基于地面成像光谱数据特征的湿地典型植被类型识别研究

凌成星，刘 华*，鞠洪波，张怀清，孙 华，由 佳，李伟娜

(1.中国林业科学研究院 资源信息研究所，北京 100091；2.中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004)

在全球生态系统中，湿地生态系统具有非常重要的作用,湿地植被作为湿地生态系统的重要组成部分，更是该生态系统变化的指示性特征和关键因素，可以反映整个湿地生态系统的综合生境特征和生态服务功能[1]。因此，科学、准确、迅速地识别湿地植被，对于湿地资源监测和保护具有重要的意义。近几十年，随着遥感技术的深入发展，在湿地资源监测中应用非常广泛，高光谱遥感因其波段多、光谱分辨率高、特有的光谱特性等优点，成为遥感定量研究的重要方向，对复杂的湿地植被光谱特征综合分析有着特殊的优越性[2]。

赵峰[3]等利用遥感技术对漳江口红树林湿地保护区进行了湿地类型的提取，并且得到了其空间分布的特征。柴颖[4]等以美国Sacramento-San Joaquin三角洲为研究区,利用高光谱和高空间分辨率遥感影像HyMap数据,在光谱特征分析和实测数据的基础上,构造特征指数,建立决策树分类模型对湿地植被进行分类。袁琳[5]等以不同盖度的湿地植被狐尾草为研究对象，获取其光谱反射率数据，并且采用一阶和二阶导数方法对光谱指数进行回归分析处理，得到了该湿地植被类型和光谱指数的显著线性关系。李敏夏[6]等分别测量了苹果叶片的光谱反射率、SPAD值和叶绿素含量,分析了叶片的SPAD值和叶绿素含量与微分光谱之间的相关性。张翼然[7]等采用高光谱数据处理导数法分析不同水分环境梯度下植物的光谱特征和变化趋势，得到光谱曲线在520 nm和710 nm附近达到增长最快点，作为区别沉水植物与其他植物类型的特征波段的结论。胥喆[8]等基于非成像高光谱数据的采集，然后对高山松叶绿素建立了估算模型，得到了高山松叶绿素的估算结果。高占国[9]等测定不同季节的湿地植被反射光谱数据，分析可见光和近红外波段的 “绿峰”和“红边”波段差异，结果表明不同的植被群落在各生长季都有特有生长特性，并且具有显著的光谱特征季节差异性。林川[10]等采用Fieldspec3野外高光谱辐射仪，获取了野鸭湖典型湿地植物的冠层光谱，分析和对比不同植物生态类型的光谱特征，并区分了7种植物生态类型。孙永华[11]等在洪河自然保护区进行了湿地类型的高光谱定量提取研究工作。刘克[12]等以北京野鸭湖湿地为试验区，测定该区域典型的湿地植被群落反射光谱，并重采样以模拟OMIS机载成像光谱仪红-近红外的50个波段，分析了有利于识别湿地植被特征的9个最佳波段。范云豹[13]等探讨了基于高光谱信息的芦苇和香蒲地上干生物量反演方法研究。陶婷[14]等基于空间分辨率3 m的HyMap高光谱数据,根据湿地植被的光谱差异和结合地面实况数据,构建了决策树模型提取出研究区的浮水植被。

但是在这些研究中，主要集中在航天航空成像高光谱数据和地面非成像高光谱数据的研究和应用上，对于基于地面成像高光谱的湿地植被图谱特征分析和类型识别技术方面还研究得非常少。本研究选取湖南省东北部东洞庭湖区域湿地保护核心区作为研究区，采用地面成像光谱仪SOC710VP采集典型植被的成像高光谱数据，并对原始数据进行反射率转换，得到4种典型植物类型的分析光谱曲线，并在采集数据的基础上采用一阶导数降维分析和包络线去除方法分析光谱吸收特征，分析典型植被类型成像光谱曲线波段特性，提取成像光谱数据“双边”参数、掌握据吸收特征，最终利用Fisher线性判别函数进行研究区的典型植被类型分类，提供了地面成像高光谱遥感数据采集、预处理、分析的技术流程，也为洞庭湖区湿地遥感监测提供了新型的技术手段。

1 材料与方法

1.1 数据获取

试验地点位于长江中下游荆江江段，湖南省东北部岳阳市境内的湖南东洞庭湖区域，27°38′-29°52′N,111°18′-113°33′E，平均海拔33.4 m，属于亚热带季风气候，年平均气温16.5℃～17.3℃，分布的湿地类型和湿地植被都非常典型，日照充足，雨量充沛，有丰富的沉水、浮水和挺水植物。采用地面成像光谱仪(SOC710VP)采集典型植被的成像高光谱数据，对原始数据进行反射率转换。在研究区采集了挺水植物芦苇、湿生植物苔草、泥蒿和栽培植物青菜(表1)。采样129条有效的光谱曲线数据，对原始数据进行了预处理，随机筛选了86条光谱曲线数据作为训练样本，另外剩余的43条作为检验数据对后期分类结果进行精度检验。

表1 湿地样本Table 1 Samples of wetland

1.2 处理方法

1.2.1 一阶导数光谱计算提取成像光谱数据“双边”参数 利用光谱数据导数计算得到成像光谱数据的“双边”参数特征，其中，“红边”是绿色植物在670～760 nm之间反射率增高最快的点，也是一阶导数光谱在该区间内的拐，特征常常体现在红边的位置和红边的斜率，也叫红边幅值，植被覆盖度越高，红边斜率也越大，而“绿边”是绿光波长在480～520 nm附近区域产生反射波峰极值的特征区域，能够非常典型地反映出绿色植被光谱特征的叶绿素含量特征。通过对采集到的原始光谱曲线数据进行微分计算，或者采用数学函数对整个区间进行光谱斜率的估算，由此所得到的该光谱曲线的斜率称为微分光谱或导数光谱[8]，细分又可以有一阶和多阶的导数光谱等，其中一阶导数的使用最为广泛，因为它可以比较明显地消除原始光谱数据由于大气效应引起的噪音现象，有效去除背景干扰信息，对绿色植物所吸收产生的波形具有增强效应，有了这种特性就可以对植被光谱数据中的红边、绿边参数特征进行有效地信息深度挖掘，从而分析出其中的参数特征。一阶导数公式如下：

ρ′(λi)=(ρλi+1-ρλi)/Δλ

(1)

式中，ρλi为波长λi的反射率值，Δλ为平均波长值，ρ′(λi)为一阶导数值无量纲。

1.2.2 包络线去除法获取成像光谱吸收特征 成像光谱数据吸收特征采用包络线去除法进行计算，通过计算将吸收强烈部分的波段特征进行转换，进行光谱吸收特征分析和光谱特征波段选择，包络线指的是一条连接光谱上选取波段间上吸收起点和吸收终点的线，通过去除后的曲线，可以进一步计算得到吸收位置(WP)、吸收宽度(WID)、吸收面积(AREA)、吸收深度(DEP)等光谱吸收特征的定量值[8]：

DEP=1-CRmin

WP=λCRmin

WID=λb-λa

AREA=DEP×WID

(2)

式中，CRmin为吸收谷最小值，λCRmin为吸收谷底波长值，λa,λb为吸收深度中心波长值。吸收位置、吸收宽度、吸收面积、吸收深度等都为无量纲。

1.2.3 Fisher线性判别函数 Fisher线性判别函数的出发点是把所有的样本都投影到一维空间，使得在投影线上最易于分类，而最易于分类投影面的特征是投影后两类相隔尽可能远，而对同一类的样本又尽可能聚集。

为了求出这个最佳投影面，引入离散度矩阵，Fisher线性判别函数就是使得类间离散度尽可能大，而类内离散度尽可能小，这样就能够使得两类之间尽可能分开，各类的内部又能尽可能聚集，从而判断各类特征。

2 结果与分析

2.1 湿地典型植物生态类型的“双边”参数分析

采用一阶导数分析方法对86条训练样本进行计算，由于SOC710成像光谱仪采集到的植被反射光谱波长集中在400～1 050 nm，所以本研究选取该波长范围的成像光谱数据进行一阶导数进行分析。图1为东洞庭湖核心湿地区域4种典型植物类型的光谱一阶导数曲线。确定光谱曲线变化区域，包括红边、红谷、绿边等特征光谱区域。

图1 洞庭湖4种典型植被光谱一阶导数曲线Fig.1 Results of the first derivative spectra of four typical vegetations in Dongting Lake

由图1分析得出，芦苇、辣蓼、泥蒿、青菜这4种植被类型的光谱曲线在520 nm达到一个反射率极值点，这个区域出现反射率迅速升高的原因是因为绿色植被的叶绿素反射敏感区，是“绿边”区域的起点，青菜的叶片反射率在520 nm 附近表现相对于其他3种植被类型更为突出，跟叶片结构有很大关系，芦苇反射特征居中，泥蒿和苔草反射特征相对较弱。在720 nm达到了第2个更高的反射率极值点，该区域反射率的迅速变化是因为绿色植被典型的“红边”效应。苔草区域相对于其他3种类型的反射作用仍然最弱。总体上，挺水植物芦苇、湿生植物苔草、泥蒿以及栽培植物青菜的反射光谱一阶导数特征都非常明显。

采用植被反射光谱曲线的计算和分析，进一步详细地对植被反射光谱曲线特征中的“红边”“绿边”区域作为湿地区域典型植物光谱明显特征指示区域进行参数统计，在所定义的波长范围，对红边位置、红边幅值、红边幅值均值、绿边位置、绿边幅值、绿边幅值均值参数统计和特征见表2和图2。

表2 东洞庭湖4种典型植物的红边和绿边参数统计Table 2 Statistics of red edge and green edge parameters of four typical vegetations

图2 东洞庭湖4种典型植物的红边和绿边参数Fig.2 The red edge and green edge parameters of four typical vegetations

2.2 不同湿地植物类型的光谱吸收特征结果分析

在本研究中，为了对不同湿地植物类型的光谱吸收特征进行定量分析，采用了包络线去除分析法进行处理，在处理过程中，选取了所采集到的400～1 050 nm范围的典型植被的光谱曲线训练样本，所得到芦苇、苔草、泥蒿、白色的光谱吸收特征系数见表3，吸收特征见图3，可以看出，4种在该湿地研究区分布的植被的光谱吸收特征曲线存在着差异，可以为区分不同种类奠定特性基础，其中芦苇、苔草以及泥蒿这3种典型湿地植被的吸收强度>青菜，在530 nm和675 nm波长处，具有2个明显深度的吸收谷，通过式(2)计算出了DEP-520、AREA-520、DEP-670以及AREA-670的系数(表3)。通过统计得出了4种典型植被的光谱吸收特征定量值。

表3 东洞庭湖4种典型植物光谱吸收特征Table 3 Spectral absorption characteristics of four typical vegetations 无量纲

2.3 基于光谱特征指标的湿地典型植被类型识别结果

通过上述分析，为了对典型植被类型的芦苇、苔草、泥蒿、青菜进行大区域的光谱特征区分和分类判别，首先确定了具有代表性和可区分度的8个光谱特征变量进行分类函数计算，其中包括了绿边和红边位置、绿边和红边幅值，530、675 nm处的吸收深度和吸收面积，以及相对应的常量系数(表4)，利用实际采集的训练样本获得的变量值，将它们带入Fisher线性判别函数，得出了芦苇、苔草、泥蒿、青菜4种代表挺水、湿生和栽培植物的训练样本判别值，再对判别值在这4个典型植被类型上的数值进行比较，在这4类中计算的判别值越大，就属于该类别，由此区分出所采集的每种光谱特征的具体植被分类类型。分类结果精度混淆矩阵表明，总分类精度达到87.39%，通过计算混淆矩阵中真实调查和分类判别的结果进行Kappa系数计算，来检验分类精度一致性，得到Kappa 系数为0.831 6，常用Kappa系数>0.6以上，就表明分类精度具有高度良好的一致性，所以本结果Kappa系数表明分类精度优良。苔草分类后的精度最高，达到92.55%，青菜地的识别精度为92.31%，芦苇居中，识别精度达到86.11%，泥蒿的识别精度为80.65%(表5)。

图3 东洞庭湖4种典型植物光谱吸收特征Fig.3 Spectral absorption characteristics of four typical vegetation

表4 Fisher线性判别系数Table 4 Fisher linear discriminant coefficient

表5 植被分类识别的精度混淆矩阵Table 5 Precision confusion matrix of vegetation classification

分析表明，由于苔草的分布面积在整个区域分布是最广泛和成片的，通过地面成像光谱仪(SOC710VP)采集到的光谱特征比较稳定，呈现出来的典型植被间的差异性也非常明显，通过分类算法得到的分类后精度较高，青菜地在研究区内的分布非常少，也比较单一和分散，但它自身的植被叶片结构的特征相对于芦苇、苔草、泥蒿具有非常大的差异，由此所采集到的反射光谱特征也具有非常好的可分性，且有土壤背景的光谱特性在其中，相比于其他3种植被类型的情况比较典型，识别精度较高。泥蒿与苔草多数为混合状态，成片分布的范围较少，精度相对较低一些。芦苇的叶片和分布也决定了其分类精度在平均水平，总体结果符合野外实地调查的植被分布情况。

3 结论与讨论

本次研究的挺水植物芦苇、湿生植物苔草、泥蒿以及青菜的反射光谱特征有不同的特征，主要表现在不同植被类型的叶片形态、大小，根茎叶含水率、叶绿素差异以及背景土壤的干扰值等原因。通过本研究中对原始采集的光谱特征进行了一阶导数计算和包络线去除法的处理，把这些植被生理特性的光谱反射特征差异增强，并进行分类比较，证明了地面采集的成像光谱数据进行分析得到的植被光谱特征变量具有一定的普适性和可靠性，可以为湿地植被类型的识别提供科学依据，在下一步研究中，要把实测成像光谱数据、非成像光谱数据、星载高光谱影像(Chirs数据)以及光学影像数据进行耦合分析，充分发挥多源数据优势。

参考文献：

[1] CHARLOTTE M,MANITHAPHONE M.Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and field survey data[J].Journal of Environmental Management,2009,90:2130-2137.

[2] XU G H,TIAN G L,WANG C,etal．The progress and prospect of remote information science[J].Acta Geographica Sinica,1996，51(5):385-397.

[3] 赵峰,张怀清,刘华,等.福建漳江口红树林湿地保护区遥感监测及保护分析[J].西北林学院学报,2011,26(1):160-165.

ZHAO F,ZHANG H Q,LIU H,etal.Remote sensing monitoring and protection of mangrove wetland reserve of the Zhangjiang estuary in Fujian Province[J].Journal of Northwest Forestry University,2011,26(1):160-165.(in Chinese)

[4] 柴颖,阮仁宗,傅巧妮.高光谱数据湿地植被类型信息提取[J].南京林业大学学报:自然科学版,2015,39(1):181-184.

CHAI Y,RUAN R Z,FU Q N.Extraction of wetland vegetation information using hyperspectral image data[J].Journal of Nanjing Forestry University:Natural Science Edition,2015,39(1):181-184.(in Chinese)

[5] 袁琳,张利权.大型沉水植物狐尾藻不同盖度的光谱特征[J].遥感学报,2007,11(4):609-616.

YUAN L,ZHANG L Q.The spectral characteristics of a submerged plant myriophyllum spicatum with varied coverage[J].Journal of Remote Sensing,2007,11(4):609-616.(in Chinese)

[6] 李敏夏,张林森,李丙智,等.苹果叶片高光谱特性与叶绿素含量和SPAD值的关系[J].西北林学院学报,2010,25(2):35-39.

LI M X,ZHANG L S,LI B Z,etal.Relationship between spectral reflectance feature and their chlorophyll contentrations and SPAD value of apple leaves [J].Journal of Northwest Forestry University,2010,25(2):35-39.(in Chinese)

[7] 张翼然,宫兆宁,赵文吉.水分环境梯度下野鸭湖湿地典型植物光谱特征分析[J].光谱学与光谱分析,2012,32(3):743-748.

ZHANG Y R,GONG Z N,ZHAO W J.Typical plant spectral characteristics analysis in wild duck lake along water environment gradient[J].Spectroscopy and Spectral Analysis,2012,32(3):743-748.(in Chinese)

[8] 胥喆,舒清态,杨凯博,等.基于非成像高光谱的高山松叶绿素估算模型研究[J].西北林学院学报,2017,32(2):73-78.

XU Z,SHU Q T,YANG K B,etal.Estimation models of chlorophyll inPinusdensatabased on non-imaging hyperspectrum[J].Journal of Northwest Forestry University,2017,32(2):73-78.(in Chinese)

[9] 高占国,张利权.上海盐沼植被的多季相地面光谱测量与分析[J].生态学报,2006,26(3):168-175.

GAO Z G,ZHANG L Q.Measuring and analyzing of the multi-seasonal spectral characteristics for saltmarsh vegetation in Shanghai[J].Acta Ecologica Sinica,2006,26(3):168-175.(in Chinese)

[10] 林川,宫兆宁,赵文吉,等.基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例[J].生态学报,2013,33(4):1172-1185.

LIN C,GONG Z N,ZHAO W J,etal.Identifying typical plant ecological types based on spectral characteristic variables:a case study in wild duck lake wetland,Beijing[J].Acta Ecologica Sinica,2013,33(4):1172-1185.(in Chinese)

[11] 孙永华,等.基于高光谱的湿地植被定量遥感研究:以洪河自然保护区为例[M].北京:中国环境出版社,2015.

[12] 刘克，赵文吉，郭逍宇，等．野鸭湖典型湿地植物光谱特征[J]．生态学报，2010，30(21):5853-5861.

LIU K,ZHAO W J,GUO X Y,etal.Spectral bands of typical wetland vegetation in the wild duck lake[J].Acta Ecologica Sinica,2010,30(21):5853-5861.(in Chinese)

[13] 范云豹,赵文吉,宫兆宁,等.基于高光谱信息的芦苇和香蒲地上干生物量反演方法研究[J].湿地科学,2016,14(5):654-664.

FAN Y B,ZHAO W J,GONG Z N,etal.Inversion methods for above-ground dry biomass ofPhragmitesaustralisandTyphaangustifolia based on hyperspectral information[J].Wetland Science,2016,14(5):654-664.(in Chinese)

[14] 陶婷,阮仁宗,岁秀珍,等.基于HyMap数据的浮水植被信息提取[J].国土资源遥感,2017,29(2):187-192.

TAO T,RUAN R Z,SUI X Z,etal.Extraction of floating-leaved vegetation information based on HyMap data[J].Remote Sensing for Land & Resources,2017,29(2):187-192.(in Chinese)

[15] 童庆禧，张兵，郑兰芬.高光谱遥感-原理、技术与应用[M].北京:高等教育出版社,2006.