吉林蛟河主要树种叶片光谱分类1)

李瑞平 黄侃 黄华国

(北京林业大学，北京，100083)

吉林蛟河主要树种叶片光谱分类1)

李瑞平 黄侃 黄华国

(北京林业大学，北京，100083)

运用实验室测量的阔叶红松林的叶片光谱数据，对吉林蛟河实验区的主要树种(红松、白桦、白牛槭、春榆、裂叶榆、蒙古栎、青楷槭、色木槭和紫椴等)的叶片进行分类研究。结果表明：实验室测量叶片光谱数据，针阔树种分类精度达到100%；所有树种分类精度为80%～100%。运用波段响应函数分别模拟多光谱传感器GEOEYE-1、RAPIDEYE和WORDVIEW2的光谱，可以有效区分针阔树种，分类精度为71.6%～100.0%；所有树种分类精度为47.3%～74.0%。

叶片光谱；混交林；树种分类

We studied the leaf classifications with blade hyperspectral data for the main tree species in Jiaohe, Jilin Province. Nine tree species werePinuskoraiensis,BetulaplatyphyllaSuk,AcermandshuricumMaxim.,Ulmusjaponica,Ulmuslaciniata(Trautv.) Mayr.,Quercusmongolica,AcertegmentosumMaxim.,AcermonoMaxim. andTiliaamurensisRupr.. The classification of needle-leaved and broad-leaved tree species was perfect with an accuracy of 100%. The classification accuracy among all tree species was in 80.0%-100.0%. We resampled the spectrum into several multispectral sensors (GEOEYE-1, RAPIDEYE and WORDVIEW2) by using their band response functions, and effectively distinguished coniferous species and deciduous species with the accuracy of 71.6%-100.0%. However, the classification accuracy for all species was low with 47.3%-74.0%.

阔叶红松林是东北林区重要的天然林类型，对东北阔叶红松林资源现状和动态监测一直是有关学者研究的问题[1-2]。高光谱技术在森林类型识别、植被参数反演、健康评估方面有着独特优势[3-7]，是监测天然林资源现状和动态的重要手段，在东北林区得到了较为广泛的应用。

根据研究目标不同，利用高光谱图像对东北林区的研究可以分为三类：植被分类方法[8-9]、植被参数反演[10-11]和高光谱像元分解技术[12]。董连英等[8]基于CART算法构建决策树模型，运用Hyperion高光谱图像对长白山地区的植被进行了分类，结果表明面在森林植被上的分类效果很好。王新云等[10]利用高光谱多角度数据和辐射度模型反演了长白山实验区森林冠层的叶面积指数和郁闭度。王强[12]以黑龙江省东京城林业局的两个下属林场为研究区，围绕着Hyperion高光谱遥感数据，运用混合像元分解技术，比较了基于多光谱的传统分类方法和适用于高光谱的混合像元分解分类方法的差异。

根据数据源不同，在东北林区的森林资源遥感研究可以分为：卫星高光谱遥感研究(CHRIS/PROBA和Hyperion)、机载航空高光谱研究[13-14]和地面光谱测量研究[15-16]。刘丽娟等[14]用机载LIDAR数据和高光谱CASI数据的融合数据对温带森林树种分类，结果显示基于像元的融合数据对温带森林树种识别的精度较高光谱数据有较大提高。范秀华等[15]分别测量和对比了长白山地区红松、臭冷杉不同海拔针叶的光谱反射率，结果表明两种针叶树在不同海拔的光谱反射率变化明显，整体上，单木或者叶片级别的地面观测数据较为有限。

目前，利用叶片光谱对东北林区的研究主要分为两个方面：一是探索叶片光谱反射特性与光合之间的关系[17-18]，二是探索叶片光谱反射特性与环境变化之间的关系。方晓雨等[19-20]研究了蒙古栎、紫椴和红松3个树种不同高度植株叶片的反射光谱特征和光合特征的变化。卢文敏等[19]对长白山不同海拔的岳桦叶片反射光谱的研究，探讨了岳桦叶片对高山环境的适应机制。

由于叶片光谱包含树种特性信息，是高光谱图像分类的基础。因此，本文从实验室测量叶片光谱数据角度对该地区主要树种进行分类，以判断不同树种叶片实测光谱水平的可分性。鉴于高光谱数据获取的价格相对较高，处理过程复杂，因此，优先考虑利用多光谱遥感影像对树种进行分类的可行性。同时，尝试基于实测叶片光谱数据模拟不同传感器光谱，判断各树种在模拟光谱尺度下的可分性，以此来推测该地区树种在多光谱遥感影像上的可分性。

1 研究区概况

研究区位于吉林省蛟河市蛟河林业实验区(经度127.5°～128.1°，纬度43.8°～44.1°)，属于长白山余脉。该地区分布的多为原始次生林，林内优势树种有红松(PinuskoraiensisSieb. et Zucc.)、黄檗(PhellodendronamurenseRupr.)、白牛槭(Mongolicalitv)、山杨(Populusdavidiana)、白桦(BetulaplatyphyllaSuk)、胡桃楸(JuglansmandshuricaMaxim.)、裂叶榆(Ulmuslaciniata(Trautv.) Mayr)、色木槭(Ulmuslaciniata(Trautv.) Mayr)、蒙古栎(QuercusmongolicaFisch. ex Ledeb.)、水曲柳(FraxinusmandschuricaRupr.)、春榆(UlmusdavidianaPlanch. var.japonica(Rehd.) Nakai)、紫椴(TiliaamurensisRupr.)等。

2 研究方法

2.1 数据采集

采样地点随机分布于实验区内(见图1)。数据采集时间为2013年7月22—30日，选取白桦、白牛槭、春榆、红松、裂叶榆、蒙古栎、青楷槭、色木槭、紫椴等9个树种为研究对象。由于这些树种多为高大乔木，难以采集到树冠顶端叶片，因此，只采集树冠底层叶片。将采集好的叶片保存于塑封袋内，带回实验室进行光谱采集。

图1 RAPIDEYE影像研究区样地分布图

采用的实验仪器为汉莎科学仪器有限公司生产的Unispec-SC光谱仪，测量光谱范围为300～1150 nm，光谱间距为3.3～3.4 nm。由于300～470 nm及1 050～1 150 nm光谱噪声很强，因此，仅保留470～1 050 nm的波段用于研究。

9个树种叶片正反面形态见表1。每个树种都分别采集了反射和透射，叶片正面(近轴面、叶片上表面)和叶片反面(远轴面、叶片下表面)的数据。反射数据测量使用该仪器的内部光源和二支分叉光纤，而透射数据的测量则使用了外部卤素灯光源和直型光纤。由于红松叶片为针叶，横截面积过小，在实验过程中，将5～6个松针平行排列并用胶带固定两端，然后再进行测量。测量过程中，仪器每测量10次自动取均值并记录为1条数据。为了避免测量的偶然性，减小随机误差，将每3条测量数据的均值作为1个样本，共采集样本148条。各树种样本数见表2，不同树种光谱数据对比见图2。

表1 9个树种叶片正反面形态

表2 树种光谱样本数

注：a为反射正面数据，b为反射反面数据，c为透射正面数据，d为透射反面数据。

图2 各树种光谱数据均值对比

2.2 实测叶片光谱处理

数据预处理。运用对数变换、一阶导数变换和二阶导数变换对对原始数据进行预处理，可以有效地去除光谱噪声。为方便对比分析，对数据进行分组。

处理方法(M)：(1)源数据；(2)对数处理数据；(3)一阶导数处理数据；(4)二阶导数处理数据。

观测对象(O)：(1)叶片正面；(2)叶片反面；(3)不区分正反叶面；(4)叶片正面+叶片反面。

观测数据(R)：(1)反射光谱；(2)透射光谱；(3)反射光谱+透射光谱。

按照以上不同层次的分组排列，组合成44组数据进行分析，如：“M1O1R1”表示使用叶片正面的原始反射光谱数据。

数据分析采用三种方法。

单因素方差分析[21-22]：单因素方差分析是指对单因素试验的结果进行分析，用于检验被检测因素对试验结果有无显著影响，初步判断在不考虑波段之间相关性的条件下，从波段光谱的均值和方差角度来初步判断不同树种的差异性大小，初步选择差异性较大的波段。由于单因素方差分析是假设波段间是完全相互独立的，并没有考虑波段与波段之间的相关性，因此，只能提供基础的波段重要性信息。

逐步判别分析(SDA)[23-25]：逐步判别分析是在已知观测对象及可能影响观测对象的某些变量时，常用的一种统计分析方法。其基本原理是首先引入所有变量中最具有判别能力的变量，然后依次引入判别能力相对较弱的变量。当引入变量数达到3个时，由于变量之间的相互作用，会对之前引入变量的显著性产生影响，需要将显著性低的变量剔除，最终得到一组变量组合，运用变量组合建立的判别函数具有较高的判别精度。采用逐步判别分析方法选择利于树种分类的波段组合，选择波段的标准采用Wilks’ Lambda(L)[26]，并利用交叉验证方法，检验应用选择波段用于树种识别的稳定性。

因子分析[27]：因子分析是一种常用的数据降维方法，其基本理念就是将相关性关系比较密切的变量归为同一类，每一类表征同一个因子，以达到用少数的因子表达大部分信息的目的。利用因子分析法可以从逐步判别分析得到的波段组合中，挑选包含信息量大而相互独立的波段组合，并认为挑选出的波段组合更有利于分类[4]。

2.3 多光谱模拟与分析

研究树种竞争关系，需要对树种进行单木分类，这种分类对空间分辨率要求高。由于高空间分辨率遥感数据多为多光谱传感器，光谱分辨率低。因此，有必要分析多光谱传感器下树种间的可分性。为此，利用多光谱传感器的光谱响应函数，模拟3个不同传感器(GEOEYE-1、RAPIDEYE和WORDVIEW2)的低分辨率光谱曲线。

根据波段响应函数对光谱重采样(见图3)，模拟3个卫星的多光谱传感器(GEOEYE-1、RAPIDEYE和WORDVIEW2)的光谱曲线。GEOEYE-1和RAPIDEYE的波段响应函数的第1波段始于430 nm左右，而WORDVIEW2的第1波段则始于350 nm，但是实验室测量叶片光谱数据波段信噪比较高的波段范围为470～1 050 nm，达不到完全模拟蓝光波段的要求，考虑到蓝光波段对植被分类贡献较小，不影响本文结论。

式中：Pi是待拟合波段的光谱反射率，fi(λ)是待拟合波段的光谱响应函数，ρ(λ)是实测光谱各波长处的反射率，λmax和λmin分别是实测光谱取值范围的上下界，d(λ)为光谱分辨率，本文中取值为1 nm。

图3 各波段响应函数

3 结果与分析

3.1 实测光谱处理结果

对数、一阶导数和二阶导数处理后的不同类别数据对比(见图4—6)。从图2和图4的对比中我们可以看出，经对数处理后，近红外波段的光谱差异性减小了，可见光部分的差异性更为明显。一阶导数和二阶导数处理是从光谱的形状及角度方面考虑光谱间的差异性的，由图5、图6可知，不同类型的数据光谱的差异性有着明显的不同。

图4 对数均值对比

在单因素方差分析中，原始数据和对数处理数据的分析表明，对于针阔树种分类和所有树种分类，高光谱数据的大多数波段都具有可分性。而一阶导数和二阶导数处理后的数据的可分波段则无规则分布。如果不区分正反叶面数据，反射光谱混合后可分波段减少，而透射数据的可分波段数及分布没有太大变化。

在逐步判别分析中，提取Wilk’ Lambda(L)值、进入的变量(波段)、分类精度和验证精度等信息。L值在0～1，其取值越接近于0，说明选取的波段对树种的分类能力越强，反之则越弱。

图5 一阶导数均值对比

图6 二阶导数均值对比

由图7可知，总体来说通过判别分析选择的分类波段都具有良好的树种区分能力(L<0.12)，其中对9个树种进行分类时，获取的L值均小于等于对针阔树种(红松和其他树种)进行分类获取的L值。

图8显示，针阔树种是完全可分的，分类精度和验证精度几乎都可以达到100%。各树种之间的分类效果也较好，总体精度大多在80%～100%。不同的预处理方式和不同的组合方式会对分类精度有影响，一阶导数和二阶导数的分类效果最好，反射+透射的分类精度最佳。总体上来说，叶片正面的分类结果比叶片反面的分类结果要好，正+反并没有显著提高分类精度，而不区分叶片正反面数据分类结果最差。

图8 精度对比

从图9可知，出现频率最高的波段是红边波段。对于针阔树种分类来说，红边波段和可见光波段更重要。而对于所有树种分类来说，红边和近红外部分都对分类很重要。

图9 SDA波段出现的频率

因子分析：按照主成分对所有变量的方差解释程度(达到85%以上)确定主成分个数。由此得到叶片正面的反射+透射组合一阶导数光谱的主成分个数为4，主成分旋转矩阵见图10。其中相关系数大于0.9和相关系数小于-0.9的波段，理论上是包含大量表征树种种类信息波段。这些波段在逐步判别分析中如果被保留，可能提供的分类信息要比其他波段多，提取出的波段频率呈不规则正态分布，频率最高峰出现在红边与近红外交界处，且绿光波段到红边波段间频率波动较大，而最高峰之后的近红外波段(780～980 nm)的频率则相对平缓。

3.2 模拟光谱结果

由表3、表4可知，所有叶片反面的L值均比叶片正面的L值小，且所有树种分类的L值均小于针阔树种分类的L值。也就是说，由叶片反面数据分析得到的波段，对树种的区分能力要优于叶片正面数据。而由所有树种分析得到的波段，对树种的区分能力也优于仅用针阔树种分析得到的波段。由于相对于叶片正面数据来说，叶片反面数据包含的光谱信息差异比较大。而对于针阔分类来说，将所有的阔叶树种提取的光谱视作一类，其解释分类的能力会受到阔叶树种之间的光谱差异性影响，因此，阔叶树分类精度低。对叶片反面数据来说，所有传感器的L值在同一分类水平下变化不大，而对于叶片正面数据来说，WORDVIEW2传感器的L值要远小于GEOEYE和RAPIDEYE，选择出的波段对树种有更好地区分能力。对于叶片反面数据来说，传感器的不同没有对提取波段的解释能力造成影响；而对于叶片正面数据来说，WORDVIEW2的优势在于波段个数多，每个波段的范围更精细。

图10 因子分析旋转主成分矩阵

表3 全部树种模拟多光谱SDA分类

表4 针阔树种模拟多光谱SDA分类

从分类精度和验证精度上来看，针阔树种间是完全可分的，且叶片反面数据的分类精度较高。所有树种的分类效果不是很理想，有的分类精度仅达到了50%左右，但是其中叶片反面数据模拟RAPIDEYE光谱和叶片正面数据模拟WORDVIEW2光谱的分类精度都达到了70%左右，精度相对较高。所有树种分类精度低，而针阔树种分类精度高，这说明针阔树种间的光谱差异大于阔叶树种间的光谱差异，且叶片背面提供了比叶片正面更多的分类信息。总体来说，模拟WORDVIEW2传感器光谱分类精度最高，RAPIDEYE传感器光谱分类精度次之，而GEOEYE传感器光谱分类精度最低，其分类精度和其波段个数成正比。这说明，在光谱分辨率低，波段个数有限的情况下，分类精度会随着波段个数的增加而上升。

分类保留的波段各个范围都有涉及，但是出现频率最高的是红光波段(包括红边波段)、绿光波段和近红外波段，说明这三个波段对于树种分类是很重要的。其中红光波段主要反映了叶片中叶绿素的含量，绿光波段则体现了叶片细胞对绿光的反射能力，近红外波段和叶片中的含水量关系密切。

4 结论与讨论

在实测叶片光谱尺度下，针阔树种间是完全可分的，分类精度基本都可以达到100%；所有树种的分类精度也能达到80%以上，最高可达到100%。针阔树种间的差异性更多的体现在可见光部分，所有树种之间的差异性多来自于红边波段和近红外波段，其中红边波段对树种分类影响最大，这与M. P. Ferreira et al[28]研究结果类似。叶片的反射率是和叶片细胞内容物对光的吸收以及叶片的结构息息相关的[29]。在可见光范围内，叶片的光谱主要取决于叶片结构和叶绿素，因此，针阔树种间的光谱差异也应该取决于叶片结构和叶绿素。近红外波段的光谱主要受到水分、叶片结构和干物质质量分数的影响，也就说明所有树种间分类的差异主要受到水分、叶片结构和干物质质量分数的影响。由于红边不受水分和类胡萝卜素的影响，但与叶绿素和叶片内部结构有关。这说明叶绿素和叶片内部结构对叶片分类的影响大于叶片水分及类胡萝卜素的影响。

其次，通过对模拟多光谱传感器光谱的分类，发现对于所有树种分类来说，多光谱分类精度(47.3%～74.0%)远低于高光谱分类精度。对于针阔树种间的分类精度相对变化不大，大多分类精度都可以达到100%，最低为71.6%。这说明针阔树种的光谱差异在多光谱分辨率水平下仍然是明显的，理论上只要有足够的空间分辨率，针阔树种在多光谱上是可以分开的。而对于所有树种来说，多光谱较低的光谱分辨率则导致可分性大大降低，分类精度随着波段个数的增加而上升的趋势。利用遥感图像得到该地区的树种水平分布图，图像的光谱分辨率不应太低，WORDVIEW2基本可以满足分类要求。

最后，求导处理后分类精度比原数据和对数处理数据的分类精度高，说明基于形状角度分类，比基于反射率值分类更有效。反射+透射数据的分类精度最高，说明联合数据融合了两者的分类信息，增大了树种间的可分性。

[1] 魏丽萍.吉林蛟河阔叶红松林主要树种功能性状随树冠高度的变化[D].北京：北京林业大学,2014.

[2] 金昌杰,关德新,朱廷曜.长白山阔叶红松林太阳辐射分光谱特征[J].应用生态学报,2000,11(1):19-21.

[3] Zhang J K, Rivard B, Sanchez-Azofeifa A, et al. Intra and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery[J]. Remote Sensing of Environment,2006,105(2):129-141.

[4] Panigrahy S, Kumar T, Manjunath K R. Hyperspectral leaf signature as an added dimension for species discrimination: case study of four tropical mangroves[J]. Wetlands Ecology and Management,2012,20(2):101-110.

[5] Pu R. Broadleaf species recognition with in situ hyperspectral data[J]. International Journal of Remote Sensing,2009,30(11):2759-2779.

[6] 耿修瑞.高光谱遥感图像目标探测与分类技术研究[D].北京：中国科学院研究生院,2005.

[7] 宫鹏,浦瑞良,郁彬.不同季相针叶树种高光谱数据识别分析[J].遥感学报,1998,2(3):211-217.

[8] 董连英,邢立新,潘军,等.高光谱图像植被类型的CART决策树分类[J].吉林大学学报:信息科学版,2013,31(1):83-89.

[9] 李小梅,谭炳香,李增元,等.CHRIS高光谱图像森林类型分类方法比较研究[J].遥感技术与应用,2010,25(2):227-234.

[10] 王新云,过志峰,覃文汉,等.利用辐射度模型和多角度CHRIS图像反演森林参数[C]//遥感定量反演算法研讨会摘要集.北京：北京师范大学全球变化与地球系统科学研究院，2010.

[11] 惠巍巍.高光谱混合像元的分解及地物分类的研究[D].哈尔滨：东北林业大学,2007.

[12] 王强.Hyperion高光谱数据进行混合像元分解研究[D].哈尔滨：东北林业大学,2006.

[13] 孙晓.基于CASI高光谱遥感数据估测森林叶面积指数研究[D].北京：中国林业科学研究院,2012.

[14] 刘丽娟,庞勇,范文义,等.机载LiDAR和高光谱融合实现温带天然林树种识别[J].遥感学报,2013,17(3):679-695.

[15] 范秀华,刘伟国,卢文敏,等.长白山红松臭冷杉光谱反射随海拔的变化[J].生态学报,2011,31(14):3910-3917.

[16] 黄珍,唐景毅,柳静臣,等.长白山天然更新红松幼树光合与光谱特性的季节动态[J].应用与环境生物学报,2014,20(3):455-461.

[17] 方晓雨,张宏琴,姜超,等.3种乔木叶片反射光谱与光合特性随树高的变化[J].应用与环境生物学报,2013,19(2):383-388.

[18] 姜超.长白山五种槭属植物光合及光谱特性研究[D].北京：北京林业大学,2013.

[19] 卢文敏,刘伟国,方晓雨,等.不同海拔的长白山岳桦叶片反射光谱研究[J].北京林业大学学报,2011,33(1):55-59.

[20] 刘伟国,范秀华.长白山红松阔叶林主要树种光谱反射特征对光环境的响应[J].生态学报,2009,29(9):4720-4726.

[21] Dian Y Y, Fang S H, Li X J, et al. Discriminating tree species using hyperspectral reflectance data[C]The 6th International Symposium on Multispectral Image Processing and Pattern Recognition： Automatic Target Recognition and Image Analysis. Yichang: SPIE，2009.

[22] Wang L, Sousa W P. Distinguishing mangrove species with laboratory measurements of hyperspectral leaf reflectance[J]. International Journal of Remote Sensing,2009,30(5):1267-1281.

[23] Lawrence R, Labus M. Early detection of Douglas-Fir beetle infestation with subcanopy resolution hyperspectral imagery[J]. Western Journal of Applied Forestry,2003，18(3):202-206.

[24] 刘秀英,林辉,熊建利,等.森林树种高光谱波段的选择[J].遥感信息,2005(4):41-45.

[25] Alonzo M, Roth K, Roberts D. Identifying Santa Barbara’s urban tree species from AVIRIS imagery using canonical discriminant analysis[J]. Remote Sensing Letters,2013，4(5):513-521.

[26] Green P E, Caroll J D. Mathematical tools for applied multivariate analysis[M].New York: Academic Press,1978.

[27] Waheed T, Bonnell R B, Prasher S O, et al. Measuring performance in precision agriculture: CART-A decision tree approach[J]. Agricultural Water Management,2006,84(1/2):173-185.

[28] Ferreira M P, Grondona A E B, Rolim S B A, et al. Analyzing the spectral variability of tropical tree species using hyperspectral feature selection and leaf optical modeling[J]. Journal of Applied Remote Sensing,2013,7(1):1-13.

[29] 梁守真,施平,马万栋,等.植被叶片光谱及红边特征与叶片生化组分关系的分析[J].中国生态农业学报,2010,18(4):804-809.

Leaf Classification of Main Tree Species in Jiaohe of Jilin with Hyperspectral Data

Li Ruiping, Huang Kan, Huang Huaguo(Beijing Forestry University, Beijing 100083, P. R. China)/Journal of Northeast Forestry University，2015,43(3)：48-55.

Leaf hyper spectral; Mixed forest; Tree species classification

1)国家“十二五”科技支撑计划项目(2012BAC01B03)；国家自然科学基金项目(41171278)。

李瑞平，女，1990年3月生，北京林业大学林学院，硕士研究生。E-mail:lruiping@foxmail.com。

黄华国，北京林业大学林学院，教授。E-mail:huaguo_huang@bjfu.edu.cn。

2014年7月5日。

S757.2

责任编辑：王广建。