吳啟南，郝振國，段金廒，孫成忠，嚴(yán) 輝，楊澤東，戴仕林

（1.南京中醫(yī)藥大學(xué)藥學(xué)院 南京 210046；2.中國測繪科學(xué)研究院 北京 100039）

芡實，又名雞頭子，大都生長于淺水的湖泊區(qū)域，素有“水中人參”和“水中桂圓”的美譽(yù)，是傳統(tǒng)的中藥材和珍貴的天然補(bǔ)品[1]，是江蘇省傳統(tǒng)的水生道地藥材之一。芡實作為一種浮葉型水生草本植物，傳統(tǒng)的中藥調(diào)查方式是通過實地調(diào)查布設(shè)樣帶、樣方的方式進(jìn)行。由于芡實生長在水中，常規(guī)調(diào)查方法通常無法進(jìn)行，因此，水生類藥材的調(diào)查需要采用新技術(shù)來完成。

遙感是20世紀(jì)60年代發(fā)展起來的一門綜合性應(yīng)用學(xué)科，遙感技術(shù)作為大面積、實時全球觀測技術(shù)，正在廣泛用于植物的調(diào)查和監(jiān)測，近些年，業(yè)界一些學(xué)者把遙感技術(shù)應(yīng)用于中藥資源監(jiān)測開展了相關(guān)研究，但針對水生藥用植物調(diào)查與監(jiān)測還沒有進(jìn)行研究先例。由于水生植物尤其是水生藥材大多生長于湖泊、河流等濕地環(huán)境中，受到濕地內(nèi)地形、地貌等諸多因素的限制，人們難以對藥材的生長區(qū)域進(jìn)行直接的考察[2]。而遙感技術(shù)具有多時相、多波段、覆蓋范圍廣等特點，近幾年已廣泛用于濕地植被及濕地資源的調(diào)查和研究中。目前有很多研究利用多光譜遙感數(shù)據(jù)進(jìn)行濕地植被識別及提取[2-17]，但目前缺乏基于遙感影像的水生藥材識別的系統(tǒng)性研究。

近年來，在中藥資源領(lǐng)域，陳士林、張本剛等利用遙感技術(shù)對人參種植區(qū)域的人參種植面積進(jìn)行調(diào)查，建立了人參資源遙感調(diào)查的技術(shù)路線和方法，并對產(chǎn)區(qū)面積進(jìn)行了測算和估產(chǎn)[18]。孫宇章、郭蘭萍等人利用遙感技術(shù)對野生中藥蒼術(shù)的資源量進(jìn)行了調(diào)查，并估算了茅山蒼術(shù)的資源量[19]。目前眾多的研究主要是利用單一遙感數(shù)據(jù)對陸生藥材分布進(jìn)行監(jiān)測研究，而對水生植物藥材的遙感監(jiān)測研究還處于空白，水生藥材由于受水體和水草等因素的影響，其監(jiān)測更為復(fù)雜。

本文針對高郵湖地區(qū)水生藥材芡實種植區(qū)域的遙感識別，獲取多時相Pléiades衛(wèi)星遙感影像資料和高分一號（GF-1）衛(wèi)星影像數(shù)據(jù)，構(gòu)建芡實分類決策樹模型，利用GIS空間分析技術(shù)，提取芡實種植區(qū)域，對高郵湖地區(qū)的芡實種植面積和空間分布進(jìn)行研究，結(jié)合實地調(diào)查，能夠比較準(zhǔn)確反映水生藥用植物芡實的分布面積。

1 研究區(qū)概況和衛(wèi)星遙感數(shù)據(jù)獲取

1.1 研究區(qū)概況

高郵湖位于淮河下游地區(qū)，江蘇省揚(yáng)州市寶應(yīng)湖以南，京杭大運(yùn)河以西，東經(jīng)119°06′-119°25′，北緯32°30′-33°05′之間，總面積760.67平方公里，僅次于太湖，洪澤湖，為江蘇省的第三大湖。本次影像獲取區(qū)域主要位于界首區(qū)域內(nèi)，研究區(qū)地理位置如圖1所示。

研究區(qū)域內(nèi)，芡實主要種植于堤壩圍成的水域內(nèi)，在該域內(nèi)，還生長著蘆葦、浮萍、菱角、野菜等水生植物。

1.2 多源衛(wèi)星遙感數(shù)據(jù)獲取及處理

本文采用Pléiades和GF-1衛(wèi)星遙感數(shù)據(jù)，兩種遙感影像各一景。Pléiades數(shù)據(jù)包括藍(lán)、綠、紅（波長分別為藍(lán)430-550 nm綠500-620 nm紅590-710 nm）3個可見光波段和一個近紅外波段（波長為740-940 nm），空間分辨率為2 m，Pléiades數(shù)據(jù)的獲取時間為2015年7月31日，該時段內(nèi)，芡實的生長已經(jīng)較為繁茂，枝葉已經(jīng)基本覆蓋湖面。

GF-1數(shù)據(jù)同樣包括藍(lán)、綠、紅（波長分別為藍(lán)450-520 nm綠520-590 nm紅630-690 nm）3個可見光波段和一個近紅外波段（波長為770-890 nm），空間分辨率為8 m，GF-1的影像獲取時間為2015年6月6日，該時段內(nèi)芡實還未種植或剛剛種植，在遙感影像上，種植芡實的區(qū)域主要表現(xiàn)為水體。

通過遙感圖像處理軟件ENVI對兩種數(shù)據(jù)源遙感影像進(jìn)行輻射校正（輻射定標(biāo)和大氣校正），消除一切與輻射有關(guān)的誤差。此外，通過在研究區(qū)域?qū)崪y控制點（控制點如表1所示），并在影像上選取同名地物控制點的方式對遙感影像進(jìn)行幾何精校正，最終校正誤差控制在0.5個像元內(nèi)。

圖1 研究區(qū)地理位置

2 水生植物光譜測量

不同植被的光譜特征是水生藥材植物遙感識別方法建立和驗證的基礎(chǔ)。由于芡實生長環(huán)境中不同種類植被光譜特征的相似性，植物在空間遙感探測中容易形成“異物同譜”及“同物異譜”現(xiàn)象。同時，芡實的生長受到水體環(huán)境的影響，其復(fù)雜性遠(yuǎn)遠(yuǎn)高于陸生植物，從而影響遙感分類解譯的準(zhǔn)確性。

為了更清楚地了解芡實及其周圍水生植物的光譜特征，使用ASD公司生產(chǎn)的FieldSpec Pro JR便攜式地物光譜儀，測定水生植物的光譜發(fā)射率。光譜儀的波段覆蓋350-2 500 nm，其采樣間隔在350-1 000 nm內(nèi)為14 nm，在1 000-2 500 nm內(nèi)為2 nm，光譜分辨率在700 nm為3 nm。傳感器探頭全視場角（FOV）為25°。

2015年8月21日，在高郵湖芡實生長區(qū)選取4種典型的水生植物進(jìn)行光譜測定，所有水生植物均測量植物的冠層的光譜發(fā)射率，每個點位測定20組光譜數(shù)據(jù)，以20組光譜測量的平均值作為最終測量結(jié)果。

測量光譜反射率時，選擇天氣晴朗時段，測量工作從上午10：30開始到13：30結(jié)束。測定時探頭垂直向下，距離水面高度為1 m，實際光譜采樣樣方大小直徑為44.3 cm的圓形區(qū)域。每20分鐘利用漫反射參考板（反射率為98%）進(jìn)行儀器優(yōu)化1次。

3 衛(wèi)星遙感分類方法研究

研究區(qū)域位于陸地和湖泊的交接地帶，隨著水域的變化，形成了不同的植物群落，芡實種植區(qū)由圍堰分割成不同的種植區(qū)，種植區(qū)內(nèi)，典型的植被有芡實、蘆葦、野菜、菱角等。大體上可分為挺水植物、浮水植物和沉水植物3種類別。

在遙感信息提取和分類上，決策樹方法通過不同的決策級別設(shè)定閾值，克服了單指標(biāo)閾值的缺點，具有更好的適應(yīng)性。Luo Juhua等人[4,12]針對太湖流域建立了浮水植物、挺水植物和沉水植物的分類樹模型。本研究針對研究區(qū)的實際情況，以歸一化植被指數(shù)（NDVI）、挺水植物指數(shù)（EVI）、浮水植物指數(shù)（FVI）三種光譜特征指數(shù)，對芡實等浮水植被進(jìn)行區(qū)分。為了更精確的區(qū)分芡實和其他浮水植物，利用主要浮水植物生長的差異性和多時相遙感影像，對GF-1號遙感數(shù)據(jù)的分類結(jié)果中水體部分和Pléiades的浮水植被區(qū)進(jìn)行疊加，進(jìn)而對分類結(jié)果進(jìn)行優(yōu)化。

表1 控制點名稱及經(jīng)緯度

3.1 模型構(gòu)建

由于水生藥材植物生長環(huán)境的復(fù)雜性，基于Pléiades衛(wèi)星遙感影像，通過構(gòu)建NDVI、EVI和FVI三種指數(shù)，利用選取樣點處的反射率值，建立決策樹分類算法。

3.1.1 NDVI指數(shù)

基于衛(wèi)星影像的藍(lán)、綠、紅和近紅外4個光譜波段，通過波段組合計算，首先計算歸一化植被指數(shù)（NDVI）以此區(qū)分植被和非植被，排除道路、村莊、水體等地面覆蓋類型的干擾。

NDVI=(NIR-R)/(NIR+R)

（1）NDVI的應(yīng)用：檢測植被生長狀態(tài)、植被覆蓋度和消除部分輻射誤差等；

（2）-1＜=NDVI＜=1，負(fù)值表示地面覆蓋為云、水、雪等，對可見光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值表示有植被覆蓋，且隨覆蓋度增大而增大

3.1.2 EVI指數(shù)和FVI指數(shù)

在區(qū)分出植被的基礎(chǔ)上，根據(jù)前人的研究成果，建立FVI指數(shù)和EVI指數(shù)，區(qū)分出挺水植物、浮水植物?；谶b感影像的藍(lán)、綠、紅和近紅外4個光譜波段，通過波段組合和影像變化技術(shù)（主成份變換和纓帽變換）構(gòu)建兩個光譜特征指數(shù)EVI和FVI。

EVI指數(shù)是第4波段和第1、2、3波段的差值與它們之和的比值，即

該指數(shù)可以較好地區(qū)分挺水植物。

FVI指數(shù)是主成份變換后的第二主成份，該指標(biāo)能夠較好地識別浮水植物，而芡實作為浮水植物的一種，可利用該指標(biāo)進(jìn)行區(qū)分[4,12]。

圖2 分類決策樹算法

分類閾值的確定是構(gòu)建決策樹的關(guān)鍵之一。本研究中采用CART（classification and regression tree）算法確定分類閾值。CART算法采用經(jīng)濟(jì)學(xué)中基尼系數(shù)作為選擇最佳測試變量和分割閾值的準(zhǔn)則，通過隨機(jī)抽取樣本的方式確定基尼系數(shù)的大小[20]，其數(shù)學(xué)定義如下：

式中是從訓(xùn)練樣本集中隨機(jī)抽取一個樣本，當(dāng)某一測試變量值為h時屬于第 j類的概率；nj(h)為訓(xùn)練樣本中測試變量值為h時屬于第 j類的樣本個數(shù)；n(h)為訓(xùn)練樣本中測試變量值為h的樣本個數(shù)；j為類別個數(shù)。

基于NDVI、FVI、EVI構(gòu)建了芡實分類決策樹如圖2所示。

3.2 衛(wèi)星影像疊加

根據(jù)芡實及菱角等植物的種植和生長史可知，6月是芡實的種植期，此時芡實種植區(qū)在遙感影像上主要表現(xiàn)為水體或者水體與較少水生植物的混合區(qū)，而菱角等植物的生長區(qū)已被較大面積的綠色葉片覆蓋?；诟∷参飬^(qū)多時相空間分布的差異，利用6月獲取的GF-1衛(wèi)星數(shù)據(jù)，通過NDVI指數(shù)，以NDVI＜0.198為分類指標(biāo)，區(qū)分出6月底高郵湖中主要水體及較少水生植物的混合區(qū)，將這些區(qū)域與Pléiades分類結(jié)果進(jìn)行空間疊加分析，可以區(qū)分出較為準(zhǔn)確的分析結(jié)果。

3.3 結(jié)果優(yōu)化

根據(jù)芡實生長的特性，如葉片覆蓋面積高達(dá)1平方米以上、大面積分布等生長特性，對浮水植物的分類去進(jìn)行優(yōu)化，利用合并、刪減等處理方式對分類結(jié)果進(jìn)行處理。并將非浮水植物和其他地物進(jìn)行合并，進(jìn)行精度驗證。

4 芡實衛(wèi)星遙感監(jiān)測結(jié)果

4.1 研究區(qū)水生類典型地物光譜特征分析

從圖3中可以看出，不同種類的水生植物波譜曲線都呈現(xiàn)出典型植物光譜特征，在560 nm附近形成了明顯的反射“綠峰”；在可見光部分的紅光波段（670 nm為中心）附近有較強(qiáng)的吸收，形成吸收谷；在680-740 nm之間反射率增高最快，出現(xiàn)“紅邊”；在740-1 300 nm之間其光譜反射率較高，形成水生植物在近紅外波段的反射高原區(qū)，而在1 670 nm和2 200 nm附近分別有一個明顯的反射峰。不同類別水生植物光譜反射率大小在可見光和近紅外波段差異明顯，在近紅外發(fā)射高原區(qū)（740 nm-1 300 nm）有位突出。而芡實和菱角的發(fā)射光譜在1 980 nm之后都趨近于0。

圖3 四種水生植物的光譜曲線圖

針對遙感影像上對應(yīng)的波段，提取該波段的反射率值，得到圖4的光譜曲線。

從圖4中可以看出，在495、585、656三個波段：蘆葦和芡實發(fā)射率值極為接近，而野菜和菱角極為接近，存在“異物同譜”現(xiàn)象，而在842.5波段，蘆葦?shù)姆瓷渎式^對值要高于其他三種植物。

4.2 研究區(qū)域水生藥材芡實遙感監(jiān)測分類結(jié)果

從光譜特征曲線中可以看到，水生植物在藍(lán)、綠、紅三個波段的反射率極為相近，最大的偏差也只有0.1左右。盡管在近紅外波段，蘆葦?shù)陌l(fā)射率高于其他三種水生植物，但芡實、野菜和菱角的反射率卻極為相近，這對于利用遙感影像進(jìn)行芡實區(qū)域的分類將造成極大的干擾。為此，利用GF-1衛(wèi)星的NDVI分類圖，對決策樹結(jié)果進(jìn)行空間疊加分析，可以極大地提高分類精度。

通過實地調(diào)查了解到，在6月初時，芡實種植區(qū)還沒有被芡實覆蓋，在遙感影像上表現(xiàn)為水體，而菱角等浮生植物已有葉片覆蓋，所以將高分一號衛(wèi)星上的水體區(qū)和決策樹結(jié)果中的浮水植物區(qū)域進(jìn)行交集疊加運(yùn)算，疊加區(qū)域即為芡實分類區(qū)域。由于芡實生長區(qū)域同時存在野菜、菱角等水生植物的伴生，造成分類結(jié)果中存在“孤島”和分類中的混合像元問題，為此，對分類后的影像進(jìn)行了圖斑去除、合并、過濾等后處理操作。最終疊加結(jié)果如圖5所示。

在GIS技術(shù)的支持下，經(jīng)在研究區(qū)內(nèi)分析統(tǒng)計，有近5.0平方公里的范圍種植了芡實。

5 芡實衛(wèi)星遙感監(jiān)測分類結(jié)果的驗證

對本次芡實遙感監(jiān)測分類結(jié)果的驗證采用ENVI的混淆矩陣法驗證和實地驗證相結(jié)合的方法。

ENVI的混淆矩陣法驗證法是以圖斑對象為最小單位，以混淆矩陣為基礎(chǔ)，利用分類前預(yù)先設(shè)置好的樣本評價當(dāng)前的分類結(jié)果?；煜仃嚨脑硎菍⒌乇碚鎸嵪裨奈恢煤皖悇e與分類結(jié)果中相對應(yīng)像元的位置和類別作比較，混淆矩陣的每一列代表了地面參考驗證信息，每一列中的數(shù)值等于地表真實像元在分類圖像中對應(yīng)于相應(yīng)類別的數(shù)量；混淆矩陣的每一行代表了遙感數(shù)據(jù)的分類信息，每一行中的數(shù)值等于遙感分

類像元在地表真實像元相應(yīng)類別中的數(shù)量。

表2 分類精度驗證

精度檢驗結(jié)果如表2所示。

對上述驗證結(jié)果研究人員進(jìn)行實地調(diào)查驗證，并對多個種植農(nóng)戶進(jìn)行調(diào)研分析，影像總體的分類精度也在80%左右，基本上與上述驗證相吻合。經(jīng)實地走訪發(fā)現(xiàn)，2015年高郵湖北部地區(qū)發(fā)生洪水，造成部分種植區(qū)域水深過深，芡實生長受到影響，導(dǎo)致種植區(qū)內(nèi)中心部分芡實無法生長，在遙感圖像上呈現(xiàn)為水體，在種植區(qū)內(nèi)出現(xiàn)了不連續(xù)分布的局面。對于研究區(qū)北部和東部出現(xiàn)的不連續(xù)種植，是由于部分農(nóng)戶在該區(qū)域內(nèi)進(jìn)行引種試種，并非分類錯誤。

圖4 四種植物對應(yīng)波段上的光譜曲線值

圖5 影像疊加分析結(jié)果

6 結(jié)束語

近些年，應(yīng)用衛(wèi)星遙感技術(shù)監(jiān)測中藥資源的生長、分布及資源變化受到業(yè)界諸多學(xué)者的關(guān)注，也取得了一些研究成果。但基于多源衛(wèi)星遙感數(shù)據(jù)對水生藥材監(jiān)測研究還處于空白。

本文以高郵湖為研究試驗區(qū)，基于Pléiades和GF-1高分辨率影像的波段特征和影像變換技術(shù)及前人的研究成果，提出了基于NDVI、EVI和FVI指數(shù)，利用CART算法中基尼指數(shù)的原理確定分割閾值，構(gòu)建了高郵湖芡實的決策樹分類模型，較為精確地區(qū)分出了高郵湖地區(qū)浮水植物的生長區(qū)域。算法建立過程中，利用光譜儀實地采集了芡實生長區(qū)內(nèi)相似地物的光譜反射率，并進(jìn)行了光譜特征分析，為分類算法的發(fā)展和最終技術(shù)路線的建立提供了基礎(chǔ)。

本文根據(jù)文獻(xiàn)調(diào)研和野外實測數(shù)據(jù)，獲取了高郵湖芡實生長區(qū)域水生植物的相關(guān)信息，考慮芡實不同時間的生長趨勢，利用多源、多時相衛(wèi)星遙感數(shù)據(jù)，通過不同時間芡實生長狀態(tài)的變化來確定芡實的分布區(qū)域，為進(jìn)行大范圍水生藥材監(jiān)測探索了一種新的思路和方法。

1 沈蓓,吳啟南,陳蓉,等.芡實的現(xiàn)代研究進(jìn)展.西北藥學(xué)雜志,2012,27(2):185-187.

2 林川,宮兆寧,趙文吉.基于中分辨率TM數(shù)據(jù)的濕地水生植被提取.生態(tài)學(xué)報,2010,30(23):6460-6469.

3 Brooks C,Grimm A,Shuchman R,et al.A satellite-based multitemporal assessment of the extent of nuisance Cladophora and related submerged aquatic vegetation for the Laurentian Great Lakes.Remote Sens Envirom,2015,157:58-71.

4 Luo J,Ma R,Duan H,et al.A New Method for Modifying Thresholds in the Classification of Tree Models for Mapping Aquatic Vegetation in Taihu Lake with Satellite Images.Remote Sens,2014,6(8):7442-7462.

5 Villa P,Brisciani M,Braga F,et al.IComparative Assessment of Broadband Vegetation Indices Over Aquatic Vegetation.IEEE JSelec Top Appl Earth Obser Remote Sens,2014,7(7):3117-3127.

6 簡永興,李仁東,王建波,等.鄱陽湖灘地水生植物多樣性調(diào)查及灘地植被的遙感研究.植物生態(tài)學(xué)報,2001,25(5):581-587.

7 李俊生,吳迪,吳遠(yuǎn)峰,等.基于實測光譜數(shù)據(jù)的太湖水華和水生高等植物識別.湖泊科學(xué),2009,21(2):215-222.

8 劉暉,胡湘陽,張?zhí)秫P.遙感影像在水生植物提取中的探討.科技傳播,2012(10):71-72.

9 劉潔.基于TM、ETM～+影像的東平湖濕地信息提取及時空演變研究.泰安:山東農(nóng)業(yè)大學(xué)碩士學(xué)位論文,2013.

10龍娟.基于光譜特征分析的野鴨湖濕地典型植物信息提取方法研究.北京:首都師范大學(xué)碩士學(xué)位論文,2011.

11龍娟,郭逍宇,宮兆寧,等.基于光譜特征的濕地水生植被信息提取研究.北京:中國地理學(xué)會百年慶典大會,2009.

12王琪,周興東,羅菊花,等.考慮生活史的太湖沉水植物優(yōu)勢種遙感監(jiān)測.湖泊科學(xué),2015,27(5):953-961.

13夏雙,阮仁宗,顏梅春.基于TM影像的水體信息提取方法研究(英文).南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版),2012,36(4):29-35.

14夏曉瑞,韋玉春,徐寧,等.基于決策樹的Landsat TM/ETM+圖像中太湖藍(lán)藻水華信息提取.湖泊科學(xué),2014,26(6):907-915.

15楊凱,林開愚,張榮幸,等.遙感數(shù)字圖象處理技術(shù)在洪湖水生植物分布調(diào)查中的應(yīng)用.植物生態(tài)學(xué)報（英文版）,1983(05):472-481.

16鄒維娜.上海地區(qū)典型沉水植物光譜特征研究及其應(yīng)用.上海:華東師范大學(xué)博士學(xué)位論文,2014.

17鄒維娜,張利權(quán),袁琳.基于光譜特征的沉水植物種類識別研究.華東師范大學(xué)學(xué)報(自然科學(xué)版),2014(04):132-140.

18陳士林,張本剛,張金勝,等.人參資源儲藏量調(diào)查中的遙感技術(shù)方法研究.世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化,2005,7(4):37-43.

19孫宇章,郭蘭萍,朱文泉,等.道地藥材茅蒼術(shù)的資源遙感監(jiān)測.中國中藥雜志,2008,33(4):353-356.

20 Trendowicz A,Jeffery R.Classification and regression tree.oftware Project Effort Estimation.Springer,Cham:295-304.