南方丘陵地區路域植被光譜處理與分析

郭云開,張進會

(長沙理工大學 交通運輸工程學院，湖南 長沙 410004)

南方丘陵地區路域植被光譜處理與分析

郭云開,張進會

(長沙理工大學 交通運輸工程學院，湖南 長沙 410004)

以長沙—湘潭高速公路路域植被為研究對象，進行植被實地調查和野外光譜測定，分析主要植被類型光譜曲線，健康植被與非健康植被光譜差異，對植被光譜數據進行一階微分和微分增量處理對比研究。研究表明：光譜反射率一階微分和微分增量處理對消除土壤背景對地物光譜影響均有效，但微分增量處理更能突出植被信息。研究對遙感植被光譜分析具有一定參考價值。

南方路域；植被；光譜處理；微分；微分增量

地物光譜反射曲線是地物對電磁波反射差異的集中體現[1]。國內外學者對地面目標物進行提取大多利用其光譜或紋理特征[2],遙感數據提供了大量地物光譜特征[3]；地物光譜特征是遙感技術運用的基礎與依據，也是建立目標物與遙感數據兩種信息之間關系的橋梁[4]。光譜信息處理是遙感研究中一個重要的基礎環節，它對研究遙感信息處理的新方法、提高遙感分類識別水平起著十分重要的作用[5]。

目前，對植被光譜數據的處理主要包括去噪、消除土壤背景和大氣的影響[6]。官鳳英等對毛竹林光譜數據進行微分處理發現毛竹林的一階導數曲線在紅邊位置有峰值[4]。劉月等對內蒙古不同草地光譜特征進行統計分析，并進行微分處理發現光譜數據微分處理可以消除部分土壤背景對目標光譜的影響[7]。楊可明[8]、喻小勇[9]、林文鵬[10]、范文義[2]等用導數光譜技術對目標光譜進行微分處理證實光譜數據的一階微分可以在一定程度上消除土壤背景對目標物光譜反射率的影響。但是，一階微分處理在減少背景影響的同時降低紅光波段和近紅外波段差異。基于微分處理探索，本文嘗試對光譜數據進行微分增量分析處理，對比一階微分和微分增量兩種方法處理效果；微分增量處理使植被在紅邊位置波段差異性得以突顯，有助于植被信息分析提取。

1 原理及模型

1.1 微分處理技術

對光譜進行微分處理可以減少植被凋落物、土壤背景等對目標植被光譜的影響，更好凸顯植被信息；相對于植被光譜曲線，土壤光譜曲線接近線性，所以從理論上講，微分可以較好地消除土壤背景信號[11]。

微分技術可以對光譜反射率進行數學模擬，提高診斷性光譜參量化的分析精度，對光譜特征的細微變化進行增強處理[12]。常用的微分處理技術包括一階微分和二階微分。

ρ′(λj)=[ρ(λj+1)-ρ(λj-1)]/2Δλ，

(1)

ρ″(λj)=[ρ(λj+1)-2ρ(λj)+ρ(λj-1)]/Δλ2.

(2)

式中:ρ為反射率；λ為波長；Δλ為波段間隔。

利用光譜導數進行植被信息提取時，光譜導數階數越高，近紅外波段與紅光波段差異性越小，越不利于植被信息提取分析。因此，本文利用式(1)對光譜數據進行一階微分處理。

1.2 微分增量

一元可微函數y=f(x)，當f′(x)≠0時，Δy與dy為等價無窮小，若f(x)能展開為泰勒公式：

(3)

(4)

即一元函數中微分與函數增量具有等價關系[13]。得益于此，研究探索對植被光譜數據進行微分增量和微分處理的差異。本文所采用的微分增量算式為

Δρ=ρi+1-ρi.

(5)

式中：Δρ為微分增量；ρ為反射率。

2 試驗分析

2.1 實驗區簡介及數據獲取

本文選取長沙—湘潭高速公路作為實驗區，該高速公路于1994年7月開工，1996年12月15日建成通車[14]。實驗路段為湖南省境內最繁忙的高速公路路段，該區域是典型的南方丘陵地貌，道路兩側植被覆蓋度高，類型較多。

本文試驗采用的光譜儀是ISI921VF-128系列野外地物光譜輻射計，具有重量輕、可靠性高、體積小、野外使用方便、低故障率等特點。主要參數如表1所示。

表1 ISI921VF-128光譜儀相關參數 nm

測量時間：野外光譜測量的時間為2012年9月20日，當天天氣晴朗，測試時間為10:00～14:00，很好的減少了太陽高度角對目標物光譜反射率的影響。

測量點選取及測量方法：對研究路域每公里隨機選取2個典型植被樣點，樣區內主體植被類型相同。本次試驗共采取21個樣區，其中包含針葉林、闊葉林、草地、土壤，每個樣區對4個角點和一個中心點光譜測量。測量過程中盡量使儀器探頭和被測對象保持在一個豎直面內；為了確保數據的準確性，白板和被測對象各測10次。實測光譜曲線經整理和質量分析后，獲得有效光譜曲線80條。

2.2 光譜數據分析

2.2.1 研究區主要植被類型光譜分析

試驗區的主要植被為桂花、馬尾松、懸鈴木、喜樹、樟樹和草地，其光譜曲線如圖1所示。

圖1 不同植被光譜曲線圖

圖1為2012年9月20日試驗路域主要植被類型的光譜曲線。從圖中可看出：實驗區主要樹種光譜曲線形態基本相似；其中桂花、懸鈴木、喜樹和樟樹屬于闊葉林，馬尾松是南方丘陵地區典型的針葉林；對比光譜曲線可以看出樟樹的反射率最高，馬尾松反射率最低；馬尾松的反射率整體低于闊葉林的反射率，這主要與針葉林的結構有關；同時，在光譜測量的時候不能完全對準目標及受其他背景值的影響。土壤光譜曲線在整體上變化平滑；而草地光譜曲線在700～900 nm之間有多個小波峰波谷。

2.2.2 健康與非健康植被光譜對比分析

在可見光波段，一般綠色植物光譜曲線差異不大，而在近紅外波段由于光譜反射率較高，光譜曲線因作物健康狀況不同或種類不同，則光譜響應曲線會產生較大的差異[8]。

圖2 健康與非健康樟樹光譜曲線

由圖2可知，健康綠色樟樹在可見光波段490～570 nm之間有一個小反射峰，反射率約為20%，兩側有兩個明顯的吸收谷，這是由葉片對綠光的強反射、對紅光和藍光的吸收作用引起；在680～780 nm之間光譜反射率急劇增加，由植被對近紅外波段的強反射決定，被稱之為植被“紅邊”，是植被光譜診斷波段；紅邊變化趨勢和位置與植被類型不同、生長地域不同或同一植被不同，生長階段存在一定差異，波長在780～920 nm之間光譜反射率大致一致，趨于平坦，它主要由植被的細胞構造所決定；在920～950 nm附近光譜反射率急劇下降約10%，950 nm附近有一個小吸收谷，980～1080 nm之間反射率趨于平緩下降。

非健康樟樹光譜曲線特征與健康樟樹基本一致，反射率整體低于健康樟樹；在580～680 nm之間，非健康樟樹反射率均高于健康樟樹反射率，在可見光波段的反射峰向黃光偏移且反射率低于健康樟樹反射率，這主要是由于非健康植被受病蟲害等影響使得葉子偏黃偏紅，導致葉片內葉綠素下降而葉黃素增加對黃光的反射作用增強，所以在紅光波段附近非健康樟樹反射率高于健康樟樹；700～1080 nm之間非健康樟樹反射率明顯低于健康樟樹反射率，最大差值約為40%，這主要是由于植被的細胞構造遭病蟲破壞而引起。

2.3 植被光譜數據處理

圖3為試驗區桂花和土壤的光譜曲線圖。從圖中可看出，桂花光譜曲線特征明顯，土壤光譜曲線變化較為平滑。圖4為土壤和桂花光譜曲線經一階微分處理之后的光譜曲線圖，從圖中可看出，土壤光譜數據經一階微分處理之后在植被紅邊(680～780 nm)區的值趨近于零。桂花光譜數據經一階微分處理后在680～780 nm之間急劇增加，結合前人研究可知：一階微分處理可以有效抑制土壤背景信息，同時可以突出植被信息，提高植被的識別精度。

圖3 土壤和桂花光譜曲線

對比圖5(a)、(b)、(c)可看出，經微分增量處理之后土壤和桂花在680 nm附近都接近于零，680～730 nm之間桂花微分增量急劇上升，其變化量較一階微分大。由此可以看出微分增量處理使得近紅外波段和紅光波段差異性更明顯，更能有效突出植被紅邊特征。

圖4 土壤和桂花一階微分曲線

圖5 桂花與土壤微分增量曲線

對比圖6(a)、(b)可看出：桂花光譜經一階微分和微分增量處理之后都可以有效抑制土壤背景光譜對植被光譜的影響；同時，處理之后的數據都能突出植被紅邊特征，但是微分增量處理在有效消除土壤背景的影響同時能增強近紅外波段與紅光波段光譜差異性，從而更能凸顯目標植被特征。

圖6 一階微分與微分增量分析比較

由圖5、圖6分析可知，光譜數據微分增量處理可以凸顯植被光譜在紅光波段和近紅外波段的差異，可突出植被特征信息，該處理方法對植被遙感中各種指數的計算具有凸顯作用，如比值植被指數(RVI)、差值植被指數(DVI)、垂直植被指數(PVI)、修正土壤調整植被指數(MSAVI)。各指數計算公式如下：

(6)

DVI=NIR-R(RVI=ρNIR-ρR).

(7)

Rihardson把植被像元到土壤線的垂直距離定義為垂直植被指數(PVI)[15]，該指數計算公式為

(8)

式中：S為土壤反射率；V為植被反射率。

Huete為消除土壤背景提出了土壤調節植被指數(SAVI)[16]，Qi在SAVI基礎上提出了改進型土壤調整植被指數(MSAVI)[17]，計算公式為

(9)

根據本文實際情況提取ρR=ρ670，ρNIR=ρ760桂花和土壤經一階微分和微分增量處理之后的光譜數據，并根據各指數計算公式計算各指數值見表2。從表2可看出微分增量處理較為明顯的突出各指數值，這對于植被指數的研究具有重要意義。

表2 植被指數計算值

3 結束語

地物光譜是建立正確的地面目標物與遙感影像之間相互關系的橋梁，地物光譜研究與處理是對遙感數據進行解譯及各種定量分析的基礎和條件。當前，許多學者致力于光譜數據的處理研究，取得了一定成績，但是研究結果還不完善，如一階微分技術在消弱土壤背景對植被的光譜數據影響的同時也使得植被在紅邊位置的差異變小，這對于植被研究不利。

隨著生態污染的急劇惡化，植被的健康程度也日益受到人們的關注。本文分析了健康植被與非健康植被的光譜特性和差異，這對于確定植被健康狀況和植被保護具有重要意義。

本文通過對試驗區域路域植被光譜進行一階微分和微分增量處理，對比兩種方法對植被信息的凸顯程度，發現對植被光譜數據進行微分增量處理比一階微分處理更能有效消除土壤背景對植被光譜的影響，同時，植被紅邊特征明顯，可以突出植被特征，特別是對RVI、DVI、PVI和MSAVI有更好的凸顯作用。本研究結果可為光譜數據處理提供參考價值。

[1]范文義，杜華強，劉哲．科爾沁沙地地物光譜數據分析[J]．東北林業大學學報，2004，32 (2)：45-47．

[2]劉冰，劉怡．基于決策樹方法的ETM+影像濕地信息提取[J]．測繪工程，2013，22(1)：63-66．

[3]武文波，劉正綱． 一種基于地物波譜特征的最佳波段組合選取方法[J]．測繪工程，2007，16(6)：22-24．

[4]官鳳英，鄧旺華，范少輝．毛竹林光譜特征及其與典型植被光譜差異分析[J]．北京林業大學學報，2012，34(3)：31-35．

[5]張飛，丁建麗，塔西甫拉提·特依拜，等．渭干河-庫車河三角洲綠洲鹽漬化地地物光譜數據分析[J]．光譜學與光譜分析，2008，28(12)：2921-2925．

[6]劉宏斌，張云貴，李志宏．光譜技術在冬小麥氮素營養診斷中的應用研究[J]．中國農業科學，2004， 37(11)：1743-1748．

[7]劉月，春喜，張美杰，等．內蒙古不同植被光譜特征分析[J]．內蒙古草業，2011，23(3)：44-47．

[8]楊可明，郭達志.植被高光譜特征分析及其病害信息提取研究[J]．地理與地理信息科學，2006，22(4)：31-34．

[9]喻小勇，邵全琴，劉紀遠，等．三江源區不同退化程度的高寒草甸光譜特征分析[J]．地球信息科學學報，2012，14(3)：398-405．

[10]林文鵬，李厚增，黃敬峰，等．上海城市植被光譜反射特征分析[J]．光譜學與光譜分析，2010，30(11)：3111-3114．

[11]聞兵工．地物光譜特征分析技術研究[D]．鄭州：信息工程大學，2009．

[12]楊吉龍，李家存，楊德明．高光譜分辨率遙感在植被監測中的應用綜述[J]．世界地質，2001，20(3)：308-312．

[13]齊進軍．函數增量與微分的關系[J]．工科數學，1994(4)：216-218．

[14]郭云開，王楊．路域植被覆蓋度時空變化遙感定量反演[J]．測繪通報，2013(5)：23-27．

[15]A J RICHARDSON, C L WLEGAND. Distinguishing vegetation from soil background information [J]. Photogrammetric Engineering and Remote Sensing, 1977,43(12): 1541-1552.

[16]HUETE ARA soil adjust edvegetation index(SAVI) [J]. Re-mote SensEnviron. 1988, 12 (25): 295-309.

[17]J QI, A CHEHBOUNI,A R HUETE,et al.A modified soil-sdjusted vegetation index[J]. Remote sensing of environment，1994,48(15):119-126.

[責任編輯：張德福]

The vegetation spectral processing and analysis of the domain of road in southern hills

GUO Yun-kai, ZHANG Jin-hui

(School of Traffic and Transportation Engineering, Changsha University of Science & Technology, Changsha 410004, China)

It presents the vegetation of road in Changsha, Hunan-Xiangtan Expressway as the research objectand conducts the vegetation field survey and spectral measurement. The text analyses the spectral curve of the main type of vegetation, and the spectral difference of healthy and non-healthy vegetation, comparing the result of spectral data with first derivative and differential gain. The results show that: the processing of differential and differential gain for spectral reflectance have a good effect to remove the influence of soil background on spectral, But the method of differential gain can serve to highlight the information of vegetation. The study has an important reference value for the spectral remote sensing of vegetation.

south road area; vegetation; spectral; differential; differential gain

2013-12-04

國家自然科學基金資助項目(41171397)； 湖南省自然科學基金資助項目(12JJ6031)

郭云開(1958-)，男，教授，博士.

TP753

：A

：1006-7949(2014)07-0001-05