热带植被Web光谱数据库及其应用

杜跃飞 陈博伟 刘新杰 张 清 张 丽

(1. 中国科学院 空天信息创新研究院 数字地球重点实验室, 北京 100094;2. 海南省地球观测重点实验室, 海南 三亚 572000)

0 引言

采用地物光谱信息实现地物识别与分类是遥感科学的一个重要研究领域[1]。光谱数据对遥感物种识别和地表信息具有重大作用,是当前遥感科学与技术发展中的重要学科前沿之一[2]。20世纪70年代初期,美国国家航空航天局(National Aeronautics and Space Administration,NASA)建立的地球资源信息系统,初步包括了植被、土壤、岩石和水体等波谱数据[3]。美国地质调查局建立的SpecLab波谱库记录了400多种矿物和17种植被的波谱。还有广泛应用在商业软件中的喷气推进实验室(jet propulsion laboratory，JPL)和aster卫星传感器(ASTER)波谱数据库波谱数据库。我国于20世纪60年代就开展了一系列的波谱实地测量和数据应用,如出版的《中国地球资源光谱信息汇编》[4]和《中国典型地物波谱及其特征分析》[5]等。目前基于Web的光谱库采集范围广,应用价值较高的有美国地质勘探局(United States Geological Survey，USGS)、ASTER、JPL和由NASA赞助构建的生态波谱信息系统、约翰斯·霍普金斯大学(Johns Hopkins University，JHU)波谱库和联合国开发的用于土地分类的波谱库。国内尚没有良好规范的Web波谱库。

光谱库对地理信息提取和定量遥感都具有重要作用。梁顺林等[6]认为在多源遥感数据应用中,先验地面植被光谱信息的获取对提高反演精度和稳定性都有很好的辅助;刘洁等[7]在全球典型植被光谱对叶面积指数提取研究中,采用三种通用植被光谱库和地面实测光谱数据,探讨了不同物种、不同气候生长状态下植被光谱对冠层和叶片反射率对叶面积指数的影响,在仅考虑植被类型而忽略叶片光谱情况下,会带来大于3%的误差。专业植被波谱库是基于局部典型地区植被不同光谱特征构建而成,面向特定地区典型植被群落遥感数据的应用[8]。针对新疆荒漠地区,李少鹏等[9]以客户端/服务器(client-server，C/S)、系统架构和结构化查询语言(structured query language，SQL)数据库,建立了吐鲁番荒漠地区20余种荒漠植被光谱特征库,并集成了光谱去噪功能;缪东升[10]用Access数据库,实现了盐沼地区典型植被光谱的共享、查询和分析;针对湿地植被,王兆媛[11]在鄱阳湖湿地植被的监测研究中,采用C/S架构,构建鄱阳湖湿地植被光谱数据管理系统,并通过对植被光谱特征分析、比较和一阶导数处理，证实了系统的可靠性;李金钊等[12]选择洞庭湖5种湿地植被,对比了不同波段不同植被的光谱差异,通过对光谱做倒数对数分析,有效区分不同植被的生长态势;茶叶品种识别主要是通过叶片光谱特征,陈辉煌[13]用实地采集的茶叶冠层和叶片光谱数据,基于PostgreSQL建立了高光谱数据库应用系统,该系统具备数据管理、预处理、分析和数据共享等优点;针对西北特色农作物和典型植被反射光谱,张凯等[14]基于浏览器/服务器(browser/server,B/S)结构,构建了Web版的植被光谱库,但是不能做光谱数据的处理和分析,且植被物种相对较少;HUENI等[15]将单机版波普库改为通用Web光谱库收集了15万余条光谱,完善了设备采集信息、数据配套参数和植被常见指数等信息;苏理宏等[16]探讨了网络光谱共享中的实地数据采集规范、光谱元数据管理、地表参数的定量转换和定量模型等问题;张莹彤等[17]探讨了国内外目前光谱库波谱覆盖以光学波段较多,微波波段不足,矿石和农作物较多,配套参数较少,质量控制不规范、数据利用率低。

目前专门针对热带地区植被光谱库的建立和应用研究还相对欠缺,导致高精度的植被分类和反演模型构建出现较大误差。传统波谱数据库共享力度弱,数据管理分散,更新缓慢,波谱配套参数不规范,采集数据质量控制不完善等问题,限制了热带植被的研究进展。因此,构建热带地区光谱特征成为急需解决的问题。本文通过实地勘查和测量热带地区典型植被冠层和叶片的光谱特征,设计和研发基于Web的热带植被波谱数据库(tropical vegetation spectral library,TrVSPEL),在一定程度上填补了热带Web植被光谱特征库的空白,对后续开展热带植被特征研究具有重要意义。

1 光谱测量采集设备

1.1 采集环境与设备

文昌市位于海南岛东北部,热带北缘沿海地带,地处东经108°21′至111°03′,北纬19°20′至20°10′之间,具有热带和亚热带气候特点,属热带季风岛屿型气候,雨量丰富,干、湿季明显,春旱突出。植被生长茂盛,物种多样,以椰林为主,各种热带植被丛生,包含了绝大多数热带植被。

便携式地物光谱仪(ASD)FieldSpec 4高分辨率光谱仪可用于非常精确的接触反射率测量,具备3 nm 可见光近红外(visible near infrared,VNIR)和8 nm 短波红外(short-wave infrared,SWIR)光谱分辨率，可在太阳辐照光谱波段(350～2 500 nm)上提供有效的光谱性能。SWIR范围(1 000～2 500 nm)中增强的光谱分辨率，对于检测和识别较长波长中具有窄光谱特征的化合物(例如改变矿物学和用于大气分析的气体)特别有用。此外,8 nm分辨率可达到或超过大多数高光谱传感器的光谱分辨率,这使ASD FieldSpec 4高分辨率光谱辐射仪成为传感器验证和校准以及地面校正和建立光谱库的绝佳选择。ASD采集参数如表1所示。

表1 ASD FieldSpec4设备参数

1.2 数据采集规范

数据规范采集是保证光谱库质量的前提。光谱测量对天气条件要求苛刻,要选择无云或少云、风力小于3级、测试时间在正午,太阳高度角较大时。现场采集需要在采集植被前后分别做白板校正,降低传感器响应系统的漂移和太阳入射角的变化影响。同时记录采集地点辅助数据,包括实验室标定后的白板值、全球卫星导航系统(global navigation satellite system,GNSS)接收机坐标值、植被覆盖度、植被类别、探头高度和野外相片等信息,保证采集时间元数据的完整性。本次实地采集中,每个采样点对植物冠层不同位置测量5次,每次ASD光谱仪重复观测次数为10,每个采样点能获得50条数据,求出平均值,以便去除异常值获得较精确的实验数据。叶片光谱测量用叶片夹测定植物叶片光谱,每个采样点的植物测量5次,每次重复观测次数为10,每次测量总计50条记录。实地测量热带植被冠层和叶片光谱总计52种采集数据,记录方式为遥感影像像元亮度值(digital number，DN值),以保证数据的精准和有效性,反射率计算公式为

(1)

式中,ρ为反射率；DN为实际采集值；b为实地白板值；B为实验室标定白板值。一般反射率ρ在98%以上。

以大叶榄仁为例采集的冠层和叶片光谱反射率曲线如图1所示,其中由于冠层测量中容易采集到地面导致异常值问题,已被去除。植被反射率在400～700 nm植被吸收强,反射率较低;700～780 nm近红外波段叶绿素散射强形成高反射率平台曲线;780～1 350 nm叶片内部多次散射形成,在970和1 200 nm有微弱的含水量吸收;1 350～2 500 nm波段叶片水分吸收导致的光谱反射率特征。

图1 大叶榄仁植被光谱曲线

2 波谱库关键技术

热带植被光谱库系统采用B/S架构,架构如图2所示。系统架构主要包括：基本的运行时环境、PostgreSQL数据库、实用分析工具和可视化界面。采用模型-视图-演示器(model-view-presenter,MVP)模式,实现系统的可扩展性和低耦合,对每个不同用户级别显示不同视图。对遥感数据和实地测量数据,以及模型参数等,实现可视化检索和编辑。提供系统二次开发接口,方便用户自定义数据集和指数模型,以统一的任务执行界面,显示当前用户的执行任务,系统满足可靠性、高扩展性、兼容性和界面友好性。

图2 系统架构

2.1 数据库逻辑

光谱数据库系统需要满足表格简单化,可以通过手动输入和删除冗余数据以及提供自动元数据更新。数据库模型满足第三范式,不包含任何数据冗余,支持通过提供用户输入光谱数据文件和元数据文件自动更新表格。采用PostgreSQL数据库,建立项目、波谱文件、测量信息、时空信息、植被科目和环境状况等。并在插入光谱数据下自动为每个表格中默认建立身份标识号(identity document,ID)作为主键和外键,如图3所示表格属性字段关系图。

图3 数据库结构表

2.2 分析工具

热带植被实地高光谱数据具有高光谱分辨率和光谱连续性,能够提供丰富的植被光谱细节特征,可为遥感数据应用提供更好的细节。实测光谱数据极容易受天气、光照、白板标定和仪器自身等多种因素的影响,在测量光谱中往往夹带有噪声。通过一种植被多次测量,可以提高光谱信噪比,但也需要对数据做进一步的校正。因此,可使用分析工具对实地采集光谱数据进行预处理,消除光谱噪声,分离不同植被的光谱差异,提高光谱精度,应用不同光谱曲线的细微差异分离不同植被。分析工具模块集成了对实地采样光谱数据的平滑处理、去包络线、光谱微分和光谱匹配等工具,可对光谱数据进行增、删、改、查,并可在线查看和分析光谱曲线。可根据需求自定义添加和修改光谱元数据,元数据的更新按照数据库元数据规范要求,实现导入数据自动更新。提供为其他采集数据者在Web端中对TrVSPEL波谱做验证分析,保证数据完整可靠。

遥感模型是植被光谱库发挥价值的具体体现。遥感影像经过辐射定标和大气校正后,通过经验模型或者数学模型对影像信息分割提取、影像分类、影像增强和区域生物参数反演等。模型的构建可以大大减少人工对数据信息的误判。而模型的构建往往需要提供真实地物光谱数据作为高精度模型参数,可以有效提高数据信息提取效果。对于植被特征的分析,在影像端选择光谱并做端元光谱提取,分析工具中集成植被光谱分析模型,提供遥感数据与实地光谱数据的对比分析和精度验证。如表2所示,根据前期研究者得出经验公式和数据公式,用于检验影像植被指数和光谱指数的差异,从而对端元做出改进,提升影像实用价值。

表2 植被指数

表2中,IGC表示绿色叶绿色指数(green chlorophyll index, GCI)；ρnir表示近红外波段反射率；ρgreen表示上绿波段反射率；INDV表示归一化植被指数(normalized difference vegetation index, NDVI)；ρnir、ρred表示近红外、红波段反射率；INDI表示归一化红外指数(normalized difference infrared index, NDII)；ρ819和ρ1694表示 819和1 694 nm波段反射率；ICRI1表示类胡萝卜素反射指数1(carotenoid reflex index 1, CRI1)；ρ510和ρ550表示510和550 nm波段反射率；RMRES表示修正的红边简单比率(modified red edge simple ratio, MRESR)；ρ445、ρ705和ρ750表示445、705和750 nm波段的反射率；ILA表示叶面积指数(leaf area index, LAI);REVI表示增强植被指数(enhanced vegetation index, EVI)；RNI表示近红外波段(nera infrared, NIR)；Nred和Nblue表示红波段和蓝波段。

2.3 可视化

提供光谱和相关元数据的交互式操作,通过指定元数据约束来构建交互式查询。光谱冠层数据与实地植被显示效果如图4所示。植被的光谱曲线可以分为冠层和叶片,与相应的植被同步可视化。相应的也增加光谱元数据的统计信息可视化,以及可视化的数据选择功能,可根据需要选择不同时间的光谱曲线。

(a)实物

(b)光谱曲线

3 实验验证

为验证实测光谱数据对遥感影像的应用价值,以植被精分类为例,以海南文昌市植被种植区为验证区(图5),中心点位于19.51°N、110.76°E。该种植区植被种类多样,有实地人工植被分类数据,可有效验证多波段和实地光谱数据精分类的有效性。卫星数据选用WorldView-3数据,具备8个波段：海岸带、红、绿、蓝、红边和黄等波段,以及两个近红外波段,空间分辨率为1.24 m,波长范围为400～1 040 nm,可以用于验证TrVSPEL在精分类的实用性。

对WorldView-3影像数据做预处理,包括辐射定标、大气校正,利用全球30 m的数字高程模型(digital elevation model,DEM)数据,生成正射影像图。在eCognition中对数据做多尺度阈值分割,以实测光谱数据作为参考提取影像端元波谱数据,最后根据影像植被光谱差异做分类。

图5 研究区WorldView-3影像图

首先,通过NDVI将研究区分为植被和非植被,依据不同波段的波谱曲线差异,再将植被精分类为：大叶相思、抗风桐、榄仁、油榄仁、海芒果、黄瑾和草海桐等植被物种,并将其他地物按照光谱差异性分为人工建筑、水体、草地和其他植被等,分类结果如图6所示。对分类结果采用混淆矩阵做精度检验,以地面实测植被类型为准,分类精度达86.5%,Kappa指数为0.93。相对于商业软件中提供的USGS、JPL和ASTER等波谱库,具有极大的精分类优势。商业软件波谱库对热带地区植被光谱采集,没有针对性,且其波谱分辨率和波谱连续性都不能很好满足精分类要求。经过对比实验,PCI、ENVI等提供的商业软件波谱库仅能将植被和非植被进行分离提取,对植被物种不能做出有效的分类,无法达到预期效果。

图6 植被精分类

4 结束语

热带地区典型植被光谱库的构建,对植被物种精细分类、叶面积指数估算、植被覆盖度等模型建立具有支撑作用,对遥感多波段数据的深度信息挖掘具有重大意义。本文建立了Web架构的热带植被波谱数据库TrVSPEL,其包含了52种热带植被冠层和叶片光谱,具有友好的用户界面和二次开发接口,可以无缝对接商业软件的波谱数据交换,提供了植被指数验证遥感影像与实地光谱植被分析指数,并且系统平台可以依靠云计算开展数据处理和分析,节约计算资源和存储空间。热带地区植被复杂多样,错落无序,通用光谱特征库无法对植被物种做出精细分类,热带典型植被光谱库与高分辨率多波段卫星数据的结合,可有效区分不同植被物种。在后期热带光谱库的更新完善中,将重点发展基于波谱的知识库平台,增加植被光谱种类,完善应用模型,加入人工智能方法,加快遥感大数据的挖掘和应用。