高光谱遥感的森林信息应用研究进展

陈小花，陈宗铸，雷金睿，吴庭天，李苑菱

海南省林业科学研究院（海南省红树林研究院），海南海口571100

森林是地球上最主要的陆地生态系统之一，拥有世界陆地生物多样性的3/4 以上，并提供各种环境材料和生态系统服务[1]。然而，过去几十年的气候变化对森林生态系统造成了严重影响，并给森林管理带来了重大挑战[2]，森林监测也从实地调查转变为基于遥感方法。监测森林动态需要对森林生物物理变量进行空间、时间和准确定量[3]。如何准确地从各个方面和尺度认识和理解森林生态系统成为全球关注的焦点之一。近年来，学者们利用遥感技术与地面调查相结合，从空间和时间尺度上对森林植被各类理化特性进行动态的监测与定量分析。而高光谱遥感技术发展至今已经具有纳米级的超高光谱分辨率，能充分提取到反映森林冠层结构和生理状况的窄波段光谱信息，在利用遥感手段提取森林参数中具有重大潜力。

1 树种分类与识别的应用

近年来，高光谱遥感在林业中的重要应用是识别森林物种的类型，尤其是复杂地形下多种树种的精细分类，以弥补常规人力现场调查中效率低、劳动强度大和成本高的缺陷。随着遥感传感器的飞速发展，高光谱遥感数据的采集变得更加容易，成本大大降低。特别是具有高空间和高光谱分辨率的机载高光谱数据的获取是灵活而快速的[4]，这使得机载高光谱数据下的树种分类研究变得切实可行，有利于生态学家和决策者做出正确的决策[5]。随着数据源的增多和计算机技术的升级，高光谱遥感数据对树种识别与分类的总体精度得到提高，其中有学者对芬兰南部北方森林进行树种分类，精度达90%[6]，对阿尔卑斯山附近的森林进行树种分类，精度达92%[7]，对澳大利亚南部森林进行分类识别，17 种树种的分类精度达86%[8]，对亚热带天然次生林树种识别总体精度为87.51%[9]，对亚热带地区森林树种分类总体精度达95.89%[10]。目前，基于高光谱技术在树种分类上的应用主要集中在寒带和温带生态系统，对地形复杂，树种丰富和遮盖度高的热带生态系统研究较少，主要原因在于光谱数据维度大、不易处理，同时也受限于大尺度范围的高光谱数据获取费用和大量训练样本的需求。为此，学者们在应用过程中将数据进行多源组合，填补单一数据获取难、信息提取受限等难点，其次在算法上也实现了优化。综上可知，下一步树种分类应用在融合多数据多特征的基础上，更多是在算法上进行深入学习和多分类器组合，实现利用有限的样本来训练有效的模型。

2 叶面积指数反演的应用

在森林植被生物物理变量中，叶面积指数作为主要指标控制着植被冠层内的光合作用、蒸散作用及降雨拦截等多项生理过程[11]。在林业方面，叶面积指数与生物量密切相关，使得其生理生化指标的提取成为一个热点问题。如今，利用高光谱遥感技术对森林叶面积指数进行反演的技术已经成熟，通常，有两种常用的方法用于LAI 的遥感估算，分别是基于物理模型方法和经验模型方法。如汪清泓[12]构建基于高光谱特征参数和红边参数的LAI 估算模型，得出回归模型是估测亚热带典型树种的叶片LAI 最佳模型；魏丹丹等[11]利用资源一号02D 卫星高光谱数据实现了植被叶面积指数的估算，并且得到较高的模型精度（R2=0.77）；郭云开等[13]人提出了一种GLIBERTY-DSAIL 耦合模型组合多元线性回归反演LAI 的方法，得到模型预测决定系数R2为0.7086，精度整体较高。有些学者为了提高LAI 估算精度，引入机器学习模型进行LAI 的监测。如荚文[14]基于核函数组合形式的BRDF 校正影像用于森林叶面积指数建模反演，总体精度为93%，优于未经BRDF 校正的影像（R2=0.23）；雷宇斌等[15]利用极限学习机（ELM）对湖南省醴潭高速路域植被LAI 进行建模反演，预测精度为86.26%；谭德宏等[16]利用遗传算法（GA）优化后的BP 神经网络建立高山松LAI估测模型精度更高，预测LAI 更准确；张静宇等[17]基于森林模型参数先验知识估算高分辨率叶面积指数，结果表明，在仅有少量观测数据时，能有效提高森林高分辨率LAI 的估算精度。机器学习算法，尤其是基于内核的机器学习方法（例如高斯过程回归（GPR））是从经验数据中检索植被参数的传统经验方法的有前途的替代方法，Rui 等[18]研究证明了GPR 在使用机载高光谱数据估算林分中的LAI 方面具有潜力。综上认为，依靠高光谱遥感数据和机器学习模型估算LAI 已成为当前建立生态、环境模型的基础。

3 林木养分元素诊断的应用

植物的养分元素决定了植物的长势、产量和品质。遥感技术以快速、大面积的养分监测优势得到国内外众多研究者的关注。目前，已有对作物冠层养分空间分布及其对遥感反演模型的影响研究主要集中在水稻、小麦、棉花、玉米等农业方面。因森林树木高大、林况相对复杂，阻碍了高光谱遥感在林木养分监测的应用，已有的研究也大多集中于对树木冠层叶片的诊断，常用方法有两种，一是多元统计回归法，二是基于波谱特征参数的方法。如岳学军等[19]利用ASD FieldSpec 3 光谱仪采集柑橘4 个重要生长期的叶片反射光谱，然后结合机器学习算法构建叶片磷含量模型，最后得出基于一阶导数谱的Isomap-SVR 建模结果最佳的结论；刘燕德等[20]基于高光谱成像技术对脐橙叶片的叶绿素、水分和氮素定量分析，结果表明，叶绿素CARS——PLS 模型、水分和氮素的GAPLS 模型效果最优，预测集相关系数分别为0.96、0.91、0.82；钟穗希[21]利用高光谱数据构建橡胶树叶片氮素诊断模型，最终确定了以ev PCA-Kmeans，K 为2 时，第二聚类平均光谱建立的SNV-SPA-PLSR 模型精度最高，最适合用于建立橡胶树叶片的氮素诊断模型，其R2为0.951；冯海宽等[22]利用最优权重组合模型和高光谱估算苹果叶片全磷含量，结果表明，最优权重组合模型预测能力较好（R2=0.94）。Gao 等[23]使用ASD FieldSpec 3 测量了来自中国山东半岛栖霞市的土壤样品的反射光谱，结果表明，高光谱遥感可以快速、准确地预测山东半岛林地土壤中的SOM 含量。如何利用高光谱技术实现森林生态系统养分信息快速诊断是今后需要研究的方向。

4 森林灾害监测的应用

近年来，全球气候的变化和人工造林面积的增加导致森林病虫害的增加。过去最常采用的防治措施是采用航空喷洒方法（以化学杀虫剂和细菌杀虫剂为主），在林业应用上，该方法使用存在两个弊端，一是森林面积大，二是森林病虫害发病率高，导致防治效果不佳。另外化学防治会对生态环境造成危害，当病害发生次数多、化学防治水平高情况下，会降低森林群落的丰富度、多样性和均匀度[24]。然而，在人工野外调查方法中，很难实现定点损伤信息获取，只能进行大面积控制。因此，这些方法要么不环保，要么效率低下[25]。基于无人机（UAV）的高光谱成像是一种用于调查和监测森林健康的有效技术。高光谱遥感技术应用于病虫害监测始于20 世纪80 年代。高光谱遥感监测主要通过筛选出最佳敏感波段来定量估计相关危害树木的理化指标，以识别和划定树木的损害程度。如对受线虫侵害树木的光谱特征进行分析[26-28]、通过测定危害树木的理化指标来判断病害程度并建模[29]、通过分析光谱反射率的差异和结构异常来监测板栗病虫害[30]、通过高光谱图像识别柑橘叶片病害[31]、通过欧氏距离识别枯死松树最敏感的波段为近红外波段和红波段[32]、利用高光谱遥感结合卫星图像，监测中欧山松大小蠹侵染北美西部森林，得出使用8 个WV-2 波段作为预测因子的分类准确性最高[33]、通过提取光谱特征建立偏最小二乘回归模型来预测马尾松枯萎病的发生情况[34]。综上所述，地面高光谱影像是监测植物病虫害的主要数据源，为实现大范围周期性观测，人们结合了高空高光谱影像，如基于星载Hyperion 影像精细分类森林[35-36]、利用低空无人机高光谱、高空间分辨率及星载时间序列遥感数据，构建油松毛虫灾害发生程度识别模型、灾害发生面积监测模型和灾害发生面积短期预测模型[37]。随着林业精准化提升，高光谱数据探测病虫害成为新的研究热点。

5 存在问题

高光谱遥感技术在识别物种、测量叶面积指数、养分元素诊断等方面都得到了广泛应用。同时借助高光谱技术覆盖范围广、成像率高、多时相等特点，实现了森林资源消长的动态变化监测，也推动了现代林业可持续发展。以森林为例，重点关注的参数包括蓄积量、面积、生物量、病虫害、生物多样性等。但由于森林结构复杂、物种多样性高，对参数建模和反演极易受地形、天气、林分等因素影响，主要体现在3 个方面：一是精度差，当森林结构相对复杂的情况下，使用遥感技术进行物种分类的拟合效果一般，不能满足常规业务工作中参数要求的提取；二是时效性差，由于航天数据的过顶时间和天气的不可控制，与地面数据难以同步配合获取；三是数据源单一，当前的高光谱和多光谱数据类型很多，但是数据同期性差，同时数据源来自不同传感器增加了使用难度，专业性要求强，导致大多数学者在应用中可选的数据非常单一。