滇中三類典型地表植被的機載高光譜特征分析

胡 琳， 甘 淑， 2*， 袁希平， 李 雁， 4， 呂 杰, 2， 楊明龍, 2

1. 昆明理工大學國土資源工程學院， 云南 昆明 650093 2. 云南省高校高原山區(qū)空間信息測繪技術(shù)應用工程研究中心， 云南 昆明 650093 3. 滇西應用技術(shù)大學， 云南 大理 671000 4. 云南省國防科技工業(yè)局綜合研究所， 云南 昆明 650118

引 言

森林是陸地生態(tài)系統(tǒng)的重要組成部分[1]， 通過對森林植被進行遙感監(jiān)測， 獲取森林資源和森林生態(tài)系統(tǒng)數(shù)據(jù)對于森林的保護和管理具有重要意義[2]。 由于林業(yè)工作具有資源遼闊、 通達性差、 地形結(jié)構(gòu)復雜、 監(jiān)測周期長等特征， 林業(yè)遙感成為了林業(yè)調(diào)查的重要途徑與方式[3]。 高光譜遙感技術(shù)因其具有圖譜合一的優(yōu)勢， 可實現(xiàn)空間信息、 光譜信息和輻射信息的綜合觀測， 并且相較于傳統(tǒng)多光譜遙感技術(shù)， 高光譜遙感可以實現(xiàn)對目標的精確識別[4]。 目前因為大部分星載高光譜數(shù)據(jù)存在空間分辨率較低的問題， 而機載高光譜數(shù)據(jù)以其高空間分辨率、 高光譜分辨率、 高時間分辨率的優(yōu)勢， 成為林業(yè)遙感的重要數(shù)據(jù)源[5]。

以地表覆被的森林植被為例， 通過對典型植被類型進行高光譜特征對比分析， 以建立和完善各地區(qū)植被的高光譜數(shù)據(jù)庫， 對發(fā)展森林植被監(jiān)測具有重要意義[6]。 基于植被響應高光譜曲線， 運用數(shù)學模型處理， 可以增強不同植被類型之間的光譜區(qū)分度， 獲取最佳波段窗口及敏感波段， 對實現(xiàn)植被類型的精細判別十分必要。 該領(lǐng)域的研究受到國內(nèi)外學者的廣泛關(guān)注， 如字李[7]等基于地物光譜儀對香格里拉市4種典型針葉樹種實測數(shù)據(jù)進行微分變換處理， 以實現(xiàn)對針葉樹種的高光譜特征分析； 周偉[8]等通過對三江源區(qū)的典型毒雜草和牧草的地面實測高光譜數(shù)據(jù)進行SG平滑、 包絡線去除等處理， 對光譜特征進行了分析； Rubio-Delgado[9]等利用一階導數(shù)和二階導數(shù)運算， 基于地面實測高光譜數(shù)據(jù)分析了西班牙橄欖園光譜輻射特征。 通過綜述分析可看出， 目前基于野外定點實測高光譜數(shù)據(jù)分析研究有報道， 但基于機載高光譜數(shù)據(jù)進行森林植被高光譜特征對比分析的研究較少。 為此， 本文基于機載高光譜影像數(shù)據(jù)， 選擇以滇中地區(qū)的竹林、 華山松、 雜木林三類典型地表植被類型為研究對象， 通過對原始光譜、 一階微分處理光譜、 連續(xù)統(tǒng)去除處理光譜進行高光譜特征差異分析， 嘗試基于機載高光譜影像數(shù)據(jù)， 進行高光譜特征對比分析， 有助于對滇中森林植被精細判別提供技術(shù)方法， 同時， 為今后發(fā)展天-地-空的高光譜影像數(shù)據(jù)一體化遙感植被精細分類提供技術(shù)支撐。

1 實驗部分

1.1 數(shù)據(jù)及研究區(qū)

1.1.1 數(shù)據(jù)獲取

高光譜影像數(shù)據(jù)的采集時間是2019年12月17日上午十點到下午三點之間， 期間天氣晴朗無云， 處于較好的航飛條件。 數(shù)據(jù)采集采用了搭載著Cubert S185高光譜成像儀器傳感器的， 具有RTK定位導航的六旋翼無人機進行低空規(guī)劃航空拍攝， 飛行規(guī)劃航高設(shè)置為120 m。 鏡頭垂直于地面， 無人機平行于主航線進行飛行。 在獲取正射影像時， 通過地面監(jiān)控設(shè)備， 實時獲取無人機航拍狀態(tài)， 確保無人機沿預定航線平穩(wěn)飛行且影像清晰。 每一景影像大小對應實地場景約為36.4 m×36.4 m。 總體上， 數(shù)據(jù)源是運用Cubert S185機載高速成像光譜儀拍攝獲取， 該影像數(shù)據(jù)具有空間分辨率高且光譜分辨率高的特點， 可以較好地運用于植被的精細識別。 該高光譜傳感器可以獲取138個光譜波段， 光譜分辨為3.5 nm， 空間分辨率為0.04 m， 光譜范圍為450～998 nm[10-12]， 本文主要采用了450～946 nm之間的125個波段。 此外特別需要說明的是， 本研究中主要選擇了以所拍攝到的單景影像為數(shù)據(jù)源進行試驗， 為今后大尺度機載影像高光譜特征提取提供研究支持。

1.1.2 數(shù)據(jù)預處理

試驗數(shù)據(jù)選取時， 避開了無人機起飛和降落所對應的影像。 用白板上的參考測量值和覆蓋黑色塑料透鏡蓋的暗測量值對無人機高光譜影像進行輻射校正。 在參考測量值和實際測量值中減去暗測量值， 得到反射率值。 由于本文所選用試驗數(shù)據(jù)為單景影像， 因此無需進行影像拼接與裁剪。 為消除噪聲， 運用Savitzky Golay濾波平滑器， 對數(shù)據(jù)進行光譜平滑， 設(shè)置平滑窗口大小為5×5。 通過對機載高光譜影像數(shù)據(jù)進行Savitzky Golay 濾波平滑， 可以濾除受光照、 大氣等外界因素造成的噪聲和受儀器性能導致的噪聲， 從而得到比較真實的原始光譜反射率。

1.1.3 研究區(qū)

昆明西山森林公園(24°57′—24°59′N， 102°37′—102°38′E)位于昆明市西郊的滇池湖畔， 海拔1 890～2 358.3 m， 占地面積約為16 km2[13]。 西山森林公園的植被類型豐富， 植被分布較為集中， 且受人為活動影響較小。 通過實地勘察可以知道， 研究區(qū)內(nèi)主要植被類型為竹林、 華山松、 雜木林三類植被， 通過對這三類植被進行均勻取樣， 各取植被特征明顯的10個樣本點， 每個樣本點大小為5 px×5 px(像素)， 通過計算得到植被的平均光譜反射率， 以繪制光譜曲線。 研究區(qū)及取樣本點布設(shè)位置如圖1所示。

圖1 研究區(qū)及取樣本點布設(shè)位置

1.2 研究方法

1.2.1 一階微分處理

運用式(1)對原始光譜進行一階微分變換可以很好地消除大氣效應， 增強不同光譜波段的對比度[14]。 計算公式為

(1)

式(1)中，Ri為i波段原始光譜反射率， Δλ為波長λi+1與λi間的距離。

為了能定量地反映滇中的三類典型地表植被間的光譜特征差異， 選用9個常用的一階微分光譜特征參數(shù)， 其中位置變量6個， 面積變量3個， 其定義[15]如表1所示。

表1 一階微分光譜特征參數(shù)及定義

1.2.2 連續(xù)統(tǒng)去除處理

連續(xù)統(tǒng)去除是一種對原始光譜曲線歸一化處理的方法， 又稱包絡線去除[16]。 其定義為逐個點通過直線連接起吸收(反射)凸出的峰點， 并使折線在峰值點上的外角大于180°， 該方法使得經(jīng)變換后的反射率值在0～1之間。 峰值點上的相對反射率均為1， 其他點相對反射率均小于1。 計算公式為

(2)

式(2)中，CRj為連續(xù)統(tǒng)去除光譜反射率，Rj為原始光譜反射率，RCj為連續(xù)統(tǒng)線反射率。

經(jīng)連續(xù)統(tǒng)去除處理后的光譜數(shù)據(jù)， 提取7個連續(xù)統(tǒng)去除的光譜的特征參數(shù)進行比較， 其定義[15]如表2所示。 提取光譜特征參數(shù)可以定位光譜特征位置， 并且量化吸收谷形狀特征， 便于定量地描述滇中的三類典型地表植被間的光譜特征差異。

表2 連續(xù)統(tǒng)去除光譜特征參數(shù)及定義

2 結(jié)果與討論

2.1 原始高光譜特征分析

利用機載高光譜影像采樣數(shù)據(jù)得到研究區(qū)竹林、 華山松、 雜木林三類植被的原始高光譜曲線如圖2所示。

圖2 竹林、 華山松、 雜木林原始光譜曲線

分析可知三類植被均遵循植被反射光譜的變化規(guī)律， 即總體趨勢為隨著波長的增長， 光譜反射率逐漸增大， 再趨于平緩； 在450～522和662～690 nm范圍內(nèi)， 三類植被的光譜曲線幾乎重合， 難以進行植被類型區(qū)分； 而在原始高光譜曲線上三類植被均呈現(xiàn)出現(xiàn)了2個不同的峰值期間： 在522～662 nm范圍內(nèi)， 光譜反射率為竹林>華山松>雜木林， 且在554 nm處， 三類植被均出現(xiàn)有反射峰， 其中竹林的峰值明顯高于其他兩類植被； 在690～946 nm范圍內(nèi)， 光譜反射率同樣表現(xiàn)為竹林>華山松>雜木林， 且反射率差異明顯較大， 因此更有利于對三類植被進行區(qū)別與判識。 此外， 在690～766 nm范圍內(nèi)， 三類植被的光譜曲線均呈陡坡式增大， 斜率較大； 在766～914 nm范圍內(nèi)， 三類植被的光譜曲線均較平緩， 斜率較??； 而在914～946 nm范圍內(nèi)， 三類植被的光譜曲線均隨著波長的增長在逐漸減??； 在870 nm處為竹林光譜反射率的極大值， 達44.07%； 在854 nm處為華山松光譜反射率的極大值， 達32.16%； 在866 nm處為雜木林光譜反射率的極大值， 達27.34%。

2.2 一階微分處理光譜特征分析

為了使植被的光譜曲線變化特征更加顯著， 對竹林、 華山松、 雜木林三類植被的原始光譜曲線分別進行了一階微分變換處理， 得到三類典型植被的高光譜一階微分變換曲線如圖3所示。

圖3 竹林、 華山松、 雜木林一階微分光譜曲線

觀察曲線態(tài)勢看出， 三類植被的一階微分光譜曲線總體趨勢基本相似。 在450～486 nm范圍內(nèi)， 三類植被的一階微分曲線幾乎重合， 并未出現(xiàn)明顯特征； 在486～554 nm范圍內(nèi)， 三類植被的一階微分系數(shù)均為正值， 說明三類植被的光譜反射率與波長呈正相關(guān)， 且竹林、 華山松、 雜木林分別在530， 522和522 nm出現(xiàn)一階微分曲線反射峰值； 在554～670 nm范圍內(nèi)， 三類植被的一階微分系數(shù)均為負值， 且以相似頻率和幅度波動， 三類植被的光譜反射率均以相似斜率在隨波長的增長而減小， 說明三類植被的光譜反射率與波長呈負相關(guān)； 在670～774 nm范圍內(nèi)， 一階微分系數(shù)為竹林>華山松>雜木林， 特別是在718 nm處均出現(xiàn)有一階微分曲線的反射峰極大值點， 亦即在718 nm處， 由于三類植被的一階微分系數(shù)出現(xiàn)峰值且相差較大， 因此可以確定得出718 nm為區(qū)分三類植被的敏感特征波段， 其有利于對三類植被進行區(qū)別分類； 在774～946 nm范圍內(nèi)， 一階微分曲線均隨波長的增長， 由正值逐漸變?yōu)樨撝担?對應原始光譜曲線則表現(xiàn)為光譜反射率與波長由正相關(guān)逐漸變?yōu)樨撓嚓P(guān)。

其次， 根據(jù)一階微分光譜的常用9個特征參數(shù)處理方法， 分別提取得到研究區(qū)中竹林、 華山松、 雜木林這三類典型植被類型的一階微分光譜特征相關(guān)9個參數(shù)測算結(jié)果如表3所示。

表3 竹林、 華山松、 雜木林一階微分光譜特征參數(shù)

據(jù)表3數(shù)值對比進行特征對比分析可知： (1)竹林、 華山松、 雜木林這三類典型植被類型的藍邊幅值Db總體上減小， 藍邊位置λb在530～522 nm呈現(xiàn)綠移， 但不存在顯著性差異； 三類典型植被的黃邊幅值Dy總體上增大， 三類植被的黃邊位置λy均為570 nm； 三類典型植被的紅邊幅值Dr總體上增大， 且不同植被間差異較大， 三類植被的紅邊位置λr均為718 nm。 (2)竹林、 華山松、 雜木林這三類典型植被的藍邊面積SDb、 黃邊面積SDy均有逐漸增大的趨勢， 且不同植被間差異較大； 紅邊面積SDr有逐漸減小的趨勢， 且不同植被間差異較大。

由上述分析可知， 對于研究區(qū)的三類典型植被的一階微分光譜特征的9個相關(guān)參數(shù)的比較， 即根據(jù)藍邊幅值、 黃邊幅值、 紅邊幅值所對應的波段位置具有的相對同一性特征， 以及藍邊面積、 黃邊面積和紅邊面積所呈現(xiàn)出的不同類型之間的顯著差異特征， 十分有利于對研究區(qū)中的竹林、 華山松、 雜木林進行敏感波段確定， 并可根據(jù)三種類型之間顯著差異性進行類別區(qū)分和聚類識別。

2.3 連續(xù)統(tǒng)去除處理光譜特征分析

運用連續(xù)統(tǒng)去除法， 變換處理研究區(qū)中竹林、 華山松、 雜木林三類植被的原始高光譜后， 獲得三類植被的連續(xù)統(tǒng)去除光譜曲線如圖4所示。

圖4 竹林、 華山松、 雜木林連續(xù)統(tǒng)去除光譜曲線

針對三類植被的連續(xù)統(tǒng)去除特征分析： 在458～554 nm范圍內(nèi)， 連續(xù)統(tǒng)去除系數(shù)為雜木林>華山松>竹林， 其中在502 nm處出現(xiàn)明顯谷值， 說明在此波段位置處， 三類植被的連續(xù)統(tǒng)去除系數(shù)差異均較為明顯， 可界定其為有利于進行三類植被區(qū)分的敏感特征波段之一； 在570～690 nm范圍內(nèi)， 連續(xù)統(tǒng)去除系數(shù)為雜木林>華山松>竹林， 其中在674 nm處出現(xiàn)明顯谷值， 且為整體連續(xù)統(tǒng)去除光譜曲線的極小值， 說明在此波段位置處， 三類植被的連續(xù)統(tǒng)去除系數(shù)差異最為明顯， 由此可探測確定其為有利于進行三類植被區(qū)分的重要敏感特征波段。

基于以上連續(xù)統(tǒng)去除線特征分析， 運用連續(xù)統(tǒng)去除光譜特征參數(shù)定義及測算方法， 對探測確定的最小谷值所對應的特征波段進一步深化處理與探索如下： 計算546～750 nm波段范圍內(nèi)的竹林、 華山松、 雜木林的連續(xù)統(tǒng)去除的光譜的特征參數(shù)， 整理結(jié)果如表4所示。

據(jù)表4數(shù)值對比進行特征分析可知： (1)竹林、 華山松、 雜木林這三類典型植被類型的最大吸收深度D、 總面積A、 左面積Al、 右面積Ar的數(shù)值特征均呈現(xiàn)為： 雜木林>華山松>竹林； (2)三類植被的A值差異較大， 有利于三類植被的分離性， 且三類植被的吸收位置P相鄰集中在674， 675， 和676 nm； (3)華山松和雜木林的吸收對稱度S均接近1， 表明吸收谷較為對稱， 而竹林的吸收對稱度S值為0.913， 則呈左偏移； (4)三類植被的面積歸一化最大吸收深度NMAD差異不大， 不易于三類植被的區(qū)分。

表4 竹林、 華山松、 雜木林連續(xù)統(tǒng)去除光譜特征參數(shù)

針對原始光譜曲線圖在450～522和662～690 nm范圍內(nèi)所存在的三類典型植被的光譜曲線幾乎重合， 而難以進行三類植被類型的有效區(qū)分問題， 通過對研究區(qū)中連續(xù)統(tǒng)去除光譜特征參數(shù)運用分析得出， 通過總面積A參數(shù)特征可以嘗試對研究區(qū)植被類型進行區(qū)分與識別。

3 結(jié) 論

基于機載高光譜影像數(shù)據(jù)， 以滇中典型地表植被竹林、 華山松、 雜木林為研究對象， 通過對三類植被的原始光譜、 一階微分處理光譜、 連續(xù)統(tǒng)去除處理光譜的差異分析， 得到如下結(jié)論：

(1)基于對原始光譜特征分析發(fā)現(xiàn)： 竹林、 華山松、 雜木林的原始光譜的最佳波段窗口為690～946 nm， 在該波段范圍內(nèi)光譜反射率為竹林>華山松>雜木林。

(2)基于一階微分處理光譜特征分析發(fā)現(xiàn)： 竹林、 華山松、 雜木林的一階微分處理光譜的最佳波段窗口為670～774 nm， 在該波段范圍內(nèi)一階微分系數(shù)為竹林>華山松>雜木林。 同時， 在718 nm波段處均出現(xiàn)三類植被的一階微分光譜曲線的反射峰極大值點， 可用于三類植被的區(qū)分； 通過對竹林、 華山松、 雜木林一階微分光譜特征參數(shù)的分析， 得出綜合運用藍邊幅值、 黃邊幅值、 紅邊幅值、 藍邊面積、 黃邊面積和紅邊面積分析技術(shù)， 有利于探測獲得對研究區(qū)典型植被類型敏感特征波段的位置確定， 以及探測不同類別之間的波段差異化特性。

(3)基于連續(xù)統(tǒng)去除處理光譜特征分析發(fā)現(xiàn)： 竹林、 華山松、 雜木林的連續(xù)統(tǒng)去除處理光譜的最佳波段窗口為458～554和570～690 nm。 在458～554和570～690 nm范圍內(nèi)， 連續(xù)統(tǒng)去除系數(shù)均為雜木林>華山松>竹林； 并且在502 nm處出現(xiàn)明顯吸收谷， 在674nm處出現(xiàn)明顯吸收谷且為連續(xù)統(tǒng)去除光譜曲線的極小值， 這兩個波段均可用于三類植被的區(qū)分。 通過對竹林、 華山松、 雜木林連續(xù)統(tǒng)去除光譜特征參數(shù)的分析， 得出可以嘗試運用總面積來進行竹林、 華山松、 雜木林的區(qū)分識別。

一階微分法可以增強光譜曲線在坡度上的細微變化， 便于提取光譜峰谷參數(shù)， 此外， 采用一階微分法消除光譜間的系統(tǒng)誤差， 減少大氣輻射、 散射和吸收等背景噪聲對目標光譜的影響。 由于葉綠素光合作用， 有效輻射吸收率的光譜特征常表現(xiàn)為弱吸收信號， 采用連續(xù)統(tǒng)去除法將反射波譜歸一化0～1的實數(shù)域中， 使得可以在同一基準線上對比吸收特征， 從而擴大原始光譜中由光合作用的有效輻射吸收引起的吸收特征微小變化。 綜合運用一階微分法與連續(xù)統(tǒng)去除法進行高光譜曲線特征波段的識別， 能夠有效增強三類植被的光譜差異， 突出敏感波段位置等信息， 為進一步進行植被類型的精細識別提供基礎(chǔ)。

本試驗研究總體較為理想， 更為復雜地表的植被覆蓋類型的高光譜檢測研究有待深化。 所獲取的三類植被的高光譜數(shù)據(jù)， 因受到局地氣候的影響， 可能會存在一定程度上的差異， 今后可以通過采集不同地區(qū)、 同類植被的高光譜數(shù)據(jù)， 以提高數(shù)據(jù)的普適性。 同時， 本文影像數(shù)據(jù)拍攝時間為12月中旬， 并不是判別這三類植被的最佳時期， 未來可以基于多時相的機載高光譜影像， 進行植被多年份、 多季度的動態(tài)變化分析， 總結(jié)規(guī)律以豐富植被高光譜數(shù)據(jù)庫， 為基于高光譜特征的植被精細判別提供數(shù)據(jù)支撐。