類喻俊+李曉敏+張權+侍昊++薛建輝+褚軍

摘要：湖濱帶是湖泊生態(tài)系統(tǒng)與陸地生態(tài)系統(tǒng)的連接樞紐，對陸地生態(tài)環(huán)境的穩(wěn)定有著積極的作用，利用植被高光譜特征識別湖濱帶植被生長與分布狀況對濱岸生態(tài)系統(tǒng)的管理和研究具有十分重要的意義。以太湖湖濱帶（宜興段）為研究區(qū)域，利用FieldSpec3 Hi-Res便攜式地物光譜儀測量5類典型植被冠層光譜；在利用S Golay濾波對異常光譜數(shù)據(jù)進行剔除的基礎上，采用光譜微分法與植被指數(shù)法構建光譜特征；應用人工神經網(wǎng)絡法結合因子分析法對典型植被進行分類提取。結果表明：（1）利用S Golay濾波方法能夠較好地平滑噪聲，保留其真實光譜特征；（2）在利用原始反射率、植被指數(shù)、一階光譜微分、二階光譜微分的4種分類組合中，二階微分數(shù)據(jù)的神經網(wǎng)絡分類精度最高，原始分辨率分類精度最低；（3）在不同植被類型的分類中，4類分類組合方法對夾竹桃的分類效果最好，對柳杉的分類效果最差。

關鍵詞：高光譜；光譜特征變換；因子分析；神經網(wǎng)絡；湖濱帶；植被分類

中圖分類號： S184；S127文獻標志碼： A

文章編號：1002-1302（2017）05-0240-05

高光譜遙感技術始于20世紀80年代，依靠連續(xù)分布的窄波段描述地物的光譜特征，識別與診斷不同的植被類型[1]。高光譜遙感有波段多、信息量大的特點，依靠連續(xù)分布的納米級波段對植被進行光譜反射率描述，能最大信息化地反映同類型植被不同生長狀況和不同植被之間的差別，為精確地進行植被分類提供依據(jù)。與傳統(tǒng)的寬波段遙感數(shù)據(jù)相比，高光譜數(shù)據(jù)不限于一般性的紅光吸收特征和近紅外的反射特征以及中紅外的水吸收特征，不受到波段寬度、波段數(shù)的限制，對土地覆蓋類型識別和植被長勢等反應較為敏感[2]。

近年來，一些學者通過采集植被光譜，分析不同植被的光譜特征差異，探索用于植被分類的方法，并獲得了一些高光譜植被分類的成果。如萬余慶等以延河流域優(yōu)勢物種為研究對象，描述了優(yōu)勢物種的光譜特征，總結出了用于識別優(yōu)勢物種的光譜鑒別方法[3]；范文義等對內蒙古科爾沁沙地地區(qū)地物光譜信息進行采集，通過對光譜微分和歸一化處理對地物光譜進行分析[4]；王志輝等利用高光譜技術，通過分析樹種一階微分、二階微分曲線，對南方4種常見樹木進行分類，并選擇出差異較大的1 657～1 666 nm、1 868～1 877 nm作為識別樹種的敏感波段[5]；李娜等采用因子分析方法對高光譜數(shù)據(jù)進行降維處理，解決了高光譜數(shù)據(jù)波段多、波段間相關性大的問題，并采用航空推掃型成像光譜儀（PHI）數(shù)據(jù)進行試驗分析，表明因子分析不僅能有最大程度保留波段原始信息，而且能有效消除波段間的相關性，增強類別可分性[6]。

目前，已有學者利用多光譜遙感技術對湖濱帶植被信息進行提取，但是利用植被高光譜特征對湖濱帶植被進行分類鮮有報道。此外，與傳統(tǒng)多光譜相比，高光譜多波段、高信息量在湖濱帶植被分類研究上的優(yōu)勢也需要進一步探討。因此，本研究以太湖湖濱帶（宜興段）為研究區(qū)，采集區(qū)域內5種典型植被高光譜數(shù)據(jù)，在利用光譜微分法與植被指數(shù)法進行數(shù)據(jù)運算的基礎上，運用人工神經網(wǎng)絡法進行植被分類，并比較識別湖濱帶不同植被，獲取分類結果，以期為太湖湖濱帶植被的分類與監(jiān)測研究提供有效的技術方法補充。

1材料與方法

1.1研究區(qū)概況

太湖位于江蘇省南部，南鄰浙江省湖州市，橫跨蘇州市、無錫市、常州市與宜興市4市域，全部水域位于江蘇省境內，是我國五大淡水湖之一。本研究所選湖濱帶研究區(qū)位于宜興市境內，宜興市地理位置為31°07′～31°37′N，119°31′～120°03′E，地區(qū)內氣候常年溫暖濕潤，年均氣溫15.7 ℃，降水量 1 177 mm，全年平均降水日136.6 d，地面與地下水含量非常豐富。

20世紀以來，太湖流域經濟快速發(fā)展，造成農田、濕地和林地被建設用地大量侵占，尤其是太湖湖濱植被帶被逐步蠶食。由于缺少完整的植被緩沖帶，導致湖面的富營養(yǎng)化明顯高于其他區(qū)域。因此，從2009年初開始，各級林業(yè)以及環(huán)保部門建立了環(huán)太湖的生態(tài)防護林及植被恢復林帶，當?shù)氐纳鷳B(tài)環(huán)境開始得到改善。本研究選擇的湖濱帶主要植被有水杉、蘆葦、香樟、重陽木、夾竹桃、柳杉等，并按照離湖堤的近遠呈現(xiàn)水杉—蘆葦—灌木—小喬—農田的分布結構。區(qū)域內喬木一般高度為4～5 m，樹齡為5～10年，研究區(qū)位置見圖1。

[FK（W12][TPYJ11.tif][FK）]

1.2研究方法

1.2.1高光譜數(shù)據(jù)采集依據(jù)均勻布點原則，在研究區(qū)內（主要距太湖大堤500 m范圍內）設置100個調查樣方（大小為10 m×10 m），開展光譜數(shù)據(jù)采樣工作。依據(jù)植被分布狀況，在距離大堤50～100 m范圍主要采集蘆葦光譜；距離大堤100～500 m范圍內采集小喬木、灌木光譜數(shù)據(jù)。植被光譜采集在無風晴朗天氣進行，為了達到較好的光照度，采樣時間定為每天10：00—15：00。為了降低光譜采集過程中人體光照反射對植被光譜采集的影響，所有采集光譜人員均著深色服裝，站立于植被和太陽連線之間。每個樣方在植被向陽冠層面采集3～5株同類型植被，每次采集10條光譜。為了使光譜儀視場內目標唯一，置光譜探頭于目標頂部1.3 m處。采集的植物屬性如表1所示。采樣設備選用美國ASD公司FieldSpec3 Hi-Res便攜式地物光譜儀，該光譜儀采用512陣元陣列PDA探測器和2個獨立的InGaAs探測器，具有高信噪比、高可靠性、高重復性的特征。其中350～1 000 nm光譜分別率為3 nm，光譜采樣間隔為1.377 nm；1 000～2 500 nm 光譜分辨率為10 nm，光譜采樣間隔為2 nm；最快可以得到10條/s光譜曲線的速度。

1.2.4植被信息提取

1.2.4.1光譜數(shù)據(jù)降維高光譜數(shù)據(jù)波段多、數(shù)據(jù)量大，數(shù)據(jù)間易形成較大的冗余，因此對數(shù)據(jù)進行降維處理有利于不同植被的辨識分類[18]。因子分析模型是1種基于降維的數(shù)據(jù)分析方法，它將變量群中有共性的變量進行分析，找出隱藏在眾多數(shù)據(jù)中具有代表性的因子，將同質性的因子歸為1類，使同組內的變量之間相關性較高，不同組間的相關性較低，以較少的新變量來代替之前繁多的變量，以起到降維的作用[19]。本研究采用植被原始反射率350～1 349、1 451～1 799、2 001～2 349 nm波段作為因子分析變量，植被一階微分采用500～1 000 nm波段為輸入變量進行因子分析，植被二階微分采用500～800 nm波段為輸入變量進行因子分析，23種植被指數(shù)不作因子分析。對3種光譜數(shù)據(jù)作因子分析，得到各自方差解釋以及方差最大化正交因子旋轉后的貢獻度。

1.2.4.2神經網(wǎng)絡分類人工神經網(wǎng)絡模型通過模擬大量相互連接的簡單處理單元工作，將處理單元按層排列。一般在人工神經網(wǎng)絡中通常有3個部分：1個輸入層（input layer），1個或者更多的隱藏層（hidden layers），1個輸出層（output layer）。這些單元間通過不斷變化的連接強度或權值連接[20]。本研究利用人工神經網(wǎng)絡對夾竹桃、柳杉、蘆葦、香樟、重陽木5類植被進行分類，其中神經網(wǎng)絡輸入層由植被反射率光譜、一階微分光譜、二階微分光譜因子分析得到的主因子以及23種植被指數(shù)組成；隱藏層在模型訓練過程開始前給予默認起始數(shù)值，在訓練過程中再對其進行調整；輸出層由植被類型1（夾竹桃）、2（柳杉）、3（蘆葦）、4（香樟）、5（重陽木）組成。

在因子分析的基礎上，將提取的因子變量作為輸入層導入Clementine數(shù)據(jù)源節(jié)點中并讀取數(shù)據(jù)；將5類植被類型（1，夾竹桃；2，柳杉；3，蘆葦；4，香樟；5，重陽木）作為輸出層；為了確保分類的準確性將輸入數(shù)據(jù)進行分區(qū)處理，50%用于訓練模型，50%用于模型驗證，建立神經網(wǎng)絡模型。采用動態(tài)方法進行神經網(wǎng)絡模型訓練，為了使分類訓練達到最優(yōu)模式，對測試數(shù)據(jù)進行多次試驗。為保證模型的精確再現(xiàn)性，設置隨機種子為1。選用Accuracy（99.8%）作為訓練停止標志，以保證每次訓練模型網(wǎng)絡達到最佳狀態(tài)。選取67條光譜作為訓練數(shù)據(jù)，30條光譜作為預測數(shù)據(jù)。

2結果與分析

2.1典型植被光譜濾波分析

利用S Golay濾波方法對原始的高光譜曲線進行去噪處理，植被光譜反射率濾波前后的變化見圖2。S-G濾波結果表明，在750～1 000 nm之間存在的較大噪聲被有效地平滑了，基本保留了其真實光譜特征。

2.2典型植被高光譜數(shù)據(jù)導數(shù)變換

對香樟光譜做一階微分、二階微分變換，得到剔除水汽波段的光譜微分曲線（圖3），植被光譜特征變化被很清晰地展示出來。植被一階微分光譜中，在520、570 nm附近出現(xiàn)明顯的波峰、波谷；在680～750 nm范圍內出現(xiàn)極為明顯的峰值，最大值達到0.007（圖3-a）。植被二階微分光譜中，在 510 nm 附近出現(xiàn)第1個明顯峰值，在690 nm附近值最大（圖3-b）。

2.3典型植被光譜反射率分析

湖濱帶5種典型植被高光譜特征見圖4，其光譜曲線反映不同植被獨特的生理特性：在可見光波段范圍內（380～760 nm），各種色素支配著植物的光譜響應，其中葉綠素所起的作用最重要[21]；在中心波長450 nm（藍色）、650 nm（紅色）的2個譜帶內，葉綠素吸收大部分入射能量，導致該段光譜反射率較低；在540 nm（綠色）附近植被吸收作用較小，該處光譜曲線形成1個反射峰；在可見光波段和近紅外波段之間760 nm附近光譜反射率急劇上升，從而形成了植被光譜最顯著的特征，稱為“紅邊”現(xiàn)象；在光譜中紅外波段，植被光譜曲線受到體內水分含量影響，于1 650、2 000 nm附近形成反射峰（圖4）。

在可見光范圍內，水體反射光譜特征主要受到水體表面、水體懸浮物、水底部物質和水體葉綠素濃度的影響[22]。在近紅外與中紅外波段范圍內，水體幾乎能夠完全吸收入射的電磁波能量，使光譜反射率接近零。瀝青路的光譜反射特征主要受石子尺寸、瀝青及混合比例的影響[23]，瀝青路光譜反射率始終低于0.1，基本不隨著波長變化而波動。土壤是種復雜的混合物，由物理、化學性質不同的各種物質組成，這些物質將影響土壤光譜反射特征。有關研究表明，土壤光譜特征主要受到土壤礦物、有機質、含水量和質地的影響[24]。此外，裸土的光譜反射率與波長呈現(xiàn)一定的正相關性，而這與土壤中的水分、有機質含量有關。[FL）]

對濱岸帶5類典型植被光譜進行因子分析表明，旋轉后3類因子累積貢獻度，植被原始反射率光譜11個因子的累積貢獻度已經達到99%，植被500～1 000 nm光譜一階微分7個因子的累積貢獻度達到93%，植被500～800 nm光譜二階微分10個因子的累積貢獻度達到86%。該3類數(shù)據(jù)處理方法所得公共因子均能有效描述植被信息。

[HTK]2.5典型植被神經網(wǎng)絡分類分析

2.5.1不同光譜特征的分類方法結果分析采用人工神經網(wǎng)絡模型分別對以上3類光譜處理方法提取的公共因子和23種植被指數(shù)進行分類。結果發(fā)現(xiàn)，3種光譜處理法、植被指數(shù)法對于湖濱帶典型植被分類效果并不一致（表3）。采用植被光譜原始反射率并不能對5類植被進行準確分類，5類均出現(xiàn)了錯分現(xiàn)象。對典型植被原始光譜所得公共因子進行神經網(wǎng)絡分類訓練，結果表明，訓練精度達到99.8%，利用預測數(shù)據(jù)集進行模型驗證，驗證分類精度為70%。原始反射率光譜用于柳杉、蘆葦、香樟三者間的分類出現(xiàn)較大偏差。值得注意的是，通過光譜曲線分布可以清晰地發(fā)現(xiàn)柳杉光譜反射率曲線整體低于蘆葦、香樟；蘆葦光譜反射率曲線分布范圍與香樟相似，且最大反射率曲線均大于柳杉最大者，并且最小反射率曲線均小于柳杉最小者，三者原始光譜可分性不強。

對23種植被指數(shù)進行神經網(wǎng)絡分類訓練，結果表明，訓練精度達到99.9%，利用預測數(shù)據(jù)集進行模型驗證，結果表明[CM（25]，驗證精度達到83.33%。23種植被指數(shù)只能將夾竹桃正

光譜一階微分法對夾竹桃、蘆葦能有效區(qū)分，準確度達到100%；柳杉、香樟、重陽木間出現(xiàn)錯分現(xiàn)象。對典型植被光譜二階微分法所得公共因子進行神經網(wǎng)絡分類訓練，訓練精度達到99.8%，利用預測數(shù)據(jù)集進行模型驗證，驗證精度達到93.3%。光譜二階微分法對于夾竹桃、柳杉、蘆葦三種植被間能有效的區(qū)分，沒有出現(xiàn)錯分現(xiàn)象；香樟與重陽木間出現(xiàn)錯分現(xiàn)象。

2.5.2不同光譜特征的植被類型分類結果比較5類典型植被分類結果中，對于夾竹桃的分類預測，除了利用原始光譜反射率，植被指數(shù)、一階微分、二階微分均能100%正確地進行分類。對于柳杉的分類預測，只有二階微分能實現(xiàn)100%的精度分類。對于蘆葦?shù)姆诸愵A測，一階微分、二階微分能實現(xiàn)100%精度的分類。對于香樟的分類預測，只有原始光譜反射率實現(xiàn)了100%精度的分類。對于重陽木的分類預測，4類處理方法得出的分類精度均為87.5%，都未實現(xiàn)100%分類精度。4類研究方法對于夾竹桃的分類效果最好，對柳杉的分類效果最差。

光譜二階微分法植被分類Kappa系數(shù)達到0.92；原始光譜分類Kappa系數(shù)0.62。綜合分析可知，二階微分法對于5類典型植被的分類效果最好，原始光譜反射率的分類效果最差。

3結論

基于實測高光譜數(shù)據(jù)對太湖湖濱帶典型植被開展遙感分類研究，不僅能有效地克服傳統(tǒng)遙感影像基于像元分類帶來的“同譜異物”“同物異譜”現(xiàn)象，而且能夠精確地區(qū)分不同地物類型，描繪出地區(qū)植被分布狀況，為精確地分析與評價湖濱帶生態(tài)系統(tǒng)提供了技術支撐。研究結果表明：（1）采集的湖濱帶5種典型植被中，通過S Golay濾波方法，較好地平滑了光譜中的噪聲，保留了其真實光譜特征；（2）在利用原始反射率、植被指數(shù)、一階光譜微分和二階光譜微分的4種分類組合中，二階微分數(shù)據(jù)的神經網(wǎng)絡分類精度最高，原始分辨率分類精度最低；（3）在不同植被類型的分類中，4類研究組合的預測分類結果略有差異，其中對夾竹桃的分類效果最好，對柳杉的分類效果最差。

盡管本研究對太湖湖濱帶典型植被分類開展了較為詳細的研究，但以下幾個方面還需要在后續(xù)研究中進一步探討：（1）本研究中的喬木冠層光譜采樣是否規(guī)范，是否最真實地反映植被光譜；（2）湖濱帶5種典型植被的分類所采用的數(shù)據(jù)處理模式是否具有較好的普適性，是否適用于其他地區(qū)。

參考文獻：

[1]吳見，彭道黎. 基于空間信息的高光譜遙感植被分類技術[J]. 農業(yè)工程學報，2012，28（5）：150-153.

[2]潘佩芬，楊武年，戴曉愛，等. 不同森林植被的高光譜特征分析[J]. 遙感技術與應用，2013，28（6）：1000-1005.

[3]萬余慶，閻永忠，張鳳麗. 延河流域植物光譜特征分析[J]. 國土資源遙感，2001（3）：15-20.

[4]范文義，杜華強，劉哲. 科爾沁沙地地物光譜數(shù)據(jù)分析[J]. 東北林業(yè)大學學報，2004，32（2）：45-48.

[5]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.

[6]李娜，趙慧潔，賈國瑞. 因子分析模型的高光譜數(shù)據(jù)降維方法[J]. 中國圖象圖形學報，2011，16（11）：2030-2035.

[7]周輝，王衛(wèi)東，李星敏，等. 基于長時間序列NDVI的陜西省耕地復種指數(shù)遙感監(jiān)測分析[J]. 干旱地區(qū)農業(yè)研究，2014（3）：189-195.

[8]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.

[9]高林，李長春，王寶山，等. 基于多源遙感數(shù)據(jù)的大豆葉面積指數(shù)估測精度對比[J]. 應用生態(tài)學報，2016，27（1）：191-200.[ZK）]

[10]林川，宮兆寧，趙文吉. 葉冠尺度野鴨湖濕地植物群落含水量的高光譜估算模型[J]. 生態(tài)學報，2011，31（22）：6645-6658.

[11]Peuelas J，F(xiàn)ilella I，Gamon J A，et al. Assessment of photosynthetic radiation-use efficiency with spectral reflectance[J]. New Phytologist，1995，131（3）：291-296.

[12]Blackburn G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales：an evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment，1998，66（3）：273-285.

[13]Peuelas J，Gamon J A，F(xiàn)redeen A L. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves[J]. Remote Sensing of Environment，1994，48（2）：135-146.

[14]Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，2002，81（2/3）：337-354.

[15]Haboudane D，Miller J R，Pattey E，et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment，2004，90（3）：337-352.

[16]Gnyp M L，Miao Y X，Yuan F，et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field Crops Research，2014，155（155）：42-55.

[17]尚坤，張霞，孫艷麗，等. 基于植被特征庫的高光譜植被精細分類[J]. 光譜學與光譜分析，2015，35（6）：1669-1676.

[18]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]. 光譜學與光譜分析，2012，32（2）：459-464.

[19]肖艷芳，宮輝力，周德民. 基于因子分析的苜蓿葉片葉綠素高光譜反演研究[J]. 生態(tài)學報，2012，32（10）：3098-3106.

[20]官莉，劉旸，張雪慧. 人工神經網(wǎng)絡算法在紅外高光譜資料反演大氣溫度廓線中的應用[J]. 大氣科學學報，2010，33（3）：341-346.

[21]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.

[22]柴穎，阮仁宗，傅巧妮. 高光譜數(shù)據(jù)濕地植被類型信息提取[J]. 南京林業(yè)大學學報（自然科學版），2015，39（1）：181-184.

[23]趙斌，吳桂芳，郝培文. 應用紅外光譜進行不同性狀瀝青的判別[J]. 化工進展，2012，31（12）：2753-2755，2760.

[24]劉磊，沈潤平，丁國香. 基于高光譜的土壤有機質含量估算研究[J]. 光譜學與光譜分析，2011，31（3）：762-766.