459-464.

LiuXH,SunY,WuY.Reductionofhyperspectraldimensionsandconstructionofdiscriminatingmodelsforidentifyingwetlandplantspecies[J].SpectroscopyandSpectralAnalysis,2012,32(2):459-464.

[5]LawrenceRL,WoodSD,SheleyRL.MappinginvasiveplantsusinghyperspectralimageryandBreimanCutlerclassifications(randomForest)[J].RemoteSensingofEnvironment,2006,100(3):356-362.

[6]JassbyAD,CloernJE.OrganicmattersourcesandrehabilitationoftheSacramento-SanJoaquinDelta(California,USA)[J].AquaticConservation:MarineandFreshwaterEcosystems,2000,10(5):323-352.

[7]BeckerBL,LuschDP,QiJG.IdentifyingoptimalspectralbandsfrominsitumeasurementsofGreatLakescoastalwetlandsusingsecond-derivativeanalysis[J].RemoteSensingofEnvironment,2005,97(2):238-248.

[8]浦瑞良,宮鵬.高光譜遙感及其應(yīng)用[M].北京:高等教育出版社,2000:51-61.

PuRL,GongP.HyperspectralRemoteSensingandItsApplications[M].Beijing:HigherEducationPress,2000:51-61.

[9]FungT,MaHFY,SiuWL.Bandselectionusinghyperspectraldataofsubtropicaltreespecies[J].GeocartoInternational,2003,18(4):3-11.

[10]時王俠.基于粗糙集理論和C4.5算法相結(jié)合的遙感影像分類研究[D].福州:福建師范大學(xué),2008.

ShiWX.TheClassificationofRemoteSensingImageBasedonRoughSetsandC4.5Algorithm[D].Fuzhou:FujianNormalUniversity,2008.

[11]徐元進(jìn),胡光道,張振飛.包絡(luò)線消除法及其在野外光譜分類中的應(yīng)用[J].地理與地理信息科學(xué),2005,21(6):11-14.

XuYJ,HuGD,ZhangZF.Continuumremovalanditsapplicationtothespectrumclassificationoffieldobject[J].GeographyandGeo-InformationScience,2005,21(6):11-14.

[12]McFeetersSK.Theuseofthenormalizeddifferencewaterindex(NDWI)inthedelineationofopenwaterfeatures[J].InternationalJournalofRemoteSensing,1996,17(7):1425-1432.

[13]劉剛.MATLAB數(shù)字圖像處理[M].北京:機械工業(yè)出版社,2010:35-39.

LiuG.MATLABDigitalImageProcessing[M].Beijing:ChinaMachinePress,2010:35-39.

(責(zé)任編輯： 邢宇)

Species identification of wetland vegetation based on spectral characteristics

CHAI Ying1, RUAN Renzong1, CHAI Guowu2, FU Qiaoni1

(1. School of Earth Sciences and Engineering, Hohai University, Nanjing 210098, China; 2. Hydrology and Water Resources Rureau of Henan Province, Nanyang 474500, China)

Abstract:Certainspectralcharacteristicshaveadirectimpactonaccuracyandefficiencyofidentifyingthewetlandvegetation.Inthispaper,theauthorsmappedwetlandvegetationwith3mspatialresolutionforHyMapimagedatafromShermanIslandofCalifornia’sSacramento-SanJoaquindelta.Thefirst-derivativespectralfeaturesandspectralabsorptionfeaturesofdifferentspecieswereanalyzedbythemethodofstepwisediscriminateanalysis,andthespectralcharacteristicparameterswithbetterclassificationaccuracywerescreenedtoidentifyspeciesofwetlandvegetationinC4.5decisiontreeclassifier.Theresultsshowedthattheabsorptionfeaturesoffourplantshavelargerdifferencesthanfirst-derivativespectralfeatures.TheresultsalsoshowedthatC4.5decisiontreeclassifierincombinationwiththefirst-derivativespectralcharacteristicsandspectralabsorptioncharacteristicscouldbeeffectiveindistinguishingwetlandvegetationandallowingforspecies-leveldetection.

Keywords:hyperspectralremotesensing;spectralcharacteristics;wetlandvegetation;HyMap

doi:10.6046/gtzyyg.2016.03.14

收稿日期：2015-01-21；

修訂日期：2015-02-16

基金項目：中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(編號：XDA05050106)和生態(tài)十年專項項目“復(fù)雜背景下地物信息提取規(guī)則集構(gòu)建”(編號：STSN-01-05)共同資助。

中圖法分類號：TP751.1

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-070X(2016)03-0086-05

第一作者簡介：柴穎(1992-)，女，碩士研究生，主要從事生態(tài)遙感與GIS研究。Email:elysee115@163.com。

通信作者：阮仁宗(1965-)，男，副教授，主要從事遙感與GIS等方面研究。Email:ruanrenzong@163.com。

引用格式： 柴穎，阮仁宗，柴國武,等.基于光譜特征的濕地植物種類識別[J].國土資源遙感,2016,28(3):86-90.(ChaiY,RuanRZ,ChaiGW,etal.Speciesidentificationofwetlandvegetationbasedonspectralcharacteristics[J].RemoteSensingforLandandResources,2016,28(3):86-90.)