李子藝++王振錫++岳俊

摘要：高光譜具有波段窄、波段多的特點，能夠提供比多光譜遙感更精細的地物光譜信息，為識別光譜性質相似的森林樹種提供了有效途徑。對南疆盆地4種主栽果樹樹種（蘋果、香梨、核桃、紅棗）的冠層光譜數(shù)據(jù)進行測量，用BP神經(jīng)網(wǎng)絡對原始光譜數(shù)據(jù)及其經(jīng)一階微分、對數(shù)一階微分、歸一化一階微分變換后的光譜數(shù)據(jù)進行分類識別，結果表明：對數(shù)一階微分和歸一化一階微分變換后樹種識別精度分別為94%和88%以上；紅邊區(qū)的光譜波段包含了大量樹種識別的信息；采用BP神經(jīng)網(wǎng)絡能夠對南疆盆地主栽果樹進行基于冠層光譜的分類，而且分類精度相對較高。

關鍵詞：高光譜數(shù)據(jù)；波段選擇；BP神經(jīng)網(wǎng)絡；樹種識別；果樹

中圖分類號： S126；TP391.4文獻標志碼： A文章編號：1002-1302（2016）05-0410-04

在南疆特色林果產(chǎn)業(yè)化的進程中，其信息化建設明顯滯后，傳統(tǒng)調查方式以多光譜遙感和地面輔助調查為主，不僅分辨率具有局限性，而且費時、耗力、周期長[1]。自1980年以來，高光譜遙感沖破技術障礙，在對地觀測方面獲得了重大突破，相比多光譜遙感技術，它具有波段窄、數(shù)量多的特征，可以提供更詳細的目標光譜信息，為研究地物的細微特征提供了快速、準確、有效的途徑[2]。因此林果樹種的高光譜遙感識別對新疆南疆盆地特色林果產(chǎn)業(yè)的可持續(xù)經(jīng)營具有重要的現(xiàn)實意義[3-5]。目前，我國已有一些基于高光譜遙感技術進行森林樹種識別的研究。宮鵬等通過對6種主栽針葉樹種的高光譜實地測量，開展了不同季節(jié)（夏、秋季）針葉樹種的高光譜數(shù)據(jù)分類研究[6]。王志輝等利用測量的4種樹種葉片光譜數(shù)據(jù)，進行了可識別性波段的選擇與光譜特征參量的分析[7]。于祥等對廣西紅樹林進行高光譜實測，通過多種光譜分類方法對多個紅樹林樹種進行了分類研究[8]。

高光譜遙感技術在為樹種的精細識別帶來可能性的同時，也帶來了數(shù)據(jù)冗余度大的問題。怎樣在高光譜數(shù)據(jù)信息利用最大化的基礎上，高效處理高光譜數(shù)據(jù)成為高光譜研究領域的焦點和未來發(fā)展的重要方向[9-11]。劉秀英等利用分層聚類法和逐步判別分析進行波段選擇，對桂花樹、小葉樟樹、雪松和杉木4個樹種的識別進行了研究，取得了較好的效果[12]。藏卓等利用對雪松、黑松、馬尾松、杉木等針葉樹種的高光譜實測，通過主成分分析和遺傳算法兩種波段選擇方法對樹種識別進行比較研究，有一定的實用性[13]。此外，許多學者基于遙感影像對森林類型進行分類時，使用了最佳指數(shù)法、波段指數(shù)法、灰度值法等幾種常用的高光譜遙感影像的波段選擇方法，認為最佳指數(shù)法用于高光譜遙感的樹種識別具有一定可行性和優(yōu)越性[14-16]。因此，本研究采用最佳指數(shù)法對高光譜數(shù)據(jù)進行波段選擇，并利用BP神經(jīng)網(wǎng)絡對波段選擇數(shù)據(jù)進行分類，從而對新疆南疆盆地4種主栽果樹樹種進行分類識別，為探索星載高光譜遙感樹種識別提供技術支持。

1材料與方法

1.1試驗對象

試驗時間為2014年6月，試驗地點位于新疆阿克蘇地區(qū)紅旗坡農(nóng)場（地理坐標41°14′39″～41°16′18″N、80°15′46″～80°18′51″E，海拔1 213 m），試驗對象是處在相同立地條件、自然狀態(tài)下生長的4種南疆塔里木盆地主栽果樹樹種：紅富士蘋果（Malus pumila Mill）、庫爾勒香梨（Pyru bretschneideri Rehd）、核桃（Juglans regia Linn.）、紅棗（Ziziphus zizyphus Mill）。選擇冠型均勻的樣本，蘋果為大、中、小冠型，香梨、核桃為大冠型，紅棗為小冠型，共選擇樣地21塊，總樣株252株，其中蘋果樣地6塊，每塊11～12株，香梨、核桃樣地各5塊，每塊12～13株，紅棗樣地5塊，每塊12株，基本生長狀況如表1所示。

1.2數(shù)據(jù)獲取

光譜測量儀器采用美國ASD公司生產(chǎn)的手持式野外光譜輻射儀（FieldSpec HandHeld），該儀器能夠在325～1 075 nm 的波長范圍內進行連續(xù)的光譜測量，光譜分辨率和光譜采樣間隔均為1 nm，視場角為25°，共751個波段。在天氣晴朗、無風無云的條件下，選擇正午太陽高度角變化不大的時間段（北京時間12：00—16：00）進行4種果樹冠層光譜反射率數(shù)據(jù)測量。測量時，將光譜儀探頭垂直向下置于冠層之上，并與冠幅保持約1 m高度，同時根據(jù)所選樣株冠幅大小調整探頭與冠幅的距離。將每個樣株冠層分為陰面、陽面2個方向進行測量，每個方向重復測量5次，取平均值作為樣株這一方向上的光譜反射率，之后在剔除異常反射率光譜曲線的基礎上，對每種樹該方向的所有樣本的光譜反射率進行平均，得到每種樹該方向的光譜值。為保證數(shù)據(jù)的有效性與準確性，每隔10 min進行1次標準白板矯正。

1.3高光譜數(shù)據(jù)轉換

從光譜測量結果看，在400 nm以前和900 nm以后的光譜數(shù)據(jù)噪聲比較大，因此，剔除了首尾兩端噪音較大的數(shù)據(jù)，只對400～900 nm范圍內的光譜數(shù)據(jù)進行處理[17]。光譜一階微分是處理光譜數(shù)據(jù)常用的方法之一[18]，它既可以有效地解決光譜數(shù)據(jù)間系統(tǒng)誤差的問題、減少背景噪聲（通常指大氣輻射、散射和吸收）對目標光譜的干擾[7，19]，又能夠加強光譜曲線在坡度上的微小變化[20]，從而辨認出重合的光譜，有利于將可識別地物的光譜吸收峰參數(shù)提取出來[2]。光譜反射值經(jīng)過對數(shù)和歸一化變換后，不僅有利于加強紅光區(qū)與綠光的光譜差異，而且有利于削弱因光強變化而引起的乘性因素的影響[12]。但是，只對光譜數(shù)據(jù)作對數(shù)和歸一化處理是不夠的，還需進行微分轉換，這樣才能取得相對于原始光譜更好的效果，因為如此，即可在消除乘性因素的基礎上降低附加低頻噪聲的影響[6]。因此本試驗對原始光譜數(shù)據(jù)R進行如下3種變換：

（1）對R的一階微分變換：

d（R）=[（r3-r1）/Δλ，（r4-r2）/Δλ，…，（rn-rn-2）/Δλ]（Δλ為2倍波段寬）

（2）對R的對數(shù)一階微分變換：

lg（R）=[lg（r1），lg（r2），lg（r3），…，lg（rn）]

d[lg（R）]

（3）對R的歸一化一階微分變換：

N（R）=[（r1-rmin）/（rmax-rmin），（r2-rmin）/（rmax-rmin），…，（rn-rmin）/（rmax-rmin）]

d[N（R）]

1.4波段選擇方法

本試驗采用最佳指數(shù)法對高光譜數(shù)據(jù)進行波段選擇。最佳指數(shù)因子將標準差與相關系數(shù)有效地結合，其基本原理是光譜數(shù)據(jù)所包含的信息量與標準差成正比，標準差愈大，信息量愈多；光譜數(shù)據(jù)的獨立性與波段間的相關系數(shù)成反比，波段間的相關系數(shù)愈低，獨立性愈高且信息冗余度愈小[14]。其計算公式為：

OIF=∑3i=1Si/∑3i=1|Rij|

式中：OIF表示最佳指數(shù)因子，Si是第i個波段的標準差，Rij是第i、j 2個波段間的相關系數(shù)。

1.5人工神經(jīng)網(wǎng)絡的應用

神經(jīng)網(wǎng)絡（artificial neural network，ANN）是一種人腦的抽象計算模型，通過各個處理單元間的有機連接而形成網(wǎng)絡，以此進行人腦神經(jīng)網(wǎng)絡結構與功能模擬的一種計算機建模方式[21]。目前，BP神經(jīng)網(wǎng)絡是運用最廣的方法之一。BP（back-propagation）神經(jīng)網(wǎng)絡是一種多層前饋型神經(jīng)網(wǎng)絡，它不僅包含輸入層和輸出層，而且具有一層或多層隱藏層，但最常用的為單層結構[22]。BP神經(jīng)網(wǎng)絡算法需通過正、反向傳播兩個過程：正向傳播過程就是樣本信息最先從輸入層開始，經(jīng)過隱藏層的逐步計算，傳送到輸出層最后得到預測結果；得到預測誤差后便進入反向傳播過程，即誤差逐層反方向傳回輸出層，期間所有權值得以修正[23]。如此反復迭代，直到滿足用戶要求為止，通過對BP神經(jīng)網(wǎng)絡輸入-輸出間映射能力的訓練，便能夠對其他待定信息進行自動分類和模式識別[24]。本次試驗隨機選取1/3樣本作為訓練樣本，剩余的2/3樣本作為測試樣本，最終以測試樣本的預測精度用作評價數(shù)據(jù)變換及波段選擇方法優(yōu)劣的指標。

2結果與分析

2.14種果樹冠層光譜特征

植物的組織結構、生化成分、形態(tài)學特征等決定了其光譜反射特性[25]。在可見光波段，綠色植被的反射光譜主要受到冠層葉綠素含量和蓋度的影響，反射率較低；近紅外波段則受到冠層結構、葉面積指數(shù)和生物量的影響，反射率較高[26]。正是因為上述因素的影響，使得不同植被的光譜反射率存在一定的差異，而這些因素與植被的生長發(fā)育及環(huán)境等密切相關，同時又與巖石、土壤、水體等地物的光譜特征截然不同[27]。

根據(jù)蘋果、香梨、核桃、紅棗實測的冠層光譜數(shù)據(jù)，在剔除受首尾噪聲影響的波段和奇異值后，分別進行均值處理，運用Origin軟件繪制得南疆盆地4種主栽果樹樹種冠層陽面、冠層陰面的光譜曲線（圖1、圖2）。由圖1、圖2知，從總體上看，盡管4種果樹的光譜曲線間都存在差異，但其整體走勢基本一致，呈現(xiàn)出典型的綠色植被光譜曲線特征。在400～490 nm波段時，反射率曲線較為平緩，并且反射值低，均處于0.1以下；隨波長增大，反射率開始緩慢上升，在550 nm附近呈現(xiàn)出一個反射峰，即“綠峰”，這是由于植被葉綠素的強烈反射造成，也是人肉眼看到植物呈綠色的原因[28]；然后反射率值開始下降，在680 nm附近形成“紅谷”，這和葉綠素a在680 nm與700 nm具有較強的吸收作用有關[29]；“紅谷”過后，反射率驟然上升，即為“紅邊效應”[30]；在760～900 nm近紅外波段范圍內，反射率曲線在750 nm附近形成拐點后平滑上升，此處可以認為是植被防灼傷的自衛(wèi)本能[27]。由此說明，在不同波段，南疆盆地4種主栽果樹樹種冠層光譜特征表現(xiàn)不同。

2.2最佳指數(shù)法的波段組合

以上文提取的501個波段為數(shù)據(jù)源，首先應用Excel軟件對平均光譜每10個連續(xù)波段進行平均，并計算出各單波段的標準差，然后應用Matlab軟件計算各波段間的相關系數(shù)矩陣，再分別求出所有可能3個波段組合對應的OIF，OIF越大，則信息量越大，獨立性越高，反之，信息量越少，相關性越大，最后將OIF值進行排序，即可選出最佳波段組合[15]。由表2至表5知，原始光譜陽面最佳波段組合為波段32-49-50，即波段范圍710～719、880～889、890～899 nm；陰面最佳波段組合為波段1-38-39，即波段范圍400～409、770～779、780～789 nm；一階微分光譜陽面最佳波段組合為波段31-42-49，即波段范圍700～709、810～819、880～889 nm；陰面最佳波段組合為波段21-33-34，即波段范圍600～609、720～729、730～739 nm；對數(shù)一階微分光譜陽面最佳波段組合為波段29-35-50，即波段范圍680～689、740～749、890～899 nm；陰面最佳波段組合為波段4-30-40，即波段范圍430～439、690～699、790～799 nm；歸一化一階微分光譜陽面最佳波段組合為波段16-34-49，即波段范圍550～559、730～739、880～889 nm；陰面最佳波段組合為波段6-34-39，即波段范圍450～459、730～739、750～759 nm。

2.3應用BP神經(jīng)網(wǎng)絡的樹種識別

將原始光譜數(shù)據(jù)、一階微分、對數(shù)一階微分和歸一化一階微分變換后的光譜數(shù)據(jù)運用Clementine 12.0中的Neural Net模型進行分類，通過調整網(wǎng)絡參數(shù)得到最優(yōu)的網(wǎng)絡結構，從而得到最優(yōu)的預測模型[31]。經(jīng)過反復試驗確定BP神經(jīng)網(wǎng)絡的最優(yōu)結構為：將30個所選波段作為輸入神經(jīng)元，4個預先分類值作為輸出神經(jīng)元，隱藏層1層，隱藏單元5個，各層間采用Sigmoid激勵函數(shù)，迭代次數(shù)100次，訓練算法選擇“快速訓練法”，訓練模式選擇“專家”，沖量項設為0.9，初始學習率設為0.3。由表6、表7可知，無論是果樹冠層陽面還是陰面光譜數(shù)據(jù)，對數(shù)一階微分變換均取得了最佳效果，前者測試精度為94.70%，后者測試精度為96.58%，均超過了90%，歸一化一階微分變換后的光譜數(shù)據(jù)識別效果次之，而原始光譜數(shù)據(jù)的樹種識別精度最低，僅為60.93%和62.33%。3種經(jīng)過微分轉換處理后的光譜數(shù)據(jù)與原始數(shù)據(jù)相比，分類精度超過其30%左右，充分說明高光譜數(shù)據(jù)的微分處理能產(chǎn)生較高的分類精度。

2.4波段重要性

Neural Net模型在進行分類時可以計算出變量的貢獻率，經(jīng)對數(shù)一階微分處理后的光譜數(shù)據(jù)識別精度最高，因此對對數(shù)一階微分光譜數(shù)據(jù)對應的特征波段進行變量重要性計算，結果見圖3、圖4。由圖3、圖4可知，陽面波段組合中各個波段在樹種分類時的貢獻率依次為685 nm>684 nm>897 nm>689 nm>898 nm>746 nm>742 nm>747 nm>687 nm>686 nm，陰面波段組合中各個波段在樹種分類時的貢獻率依次為690 nm>693 nm>699 nm>697 nm>430 nm>796 nm>692 nm>691 nm>795 nm>695 nm，貢獻率較大的波段均位于紅邊區(qū)（680～760 nm），這充分證明大量樹種識別的信息包含在紅邊區(qū)的光譜波段中。

3討論與結論

原始光譜數(shù)據(jù)經(jīng)對數(shù)一階微分、歸一化一階微分變換后可改善樹種識別精度。對手持式野外光譜輻射儀測得的4種果樹樹種高光譜數(shù)據(jù)不作任何處理，直接進行波段選擇，然后利用BP神經(jīng)元網(wǎng)絡來識別此4種樹種，效果并不理想，識別精度僅為60.93%和62.33%。運用高光譜數(shù)據(jù)的轉換方法能夠提高樹種的識別精度，2種最理想的轉換方法是對數(shù)一階微分和歸一化一階微分，分類精度分別在94%和88%以上。這與宮鵬等用神經(jīng)元網(wǎng)絡算法對6種主要針葉樹種進行分類識別時得到的對數(shù)變換后一階微分和歸一化變換后一階微分能夠獲得最好的識別精度的結果相一致[6]。另外，劉秀英等利用逐步判別分析法對杉木和馬尾松進行分析時，同樣得到了對數(shù)一階微分的識別精度最高，精度為96.67%[19]。

大量樹種識別的信息包含在紅邊區(qū)的光譜波段中。Neural Net模型在進行分類時對對數(shù)一階微分光譜數(shù)據(jù)對應的特征波段進行了變量重要性計算，結果顯示，貢獻率較大的波段（陽面波段組合：685 nm、684 nm、689 nm、746 nm、742 nm、747 nm、687 nm、686 nm，陰面波段組合：690 nm、693 nm、699 nm、697 nm、692 nm、691 nm、695 nm）都在紅邊區(qū)范圍（680 nm～760 nm）內。這與劉秀英等采用分層聚類法對杉木、雪松、小葉樟樹和桂花進行分類識別獲得的紅邊區(qū)的光譜波段包含了大量樹種識別的信息結果相一致[12]。

BP神經(jīng)網(wǎng)絡進行南疆盆地主栽果樹樹種識別時取得了較好的分類效果。由于BP神經(jīng)網(wǎng)絡具有強有力的學習能力，可以實現(xiàn)輸入與輸出之間的高度非線性映射，因此被廣泛的應用在各種品種識別領域中，并得到了十分理想的分類效果[32-34]。本研究通過BP神經(jīng)網(wǎng)絡算法對南疆盆地4種主栽果樹樹種進行分類，最高精度達到96.58%，說明采用BP神經(jīng)網(wǎng)絡算法能夠對南疆盆地主栽果樹樹種進行基于冠層光譜的分類，并且達到了相對較高的識別精度。

參考文獻：

[1]譚炳香，李增元，陳爾學，等. 高光譜遙感森林信息提取研究進展[J]. 林業(yè)科學研究，2008，21（z1）：105-111.

[2] Salehia B，Zoej M J V. The delineation of tree crowns in Australian mixed species forests using hyperspectral compact air-borne spectrographic imager （CASI） data[J]. Remote Sense Environ，2002，36：332.

[3] 陳國芳，尼和邁提·霍嘉.新疆林果業(yè)產(chǎn)業(yè)化發(fā)展的對策建議[J]. 新疆農(nóng)業(yè)科學，2005，42（增刊1）：211-212.

[4]李金葉，袁強，蔣慧. 基于區(qū)域適應性的特色林果業(yè)發(fā)展探討[J]. 新疆農(nóng)業(yè)科學，2010，47（4）：741-749.

[5]孫蘭鳳. 可持續(xù)視角下的新疆特色林果業(yè)發(fā)展研究[D]. 烏魯木齊：新疆大學，2009.

[6]宮鵬，浦瑞良，郁彬. 不同季相針葉樹種高光譜數(shù)據(jù)識別分析[J]. 遙感學報，1998，2（3）：211-217.

[7]王志輝，丁麗霞.基于葉片高光譜特性分析的樹種識別[J]. 光譜學與光譜分析，2010，30（7）：1825-1829.

[8]于祥，趙冬至，張豐收，等. 紅樹林高光譜分析技術研究[J]. 濱州學院學報，2006，22（6）：53-56.

[9]陳述澎，童慶喜，郭華東，等. 遙感信息機理研究[M]. 北京：科學出版社，1998：139.

[10]王志輝.高光譜遙感在森林樹種識別中的應用[D]. 杭州：浙江農(nóng)林大學，2011.

[11]褚西鵬.基于葉片非成像高光譜數(shù)據(jù)樹種分類[D]. 杭州：浙江農(nóng)林大學，2012.

[12]劉秀英，林輝，熊建利，等. 森林樹種高光譜波段的選擇[J]. 遙感信息，2005（4）：41-44，64.

[13]臧卓，林輝，孫華，等. 南方主要針葉樹種高光譜數(shù)據(jù)降維分類研究[J]. 中南林業(yè)科技大學學報，2010，30（11）：20-25.

[14]李俊明. 基于HJ-1A高光譜遙感樹種識別的研究[D]. 哈爾濱：東北林業(yè)大學，2013.

[15]嚴恩萍，林輝，莫登奎，等. 基于光譜特征的森林類型識別研究[J]. 中南林業(yè)科技大學學報，2011，31（11）：23-29.

[16]柳萍萍. 基于Hyperion數(shù)據(jù)的森林類型識別[D]. 長沙：中南林業(yè)科技大學，2012.

[17]邢東興，常慶瑞. 基于花期果樹冠層光譜反射率的果樹樹種辨識研究[J]. 紅外與毫米波學報，2009，28（3）：207-211.

[18]李明州.光譜分析技術和應用[M]. 北京：科學出版社，2006：163.

[19]劉秀英，臧卓，孫華，等. 基于高光譜數(shù)據(jù)的杉木和馬尾松識別研究[J]. 中南林業(yè)科技大學學報，2011，31（11）：30-33.

[20]童慶禧，張兵，鄭蘭芬.高光譜遙感的多學科應用[M]. 北京：電子工業(yè)出版社，2006：74-79.

[21]薛薇，陳歡歌.Clementine數(shù)據(jù)挖掘方法及應用[M]. 北京：電子工業(yè)出版社，2010：181.

[22]王志軍，叢培盛，周佳璐，等. 基于圖像處理與人工神經(jīng)網(wǎng)絡的小麥顆粒外觀品質評價方法[J]. 農(nóng)業(yè)工程學報，2007，23（1）：158-161.

[23]張保生，姚瑞央. 基于BP神經(jīng)網(wǎng)絡算法的紅棗分級技術應用[J]. 廣東農(nóng)業(yè)科學，2010，37（11）：282-283.

[24]楊希，王鵬. 基于BP神經(jīng)網(wǎng)絡的高分辨率遙感影像分類[J]. 測繪，2011，34（3）：115-118.

[25]李小梅.多角度高光譜遙感森林類型分類方法研究[D]. 呼和浩特：內蒙古農(nóng)業(yè)大學，2010.

[26]林文鵬，李厚增，黃敬峰，等. 上海城市植被光譜反射特征分析[J]. 光譜學與光譜分析，2010，30（11）：3111-3114.

[27]譚炳香.高光譜遙感森林類型識別及其郁閉度定量估測研究[D]. 北京：中國林業(yè)科學研究院，2006.

[28]鄧良基.遙感基礎與應用[M]. 北京：中國農(nóng)業(yè)出版社，2009.

[29]肖海燕，曾輝，昝啟杰，等. 基于高光譜數(shù)據(jù)和專家決策法提取紅樹林群落類型信息[J]. 遙感學報，2007，11（4）：531-537.

[30]何詩靜.基于葉片和冠層級別的高光譜城市樹種識別[D]. 武漢：華中農(nóng)業(yè)大學，2011.

[31]劉飛，王莉，何勇，等. 應用可見/近紅外光譜進行黃酒品種的判別[J]. 光譜學與光譜分析，2008，28（3）：586-589.

[32]吳桂芳，蔣益虹，王艷艷，等. 基于獨立主成分和BP神經(jīng)網(wǎng)絡的干紅葡萄酒品種的鑒別[J]. 光譜學與光譜分析，2009，29（5）：1268-1271.

[33]王艷艷，何勇，邵詠妮，等. 基于可見-近紅外光譜的咖啡品牌鑒別研究[J]. 光譜學與光譜分析，2007，27（4）：702-706.

[34]邵詠妮，何勇，鮑一丹. 基于獨立組分分析和BP神經(jīng)網(wǎng)絡的可見/近紅外光譜蜂蜜品牌的鑒別[J]. 光譜學與光譜分析，2008，28（3）：602-605.范釗. 黃河流域農(nóng)田土壤有機氯農(nóng)藥殘留污染特征研究[J]. 江蘇農(nóng)業(yè)科學，2016，44（5）：414-419.