基于包络线去除法的贵州省常见树种高光谱特征分析

王志杰 柳书俊 彭海兰 杨清青

摘 要：为区别喀斯特高原森林植被类型，利用高光谱技术对森林植被开展光谱特征分析，为喀斯特高原贵州省森林植被的遥感探测与精准识别提供理论与技术支持。本研究采用ASDFieldSpec4便携式地物光谱仪对贵州省常见的华山松（Pinus armandiiFranch）、麻栎（Quercus acutissimaCarruth）、马尾松（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种树种的光谱数据进行采集。在对原始光谱数据进行异常值处理的基础上，进行包络线去除，比较原始光谱和包络线去除图，选择差异较大的波段用于识别不同树种。结果表明：原始光谱中11个特征波段差异都较为明显，去包络线中1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段范围内差异较为明显，说明包络线去除法能有效缩小树种特征波段范围，达到运用较少波段识别树种的目的。用欧氏距离法对选取的特征波段进行验证，发现运用原始光谱曲线与包络线去除法选取的特征波段皆能有效区分树种，且包络线去除法的效果更好。

关键词：高光谱;树种鉴别;包络线去除法;欧氏距离

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

森林是陆地生态系统的主体，是人类发展不可缺少的自然资源，准确获取森林树种类型与空间分布信息对于区域林业经营与管理、保护物种多样性，改善区域生态环境，以及建立林木生长模型等方面具有重要意义[1-5]。传统的树种识别方法主要以费时费力的野外调查为主。由于高光谱遥感具有波段多、波宽窄的特点，其光谱曲线能够准确区分地物种类，为快速、大面積的森林树种识别提供了可能，相关研究已成为国际高光谱植被遥感研究的热点[6-9]。Matthew等[10]基于高光谱遥感影像采用物种辨识分析程序等方法提取7种热带雨林树种;Bunting等[11]利用不同季节的CASI高光谱影像通过构建树种冠层聚类分析法对澳大利亚昆士兰州的9种森林群落的信息进行了提取。宫鹏等[12]利用实测光谱数据识别了美国加州的6种主要针叶树种，证明了高光谱数据具有较强的树种识别潜力。陈尔学等[13]研究发现对高光谱数据进行降维处理，并采用更加有效的二阶统计量估计方法，进而应用将空间上下文信息和光谱信息相结合的分类算法，可以有效提高高光谱数据森林类型的识别精度。陈璇等[14]基于包络线法和并对其进行一阶微分处理对麦冬、圆柏和珊瑚树进行了有效区分。王志辉等[15]利用光谱一阶、二阶微分法对高光谱遥感图像进行处理，选择树种特征差异性加大的波段进行组合降维，再利用野外实地调查样地作为训练样本进行样本，对毛竹、雷竹、杂竹等7个树种进行了有效区分。徐凯健等[16]基于全年逐旬或逐月尺度的时序光谱数据，并结合相应的微分变换方法，能有效提高区域尺度优势树种的识别精度。王波等[17]基于6种典型灌木植物的室内光谱数据，通过反射率、吸收率及其一阶微分的变化，筛选出敏感波段，而后通过各个波段之间的相互组合计算NDVI值和RVI值，并且以TM设置波段计算的NDVI值和RVI值最为参考，筛选出优于TM波段且差值最大的波段组合确定为最优模型，最终有辨别出6种灌木植物。目前，典型高光谱特征提取方法和分类方法主要有：包络线去除（Continuum Removal）、主成分分析法（Principal Component Analysis， PCA）、独立主成分分析（Independent Component Analysis， ICA）、线性判别分析（Linear Discriminant Analysis， LDA）、小波变换（Wavelet， WT）等。其中，包络线去除法以其消除不相关背景信息、扩大弱吸收特征信息、突出光谱曲线上吸收和反射的特征、增强光谱曲线各波段之间的对比性等特点，被广泛应用于地物探测[18-20]。

本研究以贵州黔中喀斯特花溪区和高原喀斯特草海自然保护区的华山松（Pinus armandii Franch）、麻栎（Quercus acutissima Carruth）、马尾松（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種典型树种为研究对象，利用包络线去除法对实测的叶片高光谱数据进行处理，分析提取树种原始光谱以及包络线去除曲线中差异较为明显的波段，验证高光谱遥感数据以及包络线去除法选择的特征波段对于树种识别的效应，以期为喀斯特高原贵州省植被的遥感识别、监测和保护提供理论依据和技术支持。

1 材料与方法

1.1 研究区概况

贵州位于云贵高原东部（E103°36′～109°35，N24°37′～29°13′），全省总面积17.62万km2，平均海拔1100m左右。境内地势西高东低，自中部向北、东、南三面倾斜，分为高原山地、丘陵和盆地三种基本类型，以高原山地居多，是典型的喀斯特地貌。贵州是长江、珠江上游地区的重要生态屏障，是国家生态文明试验区。年平均气温在11～19℃之间，年均降雨量为1000～1300mm[21]，年日照时数为1200～1600h[22]。贵州省属于亚热带湿润季风气候，因降水丰富、气候温暖湿润的气象特点，物种资源较为丰富[23]。2018年森林覆盖率已达57%。贵州省植被丰厚，具有明显的具有明显的亚热带性质，组成种类繁多，区系成分复杂[24]。境内广泛分布有赤黄壤、黄棕壤、红壤、黄壤、石灰土、山地灌丛草甸土、水稻土、紫色土等8个土类[25]。试验地点选择贵州省贵阳市花溪区和贵州省威宁县草海自然保护区。花溪区属典型的中亚热带常绿阔叶林带，主要森林植被类型有黔中山原湿润性常绿栎林、常绿落叶混交林及马尾松林等[26]。草海自然保护区森林植被主要为云南松（Pinus yunnanensis）、华山松（Pinus armandii Franch）、杉木（Cunninghamia lanceolata）、柏木（Cupressus funebris Endl. ）等[27]。

1.2 光谱数据采集与预处理

本研究利用ASD FieldSpec4便携式地物光谱仪分别采集华山松、麻栎、马尾松、杉木、水杉、香樟、云南松、柏木等8种典型树种的叶片光谱反射率。该设备波段范围是350～2500nm，其中，350～1000nm波段光谱采样间隔为1.4nm，光谱分辨率为3nm;1000～2500nm波段光谱采样间隔为2nm，光谱分辨率为10nm[28]。

数据采集时间选择晴朗无风天气，测定时间为10：00～14：00之间，分别于2018年9月30日～2018年10月31日在贵州省贵阳市花溪区试验区（图1a）和2018年7月20日～2018年7月27日在贵州省威宁县草海试验区（图1），采集方法严格按照ASD FieldSpec4地物光谱仪使用说明进行操作，每种树种随机选择3块集中连片且面积不小于10公顷的样地，每块样地内随机选择5个样本，每个样本重复测量10次，共计1200个样本数据，而后，删除受空气中的水汽以及仪器的系统误差影响较大的波段（759～763nm、1340～1352nm、1365～1395nm、1801～1925nm、2487～2500nm）的数据，保留质量较高的波段的数据。

1.3 光谱微分

光谱微分可以增强曲线在坡度上的细微变化，突出显示光谱曲线的差异性，采用光谱导数分析模型具有部分消除大气效应，可以消除植被光谱土壤成分的影响以及能反映植被的本质特征等一系列优越性[29-30]。本研究在Origin软件中进行一阶微分、二阶微分处理，其计算公式如下：

1.4 包络线去除

在光谱曲线相似的情况下，直接从中提取光谱特征不便于计算，因此需要对光谱曲线作进一步处理，以突出光谱特征。包络线去除法可以有效突光谱曲线的吸收、反射和发射特征，并将其归一到一个一直的背景上，有利于和其他光谱曲线进行特征数值的比较[31-33]。本研究在ENVI Class软件中进行包络线去除，其计算公式如下：

1.5 检验分析

为了检验原始光谱特征波段和去除包络线特征波段识别树种的效果，本研究使用欧式距离法在SPSS25.0软件中对其进行检验;以原始光谱所选的特征波段为例，首先计算所选波段各个树种所有样本的原始光谱反射率平均值，然后选择比较树种，分别计算每一树种每一样本与比较树种平均值之间的欧氏距离，最后再计算各树种所有样本的欧氏距离平均值（表2）。如果不同树种间的欧式距离的平均值大于同树种间的欧氏距离平均值，则说明所选波段能有效区分这8种树种。

2 结果与分析

2.1 原始光谱曲线分析

由图2可知，8种树种的光谱曲线形态相似性高，符合绿色植物的光谱曲线特征。但由于不同植被内含成分的不同，导致其在相同的外部条件下对太阳辐射的吸收和反射不尽相同，图2中八种树种光谱曲线在某些波段差异明显，这些差异波段更好的反映了不同树种之间的光谱特性的差异。挑选差异性较为明显的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个波段（波段范围10nm），取其平均值进行比较。由图3可知，在8种树种光谱曲线的第一个波峰范围（549～558nm）内，云南松-柏木、马尾松-杉木、华山松-麻栎-水杉-香樟三组之间区分明显，但是后两组组内树种区分不明显;在785～794nm范围内，云南松与其它七种树种差异较大，麻栎-香樟、水杉-杉木-柏木、华山松-马尾松三组差异明显，但组内差异较小;964～973nm、1078～1089nm与785～794nm波段范围内差异情况类似;在1445～1454nm波段范围内麻栎与其他7种树种差异明显，水杉-香樟、杉木-云南松-华山松-马尾松-柏木两组差异性较大，但组内差异性小;1956～1965nm、2211～2220nm与1445～1454nm波段范围内差异情况类似;其他4个波段范围（1190～1199nm、1268～1277nm、1665～1674nm和1775～1784nm）内8种树种差异明显。

2.2 包络线分析

原始光谱曲线的峰值点即为包络线的节点，当某一波段光谱一阶微分值为0，且光谱二阶微分值小于0，则此波段为包络线节点[34]。通过原始光谱曲线、一阶微分值、二阶微分值确定8种树种的包络线节点（表1），8类树种在同一波峰处对应的波长位置不同，为使包络线与原始光谱曲线的交点唯一，对8类树种的各波峰节点值进行统一，选择各波峰所对应的波长位置，取其相似值或平均值作为包络线的起始节点及末端节点[34]。据上述方法，共得到8种树种8个特征波段（350～540nm、550～750nm、870～1070nm、1080～1260nm、1270～1680nm、1690～1800nm、1810～2220nm、2230～2500nm）。由圖4可知，去除包络线后的曲线差异明显，特别是在特征波段范围内，差异比较显著。为进一步比较各树种去包络线后的差异性，在上述8个波段范围里各自波段范围的最低点内选取波段宽度为10nm并计算其包络线去除值的平均值进行比较[34]。由图5可知，平均包络线去除值在1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段之间具有明显的差异。

2.3 检验分析

包络线去除所选波段检验方法一致（表3）。由表2、表3可知不同树种间的欧氏距离大于同种树种间的欧式距离值，仅表3中华山松与马尾松的欧氏距离的均值0.4570，小于华山松与华山松欧氏距离的平均值0.4945，香樟与麻栎的欧式距离的均值0.2310，小于麻栎与麻栎欧氏距离的平均值0.2417。表明可根据原始光谱和去包络线曲线图的差异性所选的特征波段可以对8种树种初步进行有效区分。

3 结论与讨论

高光谱数据以其波段多且连续的特性，能够为不同树种提供更多的光谱反射率信息，光谱微分分析充分利用高光谱的连续性，将原始光谱里的微小变化与差异进行扩大，从而被广泛应用于树种的鉴别[35]。

本研究对贵州省常见的8种树种进行高光谱测量，通过对其原始光谱曲线和去包络线曲线分析，找出其差异较明显的波段作为特征波段，最后使用欧式距离法检验所选的特征波段对不同树种的区分效果。结果表明，虽然整体上8种树种的光谱特性相似度较高，符合绿色植被的光谱曲线，且在可见光到近红外波段内（350～1000nm）具有典型的“两峰三谷”曲线特征[36]，但在一些波段范围内存在微小的差异，从原始光谱曲线上能看出体现八种树种微小的差异的波段大多集中在近红外波段范围内。其中，有一个在绿光波段，波段范围为549～558nm，且从图2可以看出差异最明显的波段是：1190～1199nm、1268～1277nm;而包络线去除法能有效增大原始光谱的差异，便于更加精确地选取特征波段;包络线去除法选择的波段有一个位于绿光波段490～499nm、一个位于红光波段670～679nm，其余位于近红外波段，从图4可以看出差异最明显的波段是1779～1788nm。为了验证两种方法所选取的特征波段能否有效地区分八类树种，本研究采用欧氏距离法进行检验，从表2可以看出不同树种的欧氏距离大于同种树种，而且包络线去除法所选取的特征波段欧氏距离验证的结果数值差异更大，其区分效果更好。

本研究主要是基于实测的叶片光谱数据进行的，而高光谱遥感则是基于遥感影像对植被冠层光谱信息数据进行采集的;实测的叶片光谱数据对于物种识别来说具有精度高的优点，而遥感影像对于大尺度、大范围的物种识别则更胜一筹。在后续的研究中需进一步探讨叶片的实测光谱数据与植物生理生化指标含量的关系，并与遥感影像相结合，从而为大尺度植被的精准识别和监测提供科学依据[37]。

参 考 文 献：

[1] 李文华，李飞.中国森林资源研究[M].北京：中国林业出版社，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，刘丽娟，庞勇，等.基于机载激光雷达和高光谱数据的树种识别方法[J].浙江农林大学学报，2018，35（2）：314-323.

[6] 刘代志，黄世奇，王艺婷，等.高光谱遥感图像处理与应用[M].北京：科学出版社，2016.

[7] 赵春晖，王立国，齐滨，等.高光谱遥感图像处理方法及应用[M].北京：电子工业出版社，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] 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（3）：211-217.

[13] 陈尔学，李增元，谭炳香，等.高光谱数据森林类型统计模式识别方法比较评价[J].林业科学，2007（1）：84-89，130.

[14] 陈璇，林文鹏，王瑶，等.基于包络线法的长江三角洲典型植物光谱识别研究[J].海洋环境科学，2017，36（5）：688-692.

[15] 王志辉，张乐，徐惠军，等.基于高光谱遥感图像的树种（树种组）分类[J].华东森林经理，2019，33（2）：61-66.

[16] 徐凯健，田庆久，徐念旭，等.基于时序NDVI与光谱微分变换的森林优势树种识别[J].光谱学与光谱分析，2019，39（12）：3794-3800.

[17] 王波，柳小妮，王洪伟，等.东祁连山高寒灌丛六种灌木植物的光谱特征分析[J].光谱学与光谱分析，2019，39（5）：1509-1516.

[18] 童庆禧，张兵，郑兰芬.高光谱遥感——原理、技术与应用[M].北京：高等教育出版社，2006.

[19] 劉秀英，王力，常庆瑞，等.利用包络线消除法反演黄绵土水分含量[J].武汉大学学报（信息科学版），2017，42（5）：661-668.

[20] 姚艳敏，魏娜，唐鹏钦，等.黑土土壤水分高光谱特征及反演模型[J].农业工程学报，2011，27（8）：95-100.

[21] 蒋荣.地形因子对贵州喀斯特地区坡面土壤侵蚀的影响[D].南京：南京大学，2013.

[22] 王孜昌，王宏艳.贵州省气候特点与植被分布规律简介[J].贵州林业科技，2002（4）：46-50.

[23] 肖俊.贵州省农业气候资源分析及应用[D].雅安：四川农业大学，2018.

[24] 刘晓，郭颖，徐海，等.贵州省森林生态系统服务功能的价值评估[J].贵州农业科学，2014，42（12）：60-65，69.

[25] 吕文强，周传艳，闫俊华，等.贵州省主要森林类型土壤有机碳密度特征及其影响因素[J].地球与环境，2016，44（2）：147-153.

[26] 吴庭，龙翠玲.不同人为干扰类型对城市近郊植物群落物种多样性的影响——以贵阳市花溪区为例[J].林业资源管理，2017（3）：75-79.

[27] 侯春兰，杨瑞，王勇，等.草海流域6种林分枯落物水源涵养功能研究[J].林业资源管理，2020（1）：108-115.

[28] 牛亚龙，刘廷玺，段利民，等.科尔沁沙地5种典型沙生植被高光谱特性分析与遥感解译参数提取[J].生态与农村环境学报，2017，33（7）：632-644.

[29] 王志辉.高光谱遥感在森林树种识别中的应用[D].杭州：浙江农林大学，2011.

[30] 童庆喜，张兵，郑兰芬.高光谱遥感——原理、技术与应用[M].北京：高等教育出版社，2006.

[31] 王涛，喻彩丽，张楠楠，等.基于去包络线和连续投影算法的枣园土壤电导率光谱检测研究[J].干旱地区农业研究，2019，37（5）：193-199，217.

[32] 谢伯承，薛绪掌，刘伟东，等.基于包络线法对土壤光谱特征的提取及其分析[J].土壤学报，2005（1）：171-175.

[33] 陈彦兵，况润元，曾帅.基于高光谱数据的鄱阳湖湿地典型植被识别分析[J].人民长江，2018，49（20）：19-23.

[34] 丁丽霞，王志辉，葛宏立.基于包络线法的不同树种叶片高光谱特征分析[J].浙江林学院学报，2010，27（6）：809-814.

[35] 王志辉，丁丽霞.基于叶片高光谱特性分析的树种识别[J].光谱学与光谱分析，2010，30（7）：1825-1829.

[36] 陈程，杜健民，杨红艳.内蒙古荒漠化草原植被高光谱特征提取与分析[J].光学仪器，2018，40（6）：42-47.

[37] 姚付启，张振华，杨润亚，等.基于红边参数的植被叶绿素含量高光谱估算模型[J].农业工程学报，2009，25（S2）：123-129.