基于多源衛星遙感影像的水生藥材芡實遙感監測方法研究＊

吳啟南，郝振國，段金廒，孫成忠，嚴 輝，楊澤東，戴仕林

（1.南京中醫藥大學藥學院 南京 210046；2.中國測繪科學研究院 北京 100039）

芡實，又名雞頭子，大都生長于淺水的湖泊區域，素有“水中人參”和“水中桂圓”的美譽，是傳統的中藥材和珍貴的天然補品[1]，是江蘇省傳統的水生道地藥材之一。芡實作為一種浮葉型水生草本植物，傳統的中藥調查方式是通過實地調查布設樣帶、樣方的方式進行。由于芡實生長在水中，常規調查方法通常無法進行，因此，水生類藥材的調查需要采用新技術來完成。

遙感是20世紀60年代發展起來的一門綜合性應用學科，遙感技術作為大面積、實時全球觀測技術，正在廣泛用于植物的調查和監測，近些年，業界一些學者把遙感技術應用于中藥資源監測開展了相關研究，但針對水生藥用植物調查與監測還沒有進行研究先例。由于水生植物尤其是水生藥材大多生長于湖泊、河流等濕地環境中，受到濕地內地形、地貌等諸多因素的限制，人們難以對藥材的生長區域進行直接的考察[2]。而遙感技術具有多時相、多波段、覆蓋范圍廣等特點，近幾年已廣泛用于濕地植被及濕地資源的調查和研究中。目前有很多研究利用多光譜遙感數據進行濕地植被識別及提取[2-17]，但目前缺乏基于遙感影像的水生藥材識別的系統性研究。

近年來，在中藥資源領域，陳士林、張本剛等利用遙感技術對人參種植區域的人參種植面積進行調查，建立了人參資源遙感調查的技術路線和方法，并對產區面積進行了測算和估產[18]。孫宇章、郭蘭萍等人利用遙感技術對野生中藥蒼術的資源量進行了調查，并估算了茅山蒼術的資源量[19]。目前眾多的研究主要是利用單一遙感數據對陸生藥材分布進行監測研究，而對水生植物藥材的遙感監測研究還處于空白，水生藥材由于受水體和水草等因素的影響，其監測更為復雜。

本文針對高郵湖地區水生藥材芡實種植區域的遙感識別，獲取多時相Pléiades衛星遙感影像資料和高分一號（GF-1）衛星影像數據，構建芡實分類決策樹模型，利用GIS空間分析技術，提取芡實種植區域，對高郵湖地區的芡實種植面積和空間分布進行研究，結合實地調查，能夠比較準確反映水生藥用植物芡實的分布面積。

1 研究區概況和衛星遙感數據獲取

1.1 研究區概況

高郵湖位于淮河下游地區，江蘇省揚州市寶應湖以南，京杭大運河以西，東經119°06′-119°25′，北緯32°30′-33°05′之間，總面積760.67平方公里，僅次于太湖，洪澤湖，為江蘇省的第三大湖。本次影像獲取區域主要位于界首區域內，研究區地理位置如圖1所示。

研究區域內，芡實主要種植于堤壩圍成的水域內，在該域內，還生長著蘆葦、浮萍、菱角、野菜等水生植物。

1.2 多源衛星遙感數據獲取及處理

本文采用Pléiades和GF-1衛星遙感數據，兩種遙感影像各一景。Pléiades數據包括藍、綠、紅（波長分別為藍430-550 nm綠500-620 nm紅590-710 nm）3個可見光波段和一個近紅外波段（波長為740-940 nm），空間分辨率為2 m，Pléiades數據的獲取時間為2015年7月31日，該時段內，芡實的生長已經較為繁茂，枝葉已經基本覆蓋湖面。

GF-1數據同樣包括藍、綠、紅（波長分別為藍450-520 nm綠520-590 nm紅630-690 nm）3個可見光波段和一個近紅外波段（波長為770-890 nm），空間分辨率為8 m，GF-1的影像獲取時間為2015年6月6日，該時段內芡實還未種植或剛剛種植，在遙感影像上，種植芡實的區域主要表現為水體。

通過遙感圖像處理軟件ENVI對兩種數據源遙感影像進行輻射校正（輻射定標和大氣校正），消除一切與輻射有關的誤差。此外，通過在研究區域實測控制點（控制點如表1所示），并在影像上選取同名地物控制點的方式對遙感影像進行幾何精校正，最終校正誤差控制在0.5個像元內。

圖1 研究區地理位置

2 水生植物光譜測量

不同植被的光譜特征是水生藥材植物遙感識別方法建立和驗證的基礎。由于芡實生長環境中不同種類植被光譜特征的相似性，植物在空間遙感探測中容易形成“異物同譜”及“同物異譜”現象。同時，芡實的生長受到水體環境的影響，其復雜性遠遠高于陸生植物，從而影響遙感分類解譯的準確性。

為了更清楚地了解芡實及其周圍水生植物的光譜特征，使用ASD公司生產的FieldSpec Pro JR便攜式地物光譜儀，測定水生植物的光譜發射率。光譜儀的波段覆蓋350-2 500 nm，其采樣間隔在350-1 000 nm內為14 nm，在1 000-2 500 nm內為2 nm，光譜分辨率在700 nm為3 nm。傳感器探頭全視場角（FOV）為25°。

2015年8月21日，在高郵湖芡實生長區選取4種典型的水生植物進行光譜測定，所有水生植物均測量植物的冠層的光譜發射率，每個點位測定20組光譜數據，以20組光譜測量的平均值作為最終測量結果。

測量光譜反射率時，選擇天氣晴朗時段，測量工作從上午10：30開始到13：30結束。測定時探頭垂直向下，距離水面高度為1 m，實際光譜采樣樣方大小直徑為44.3 cm的圓形區域。每20分鐘利用漫反射參考板（反射率為98%）進行儀器優化1次。

3 衛星遙感分類方法研究

研究區域位于陸地和湖泊的交接地帶，隨著水域的變化，形成了不同的植物群落，芡實種植區由圍堰分割成不同的種植區，種植區內，典型的植被有芡實、蘆葦、野菜、菱角等。大體上可分為挺水植物、浮水植物和沉水植物3種類別。

在遙感信息提取和分類上，決策樹方法通過不同的決策級別設定閾值，克服了單指標閾值的缺點，具有更好的適應性。Luo Juhua等人[4,12]針對太湖流域建立了浮水植物、挺水植物和沉水植物的分類樹模型。本研究針對研究區的實際情況，以歸一化植被指數（NDVI）、挺水植物指數（EVI）、浮水植物指數（FVI）三種光譜特征指數，對芡實等浮水植被進行區分。為了更精確的區分芡實和其他浮水植物，利用主要浮水植物生長的差異性和多時相遙感影像，對GF-1號遙感數據的分類結果中水體部分和Pléiades的浮水植被區進行疊加，進而對分類結果進行優化。

表1 控制點名稱及經緯度

3.1 模型構建

由于水生藥材植物生長環境的復雜性，基于Pléiades衛星遙感影像，通過構建NDVI、EVI和FVI三種指數，利用選取樣點處的反射率值，建立決策樹分類算法。

3.1.1 NDVI指數

基于衛星影像的藍、綠、紅和近紅外4個光譜波段，通過波段組合計算，首先計算歸一化植被指數（NDVI）以此區分植被和非植被，排除道路、村莊、水體等地面覆蓋類型的干擾。

NDVI=(NIR-R)/(NIR+R)

（1）NDVI的應用：檢測植被生長狀態、植被覆蓋度和消除部分輻射誤差等；

（2）-1＜=NDVI＜=1，負值表示地面覆蓋為云、水、雪等，對可見光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值表示有植被覆蓋，且隨覆蓋度增大而增大

3.1.2 EVI指數和FVI指數

在區分出植被的基礎上，根據前人的研究成果，建立FVI指數和EVI指數，區分出挺水植物、浮水植物。基于遙感影像的藍、綠、紅和近紅外4個光譜波段，通過波段組合和影像變化技術（主成份變換和纓帽變換）構建兩個光譜特征指數EVI和FVI。

EVI指數是第4波段和第1、2、3波段的差值與它們之和的比值，即

該指數可以較好地區分挺水植物。

FVI指數是主成份變換后的第二主成份，該指標能夠較好地識別浮水植物，而芡實作為浮水植物的一種，可利用該指標進行區分[4,12]。

圖2 分類決策樹算法

分類閾值的確定是構建決策樹的關鍵之一。本研究中采用CART（classification and regression tree）算法確定分類閾值。CART算法采用經濟學中基尼系數作為選擇最佳測試變量和分割閾值的準則，通過隨機抽取樣本的方式確定基尼系數的大小[20]，其數學定義如下：

式中是從訓練樣本集中隨機抽取一個樣本，當某一測試變量值為h時屬于第 j類的概率；nj(h)為訓練樣本中測試變量值為h時屬于第 j類的樣本個數；n(h)為訓練樣本中測試變量值為h的樣本個數；j為類別個數。

基于NDVI、FVI、EVI構建了芡實分類決策樹如圖2所示。

3.2 衛星影像疊加

根據芡實及菱角等植物的種植和生長史可知，6月是芡實的種植期，此時芡實種植區在遙感影像上主要表現為水體或者水體與較少水生植物的混合區，而菱角等植物的生長區已被較大面積的綠色葉片覆蓋。基于浮水植物區多時相空間分布的差異，利用6月獲取的GF-1衛星數據，通過NDVI指數，以NDVI＜0.198為分類指標，區分出6月底高郵湖中主要水體及較少水生植物的混合區，將這些區域與Pléiades分類結果進行空間疊加分析，可以區分出較為準確的分析結果。

3.3 結果優化

根據芡實生長的特性，如葉片覆蓋面積高達1平方米以上、大面積分布等生長特性，對浮水植物的分類去進行優化，利用合并、刪減等處理方式對分類結果進行處理。并將非浮水植物和其他地物進行合并，進行精度驗證。

4 芡實衛星遙感監測結果

4.1 研究區水生類典型地物光譜特征分析

從圖3中可以看出，不同種類的水生植物波譜曲線都呈現出典型植物光譜特征，在560 nm附近形成了明顯的反射“綠峰”；在可見光部分的紅光波段（670 nm為中心）附近有較強的吸收，形成吸收谷；在680-740 nm之間反射率增高最快，出現“紅邊”；在740-1 300 nm之間其光譜反射率較高，形成水生植物在近紅外波段的反射高原區，而在1 670 nm和2 200 nm附近分別有一個明顯的反射峰。不同類別水生植物光譜反射率大小在可見光和近紅外波段差異明顯，在近紅外發射高原區（740 nm-1 300 nm）有位突出。而芡實和菱角的發射光譜在1 980 nm之后都趨近于0。

圖3 四種水生植物的光譜曲線圖

針對遙感影像上對應的波段，提取該波段的反射率值，得到圖4的光譜曲線。

從圖4中可以看出，在495、585、656三個波段：蘆葦和芡實發射率值極為接近，而野菜和菱角極為接近，存在“異物同譜”現象，而在842.5波段，蘆葦的反射率絕對值要高于其他三種植物。

4.2 研究區域水生藥材芡實遙感監測分類結果

從光譜特征曲線中可以看到，水生植物在藍、綠、紅三個波段的反射率極為相近，最大的偏差也只有0.1左右。盡管在近紅外波段，蘆葦的發射率高于其他三種水生植物，但芡實、野菜和菱角的反射率卻極為相近，這對于利用遙感影像進行芡實區域的分類將造成極大的干擾。為此，利用GF-1衛星的NDVI分類圖，對決策樹結果進行空間疊加分析，可以極大地提高分類精度。

通過實地調查了解到，在6月初時，芡實種植區還沒有被芡實覆蓋，在遙感影像上表現為水體，而菱角等浮生植物已有葉片覆蓋，所以將高分一號衛星上的水體區和決策樹結果中的浮水植物區域進行交集疊加運算，疊加區域即為芡實分類區域。由于芡實生長區域同時存在野菜、菱角等水生植物的伴生，造成分類結果中存在“孤島”和分類中的混合像元問題，為此，對分類后的影像進行了圖斑去除、合并、過濾等后處理操作。最終疊加結果如圖5所示。

在GIS技術的支持下，經在研究區內分析統計，有近5.0平方公里的范圍種植了芡實。

5 芡實衛星遙感監測分類結果的驗證

對本次芡實遙感監測分類結果的驗證采用ENVI的混淆矩陣法驗證和實地驗證相結合的方法。

ENVI的混淆矩陣法驗證法是以圖斑對象為最小單位，以混淆矩陣為基礎，利用分類前預先設置好的樣本評價當前的分類結果。混淆矩陣的原理是將地表真實像元的位置和類別與分類結果中相對應像元的位置和類別作比較，混淆矩陣的每一列代表了地面參考驗證信息，每一列中的數值等于地表真實像元在分類圖像中對應于相應類別的數量；混淆矩陣的每一行代表了遙感數據的分類信息，每一行中的數值等于遙感分

類像元在地表真實像元相應類別中的數量。

表2 分類精度驗證

精度檢驗結果如表2所示。

對上述驗證結果研究人員進行實地調查驗證，并對多個種植農戶進行調研分析，影像總體的分類精度也在80%左右，基本上與上述驗證相吻合。經實地走訪發現，2015年高郵湖北部地區發生洪水，造成部分種植區域水深過深，芡實生長受到影響，導致種植區內中心部分芡實無法生長，在遙感圖像上呈現為水體，在種植區內出現了不連續分布的局面。對于研究區北部和東部出現的不連續種植，是由于部分農戶在該區域內進行引種試種，并非分類錯誤。

圖4 四種植物對應波段上的光譜曲線值

圖5 影像疊加分析結果

6 結束語

近些年，應用衛星遙感技術監測中藥資源的生長、分布及資源變化受到業界諸多學者的關注，也取得了一些研究成果。但基于多源衛星遙感數據對水生藥材監測研究還處于空白。

本文以高郵湖為研究試驗區，基于Pléiades和GF-1高分辨率影像的波段特征和影像變換技術及前人的研究成果，提出了基于NDVI、EVI和FVI指數，利用CART算法中基尼指數的原理確定分割閾值，構建了高郵湖芡實的決策樹分類模型，較為精確地區分出了高郵湖地區浮水植物的生長區域。算法建立過程中，利用光譜儀實地采集了芡實生長區內相似地物的光譜反射率，并進行了光譜特征分析，為分類算法的發展和最終技術路線的建立提供了基礎。

本文根據文獻調研和野外實測數據，獲取了高郵湖芡實生長區域水生植物的相關信息，考慮芡實不同時間的生長趨勢，利用多源、多時相衛星遙感數據，通過不同時間芡實生長狀態的變化來確定芡實的分布區域，為進行大范圍水生藥材監測探索了一種新的思路和方法。

1 沈蓓,吳啟南,陳蓉,等.芡實的現代研究進展.西北藥學雜志,2012,27(2):185-187.

2 林川,宮兆寧,趙文吉.基于中分辨率TM數據的濕地水生植被提取.生態學報,2010,30(23):6460-6469.

3 Brooks C,Grimm A,Shuchman R,et al.A satellite-based multitemporal assessment of the extent of nuisance Cladophora and related submerged aquatic vegetation for the Laurentian Great Lakes.Remote Sens Envirom,2015,157:58-71.

4 Luo J,Ma R,Duan H,et al.A New Method for Modifying Thresholds in the Classification of Tree Models for Mapping Aquatic Vegetation in Taihu Lake with Satellite Images.Remote Sens,2014,6(8):7442-7462.

5 Villa P,Brisciani M,Braga F,et al.IComparative Assessment of Broadband Vegetation Indices Over Aquatic Vegetation.IEEE JSelec Top Appl Earth Obser Remote Sens,2014,7(7):3117-3127.

6 簡永興,李仁東,王建波,等.鄱陽湖灘地水生植物多樣性調查及灘地植被的遙感研究.植物生態學報,2001,25(5):581-587.

7 李俊生,吳迪,吳遠峰,等.基于實測光譜數據的太湖水華和水生高等植物識別.湖泊科學,2009,21(2):215-222.

8 劉暉,胡湘陽,張田鳳.遙感影像在水生植物提取中的探討.科技傳播,2012(10):71-72.

9 劉潔.基于TM、ETM～+影像的東平湖濕地信息提取及時空演變研究.泰安:山東農業大學碩士學位論文,2013.

10龍娟.基于光譜特征分析的野鴨湖濕地典型植物信息提取方法研究.北京:首都師范大學碩士學位論文,2011.

11龍娟,郭逍宇,宮兆寧,等.基于光譜特征的濕地水生植被信息提取研究.北京:中國地理學會百年慶典大會,2009.

12王琪,周興東,羅菊花,等.考慮生活史的太湖沉水植物優勢種遙感監測.湖泊科學,2015,27(5):953-961.

13夏雙,阮仁宗,顏梅春.基于TM影像的水體信息提取方法研究(英文).南京林業大學學報(自然科學版),2012,36(4):29-35.

14夏曉瑞,韋玉春,徐寧,等.基于決策樹的Landsat TM/ETM+圖像中太湖藍藻水華信息提取.湖泊科學,2014,26(6):907-915.

15楊凱,林開愚,張榮幸,等.遙感數字圖象處理技術在洪湖水生植物分布調查中的應用.植物生態學報（英文版）,1983(05):472-481.

16鄒維娜.上海地區典型沉水植物光譜特征研究及其應用.上海:華東師范大學博士學位論文,2014.

17鄒維娜,張利權,袁琳.基于光譜特征的沉水植物種類識別研究.華東師范大學學報(自然科學版),2014(04):132-140.

18陳士林,張本剛,張金勝,等.人參資源儲藏量調查中的遙感技術方法研究.世界科學技術-中醫藥現代化,2005,7(4):37-43.

19孫宇章,郭蘭萍,朱文泉,等.道地藥材茅蒼術的資源遙感監測.中國中藥雜志,2008,33(4):353-356.

20 Trendowicz A,Jeffery R.Classification and regression tree.oftware Project Effort Estimation.Springer,Cham:295-304.