APP下载

滇中典型乔木植被高光谱特征

2020-12-02宋春雨袁希平闫馨方

浙江农业学报 2020年11期
关键词:波谷樟木侧柏

宋春雨,甘 淑, ,袁希平 ,胡 琳,李 雁,闫馨方

(1.昆明理工大学 国土资源工程学院,云南 昆明 650093;2.云南省高校高原山区空间信息测绘技术应用工程研究中心,云南 昆明 650093;3.滇西应用技术大学,云南 大理 671009)

植被的光谱特性对植被遥感解译和定量分析具有重要意义[1]。掌握植被资源现状及其变化,对于促进林业发展和人类生存环境可持续发展具有重要意义,因此加强植被资源的监测已经成为当前的热点话题[2-4]。采用传统手段进行植被监测会浪费大量时间和人力财力,多光谱遥感可以识别植被的大类,但是难以区分更为详细的植被种类[5]。高光谱可以通过窄而连续的波段描述植被的光谱特征,从而区分识别不同的植被类型[6-8]。使用高光谱技术分析植被的光谱特征不仅可以识别区分不同的植被类型,还可以完善植被光谱数据库,为处理卫星遥感影像提供重要信息,这对于遥感监测植被及其反演都具有重要意义[9-10]。侧柏(Platycladusorientalis)、樟木(Cinnamomumlongepaniculatum)、柳杉(CryptomeriafortuneiHooibrenk)都是滇中典型的乔木植被,都可用于园林绿化和医药用途;此外,这3种乔木还是普遍使用的建筑和家具木材。因此,研究侧柏、樟木、柳杉的高光谱特征具有重要意义。

测量分析植被的光谱特性是林业遥感的基础。目前国内外已经有许多学者对植被的光谱特征进行了大量的研究,并且取得了许多成果[11-13]。如加力戈等[14]通过分析桂柳、梭梭、白刺3种荒漠植被生长期的光谱特征发现,这3种植被可见光波段的光谱特征变化与不同生长期相关。王波等[15]使用高光谱技术分析东祁的6种灌木植被光谱,通过筛选敏感波段计算归一化植被指数(NDVI)值和相对活力指数(RVI值),实现了对6种灌木植被的分类识别。马东辉等[16]分析南京6种植被的冠层和落叶光谱特征,发现6种植被之间存在明显差异。Schmidt等[17]利用连续统去除手段凸显27种盐沼植被的光谱差异,筛选出6个特征波段来区分识别这些盐沼植被。使用光谱仪进行实验设计,现场观察不同植被的有效光谱信息,分析后选择植被特征波段,可以为结合高光谱遥感图像进行植被识别和分类提供依据[18]。目前植被光谱测量所采用的仪器基本都是ASD光谱测量仪。相对ASD地物光谱仪,SOC710VP成像光谱仪能在光谱成像的图像上自主选择所需研究范围,所得结果更为准确[19-20]。参考许多文献发现,虽然目前对植被的光谱特性研究较多,但研究时间多集中在夏季和秋季,而研究时间选择冬季的相对较少,对滇中植被光谱特性的研究也比较少[21-24]。本文以SOC710VP所测的高光谱数据为数据源,使用ENVI5.3和SOC710自带的处理软件,以侧柏、樟木、柳杉为研究对象,对这3种典型的滇中乔木植被光谱曲线进行分析,并使用光谱微分和连续统去除凸显其光谱特征,分析3种滇中典型乔木植被的光谱特性与差异性,为植被分类和遥感监测提供参考。

1 材料与方法

1.1 实验区概况

植被光谱监测实验选在昆明市西山森林公园,公园的植被多而集中,且受人为活动影响较小。西山的海拔为1 890~2 360 m,东临滇池湖畔,属于滇中高原典型地段。地理坐标为102°37′E~102°38′E,24°59′N~27°57′N,北高南低。昆明西山公园森林资源丰富,植物以乔木为主,也有少量灌木和草本植物,共计1 086种植物。

1.2 数据采集

在试验区分别选取侧柏、樟木、柳杉3种典型乔木(常绿植被)作为光谱测试对象(表1)。2019年12月中旬,在天气晴、地面能见度高、风力小(风力等于或小于3级)的情况下,在10:00~15:00利用SOC710VP高光谱仪对试验区选择的样本进行测量并记录相关参数。选择长势良好的植被作为实验样本。测量时应保障植被周围具有良好的通视条件,无阴影遮挡,避免被测植被和参照板晃动,保证所测植被和参考板在相同的条件下进行测量。在实际测量中,记录每个样本的点号、植被类型、位置和其他相关参数,并拍摄样本照片。

表1 三种乔木植被及其特征Table 1 Three kinds of tree vegetation and their characteristics

传统的光谱扫描仪获取点数据,而SOC710VP则获取兼具图像信息和光谱信息的面状高光谱数据。SOC710VP高光谱成像仪可以提供从可见光到近红外128个波段的光谱数据,从单叶片测量植物光谱反射率和光合作用变化情况,适用于植被的测量。此次所测数据光谱范围为400~1 000 nm,光谱分辨率为1.3 nm。

1.3 数据处理

1.3.1 数据预处理

鉴于所有数据都是实时现场采样,会受到许多环境背景因素的影响,因此,有必要识别和筛选原始光谱数据,剔除有缺陷和无效的值(比如饱和的数据,因为数据饱和会损失信息量)。采用S-Golay滤波方法平滑原始光谱曲线,可以在一定程度上抑制光谱抖动、噪声,且基本保留了真实的光谱特征,保证分析研究时的数据质量。使用SOC710自带的相关软件进行数据标定,最后得到植被叶片的光谱反射率。

不同高度的植被叶片生化参数空间分布不均匀,导致不同位置叶片对应的光谱反射率发生变化。此外,获取的高光谱数据为面数据,为保证实验数据具有代表性,将对植被叶片进行均匀抽样,计算平均反射率。利用ENVI软件,在侧柏、樟木、柳杉不同高度和不同位置(包括冠层、中层和底层)的叶片上分别选取20个样本,每个样本包括10个像元,将这些区域的光谱反射率求平均值,将其作为该植被的光谱反射率。处理的方法流程如下所示(图1)。

图1 技术路线图Fig.1 Technology roadmap

1.3.2 光谱分析方法

微分法:光谱微分可以在一定程度上消除光谱数据之间的系统误差,减少背景噪声(如大气辐射、散射和吸收)对目标光谱的影响,还可以突出显示光谱的斜率,区分重叠光谱并提取可识别地物的光谱吸收峰参数[25-28]。计算过程如下[29]。

(1)

式中:FRDλt为波段t和波段t+1之间的光谱一阶微分,Rλt和Rλt+1为相对应的波段t和t+1处的原始光谱反射,λt和λt+1为每个波段的波长,Δλ为波长λt+1到λt的间隔。

连续统去除法:增强光谱曲线中的吸收和反射特征可以通过连续统去除变换有效的突出显示,并且还能将反射率归一化,连续统去除也叫包络线去除[30-33]。计算过程如下。

(2)

式中:CRi为i处的连续统去除值,Ri为i处的光谱反射率,RHi为i处直线的光谱反射率。

2 结果与分析

2.1 原始曲线反射光谱特征分析

从图2可以看出,侧柏、樟木、柳杉3种植被的原始光谱特征曲线在400~1 000 nm大致符合绿色植被的光谱特征曲线趋势,曲线上波峰和波谷、红边现象出现的位置基本相同。反射率阈值范围均在0.03~0.80。侧柏的反射率阈值在0.03~0.38,樟木的反射率阈值在0.03~0.69,柳杉的反射率阈值在0.05~0.80。

图2 三种乔木植被反射光谱曲线Fig.2 Reflection spectra of three tree species

可见光范围内,叶绿素对蓝光吸收强,410 nm附近出现第1个波谷(蓝光吸收带),波谷不明显。此时柳杉反射率曲线呈下降趋势,区别于侧柏和樟木。550 nm附近因叶绿素对绿光的反射作用形成反射峰,侧柏、樟木、柳杉的反射率分别为0.12、0.14、0.13,樟木的反射率相对其他2种植被略高,说明樟木具有最强的叶绿素反射能力。670~680 nm的位置因叶绿素对红光的强吸收作用,出现红光吸收带,也就是第2个波谷,此时樟木的反射率最高。680~760 nm反射率急剧上升,出现一个明显的“陡坡”,即红边特征,此时除柳杉外,其余植被皆达到反射率的最高值。

近红外波段,侧柏、樟木、柳杉的光谱曲线在走势上表现出明显差异。700~760 nm侧柏反射率上升的幅度较为平缓,明显区别于柳杉和樟木。760~1 000 nm侧柏、樟木、柳杉的反射率值存在明显差异。柳杉的反射率持续上升,侧柏和樟木的反射率持续下降。柳杉的反射率保持在60%以上,明显高于其他树种,樟木其次,侧柏的反射率值最低,保持在40%以下。

2.2 红边波段光谱一阶微分分析

“红边”现象是植被与其他物质光谱特征最大的不同,它是植被在670~760 nm反射率增高最快的点,也是植被光谱曲线最明显的特征。通过一阶微分可以反映光谱响应的变化速率,因此,将侧柏、樟木、柳杉3种植被在红边波段的一阶微分曲线作为主要的研究对象。如图3所示,3种植被的一阶微分值代表红边波段的陡峭程度,侧柏、樟木、柳杉的一阶微分值分别在700、720、730 nm达到了极大值点。3种植被在极大值点的增速最快,其中,柳杉的增速最快,樟木次之,侧柏的增速最慢。侧柏在700 nm和750 nm分别有1个峰值,在730 nm处有1个波谷,具有“双峰一谷”的特性。樟木在720 nm和765 nm处分别有1个峰值,在755 nm和775 nm处分别有1个波谷,具有“两峰两谷”的特性。柳杉在730 nm处有1个峰值,此处的一阶微分值高于其他2种植被,在768 nm处有1个波谷,此处的一阶微分值介于侧柏和樟木之间,具有“单峰谷”的特性。

图3 红边反射波段一阶导数曲线Fig.3 The first derivative curve of the red edge reflection band

2.3 连续统去除光谱特征分析

基于侧柏、樟木、柳杉3种乔木植被的原始光谱曲线进行连续统去除处理。结果如图4所示。在400~1 000 nm内侧柏、樟木、柳杉3种乔木植被的连续统去除值都介于0~1。侧柏、樟木、柳杉在近红外波段均没有明显差异,差异主要表现在可见光波段,明显凸显了原始光谱曲线的吸收和反射特征。原始光谱反射率曲线的可见光波段,侧柏、樟木、柳杉3种植被的反射率没有明显的差异,3个明显波峰波谷特征的反射率之差小于0.05。连续统去除处理后,侧柏在可见光波段具有4个波谷、3个波峰的特征,其曲线走势明显区别于樟木和柳杉,较好区分。樟木和柳杉曲线走势基本相似,连续统去除值在440~760、950~1 000 nm存在差异,在这2个波段内,樟木的连续统去除值均略高于柳杉。

图4 连续统去除变换光谱曲线Fig.4 Continuum removal transform spectrum curve

3 结论

本文针对滇中地区典型乔木植被,基于实测高光谱数据,分析了侧柏、樟木和柳杉的叶片光谱特征差异,并借助一阶微分和连续统去除法突出不同植被的可区分光谱,得到了以下结论:

侧柏、樟木、柳杉3种乔木植被的光谱曲线具有相似的起伏特征,并具有绿色植被在400~1 000 nm的光谱特征,比如可见光波段的“双峰一谷”和“红边”特征。与樟木和柳杉相比,侧柏在波峰和波谷处的反射率最低,在“绿峰”和“红谷”处樟木的反射率最大,在“蓝谷”处柳杉的反射率最大。反射率在近红外波段一直保持在一个较高的值,近红外波段反射率依次为柳杉>樟木>侧柏。

从3种植被原始光谱曲线分析得出,450~700 nm 3种植被区分度不大,结合光谱曲线和光谱反射率可以在400~420 nm和700~1 000 nm将3种植被区分开。

红边波段的一阶微分变换凸显了侧柏、樟木、柳杉的不同波峰波谷的差异特征。出现红边位置的先后顺序依次为侧柏、樟木、柳杉;极大值的大小顺序依次为樟木、侧柏、柳杉。从3种植被的一阶微分形态得出,侧柏、樟木、柳杉分别具有“两峰一谷”“两峰两谷”“一峰一谷”的特性。其中,侧柏的波峰波谷更为明显,识别度更大。

连续统去除凸显了侧柏、樟木、柳杉3种植被原始光谱在可见光波段的吸收和反射特征差异。侧柏的曲线走势明显区别于樟木和柳杉,能较好地区别侧柏与另外2种植被的差异。在440~760 nm和950~1 000 nm,樟木和柳杉的连续统去除值差异明显。400~440 nm和760~950 nm 3种植被连续统去除曲线混淆大,区分效果不理想。原始光谱中3种植被在440~700 nm区分度不大,但在连续统去除光谱中区分效果明显。

猜你喜欢

波谷樟木侧柏
侧柏常见病虫害及其防治技术
板厚与波高对波纹钢管涵受力性能影响分析
西北地区的侧柏良种培育探讨
伏羲庙,侧柏
梅缘稻
冬日清晨
樟木桥抒怀
重器千秋——稀有香樟
基于音节时间长度高斯拟合的汉语音节切分方法
海洋天空之恋