基于包絡線去除法的貴州省常見樹種高光譜特征分析

王志杰 柳書俊 彭海蘭 楊清青

摘 要：為區別喀斯特高原森林植被類型，利用高光譜技術對森林植被開展光譜特征分析，為喀斯特高原貴州省森林植被的遙感探測與精準識別提供理論與技術支持。本研究采用ASDFieldSpec4便攜式地物光譜儀對貴州省常見的華山松（Pinus armandiiFranch）、麻櫟（Quercus acutissimaCarruth）、馬尾松（Pinus massonianaLamb）、杉木（Cunninghamia lanceolata）、水杉（Metasequoia glyptostroboides）、香樟（Cinnamomum camphora）、云南松（Pinus yunnanensis）、柏木（Cupressus funebris Endl. ）8種樹種的光譜數據進行采集。在對原始光譜數據進行異常值處理的基礎上，進行包絡線去除，比較原始光譜和包絡線去除圖，選擇差異較大的波段用于識別不同樹種。結果表明：原始光譜中11個特征波段差異都較為明顯，去包絡線中1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段范圍內差異較為明顯，說明包絡線去除法能有效縮小樹種特征波段范圍，達到運用較少波段識別樹種的目的。用歐氏距離法對選取的特征波段進行驗證，發現運用原始光譜曲線與包絡線去除法選取的特征波段皆能有效區分樹種，且包絡線去除法的效果更好。

關鍵詞：高光譜;樹種鑒別;包絡線去除法;歐氏距離

Abstract：In order to distinguish forest vegetation types in Karst Plateau， spectral characteristics of forest vegetation were analyzed by hyperspectral technology， which provided theoretical and technical support for remote sensing detection and accurate identification of forest vegetation in Guizhou Province. In this study， ASD FeldSpec4 portable ground object spectrometer was used to collect the spectral data of eight common tree species in Guizhou Province， including Pinus armandii Franch，Quercus acutissima Carruth，Pinus massonianaLamb，Cunninghamia lanceolate，Metasequoia glyptostroboides，Cinnamomum camphora，Pinus yunnanensis and Cupressus funebris Endl.On the basis of processing the outliers of the original spectral data， we remove the envelope， compare the original spectrum and the envelope removal chart， select different bands to identify different tree species. The results show that the difference of 11 characteristic bands in the original spectrum is obvious， and the difference of 1439～1448nm， 1779～1788nm， 1958～1967nm and 2307～2316nm in the de enveloping line is obvious. The results show that the envelope method can effectively reduce the range of tree species characteristic band， and achieve the purpose of using less band to identify tree species. After the Euclidean distance method is used to verify the selected characteristic band， it is found that the characteristic band selected by the original spectral curve and envelope division method can effectively distinguish tree species， and the effect of envelope division method is better.

Keywords：hyperspectral; tree species identification; envelope division; euclidean distance

森林是陸地生態系統的主體，是人類發展不可缺少的自然資源，準確獲取森林樹種類型與空間分布信息對于區域林業經營與管理、保護物種多樣性，改善區域生態環境，以及建立林木生長模型等方面具有重要意義[1-5]。傳統的樹種識別方法主要以費時費力的野外調查為主。由于高光譜遙感具有波段多、波寬窄的特點，其光譜曲線能夠準確區分地物種類，為快速、大面積的森林樹種識別提供了可能，相關研究已成為國際高光譜植被遙感研究的熱點[6-9]。Matthew等[10]基于高光譜遙感影像采用物種辨識分析程序等方法提取7種熱帶雨林樹種;Bunting等[11]利用不同季節的CASI高光譜影像通過構建樹種冠層聚類分析法對澳大利亞昆士蘭州的9種森林群落的信息進行了提取。宮鵬等[12]利用實測光譜數據識別了美國加州的6種主要針葉樹種，證明了高光譜數據具有較強的樹種識別潛力。陳爾學等[13]研究發現對高光譜數據進行降維處理，并采用更加有效的二階統計量估計方法，進而應用將空間上下文信息和光譜信息相結合的分類算法，可以有效提高高光譜數據森林類型的識別精度。陳璇等[14]基于包絡線法和并對其進行一階微分處理對麥冬、圓柏和珊瑚樹進行了有效區分。王志輝等[15]利用光譜一階、二階微分法對高光譜遙感圖像進行處理，選擇樹種特征差異性加大的波段進行組合降維，再利用野外實地調查樣地作為訓練樣本進行樣本，對毛竹、雷竹、雜竹等7個樹種進行了有效區分。徐凱健等[16]基于全年逐旬或逐月尺度的時序光譜數據，并結合相應的微分變換方法，能有效提高區域尺度優勢樹種的識別精度。王波等[17]基于6種典型灌木植物的室內光譜數據，通過反射率、吸收率及其一階微分的變化，篩選出敏感波段，而后通過各個波段之間的相互組合計算NDVI值和RVI值，并且以TM設置波段計算的NDVI值和RVI值最為參考，篩選出優于TM波段且差值最大的波段組合確定為最優模型，最終有辨別出6種灌木植物。目前，典型高光譜特征提取方法和分類方法主要有：包絡線去除（Continuum Removal）、主成分分析法（Principal Component Analysis， PCA）、獨立主成分分析（Independent Component Analysis， ICA）、線性判別分析（Linear Discriminant Analysis， LDA）、小波變換（Wavelet， WT）等。其中，包絡線去除法以其消除不相關背景信息、擴大弱吸收特征信息、突出光譜曲線上吸收和反射的特征、增強光譜曲線各波段之間的對比性等特點，被廣泛應用于地物探測[18-20]。

本研究以貴州黔中喀斯特花溪區和高原喀斯特草海自然保護區的華山松（Pinus armandii Franch）、麻櫟（Quercus acutissima Carruth）、馬尾松（Pinus massoniana Lamb）、杉木（Cunninghamia lanceolata）、水杉（Metasequoia glyptostroboides）、香樟（Cinnamomum camphora）、云南松（Pinus yunnanensis）、柏木（Cupressus funebris Endl. ）8種典型樹種為研究對象，利用包絡線去除法對實測的葉片高光譜數據進行處理，分析提取樹種原始光譜以及包絡線去除曲線中差異較為明顯的波段，驗證高光譜遙感數據以及包絡線去除法選擇的特征波段對于樹種識別的效應，以期為喀斯特高原貴州省植被的遙感識別、監測和保護提供理論依據和技術支持。

1 材料與方法

1.1 研究區概況

貴州位于云貴高原東部（E103°36′～109°35，N24°37′～29°13′），全省總面積17.62萬km2，平均海拔1100m左右。境內地勢西高東低，自中部向北、東、南三面傾斜，分為高原山地、丘陵和盆地三種基本類型，以高原山地居多，是典型的喀斯特地貌。貴州是長江、珠江上游地區的重要生態屏障，是國家生態文明試驗區。年平均氣溫在11～19℃之間，年均降雨量為1000～1300mm[21]，年日照時數為1200～1600h[22]。貴州省屬于亞熱帶濕潤季風氣候，因降水豐富、氣候溫暖濕潤的氣象特點，物種資源較為豐富[23]。2018年森林覆蓋率已達57%。貴州省植被豐厚，具有明顯的具有明顯的亞熱帶性質，組成種類繁多，區系成分復雜[24]。境內廣泛分布有赤黃壤、黃棕壤、紅壤、黃壤、石灰土、山地灌叢草甸土、水稻土、紫色土等8個土類[25]。試驗地點選擇貴州省貴陽市花溪區和貴州省威寧縣草海自然保護區。花溪區屬典型的中亞熱帶常綠闊葉林帶，主要森林植被類型有黔中山原濕潤性常綠櫟林、常綠落葉混交林及馬尾松林等[26]。草海自然保護區森林植被主要為云南松（Pinus yunnanensis）、華山松（Pinus armandii Franch）、杉木（Cunninghamia lanceolata）、柏木（Cupressus funebris Endl. ）等[27]。

1.2 光譜數據采集與預處理

本研究利用ASD FieldSpec4便攜式地物光譜儀分別采集華山松、麻櫟、馬尾松、杉木、水杉、香樟、云南松、柏木等8種典型樹種的葉片光譜反射率。該設備波段范圍是350～2500nm，其中，350～1000nm波段光譜采樣間隔為1.4nm，光譜分辨率為3nm;1000～2500nm波段光譜采樣間隔為2nm，光譜分辨率為10nm[28]。

數據采集時間選擇晴朗無風天氣，測定時間為10：00～14：00之間，分別于2018年9月30日～2018年10月31日在貴州省貴陽市花溪區試驗區（圖1a）和2018年7月20日～2018年7月27日在貴州省威寧縣草海試驗區（圖1），采集方法嚴格按照ASD FieldSpec4地物光譜儀使用說明進行操作，每種樹種隨機選擇3塊集中連片且面積不小于10公頃的樣地，每塊樣地內隨機選擇5個樣本，每個樣本重復測量10次，共計1200個樣本數據，而后，刪除受空氣中的水汽以及儀器的系統誤差影響較大的波段（759～763nm、1340～1352nm、1365～1395nm、1801～1925nm、2487～2500nm）的數據，保留質量較高的波段的數據。

1.3 光譜微分

光譜微分可以增強曲線在坡度上的細微變化，突出顯示光譜曲線的差異性，采用光譜導數分析模型具有部分消除大氣效應，可以消除植被光譜土壤成分的影響以及能反映植被的本質特征等一系列優越性[29-30]。本研究在Origin軟件中進行一階微分、二階微分處理，其計算公式如下：

1.4 包絡線去除

在光譜曲線相似的情況下，直接從中提取光譜特征不便于計算，因此需要對光譜曲線作進一步處理，以突出光譜特征。包絡線去除法可以有效突光譜曲線的吸收、反射和發射特征，并將其歸一到一個一直的背景上，有利于和其他光譜曲線進行特征數值的比較[31-33]。本研究在ENVI Class軟件中進行包絡線去除，其計算公式如下：

1.5 檢驗分析

為了檢驗原始光譜特征波段和去除包絡線特征波段識別樹種的效果，本研究使用歐式距離法在SPSS25.0軟件中對其進行檢驗;以原始光譜所選的特征波段為例，首先計算所選波段各個樹種所有樣本的原始光譜反射率平均值，然后選擇比較樹種，分別計算每一樹種每一樣本與比較樹種平均值之間的歐氏距離，最后再計算各樹種所有樣本的歐氏距離平均值（表2）。如果不同樹種間的歐式距離的平均值大于同樹種間的歐氏距離平均值，則說明所選波段能有效區分這8種樹種。

2 結果與分析

2.1 原始光譜曲線分析

由圖2可知，8種樹種的光譜曲線形態相似性高，符合綠色植物的光譜曲線特征。但由于不同植被內含成分的不同，導致其在相同的外部條件下對太陽輻射的吸收和反射不盡相同，圖2中八種樹種光譜曲線在某些波段差異明顯，這些差異波段更好的反映了不同樹種之間的光譜特性的差異。挑選差異性較為明顯的549～558nm、785～794nm、964～973nm、1078～1087nm、1190～1199nm、1268～1277nm、1445～1454nm、1665～1674nm、1775～1784nm、1956～1965nm和2211～2220nm共11個波段（波段范圍10nm），取其平均值進行比較。由圖3可知，在8種樹種光譜曲線的第一個波峰范圍（549～558nm）內，云南松-柏木、馬尾松-杉木、華山松-麻櫟-水杉-香樟三組之間區分明顯，但是后兩組組內樹種區分不明顯;在785～794nm范圍內，云南松與其它七種樹種差異較大，麻櫟-香樟、水杉-杉木-柏木、華山松-馬尾松三組差異明顯，但組內差異較小;964～973nm、1078～1089nm與785～794nm波段范圍內差異情況類似;在1445～1454nm波段范圍內麻櫟與其他7種樹種差異明顯，水杉-香樟、杉木-云南松-華山松-馬尾松-柏木兩組差異性較大，但組內差異性小;1956～1965nm、2211～2220nm與1445～1454nm波段范圍內差異情況類似;其他4個波段范圍（1190～1199nm、1268～1277nm、1665～1674nm和1775～1784nm）內8種樹種差異明顯。

2.2 包絡線分析

原始光譜曲線的峰值點即為包絡線的節點，當某一波段光譜一階微分值為0，且光譜二階微分值小于0，則此波段為包絡線節點[34]。通過原始光譜曲線、一階微分值、二階微分值確定8種樹種的包絡線節點（表1），8類樹種在同一波峰處對應的波長位置不同，為使包絡線與原始光譜曲線的交點唯一，對8類樹種的各波峰節點值進行統一，選擇各波峰所對應的波長位置，取其相似值或平均值作為包絡線的起始節點及末端節點[34]。據上述方法，共得到8種樹種8個特征波段（350～540nm、550～750nm、870～1070nm、1080～1260nm、1270～1680nm、1690～1800nm、1810～2220nm、2230～2500nm）。由圖4可知，去除包絡線后的曲線差異明顯，特別是在特征波段范圍內，差異比較顯著。為進一步比較各樹種去包絡線后的差異性，在上述8個波段范圍里各自波段范圍的最低點內選取波段寬度為10nm并計算其包絡線去除值的平均值進行比較[34]。由圖5可知，平均包絡線去除值在1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段之間具有明顯的差異。

2.3 檢驗分析

包絡線去除所選波段檢驗方法一致（表3）。由表2、表3可知不同樹種間的歐氏距離大于同種樹種間的歐式距離值，僅表3中華山松與馬尾松的歐氏距離的均值0.4570，小于華山松與華山松歐氏距離的平均值0.4945，香樟與麻櫟的歐式距離的均值0.2310，小于麻櫟與麻櫟歐氏距離的平均值0.2417。表明可根據原始光譜和去包絡線曲線圖的差異性所選的特征波段可以對8種樹種初步進行有效區分。

3 結論與討論

高光譜數據以其波段多且連續的特性，能夠為不同樹種提供更多的光譜反射率信息，光譜微分分析充分利用高光譜的連續性，將原始光譜里的微小變化與差異進行擴大，從而被廣泛應用于樹種的鑒別[35]。

本研究對貴州省常見的8種樹種進行高光譜測量，通過對其原始光譜曲線和去包絡線曲線分析，找出其差異較明顯的波段作為特征波段，最后使用歐式距離法檢驗所選的特征波段對不同樹種的區分效果。結果表明，雖然整體上8種樹種的光譜特性相似度較高，符合綠色植被的光譜曲線，且在可見光到近紅外波段內（350～1000nm）具有典型的“兩峰三谷”曲線特征[36]，但在一些波段范圍內存在微小的差異，從原始光譜曲線上能看出體現八種樹種微小的差異的波段大多集中在近紅外波段范圍內。其中，有一個在綠光波段，波段范圍為549～558nm，且從圖2可以看出差異最明顯的波段是：1190～1199nm、1268～1277nm;而包絡線去除法能有效增大原始光譜的差異，便于更加精確地選取特征波段;包絡線去除法選擇的波段有一個位于綠光波段490～499nm、一個位于紅光波段670～679nm，其余位于近紅外波段，從圖4可以看出差異最明顯的波段是1779～1788nm。為了驗證兩種方法所選取的特征波段能否有效地區分八類樹種，本研究采用歐氏距離法進行檢驗，從表2可以看出不同樹種的歐氏距離大于同種樹種，而且包絡線去除法所選取的特征波段歐氏距離驗證的結果數值差異更大，其區分效果更好。

本研究主要是基于實測的葉片光譜數據進行的，而高光譜遙感則是基于遙感影像對植被冠層光譜信息數據進行采集的;實測的葉片光譜數據對于物種識別來說具有精度高的優點，而遙感影像對于大尺度、大范圍的物種識別則更勝一籌。在后續的研究中需進一步探討葉片的實測光譜數據與植物生理生化指標含量的關系，并與遙感影像相結合，從而為大尺度植被的精準識別和監測提供科學依據[37]。

參 考 文 獻：

[1] 李文華，李飛.中國森林資源研究[M].北京：中國林業出版社，1996.

[2] LAUREL，BALLANTI，LEONHARD，et al.Tree species classification using hyperspectral imagery：a comparison of two classifiers[J].Remote sensing，2016.

[3] JONES T G，COOPS N C，SHARMA T，et al.Assessing the utility of airborne hyperspectral and LiDAR data for species distribution mapping in the coastal Pacific Northwest，Canada[J].Remote sensing of environment，2010，114（12）：2841-2852.

[4] FALKOWSKI M J，HUDAK A T，CROOKSTON N L，et al.Landscape-scale parameterization of a tree-level forest growth model：a k-nearest neighbor imputation approach incorporating LiDAR data[J].Canadian journal of forest research，2010，40（2）：184-199.

[5] 陶江玥，劉麗娟，龐勇，等.基于機載激光雷達和高光譜數據的樹種識別方法[J].浙江農林大學學報，2018，35（2）：314-323.

[6] 劉代志，黃世奇，王藝婷，等.高光譜遙感圖像處理與應用[M].北京：科學出版社，2016.

[7] 趙春暉，王立國，齊濱，等.高光譜遙感圖像處理方法及應用[M].北京：電子工業出版社，2016.

[8] HARRISON D，RIVARD B，SANCHEZ AZOFEIFA A.Classification of tree species based on longwave hyperspectral data from leaves， a case study for a tropical dry forest[J].International journal of applied earth observation & geoinformation，2018，66：93-105.

[9] MADONSELA S，CHO M A，MATHIEU R，et al. Multi-phenology WorldView-2 imagery improves remote sensing of savannah tree species[J].International journal of applied earth observation & geoinformation，2017，58：65-73.

[10] CLARK M L，ROBERTS D A，CLARK D B.Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales[J].Remote sensing of environment，2005，96（3-4）：375-398.

[11] LUCAS R， BUNTING P，PATERSON M，et al.Classification of Australian forest communities using aerial photography， CASI and HyMap data[J].Remote sensing of environment，2008，112（5）：2088-2103.

[12] 宮鵬，浦瑞良，郁彬.不同季相針葉樹種高光譜數據識別分析[J].遙感學報，1998（3）：211-217.

[13] 陳爾學，李增元，譚炳香，等.高光譜數據森林類型統計模式識別方法比較評價[J].林業科學，2007（1）：84-89，130.

[14] 陳璇，林文鵬，王瑤，等.基于包絡線法的長江三角洲典型植物光譜識別研究[J].海洋環境科學，2017，36（5）：688-692.

[15] 王志輝，張樂，徐惠軍，等.基于高光譜遙感圖像的樹種（樹種組）分類[J].華東森林經理，2019，33（2）：61-66.

[16] 徐凱健，田慶久，徐念旭，等.基于時序NDVI與光譜微分變換的森林優勢樹種識別[J].光譜學與光譜分析，2019，39（12）：3794-3800.

[17] 王波，柳小妮，王洪偉，等.東祁連山高寒灌叢六種灌木植物的光譜特征分析[J].光譜學與光譜分析，2019，39（5）：1509-1516.

[18] 童慶禧，張兵，鄭蘭芬.高光譜遙感——原理、技術與應用[M].北京：高等教育出版社，2006.

[19] 劉秀英，王力，常慶瑞，等.利用包絡線消除法反演黃綿土水分含量[J].武漢大學學報（信息科學版），2017，42（5）：661-668.

[20] 姚艷敏，魏娜，唐鵬欽，等.黑土土壤水分高光譜特征及反演模型[J].農業工程學報，2011，27（8）：95-100.

[21] 蔣榮.地形因子對貴州喀斯特地區坡面土壤侵蝕的影響[D].南京：南京大學，2013.

[22] 王孜昌，王宏艷.貴州省氣候特點與植被分布規律簡介[J].貴州林業科技，2002（4）：46-50.

[23] 肖俊.貴州省農業氣候資源分析及應用[D].雅安：四川農業大學，2018.

[24] 劉曉，郭穎，徐海，等.貴州省森林生態系統服務功能的價值評估[J].貴州農業科學，2014，42（12）：60-65，69.

[25] 呂文強，周傳艷，閆俊華，等.貴州省主要森林類型土壤有機碳密度特征及其影響因素[J].地球與環境，2016，44（2）：147-153.

[26] 吳庭，龍翠玲.不同人為干擾類型對城市近郊植物群落物種多樣性的影響——以貴陽市花溪區為例[J].林業資源管理，2017（3）：75-79.

[27] 侯春蘭，楊瑞，王勇，等.草海流域6種林分枯落物水源涵養功能研究[J].林業資源管理，2020（1）：108-115.

[28] 牛亞龍，劉廷璽，段利民，等.科爾沁沙地5種典型沙生植被高光譜特性分析與遙感解譯參數提取[J].生態與農村環境學報，2017，33（7）：632-644.

[29] 王志輝.高光譜遙感在森林樹種識別中的應用[D].杭州：浙江農林大學，2011.

[30] 童慶喜，張兵，鄭蘭芬.高光譜遙感——原理、技術與應用[M].北京：高等教育出版社，2006.

[31] 王濤，喻彩麗，張楠楠，等.基于去包絡線和連續投影算法的棗園土壤電導率光譜檢測研究[J].干旱地區農業研究，2019，37（5）：193-199，217.

[32] 謝伯承，薛緒掌，劉偉東，等.基于包絡線法對土壤光譜特征的提取及其分析[J].土壤學報，2005（1）：171-175.

[33] 陳彥兵，況潤元，曾帥.基于高光譜數據的鄱陽湖濕地典型植被識別分析[J].人民長江，2018，49（20）：19-23.

[34] 丁麗霞，王志輝，葛宏立.基于包絡線法的不同樹種葉片高光譜特征分析[J].浙江林學院學報，2010，27（6）：809-814.

[35] 王志輝，丁麗霞.基于葉片高光譜特性分析的樹種識別[J].光譜學與光譜分析，2010，30（7）：1825-1829.

[36] 陳程，杜健民，楊紅艷.內蒙古荒漠化草原植被高光譜特征提取與分析[J].光學儀器，2018，40（6）：42-47.

[37] 姚付啟，張振華，楊潤亞，等.基于紅邊參數的植被葉綠素含量高光譜估算模型[J].農業工程學報，2009，25（S2）：123-129.