閆曉勇　王振錫　岳俊

摘 要：本研究通過對(duì)南疆盆地主栽5種果樹（蘋果、香梨、核桃、紅棗、杏）的冠層光譜數(shù)據(jù)進(jìn)行特征參量的選取，旨在提高林果樹種的樹種分類精度并篩選出用于這5種樹種的冠層光譜樹種識(shí)別的有效特征參量，從而為完善高光譜果樹樹種識(shí)別研究中大量數(shù)據(jù)處理的方法提供參考依據(jù)。試驗(yàn)采用美國PP Systems公司生產(chǎn)的UniSpec-SC（單通道）便攜式光譜分析儀對(duì)不同樹種的冠層進(jìn)行光譜測量，利用逐步判別分析法對(duì)高光譜數(shù)據(jù)進(jìn)行樹種識(shí)別與有效特征參量的選擇。結(jié)果表明，采用特征參量進(jìn)行樹種識(shí)別的總分類精度可達(dá)到86.67%，明顯高于全波段參與下的72.00%。逐步判別分析法入選的有效特征參量為藍(lán)邊面積、藍(lán)邊斜率、黃邊面積、近紅外平臺(tái)、紅邊面積、藍(lán)邊位置、黃邊位置、紅邊位置。

關(guān)鍵詞：高光譜；冠層光譜反射率；逐步判別分析；特征參量選取

中圖分類號(hào)： S127 文獻(xiàn)標(biāo)識(shí)碼：A DOI 編碼：10.3969/j.issn.1006-6500.2014.09.007

Abstract： The canopy spectral data characteristic parameters of 5 fruit tree species （apple， pear trees， walnut， red dates， apricots） planted in the southern Xinjiang basin were selected， the object was to improve the classification accuracy of fruit tree species and screened for canopy species identification of the 5 species of the characteristic parameters， so as to provide reference for the high spectrum fruit tree identification data processing methods. The UniSpec-SC （Dan Tongdao） canopy portable spectrum analyzer produced by USA PP Systems were used for different species of spectral measurement， using stepwise discriminate analysis method for species identification and effective characteristic parameters on hyper spectral data selection after the discovery. The results showed that the characteristic parameters of total classification accuracy of species recognition was 86.67%， and significantly higher than that 72% of the total band. The effective characteristic parameters selected for stepwise discriminate analysis method were the blue edge area， blue edge slope， yellow edge area， near infrared platform， red edge area， blue edge position， yellow edge position， red edge position.

Key words： high spectrum； canopy spectral reflectance； stepwise discriminant analysis； feature band selection

高光譜遙感在為樹種的精細(xì)識(shí)別帶來可能性的同時(shí)，也帶來了數(shù)據(jù)冗余的問題。如何有效地利用高光譜數(shù)據(jù)的最大信息，同時(shí)又能較快地處理高光譜數(shù)據(jù)成為高光譜遙感研究的熱點(diǎn)和未來的發(fā)展方向[1-3]。在新疆林果產(chǎn)業(yè)化的進(jìn)程中，特色林果產(chǎn)業(yè)的信息化建設(shè)明顯滯后，傳統(tǒng)調(diào)查方式以多光譜遙感和地面輔助調(diào)查為主，這不僅費(fèi)時(shí)、耗力，且周期較長，而快速、準(zhǔn)確掌握特色林果資源布局、規(guī)模等基本信息已經(jīng)成為新疆特色林果產(chǎn)業(yè)快速健康發(fā)展的迫切需求，林果樹種的遙感識(shí)別就是這一工作的核心內(nèi)容。因此，林果樹種的遙感識(shí)別在特色林果產(chǎn)業(yè)的可持續(xù)經(jīng)營中具有重要的現(xiàn)實(shí)意義[4-6]。

綠色植被的光譜曲線雖然在整體趨勢上具有相似性，但是不同植被類型甚至不同個(gè)體間的光譜都會(huì)存在一些細(xì)微差異，這些差異性往往集中表現(xiàn)在植被光譜曲線的一些特征位置點(diǎn)和特征參量上。在可見光范圍內(nèi)，常用的特征位置點(diǎn)主要包括“藍(lán)邊”、“黃邊”、“紅邊”、“綠峰”、“紅谷”和 “近紅外平臺(tái)”等[7-10]，根據(jù)這些特征位置點(diǎn)還能夠延伸出藍(lán)邊斜率、黃邊斜率、紅邊斜率、包絡(luò)線斜率、藍(lán)邊面積、黃邊面積、紅邊面積和紅谷凈深度等特征參量[11]。不同植被在這些特征波段范圍的光譜反射率差異較大，它們不僅能反映出植被健康狀況的變化特征[12]，同時(shí)還能作為植被識(shí)別的主要特征波段[13]。有研究表明，在雪松、樟樹、側(cè)柏等主要城市綠化樹種的識(shí)別過程中，采用特征參數(shù)的選擇，經(jīng)距離判別分析后樹種的識(shí)別精度均可以達(dá)到95.00%以上[14]。而在樟樹、馬尾松、荷花玉蘭的識(shí)別中，采用特征參數(shù)的選擇，神經(jīng)網(wǎng)絡(luò)判別樹種識(shí)別總精度也可達(dá)到93.33%[13]。

可見，在樹種識(shí)別過程中，有效特征位置點(diǎn)的選擇能夠在很大程度上提高樹種識(shí)別精度。然而關(guān)于林果樹種的遙感識(shí)別的文獻(xiàn)并不常見，本研究以5種果樹不同的特征位置參量為數(shù)據(jù)源，利用逐步判別分析進(jìn)行樹種分類識(shí)別并選擇最敏感的樹種識(shí)別特征參量。

1 材料和方法

1.1 材 料

試驗(yàn)于2012年7月在新疆阿克蘇市紅旗坡農(nóng)場新疆農(nóng)業(yè)大學(xué)教學(xué)科研實(shí)習(xí)基地（地理坐標(biāo)N41°17′56.42″～N41°18′56.16″、E80°20′23″～E80°20′56.16″，海拔1 215 m）進(jìn)行。試驗(yàn)對(duì)象為南疆塔里木盆地5種主栽果樹樹種：紅富士蘋果（Malus pumila Mill）、庫爾勒香梨（Pyru-bretschneideri Rehd）、核桃（Juglans regia Linn）、紅棗（Ziziphus zizyphus Mill）和杏（Armeniaca vulgaris Lam）。試驗(yàn)區(qū)果樹為東西行向栽植。

1.2 樣株選擇

樣本選擇均為結(jié)構(gòu)良好的冠型，蘋果、核桃、杏為中冠型，香梨、紅棗為小冠型。選擇的樣本均掛果較多，蘋果、核桃處于著色期、香梨處于彭大期、紅棗處于開花坐果期、杏處于成熟期。共選擇總樣本209株?；旧L狀況如表1所示。

1.3 光譜數(shù)據(jù)采集

試驗(yàn)時(shí)間選擇在南疆果樹生長最為旺盛的7月，在晴朗無風(fēng)的天氣條件下，選擇正午太陽高度角變化不大的時(shí)間段（北京時(shí)間12：00—16：00）進(jìn)行5種果樹冠層光譜反射率數(shù)據(jù)測量。光譜測定儀器為美國PP Systems公司生產(chǎn)的UniSpec-SC（單通道）便攜式光譜分析儀，該型號(hào)光譜儀可以在可見光＼近紅外310～1 130 nm波長范圍內(nèi)進(jìn)行連續(xù)測量，光譜分辨率為1 nm，最大視場角為20°。測量時(shí)，光譜儀探頭垂直向下，與冠幅距離約1.5 m左右并且根據(jù)所選樣本冠幅大小調(diào)整探頭與冠幅的距離，對(duì)冠層行測量。每個(gè)樣株重復(fù)測量5次。為保證數(shù)據(jù)的準(zhǔn)確性，每測一個(gè)單個(gè)樣本進(jìn)行一次參考板矯正。在去除異常光譜曲線后每個(gè)樹種均保留30個(gè)樣本供研究。

1.4 特征參量定義

光譜曲線由于植被色素以及自身原因的會(huì)產(chǎn)生一定的峰谷值。由于植被的色素、微量元素的含量以及葉面結(jié)構(gòu)的不同都會(huì)導(dǎo)致不同的植被出現(xiàn)走勢類似，但依然有差別的光譜曲線，而這些光譜曲線都較明顯地出現(xiàn)在這些峰谷值上，這些具有代表性的波段處就形成了一些常用的特征位置點(diǎn)。因此，本研究擬采用這些特征位置點(diǎn)做樹種識(shí)別。在所選波段范圍內(nèi)，常用的特征位置點(diǎn)分別為“藍(lán)邊”、“黃邊”、“紅邊”、“綠峰”、“紅谷”、“近紅外平臺(tái)”等6個(gè)特征位置點(diǎn)（表2）。

2 結(jié)果與分析

2.1 果樹冠層光譜原始全波段數(shù)據(jù)光譜特征及精度分析

2.1.1 原始全段數(shù)據(jù)的光譜曲線特征 在去除光譜數(shù)據(jù)中受首尾噪聲影響的波段后，繪制南疆5種果樹冠層光譜曲線圖（圖1）。從圖1可以看出，5種果樹冠層光譜走勢整體上非常相似，但是在525～575 nm、675～720 nm以及750～850 nm這3個(gè)波段范圍內(nèi)曲線分離度較大，表現(xiàn)出了明顯的差異性。特別是在550 nm、680 nm這2個(gè)波段處5種果樹反射率差異極顯著（P<0.01），而在800 nm處5種果樹反射率差異顯著（P<0.05），從而說明本研究的5種果樹是可識(shí)別的。

2.1.2 原始全段數(shù)據(jù)的樹種分類結(jié)果 采用逐步判別分析法進(jìn)行5種果樹樹種的高光譜識(shí)別研究，從冠層光譜反射率數(shù)據(jù)的樹種識(shí)別結(jié)果（表3）中可以看出，樹種的總識(shí)別精度為72.00%，可分性較好的樹種為香梨，分類精度可達(dá)93.33%，其他4種果樹的分類效果相對(duì)較差，特別是蘋果識(shí)別精度僅有60.00%，大部分錯(cuò)分為了杏和紅棗。

2.2 特征位置點(diǎn)選取與樹種識(shí)別精度評(píng)價(jià)

2.2.1 特征位置點(diǎn)選取結(jié)果 分別對(duì)5種果樹樹種（蘋果、香梨、核桃、紅棗和杏）的30個(gè)樣本分別取均值，得到相應(yīng)樹種的均值光譜曲線，分別計(jì)算出5種果樹樹種的冠層光譜的藍(lán)邊位置、黃邊位置、紅邊位置、綠峰位置、紅谷和近紅外平臺(tái)6個(gè)特征位置點(diǎn)（表4和圖2）。同時(shí)，根據(jù)已選特征位置點(diǎn)計(jì)算8個(gè)特征參量：藍(lán)邊斜率（DA）、黃邊斜率（DE）、紅邊斜率（FE）、包絡(luò)線斜率（DF）、藍(lán)邊面積（SA）、黃邊面積（SB）、紅邊面積（SC）和紅谷凈深度（HE）。

在450～900 nm波長范圍內(nèi)選擇的6個(gè)特征位置點(diǎn)“藍(lán)邊”、“黃邊”、“紅邊”、“綠峰”、“紅谷”、“近紅外平臺(tái)”分別用A、B、C、D、E、F字母表示。本研究的5種果樹冠層均值光譜曲線上的6個(gè)特征位置點(diǎn)分布非常集中，其“藍(lán)邊”、“黃邊”、“紅邊”、“綠峰”、“紅谷”和“近紅外平臺(tái)”6個(gè)特征位置點(diǎn)分別集中在524，598，724，553，676 ，753 nm附近。特征參量中藍(lán)邊斜率（DA）、黃邊斜率（DE）、紅邊斜率（FE）和包絡(luò)線斜率（DF）反映了524～553 nm、553～676 nm、676～753 nm和553～753 nm這4個(gè)波段范圍的光譜曲線特征。而藍(lán)邊面積（SA）、黃邊面積（SB）、紅邊面積（SC）和紅谷凈深度（HE）4個(gè)特征參數(shù)反映了490～530 nm、560～640 nm、680～760 nm以及553～753 nm這4個(gè)波段范圍內(nèi)的光譜曲線特征。由此可見，選擇的6個(gè)特征位置點(diǎn)和8個(gè)特征位置參量在光譜序列上的特定位置基本能夠表征出可見光至近紅外波段的植被光譜特征（表4和圖2）。

2.2.2 基于不同特征參數(shù)的果樹冠層光譜分類及精度分析 為檢驗(yàn)上述6個(gè)特征位置點(diǎn)和8個(gè)特征參量的樹種識(shí)別效果，經(jīng)逐步判別分析后分類結(jié)果如下（表5）。

從樹種識(shí)別結(jié)果來看，與全波段數(shù)據(jù)的分類結(jié)果相比，經(jīng)過特征位置點(diǎn)和特征參量的提取后，樹種的總分類精度由全波段數(shù)據(jù)的72.00%提高到了86.67%。核桃的分類精度最高為96.00%，較原始數(shù)據(jù)有了明顯的提高，錯(cuò)分幾率僅為3.33%，30個(gè)核桃樣本中僅有3.33%錯(cuò)分為蘋果；香梨和紅棗的識(shí)別精度也相對(duì)較高，均為90.00%，錯(cuò)分幾率為10.00%，香梨較原始波段的識(shí)別精度均有一定的下降，但是紅棗卻較原始數(shù)據(jù)的分類精度提高了16.67%；蘋果的分類精度有了大幅度的提高由原來的60.00%提高到了86.67%，錯(cuò)分幾率為13.33%，與杏和紅棗發(fā)生了很大程度的混淆；杏的分類精度最低為70.00%，錯(cuò)分幾率最大，為30.00%，大部分錯(cuò)分為蘋果，并且與香梨發(fā)生了一定程度的混淆現(xiàn)象。由此說明，采用基于果樹冠層光譜特征位置點(diǎn)和特征參量進(jìn)行果樹樹種識(shí)別時(shí)，5種果樹中核桃、香梨、紅棗和蘋果識(shí)別精度相對(duì)較高，而杏的識(shí)別精度相對(duì)較低。

2.2.3 樹種識(shí)別的有效特征位置點(diǎn)及特征參量提取 參與樹種識(shí)別的14特征參量經(jīng)逐步判別分析后僅保留了8個(gè)，包括4個(gè)特征位置點(diǎn)和4個(gè)特征參量。從他們所處的光譜波段來看，藍(lán)邊位置、黃邊位置、紅邊位置和近紅外平臺(tái)分別位于524，598，724，753 nm波段；而藍(lán)邊面積、藍(lán)邊斜率、黃邊面積和紅邊面積分別位于490～530 nm、524～553 nm、560～640 nm和680～760 nm波段范圍內(nèi)，這些特征位置點(diǎn)和特征參量的波段分布范圍基本涵蓋了整個(gè)可見光和近紅外波段，且依樹種不同表現(xiàn)出較大差異，而這些差異可能是由于各樹種葉片色素含量、葉片形狀、大小、冠型等特征的差異所致。因此，可以認(rèn)為這4個(gè)特征位置點(diǎn)和4個(gè)特征參量是進(jìn)行5種果樹樹種分類的重要敏感波段區(qū)間（表6）。

3 討 論

根據(jù)光譜特征選擇的特征位置點(diǎn)具有穩(wěn)定性，或者是在一定范圍之內(nèi)的[11]。本研究根據(jù)光譜特征選取了6個(gè)特征位置點(diǎn)，分別為藍(lán)邊位置、黃邊位置、紅邊位置、綠峰位置、紅谷位置以及近紅外平臺(tái)。有研究曾提出一種針對(duì)植被光譜維特征的提取模型，主要提取了8個(gè)特征位置點(diǎn)，認(rèn)為這8個(gè)特征位置點(diǎn)十分恒定，分別為藍(lán)紫波段吸收峰、藍(lán)邊位置、綠峰位置、黃邊位置、紅谷位置、近紅外平臺(tái)和近紅外反射率最大點(diǎn)，對(duì)應(yīng)波段分別為404，525，556，573，671，723，758，900 nm。本研究選取的6個(gè)特征位置點(diǎn)均位于這些特征位置點(diǎn)的附近[11]。

在特征位置點(diǎn)和特征參量參與下能夠在很大程度上提高樹種識(shí)別的精度，本研究選取了14個(gè)特征位置點(diǎn)與特征參量，篩選出對(duì)果樹樹種識(shí)別敏感的8個(gè)參量（藍(lán)邊位置、黃邊位置、紅邊位置、近紅外平臺(tái)、藍(lán)邊面積、藍(lán)邊斜率、黃邊面積和紅邊面積），樹種識(shí)別總精度為86.67%，明顯高與全波段參與的樹種分類的總精度72.00%。李永亮等運(yùn)用神經(jīng)網(wǎng)絡(luò)分類法對(duì)樟樹、馬尾松、荷花玉蘭3種樹種進(jìn)行了識(shí)別研究，在波段選擇時(shí)選用了“紅邊”、“紅谷”和“紅谷位置”3個(gè)特征位置點(diǎn)以及黃邊面積、紅谷面積、紅邊面積和紅邊寬度4個(gè)特征參量。結(jié)果表明，運(yùn)用這些特征位置點(diǎn)和特征參量可以識(shí)別出了全部的馬尾松成熟林與樟樹幼樹，總識(shí)別精度可達(dá)93.33%[13]。何詩靜等[14-15] 在做城市樹種識(shí)別時(shí)，選取了藍(lán)紫波段吸收峰、藍(lán)邊位置、綠峰位置、黃邊位置、紅谷位置、近紅外平臺(tái)這7個(gè)特征位置點(diǎn)，作為樹種識(shí)別的主要波段，取得了95.00%以上的分類精度。這說明特征位置點(diǎn)與特征參量組合可以在很大程度上提高樹種識(shí)別的精度。但由于植被類型差異，所選的特征位置點(diǎn)和特征參量類型及數(shù)量也會(huì)有所不同。

4 結(jié) 論

（1）特征參數(shù)的選取能夠在很大程度上提高樹種識(shí)別的精度，本研究選取了14個(gè)特征位置點(diǎn)與特征參量，篩選出對(duì)果樹樹種識(shí)別敏感的8個(gè)參量（藍(lán)邊位置、黃邊位置、紅邊位置、近紅外平臺(tái)、藍(lán)邊面積、藍(lán)邊斜率、黃邊面積和紅邊面積），樹種識(shí)別總精度為86.67%，明顯高與全波段參與的樹種分類的總精度72.00%。

（2）在基于特征參數(shù)光譜數(shù)據(jù)的南疆盆地主栽5種果樹樹種識(shí)別研究中，藍(lán)邊位置、黃邊位置、紅邊位置和近紅外平臺(tái)4個(gè)特征位置點(diǎn)以及藍(lán)邊面積、藍(lán)邊斜率、黃邊面積、紅邊面積4個(gè)特征參量是樹種分類的重要敏感波段區(qū)間。從他們所處的光譜波段來看，藍(lán)邊位置、黃邊位置、紅邊位置和近紅外平臺(tái)分別位于524，598，724，753 nm波段；而藍(lán)邊面積、藍(lán)邊斜率、黃邊面積和紅邊面積分別位于490～530 nm、524～553 nm、560～640 nm和680～760 nm波段范圍內(nèi)。

參考文獻(xiàn)：

[1] 陳述澎，童慶喜，郭華東，等.遙感信息機(jī)理研究[M].北京：科學(xué)出版社，1998：139.

[2] 王志輝.高光譜遙感在森林樹種識(shí)別中的應(yīng)用[D].杭州：浙江農(nóng)林大學(xué)，2011.

[3] 褚希鵬.基于葉片非成像高光譜數(shù)據(jù)樹種分類[D].浙江：浙江農(nóng)林大學(xué)，2012.

[4] 陳國芳，尼和邁提·霍嘉.新疆林果業(yè)產(chǎn)業(yè)化發(fā)展的對(duì)策建議[J] .新疆農(nóng)業(yè)科學(xué)，2005，42（S1）：211-212.

[5] 李金葉， 袁強(qiáng)， 蔣慧.基于區(qū)域適應(yīng)性的特色林果業(yè)發(fā)展探討[J] .新疆農(nóng)業(yè)科學(xué)，2010，47（4）：741-749.

[6] 孫蘭鳳.可持續(xù)視角下的新疆特色林果業(yè)發(fā)展研究[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2009.

[7] 尹小君.新疆加工番茄主要病蟲害遙感監(jiān)測方法與應(yīng)用[M].北京：中國農(nóng)業(yè)大學(xué)出版社，2013.

[8] Curran P J，Windham W R，Gholz H L.Exploring the relationship between reflectance red edge and chlorophyll content in slash pine leaves[J].Tree Physiology，1995，15（2）：203-206.

[9] Gitelson A A，Merzlyak M N. Spectral reflectance changes associate with autumn senescence of Aesculus hippocastanum L. and Acer plantanoides L. leaves. Spectral features and relation to chlorophyll estimation[J].Journal of Plant Physiology，1994，143：286-292.

[10] Bach H，Mauser W. Improvement of plant parameter estimations with hyperspectral data compared to multispectral data[J].SPIE，1997，2959：59-67.

[11] 譚倩，趙永超，童慶禧，等.植物光譜維特征提取模型[J].遙感信息，2001（1）：14-18.

[12] 胡珍珠.輪臺(tái)白杏葉片營養(yǎng)元素濃度光譜估算模型[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2013.

[13] 李永亮，林輝，孫華，等.基于BP神經(jīng)網(wǎng)絡(luò)的森林樹種分類研究[J].中南林業(yè)大學(xué)學(xué)報(bào)，2010，30（11）：43-46.

[14] 何詩靜.基于葉片何冠層級(jí)別的高光譜城市樹種識(shí)別[D].武漢：華中農(nóng)業(yè)大學(xué)，2011.

[15] 何詩靜.高光譜遙感在樹木識(shí)別方面的應(yīng)用與研究概述[J].北京農(nóng)業(yè)，2013（6）：55-56.