基于实测高光谱数据的校园植被识别

霍江润 李晶 曹泽远 夏颖聪 李珂 王子涵

摘  要：植被识别和特征研究是智慧校园的有机组成部分。该文应用高光谱遥感设备对中国矿业大学（北京）学院路校区20种典型植被的反射光谱数据进行采集并对反射光谱基本特征、光谱时序变化、相关植被指数以及低通滤波变换进行分析，研究结论：（1）植被反射光谱基本特征相似，紫叶李在可见光波段的波峰位置存在偏移，八宝和黄杨的反射率波形特征明显;（2）植被反射率时序变化与物候规律较为一致，地毯草和果树类存在偏差;（3）银杏、紫叶李、刚竹、木槿、忍冬、石榴和八宝的NDVI特征明显，悬铃树、槭树、刚竹、柏树、叉子圆柏、山桃、八宝以及爬山虎的EVI特征明显;（4）柏树、紫藤和悬铃树的低通滤波反射特征明显。研究成果有助于植被的辨识，为智慧校园在植被管理建设方面奠定了基础。

关键词：高光谱 校园植被 树种识别 光谱特征变换

中图分类号：P237  文献标识码：A   文章编号：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

高光譜遥感（Hyperspectral Remote Sensing）技术将表征地物属性特征的光谱信息与表征地物几何位置关系的空间信息有机地结合起来，使得地物的精准分析与细节提取成为了可能[1]。

在高光谱遥感发展的过程中，国内外在植被方面进行了大量研究。国外建立的植被光谱数据库主要有：1960～1970年，美国NASA建立地球资源信息光谱数据库[2];约翰斯·霍普金斯大学建立的光谱数据库;美国地质调查局建立的地物光谱数据库;美国环保局部门建立的AEDC/EPA光谱数据库及森林高光谱数据库等。国内众多研究学者也开展了大量的工作：1987年，中国科学院空间技术中心收集植被的波谱曲线共1 000余条;1998年，中科院遥感所建立了我国第一个系统的光谱库;北京师范大学建立了结合农业、矿物等应用领域的光谱库;2018年，曹帅强等人首次开展了以校园植被作为研究对象的光谱特征分析[3]等。

当前我国大部分校园的植被仍旧以人工管理为主，缺乏针对校园植被光谱的研究以及对应光谱库的建立，导致大部分植被数据没有得到有效的组织，查询统计起来费时费力。与此同时，智慧校园的建设已经成为教育信息化的重要组成部分，加强校园植被光谱的识别与信息库的建立能够有效促进校园智慧化、多元化管理，具有十分重要的现实意义。

结合以上背景因素，该文应用高光谱遥感设备对中国矿业大学（北京）学院路校区20种典型植被的反射光谱数据进行采集并对反射光谱基本特征、光谱时序变化、相关植被指数以及低通滤波变换进行分析，揭示不同类型植被之间的光谱信息，为校园植被遥感监督分类以及校园植被光谱库的建立提供理论依据。

1 研究区域和数据

1.1 研究区概况

中国矿业大学（北京）现设学院路、沙河两个校区，占地面积37万㎡，总建筑面积52万㎡;其中，学院路校区地处39°59′42″～39°59′56″N，116°20′27″～116°20′46″E，东临学院路，西接东王庄，南部和北部分别为北京语言大学和北京林业大学校园，校内植被种类丰富，该文重点针对教学区开展研究，植被类型及分布如下。

（1）综合楼周围：黄杨、月季、八宝、柏树、刚竹、叉子圆柏、槭树、侧柏、紫荆以及女贞等;

（2）民族楼附近：以爬山虎、银杏、玉兰、地毯草、玉簪为主;

（3）图书馆沿路：叉子圆柏、银杏、玉簪以及悬铃树等植被;

（4）办公1、2号楼附近：卫矛、紫叶李、刚竹、木槿、玉簪以及沿阶草等;

（5）学生公寓与丰园附近：以五针松、山桃、石榴、紫藤、月季以及忍冬为主。

1.2 采样方法与数据获取

研究期间因疫情防控需要，校区实施封闭管理，区域观测样本点全部位于教学区域内，见图1。采样时间为2020年10月1日至2021年7月4日，在排除环境干扰的情况下，利用ASD FieldSpec便携式光谱辐射仪采集得到植被高光谱数据，其波段范围为350～2 500 nm。其中，350～1 050 nm采样间隔为1.4 nm，光谱分辨率为3 nm;1 000～2 500 nm采样间隔为2 nm，光谱分辨率为8 nm。期间筛选出5类计20种典型植被进行采样和数据分析，见表1。

为获得较好的高光谱图像数据，在测量工作前进行了以下相关设置：光谱仪Opt优化，使光谱仪获得的光谱数据信噪比达到最大。WR采集参比光谱，保证仪器正确采集出入射光的DN值。该研究观测工作于每日11：00左右进行，观测天气均为晴朗无风或微风。观测时，对每一个目标物重复观测3次，以其平均值作为该植被样本的光谱反射率值。

2 研究方法

2.1 植被特征指数分析

（1）归一化植被指数（Normalized Difference Vegetation Index，NDVI），计算公式为：

NDVI=（NIR-R）/（NIR+R） （1）

式（1）中，NIR为近红外波段反射值，R为红光波段反射值。

（2）增强型植被指数（Enhanced Vegetation Index，EVI），计算公式为：

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為近红外波段反射值，R为红光波段反射值，B为蓝光波段反射值。该文均取波段中值对应的反射值[4]，即近红外1.03 nm、蓝光0.45 nm、红光0.69 nm处对应的反射值。

2.2 光谱反射率均值滤波处理

该文采用均值滤波处理，以改善光谱噪声，去掉高频成分。低通滤波公式如下[5]：

D=e^（（D_0^2）/x^2 ） （3）

式（3）中，x为植被光谱反射率值，D为低通滤波处理结果，D_0为一常数，该实验取0.005。

3 研究过程及结果分析

3.1 植被反射光谱特征差异

图2为5种类型20种典型植被2021年5月2日对应的反射光谱图，通过分析，得出结论：

（1）反射率均在410 nm与680 nm附近位置出现吸收带。第一吸收带位于410 nm附近，叶红素和叶黄素在400 nm的光谱响应模式中起主导作用，表现出较低的反射率，波谷不明显。第二吸收带位于红光波段范围内，叶绿素对红光吸收作用强，形成红光吸收带，波谷明显。

（2）各类植被在可见光波段反射率较低。正常大多数情况下，由于植被叶片内生物化学成分的存在因素，植被的反射率一般不高于0.2[6]，根据这一特点，图示中，柏树的反射率最低，爬山虎的反射率超过0.2，玉簪的反射率较为接近0.2，剩余植被的反射率较为集中，不易于区分。

（3）自690 nm开始，各植被反射率均急剧增长，且反射率的变化幅度大小与其反射率大小成正比，图示中，爬山虎反射率增值接近0.6，柏树的增值仅为0.1左右。

（4）各类植被的反射率曲线较为相似，自近红外波段开始，光谱曲线变得较为平缓，反射率值保持稳定，保证分辨的进行，但个别植被的波形存在较大的偏差，图示中，紫叶李在可见光波段的波峰位置存在偏移，八宝和黄杨植被在近红外波段的波形幅度较大。

3.2 反射光谱特征时序变化分析

该文筛选出紫叶李、柏树、黄杨、地毯草以及山桃5种植被，观察其反射光谱时序变化图，见图3～图7，并归纳总结如下：

（1）以上5種植被的反射率普遍于夏季增加，秋冬季下降，光谱变化规律相近，与植被物候规律较为一致。同时存在个别特殊情况，地毯草和山桃（同时包括葡萄和石榴）自10月至11月的反射光谱值增加，可能是受植被叶片观测位置不同，光照强度以及云层厚度等其他外界因素的影响。

（2）不同植被的反射光谱增强时段存在差异，以上5种植被中，柏树和黄杨为5月～10月，紫叶李为6月～10月，地毯草为4月～11月。这与植物叶片的色素含量、内部细胞结构、含水量以及生长习性存在一定的关联。

3.3 植被特征指数分析

根据“2.2 植被特征指数分析”部分所述的相关计算公式以及ASD FieldSpec便携式光谱辐射仪导出的高光谱数据，得到5类植被的NDVI与EVI折线图。

3.3.1归一化植被指数NDVI特征分析总结

20种植被的NDVI数值均为正值，与实际情况相符。观察NDVI折线图（见图8），得出结论：（1）落叶乔木中，银杏在6月至10月的折线变化明显区别于其他三类植被，呈现先上升后下降的趋势;四类植被在剩余时段的NDVI折线变化趋势基本相同;紫叶李在10月至11月的下降幅度明显。（2）常绿乔木中，刚竹在4月至5月以及10月至11月的NDVI值均为最小值，该植被的折线变化最为突出;四类植被在4月至5月的折线均呈现下降趋势，在10月至11月均呈现上升趋势。（3）灌木类植被中，黄杨和叉子圆柏在4月、5月以及11月的NDVI数值大小近似相同;自7月开始，除木槿外三类植被的折线均呈现下降趋势，且忍冬的下降幅度明显。（4）果树类植被中，石榴的折线变化在4月至7月明显区别于其他两类植被;自7月开始，三类植被的折线均呈现下降趋势，且石榴的下降幅度明显。（5）花草类植被中，自4月至7月，除紫藤和地毯草外，剩余三类植被的折线变化基本相同，且数值大小相近;紫藤在4月的NDVI数值较小;截止到11月，五类植被中地毯草的NDVI值达到最大，八宝的NDVI值为最小。

3.3.2增强型植被指数EVI特征分析总结

20种植被的EVI数值结果存在个别大于1的现象，出现这种情况的原因可能与采集数据时的光照度以及云量等因素有关。观察EVI折线图，见图9，得出结论：（1）落叶乔木中，悬铃树于5月2日达到EVI值的最小值，该植被于5月至10月的EVI折线呈现上升趋势;槭树于10月中旬出现较为明显的低值;10月后，除槭树外三类植被的EVI值均有所下降。（2）常绿乔木中，刚竹的折线变化整体基本呈上升趋势;柏树自7月开始，其折线变化呈现下降趋势。（3）灌木类植被中，四类植被的折线变化趋势基本相似，其中，叉子圆柏自10月至11月的EVI值有所增加。（4）果树类植被中，山桃在10月时的EVI值达到最小值，该类植被自10月至11月的折线变化为上升趋势;葡萄自5月至6月的折线变化为下降趋势。（5）花草类植被中，八宝的折线变化整体基本呈下降趋势;紫藤和爬山虎的折线变化较为明显，其中，紫藤自4月至5月的EVI值下降幅度较大，爬山虎自10月至11月的下降幅度较大。

3.4 光谱反射率均值滤波处理

各植被反射率经低通滤波变换后的光谱曲线见图10。曲线图中，柏树和紫藤两种植被的低通滤波反射率在各个波段均明显区别于其他各类植;在350 nm处，悬铃树的反射率最高;剩余植被光谱差异较小。

4 结论与讨论

4.1 结论

该文利用ASD FieldSpec便携式光谱辐射仪，于2020年10月1日至2020年11月8日，在中国矿业大学（北京）学院路校区教学区域内采集了20种典型植被的反射光谱数据，并通过对反射光谱基本特征以及相关植被指数进行分析，得到以下结论：

（1）2021年5月，可见光波段中，柏树的反射率最低，爬山虎的反射率超过0.2，玉簪的反射率较为接近0.2，剩余植被的反射率较为集中。近红外波段中，爬山虎反射率增值接近0.6，柏树的增值仅为0.1左右。紫叶李在可见光波段的波峰位置存在偏移，八宝和黄杨植被在近红外波段的波形幅度较大。

（2）植被的反射率普遍于夏季增加，秋冬季下降，光谱变化规律与植被物候规律较为一致，地毯草、山桃、葡萄和石榴自10月至11月的反射光谱值增加。不同植被的反射光谱增强时段存在差异，柏树和黄杨为5月～10月，紫叶李为6月～10月，地毯草为4月～11月。

（3）银杏、紫叶李、刚竹、木槿、忍冬、石榴和八宝植被的NDVI特征明显，黄杨和叉子圆柏在4月、5月以及11月的NDVI数值大小近似相同。悬铃树、槭树、刚竹、柏树、叉子圆柏、山桃、八宝以及爬山虎植被的EVI特征明显。

（4）柏树、紫藤和悬铃树三种植被的低通滤波反射特征较为明显，剩余植被变换光谱差异较小。

4.2 讨论

由于该文前期研究时期处于疫情封校阶段，因此存在研究区域有限以及缺乏对应参考光谱的相关问题，后续会进一步扩大研究区域及对象，完善研究数据，在建立校园内部自然植被的光谱数据库等方面进行继续深入的研究。

参考文献

[1] 李西灿，朱西存.高光谱遥感原理与方法[M].北京：化学工业出版社，2019.

[2] 童庆禧，张兵，立福.中国高光谱遥感的前沿进展[J].遥感学报，2016，20（5）：689-707.

[3] 曹帅强，李阳阳，张军.云南大学东陆园植被景观的光谱特征[J].衡阳师范学院学报，2018，39（3）：116-122.

[4] 杨可明.遥感原理与应用[M].徐州：中国矿业大学出版社，2016.

[5] 王延仓，章学深，李会民.基于实测高光谱数据的树种分类[J].北华航天工业学院学报，2021，31（3）：4-7，16.

[6] 杜振华.植物可见光与近红外反射光谱测量与分析[D].昆明：云南师范大学，2019.