基于多光谱数据初探野生长叶榧分布光谱特征

林春穆

邵武将石省级自然保护区，福建 邵武 354011)

长叶榧(TorreyajackiiChun)，别名浙榧、加氏榧，又被称为山榧、臭榧、白榧、青榧等，隶属于红豆杉科(Taxaceae)的榧树属。长叶榧是榧树属中最原始也是我国特有的珍稀濒危树种[1]。同时，野生长叶榧还具有极高的生态价值和经济价值。因其自身特征是建筑、船只、家具等行业的重要材料；有研究表明在其所有营养器官中均发现了黄酮类化合物[2]，含量和种类均以1年生叶最高，所以叶片是其次生代谢产物的主要产生器官[3]；其种子也具有一定的药用价值[4]，若长期食用，可润肺、通便、驱虫等。然而，由于近年来自然环境的不断恶化以及人类活动的持续影响，野生长叶榧正常生长被严重威胁。因此，在保护长叶榧基因资源的同时也需要通过人工驯化的方式充分开发长叶榧的经济和生态价值。

长叶榧保护与驯化工作的开展需要对其野生群落分布与生长习性等有充分的了解。福建省邵武将石省级自然保护区为野生长叶榧的重要分布区域，属森林生态系统类型自然保护区。目前，我国对长叶榧的研究，主要在生物学特性、种群分布、群落特征、生长环境调查、次生代谢产物的药理作用和遗传多样性等方面[3-7]。其中，针对野生长叶榧群落分布的调查依然停留在特定区域[5]，对该区域以外的地域而言，结果的参考价值并不高，这也限制了大范围开展长叶榧的保护与驯化工作。如何在大尺度上高效地完成对野生长叶榧分布的调查，也就成为了长叶榧保护与驯化工作的关键。

遥感技术是指从远距离感知目标反射或自身辐射的电磁波、可见光、红外线，对目标进行探测和识别的技术[8]，具有众多优点。多光谱特征能够解决目前困扰的大范围识别问题，且效果有保证。通过无人机，运用多光谱技术进行目标树木的大规模识别，可缓解人力财力的负担，克服大面积识别的困难，这也是本次调查研究的创新性。目前也已经有各类试验将无人机遥感技术运用到生产研究中[8-16]，并得到了可观的成果，为本次试验提供理论支持。

1 材料与方法

1.1 试验数据与处理

图像数据来源于高景一号卫星遥感影像和大疆P4M无人机采集的多光谱图像。本次研究中的飞行平台为产于中国深圳的DJI大疆精灵Phantom 4RTK无人机，配备波长范围为390—760 nm的1英寸CMOS传感器。相机的分辨率是2 000万像素(1∶2)。飞行高度120 m，飞行速度6 m/s，地面分辨率4 cm/像素。在测量之前，需要校准曝光时间。2幅暗背景图像和1幅白框图像用于镜头标定和反射率标定。2幅暗背景图像均通过贴上镜头盖采集，1幅暗背景图像的曝光时间增加了0.1 s。将反射率分别为20%，40%,60%的布放在现场，然后利用图像中的灰度值进行大气校正。光谱数据收集于2019年8月11日、9月10日和10月10日11:00至14:00。

每个样品的数字表面模型和正射影像，即上述3 d中的1 d采集的影像，由DJI Terra(版本2. 2. 0. 15)按照标准协议生成，包括数据校准、噪声和背景去除。在8，9,10月的3个月中，分别收集了图像159，159,158张。将图像集导入DJI Terra软件(2. 2. 0. 15版本)，选择农田场景的二维地图重建，设置WGS-84坐标系和高清参数，生成3张不同时期的正射影像。整个数据校正过程包括透镜校正、反射率校正和大气校正。

1.2 图像预处理

首先对遥感影像和无人机影像进行预处理，利用ENVI软件对前者进行几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化；利用大疆智图软件先对后者进行拼接后均一化，收集单波段，再进行波段合成。通过利用2者相同坐标位点进行相关匹配。利用该地区预处理后遥感影像中的红、绿、蓝和近红外4个波段进行Band Math[17]，结合无人机影像找出野生长叶榧10株及伴生树50株，计算该地区野生长叶榧和伴生树的20种植被指数(见表1)，分析野生长叶榧与其伴生树的植被指数差异。

表1 植被指数表达式及其用途

1.3 测定方法

多元回归分析(Multiple Regression Analysis)因变量为新得到的植被指数Y，影响因变量的20个自变量分别为X1—X20，其中每个自变量代表1种植被指数，分别代表VARI，TVDI，SR，SAVI，RDVI，OSAVI，NLI，NDVI，MSR，MNLI，LAI，IPVI，GRVI，GNDVI，GEMI，GDVI，GARI，EVI，DVI，ARVI。假设每个自变量对因变量Y的影响都是线性的，进而得到关于Y和X的关系式，即为本次试验的新植被指数。

利用R语言lm函数对野生长叶榧及其伴生树的20种植被指数数据进行多元回归分析。再将新关系式代入ENVI中进行Band Math，得到新植被指数图，通过观察该图，清楚地分辨野生长叶榧及其伴生树。

2 结果与分析

2.1 研究区域内野生长叶榧的光谱特征

2.1.1 多元回归分析结果 如表2所示，多元回归分析显示其中7种植被指数与Y值呈显著相关，分别为X3(SR)，X4(SAVI)，X8(NDVI)，X10(MNLI)，X12(IPVI)，X14(GNDVI)，X16(GDVI)，其置信区间如表3所示。最终得到了新的植被指数Y及其伴生树的植被指数X线性回归表达式：

Y=1.292 369+0.011 708 36X3+84 849.3X4-

495 776.2X8-44 008.38X10+35 988.67X12+

16. 241 29X14-0. 201 897 2X16

表2 回归分析结果

表3 自变量置信区间

2.1.2 结果分析 在20种植被指数中，通过软件分析发现SR，SAVI，NDVI，MNLI，IPVI，GNDVI，GDVI的差异较明显，利用这7种植被指数进行多元回归分析，并成功得到新的植被指数Y表达式，根据Y可得到野生长叶榧及其伴生树的光谱图像，并且在这个图像上野生长叶榧及其伴生树种具有明显的光谱差异。

对运用Y得到的新遥感图像进行图像的均一化后结果如图1所示。

图1 研究地区野生长叶榧与伴生树的植被指数差异

图1中(1)、(2)、(3)、(4)、(5)、(6)、(7)、(8)、(9)、(10)是野生长叶榧，在图中显示绿色，而(11)、(12)、(13)则是几个典型的野生长叶榧伴生树种，在图中显示红色，黄色，蓝色等，2者差异较明显，可以直接用肉眼分辨。

在上述的植被指数图中，选取具有代表性的数据，进行差异显著性检验，结果如图2。

图2 研究地区野生长叶榧与伴生树的植被指数差异

由图2可知：野生长叶榧及其伴生树存在光谱差异，前者植被指数在200 000—250 000之间，而后者的植被指数在150 000—200 000之间，差异显著，2者在图像上容易分辨，说明通过该方法区分野生长叶榧及其伴生树，可信度较高。

2.2 野生长叶榧分布区域

运用多元回归分析的结果进行计算，根据目标植被指数差异，寻找野生长叶榧的分布地区，如图3所示。图3中①、②、③、④、⑤、⑥是研究区域的野生长叶榧种植区域。

图3 研究地区野生长叶榧的分布区域图

通过实地考察发现，光谱影像反映的野生长叶榧的生长区域与实际接近，并通过该影像发现野生长叶榧通常生长在山势陡峭、峡谷深邃等地，且其多生长在海拔250—500 m地带，属于低山地貌。

本次试验表明：在6个野生长叶榧生长区域内，1号样地平均植被指数为246 378，海拔最高480 m，最低280 m；2号样地平均植被指数为267 854，海拔最高493 m，最低203 m；3号样地平均植被指数为286 352，海拔最高450 m，最低270 m；4号样地平均植被指数为286 354，海拔最高468 m，最低251 m；5号样地平均植被指数为275 862，海拔最高496 m，最低263 m；6号样地平均植被指数为268 571，海拔最高468 m，最低264 m。野生长叶榧生长区域内6个样本的平均植被指数在200 000—300 000范围内，海拔在250—500 m范围内。对照组1号样地平均植被指数156 800，海拔最高521 m，最低256 m；2号样地平均植被指数186 598，海拔最高534 m，最低海拔356 m。野生长叶榧伴生树生长区域内2个样本的平均植被指数在100 000—200 000范围内，海拔在200—600 m范围内。

3 结论与讨论

利用ENVI生成的植被指数结果图几乎再现了样本植被覆盖情况，并且依据20种植被指数结果，可分辨出野生长叶榧和其伴生树在光谱上的差异，加以利用；再运用多元回归分析，得到一个关于SR，SAVI，NDVI，MNLI，IPVI，GNDVI，GDVI新的植被指数，由于该指数为差异较大的7种植被指数，因而结果较准确。

这7种植被指数差异明显的原因可能为：①NDVI用于监测植被生长状态、植被覆盖度和消除部分辐射误差[18]。表明NDVI特征时间序列可有效体现植被的物候信息[19]。②SR是植被反射率最高的波长和叶绿素吸收最深的波长的比值。可高效分辨出不同植被[20]。③SAVI表示某一范围植被覆盖度变化较小区域下垫面的植被信息，其目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感，同样对于识别地面不同植被有显著作用[21]。④MNLI包含了土壤调整植被指数(SAVI)以说明土壤背景以及不同植被之间的区别[22]。⑤IPVI在功能上与NDVI相似，也可有效地反映植被的物候信息，但运算速度比NDVI快。⑥GNDVI同样是用于检测植被的生长状态，但它只测量540—570 nn的绿色光谱且对叶绿素浓度极度敏感，能够迅速识别野生长叶榧与其伴生树的差别。⑦GDVI对土壤的背景极为敏感，所以可准确高效的辨别2者的差异[23]。

本次实地考察从影像识别出的野生长叶榧中随机挑选了野生长叶榧50株，其中46株是正确的，4株是错误的，分别为白栎、乌饭树、连蕊茶和阔叶箬竹，正确率高达到了92%，结果理想。本次研究过程中的错误识别可能是由于采样时间的影响及树形的影响等。

针对这些问题，在改进过程中提出以下解决方案：(1)选择长叶榧和其伴生树种差异大的时间采样；(2)尽可能找到野生长叶榧及其伴生树在多光谱影像上差异较大的地方。