基于實測高光譜數據的校園植被識別

霍江潤 李晶 曹澤遠 夏穎聰 李珂 王子涵

摘? 要：植被識別和特征研究是智慧校園的有機組成部分。該文應用高光譜遙感設備對中國礦業大學（北京）學院路校區20種典型植被的反射光譜數據進行采集并對反射光譜基本特征、光譜時序變化、相關植被指數以及低通濾波變換進行分析，研究結論：（1）植被反射光譜基本特征相似，紫葉李在可見光波段的波峰位置存在偏移，八寶和黃楊的反射率波形特征明顯;（2）植被反射率時序變化與物候規律較為一致，地毯草和果樹類存在偏差;（3）銀杏、紫葉李、剛竹、木槿、忍冬、石榴和八寶的NDVI特征明顯，懸鈴樹、槭樹、剛竹、柏樹、叉子圓柏、山桃、八寶以及爬山虎的EVI特征明顯;（4）柏樹、紫藤和懸鈴樹的低通濾波反射特征明顯。研究成果有助于植被的辨識，為智慧校園在植被管理建設方面奠定了基礎。

關鍵詞：高光譜 校園植被 樹種識別 光譜特征變換

中圖分類號：P237? 文獻標識碼：A? ?文章編號：1672-3791（2021）10（b）-0000-00

Campus Vegetation Recognition Based on Measured Hyper-spectral Data

—A Case Study from China University of Mining & Technology， Beijing

HUO Jiangrun1，2? LI Jing1* CAO Zeyuan1? XIA Yingcong1? LI Ke1? WANG Zihan1

（College of Geosciences and Surveying Engineering， China University of Mining and Technology （Beijing）， Beijing， 100083 China）

Abstract： Vegetation recognition and characteristic research is an integral part of smart campus. In this paper， hyperspectral remote sensing equipment is used to collect the reflectance spectral data of 20 typical vegetation on The College Road campus of China University of Mining and Technology （Beijing）， and it analyzes the basic characteristics of reflectance spectrum， spectral time series changes， relevant vegetation indices and low-pass filtering transformation. The research conclusions are as follows： （1）The basic characteristics of reflectance spectra of vegetation are similar， the peak position of purple plum in visible band is offset， and the reflectance waveform characteristics of Baopai and Boxwood are obvious; （2）The temporal variation of vegetation reflectance was consistent with phenology， but there were deviations between carpet grass and fruit trees. （3）The NDVI characteristics of Gin kgo biloba， Prunus purpura， Phyllostachys japonicae， Hibiscus japonicae， Pomegranate and Eight species were obvious， and the EVI characteristics of camphora， Maple， Phyllostachys japonicae， cypress， Cypress， Cypress， Mountain peach， Eight species and Ivy were obvious. （4）Cypress， Wisteria and camellia have obvious low-pass filter reflection characteristics. The research results contribute to the identification of vegetation and lay a foundation for the construction of vegetation management in smart campus.

Key Words： Hyper-spectral; Campus vegetation; Tree species identification; Spectral feature transformation

高光譜遙感（Hyperspectral Remote Sensing）技術將表征地物屬性特征的光譜信息與表征地物幾何位置關系的空間信息有機地結合起來，使得地物的精準分析與細節提取成為了可能[1]。

在高光譜遙感發展的過程中，國內外在植被方面進行了大量研究。國外建立的植被光譜數據庫主要有：1960～1970年，美國NASA建立地球資源信息光譜數據庫[2];約翰斯·霍普金斯大學建立的光譜數據庫;美國地質調查局建立的地物光譜數據庫;美國環保局部門建立的AEDC/EPA光譜數據庫及森林高光譜數據庫等。國內眾多研究學者也開展了大量的工作：1987年，中國科學院空間技術中心收集植被的波譜曲線共1 000余條;1998年，中科院遙感所建立了我國第一個系統的光譜庫;北京師范大學建立了結合農業、礦物等應用領域的光譜庫;2018年，曹帥強等人首次開展了以校園植被作為研究對象的光譜特征分析[3]等。

當前我國大部分校園的植被仍舊以人工管理為主，缺乏針對校園植被光譜的研究以及對應光譜庫的建立，導致大部分植被數據沒有得到有效的組織，查詢統計起來費時費力。與此同時，智慧校園的建設已經成為教育信息化的重要組成部分，加強校園植被光譜的識別與信息庫的建立能夠有效促進校園智慧化、多元化管理，具有十分重要的現實意義。

結合以上背景因素，該文應用高光譜遙感設備對中國礦業大學（北京）學院路校區20種典型植被的反射光譜數據進行采集并對反射光譜基本特征、光譜時序變化、相關植被指數以及低通濾波變換進行分析，揭示不同類型植被之間的光譜信息，為校園植被遙感監督分類以及校園植被光譜庫的建立提供理論依據。

1 研究區域和數據

1.1 研究區概況

中國礦業大學（北京）現設學院路、沙河兩個校區，占地面積37萬㎡，總建筑面積52萬㎡;其中，學院路校區地處39°59′42″～39°59′56″N，116°20′27″～116°20′46″E，東臨學院路，西接東王莊，南部和北部分別為北京語言大學和北京林業大學校園，校內植被種類豐富，該文重點針對教學區開展研究，植被類型及分布如下。

（1）綜合樓周圍：黃楊、月季、八寶、柏樹、剛竹、叉子圓柏、槭樹、側柏、紫荊以及女貞等;

（2）民族樓附近：以爬山虎、銀杏、玉蘭、地毯草、玉簪為主;

（3）圖書館沿路：叉子圓柏、銀杏、玉簪以及懸鈴樹等植被;

（4）辦公1、2號樓附近：衛矛、紫葉李、剛竹、木槿、玉簪以及沿階草等;

（5）學生公寓與豐園附近：以五針松、山桃、石榴、紫藤、月季以及忍冬為主。

1.2 采樣方法與數據獲取

研究期間因疫情防控需要，校區實施封閉管理，區域觀測樣本點全部位于教學區域內，見圖1。采樣時間為2020年10月1日至2021年7月4日，在排除環境干擾的情況下，利用ASD FieldSpec便攜式光譜輻射儀采集得到植被高光譜數據，其波段范圍為350～2 500 nm。其中，350～1 050 nm采樣間隔為1.4 nm，光譜分辨率為3 nm;1 000～2 500 nm采樣間隔為2 nm，光譜分辨率為8 nm。期間篩選出5類計20種典型植被進行采樣和數據分析，見表1。

為獲得較好的高光譜圖像數據，在測量工作前進行了以下相關設置：光譜儀Opt優化，使光譜儀獲得的光譜數據信噪比達到最大。WR采集參比光譜，保證儀器正確采集出入射光的DN值。該研究觀測工作于每日11：00左右進行，觀測天氣均為晴朗無風或微風。觀測時，對每一個目標物重復觀測3次，以其平均值作為該植被樣本的光譜反射率值。

2 研究方法

2.1 植被特征指數分析

（1）歸一化植被指數（Normalized Difference Vegetation Index，NDVI），計算公式為：

NDVI=（NIR-R）/（NIR+R） （1）

式（1）中，NIR為近紅外波段反射值，R為紅光波段反射值。

（2）增強型植被指數（Enhanced Vegetation Index，EVI），計算公式為：

EVI=G （NIR-R）/（NIR+C_1 R-C_2 B+L） （2）

式（2）中，C_1=6，C_2=7.5，L=1，G=2.5，NIR為近紅外波段反射值，R為紅光波段反射值，B為藍光波段反射值。該文均取波段中值對應的反射值[4]，即近紅外1.03 nm、藍光0.45 nm、紅光0.69 nm處對應的反射值。

2.2 光譜反射率均值濾波處理

該文采用均值濾波處理，以改善光譜噪聲，去掉高頻成分。低通濾波公式如下[5]：

D=e^（（D_0^2）/x^2 ） （3）

式（3）中，x為植被光譜反射率值，D為低通濾波處理結果，D_0為一常數，該實驗取0.005。

3 研究過程及結果分析

3.1 植被反射光譜特征差異

圖2為5種類型20種典型植被2021年5月2日對應的反射光譜圖，通過分析，得出結論：

（1）反射率均在410 nm與680 nm附近位置出現吸收帶。第一吸收帶位于410 nm附近，葉紅素和葉黃素在400 nm的光譜響應模式中起主導作用，表現出較低的反射率，波谷不明顯。第二吸收帶位于紅光波段范圍內，葉綠素對紅光吸收作用強，形成紅光吸收帶，波谷明顯。

（2）各類植被在可見光波段反射率較低。正常大多數情況下，由于植被葉片內生物化學成分的存在因素，植被的反射率一般不高于0.2[6]，根據這一特點，圖示中，柏樹的反射率最低，爬山虎的反射率超過0.2，玉簪的反射率較為接近0.2，剩余植被的反射率較為集中，不易于區分。

（3）自690 nm開始，各植被反射率均急劇增長，且反射率的變化幅度大小與其反射率大小成正比，圖示中，爬山虎反射率增值接近0.6，柏樹的增值僅為0.1左右。

（4）各類植被的反射率曲線較為相似，自近紅外波段開始，光譜曲線變得較為平緩，反射率值保持穩定，保證分辨的進行，但個別植被的波形存在較大的偏差，圖示中，紫葉李在可見光波段的波峰位置存在偏移，八寶和黃楊植被在近紅外波段的波形幅度較大。

3.2 反射光譜特征時序變化分析

該文篩選出紫葉李、柏樹、黃楊、地毯草以及山桃5種植被，觀察其反射光譜時序變化圖，見圖3～圖7，并歸納總結如下：

（1）以上5種植被的反射率普遍于夏季增加，秋冬季下降，光譜變化規律相近，與植被物候規律較為一致。同時存在個別特殊情況，地毯草和山桃（同時包括葡萄和石榴）自10月至11月的反射光譜值增加，可能是受植被葉片觀測位置不同，光照強度以及云層厚度等其他外界因素的影響。

（2）不同植被的反射光譜增強時段存在差異，以上5種植被中，柏樹和黃楊為5月～10月，紫葉李為6月～10月，地毯草為4月～11月。這與植物葉片的色素含量、內部細胞結構、含水量以及生長習性存在一定的關聯。

3.3 植被特征指數分析

根據“2.2 植被特征指數分析”部分所述的相關計算公式以及ASD FieldSpec便攜式光譜輻射儀導出的高光譜數據，得到5類植被的NDVI與EVI折線圖。

3.3.1歸一化植被指數NDVI特征分析總結

20種植被的NDVI數值均為正值，與實際情況相符。觀察NDVI折線圖（見圖8），得出結論：（1）落葉喬木中，銀杏在6月至10月的折線變化明顯區別于其他三類植被，呈現先上升后下降的趨勢;四類植被在剩余時段的NDVI折線變化趨勢基本相同;紫葉李在10月至11月的下降幅度明顯。（2）常綠喬木中，剛竹在4月至5月以及10月至11月的NDVI值均為最小值，該植被的折線變化最為突出;四類植被在4月至5月的折線均呈現下降趨勢，在10月至11月均呈現上升趨勢。（3）灌木類植被中，黃楊和叉子圓柏在4月、5月以及11月的NDVI數值大小近似相同;自7月開始，除木槿外三類植被的折線均呈現下降趨勢，且忍冬的下降幅度明顯。（4）果樹類植被中，石榴的折線變化在4月至7月明顯區別于其他兩類植被;自7月開始，三類植被的折線均呈現下降趨勢，且石榴的下降幅度明顯。（5）花草類植被中，自4月至7月，除紫藤和地毯草外，剩余三類植被的折線變化基本相同，且數值大小相近;紫藤在4月的NDVI數值較小;截止到11月，五類植被中地毯草的NDVI值達到最大，八寶的NDVI值為最小。

3.3.2增強型植被指數EVI特征分析總結

20種植被的EVI數值結果存在個別大于1的現象，出現這種情況的原因可能與采集數據時的光照度以及云量等因素有關。觀察EVI折線圖，見圖9，得出結論：（1）落葉喬木中，懸鈴樹于5月2日達到EVI值的最小值，該植被于5月至10月的EVI折線呈現上升趨勢;槭樹于10月中旬出現較為明顯的低值;10月后，除槭樹外三類植被的EVI值均有所下降。（2）常綠喬木中，剛竹的折線變化整體基本呈上升趨勢;柏樹自7月開始，其折線變化呈現下降趨勢。（3）灌木類植被中，四類植被的折線變化趨勢基本相似，其中，叉子圓柏自10月至11月的EVI值有所增加。（4）果樹類植被中，山桃在10月時的EVI值達到最小值，該類植被自10月至11月的折線變化為上升趨勢;葡萄自5月至6月的折線變化為下降趨勢。（5）花草類植被中，八寶的折線變化整體基本呈下降趨勢;紫藤和爬山虎的折線變化較為明顯，其中，紫藤自4月至5月的EVI值下降幅度較大，爬山虎自10月至11月的下降幅度較大。

3.4 光譜反射率均值濾波處理

各植被反射率經低通濾波變換后的光譜曲線見圖10。曲線圖中，柏樹和紫藤兩種植被的低通濾波反射率在各個波段均明顯區別于其他各類植;在350 nm處，懸鈴樹的反射率最高;剩余植被光譜差異較小。

4 結論與討論

4.1 結論

該文利用ASD FieldSpec便攜式光譜輻射儀，于2020年10月1日至2020年11月8日，在中國礦業大學（北京）學院路校區教學區域內采集了20種典型植被的反射光譜數據，并通過對反射光譜基本特征以及相關植被指數進行分析，得到以下結論：

（1）2021年5月，可見光波段中，柏樹的反射率最低，爬山虎的反射率超過0.2，玉簪的反射率較為接近0.2，剩余植被的反射率較為集中。近紅外波段中，爬山虎反射率增值接近0.6，柏樹的增值僅為0.1左右。紫葉李在可見光波段的波峰位置存在偏移，八寶和黃楊植被在近紅外波段的波形幅度較大。

（2）植被的反射率普遍于夏季增加，秋冬季下降，光譜變化規律與植被物候規律較為一致，地毯草、山桃、葡萄和石榴自10月至11月的反射光譜值增加。不同植被的反射光譜增強時段存在差異，柏樹和黃楊為5月～10月，紫葉李為6月～10月，地毯草為4月～11月。

（3）銀杏、紫葉李、剛竹、木槿、忍冬、石榴和八寶植被的NDVI特征明顯，黃楊和叉子圓柏在4月、5月以及11月的NDVI數值大小近似相同。懸鈴樹、槭樹、剛竹、柏樹、叉子圓柏、山桃、八寶以及爬山虎植被的EVI特征明顯。

（4）柏樹、紫藤和懸鈴樹三種植被的低通濾波反射特征較為明顯，剩余植被變換光譜差異較小。

4.2 討論

由于該文前期研究時期處于疫情封校階段，因此存在研究區域有限以及缺乏對應參考光譜的相關問題，后續會進一步擴大研究區域及對象，完善研究數據，在建立校園內部自然植被的光譜數據庫等方面進行繼續深入的研究。

參考文獻

[1] 李西燦，朱西存.高光譜遙感原理與方法[M].北京：化學工業出版社，2019.

[2] 童慶禧，張兵，立福.中國高光譜遙感的前沿進展[J].遙感學報，2016，20（5）：689-707.

[3] 曹帥強，李陽陽，張軍.云南大學東陸園植被景觀的光譜特征[J].衡陽師范學院學報，2018，39（3）：116-122.

[4] 楊可明.遙感原理與應用[M].徐州：中國礦業大學出版社，2016.

[5] 王延倉，章學深，李會民.基于實測高光譜數據的樹種分類[J].北華航天工業學院學報，2021，31（3）：4-7，16.

[6] 杜振華.植物可見光與近紅外反射光譜測量與分析[D].昆明：云南師范大學，2019.