宋仁飛，林 輝，臧 卓，嚴(yán)恩萍

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

東洞庭湖濕地植被高光譜數(shù)據(jù)變換及識(shí)別

宋仁飛，林 輝，臧 卓，嚴(yán)恩萍

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長沙 410004）

高光譜識(shí)別是采用大量比較窄的波段對(duì)目標(biāo)物進(jìn)行同時(shí)觀測，以實(shí)現(xiàn)對(duì)目標(biāo)物更好的觀測效果。以東洞庭湖為研究對(duì)象，對(duì)典型濕地植被苔草、蘆葦、蘆蒿、辣蓼和旱柳開展野外高光譜觀測的基礎(chǔ)上，開展數(shù)據(jù)變換和分類識(shí)別。在對(duì)數(shù)據(jù)進(jìn)行剔除、濾波和重采樣后，對(duì)高光譜數(shù)據(jù)進(jìn)行導(dǎo)數(shù)運(yùn)算、對(duì)數(shù)運(yùn)算、對(duì)數(shù)的導(dǎo)數(shù)運(yùn)算、歸一化運(yùn)算和歸一化后導(dǎo)數(shù)運(yùn)算，以突出植被的光譜特征差異。采用主成分分析方法，對(duì)高光譜數(shù)據(jù)進(jìn)行降維。并運(yùn)用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)、馬氏距離（Mahalanobis）分類法、貝葉斯（Bayes）分類法、費(fèi)希爾（Fisher）分類法、光譜角度制圖法（Spectral Angle Mapper，SAM）、支持向量機(jī)（Support Vector Machine，SVM）等6種方法開展?jié)竦刂脖蛔R(shí)別。結(jié)果表明：在多種數(shù)據(jù)變換方法中，LOG (N(R))變換效果最好，而濕地植被識(shí)別方法中，光譜角度制圖法的精度最高。

高光譜識(shí)別；濕地植被；光譜特征；東洞庭湖

濕地是生產(chǎn)力最高的特殊生態(tài)類型，兼具水生生態(tài)系統(tǒng)和陸地生態(tài)系統(tǒng)的特點(diǎn)。濕地被譽(yù)為“天然水庫”、“地球之腎”和“天然物種庫”，具有蓄洪防旱、保持水源、凈化水質(zhì)維護(hù)生物多樣性、調(diào)節(jié)氣候和美化環(huán)境等重要生態(tài)功能[1]。作為濕地生態(tài)系統(tǒng)變化的指示器，濕地植被是濕地生態(tài)系統(tǒng)的重要組成部分和監(jiān)測重點(diǎn)。近年來，濕地植被的生理生化特性[2]、去污染能力[3]，濕地植被的群落組成[4]及演變趨勢[5]等方面得到了廣泛的關(guān)注和重視。

高光譜遙感（Hyperspectral Remote Sensing）是指在電磁波譜的可見光、近紅外和熱紅外波段范圍內(nèi)，獲取許多非常窄的光譜連續(xù)的影像數(shù)據(jù)的技術(shù)[6]。由于常規(guī)遙感的波段較寬，波段不連續(xù)，不完全覆蓋可見光至紅外光的光譜范圍，無法滿足濕地植被類型間的識(shí)別要求。而高光譜遙感具有光譜分辨率高、波段連續(xù)，波段數(shù)多，光譜數(shù)據(jù)信息量大的特點(diǎn)[7]，為濕地植被類型的精細(xì)分類與識(shí)別提供了可能[8]。已有相關(guān)學(xué)者圍繞高光譜遙感開展了相關(guān)研究[9-10]，但因其數(shù)據(jù)量巨大，處理技術(shù)尚不成熟。本研究旨在尋找能夠識(shí)別東洞庭湖5種典型濕地植被的特征波段，為大尺度遙感影像分類提供可用參數(shù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為湖南東洞庭湖，位于長江中下游荊江江段南側(cè)，面積190 300 hm2。介于北緯28°59′～ 29°38′，東經(jīng) 112°43′～ 113°15′之間，地處湖南省東北部岳陽市境內(nèi)。東洞庭湖是洞庭湖湖系中最大的湖泊，年平均過湖水量達(dá)3 126 億m3。常年湖容量178億m3，水深4～22 m，最大水位落差為17.76 m，pH值6.8～8.6。它的地貌呈溝港縱橫的濕地景觀，土壤為湖沼土和河沼土。年平均氣溫為17℃，湖水年平均溫度17.5℃，總降水量1 200～1 330 mm，無霜期258～275 d。常見濕地植被有苔草、黑藻、浮萍、蘆葦?shù)取?/p>

1.2 數(shù)據(jù)采集

高光譜外業(yè)數(shù)據(jù)采集時(shí)間為2011年9月20日至2012年9月28日，地點(diǎn)在東洞庭湖。高光譜測定采用美國ASD(Analytical Spectral Device)公司的ASD FieldSpec Pro FRTM光譜儀，波段范圍350～2 500 nm，其中350～1 000 nm光譜分辨率為3 nm，1 000～2 500 nm光譜分辨率為10 nm，光譜采樣間隔分別為1.4 和 2.0 nm，數(shù)據(jù)輸出時(shí)重采樣間隔為1 nm。光譜測定一般選擇在光照條件良好的晴天，無云、無風(fēng)的時(shí)候進(jìn)行，測定時(shí)間為10:00～14:00，太陽高度角大于45°，陽光幾乎直射。高光譜數(shù)據(jù)采集時(shí)，探頭必須保持垂直向下。為使數(shù)據(jù)具有代表性，采集的樣點(diǎn)均勻分布于東洞庭湖。觀測的5種植被分別為：辣蓼、蘆葦、蘆蒿、苔草和旱柳，共測得有效數(shù)據(jù)200余條，各采集數(shù)據(jù)如表1所示。

1.3 數(shù)據(jù)預(yù)處理

采集數(shù)據(jù)導(dǎo)出后，剔除不可用數(shù)據(jù)，得到200條光譜數(shù)據(jù)，將其中150條作為訓(xùn)練數(shù)據(jù)，50條作為測試數(shù)據(jù)，相應(yīng)植被的光譜數(shù)據(jù)按比例選取，從每個(gè)樣點(diǎn)測得的30條數(shù)據(jù)選取2～3條，以保證數(shù)據(jù)具有代表性。

表1 研究選取的5種東洞庭湖典型濕地植被數(shù)據(jù)列表Table 1 Five kinds of the East Dongting typical wetland vegetation data list

由于本次測量數(shù)據(jù)時(shí)，受多種因素的影響，反射率在1 340 nm之后的數(shù)據(jù)噪聲較大，所以將光譜曲線1 340 nm波段以后的數(shù)據(jù)剔除，只保留350～1 340 nm之間的光譜數(shù)據(jù)。經(jīng)平滑去噪后得到光譜反射率見圖1和圖2。

圖1 平滑去噪前的反射率Fig.1 Ref l ectivity before smooth denoising

圖2 平滑去噪后的反射率Fig.2 Ref l ectivity after smooth denoising

由于光譜儀在350～1 000 nm光譜分辨率為3 nm，1 000～2 500 nm光譜分辨率為10 nm，而ViewSpecPro軟件導(dǎo)出的數(shù)據(jù)卻是1 nm間隔，因此為了減少數(shù)據(jù)量和隨機(jī)噪聲，將經(jīng)過平滑后的光譜數(shù)據(jù)重采樣成3 nm，重采樣后的數(shù)據(jù)不會(huì)影響光譜曲線的特征表達(dá)，同時(shí)降低了數(shù)據(jù)處理的維數(shù)[11]，如圖3。

1.4 高光譜數(shù)據(jù)變換

簡單處理的光譜用R=(r1，r2，…，rn)，n=331表示。相對(duì)于R的6種變換方法有：

（1） 對(duì)R的 一 階 微 分 變 換，為兩倍波段寬；

（2） 對(duì)R的 對(duì) 數(shù) 變 換，log(R)=[log(r1)，log(r2)，…，log(rn)]；

（3）對(duì)log(R)的一階微分變換，d(log(R))；

（4） 對(duì)R的 歸 一 化 變 換，N(R)=（論文使用各波段光譜之平均值，避免變換后的數(shù)值偏?。?/p>

圖3 重采樣后反射率數(shù)據(jù)Fig.3 Ref l ectivity after resample

（5）對(duì)N(R)的一階微分變換，d(N(R))。

（6）對(duì)N(R)的對(duì)數(shù)變換，log(N(R))；

通過對(duì)高光譜數(shù)據(jù)進(jìn)行上述6種變換，得到結(jié)果如圖4所示。

圖4 高光譜反射率數(shù)據(jù)經(jīng)6種數(shù)據(jù)變換產(chǎn)生的結(jié)果 （其中(a) d(R); (b) log(R); (c) d(log(R)); (d) N(R); (e) d(N(R)); (f) log(N(R))）Fig.4 The ref l ectivity of hyperspectral data for fi ve wetland vegetations by (a) d(R), (b) log(R), (c) d(log(R)), (d) N(R),(e) d(N(R)) and (f) log(N(R))

分析圖3和圖4可知，一階微分可以消除背景因素的影響；對(duì)數(shù)變化不僅可增強(qiáng)可見光區(qū)的光譜差異，而且有助于降低因光照變化所引起的乘性因素影響。然而要完全消除乘性因素的影響，僅對(duì)光譜進(jìn)行對(duì)數(shù)變換是不夠的，還需進(jìn)行微分處理。由圖4(c)和圖4(f)可知，對(duì)歸一化變換結(jié)果做微分處理能完全消除乘性因素的影響，取得與一階微分變換相似的效果。

2 結(jié)果與分析

2.1 基于主成分的特征信息提取

運(yùn)用特征提取的主成分，采用BP神經(jīng)網(wǎng)絡(luò)、馬氏距離法、貝葉斯、費(fèi)希爾、光譜角度制圖法和支持向量機(jī)6種判別方法對(duì)降維后的東洞庭湖的5種典型濕地植被類型（苔草，蘆蒿，蘆葦，旱柳和辣蓼）進(jìn)行識(shí)別。6種判別方法對(duì)5種植被類型的判別精度如表2所示。

表2 濕地植被識(shí)別的整體精度Table 2 The overall accuracy of wetland vegetation identification

表2可以看出，LOG (N(R))變換較其他幾種變換明顯提高了植被的判別精度。從識(shí)別方法來看，貝葉斯和光譜角度制圖法對(duì)濕地植被的識(shí)別精度較高。說明光譜角度制圖法是識(shí)別濕地植被的最佳方法。

2.2 典型濕地植被的分類

在運(yùn)用主成分降維的方法對(duì)數(shù)據(jù)進(jìn)行降維的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)、馬氏距離、貝葉斯、費(fèi)希爾、光譜角制圖法（SAM）和支持向量機(jī)（SVM）6種判別方法對(duì)東洞庭湖的5種典型濕地植被類型（辣蓼，蘆葦，蘆蒿，苔草和旱柳）進(jìn)行識(shí)別，結(jié)果如表3。

表3 6種方法對(duì)5種典型濕地植被的分類結(jié)果Table 3 Accuracy results of every wetland vegetation using six methods

表3列出了研究區(qū)典型植被經(jīng)4種效果較好 的 數(shù) 據(jù) 變 換（Y(R)，LOG(R)，N (R)，LOG(N(R))）后，采用6種識(shí)別方法開展植被分類的精度。分析可知，采用的6種分類方法中，SAM的分類精度最高，Bayes和SVM的識(shí)別精度次之；另外，6種數(shù)據(jù)變換方法中，LOG(N (R))數(shù)學(xué)變換后的效果均較好，說明LOG(N (R))數(shù)學(xué)變換是一種比較理想的變換方式。

3 結(jié)論與討論

研究通過東洞庭湖區(qū)的典型濕地植被（辣蓼，蘆葦，蘆蒿，苔草和旱柳）的野外高光譜數(shù)據(jù)觀測，并進(jìn)行數(shù)據(jù)變換和分析處理，主要結(jié)論如下：

（1）對(duì)原始反射率光譜進(jìn)行合適的數(shù)學(xué)變換，在一定程度上能提高識(shí)別精度。在眾多的光譜變換中，將原始反射率光譜進(jìn)行歸一化對(duì)數(shù)變換能取得較好的效果。

（2）運(yùn)用BP神經(jīng)網(wǎng)絡(luò)、馬氏距離、貝葉斯、費(fèi)希爾、光譜角度制圖法和支持向量機(jī)6種方法開展?jié)竦刂脖坏淖R(shí)別，光譜角度制圖法精度最高，Bayes和SVM的識(shí)別精度次之。

(3)高光譜數(shù)據(jù)量巨大，數(shù)據(jù)處理技術(shù)仍需要研究。對(duì)本研究所在的東洞庭湖來說，分類精度比較高，但是否適用于其它濕地植被的分類，還需要進(jìn)一步對(duì)比分析。

[1] 潮洛蒙,李小凌,俞孔堅(jiān).城市濕地的生態(tài)功能[J].城市問題,2003, (3): 9-12.

[2] 黃朝君. 人工濕地技術(shù)在中國水處理領(lǐng)域的應(yīng)用[J]. 江西科學(xué), 2006, 24(6): 513-516.

[3] 王國生, 鐘玉書, 田 敏, 等. 人工蘆葦濕地處理城市污水的研究[J]. 遼寧農(nóng)業(yè)科學(xué), 2006, 2: 5-8.

[4] 余 莉, 何隆華, 張 奇,等. 三峽工程蓄水運(yùn)行對(duì)鄱陽湖典型濕地植被的影響[J].地理研究, 2011,30(1): 134-144.

[5] 王 穎, 宮輝力, 趙文吉, 等. 北京野鴨湖濕地資源變化特征[J]. 地理學(xué)報(bào), 2005, 60(4): 656-664.

[6] 劉紅玉, 林振山, 王文卿. 濕地資源研究進(jìn)展與發(fā)展方向[J].自然資源學(xué)報(bào), 2009, 24(12): 2204-2212.

[7] 浦瑞良, 宮 鵬. 高光譜遙感及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2000: 2-8.

[8] 李建平, 張 柏, 張 泠, 等. 濕地遙感監(jiān)測研究現(xiàn)狀與展望[J]. 地理科學(xué)進(jìn)展, 2007, 26(1): 33-43.

[9] 東啟亮,林 輝,邱 琳,等.多源遙感數(shù)據(jù)融合方法在濕地分類中的適用性研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào), 2013,33(1):52-57.

[10] 劉秀英, 臧 卓, 孫 華, 等. 基于高光譜數(shù)據(jù)的杉木和馬尾松識(shí)別研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2011, 31(11): 30-33.

[11] Demetriades-Shah T H, Steven M D, Clark J A. High restlution derivative spectra in remote sensing[J]. Remote Sensing of Environment, 1990, 33(1): 55-64.

Hyper-spectral data transformation and identif i cation of wetland vegetation in east Dongting lake region

SONG Ren-fei, LIN Hui, ZANG Zhuo, YAN En-ping
(Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry & Technology, Changsha 410004, Hunan, China)

In order to get better observation effect of the target, the objective of hyper-spectral identif i cation is to simultaneous observe the target by using lots of narrow bands. By taking east Dongting lake area as the studied object, the fi eld observations of fi ve typical wetland vegetation such as moss grass, reeds, selengensis red-knees herb and willow were conducted with method of hyper-spectral remote sensing, then, the measured data were transformed, classified and identified. After culling, filtering and re-sampling of the data, the hyper-spectral data obtained were treated with six kinds transformation operations (includingd(R)(b), log(R), d(log(R)),N(R),d(N(R)) and log(N(R)) in order to highlight the differences of spectral characteristics for various wetland vegetation. By using principal component analysis method, the dimensionality reduction of hyper-spectral data was carried out. Then six classification methods including back propagation, mahalanobis, bayes, fi sher, spectral angle mapper (SAM) and support vector machine (SVM) were employed to identify different wetland vegetation based on the principal component analysis. The results show that for the methods of data transformation, log (N(R)) had the best effect; while for the methods of vegetation identif i cation, SAM had the highest accuracy.

hyper-spectral remote sensing; hyper-spectral data transformation and identification; wetland vegetation; spectral characteristics; east Dongting lake region

S771.8

A

1673-923X(2014)11-0135-05

2014-01-12

國家自然科學(xué)基金資助項(xiàng)目（31370639）；湖南省高校產(chǎn)業(yè)化培育項(xiàng)目(13CY011)資助

宋仁飛（1991-），男，江蘇宿遷人，碩士研究生，主要從事林業(yè)遙感和地理信息系統(tǒng)研究

林 輝（1965-），女，湖北黃岡人，教授，博士，博士生導(dǎo)師，主要從事森林經(jīng)理學(xué)、遙感技術(shù)與地理信息系統(tǒng)的教學(xué)和科研工作

[本文編校：吳 毅]