高光譜遙感的森林信息應用研究進展

陳小花，陳宗鑄，雷金睿，吳庭天，李苑菱

海南省林業科學研究院（海南省紅樹林研究院），海南海口571100

森林是地球上最主要的陸地生態系統之一，擁有世界陸地生物多樣性的3/4 以上，并提供各種環境材料和生態系統服務[1]。然而，過去幾十年的氣候變化對森林生態系統造成了嚴重影響，并給森林管理帶來了重大挑戰[2]，森林監測也從實地調查轉變為基于遙感方法。監測森林動態需要對森林生物物理變量進行空間、時間和準確定量[3]。如何準確地從各個方面和尺度認識和理解森林生態系統成為全球關注的焦點之一。近年來，學者們利用遙感技術與地面調查相結合，從空間和時間尺度上對森林植被各類理化特性進行動態的監測與定量分析。而高光譜遙感技術發展至今已經具有納米級的超高光譜分辨率，能充分提取到反映森林冠層結構和生理狀況的窄波段光譜信息，在利用遙感手段提取森林參數中具有重大潛力。

1 樹種分類與識別的應用

近年來，高光譜遙感在林業中的重要應用是識別森林物種的類型，尤其是復雜地形下多種樹種的精細分類，以彌補常規人力現場調查中效率低、勞動強度大和成本高的缺陷。隨著遙感傳感器的飛速發展，高光譜遙感數據的采集變得更加容易，成本大大降低。特別是具有高空間和高光譜分辨率的機載高光譜數據的獲取是靈活而快速的[4]，這使得機載高光譜數據下的樹種分類研究變得切實可行，有利于生態學家和決策者做出正確的決策[5]。隨著數據源的增多和計算機技術的升級，高光譜遙感數據對樹種識別與分類的總體精度得到提高，其中有學者對芬蘭南部北方森林進行樹種分類，精度達90%[6]，對阿爾卑斯山附近的森林進行樹種分類，精度達92%[7]，對澳大利亞南部森林進行分類識別，17 種樹種的分類精度達86%[8]，對亞熱帶天然次生林樹種識別總體精度為87.51%[9]，對亞熱帶地區森林樹種分類總體精度達95.89%[10]。目前，基于高光譜技術在樹種分類上的應用主要集中在寒帶和溫帶生態系統，對地形復雜，樹種豐富和遮蓋度高的熱帶生態系統研究較少，主要原因在于光譜數據維度大、不易處理，同時也受限于大尺度范圍的高光譜數據獲取費用和大量訓練樣本的需求。為此，學者們在應用過程中將數據進行多源組合，填補單一數據獲取難、信息提取受限等難點，其次在算法上也實現了優化。綜上可知，下一步樹種分類應用在融合多數據多特征的基礎上，更多是在算法上進行深入學習和多分類器組合，實現利用有限的樣本來訓練有效的模型。

2 葉面積指數反演的應用

在森林植被生物物理變量中，葉面積指數作為主要指標控制著植被冠層內的光合作用、蒸散作用及降雨攔截等多項生理過程[11]。在林業方面，葉面積指數與生物量密切相關，使得其生理生化指標的提取成為一個熱點問題。如今，利用高光譜遙感技術對森林葉面積指數進行反演的技術已經成熟，通常，有兩種常用的方法用于LAI 的遙感估算，分別是基于物理模型方法和經驗模型方法。如汪清泓[12]構建基于高光譜特征參數和紅邊參數的LAI 估算模型，得出回歸模型是估測亞熱帶典型樹種的葉片LAI 最佳模型；魏丹丹等[11]利用資源一號02D 衛星高光譜數據實現了植被葉面積指數的估算，并且得到較高的模型精度（R2=0.77）；郭云開等[13]人提出了一種GLIBERTY-DSAIL 耦合模型組合多元線性回歸反演LAI 的方法，得到模型預測決定系數R2為0.7086，精度整體較高。有些學者為了提高LAI 估算精度，引入機器學習模型進行LAI 的監測。如莢文[14]基于核函數組合形式的BRDF 校正影像用于森林葉面積指數建模反演，總體精度為93%，優于未經BRDF 校正的影像（R2=0.23）；雷宇斌等[15]利用極限學習機（ELM）對湖南省醴潭高速路域植被LAI 進行建模反演，預測精度為86.26%；譚德宏等[16]利用遺傳算法（GA）優化后的BP 神經網絡建立高山松LAI估測模型精度更高，預測LAI 更準確；張靜宇等[17]基于森林模型參數先驗知識估算高分辨率葉面積指數，結果表明，在僅有少量觀測數據時，能有效提高森林高分辨率LAI 的估算精度。機器學習算法，尤其是基于內核的機器學習方法（例如高斯過程回歸（GPR））是從經驗數據中檢索植被參數的傳統經驗方法的有前途的替代方法，Rui 等[18]研究證明了GPR 在使用機載高光譜數據估算林分中的LAI 方面具有潛力。綜上認為，依靠高光譜遙感數據和機器學習模型估算LAI 已成為當前建立生態、環境模型的基礎。

3 林木養分元素診斷的應用

植物的養分元素決定了植物的長勢、產量和品質。遙感技術以快速、大面積的養分監測優勢得到國內外眾多研究者的關注。目前，已有對作物冠層養分空間分布及其對遙感反演模型的影響研究主要集中在水稻、小麥、棉花、玉米等農業方面。因森林樹木高大、林況相對復雜，阻礙了高光譜遙感在林木養分監測的應用，已有的研究也大多集中于對樹木冠層葉片的診斷，常用方法有兩種，一是多元統計回歸法，二是基于波譜特征參數的方法。如岳學軍等[19]利用ASD FieldSpec 3 光譜儀采集柑橘4 個重要生長期的葉片反射光譜，然后結合機器學習算法構建葉片磷含量模型，最后得出基于一階導數譜的Isomap-SVR 建模結果最佳的結論；劉燕德等[20]基于高光譜成像技術對臍橙葉片的葉綠素、水分和氮素定量分析，結果表明，葉綠素CARS——PLS 模型、水分和氮素的GAPLS 模型效果最優，預測集相關系數分別為0.96、0.91、0.82；鐘穗希[21]利用高光譜數據構建橡膠樹葉片氮素診斷模型，最終確定了以ev PCA-Kmeans，K 為2 時，第二聚類平均光譜建立的SNV-SPA-PLSR 模型精度最高，最適合用于建立橡膠樹葉片的氮素診斷模型，其R2為0.951；馮海寬等[22]利用最優權重組合模型和高光譜估算蘋果葉片全磷含量，結果表明，最優權重組合模型預測能力較好（R2=0.94）。Gao 等[23]使用ASD FieldSpec 3 測量了來自中國山東半島棲霞市的土壤樣品的反射光譜，結果表明，高光譜遙感可以快速、準確地預測山東半島林地土壤中的SOM 含量。如何利用高光譜技術實現森林生態系統養分信息快速診斷是今后需要研究的方向。

4 森林災害監測的應用

近年來，全球氣候的變化和人工造林面積的增加導致森林病蟲害的增加。過去最常采用的防治措施是采用航空噴灑方法（以化學殺蟲劑和細菌殺蟲劑為主），在林業應用上，該方法使用存在兩個弊端，一是森林面積大，二是森林病蟲害發病率高，導致防治效果不佳。另外化學防治會對生態環境造成危害，當病害發生次數多、化學防治水平高情況下，會降低森林群落的豐富度、多樣性和均勻度[24]。然而，在人工野外調查方法中，很難實現定點損傷信息獲取，只能進行大面積控制。因此，這些方法要么不環保，要么效率低下[25]。基于無人機（UAV）的高光譜成像是一種用于調查和監測森林健康的有效技術。高光譜遙感技術應用于病蟲害監測始于20 世紀80 年代。高光譜遙感監測主要通過篩選出最佳敏感波段來定量估計相關危害樹木的理化指標，以識別和劃定樹木的損害程度。如對受線蟲侵害樹木的光譜特征進行分析[26-28]、通過測定危害樹木的理化指標來判斷病害程度并建模[29]、通過分析光譜反射率的差異和結構異常來監測板栗病蟲害[30]、通過高光譜圖像識別柑橘葉片病害[31]、通過歐氏距離識別枯死松樹最敏感的波段為近紅外波段和紅波段[32]、利用高光譜遙感結合衛星圖像，監測中歐山松大小蠹侵染北美西部森林，得出使用8 個WV-2 波段作為預測因子的分類準確性最高[33]、通過提取光譜特征建立偏最小二乘回歸模型來預測馬尾松枯萎病的發生情況[34]。綜上所述，地面高光譜影像是監測植物病蟲害的主要數據源，為實現大范圍周期性觀測，人們結合了高空高光譜影像，如基于星載Hyperion 影像精細分類森林[35-36]、利用低空無人機高光譜、高空間分辨率及星載時間序列遙感數據，構建油松毛蟲災害發生程度識別模型、災害發生面積監測模型和災害發生面積短期預測模型[37]。隨著林業精準化提升，高光譜數據探測病蟲害成為新的研究熱點。

5 存在問題

高光譜遙感技術在識別物種、測量葉面積指數、養分元素診斷等方面都得到了廣泛應用。同時借助高光譜技術覆蓋范圍廣、成像率高、多時相等特點，實現了森林資源消長的動態變化監測，也推動了現代林業可持續發展。以森林為例，重點關注的參數包括蓄積量、面積、生物量、病蟲害、生物多樣性等。但由于森林結構復雜、物種多樣性高，對參數建模和反演極易受地形、天氣、林分等因素影響，主要體現在3 個方面：一是精度差，當森林結構相對復雜的情況下，使用遙感技術進行物種分類的擬合效果一般，不能滿足常規業務工作中參數要求的提取；二是時效性差，由于航天數據的過頂時間和天氣的不可控制，與地面數據難以同步配合獲取；三是數據源單一，當前的高光譜和多光譜數據類型很多，但是數據同期性差，同時數據源來自不同傳感器增加了使用難度，專業性要求強，導致大多數學者在應用中可選的數據非常單一。