字 李, 謝福明, 舒清態(tài), 吳 榮

(西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224)

與傳統(tǒng)的遙感數(shù)據(jù)相比，高光譜數(shù)據(jù)具有分辨率高、波段多、信息含量豐富的獨(dú)特優(yōu)勢(shì)，然而其龐大的數(shù)據(jù)量也給研究和應(yīng)用帶來(lái)了困難.為此，國(guó)內(nèi)外學(xué)者做了大量關(guān)于高光譜樹種精細(xì)判別的研究.王志輝[1]、洪嬌[2]等對(duì)比了不同樹種的原始光譜、一階微分光譜、二階微分光譜曲線圖，發(fā)現(xiàn)區(qū)分不同樹種的波段主要位于近紅外波段，并且利用歐式距離法對(duì)波段選擇結(jié)果進(jìn)行檢驗(yàn). 褚西鵬等[3]采用平滑處理提高了葉片高光譜數(shù)據(jù)樹種分類的精度.丁麗霞等[4]利用包絡(luò)線去除法對(duì)高光譜數(shù)據(jù)降維處理，有效解決了高光譜數(shù)據(jù)冗余的問題.劉秀英等[5]發(fā)現(xiàn)原始數(shù)據(jù)對(duì)數(shù)變換的一階微分的杉木和馬尾松的判別精度最高.相比于國(guó)內(nèi)，國(guó)外對(duì)于樹種精細(xì)判別的研究相對(duì)較早，應(yīng)用更為廣泛.Prospere et al[6]在判別牙買加熱帶濕地樹種的研究中發(fā)現(xiàn)彈性網(wǎng)規(guī)則化廣義線性模型更適合于基于特征選擇的光譜指數(shù). Meng和Dennison[7]使用特征選擇技術(shù)，采用決策樹算法分類比較冠層尺度的高光譜數(shù)據(jù)，減少數(shù)據(jù)冗余和計(jì)算時(shí)間，提高了樹種分類精度.但目前利用非成像高光譜遙感數(shù)據(jù)精細(xì)判別森林針葉樹種的研究較少，對(duì)生態(tài)脆弱區(qū)典型針葉樹種的判別就更少.

本試驗(yàn)以香格里拉市生態(tài)脆弱區(qū)云南松(Pinusyunnanensis)、高山松(Pinusdensata)、云杉(Piceaasperata)、冷杉(Abiesfabri)4種典型針葉樹種為研究對(duì)象，在利用ASD Field Spec 3地物光譜儀野外采集光譜數(shù)據(jù)和預(yù)處理的基礎(chǔ)上，對(duì)實(shí)測(cè)的葉片高光譜數(shù)據(jù)進(jìn)行原始光譜、一階微分光譜、二階微分光譜分析，借助Fisher判別分析方法對(duì)4種典型針葉樹最佳波段窗口和判別精度進(jìn)行驗(yàn)證，旨在為中大尺度機(jī)載、星載高光譜遙感樹種精細(xì)分類提供指導(dǎo).

1 材料與方法

1.1 試驗(yàn)區(qū)概況

位于滇西北的香格里拉市地處世界自然遺產(chǎn)“三江并流”核心區(qū)(99°20′—100°19′E、26°52′—28°52′N)，平均海拔3 459 m.主要?dú)夂蝾愋蜑樯降睾疁貛Ъ撅L(fēng)氣候，降雨量充足，優(yōu)越的水熱條件為當(dāng)?shù)厣值纳L(zhǎng)提供了良好的環(huán)境.香格里拉市林地面積9 509 km2，森林覆蓋率74.99%，主要有高山櫟、云冷杉、落葉松、云南松、高山松、華山松等10種植被類型.本試驗(yàn)所選的4種樹種均為當(dāng)?shù)氐湫歪樔~樹種，合計(jì)占林地總面積的60.20%，陰坡、陽(yáng)坡均有分布.其中云南松林面積984 km2，占林地總面積的10.35%，分布海拔為1 700～2 800 m，主要土壤為褐土、紅壤、黃棕壤、亞高山和高山草甸土，上限與亞高山的高山松林犬牙交錯(cuò)；高山松林面積1 742 km2，占林地總面積的18.32%，分布于云杉、冷杉林下限，分布海拔為2 800～3 500 m，主要土壤為棕壤、亞高山和高山草甸土；云杉林面積956 km2，占林地總面積的10.05%，分布于冷杉林下限、高山松上限，分布海拔為2 900～3 500 m，主要土壤為亞高山和高山草甸土；冷杉林面積2 044 km2，占林地總面積的21.50%，分布上限接高山杜鵑灌木林或高山草甸，下限接云杉林，分布海拔為3 000～4 500 m，主要土壤為暗棕壤、棕色針葉林土、亞高山和高山草甸土.

1.2 光譜數(shù)據(jù)采集

本試驗(yàn)采用ASD Field Spec 3地物光譜儀采集4種針葉樹種的葉片光譜反射率，該設(shè)備在350～1 500 nm波長(zhǎng)范圍內(nèi)分辨率為3 nm，采樣間隔為1.4 nm；在1 500～2 500 nm波長(zhǎng)范圍內(nèi)設(shè)備分辨率為10 nm，采樣間隔為2 nm.

由于測(cè)定的樹種比較高大，故采用離體測(cè)量的方法采集數(shù)據(jù)[8]，即先用高枝剪剪下向陽(yáng)面健康的樹枝，將松針緊密地鋪在黑布上，再進(jìn)行數(shù)據(jù)采集.采集時(shí)間為2015年11月18—21日11:00—16:00，該時(shí)段天氣晴朗少云無(wú)風(fēng).選用10°光譜儀視場(chǎng)角，測(cè)定時(shí)探頭垂直向下，與采集樣本的垂直距離以松針全部落入視場(chǎng)范圍內(nèi)為準(zhǔn).每次采集光譜數(shù)據(jù)前，都進(jìn)行一次標(biāo)準(zhǔn)的白板校正，并根據(jù)當(dāng)?shù)氐奶鞖庾兓瘜?shí)時(shí)優(yōu)化系統(tǒng)，取10個(gè)光譜值的平均值作為一個(gè)采樣光譜樣本.每個(gè)樹種選取10棵樹，從每棵樹的3個(gè)高度(2、4、6 m)采集6個(gè)向陽(yáng)面的健康樹枝.以枝條為單位，每種樹采集60個(gè)樣本，共計(jì)240個(gè)樣本數(shù)據(jù).

1.3 數(shù)據(jù)預(yù)處理

1.3.1 異常光譜數(shù)據(jù)處理 在處理異常光譜時(shí)，首先采用View SpecPro 6.0光譜處理軟件導(dǎo)出由美國(guó)ASD Field Spec 3地物光譜儀測(cè)量的原始光譜反射率曲線，每次顯示10條光譜反射率曲線，刪除與整體樣本偏離較大的樣本和異常光譜樣本，重復(fù)以上步驟直到整個(gè)樣本數(shù)據(jù)分布均勻.然后檢查樣本數(shù)據(jù)的所有波段(350～2 500 nm)，刪除受空氣中的水汽以及儀器的系統(tǒng)誤差影響較大的波段(1 350～1 400、1 800～1 950、2 300～2 500 nm)的數(shù)據(jù)，保留質(zhì)量較高的波段(350～1 349、1 401～1 799、1 951～2 299 nm)的數(shù)據(jù).

1.3.2 均值處理 由于不同針葉林類型不同高度葉片的生化參數(shù)空間分布不均勻，導(dǎo)致各高度對(duì)應(yīng)的光譜反射率也有所變化.將不同高度枝條測(cè)得的光譜反射率值取平均作為一棵樹的光譜反射率值，某一樹種的光譜反射率值是所有樹種樣本的光譜反射率平均值.

1.3.3 平滑去噪處理 研究表明,采用Savitzky-Golay濾波算法對(duì)數(shù)據(jù)進(jìn)行平滑去噪，不僅能有效去除脈沖噪聲和白噪聲，還可以保留原始高光譜數(shù)據(jù)的奇異特征并對(duì)移動(dòng)窗口的曲線進(jìn)行擬合，從而提高光譜數(shù)據(jù)特征波段提取的精度[9]，計(jì)算公式如下：

(1)

式中，Yi為濾波后的光譜曲線，Yi+1為原始光譜曲線，Cj為濾波系數(shù)，N為滑動(dòng)窗口所包括的數(shù)據(jù)點(diǎn)2m+1.對(duì)比分析本試驗(yàn)光譜曲線實(shí)際情況，滑動(dòng)窗口N取值為25.

1.3.4 數(shù)據(jù)統(tǒng)計(jì)分析 利用Excel 2013軟件對(duì)預(yù)處理得到的原始光譜反射率、反射率一階微分和反射率二階微分結(jié)果逐個(gè)進(jìn)行分類整理，得到3張相對(duì)應(yīng)的樣本光譜特征表.隨機(jī)選取2/3(云南松、高山松、云杉和冷杉各40個(gè))樣本進(jìn)行敏感波段分析，選取1/3樣本(云南松、高山松、云杉和冷杉各20個(gè))進(jìn)行SPSS判別分析及精度檢驗(yàn).

1.4 微分法

由于受儀器自身和大氣的影響，野外采集的非成像高光譜數(shù)據(jù)之間普遍存在系統(tǒng)誤差以及大氣吸收、散射和輻射等背景噪聲.利用光譜微分法不但可有效消除這些誤差和背景噪聲，還可分辨原始光譜的重疊光譜，增強(qiáng)微分光譜曲線上的細(xì)微變化，提取出可判別樹種的光譜吸收峰參數(shù),以達(dá)到樹種的判別精度[10-13].

1.4.1 光譜一階微分 光譜一階微分代表原始光譜曲線在各個(gè)波段的斜率,反映了原始光譜反射率升降的程度,光譜反射率升降分別用正值和負(fù)值表示[11]，計(jì)算公式如下：

(2)

式中，λt為第波段，F(xiàn)DRλt為波段t和波段t+1之間的光譜一階微分，Rλt、Rλt+1為相對(duì)應(yīng)的波段t、t+1處原始光譜反射率值，Δλ為1.

1.4.2 光譜二階微分 光譜二階微分代表了原始光譜曲線的彎曲狀況,原始光譜曲線凹凸分別用用正值和負(fù)值表示,相比于光譜一階微分，光譜二階微分更加有效地?cái)U(kuò)大了光譜間細(xì)微的差別[14]，計(jì)算公式如下：

(3)

式中，λt為第波段，SDRλt為波段t和波段t+2之間的光譜二階微分，Rλt、Rλt+1、Rλt+2為相對(duì)應(yīng)的波段t、t+1處原始光譜反射率值，Δλ為1.

1.5 Fisher判別分析

Fisher判別分析的基本思想是投影，將k組p維數(shù)據(jù)投影到某一個(gè)方向，使得它們的投影對(duì)組與組之間來(lái)說(shuō)差異盡可能地大[15].給定一個(gè)樣本，要判斷它屬于哪個(gè)總體，其判別函數(shù)為：

(4)

實(shí)際應(yīng)用中，要從貢獻(xiàn)率最大的函數(shù)選起，依次選擇第一個(gè)函數(shù)，第二個(gè)函數(shù)，第三個(gè)函數(shù)……使函數(shù)的累積貢獻(xiàn)率達(dá)到一定的水平.利用Fisher判別函數(shù)判別后，使各組間的差異盡量大，而組內(nèi)各個(gè)樣本的差異盡量小，組間差異和組內(nèi)差異的比值越大越好.Fisher判別分析可以篩選出樹種判別能力最強(qiáng)的波段并顯示判別精度，對(duì)多波段高光譜數(shù)據(jù)的判別效果更佳[16].

本試驗(yàn)對(duì)香格里拉4種典型針葉樹種進(jìn)行判別時(shí)，先基于原始光譜曲線、光譜一階微分曲線和光譜二階微分曲線選出特征波段，分別對(duì)應(yīng)到原始光譜的80個(gè)樣本，篩選出每組特征波段所對(duì)應(yīng)的原始光譜反射率值，利用SPSS 17.0分別對(duì)3個(gè)特征組處理結(jié)果進(jìn)行Fisher判別分析.Fisher判別分析時(shí)分組變量選擇“樹種”，自變量為對(duì)應(yīng)的3種數(shù)據(jù)轉(zhuǎn)換方法所選出來(lái)的特征波段；采用步進(jìn)式方法，使用馬氏距離進(jìn)行逐步變量選擇，選用F值作為逐步判別停止的標(biāo)準(zhǔn)， 進(jìn)入變量和剔除變量的F值分別為3.84和2.71.由于4種樹種的所選樣本數(shù)量相等，在進(jìn)行逐步判別時(shí)，每種樹種的權(quán)重值相等，在進(jìn)行4種典型針葉樹種判別的基礎(chǔ)上，針對(duì)根據(jù)空間分布特征分開的兩組樹種進(jìn)一步判別.

2 結(jié)果與分析

2.1 光譜特征

圖1 4種典型針葉樹種原始光譜曲線Fig.1 The original spectrum curve of 4 tree species

2.1.1 4種典型針葉樹的光譜曲線 4種典型針葉樹種的原始光譜曲線如圖1，整體上4種樹種的曲線狀態(tài)較為相似，符合綠色植被的光譜曲線.由于葉綠素強(qiáng)烈的吸收作用和反射作用，在490、550、680 nm附近呈現(xiàn)“藍(lán)谷現(xiàn)象”、“綠峰現(xiàn)象”、“紅谷現(xiàn)象”，在710～800 nm波段反射率陡峭上升，在800 nm附近呈現(xiàn)“紅邊現(xiàn)象”.但在特定的波段仍然存在差異，如在“綠峰”附近，冷杉的反射率明顯低于其它樹種；在“紅邊”附近，云南松的反射率明顯高于其它樹種.

由光譜一階微分曲線(圖2)可知，在730 nm附近原始光譜反射率變化程度最大，且云杉的變化程度明顯高于其它三種樹種；在1 140 nm附近，其反射率變化程度也存在明顯差異.由光譜二階微分曲線(圖3)可得，原始光譜曲線凹凸比較明顯的波段主要位于690、740、1 160、1 410 nm附近.

圖2 4種典型針葉樹種光譜一階微分線Fig.2 The first derivative spectrum of 4 tree species

用于樹種判別，以10 nm為步長(zhǎng)，在原始光譜曲線、一階微分光譜曲線、二階微分光譜曲線分別選出21、11、9個(gè)波段，具體波段詳見表1.

表1 4種典型針葉樹種不同光譜處理方法的顯著差異波段Table 1 Bands which showed significant difference by 3 spectra processing methods

2.1.2 云南松、高山松的光譜曲線 在海拔2 800 m附近，云南松、高山松交替分布，二者具有極其相似的葉片形態(tài)和空間分布特征，所以對(duì)其進(jìn)行做進(jìn)一步的判別.原始光譜差異最明顯的波段為800～1 120 nm(近紅外波段)，在730 nm附近二者原始光譜反射率變化程度最大(云南松大于高山松)，原始光譜曲線凹凸比較明顯的波段位于690 nm和740 nm附近，以10 nm為步長(zhǎng)從中選取光譜差異性較大波段用于云南松、高山松的判別(表2).

表2 云南松、高山松不同光譜處理方法顯著差異波段Table 2 Bands that showed significant difference by 3 spectra processing methods when distinguishing P.densata from P.yunnanensis

2.1.3 云杉、冷杉的光譜曲線 對(duì)比云冷杉的原始光譜曲線(圖1)、光譜一階微分曲線(圖2)、光譜二階微分曲線(圖3)可以看出，二者原始光譜在550(綠峰)、1 190、1 650 nm附近差異明顯，在730 nm附近二者原始光譜反射率變化程度最大(冷杉大于云杉)，原始光譜曲線凹凸比較明顯的波段位于690 nm和740 nm附近，以10 nm為步長(zhǎng)從中選取差異性較大的波段用于云杉、冷杉的判別(表3).

表3 云杉、冷杉不同光譜處理方法顯著差異波段Table 3 Bands that showed significant difference by 3 spectra processing methods when distinguishing P.asperata from A.fabri

2.2 樹種判別

2.2.1 4種典型針葉樹種的判別 4種針葉樹不同光譜處理方法的樹種判別精度及入選波段見表4.原始光譜共入選7個(gè)波段，其中5個(gè)位于近紅外波段，1個(gè)位于綠光波段，1個(gè)位于藍(lán)光波段，最佳波段窗口位于近紅外波段(980～989 nm).一階微分光譜共入選8個(gè)判別波段，3個(gè)位于近紅外波段，1個(gè)位于紅光波段，2個(gè)位于綠光波段，2個(gè)位于藍(lán)光波段，最佳波段窗口位于藍(lán)光波段(415～424 nm).二階微分光譜入選8個(gè)波段， 其中5個(gè)位于近紅外波段，2個(gè)位于綠光波段，1個(gè)位于藍(lán)光波段，最佳波段窗口位于近紅外波段(960～969 nm).3種數(shù)據(jù)處理方法樹種判別的總體精度均不低86.3%，說(shuō)明利用Fisher判別分析對(duì)特征波段的降維效果顯著，可用于葉生態(tài)脆弱區(qū)典型針葉林樹種的判別.此外，一階微分光譜和二階微分光譜的總體判別精度(分別為97.5%和98.8%)都高于原始光譜的判別精度(86.3%)，說(shuō)明對(duì)原始光譜進(jìn)行微分變換，尤其二階微分變換可以有效地提高針葉林樹種精細(xì)判別的精度.

表4 4種典型針葉樹種不同光譜處理方法的樹種判別精度及入選波段Table 4 Accuracy of different spectrum processing methods and candidate bands for spectral discrimination

2.2.2 云南松、高山松的判別 云南松、高山松判別精度及判別函數(shù)所入選波段見表5，原始光譜入選7個(gè)波段用于判別，其中6個(gè)位于近紅外波段，1個(gè)位于藍(lán)光波段，最佳波段窗口位于近紅外波段(870～879 nm)；一階微分光譜入選的8個(gè)波段中，4個(gè)位于近紅外波段，1個(gè)位于紅光波段，1個(gè)位于綠光波段，2個(gè)位于藍(lán)光波段，最佳波段窗口位于近紅外波段(1 020～1 029 nm)；對(duì)于二階微分光譜入選的5個(gè)波段， 1個(gè)位于近紅外波段，1個(gè)位于紅光波段，2個(gè)位于綠光波段，1個(gè)位于藍(lán)光波段，最佳波段窗口位于綠光波段(530～539 nm).相比于4種樹種的總體判別精度，其3種數(shù)據(jù)處理方式總體判別精度明顯提高，所選波段可用于兩種樹種的判別.

表5 云南松、高山松不同光譜處理方法樹種判別精度及入選波段Table 5 Accuracy of different spectrum processing methods and candidate bands for spectral discrimination when comparing P.densata and P.yunnanensis

2.2.3 云杉、冷杉的判別 原始光譜共入選5個(gè)波段用于判別云杉和冷杉(表6)，其中3個(gè)位于近紅外波段，2個(gè)位于綠光波段，最佳波段窗口位于綠光波段(540～549 nm)；對(duì)于一階微分光譜，入選的5個(gè)波段中，1個(gè)位于近紅外波段，2個(gè)位于紅光波段，1個(gè)位于綠光波段，1個(gè)位于藍(lán)光波段，最佳波段窗口位于綠光波段(520～529 nm)；對(duì)于二階微分光譜，入選的7個(gè)波段中， 3個(gè)位于近紅外波段，2個(gè)位于紅光波段，2個(gè)位于綠光波段， 最佳波段窗口位于近紅外波段(1 150～1 159 nm).

表6 云冷杉不同光譜處理方法樹種識(shí)別精度及入選波段Table 6 Accuracy of different spectrum processing methods and candidate bands for spectral discrimination when comparing P.asperata and A.fabri

3 討論

香格里拉市地處青藏高原南延部分和橫斷山脈縱谷地帶，特殊地貌和寒冷氣候?qū)е铝舜嗳醯纳鷳B(tài)環(huán)境，境內(nèi)森林覆蓋率高，樹種比較單一.區(qū)分不同針葉樹種所選擇的波段寬度都為10 nm，說(shuō)明要區(qū)分不同的針葉樹種，應(yīng)充分利用高光譜數(shù)據(jù)波段窄的優(yōu)勢(shì)，挖掘出不同針葉樹種高光譜信息特征的差異性.已有許多高光譜遙感影像能提供足夠窄且覆蓋近紅外波段的數(shù)據(jù)，如 MODIS 數(shù)據(jù)(9 個(gè)近紅外波段)、 Hyperion數(shù)據(jù)(216 個(gè)近紅外波段).

本試驗(yàn)分析了4種不同樹種的實(shí)測(cè)光譜曲線，雖然整體上不同的樹種的光譜特性十分相似，符合綠色植被的光譜曲線，但也存在著微小的差異.為有效地對(duì)4種針葉樹種精細(xì)判別，將其分為云南松、高山松和云冷杉兩組進(jìn)一步判別.4種樹種、云冷杉和云南松、高山松差異最顯著的原始波段分別為980～989、540～549、870～879 nm；利用光譜微分變換處理能夠增強(qiáng)這些差異，一階、二階微分變換后其差異最顯著的波段分別為415～424、520～529、1 020～1 029 nm和960～969、1150～1159、530～539nm；利用光譜微分變換處理能夠增強(qiáng)這些差異，提高光譜判斷的精確度. 不同譜微分換方法選擇的波段有些不同，但用于識(shí)別不同樹種的波段大都位于近紅外波段.Fisher判別方程入選波段中，510～559和680～739 nm是本試驗(yàn)最重要的光譜區(qū)域，與任何其它分區(qū)相比，510～559 nm包含最多的多次選擇波長(zhǎng)，這是與葉綠素有關(guān)的反射作用影響差異所致；680～739 nm區(qū)域包含了多次選擇的最高頻率的連續(xù)波長(zhǎng)，這歸因于近紅外波段的重要性，這與Jones et al[17]、Cross et al[18]等國(guó)外研究成果較為一致.雖然實(shí)驗(yàn)結(jié)果較為理想，但也存在以下不足之處：

(1)在樣本數(shù)據(jù)的采集時(shí)，考慮到針葉林類型的樹木冠層過高，只是借鑒了前人的研究成果，利用黑布和成簇的松針來(lái)模擬樹木冠層的環(huán)境，而并未采集真實(shí)冠層的非成像高光譜數(shù)據(jù).在今后的研究之中，若能獲取實(shí)測(cè)的冠層非成像高光譜數(shù)據(jù)，將更好的為中大尺度機(jī)載、星載高光譜遙感樹種精細(xì)分類提供指導(dǎo).此外采集的數(shù)據(jù)由于受到水汽波段的影響剔除了(1 350～1 400、1 800～1 950、2 300～2 500 nm)的數(shù)據(jù)，而借鑒丁麗霞等[4]的研究結(jié)果，選擇出的最佳波段中有1 920 nm左右的波段，室外采集的數(shù)據(jù)一定程度上降低了樹種判別的精度.

(2)本試驗(yàn)的數(shù)據(jù)采集時(shí)間為11月份，未能檢測(cè)到葉片光譜樹種判別的最佳時(shí)相，基于不同時(shí)相的4種樹種的葉片光譜的動(dòng)態(tài)變化分析需要進(jìn)一步探索.而且不同樹種具有不同的最佳判別年齡，今后的研究中，可采用樹種不同年份的光譜數(shù)據(jù)，綜合各年份的光譜特征進(jìn)行樹種的精細(xì)判別.