南方丘陵地区路域植被光谱处理与分析

郭云开,张进会

(长沙理工大学 交通运输工程学院，湖南 长沙 410004)

南方丘陵地区路域植被光谱处理与分析

郭云开,张进会

(长沙理工大学 交通运输工程学院，湖南 长沙 410004)

以长沙—湘潭高速公路路域植被为研究对象，进行植被实地调查和野外光谱测定，分析主要植被类型光谱曲线，健康植被与非健康植被光谱差异，对植被光谱数据进行一阶微分和微分增量处理对比研究。研究表明：光谱反射率一阶微分和微分增量处理对消除土壤背景对地物光谱影响均有效，但微分增量处理更能突出植被信息。研究对遥感植被光谱分析具有一定参考价值。

南方路域；植被；光谱处理；微分；微分增量

地物光谱反射曲线是地物对电磁波反射差异的集中体现[1]。国内外学者对地面目标物进行提取大多利用其光谱或纹理特征[2],遥感数据提供了大量地物光谱特征[3]；地物光谱特征是遥感技术运用的基础与依据，也是建立目标物与遥感数据两种信息之间关系的桥梁[4]。光谱信息处理是遥感研究中一个重要的基础环节，它对研究遥感信息处理的新方法、提高遥感分类识别水平起着十分重要的作用[5]。

目前，对植被光谱数据的处理主要包括去噪、消除土壤背景和大气的影响[6]。官凤英等对毛竹林光谱数据进行微分处理发现毛竹林的一阶导数曲线在红边位置有峰值[4]。刘月等对内蒙古不同草地光谱特征进行统计分析，并进行微分处理发现光谱数据微分处理可以消除部分土壤背景对目标光谱的影响[7]。杨可明[8]、喻小勇[9]、林文鹏[10]、范文义[2]等用导数光谱技术对目标光谱进行微分处理证实光谱数据的一阶微分可以在一定程度上消除土壤背景对目标物光谱反射率的影响。但是，一阶微分处理在减少背景影响的同时降低红光波段和近红外波段差异。基于微分处理探索，本文尝试对光谱数据进行微分增量分析处理，对比一阶微分和微分增量两种方法处理效果；微分增量处理使植被在红边位置波段差异性得以突显，有助于植被信息分析提取。

1 原理及模型

1.1 微分处理技术

对光谱进行微分处理可以减少植被凋落物、土壤背景等对目标植被光谱的影响，更好凸显植被信息；相对于植被光谱曲线，土壤光谱曲线接近线性，所以从理论上讲，微分可以较好地消除土壤背景信号[11]。

微分技术可以对光谱反射率进行数学模拟，提高诊断性光谱参量化的分析精度，对光谱特征的细微变化进行增强处理[12]。常用的微分处理技术包括一阶微分和二阶微分。

ρ′(λj)=[ρ(λj+1)-ρ(λj-1)]/2Δλ，

(1)

ρ″(λj)=[ρ(λj+1)-2ρ(λj)+ρ(λj-1)]/Δλ2.

(2)

式中:ρ为反射率；λ为波长；Δλ为波段间隔。

利用光谱导数进行植被信息提取时，光谱导数阶数越高，近红外波段与红光波段差异性越小，越不利于植被信息提取分析。因此，本文利用式(1)对光谱数据进行一阶微分处理。

1.2 微分增量

一元可微函数y=f(x)，当f′(x)≠0时，Δy与dy为等价无穷小，若f(x)能展开为泰勒公式：

(3)

(4)

即一元函数中微分与函数增量具有等价关系[13]。得益于此，研究探索对植被光谱数据进行微分增量和微分处理的差异。本文所采用的微分增量算式为

Δρ=ρi+1-ρi.

(5)

式中：Δρ为微分增量；ρ为反射率。

2 试验分析

2.1 实验区简介及数据获取

本文选取长沙—湘潭高速公路作为实验区，该高速公路于1994年7月开工，1996年12月15日建成通车[14]。实验路段为湖南省境内最繁忙的高速公路路段，该区域是典型的南方丘陵地貌，道路两侧植被覆盖度高，类型较多。

本文试验采用的光谱仪是ISI921VF-128系列野外地物光谱辐射计，具有重量轻、可靠性高、体积小、野外使用方便、低故障率等特点。主要参数如表1所示。

表1 ISI921VF-128光谱仪相关参数 nm

测量时间：野外光谱测量的时间为2012年9月20日，当天天气晴朗，测试时间为10:00～14:00，很好的减少了太阳高度角对目标物光谱反射率的影响。

测量点选取及测量方法：对研究路域每公里随机选取2个典型植被样点，样区内主体植被类型相同。本次试验共采取21个样区，其中包含针叶林、阔叶林、草地、土壤，每个样区对4个角点和一个中心点光谱测量。测量过程中尽量使仪器探头和被测对象保持在一个竖直面内；为了确保数据的准确性，白板和被测对象各测10次。实测光谱曲线经整理和质量分析后，获得有效光谱曲线80条。

2.2 光谱数据分析

2.2.1 研究区主要植被类型光谱分析

试验区的主要植被为桂花、马尾松、悬铃木、喜树、樟树和草地，其光谱曲线如图1所示。

图1 不同植被光谱曲线图

图1为2012年9月20日试验路域主要植被类型的光谱曲线。从图中可看出：实验区主要树种光谱曲线形态基本相似；其中桂花、悬铃木、喜树和樟树属于阔叶林，马尾松是南方丘陵地区典型的针叶林；对比光谱曲线可以看出樟树的反射率最高，马尾松反射率最低；马尾松的反射率整体低于阔叶林的反射率，这主要与针叶林的结构有关；同时，在光谱测量的时候不能完全对准目标及受其他背景值的影响。土壤光谱曲线在整体上变化平滑；而草地光谱曲线在700～900 nm之间有多个小波峰波谷。

2.2.2 健康与非健康植被光谱对比分析

在可见光波段，一般绿色植物光谱曲线差异不大，而在近红外波段由于光谱反射率较高，光谱曲线因作物健康状况不同或种类不同，则光谱响应曲线会产生较大的差异[8]。

图2 健康与非健康樟树光谱曲线

由图2可知，健康绿色樟树在可见光波段490～570 nm之间有一个小反射峰，反射率约为20%，两侧有两个明显的吸收谷，这是由叶片对绿光的强反射、对红光和蓝光的吸收作用引起；在680～780 nm之间光谱反射率急剧增加，由植被对近红外波段的强反射决定，被称之为植被“红边”，是植被光谱诊断波段；红边变化趋势和位置与植被类型不同、生长地域不同或同一植被不同，生长阶段存在一定差异，波长在780～920 nm之间光谱反射率大致一致，趋于平坦，它主要由植被的细胞构造所决定；在920～950 nm附近光谱反射率急剧下降约10%，950 nm附近有一个小吸收谷，980～1080 nm之间反射率趋于平缓下降。

非健康樟树光谱曲线特征与健康樟树基本一致，反射率整体低于健康樟树；在580～680 nm之间，非健康樟树反射率均高于健康樟树反射率，在可见光波段的反射峰向黄光偏移且反射率低于健康樟树反射率，这主要是由于非健康植被受病虫害等影响使得叶子偏黄偏红，导致叶片内叶绿素下降而叶黄素增加对黄光的反射作用增强，所以在红光波段附近非健康樟树反射率高于健康樟树；700～1080 nm之间非健康樟树反射率明显低于健康樟树反射率，最大差值约为40%，这主要是由于植被的细胞构造遭病虫破坏而引起。

2.3 植被光谱数据处理

图3为试验区桂花和土壤的光谱曲线图。从图中可看出，桂花光谱曲线特征明显，土壤光谱曲线变化较为平滑。图4为土壤和桂花光谱曲线经一阶微分处理之后的光谱曲线图，从图中可看出，土壤光谱数据经一阶微分处理之后在植被红边(680～780 nm)区的值趋近于零。桂花光谱数据经一阶微分处理后在680～780 nm之间急剧增加，结合前人研究可知：一阶微分处理可以有效抑制土壤背景信息，同时可以突出植被信息，提高植被的识别精度。

图3 土壤和桂花光谱曲线

对比图5(a)、(b)、(c)可看出，经微分增量处理之后土壤和桂花在680 nm附近都接近于零，680～730 nm之间桂花微分增量急剧上升，其变化量较一阶微分大。由此可以看出微分增量处理使得近红外波段和红光波段差异性更明显，更能有效突出植被红边特征。

图4 土壤和桂花一阶微分曲线

图5 桂花与土壤微分增量曲线

对比图6(a)、(b)可看出：桂花光谱经一阶微分和微分增量处理之后都可以有效抑制土壤背景光谱对植被光谱的影响；同时，处理之后的数据都能突出植被红边特征，但是微分增量处理在有效消除土壤背景的影响同时能增强近红外波段与红光波段光谱差异性，从而更能凸显目标植被特征。

图6 一阶微分与微分增量分析比较

由图5、图6分析可知，光谱数据微分增量处理可以凸显植被光谱在红光波段和近红外波段的差异，可突出植被特征信息，该处理方法对植被遥感中各种指数的计算具有凸显作用，如比值植被指数(RVI)、差值植被指数(DVI)、垂直植被指数(PVI)、修正土壤调整植被指数(MSAVI)。各指数计算公式如下：

(6)

DVI=NIR-R(RVI=ρNIR-ρR).

(7)

Rihardson把植被像元到土壤线的垂直距离定义为垂直植被指数(PVI)[15]，该指数计算公式为

(8)

式中：S为土壤反射率；V为植被反射率。

Huete为消除土壤背景提出了土壤调节植被指数(SAVI)[16]，Qi在SAVI基础上提出了改进型土壤调整植被指数(MSAVI)[17]，计算公式为

(9)

根据本文实际情况提取ρR=ρ670，ρNIR=ρ760桂花和土壤经一阶微分和微分增量处理之后的光谱数据，并根据各指数计算公式计算各指数值见表2。从表2可看出微分增量处理较为明显的突出各指数值，这对于植被指数的研究具有重要意义。

表2 植被指数计算值

3 结束语

地物光谱是建立正确的地面目标物与遥感影像之间相互关系的桥梁，地物光谱研究与处理是对遥感数据进行解译及各种定量分析的基础和条件。当前，许多学者致力于光谱数据的处理研究，取得了一定成绩，但是研究结果还不完善，如一阶微分技术在消弱土壤背景对植被的光谱数据影响的同时也使得植被在红边位置的差异变小，这对于植被研究不利。

随着生态污染的急剧恶化，植被的健康程度也日益受到人们的关注。本文分析了健康植被与非健康植被的光谱特性和差异，这对于确定植被健康状况和植被保护具有重要意义。

本文通过对试验区域路域植被光谱进行一阶微分和微分增量处理，对比两种方法对植被信息的凸显程度，发现对植被光谱数据进行微分增量处理比一阶微分处理更能有效消除土壤背景对植被光谱的影响，同时，植被红边特征明显，可以突出植被特征，特别是对RVI、DVI、PVI和MSAVI有更好的凸显作用。本研究结果可为光谱数据处理提供参考价值。

[1]范文义，杜华强，刘哲．科尔沁沙地地物光谱数据分析[J]．东北林业大学学报，2004，32 (2)：45-47．

[2]刘冰，刘怡．基于决策树方法的ETM+影像湿地信息提取[J]．测绘工程，2013，22(1)：63-66．

[3]武文波，刘正纲． 一种基于地物波谱特征的最佳波段组合选取方法[J]．测绘工程，2007，16(6)：22-24．

[4]官凤英，邓旺华，范少辉．毛竹林光谱特征及其与典型植被光谱差异分析[J]．北京林业大学学报，2012，34(3)：31-35．

[5]张飞，丁建丽，塔西甫拉提·特依拜，等．渭干河-库车河三角洲绿洲盐渍化地地物光谱数据分析[J]．光谱学与光谱分析，2008，28(12)：2921-2925．

[6]刘宏斌，张云贵，李志宏．光谱技术在冬小麦氮素营养诊断中的应用研究[J]．中国农业科学，2004， 37(11)：1743-1748．

[7]刘月，春喜，张美杰，等．内蒙古不同植被光谱特征分析[J]．内蒙古草业，2011，23(3)：44-47．

[8]杨可明，郭达志.植被高光谱特征分析及其病害信息提取研究[J]．地理与地理信息科学，2006，22(4)：31-34．

[9]喻小勇，邵全琴，刘纪远，等．三江源区不同退化程度的高寒草甸光谱特征分析[J]．地球信息科学学报，2012，14(3)：398-405．

[10]林文鹏，李厚增，黄敬峰，等．上海城市植被光谱反射特征分析[J]．光谱学与光谱分析，2010，30(11)：3111-3114．

[11]闻兵工．地物光谱特征分析技术研究[D]．郑州：信息工程大学，2009．

[12]杨吉龙，李家存，杨德明．高光谱分辨率遥感在植被监测中的应用综述[J]．世界地质，2001，20(3)：308-312．

[13]齐进军．函数增量与微分的关系[J]．工科数学，1994(4)：216-218．

[14]郭云开，王杨．路域植被覆盖度时空变化遥感定量反演[J]．测绘通报，2013(5)：23-27．

[15]A J RICHARDSON, C L WLEGAND. Distinguishing vegetation from soil background information [J]. Photogrammetric Engineering and Remote Sensing, 1977,43(12): 1541-1552.

[16]HUETE ARA soil adjust edvegetation index(SAVI) [J]. Re-mote SensEnviron. 1988, 12 (25): 295-309.

[17]J QI, A CHEHBOUNI,A R HUETE,et al.A modified soil-sdjusted vegetation index[J]. Remote sensing of environment，1994,48(15):119-126.

[责任编辑：张德福]

The vegetation spectral processing and analysis of the domain of road in southern hills

GUO Yun-kai, ZHANG Jin-hui

(School of Traffic and Transportation Engineering, Changsha University of Science & Technology, Changsha 410004, China)

It presents the vegetation of road in Changsha, Hunan-Xiangtan Expressway as the research objectand conducts the vegetation field survey and spectral measurement. The text analyses the spectral curve of the main type of vegetation, and the spectral difference of healthy and non-healthy vegetation, comparing the result of spectral data with first derivative and differential gain. The results show that: the processing of differential and differential gain for spectral reflectance have a good effect to remove the influence of soil background on spectral, But the method of differential gain can serve to highlight the information of vegetation. The study has an important reference value for the spectral remote sensing of vegetation.

south road area; vegetation; spectral; differential; differential gain

2013-12-04

国家自然科学基金资助项目(41171397)； 湖南省自然科学基金资助项目(12JJ6031)

郭云开(1958-)，男，教授，博士.

TP753

：A

：1006-7949(2014)07-0001-05