湿地植被高光谱遥感技术应用研究

何理深 张 超

(西南林业大学林学院，云南 昆明 650224)

湿地植被遥感技术是当前国内外湿地科学领域研究的热点之一[1]，湿地是生态系统中的一个重要组成部分，拥有着自然界最丰富的生物多样性，在调节气候、控制污染和保护环境等方面均表现出重要的生态、经济和社会价值。我国是全世界湿地资源比较丰富的国家之一，湿地总面积约为6 594万hm2，约占全球湿地总面积的10%，位居世界第4[2]。由于湿地是由水体和陆地交互作用形成的具有独特功能的自然结合体，因此湿地更容易受到自然因素和人类活动的影响。自20世纪80年代以来，社会经济发展速度加快，农业、畜牧业、水利工程、石油开发、环境污染等人类活动均对湿地带来了较大程度的干扰[3]。目前，我国大部分湿地正在面临水土流失、不合理开发利用和水体污染的严重威胁[4]。国内外学者已在湿地生态系统的群落及环境特征、调查与监测手段、评价与恢复策略方面开展了广泛研究，初步掌握了湿地生态系统的组成、结构、分布和动态变化特征[5]，成果显著。但是，由于缺乏长期监测数据支撑，影响了研究结果的客观性和精确程度，“以空间替代时间”的被动研究策略亦导致了缺乏可比性[6]。1991年以来，逐步出现了基于遥感手段识别、反演和评价湿地植被的相关研究和有益探讨，为今后湿地研究提供了宏观、及时、精确的实现手段。然而，受到传统多光谱遥感诸多技术瓶颈的制约，对湿地植被的遥感反演、信息提取和主要养分状况估测等方面的研究至今未能取得理想成果。

高光谱遥感技术以其高光谱分辨能力、高时间采样频率和大范围同步成像等优势，为实现湿地生态系统的精确反演和植被养分状况的准确估算创造了可能，能够从不同空间和时间尺度上准确、及时地获取湿地植被的数量、质量和动态变化。本研究阐述了高光谱遥感的特点与优势，并探讨了该技术在湿地植被识别以及理化参数估算中的应用，总结了国内外对湿地高光谱遥感的研究内容与方法，指出了目前该领域存在的不足，并在物种识别、信息提取和参数估算3个方面作出了展望，旨在为今后的湿地植被研究提供参考。

1 湿地高光谱遥感技术

高光谱遥感技术利用分割精细的电磁波谱段对感兴趣的区域获取目标地物的有关信息[7]。作为湿地遥感领域的研究前沿，成像高光谱遥感的出现填补了湿地植被理化参数反演的研究空白[8]。利用高光谱数据变换得到的湿地植被反射光谱特征，能够研究湿地植被的分类、物质的成分、含量、存在状态、空间分布及动态变化[9]。

自20世纪80年代高光谱遥感技术诞生以来，伴随高光谱传感器的快速发展，高光谱遥感逐步应用于湿地研究领域。高光谱遥感影像具有极高的光谱分辨能力，在湿地研究中具有较多优势：1) 高光谱传感器可获取湿地水体、植被和土壤较为真实的连续光谱，通过数据和图像匹配技术可提高湿地分类的精度[10]；2) 高光谱遥感数据可提高湿地混合像元的分解能力，获取最终光谱端元的真实光谱特征曲线，达到湿地识别和划分的目的[11]；3) 高光谱遥感数据可反演湿地植被的叶面积指数、生物量和光合有效吸收系数等湿地植被生物物理参数，可进行湿地植被监测和植被生物量估算[12]；4) 高光谱遥感数据可用于光谱角填图，在湿地遥感领域中可进行土壤湿度填图、植被生化成分定量填图等，为监测湿地植被和湿地植被精细分类研究提供科学依据[13]。

在湿地遥感中，成像高光谱技术主要应用于湿地土壤、植被和水体信息提取的研究[14]。近年来，国外已出现了利用高光谱技术在湿地植被监测、植被群落分类、植被生物量估算等方面的研究和探讨[15]。然而，针对湿地植被种类识别和主要理化参数估算的高光谱遥感技术相关研究相对较少，仍停留在理论探索阶段。高光谱遥感与传统遥感相比具有更强的地物识别能力和定量反演能力，微观方面表现更为突出，在湿地植被的相关研究中必将发挥重要作用。

2 高光谱遥感在湿地植被中的应用

2.1 高光谱遥感在湿地植被分类中的应用

受到 “同物异谱” 和 “同谱异物” 现象的制约，利用遥感手段进行湿地植被类型/物种识别一直是主要的技术瓶颈。常规的多光谱遥感数据 (如Landsat TM和SPOT) 对于湿地植被的研究仅限于红光吸收特征、近红外反射特征以及中红外水分吸收特征波段[16]，受波段宽度、波段数量和波长位置的限制，多光谱遥感对湿地植被类型/物种不敏感。高光谱遥感具有超高的光谱分辨率，能够识别细微的光谱变化，为定量研究植被光谱响应和物理机制提供了依据，国内外利用遥感手段识别植被类型的研究已有较多尝试[17-21]。目前，基于植被光谱特征的高光谱遥感分类技术是湿地植被类型/物种分类的主要实现手段之一，通过利用湿地植被所携带的丰富的光谱信息进行植被信息的识别和提取，分析湿地植被典型光谱特征是探索其植被类型/物种遥感分类技术中的核心内容。湿地植被的典型光谱特征由其反射光谱特性决定，主要受其组织结构、生物化学成分和形态特征等影响[22]，具体表现为：色素吸收决定可见光波段的光谱反射率、细胞结构决定近红外波段的光谱反射率和水汽吸收决定短波红外的光谱反射率[23]。根据湿地植被在不同谱段内的典型反射光谱特征，进行光谱特征分析、波段选择和分类识别，是湿地植被类型/物种遥感分类提取技术的理论基础。

当前，高光谱遥感影像在分类处理方面主要存在两个重点研究内容：一是提升分类精度，二是提高分类效率[24]。而国内外诸多学者关注的是如何提高湿地植被遥感分类精度的研究。高原等[25]对南京沿江湿地植被进行了高光谱遥感和多光谱遥感的分类对比，在通过采用不同的训练样本数量进行SVM分类时发现，当样本数量较少时，高光谱数据的分类精度小于多光谱数据，随着样本数量增加，高光谱的分类精度明显提高。但是，参与监督分类的高光谱训练样本数量通常比较有限，在训练样本受限的情况下，还会出现分类精度随特征维数上升而下降的Hughes现象[26]。另外，高光谱数据相邻波段相关系数大，如果使用高度相关的数据拟合模型，多数算法的分类效果会受到影响[27]。

高光谱作为一种高维度、多特征的数据集，选取有效的光谱信息是提高湿地植被分类精度的前提。特征提取和特征选择是降维的2种方法。特征提取是通过组合与变换原属性得到新的属性；特征选择则是从原始特征数据集中选择出子集。当前，国内外学者偏向于用特征提取的方法进行湿地植被的识别与分类，常使用的特征提取方法包括主成分分析法[28]、光谱指数法[29-30]和光谱变换[31]等。主成分分析常被用于减少数据集维数，优点是能够保留原始数据的大部分信息，但其数据依赖性使得在单独使用时不适合进行最优波段提取[32]。刘雪华等[33]研究了北京地区常见的15种湿地植物的高光谱反射特征，采用马氏距离法和主成分分析法对高光谱冗余的光谱信息进行降维后发现，利用主成分分析法可以找出贡献率较大的成分。光谱指数法是根据叶面在红光波段的强吸收性以及在近红外波段强反射性，对2个波段观测值进行组合，形成不同的植被指数，用来增强隐含的植被信息。黄锦等[34]以洪河国家级自然保护区内的草甸、沼泽和农田为研究对象，利用高光谱植被指数进行湿地植物分类，分类精度达到85%。光谱变换是对原始反射率光谱进行合适的数学转换的方法，能够突出湿地植被的光谱特征差异[35]，在一定程度上能提高识别精度。柴颖等[36]利用HyMap高光谱数据提取美国圣华金三角洲的湿地植被信息，发现近红外波段上有明显的植被光谱特征差异，结合光谱变换特征与面向对象的方法可以有效提高分类精度，实现湿地植被在物种水平上的识别。相关研究表明，植物种间在一阶导数变换的近红外范围、二阶导数变换统计最大峰度和倒数的对数法在蓝光和红光范围内有较好的区分度[37]；并且分数阶导数的分类精度要优于整数阶导数[38]。

2.2 高光谱遥感在湿地植被生理参数反演中的应用

已知植物冠层生物物理变量的测量受植被色素和植被形态结构等混杂因素的影响。利用高光谱遥感提取植物的生理参数，了解植物的生理过程已成为当前研究湿地植被的趋势。主要的植物物理信息有叶面积指数 (LAI)、生物量、光合有效辐射及其他冠层结构参数。其中，叶面积指数和植被生物量作为表征植物长势的重要指标，两者具有很高的相关性，可直接反应湿地植被的生长状况和湿地环境的变化情况。

1) 叶面积指数 (LAI)：叶面积指数是单位地表面积上植物叶片垂直投影面积的总和,常被用于定量化地表与大气之间的物质和能量交换 (如碳氮循环、光合速率、蒸腾作用和降雨截流)。可用于推导叶面积指数的重要波长主要位于700～1 300 nm光谱区域；当叶面积指数的值较低时，也可延伸至可见光波段[39]。邢丽玮等[40]发现用高光谱数据构建的湿地植物叶面积指数模型较多光谱构建的叶面积指数模型有明显的优势。与传统多光谱遥感方法相似，高光谱遥感反演湿地植被叶面积指数主要分为基于经验公式的植被指数反演法和基于遥感物理模型的反演法以及混合像元分解方法。其中，物理模型反演方法可反演较多的植被参数，但存在反演结果不稳定的问题，估计精度的高低很大程度上取决于太阳传感器的几何形状、植物冠层结构和生物化学特性[41]。混合像元分解法能计算每一个端元组分占像元的百分含量,减少叶面积指数的提取误差，估算结果比植被指数拟合结果要好[42]。

2) 生物量：湿地植被地上生物量可以间接反映湿地生态系统的生产力和养分循环。一般情况下，不同植被类型的生物量是不同的。在相同的植被覆盖度和植被类型情况下，不同高度的植被生物量亦不同[43]。高光谱遥感为湿地植物生物量的估算提供了可能。应用湿地植物的原始光谱、微分光谱、植被指数、“三边” 特征参数等方法同样能用于准确反演湿地植物的地上生物量。在芦苇 (Phragmitesaustralis) 研究中，其地上鲜生物量与冠层反射光谱在蓝光、红光及近红外波段相关性均较高；与一阶微分光谱在蓝边、红边相关性较好；微分光谱在生物量反演的相关性较原始光谱的相关性好。丁蕾等[44]研究芦苇生物量与各项特征参数的相关性由大到小排序为植被指数 > 光谱一阶导数 > 光谱一阶导数导出量。目前，估测植被生物量较为常见的方法为构建准确的数学估算模型，在众多反演模型研究中，单一波段光谱变量观测生物量存在着不稳定性，而诸多学者在研究湿地植被生物量模型建立时多选择有较高估计精度的偏最小二乘回归模型。

2.3 高光谱遥感在湿地植被生化参数反演中的应用

植物特有的反射光谱曲线与植物本身的生物学特性有关，其光谱差异主要由叶片结构和生化成分造成。湿地植被的生化参数是反演湿地植被养分状况特征的重要依据，亦是衡量湿地生态系统健康状况的基本指标。高光谱遥感技术能较好地提取湿地植被的反射/辐射特性参量，使湿地植被的冠层含水量、叶绿素含量、氮磷钾含量等生化成分的定量估算成为可能[45]。

1) 叶绿素浓度：叶绿素的主要功能是进行光合作用，是湿地植物利用光能的重要指标，植物的叶绿素含量能够反应其生长状况以及健康程度。得益于高光谱能提供更高的反演估算精度，在测量复杂的湿地植物叶绿素等生化参数方面高光谱遥感能更好满足其精度要求。诸多学者利用高光谱便捷、有效、非破坏性的优势测量湿地内植被的叶绿素含量。宫兆宁等[46]构建了野鸭湖湿地典型植物与 “三边” 参数、比值光谱指数 (SR) 模型和归一化差值光谱指数 (ND) 的相关模型，尽管叶绿素高光谱反演受到湿地植物种类、发育阶段及背景环境等因素的影响，但叶绿素含量与 “三边” 参数呈现极显著相关关系。章文龙等[47]在研究湿地植物叶片叶绿素含量中发现单位叶面积叶绿素相关指数高于单位质量叶绿素相关指数，且基于正面计算的光谱参数与叶绿素含量相关系数要较背面的高。其次，湿地植物叶绿素含量不仅受空间位置的影响，在不同物候期的时间变化下植物叶绿素含量亦会存在明显差异。Flores-de-Santiago等[48]基于前人的研究成果，使用叶绿素a间接测量了墨西哥锡那罗亚州沿海的亚热带森林中的红树林的光合活性，对比分析了旱季和雨季的光谱数据，认为选择旱季进行高光谱测量能获得最好的植物健康状况数据。

2) 氮浓度：氮是植物生长发育过程中的必要元素，同时也是引发湿地富营养化导致湿地退化的元素之一。研究湿地植物氮浓度和氮储量及氮在湿地土壤中的分布状况同样具有重要意义。其中，以湿地植物体内氮含量的相关研究较为常见。有关芦苇氮含量的研究结果显示：湿地植物氮含量呈现明显的垂直分布，从顶层到底层的分布规律呈现先增大后减小的趋势[49]，选取植物中上层叶片测量的氮含量结果会得到较好的估计精度。郭超凡等[50]认为，芦苇和香蒲 (Typhaorientalis) 叶片氮含量的敏感光谱波段主要集中在可见光波段 (400～900 nm) 并使用谱带分区、最佳波段选取和偏最小二乘回归相结合的方法构建了芦苇和香蒲的全氮含量反演模型，克服了传统反演方法的不足。为了了解氮元素对湿地植物的影响，Liu等[51]对5个不同氮处理的芦苇叶片的高光谱反射特征进行测量分析后发现，不同氮处理的芦苇叶绿素含量不同。另外，土壤水是湿地植物氮元素的主要提供者，湿地植被光谱受水域内水体富营养化的的影响。王莉雯等[52]在研究辽河滨海河口湿地芦苇的高光谱特征对滨海河口水体氮素浓度变化响应实验中指出，不同氮浓度水体上的芦苇光谱特征存在差异，TCARI/OSAVI指数与水体氮浓度有较高相关性。

3) 含水量：因湿地处于陆地生态系统与水生生态系统的过渡带，水分在湿地生态系统中的地位不可替代，湿地植物含水量与土壤含水量一直是当前湿地研究的热点[53]。有学者指出叶绿素不是用光谱检测植物 “活力” (许多指标的总和) 的最适指标，叶片含水量才是评估植被 “活力” 最合适的指标[54]。通过湿地植物含水量了解植物特性与生长状态是湿地研究的重要内容。林川等[55]发现芦苇冠层叶片含水量影响叶片光谱特征，冠层叶片光谱反射率随含水量的增加而降低 (350～760 nm、760～2 500 nm)，且不同含水率与 “三边” 参数呈极显著相关。由于植物获取的水分大部分来自湿地土壤，因此湿地土壤的含水量也能反映整个生态系统的状况。在有关湿地土壤高光谱反射特性的研究中，植物反射光谱特性对土壤含水量变化具有显著相关性已得到证实。尹君[56]研究了潮滩不同含水量湿土沉积物的光谱反射率后发现，沉积物光谱反射率随含水量减小而增大；在含水量较低时，长波长波段 (1 679 nm和2 035 nm) 对沉积物含水量变化敏感；含水量高时，933～1 346 nm范围内的波段对沉积物含水量的变化更敏感。

3 研究不足及展望

3.1 主要存在的不足

虽然高光谱遥感从出现于湿地遥感领域到目前得到广泛研究和探讨，其应用能力不断得到诸多学者的认可与重视，但在某些方面仍然存在较多不足和研究空白。

1) 就高光谱遥感技术自身特点而言，其有效波长范围不宽 (缺少热红外波段)，虽然获取波段数量多，但较多波段属于无效的冗余数据，且多数图像质量相对高空间分辨率影像较差。此外，在数据量增大的同时，为预处理带来了复杂和更大的工作量，同时多有噪声现象[57]。高光谱遥感影像获取的时间不连续，周期不一致，数据选择余地较小，加之高光谱数据在价格上并无优势的原因，导致高光谱遥感在湿地遥感领域的应用仍处于初级阶段。

2) 目前的多数研究是以近地面高光谱遥感影像构建湿地理化参数的遥感估算模型，限于高光谱遥感影像成像范围狭窄，难以实现宏观区域的反演。在大尺度上，通常需要结合高光谱的窄波段与多光谱的宽波段共同完成湿地信息反演。同时，在软件处理和使用过程中需要多学科交叉专业知识的基础，在某些需要确定阈值的估算中往往需经过大量的实验，特别是湿地植被分类方面依据较少，通常靠经验等较主观的方法确定。

3) 国内外成像光谱仪技术虽日渐成熟，但在高光谱成像光谱仪的研发和推广应用方面依然有待加强。与高光谱技术先进的国家相比，我国在该领域技术的差距虽在不断缩小，但是星载高光谱数据仍不能满足湿地植被研究的强烈要求。为了得到质量更好的高光谱影像，提高传感器的稳定性、同步飞行参数获取与数据精度提升是必然趋势。

3.2 展 望

高光谱遥感技术与传统多光谱遥感技术相比，既在一定程度上减少了外界因素对湿地植被理化参数反演的影响，又获得了更多诸如木质素、纤维素、红边位置参数等湿地植被及光谱特征参数。为了准确提取湿地植被信息和提高理化参数的反演精度，需要寻找更为高效的光谱分析算法和信息提取技术；同时，如何从大量冗余波段信息中快速提取有用信息，以实现高光谱遥感反演潜力的充分挖掘，亦是今后需要深入研究的一个重要问题。未来，建立完善的湿地植被估算模型将加快高光谱遥感在湿地领域的研究进展，以弥补传统研究手段的不足，具有重要意义。

3.2.1基于高光谱数据的典型湿地主要优势种分类方法选取方面

1) 分析湿地主要优势种在生长期的反射/辐射光谱特性，进行基于高光谱遥感的光谱分析，选取大气窗口中的敏感谱段作为物种识别的特征波段；2) 分析主要优势种的光谱敏感性，研究并建立主要优势种与光谱反射率之间的关系，确定湿地主要优势种的高光谱遥感最优分类方法；3) 开展外业群落及光谱调查，对各主要优势种的高光谱遥感分类方法进行精度验证与评价。

3.2.2典型湿地植被信息获取及空间分布特征的分析方面

1) 利用湿地主要优势种高光谱遥感分类方法，结合外业群落调查，进行主要优势种的信息获取；2) 在物种尺度上，分析湿地各主要优势种的数量特征和空间分布；3) 在种群尺度上，分析湿地主要种群的覆盖度、结构及空间分布型；4) 在群落尺度上，分析群落组成、外貌特征及多样性；5) 在生态系统尺度上，分析湿地生态系统的组成、结构和空间分布特征。

3.2.3典型湿地植被理化参数估算及演变过程的分析方面

1) 基于星载/机载高光谱遥感影像，结合主要优势种的生长状况调查和地面光谱测定，分析主要优势种叶片的全氮含量、全磷含量、叶绿素含量、叶面积指数和地上生物量与光谱反射率之间的 (分段) 线性/非线性关系，拟合并建立各优势种的主要理化参数高光谱遥感估算模型，并对估算模型进行精度验证；2) 以逐渐缩短的时间采样间隔，估算各优势种主要理化参数在生长旺盛期不同时相的数量特征，分析各优势种主要理化参数的演变过程及发展趋势。