基于微分變換的高光譜馬尾松和杉木識別

徐念旭， 田慶久， 申懷飛， 徐凱健

(1.南京大學國際地球系統科學研究所，南京 210023；2.江蘇省地理信息技術重點實驗室，南京 210023；3.江蘇省地理信息資源開發與利用協同創新中心，南京 210023)

0 引言

高光譜遙感經過30多a的迅速發展，因其光譜分辨率高、波段數目多、圖譜合一等特點，能為光譜性質相似的地物提供更精細的光譜信息，在地物識別方面具有獨特的優勢并被廣泛應用，同時也為解決森林植被分類提供有效技術途徑[1-2]。但是，高光譜遙感存在維度冗余問題，實際運用需要先進行光譜特征分析和波段優選等降維處理[3]。利用光譜微分變換，可以減弱大氣吸收、散射和輻射影響，消除系統誤差和土壤背景等噪聲數據，篩選出差異更明顯的波段組合，提高地物分類識別精度[4]。

由于山區地形復雜，針葉林樹冠葉片密雜，林下易產生陰影，往往造成林種間“同物異譜”和“異物同譜”現象嚴重，導致針葉林高光譜分類精度低，樹種識別難[5-7]。盡管目前國內外植被類型及森林種群的高光譜分類識別做了大量工作，也取得一定的研究成果，但山地針葉林種間的高光譜識別方法研究進展緩慢，仍然是高光譜遙感識別難題之一[8-9]。支持向量機法(support vector machine，SVM)是與學習算法有關的監督學習模型，通過尋求模型復雜程度和識別新樣本無誤能力之間的最佳匹配，以獲得最好的分類識別效果，在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，在高光譜樹種識別方面表現出一定的潛力[10]。

馬尾松和杉木是國內重要經濟樹種和南方山區典型針葉林代表。以安徽黃山地區為研究區，基于美國EO-1衛星Hyperion高光譜遙感影像，結合地面林地實測樣地數據，在對像元光譜進行一階、二階微分變換基礎上，采用SVM模型對Hyperion高光譜影像進行馬尾松和杉木林種的分類識別與提取，分析研究區馬尾松和杉木的分布情況，旨在探索研究微分變換和SVM技術相結合的高光譜遙感針葉林種分類識別能力，評價分析分類識別效果和精度，為山地針葉林種高光譜遙感分類識別提供方法和技術途徑。

1 Hyperion影像獲取與處理

1.1 研究區與數據源

安徽黃山地區為多山區域，在研究中不可忽略山體陰影的分布。該區也是南方針葉林代表性林區，建有多個經濟林培育基地[11]。五城鎮位于黃山市屯溪區西南部，林地面積為1 334.35 km2，森林覆蓋率達86.3%。研究區經緯度范圍為N 29°29′～29°36′，E 118°08′～118°15′。區內針葉林的優勢樹種為馬尾松和杉木。

Hyperion獲取可見光—近紅外(400～1 000 nm)和短波紅外(900～2 500 nm)的光譜數據，共計242個波段，其中可見光35個波段，近紅外35個波段，短波紅外172個波段。Hyperion數據的空間分辨率達30 m，光譜分辨率約為10 nm，幅寬為7.7 km[12]。本研究所用Hyperion高光譜數據獲取時間為2015年5月22日，數據級別為L1R。

1.2 Hyperion影像預處理

Hyperion影像預處理過程包括：未標定及受水汽影響嚴重波段剔除、壞線去除、條紋修復、Smile效應校正、大氣校正和幾何糾正等[13]。使用ENVI軟件自帶的FLAASH大氣校正模塊，消除大氣中的分子及氣溶膠等物質對于影像成像過程的影響，轉化成地表反射率影像。利用Landsat8標準影像為基準數據，按均勻分布、“米”字型規律隨機選取52個控制點，對大氣校正后的數據進行幾何糾正，使影像數據與基準影像具有相同的地理空間坐標，誤差小于0.5個像元。

圖1 研究區Hyperion影像及部分實地觀測針葉林樣地

2 光譜微分變換

植被反射光譜特征主要集中在400～1 000 nm波段范圍，特征區域主要包括藍邊、黃邊和紅邊，選取的特征參量主要包括微分值、紅邊位置、紅邊幅值以及相應的藍邊特征參量[14]。

光譜一階微分公式為

(1)

式中：λi表示波長；R(λi)′表示λi處光譜一階微分值；R(λi)表示λi處光譜反射率值；Δλ表示相鄰2個波長間距。

一階微分后的光譜曲線，可限制植被所受大氣和土壤背景噪聲的影響，從而進行特征參數的提取。通過光譜曲線斜率的變化，可以分析確定光譜曲線的變化區域，如紅邊位置。

光譜二階微分公式為

(2)

式中R(λi)″表示λi處光譜二階微分值。

光譜二階微分也是常用的光譜特征分析方法。使用二階微分變換，即對一階微分后的光譜再次求導，可以有效放大光譜的變化細節特征，提取光譜特征參數等。

對研究區整幅Hyperion影像分別進行一階、二階微分變換處理，根據實地觀測點坐標，在預處理后影像對應像元內，對馬尾松和杉木各選取多個純凈像元光譜(圖2)。

圖2 馬尾松與杉木典型像元反射率光譜曲線

圖2顯示，受大氣和土壤背景等噪聲影響，馬尾松與杉木的反射率光譜曲線在700～900 nm波長范圍種內出現不穩定的征態，種間的絕對區分度降低，易造成錯誤分類。計算一階和二階微分光譜(圖3)。

(a) 一階微分光譜曲線 (b) 二階微分光譜曲線

圖3(a)顯示，反射率光譜曲線經過一階微分變換后，在700～800 nm波長范圍，種內穩定性增強，種間區分度提高，減弱了背景噪聲的干擾，有利于提高分類精度；圖3(b)顯示，反射率光譜曲線經過二階微分變換后，在670～730 nm波長范圍，種內穩定性繼續增強，種間區分度繼續提高，背景噪聲干擾進一步減弱。

紅邊是綠色植物在670～760 nm之間反射率增高最快的點，也是一階微分光譜在該區間內的拐點。不同樹種的紅邊效應強度不同，可以由此選取相應波段的一階微分光譜，進行分類識別。對于二階微分光譜，可以通過相似性度量算法對變換結果進行距離計算，從而使不同樹種間的差異量化。

波段組合應該遵循“種內變化幅度小、種間變化幅度大”的原則，選擇種內穩定性高而種間差異明顯的光譜波段，以保證分類精度達標。另外，短波紅外波段數據獲取成本高，800～1 000 nm波長范圍反射率受樹木冠層結構和光反射散射等因素影響大，光譜不穩定。綜上考慮，本文分別選擇反射率光譜曲線中742～851 nm范圍的連續波段、一階微分光譜曲線中498～548 nm和701～742 nm范圍連續波段和二階微分光譜曲線中487～559 nm和681～711 nm范圍連續波段為研究波段。

3 森林樹種分類與精度評價

3.1 監督分類

首先選擇合適閾值進行掩模處理。提取出影像中馬尾松和杉木等植被的分布情況，并且掩模去除道路、水系、裸土和人工建筑等不相關地物信息。

基于原始、一階和二階微分光譜影像和實地觀測樣地，選擇馬尾松和杉木光譜差異較明顯的波段組合，采用SVM模型進行監督分類，對研究區馬尾松和杉木的分布情況進行識別，結合驗證樣地計算分類精度及Kappa系數，比較高光譜反射率數據及其2種微分變換方式在針葉林識別中的優勢。

對于實地觀測樣地，共采集了262個杉木純凈像元點數據和173個馬尾松純凈像元點數據用于分類。另有89個杉木純凈像元點數據和94個馬尾松純凈像元點數據用于精度檢驗。分類結果如圖4所示。

(a) 原始光譜反射率光譜 (b) 一階微分光譜 (c) 二階微分光譜

3.2 精度評價

精度評價是利用混淆矩陣(表1)對分類結果與地面實測檢驗數據進行比較，以檢驗數據被正確分類的百分比，即分類精度。通常以總體分類精度和Kappa系數評價分類效果(表2)。

表1 原始反射率、一階微分和二階微分光譜精度統計

表2 總體精度與Kappa系數統計

4 結論與討論

1)基于Hyperion高光譜影像，對反射率光譜進行一階、二階微分變換。選取差異明顯的可見光波段組合，利用支持向量機模型進行監督分類，并檢驗結果精度。結果表明，原始反射率光譜、一階和二階微分光譜的總體精度分別達到76.50%，81.42%和88.52%，Kappa系數分別為0.528 4，0.625 7和0.769 1。研究表明經過微分變換后的光譜信息，大氣干擾和土壤背景影響減弱，不同樹種間的光譜差異被放大，更有利于識別區分馬尾松和杉木，且二階微分光譜的整體精度和Kappa系數都優于一階微分光譜。

2)雖然利用光譜微分變換技術，可以減弱系統誤差和大氣、土壤等噪聲影響，同時有效增強不同樹種紅邊效應的差異，但無論外部影響或者內部差異，都局限于定性化表達，目前涉及定量化研究還較少。

3)本研究結果中得出二階微分變換的分類總體精度和Kappa系數都優于一階微分變換，然而是否存在微分指數的最優解，還需進一步探討和研究。