基于多光譜數(shù)據(jù)初探野生長葉榧分布光譜特征

林春穆

邵武將石省級自然保護區(qū)，福建 邵武 354011)

長葉榧(TorreyajackiiChun)，別名浙榧、加氏榧，又被稱為山榧、臭榧、白榧、青榧等，隸屬于紅豆杉科(Taxaceae)的榧樹屬。長葉榧是榧樹屬中最原始也是我國特有的珍稀瀕危樹種[1]。同時，野生長葉榧還具有極高的生態(tài)價值和經(jīng)濟價值。因其自身特征是建筑、船只、家具等行業(yè)的重要材料；有研究表明在其所有營養(yǎng)器官中均發(fā)現(xiàn)了黃酮類化合物[2]，含量和種類均以1年生葉最高，所以葉片是其次生代謝產(chǎn)物的主要產(chǎn)生器官[3]；其種子也具有一定的藥用價值[4]，若長期食用，可潤肺、通便、驅(qū)蟲等。然而，由于近年來自然環(huán)境的不斷惡化以及人類活動的持續(xù)影響，野生長葉榧正常生長被嚴(yán)重威脅。因此，在保護長葉榧基因資源的同時也需要通過人工馴化的方式充分開發(fā)長葉榧的經(jīng)濟和生態(tài)價值。

長葉榧保護與馴化工作的開展需要對其野生群落分布與生長習(xí)性等有充分的了解。福建省邵武將石省級自然保護區(qū)為野生長葉榧的重要分布區(qū)域，屬森林生態(tài)系統(tǒng)類型自然保護區(qū)。目前，我國對長葉榧的研究，主要在生物學(xué)特性、種群分布、群落特征、生長環(huán)境調(diào)查、次生代謝產(chǎn)物的藥理作用和遺傳多樣性等方面[3-7]。其中，針對野生長葉榧群落分布的調(diào)查依然停留在特定區(qū)域[5]，對該區(qū)域以外的地域而言，結(jié)果的參考價值并不高，這也限制了大范圍開展長葉榧的保護與馴化工作。如何在大尺度上高效地完成對野生長葉榧分布的調(diào)查，也就成為了長葉榧保護與馴化工作的關(guān)鍵。

遙感技術(shù)是指從遠距離感知目標(biāo)反射或自身輻射的電磁波、可見光、紅外線，對目標(biāo)進行探測和識別的技術(shù)[8]，具有眾多優(yōu)點。多光譜特征能夠解決目前困擾的大范圍識別問題，且效果有保證。通過無人機，運用多光譜技術(shù)進行目標(biāo)樹木的大規(guī)模識別，可緩解人力財力的負(fù)擔(dān)，克服大面積識別的困難，這也是本次調(diào)查研究的創(chuàng)新性。目前也已經(jīng)有各類試驗將無人機遙感技術(shù)運用到生產(chǎn)研究中[8-16]，并得到了可觀的成果，為本次試驗提供理論支持。

1 材料與方法

1.1 試驗數(shù)據(jù)與處理

圖像數(shù)據(jù)來源于高景一號衛(wèi)星遙感影像和大疆P4M無人機采集的多光譜圖像。本次研究中的飛行平臺為產(chǎn)于中國深圳的DJI大疆精靈Phantom 4RTK無人機，配備波長范圍為390—760 nm的1英寸CMOS傳感器。相機的分辨率是2 000萬像素(1∶2)。飛行高度120 m，飛行速度6 m/s，地面分辨率4 cm/像素。在測量之前，需要校準(zhǔn)曝光時間。2幅暗背景圖像和1幅白框圖像用于鏡頭標(biāo)定和反射率標(biāo)定。2幅暗背景圖像均通過貼上鏡頭蓋采集，1幅暗背景圖像的曝光時間增加了0.1 s。將反射率分別為20%，40%,60%的布放在現(xiàn)場，然后利用圖像中的灰度值進行大氣校正。光譜數(shù)據(jù)收集于2019年8月11日、9月10日和10月10日11:00至14:00。

每個樣品的數(shù)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)按照標(biāo)準(zhǔn)協(xié)議生成，包括數(shù)據(jù)校準(zhǔn)、噪聲和背景去除。在8，9,10月的3個月中，分別收集了圖像159，159,158張。將圖像集導(dǎo)入DJI Terra軟件(2. 2. 0. 15版本)，選擇農(nóng)田場景的二維地圖重建，設(shè)置WGS-84坐標(biāo)系和高清參數(shù)，生成3張不同時期的正射影像。整個數(shù)據(jù)校正過程包括透鏡校正、反射率校正和大氣校正。

1.2 圖像預(yù)處理

首先對遙感影像和無人機影像進行預(yù)處理，利用ENVI軟件對前者進行幾何精校正、配準(zhǔn)、圖像鑲嵌與裁剪、去云及陰影處理和光譜歸一化；利用大疆智圖軟件先對后者進行拼接后均一化，收集單波段，再進行波段合成。通過利用2者相同坐標(biāo)位點進行相關(guān)匹配。利用該地區(qū)預(yù)處理后遙感影像中的紅、綠、藍和近紅外4個波段進行Band Math[17]，結(jié)合無人機影像找出野生長葉榧10株及伴生樹50株，計算該地區(qū)野生長葉榧和伴生樹的20種植被指數(shù)(見表1)，分析野生長葉榧與其伴生樹的植被指數(shù)差異。

表1 植被指數(shù)表達式及其用途

1.3 測定方法

多元回歸分析(Multiple Regression Analysis)因變量為新得到的植被指數(shù)Y，影響因變量的20個自變量分別為X1—X20，其中每個自變量代表1種植被指數(shù)，分別代表VARI，TVDI，SR，SAVI，RDVI，OSAVI，NLI，NDVI，MSR，MNLI，LAI，IPVI，GRVI，GNDVI，GEMI，GDVI，GARI，EVI，DVI，ARVI。假設(shè)每個自變量對因變量Y的影響都是線性的，進而得到關(guān)于Y和X的關(guān)系式，即為本次試驗的新植被指數(shù)。

利用R語言lm函數(shù)對野生長葉榧及其伴生樹的20種植被指數(shù)數(shù)據(jù)進行多元回歸分析。再將新關(guān)系式代入ENVI中進行Band Math，得到新植被指數(shù)圖，通過觀察該圖，清楚地分辨野生長葉榧及其伴生樹。

2 結(jié)果與分析

2.1 研究區(qū)域內(nèi)野生長葉榧的光譜特征

2.1.1 多元回歸分析結(jié)果 如表2所示，多元回歸分析顯示其中7種植被指數(shù)與Y值呈顯著相關(guān)，分別為X3(SR)，X4(SAVI)，X8(NDVI)，X10(MNLI)，X12(IPVI)，X14(GNDVI)，X16(GDVI)，其置信區(qū)間如表3所示。最終得到了新的植被指數(shù)Y及其伴生樹的植被指數(shù)X線性回歸表達式：

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 回歸分析結(jié)果

表3 自變量置信區(qū)間

2.1.2 結(jié)果分析 在20種植被指數(shù)中，通過軟件分析發(fā)現(xiàn)SR，SAVI，NDVI，MNLI，IPVI，GNDVI，GDVI的差異較明顯，利用這7種植被指數(shù)進行多元回歸分析，并成功得到新的植被指數(shù)Y表達式，根據(jù)Y可得到野生長葉榧及其伴生樹的光譜圖像，并且在這個圖像上野生長葉榧及其伴生樹種具有明顯的光譜差異。

對運用Y得到的新遙感圖像進行圖像的均一化后結(jié)果如圖1所示。

圖1 研究地區(qū)野生長葉榧與伴生樹的植被指數(shù)差異

圖1中(1)、(2)、(3)、(4)、(5)、(6)、(7)、(8)、(9)、(10)是野生長葉榧，在圖中顯示綠色，而(11)、(12)、(13)則是幾個典型的野生長葉榧伴生樹種，在圖中顯示紅色，黃色，藍色等，2者差異較明顯，可以直接用肉眼分辨。

在上述的植被指數(shù)圖中，選取具有代表性的數(shù)據(jù)，進行差異顯著性檢驗，結(jié)果如圖2。

圖2 研究地區(qū)野生長葉榧與伴生樹的植被指數(shù)差異

由圖2可知：野生長葉榧及其伴生樹存在光譜差異，前者植被指數(shù)在200 000—250 000之間，而后者的植被指數(shù)在150 000—200 000之間，差異顯著，2者在圖像上容易分辨，說明通過該方法區(qū)分野生長葉榧及其伴生樹，可信度較高。

2.2 野生長葉榧分布區(qū)域

運用多元回歸分析的結(jié)果進行計算，根據(jù)目標(biāo)植被指數(shù)差異，尋找野生長葉榧的分布地區(qū)，如圖3所示。圖3中①、②、③、④、⑤、⑥是研究區(qū)域的野生長葉榧種植區(qū)域。

圖3 研究地區(qū)野生長葉榧的分布區(qū)域圖

通過實地考察發(fā)現(xiàn)，光譜影像反映的野生長葉榧的生長區(qū)域與實際接近，并通過該影像發(fā)現(xiàn)野生長葉榧通常生長在山勢陡峭、峽谷深邃等地，且其多生長在海拔250—500 m地帶，屬于低山地貌。

本次試驗表明：在6個野生長葉榧生長區(qū)域內(nèi)，1號樣地平均植被指數(shù)為246 378，海拔最高480 m，最低280 m；2號樣地平均植被指數(shù)為267 854，海拔最高493 m，最低203 m；3號樣地平均植被指數(shù)為286 352，海拔最高450 m，最低270 m；4號樣地平均植被指數(shù)為286 354，海拔最高468 m，最低251 m；5號樣地平均植被指數(shù)為275 862，海拔最高496 m，最低263 m；6號樣地平均植被指數(shù)為268 571，海拔最高468 m，最低264 m。野生長葉榧生長區(qū)域內(nèi)6個樣本的平均植被指數(shù)在200 000—300 000范圍內(nèi)，海拔在250—500 m范圍內(nèi)。對照組1號樣地平均植被指數(shù)156 800，海拔最高521 m，最低256 m；2號樣地平均植被指數(shù)186 598，海拔最高534 m，最低海拔356 m。野生長葉榧伴生樹生長區(qū)域內(nèi)2個樣本的平均植被指數(shù)在100 000—200 000范圍內(nèi)，海拔在200—600 m范圍內(nèi)。

3 結(jié)論與討論

利用ENVI生成的植被指數(shù)結(jié)果圖幾乎再現(xiàn)了樣本植被覆蓋情況，并且依據(jù)20種植被指數(shù)結(jié)果，可分辨出野生長葉榧和其伴生樹在光譜上的差異，加以利用；再運用多元回歸分析，得到一個關(guān)于SR，SAVI，NDVI，MNLI，IPVI，GNDVI，GDVI新的植被指數(shù)，由于該指數(shù)為差異較大的7種植被指數(shù)，因而結(jié)果較準(zhǔn)確。

這7種植被指數(shù)差異明顯的原因可能為：①NDVI用于監(jiān)測植被生長狀態(tài)、植被覆蓋度和消除部分輻射誤差[18]。表明NDVI特征時間序列可有效體現(xiàn)植被的物候信息[19]。②SR是植被反射率最高的波長和葉綠素吸收最深的波長的比值?？筛咝Х直娉霾煌脖籟20]。③SAVI表示某一范圍植被覆蓋度變化較小區(qū)域下墊面的植被信息，其目的是解釋背景的光學(xué)特征變化并修正NDVI對土壤背景的敏感，同樣對于識別地面不同植被有顯著作用[21]。④MNLI包含了土壤調(diào)整植被指數(shù)(SAVI)以說明土壤背景以及不同植被之間的區(qū)別[22]。⑤IPVI在功能上與NDVI相似，也可有效地反映植被的物候信息，但運算速度比NDVI快。⑥GNDVI同樣是用于檢測植被的生長狀態(tài)，但它只測量540—570 nn的綠色光譜且對葉綠素濃度極度敏感，能夠迅速識別野生長葉榧與其伴生樹的差別。⑦GDVI對土壤的背景極為敏感，所以可準(zhǔn)確高效的辨別2者的差異[23]。

本次實地考察從影像識別出的野生長葉榧中隨機挑選了野生長葉榧50株，其中46株是正確的，4株是錯誤的，分別為白櫟、烏飯樹、連蕊茶和闊葉箬竹，正確率高達到了92%，結(jié)果理想。本次研究過程中的錯誤識別可能是由于采樣時間的影響及樹形的影響等。

針對這些問題，在改進過程中提出以下解決方案：(1)選擇長葉榧和其伴生樹種差異大的時間采樣；(2)盡可能找到野生長葉榧及其伴生樹在多光譜影像上差異較大的地方。