一、引言

經濟林是我國森林資源的重要組成部分，具有生態、經濟和社會效益，開展經濟林調査工作，對于掌握經濟林資源現狀、提高林業整體發展水平等具有重要意義。高光譜遙感技術在樹種分類識別的應用彌補了多光譜樹種識別精度低、分類類型單一等問題。目前，利用高光譜遙感對生態林樹種識別研究得到了快速發展，建立了針對杉木、白樺、山楊、落葉松等多種樹種的分類方法。開展基于高光譜遙感的山區經濟林樹種識別研究既豐富高光譜在樹種分類識別上的應用，也對監測山區經濟林資源具有重要意義。

二、研究方法與材料

2.1 研究區概況

研究區位于河北省保定市滿城區龍門山莊現代農業園區，地理坐標范圍為Ｅ１１５°２６′～１１５°２７′，Ｎ３９°０９′～３９°１０′，海拔約為１１０～３４０ｍ，坡度平緩，土壤肥沃，是典型的石灰巖土壤。該地區氣候屬暖溫帶半濕潤半干旱大陸性季風氣候，四季分明，光照充足，雨熱同期。年平均氣溫１２．９℃，日照２４１２．７ｈ，無霜期１９０ｄ，平均降水量約５４６．５ｍｍ。栽植生態林２８萬余株，種植經濟林１３４ｈｍ２，主要栽種的經濟林樹種：蘋果、杏、柿、櫻桃、核桃。

2.2數據獲取與預處理

使用無人機搭載光譜儀以推掃式獲取光譜數據，飛行高度２００ｍ。冠層光譜數據采集時間為２０２１年８月１４日至１６日，測量時間選在北京時間中午１１：００至１４：００，測量光源為太陽光。采集光譜時需要天氣狀況保持晴朗無云、無風，采集人員需穿著深色衣服以減少對測量結果的影響。測量冠層高光譜反射率前，需要使用標準白板進行校正。測量時，將光譜儀傳感器探頭垂直向下正對待測樹種冠層，高度保持在１ｍ左右。采集人員面向光源，盡量在短時間內完成１組數據的測量。由于太陽入射角隨時間變化會發生改變，每間隔１０ｍｉｎ需再次進行白板校正，以保證測量結果的準確性。進行光譜采集的同時，需要記錄采樣點的位置信息。冠層光譜數據采集時，每個樹種選取長勢具有代表性的１０棵，每棵樹采集１０條數據，即各樹種分別采集１００個光譜數據，最終取平均值作為該樹種的冠層光譜反射率。葉片光譜數據采集時間同樣為２０２１年８月１４日至１６日，測量時間為中午１１：００至１４：００，太陽光為光源。采集數據時保證天氣晴朗無云、無風。使用儀器自帶的葉片夾進行光譜數據的采集，首先進行白板校正，在校正完畢后，開始葉片光譜的測量。葉片光譜數據采集時，每個樹種選取長勢具有代表性的１０棵，每棵樹上選擇１０個葉片，即各樹種分別采集１００個葉片光譜數據，最后通過計算得到的平均值作為該樹種的葉片光譜反射率。同時開展研究區樹種實地調查，通過ＧＰＳ定位，記錄不同樹種的分布情況，為分類時訓練樣本和驗證樣本的選取提供參考。選取蘋果、杏、柿、櫻桃、核桃以及生態林洋槐（對照）為研究對象。

2.3研究方法

2.3.1 特征波段篩選

原始高光譜數據波段數較多，數據量過大，直接用來進行分類會導致運行速度慢、精度低等問題。為了使高光譜數據維度降低、減少計算的復雜程度，需要對其進行數據壓縮、找出不敏感的波段并剔除，選出能夠保留原始高光譜數據主要特征的最佳波段組合。連續投影算法（ＳＰＡ）是一種有效的波段提取方法，可以有效消除波長變量之間的共線影響、減少復雜程度，能夠消除光譜矩陣之間的冗余信息，被廣泛應用于信號處理、光譜計量學等領域。ＳＰＡ是一種前向迭代選擇方法，其基本原理是任選一個波長計算它在未選入波長上的投影，將投影向量最大的波長加入波長鏈中，循環Ｎ次，每個被選入的波長都與前１個被選入波長的線性關系最小。

本研究中連續投影算法在軟件中實現，波段選取的評價指標為均方根誤差（ＲＭＳＥ），是觀測值和真值偏差的平方和與觀測次數比值的平方根，用于衡量觀測值與真值之間的偏差。

2.3.2植被指數特征

植被指數主要通過特定波段組合，可以增強某一特定植被信息，減少太陽輻射和土壤背景值的影響，放大不同植被間的差異。本試驗選取了常用于樹種分類的１１個植被指數，分別為歸一化植被指數（ＮＤＶＩ）、綠色歸一化植被指數（ＧＮＤＶＩ）、光學植被指數（ＰＲＩ）、簡單色素比值指數（ＳＲＰＩ）、簡單比值指數（ＳＲ）、Ｖｏｇｅｌｍａｎｎ紅邊指數１（ＶＯＧ１）、綠波段指數（ＧＲＶＩ）、歸一化脫鎂作用指數（ＮＰＱＩ）、類胡蘿卜素反射指數１（ＣＲＩ１）、類胡蘿卜素反射指數２（ＣＲＩ２）、增強植被指數（ＥＶＩ）。

2.3.3紋理特征

處理高光譜數據時在分析地物連續光譜信息的基礎上也要考慮地物空間信息?；叶裙采仃嚕ǎ牵蹋茫停┦且环N通過研究灰度的空間相關特性來描述紋理特征的常用方法，可以有效表達高光譜影像的空間特征。

本研究對遙感影像進行主成分分析處理，提取包含信息量最大的第一主成分，對其進行灰度共生矩陣計算，選用二階概率統計濾波提取紋理特征。濾波窗口設置為７×７，灰度量化級別為６４，紋理特征共包含８項，分別為均值、方差、協同性、對比度、相異性、信息熵、二階矩和相關性。

2.3.4分類方法與精度評價

分別構建基于特征波段、植被指數、特征波段與植被指數組合、特征波段與紋理特征組合、植被指數與紋理特征組合、３種特征組合，共６種分類特征，結合最大似然法、隨機森林和支持向量機法進行分類，并對結果進行精度驗證。

三、結果與分析

3.1光譜特征分析

3.1.1原始光譜特征分析

各個樹種冠層原始光譜曲線，見圖１

圖１ ６種樹種冠層原始光譜曲線

由圖１可知，６種樹種的光譜曲線走勢大致相同，具有典型綠色植被的光譜特征。由于葉綠素在４００～７６０ｎｍ范圍內對紅光和藍光具有吸收作用、對綠光產生較強的反射作用，因此綠色植被在此區域具有“２谷１峰”的明顯變化特征。第１個吸收谷出現在４９０ｎｍ附近，在４００～５００ｎｍ之間，反射率較低且變化平緩，６種樹種的反射率值均在０．０５以下。當波長逐漸增大到５５０ｎｍ附近時，出現第１個反射峰，這是由于該區域是葉綠素的強反射帶，因此形成明顯凸起的反射綠峰，６種樹種的反射率值均在０．０４～０．０６左右。此后反射率開始下降，在６７０ｎｍ附近出現第２個吸收谷，即“紅谷”，這是因為葉綠素在這一區域具有較強的吸收作用，６種樹種的反射率值均在０．０２～０．０４之間。在“２谷１峰”的波長范圍內，櫻桃、洋槐、核桃和蘋果的光譜反射率整體上高于杏樹和柿，能夠較好的與杏樹、柿區分開來。在６７０～７５０ｎｍ之間，光譜反射率急劇上升曲線斜率迅速增大，出現明顯的反射陡坡，即“紅邊效應”。在７５０～９６０ｎｍ范圍內，出現了６種樹種的第２個反射峰，反射率值在０．２５～０．４０之間，明顯高于第１個反射峰，其中柿和洋槐的反射率高于其他４種樹種，各樹種的光譜反射率之間存在一定差異性。

3.1.2連續統去除光譜特征分析

從無人機高光譜影像中獲取的６種樹種原始光譜反射率經過連續統去除變換后得到如圖２所示的曲線。

圖２６種樹種冠層連續統去除光譜曲線

由圖２可知，６種樹種的連續統去除光譜曲線整體形狀大致相同，在４００～４２０ｎｍ和６９０～１０００ｎｍ波長范圍內的光譜曲線相似度較高。在４００～６７０ｎｍ之間，６條曲線均出現了“２谷１峰”的明顯特征。在４２５～５２５ｎｍ和５７５～６９０ｎｍ范圍內存在２個吸收谷，此時６種樹種的反射率值由高到低依次為：核桃、櫻桃、蘋果、杏樹、洋槐、柿。當波長為５５０ｎｍ左右時，６種樹種光譜反射曲線出現反射峰，此處核桃的光譜反射率值最大，柿的光譜反射率值最小。在５２５～５７５ｎｍ之間，各條光譜曲線對應反射率值由大到小依次為：核桃、櫻桃、蘋果、洋槐、杏樹、柿，除核桃和櫻桃外，其他樹種光譜反射率存在差異。在６７０～７５０ｎｍ波長范圍內，各個樹種的連續統去除光譜曲線呈現快速上升的趨勢，且反射率達到最大值，均保持在１左右，此范圍內各條曲線之間差異不明顯。在７５０～１０００ｎｍ之間，６條曲線基本保持同一形狀，其中在８００～８２５ｎｍ和９１５～１０００ｎｍ出現先下降后升高趨勢，但差異不明顯。

3.2光譜特征波段篩選和植被指數特征構建

以６種樹種無人機冠層光譜數據為研究對象，在數據處理軟件中應用連續投影算法（ＳＰＡ）對其進行特征波段篩選。在應用ＳＰＡ進行特征波段篩選時，需根據均方根誤差（ＲＭＳＥ）的大小選出相對較優的特征波段。使用ＳＰＡ預處理后的１７６個波段進行特征波段選擇。共選取出１０個特征波段，如表１所示

表１ ＳＰＡ篩選特征波段及對應波長值

由表１可知，篩選出的１０個特征波段屬于不同的光譜區域，其中波長分別為４２３．８、５４７．８、６７３．０、７００．６、７３２．０、７７０．６ｎｍ的６個特征波段位于可見光區域，波長分別為８６３．５、９１８．０、９５４．８、９６９．６ｎｍ的４個特征波段位于近紅外區域。

可見，光區域的６個特征波段波長具有一定差異，近紅外區域的４個特征波段波長較為均衡，不同特征波段之間相互獨立，互不影響，這些篩選出來的特征波段既保留了原始高光譜數據的主要特征，又對樹種識別具有較高的敏感度，屬于ＳＰＡ預處理后的１７６個波段中的優質波段，能夠用于后續的樹種識別研究。對不同樹種篩選出１１個植被指數進行歸一化處理，并基于ＣＡＲＴ決策樹對每個植被指數進行重要性評分，最終選?。穫€得分較高的植被指數，如表２所示。

表２ 植被指數重要性評分

由表２可知，在１１個植被指數中得分大于０．０５的７個植被指數特征分別為：簡單比值指數（ＳＲ）、類胡蘿卜素反射指數２（ＣＲＩ２）、綠波段指數（ＧＲＶＩ）、歸一化脫鎂作用指數（ＮＰＱＩ）、Ｖｏ－ｇｅｌｍａｎｎ紅邊指數１（ＶＯＧ１）、歸一化植被指數（ＮＤＶＩ）、簡單色素比值指數（ＳＲＰＩ），以上７個植被指數共同構建的植被指數特征在對研究區６種樹種的識別過程中能夠表現出更好的可分性，可以用于研究區６種樹種的識別。

3.3光譜特征波段篩選和植被指數特征構建

濾波窗口設置為７×７，灰度量化級別為６４，紋理特征相關計算公式見表３。

表３ 紋理特征計算公式

由表３可知，紋理特征參數共包含８項，分別為均值、方差、協同性、對比度、相異性、信息熵、二階矩和相關性。通過８種紋理特征計算公式，可以獲取到圖像中不同區域的紋理信息，這些紋理特征可以用于圖像分類、目標識別、圖像檢索等應用，通過對紋理特征的提取和分析，可以更好地理解圖像內容和結構，從而實現對圖像的自動分析和理解。

將表３與高光譜數據進行結合。高光譜數據既包括地物的連續光譜信息，還具有豐富的地物空間分布信息，只考慮光譜特征部分的信息，不能很好地對高光譜圖像進行分析。紋理特征是由影像特征值組成，可以在一定程度上改善高光譜圖像的分類效果。灰度共生矩陣（ＧＬＣＭ）是一種通過研究灰度的空間相關特性來描述紋理特征的常用方法，可以有效地表達高光譜影像的空間特征。本研究在圖像處理軟件中對高光譜遙感影像進行主成分分析處理，提取包含信息量最大的第一主成分，對其進行灰度共生矩陣計算，選用二階概率統計濾波提取紋理特征。

續~

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇