一、引言

經(jīng)濟(jì)林是我國森林資源的重要組成部分，具有生態(tài)、經(jīng)濟(jì)和社會效益，開展經(jīng)濟(jì)林調(diào)査工作，對于掌握經(jīng)濟(jì)林資源現(xiàn)狀、提高林業(yè)整體發(fā)展水平等具有重要意義。高光譜遙感技術(shù)在樹種分類識別的應(yīng)用彌補了多光譜樹種識別精度低、分類類型單一等問題。目前，利用高光譜遙感對生態(tài)林樹種識別研究得到了快速發(fā)展，建立了針對杉木、白樺、山楊、落葉松等多種樹種的分類方法。開展基于高光譜遙感的山區(qū)經(jīng)濟(jì)林樹種識別研究既豐富高光譜在樹種分類識別上的應(yīng)用，也對監(jiān)測山區(qū)經(jīng)濟(jì)林資源具有重要意義。

二、研究方法與材料

2.1 研究區(qū)概況

研究區(qū)位于河北省保定市滿城區(qū)龍門山莊現(xiàn)代農(nóng)業(yè)園區(qū)，地理坐標(biāo)范圍為Ｅ１１５°２６′～１１５°２７′，Ｎ３９°０９′～３９°１０′，海拔約為１１０～３４０ｍ，坡度平緩，土壤肥沃，是典型的石灰?guī)r土壤。該地區(qū)氣候?qū)倥瘻貛О霛駶櫚敫珊荡箨懶约撅L(fēng)氣候，四季分明，光照充足，雨熱同期。年平均氣溫１２．９℃，日照２４１２．７ｈ，無霜期１９０ｄ，平均降水量約５４６．５ｍｍ。栽植生態(tài)林２８萬余株，種植經(jīng)濟(jì)林１３４ｈｍ２，主要栽種的經(jīng)濟(jì)林樹種：蘋果、杏、柿、櫻桃、核桃。

2.2數(shù)據(jù)獲取與預(yù)處理

使用無人機搭載光譜儀以推掃式獲取光譜數(shù)據(jù)，飛行高度２００ｍ。冠層光譜數(shù)據(jù)采集時間為２０２１年８月１４日至１６日，測量時間選在北京時間中午１１：００至１４：００，測量光源為太陽光。采集光譜時需要天氣狀況保持晴朗無云、無風(fēng)，采集人員需穿著深色衣服以減少對測量結(jié)果的影響。測量冠層高光譜反射率前，需要使用標(biāo)準(zhǔn)白板進(jìn)行校正。測量時，將光譜儀傳感器探頭垂直向下正對待測樹種冠層，高度保持在１ｍ左右。采集人員面向光源，盡量在短時間內(nèi)完成１組數(shù)據(jù)的測量。由于太陽入射角隨時間變化會發(fā)生改變，每間隔１０ｍｉｎ需再次進(jìn)行白板校正，以保證測量結(jié)果的準(zhǔn)確性。進(jìn)行光譜采集的同時，需要記錄采樣點的位置信息。冠層光譜數(shù)據(jù)采集時，每個樹種選取長勢具有代表性的１０棵，每棵樹采集１０條數(shù)據(jù)，即各樹種分別采集１００個光譜數(shù)據(jù)，最終取平均值作為該樹種的冠層光譜反射率。葉片光譜數(shù)據(jù)采集時間同樣為２０２１年８月１４日至１６日，測量時間為中午１１：００至１４：００，太陽光為光源。采集數(shù)據(jù)時保證天氣晴朗無云、無風(fēng)。使用儀器自帶的葉片夾進(jìn)行光譜數(shù)據(jù)的采集，首先進(jìn)行白板校正，在校正完畢后，開始葉片光譜的測量。葉片光譜數(shù)據(jù)采集時，每個樹種選取長勢具有代表性的１０棵，每棵樹上選擇１０個葉片，即各樹種分別采集１００個葉片光譜數(shù)據(jù)，最后通過計算得到的平均值作為該樹種的葉片光譜反射率。同時開展研究區(qū)樹種實地調(diào)查，通過ＧＰＳ定位，記錄不同樹種的分布情況，為分類時訓(xùn)練樣本和驗證樣本的選取提供參考。選取蘋果、杏、柿、櫻桃、核桃以及生態(tài)林洋槐（對照）為研究對象。

2.3研究方法

2.3.1 特征波段篩選

原始高光譜數(shù)據(jù)波段數(shù)較多，數(shù)據(jù)量過大，直接用來進(jìn)行分類會導(dǎo)致運行速度慢、精度低等問題。為了使高光譜數(shù)據(jù)維度降低、減少計算的復(fù)雜程度，需要對其進(jìn)行數(shù)據(jù)壓縮、找出不敏感的波段并剔除，選出能夠保留原始高光譜數(shù)據(jù)主要特征的最佳波段組合。連續(xù)投影算法（ＳＰＡ）是一種有效的波段提取方法，可以有效消除波長變量之間的共線影響、減少復(fù)雜程度，能夠消除光譜矩陣之間的冗余信息，被廣泛應(yīng)用于信號處理、光譜計量學(xué)等領(lǐng)域。ＳＰＡ是一種前向迭代選擇方法，其基本原理是任選一個波長計算它在未選入波長上的投影，將投影向量最大的波長加入波長鏈中，循環(huán)Ｎ次，每個被選入的波長都與前１個被選入波長的線性關(guān)系最小。

本研究中連續(xù)投影算法在軟件中實現(xiàn)，波段選取的評價指標(biāo)為均方根誤差（ＲＭＳＥ），是觀測值和真值偏差的平方和與觀測次數(shù)比值的平方根，用于衡量觀測值與真值之間的偏差。

2.3.2植被指數(shù)特征

植被指數(shù)主要通過特定波段組合，可以增強某一特定植被信息，減少太陽輻射和土壤背景值的影響，放大不同植被間的差異。本試驗選取了常用于樹種分類的１１個植被指數(shù)，分別為歸一化植被指數(shù)（ＮＤＶＩ）、綠色歸一化植被指數(shù)（ＧＮＤＶＩ）、光學(xué)植被指數(shù)（ＰＲＩ）、簡單色素比值指數(shù)（ＳＲＰＩ）、簡單比值指數(shù)（ＳＲ）、Ｖｏｇｅｌｍａｎｎ紅邊指數(shù)１（ＶＯＧ１）、綠波段指數(shù)（ＧＲＶＩ）、歸一化脫鎂作用指數(shù)（ＮＰＱＩ）、類胡蘿卜素反射指數(shù)１（ＣＲＩ１）、類胡蘿卜素反射指數(shù)２（ＣＲＩ２）、增強植被指數(shù)（ＥＶＩ）。

2.3.3紋理特征

處理高光譜數(shù)據(jù)時在分析地物連續(xù)光譜信息的基礎(chǔ)上也要考慮地物空間信息?；叶裙采仃嚕ǎ牵蹋茫停┦且环N通過研究灰度的空間相關(guān)特性來描述紋理特征的常用方法，可以有效表達(dá)高光譜影像的空間特征。

本研究對遙感影像進(jìn)行主成分分析處理，提取包含信息量最大的第一主成分，對其進(jìn)行灰度共生矩陣計算，選用二階概率統(tǒng)計濾波提取紋理特征。濾波窗口設(shè)置為７×７，灰度量化級別為６４，紋理特征共包含８項，分別為均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關(guān)性。

2.3.4分類方法與精度評價

分別構(gòu)建基于特征波段、植被指數(shù)、特征波段與植被指數(shù)組合、特征波段與紋理特征組合、植被指數(shù)與紋理特征組合、３種特征組合，共６種分類特征，結(jié)合最大似然法、隨機森林和支持向量機法進(jìn)行分類，并對結(jié)果進(jìn)行精度驗證。

三、結(jié)果與分析

3.1光譜特征分析

3.1.1原始光譜特征分析

各個樹種冠層原始光譜曲線，見圖１

圖１ ６種樹種冠層原始光譜曲線

由圖１可知，６種樹種的光譜曲線走勢大致相同，具有典型綠色植被的光譜特征。由于葉綠素在４００～７６０ｎｍ范圍內(nèi)對紅光和藍(lán)光具有吸收作用、對綠光產(chǎn)生較強的反射作用，因此綠色植被在此區(qū)域具有“２谷１峰”的明顯變化特征。第１個吸收谷出現(xiàn)在４９０ｎｍ附近，在４００～５００ｎｍ之間，反射率較低且變化平緩，６種樹種的反射率值均在０．０５以下。當(dāng)波長逐漸增大到５５０ｎｍ附近時，出現(xiàn)第１個反射峰，這是由于該區(qū)域是葉綠素的強反射帶，因此形成明顯凸起的反射綠峰，６種樹種的反射率值均在０．０４～０．０６左右。此后反射率開始下降，在６７０ｎｍ附近出現(xiàn)第２個吸收谷，即“紅谷”，這是因為葉綠素在這一區(qū)域具有較強的吸收作用，６種樹種的反射率值均在０．０２～０．０４之間。在“２谷１峰”的波長范圍內(nèi)，櫻桃、洋槐、核桃和蘋果的光譜反射率整體上高于杏樹和柿，能夠較好的與杏樹、柿區(qū)分開來。在６７０～７５０ｎｍ之間，光譜反射率急劇上升曲線斜率迅速增大，出現(xiàn)明顯的反射陡坡，即“紅邊效應(yīng)”。在７５０～９６０ｎｍ范圍內(nèi)，出現(xiàn)了６種樹種的第２個反射峰，反射率值在０．２５～０．４０之間，明顯高于第１個反射峰，其中柿和洋槐的反射率高于其他４種樹種，各樹種的光譜反射率之間存在一定差異性。

3.1.2連續(xù)統(tǒng)去除光譜特征分析

從無人機高光譜影像中獲取的６種樹種原始光譜反射率經(jīng)過連續(xù)統(tǒng)去除變換后得到如圖２所示的曲線。

圖２６種樹種冠層連續(xù)統(tǒng)去除光譜曲線

由圖２可知，６種樹種的連續(xù)統(tǒng)去除光譜曲線整體形狀大致相同，在４００～４２０ｎｍ和６９０～１０００ｎｍ波長范圍內(nèi)的光譜曲線相似度較高。在４００～６７０ｎｍ之間，６條曲線均出現(xiàn)了“２谷１峰”的明顯特征。在４２５～５２５ｎｍ和５７５～６９０ｎｍ范圍內(nèi)存在２個吸收谷，此時６種樹種的反射率值由高到低依次為：核桃、櫻桃、蘋果、杏樹、洋槐、柿。當(dāng)波長為５５０ｎｍ左右時，６種樹種光譜反射曲線出現(xiàn)反射峰，此處核桃的光譜反射率值最大，柿的光譜反射率值最小。在５２５～５７５ｎｍ之間，各條光譜曲線對應(yīng)反射率值由大到小依次為：核桃、櫻桃、蘋果、洋槐、杏樹、柿，除核桃和櫻桃外，其他樹種光譜反射率存在差異。在６７０～７５０ｎｍ波長范圍內(nèi)，各個樹種的連續(xù)統(tǒng)去除光譜曲線呈現(xiàn)快速上升的趨勢，且反射率達(dá)到最大值，均保持在１左右，此范圍內(nèi)各條曲線之間差異不明顯。在７５０～１０００ｎｍ之間，６條曲線基本保持同一形狀，其中在８００～８２５ｎｍ和９１５～１０００ｎｍ出現(xiàn)先下降后升高趨勢，但差異不明顯。

3.2光譜特征波段篩選和植被指數(shù)特征構(gòu)建

以６種樹種無人機冠層光譜數(shù)據(jù)為研究對象，在數(shù)據(jù)處理軟件中應(yīng)用連續(xù)投影算法（ＳＰＡ）對其進(jìn)行特征波段篩選。在應(yīng)用ＳＰＡ進(jìn)行特征波段篩選時，需根據(jù)均方根誤差（ＲＭＳＥ）的大小選出相對較優(yōu)的特征波段。使用ＳＰＡ預(yù)處理后的１７６個波段進(jìn)行特征波段選擇。共選取出１０個特征波段，如表１所示

表１ ＳＰＡ篩選特征波段及對應(yīng)波長值

由表１可知，篩選出的１０個特征波段屬于不同的光譜區(qū)域，其中波長分別為４２３．８、５４７．８、６７３．０、７００．６、７３２．０、７７０．６ｎｍ的６個特征波段位于可見光區(qū)域，波長分別為８６３．５、９１８．０、９５４．８、９６９．６ｎｍ的４個特征波段位于近紅外區(qū)域。

可見，光區(qū)域的６個特征波段波長具有一定差異，近紅外區(qū)域的４個特征波段波長較為均衡，不同特征波段之間相互獨立，互不影響，這些篩選出來的特征波段既保留了原始高光譜數(shù)據(jù)的主要特征，又對樹種識別具有較高的敏感度，屬于ＳＰＡ預(yù)處理后的１７６個波段中的優(yōu)質(zhì)波段，能夠用于后續(xù)的樹種識別研究。對不同樹種篩選出１１個植被指數(shù)進(jìn)行歸一化處理，并基于ＣＡＲＴ決策樹對每個植被指數(shù)進(jìn)行重要性評分，最終選?。穫€得分較高的植被指數(shù)，如表２所示。

表２ 植被指數(shù)重要性評分

由表２可知，在１１個植被指數(shù)中得分大于０．０５的７個植被指數(shù)特征分別為：簡單比值指數(shù)（ＳＲ）、類胡蘿卜素反射指數(shù)２（ＣＲＩ２）、綠波段指數(shù)（ＧＲＶＩ）、歸一化脫鎂作用指數(shù)（ＮＰＱＩ）、Ｖｏ－ｇｅｌｍａｎｎ紅邊指數(shù)１（ＶＯＧ１）、歸一化植被指數(shù)（ＮＤＶＩ）、簡單色素比值指數(shù)（ＳＲＰＩ），以上７個植被指數(shù)共同構(gòu)建的植被指數(shù)特征在對研究區(qū)６種樹種的識別過程中能夠表現(xiàn)出更好的可分性，可以用于研究區(qū)６種樹種的識別。

3.3光譜特征波段篩選和植被指數(shù)特征構(gòu)建

濾波窗口設(shè)置為７×７，灰度量化級別為６４，紋理特征相關(guān)計算公式見表３。

表３ 紋理特征計算公式

由表３可知，紋理特征參數(shù)共包含８項，分別為均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關(guān)性。通過８種紋理特征計算公式，可以獲取到圖像中不同區(qū)域的紋理信息，這些紋理特征可以用于圖像分類、目標(biāo)識別、圖像檢索等應(yīng)用，通過對紋理特征的提取和分析，可以更好地理解圖像內(nèi)容和結(jié)構(gòu)，從而實現(xiàn)對圖像的自動分析和理解。

將表３與高光譜數(shù)據(jù)進(jìn)行結(jié)合。高光譜數(shù)據(jù)既包括地物的連續(xù)光譜信息，還具有豐富的地物空間分布信息，只考慮光譜特征部分的信息，不能很好地對高光譜圖像進(jìn)行分析。紋理特征是由影像特征值組成，可以在一定程度上改善高光譜圖像的分類效果?；叶裙采仃嚕ǎ牵蹋茫停┦且环N通過研究灰度的空間相關(guān)特性來描述紋理特征的常用方法，可以有效地表達(dá)高光譜影像的空間特征。本研究在圖像處理軟件中對高光譜遙感影像進(jìn)行主成分分析處理，提取包含信息量最大的第一主成分，對其進(jìn)行灰度共生矩陣計算，選用二階概率統(tǒng)計濾波提取紋理特征。

續(xù)~

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇