摘 要：為區(qū)別喀斯特高原森林植被類型，利用高光譜技術(shù)對森林植被開展光譜特征分析，為喀斯特高原貴州省森林植被的遙感探測與精準(zhǔn)識別提供理論與技術(shù)支持。本研究采用ASDFieldSpec4便攜式地物光譜儀對貴州省常見的華山松(Pinus armandiiFranch)、麻櫟(Quercus acutissimaCarruth)、馬尾松(Pinus massonianaLamb)、杉木(Cunninghamia lanceolata)、水杉(Metasequoia glyptostroboides)、香樟(Cinnamomum camphora)、云南松(Pinus yunnanensis)、柏木(Cupressus funebris Endl. )8種樹種的光譜數(shù)據(jù)進(jìn)行采集。在對原始光譜數(shù)據(jù)進(jìn)行異常值處理的基礎(chǔ)上，進(jìn)行包絡(luò)線去除，比較原始光譜和包絡(luò)線去除圖，選擇差異較大的波段用于識別不同樹種。結(jié)果表明：原始光譜中11個特征波段差異都較為明顯，去包絡(luò)線中1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段范圍內(nèi)差異較為明顯，說明包絡(luò)線去除法能有效縮小樹種特征波段范圍，達(dá)到運(yùn)用較少波段識別樹種的目的。用歐氏距離法對選取的特征波段進(jìn)行驗(yàn)證，發(fā)現(xiàn)運(yùn)用原始光譜曲線與包絡(luò)線去除法選取的特征波段皆能有效區(qū)分樹種，且包絡(luò)線去除法的效果更好。

　　關(guān)鍵詞：高光譜;樹種鑒別;包絡(luò)線去除法;歐氏距離

　　森林是陸地生態(tài)系統(tǒng)的主體，是人類發(fā)展不可缺少的自然資源，準(zhǔn)確獲取森林樹種類型與空間分布信息對于區(qū)域林業(yè)經(jīng)營與管理、保護(hù)物種多樣性，改善區(qū)域生態(tài)環(huán)境，以及建立林木生長模型等方面具有重要意義[1-5]。傳統(tǒng)的樹種識別方法主要以費(fèi)時費(fèi)力的野外調(diào)查為主。由于高光譜遙感具有波段多、波寬窄的特點(diǎn)，其光譜曲線能夠準(zhǔn)確區(qū)分地物種類，為快速、大面積的森林樹種識別提供了可能，相關(guān)研究已成為國際高光譜植被遙感研究的熱點(diǎn)[6-9]。

　　Matthew等[10]基于高光譜遙感影像采用物種辨識分析程序等方法提取7種熱帶雨林樹種;Bunting等[11]利用不同季節(jié)的CASI高光譜影像通過構(gòu)建樹種冠層聚類分析法對澳大利亞昆士蘭州的9種森林群落的信息進(jìn)行了提取。宮鵬等[12]利用實(shí)測光譜數(shù)據(jù)識別了美國加州的6種主要針葉樹種，證明了高光譜數(shù)據(jù)具有較強(qiáng)的樹種識別潛力。陳爾學(xué)等[13]研究發(fā)現(xiàn)對高光譜數(shù)據(jù)進(jìn)行降維處理，并采用更加有效的二階統(tǒng)計量估計方法，進(jìn)而應(yīng)用將空間上下文信息和光譜信息相結(jié)合的分類算法，可以有效提高高光譜數(shù)據(jù)森林類型的識別精度。陳璇等[14]基于包絡(luò)線法和并對其進(jìn)行一階微分處理對麥冬、圓柏和珊瑚樹進(jìn)行了有效區(qū)分。王志輝等[15]利用光譜一階、二階微分法對高光譜遙感圖像進(jìn)行處理，選擇樹種特征差異性加大的波段進(jìn)行組合降維，再利用野外實(shí)地調(diào)查樣地作為訓(xùn)練樣本進(jìn)行樣本，對毛竹、雷竹、雜竹等7個樹種進(jìn)行了有效區(qū)分。徐凱健等[16]基于全年逐旬或逐月尺度的時序光譜數(shù)據(jù)，并結(jié)合相應(yīng)的微分變換方法，能有效提高區(qū)域尺度優(yōu)勢樹種的識別精度。

　　王波等[17]基于6種典型灌木植物的室內(nèi)光譜數(shù)據(jù)，通過反射率、吸收率及其一階微分的變化，篩選出敏感波段，而后通過各個波段之間的相互組合計算NDVI值和RVI值，并且以TM設(shè)置波段計算的NDVI值和RVI值最為參考，篩選出優(yōu)于TM波段且差值最大的波段組合確定為最優(yōu)模型，最終有辨別出6種灌木植物。目前，典型高光譜特征提取方法和分類方法主要有：包絡(luò)線去除(Continuum Removal)、主成分分析法(Principal Component Analysis， PCA)、獨(dú)立主成分分析(Independent Component Analysis， ICA)、線性判別分析(Linear Discriminant Analysis， LDA)、小波變換(Wavelet， WT)等。其中，包絡(luò)線去除法以其消除不相關(guān)背景信息、擴(kuò)大弱吸收特征信息、突出光譜曲線上吸收和反射的特征、增強(qiáng)光譜曲線各波段之間的對比性等特點(diǎn)，被廣泛應(yīng)用于地物探測[18-20]。

　　本研究以貴州黔中喀斯特花溪區(qū)和高原喀斯特草海自然保護(hù)區(qū)的華山松(Pinus armandii Franch)、麻櫟(Quercus acutissima Carruth)、馬尾松(Pinus massoniana Lamb)、杉木(Cunninghamia lanceolata)、水杉(Metasequoia glyptostroboides)、香樟(Cinnamomum camphora)、云南松(Pinus yunnanensis)、柏木(Cupressus funebris Endl. )8種典型樹種為研究對象，利用包絡(luò)線去除法對實(shí)測的葉片高光譜數(shù)據(jù)進(jìn)行處理，分析提取樹種原始光譜以及包絡(luò)線去除曲線中差異較為明顯的波段，驗(yàn)證高光譜遙感數(shù)據(jù)以及包絡(luò)線去除法選擇的特征波段對于樹種識別的效應(yīng)，以期為喀斯特高原貴州省植被的遙感識別、監(jiān)測和保護(hù)提供理論依據(jù)和技術(shù)支持。

　　1 材料與方法

　　1.1 研究區(qū)概況

　　貴州位于云貴高原東部(E103°36′～109°35，N24°37′～29°13′)，全省總面積17.62萬km2，平均海拔1100m左右。境內(nèi)地勢西高東低，自中部向北、東、南三面傾斜，分為高原山地、丘陵和盆地三種基本類型，以高原山地居多，是典型的喀斯特地貌。貴州是長江、珠江上游地區(qū)的重要生態(tài)屏障，是國家生態(tài)文明試驗(yàn)區(qū)。年平均氣溫在11～19℃之間，年均降雨量為1000～1300mm[21]，年日照時數(shù)為1200～1600h[22]。貴州省屬于亞熱帶濕潤季風(fēng)氣候，因降水豐富、氣候溫暖濕潤的氣象特點(diǎn)，物種資源較為豐富[23]。2018年森林覆蓋率已達(dá)57%。貴州省植被豐厚，具有明顯的具有明顯的亞熱帶性質(zhì)，組成種類繁多，區(qū)系成分復(fù)雜[24]。境內(nèi)廣泛分布有赤黃壤、黃棕壤、紅壤、黃壤、石灰土、山地灌叢草甸土、水稻土、紫色土等8個土類[25]。試驗(yàn)地點(diǎn)選擇貴州省貴陽市花溪區(qū)和貴州省威寧縣草海自然保護(hù)區(qū)。花溪區(qū)屬典型的中亞熱帶常綠闊葉林帶，主要森林植被類型有黔中山原濕潤性常綠櫟林、常綠落葉混交林及馬尾松林等[26]。草海自然保護(hù)區(qū)森林植被主要為云南松(Pinus yunnanensis)、華山松(Pinus armandii Franch)、杉木(Cunninghamia lanceolata)、柏木(Cupressus funebris Endl. )等[27]。

　　1.2 光譜數(shù)據(jù)采集與預(yù)處理

　　本研究利用ASD FieldSpec4便攜式地物光譜儀分別采集華山松、麻櫟、馬尾松、杉木、水杉、香樟、云南松、柏木等8種典型樹種的葉片光譜反射率。該設(shè)備波段范圍是350～2500nm，其中，350～1000nm波段光譜采樣間隔為1.4nm，光譜分辨率為3nm;1000～2500nm波段光譜采樣間隔為2nm，光譜分辨率為10nm[28]。

　　數(shù)據(jù)采集時間選擇晴朗無風(fēng)天氣，測定時間為10：00～14：00之間，分別于2018年9月30日～2018年10月31日在貴州省貴陽市花溪區(qū)試驗(yàn)區(qū)(圖1a)和2018年7月20日～2018年7月27日在貴州省威寧縣草海試驗(yàn)區(qū)(圖1)，采集方法嚴(yán)格按照ASD FieldSpec4地物光譜儀使用說明進(jìn)行操作，每種樹種隨機(jī)選擇3塊集中連片且面積不小于10公頃的樣地，每塊樣地內(nèi)隨機(jī)選擇5個樣本，每個樣本重復(fù)測量10次，共計1200個樣本數(shù)據(jù)，而后，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(759～763nm、1340～1352nm、1365～1395nm、1801～1925nm、2487～2500nm)的數(shù)據(jù)，保留質(zhì)量較高的波段的數(shù)據(jù)。

　　1.3 光譜微分

　　光譜微分可以增強(qiáng)曲線在坡度上的細(xì)微變化，突出顯示光譜曲線的差異性，采用光譜導(dǎo)數(shù)分析模型具有部分消除大氣效應(yīng)，可以消除植被光譜土壤成分的影響以及能反映植被的本質(zhì)特征等一系列優(yōu)越性[29-30]。本研究在Origin軟件中進(jìn)行一階微分、二階微分處理，其計算公式如下：

　　1.4 包絡(luò)線去除

　　在光譜曲線相似的情況下，直接從中提取光譜特征不便于計算，因此需要對光譜曲線作進(jìn)一步處理，以突出光譜特征。包絡(luò)線去除法可以有效突光譜曲線的吸收、反射和發(fā)射特征，并將其歸一到一個一直的背景上，有利于和其他光譜曲線進(jìn)行特征數(shù)值的比較[31-33]。本研究在ENVI Class軟件中進(jìn)行包絡(luò)線去除，其計算公式如下：

　　1.5 檢驗(yàn)分析

　　為了檢驗(yàn)原始光譜特征波段和去除包絡(luò)線特征波段識別樹種的效果，本研究使用歐式距離法在SPSS25.0軟件中對其進(jìn)行檢驗(yàn);以原始光譜所選的特征波段為例，首先計算所選波段各個樹種所有樣本的原始光譜反射率平均值，然后選擇比較樹種，分別計算每一樹種每一樣本與比較樹種平均值之間的歐氏距離，最后再計算各樹種所有樣本的歐氏距離平均值(表2)。如果不同樹種間的歐式距離的平均值大于同樹種間的歐氏距離平均值，則說明所選波段能有效區(qū)分這8種樹種。

　　2 結(jié)果與分析

　　2.1 原始光譜曲線分析

　　由圖2可知，8種樹種的光譜曲線形態(tài)相似性高，符合綠色植物的光譜曲線特征。但由于不同植被內(nèi)含成分的不同，導(dǎo)致其在相同的外部條件下對太陽輻射的吸收和反射不盡相同，圖2中八種樹種光譜曲線在某些波段差異明顯，這些差異波段更好的反映了不同樹種之間的光譜特性的差異。挑選差異性較為明顯的549～558nm、785～794nm、964～973nm、1078～1087nm、1190～1199nm、1268～1277nm、1445～1454nm、1665～1674nm、1775～1784nm、1956～1965nm和2211～2220nm共11個波段(波段范圍10nm)，取其平均值進(jìn)行比較。由圖3可知，在8種樹種光譜曲線的第一個波峰范圍(549～558nm)內(nèi)，云南松-柏木、馬尾松-杉木、華山松-麻櫟-水杉-香樟三組之間區(qū)分明顯，但是后兩組組內(nèi)樹種區(qū)分不明顯;在785～794nm范圍內(nèi)，云南松與其它七種樹種差異較大，麻櫟-香樟、水杉-杉木-柏木、華山松-馬尾松三組差異明顯，但組內(nèi)差異較小;964～973nm、1078～1089nm與785～794nm波段范圍內(nèi)差異情況類似;在1445～1454nm波段范圍內(nèi)麻櫟與其他7種樹種差異明顯，水杉-香樟、杉木-云南松-華山松-馬尾松-柏木兩組差異性較大，但組內(nèi)差異性小;1956～1965nm、2211～2220nm與1445～1454nm波段范圍內(nèi)差異情況類似;其他4個波段范圍(1190～1199nm、1268～1277nm、1665～1674nm和1775～1784nm)內(nèi)8種樹種差異明顯。

　　推薦閱讀：種植管理論文選擇哪個期刊投稿