引用本文
西桂林, 黄晓君, 包玉海, 包刚, 佟斯琴, Ganbat Dashzebegd, Tsagaantsooj Nanzadd, Altanchimeg Dorjsurene, Enkhnasan Davaadorj, Mungunkhuyag Ariunaad. 雅氏落叶松尺蠖不同危害程度下林木冠层颜色高光谱判别[J]. 光谱学与光谱分析, 2020,40(9): 2925-2931.
XI Gui-lin, HUANG Xiao-jun, BAO Yu-hai, BAO Gang, TONG Si-qin, Ganbat Dashzebegd, Tsagaantsooj Nanzadd, Altanchimeg Dorjsurene, Enkhnasan Davaadorj, Mungunkhuyag Ariunaad. Hyperspectral Discrimination of Different Canopy Colors in Erannis Jacobsoni Djak-Infested Larch [J]. Spectroscopy and Spectral Analysis, 2020,40(9): 2925-2931.
Doi:10.3964/j.issn.1000-0593(2020)09-2925-07  
Permissions
Copyright©2020, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
雅氏落叶松尺蠖不同危害程度下林木冠层颜色高光谱判别
西桂林1,2, 黄晓君1,2,3,*, 包玉海1,2, 包刚1,2, 佟斯琴1,2, Ganbat Dashzebegd4, Tsagaantsooj Nanzadd4, Altanchimeg Dorjsurene5, Enkhnasan Davaadorj5, Mungunkhuyag Ariunaad4
1. 内蒙古师范大学地理科学学院, 内蒙古 呼和浩特 010022
2. 内蒙古自治区遥感与地理信息系统重点实验室, 内蒙古 呼和浩特 010022
3. 内蒙古自治区蒙古高原灾害与生态安全重点实验室, 内蒙古 呼和浩特 010022
4. Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulan Bator, Mongolia
5. Institute of General and Experimental Biology, Mongolian Academy of Sciences, Ulan Bator, Mongolia
*通讯联系人 e-mail: hxj3s@qq.com

作者简介: 西桂林, 1993年生, 内蒙古师范大学地理科学学院硕士研究生 e-mail: 761037401@qq.com

收稿日期: 2020-02-23
基金: 国家自然科学基金项目(61631011, 41861056), 内蒙古自然科学基金项目(2018MS04008), 内蒙古科技计划项目(201702116)资助
摘要

针叶害虫爆发将会削减林木针叶水分和叶绿素含量, 导致林木冠层颜色发生变化, 甚至使林木死亡。 这严重威胁森林生态系统健康安全。 通过遥感技术监测受害林木冠层颜色变化, 可对虫害林生态系统安全进行快速评估。 因此, 虫害林木冠层不同颜色判别研究极为重要。 基于此, 选择蒙古国肯特省和杭爱省的3个雅氏落叶松尺蠖爆发林区(binder, Ikhtamir和Battsengel)为试验区, 开展落叶松受害过程冠层颜色变化信息调查和光谱测量试验, 并利用高光谱特征和机器学习算法判别了落叶松冠层不同颜色。 首先通过虫害灾区林木调查对冠层颜色进行了分色, 即绿色、 黄色、 红色和灰色。 同时根据不同危害程度下林木冠层不同颜色, 从试验区选取66棵样本树, 并对其冠层进行了光谱测量。 其次以样本树光谱反射率曲线为基础数据, 计算平滑光谱反射率(SSR)、 微分光谱反射率(DSR)和平滑光谱连续小波系数(SSR-CWC)等高光谱特征, 并借助方差分析法揭示了这些高光谱特征对冠层不同颜色的敏感性。 再次采用Findpeaks函数和连续投影算法结合模式(Findpeaks-SPA)快速提取了SSR, DSR和SSR-CWC等高光谱特征的敏感特征。 最后通过随机森林分类(RF)和支持向量机分类(SVMC)算法构建雅氏落叶松尺蠖虫害林木冠层不同颜色判别模型, 并与费歇尔判别(FD)模型进行比较, 评价了判别模型精度。 研究发现: (1)可见光的多个波段, SSR-CWC对冠层不同颜色表现出了极显著的敏感性。 (2)基于Findpeaks-SPA模式能够有效提取敏感高光谱特征, 该模式不仅大大降低高光谱特征数量, 而且改善了多重共线性问题。 (3)判别冠层不同颜色最有潜力的高光谱特征为SSR-CWC, 其Daubechies系、 Biorthogonal系、 Coiflets系和Symlets系的最优小波基分别为db9, bior1.5, coif1和sym4, 其中db9-RF(SVMC)达到了最高的判别总体精度(0.900 0)。 这比SSR-RF(SVMC)和DSR-RF(SVMC)模型分别提高了0.250 0(0.450 0)和0.250 0(0.100 0)。 (4)基于DSR和SSR-CWC的RF和SVMC模型判别精度优于FD模型, 尤其db9-RF(SVMC)模型更为明显, 其判别总体精度和Kappa系数比db9-FD模型分别提高了0.150 0和0.167 0。 可见, 在虫害林木冠层不同颜色判别中db9-RF(SVMC)有极大潜力。 这为林业和生态安全相关部门对森林虫害严重程度进行遥感监测提供重要参考和实用价值。

关键词: 雅氏落叶松尺蠖; 高光谱特征; 落叶松冠层颜色; 判别模型
中图分类号:O433.4 文献标志码:A
Hyperspectral Discrimination of Different Canopy Colors in Erannis Jacobsoni Djak-Infested Larch
XI Gui-lin1,2, HUANG Xiao-jun1,2,3,*, BAO Yu-hai1,2, BAO Gang1,2, TONG Si-qin1,2, Ganbat Dashzebegd4, Tsagaantsooj Nanzadd4, Altanchimeg Dorjsurene5, Enkhnasan Davaadorj5, Mungunkhuyag Ariunaad4
1. College of Geographical Science, Inner Mongolia Normal University, Huhhot 010022, China
2. Inner Mongolia Key Laboratory of Remote Sensing & Geography Information System, Huhhot 010022, China
3. Inner Mongolia Key Laboratory of Disaster and Ecological Security on the Mongolia Plateau, Huhhot 010022, China
4. Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulan Bator, Mongolia
5. Institute of General and Experimental Biology, Mongolian Academy of Sciences, Ulan Bator, Mongolia
*Corresponding author
Abstract

The outbreak of conifer pests will reduce the water content and chlorophyll content of the conifer trees, cause the forest canopy color to change, and even cause the forest to die, which seriously threatens the health and safety of coniferous forest ecosystem. The remote sensing monitoring of forest canopy color change can be used to evaluate the security of forest ecosystem quickly, so the study of forest canopy color discrimination is very important. Therefore, this study selected three outbreak forest areas (Binder, Ikhtamir and Battsengel) of Erannis Jacobsoni Djak in Khentiy and Hangay province of Mongolia as the experimental areas. The investigation of canopy color change information and spectrum measurement experiment in the process of larch damage was carried out. The hyperspectral characteristics and machine learning algorithm were used to distinguish different colors of Larch canopy. Firstly, through the investigation of forest in the disaster area, the color of the canopy was divided into green, yellow, red and gray. At the same time, according to the different canopy colors of healthy and damaged trees, 66 sample trees were selected from the experimental area, and their spectral canopy were measured. Secondly, the hyperspectral characteristics such as smooth spectral reflectance (SSR), differential spectral reflectance (DSR) and smooth spectral continuous wavelet coefficient (SSR-CWC) were calculated based on the canopy spectral curve of the sample tree, and the sensitivity of these hyperspectral characteristics to different colors on the canopy is revealed by means of variance analysis. Thirdly, the sensitive features of SSR, DSR and SSR-CWC were extracted quickly by using Findpeaks function and continuous projection algorithm pattern (Findpeaks-SPA). At last, the models of different color discrimination of larch tree canopy were constructed by using the random forest classification (RF) and support vector machine classification (SVM) algorithm. And compared with the Fisher discriminant (FD) model, the accuracy of the discriminant models were evaluated. The results show that: ①In multiple wavelengths of visible light, SSR-CWC showed extremely significant sensitivity to different canopy colors. ②The sensitive hyperspectral features can be extracted effectively based on Findpeaks-SAP pattern, which reduces the number of hyperspectral features and improves multicollinearity of the model. ③SSR-CWC is the most potential hyperspectral feature to distinguish different colors on the canopy. The optimal wavelet bases of Daubechies, Biothogonal, Coiflets and Symlets are db9, bior1.5, coif1 and sym4, respectively. Among them, db9-RF (SVMC) reaches the highest overall discrimination accuracy (0.900 0). It is 0.250 0 (0.450 0) and 0.250 0 (0.100 0) higher than the SSR-RF (SVMC) and DSR-RF (SVMC) models. ④The discrimination accuracy of RF and SVMC models based on DSR and SSR-CWC is better than that of FD model, especially db9-RF (SVMC) model, which overall discrimination accuracy and kappa coefficient are 0.150 0 and 0.167 0 higher than db9-FD model, respectively. It can be seen that db9-RF (SVMC) has great potential in different color discrimination of forest canopy, which can provide important reference and practical value for remote sensing monitoring of forest pest severity in forestry and ecological security related departments.

Keyword: Erannis Jacobsoni Djak; Hyperspectral features; Larch canopy color; Discriminant model
引言

雅氏落叶松尺蠖(Erannis jacobsoni Djak.)害虫只分布在蒙古高原北部森林, 是严重危害针叶松林的害虫之一。 近年来, 在蒙古国杭爱山和肯特山落叶松林区雅氏落叶松尺蠖暴发频繁且猖狂, 其幼虫专食叶子和嫩枝, 已对针叶松林生态系统造成严重破坏[1]。 该虫害造成针叶生理功能衰退, 使冠层状态发生变化, 威胁落叶松林健康安全。 林木冠层状态指标, 即冠层颜色和失叶率可作为森林虫害严重程度监测及森林健康评估的重要指标, 其中冠层颜色在虫害中的变化显得更为直观[2], 如随着雅氏落叶松尺蠖虫害严重程度加剧, 林木冠层颜色由绿色向黄色红色灰色变化。 因此雅氏落叶松尺蠖危害下, 展开受害过程林木冠层不同颜色高光谱判别, 可为森林虫害严重程度监测与评估提供重要参考依据。

目前利用高光谱检测森林虫害的研究具有长足发展, 比如在林木失叶率、 生化组分(如叶绿素含量、 含水率)和冠层颜色等虫害指示性指标检测方面有一些引人瞩目的研究成果。 它们主要通过敏感高光谱特征, 利用数据挖掘和机器学习算法, 检测森林虫害指示性指标, 并表征了林木虫害严重程度。 如黄晓君等通过受害过程林木冠层高光谱反射率数据, 计算微分光谱小波系数, 利用偏最小二乘回归(PLSR)和支持向量机回归(SVMR)模型估测雅氏落叶松尺蠖虫害的落叶松失叶率, 取得了较高的估测精度( RM2为0.934, RMSEM为0.089)[1]。 Bai等应用高光谱数据计算一系列光谱指数, 构建人工油松针叶含水率和叶绿素含量估测模型, 其相对误差和均方根误差分别为11.7%和0.089[3]。 Cheng等利用光谱小波分析方法对山地松甲虫虫害侵入林地进行水分含量估算, 并实现山地松绿色攻击的检测, 获得了较好效果[4]。 Lausch等通过高光谱遥感数据, 计算光谱指数, 识别了云杉树皮甲虫绿色攻击[5]。 White等以Hyperion高光谱遥感影像为基础数据, 计算水分指数, 监测了山松甲虫的红色攻击[6]。 Abdel-Rahman等利用ASIA Eagle高光谱数据, 通过随机森林、 支持向量机算法监测了松林灰色攻击, 其总体精度最高达78%[7]。 Nä si等采用机载高光谱图像数据的光谱特征, 分类虫害树冠的绿色(健康)和红色(死亡), 其总体精度和Kappa系数分别为0.9和0.8[8]。

综上所述, 在林木失叶率、 生化组分和冠层颜色检测中, 高光谱结合数据挖掘和机器学习算法具有很大潜力。 在虫害林木失叶率和生化组分估测中, 计算光谱指数、 微分光谱反射率和光谱小波系数, 通过偏最小二乘回归(PLSR)、 支持向量机回归(SVMR)算法获得了较理想的估测精度。 在虫害冠层颜色检测中, 借助光谱特征, 利用随机森林和支持向量机分类算法, 对虫害某个阶段的林木冠层颜色进行判别, 得到了很好的效果, 而对虫害各阶段的林木冠层不同颜色进行检测的研究极少。 尝试计算微分光谱反射率和光谱小波系数等光谱特征, 结合数据挖掘和机器学习算法, 实现虫害全过程各阶段的林木冠层不同颜色判别, 这将会更直观的表征林木虫害严重程度提供一种途径。 基于此, 以蒙古国雅氏落叶松尺蠖发生典型区作为试验区, 通过受害过程林木冠层高光谱数据, 计算一系列高光谱特征, 利用随机森林分类(RF)和支持向量机分类(SVMC)模型, 判别雅氏落叶松尺蠖虫害过程的落叶松冠层不同颜色, 以期为森林虫害严重程度高光谱监测提供重要参考。

1 实验部分

以蒙古国后杭爱省的Ikhtamir, Battsengel和肯特省的binder作为试验区, 针对雅氏落叶松尺蠖灾象, 开展了落叶松冠层不同颜色调查和高光谱测量试验研究。

1.1 冠层颜色数据获取

雅氏落叶松尺蠖虫害过程中, 林木冠层不同颜色的变化能够直接反映落叶松受害程度。 随虫害严重程度加重(健康→轻度→中度→重度), 冠层颜色变化为绿色→黄色→红色→灰色。 通过野外目视判别和室内照片识别(借助Adobe photoshop软件吸管工具获取林木照片RGB信息)相结合确定了样本树冠层颜色。 从Ikhtamir, Battsengel和Binder等试验区分别选择了20棵、 26棵和20棵样本树, 其中冠层为绿色、 黄色、 红色和灰色的样本树分别为12棵、 20棵、 27棵和7棵。 为建模对冠层颜色进行了编号, 即绿、 黄、 红和灰分别记为1, 2, 3和4, 如图1所示。

图1 冠层不同颜色Fig.1 Different colors on the canopy

1.2 高光谱数据采集

高光谱数据是采用美国的ASD FieldSpec4和SVC HR-1024地物光谱仪对蒙古国Ikhtamir, Battsengel和Binder等林区落叶松冠层进行高光谱测量而得。 两个地物光谱仪光谱波段均为350~2 500 nm; 光谱分辨率分别为3和3.5 nm, 其他参数均相同。 于北京时间10:00—14:00期间, 选择无云无风天气, 地物光谱仪探头距针叶高度约为20 cm, 并对每棵样本树分为上、 中、 下三个层次, 分别采集20次。 在这期间, 每测完一棵样本树需进行白板校正, 以此确保高光谱数据质量[9]。

1.3 高光谱数据预处理

实地采集的落叶松冠层原始高光谱数据应需预处理。 首先通过高光谱数据处理软件, 剔除每棵样本树异样和重复光谱曲线, 并取其平均光谱曲线作为该样本树的光谱反射率曲线。 因实验仪器和环境因素影响, 原始光谱尾部部分有明显噪声, 最终保留350~1800nm范围的光谱。 其次在遥感图像处理软件ENVI平台上, 利用Smooth(s1, 5)函数对光谱反射率进行平滑降噪处理, 获得平滑光谱反射率(记为SSR)。 在此基础上, 求SSR的一阶导数来降低大气效应, 得到微分光谱反射率(记为DSR)。 最后通过Matlab2016b平台的小波基函数, 对SSR进行1~10尺度上的连续小波变换, 获得一系列平滑光谱连续小波系数(记为SSR-CWC), 其中有36个小波基, 即①Biorthogonal系: biorN(N=1.3, 1.5, 2.2, 2.4, 2.6, 2.8, 3.1, 3.3, 3.5, 3.7, 3.9, 4.4, 5.5, 6.8); ②Coiflets系: coifN(N=1~5); ③Daubechies系: dbN(N=1~10); ④Symlets系: symN(N=2~8)。 SSR-CWC的反射光谱与原始平滑反射光谱波段对应, 能有效捕捉冠层光谱波段吸收与反射特征的形状及位置的可解释信息。

1.4 模型建立与验证

雅氏落叶松尺蠖不同危害程度下林木冠层颜色判别模型建立过程如图2所示。

图2 判别模型建立技术路线示意图Fig.2 Discriminant model building technical route diagram

1.4.1 敏感高光谱特征提取

为提取落叶松冠层不同颜色的敏感光谱特征做了以下处理:

(1)光谱特征方差分析。 方差分析是通过计算方差统计量F值, 检验各总体的均值是否相等来判断分类型自变量对数值型因变量是否有显著影响[10]。 本研究分析SSR, DSR和SSR-CWC等光谱特征对冠层不同颜色的方差, 揭示了这些高光谱特征对虫害林木冠层不同颜色的敏感性。 光谱特征的F值越大, 说明其对冠层不同颜色的敏感性越显著。

(2)基于Findpeaks-SPA的敏感高光谱特征提取

首先利用Findpeaks函数[11]自动寻找方差统计量(F)的峰值并确定敏感光谱波段, 然后利用敏感波段位置, 提取初始敏感光谱特征。 如式(1)所示

[P, L]=Findpeaks(x, ‘minpeakheight’, a, ‘minpeakdistance’, b)(1)

式中x为F和波段组成的矩阵, P为F峰值, L为F峰值相应的波段位置, a为F峰值的最小高度, b为相邻F峰值间的最小波段距离数。 其光谱特征SSR, DSR和SSR-CWC的F的a分别设置为: 3.64, 3.64和20, b分别设置为: 10, 10和10 nm。

其次在初始敏感光谱特征获得的基础上, 利用连续投影算法(SPA)提取最终敏感光谱特征[12]。 SPA算法能够提取全波段的几个特征波长, 进而消除原始光谱矩阵中冗余信息的矢量空间共线性最小化的前向量选择算法。 该算法在文献[1]中有具体解释。

1.4.2 模型建立

从所有样本树数据中选46棵作为训练样本数据, 其余20棵为验证样本数据, 以基于Findpeaks函数和SPA算法结合模式(记为Findpeaks-SPA)提取的敏感光谱特征作为模型自变量, 冠层颜色编号作为因变量, 采用随机森林分类[13](RF)和支持向量机分类[14](SVMC)算法, 建立了判别模型, 并与费歇尔判别[15](FD)模型进行了比较。 RF和SVMC均属于机器学习算法。 RF是遵守独立事件的概率法则, 以少数服从多数来预测的判别模型。 SVMC主要是处理线性可分或近似线性可分的问题, 是特征空间上的间隔最大的线性分类器。 目前在分类模型中, RF和SVMC受到很多学者的关注。 FD是以类间均值差异最大而类内的离差平方和最小为原则的分类算法, 是具有统计学意义的传统分类模型。

1.4.3 模型验证

本研究利用总体精度和Kappa系数来验证冠层不同颜色高光谱判别模型精度。 总体精度是指判别模型在所有样本上预测之后, 预测正确的样本与总样本之间的比值, 其值范围为0~1; 若总体精度越大, 冠层不同颜色判别精度也就越高。 Kappa系数是解决预测模型的结果与实际结果一致性问题, 其值介于0~1间。 若Kappa系数越大, 分类结果与真实参考之间差异越小, 则判别冠层不同颜色精度越高。 当0.60< Kappa≤0.80时判别结果较好, 当Kappa> 0.80时判别结果极好。

2 结果与讨论
2.1 高光谱特征对冠层不同颜色的敏感性分析

2.1.1 高光谱特征对冠层不同颜色的响应

为分析高光谱特征对雅氏落叶松尺蠖危害下落叶松冠层不同颜色的响应, 绘制了冠层不同颜色的SSR、 DSR和SSR-CWC(基于25尺度的bior1.5, coif1, db9和sym4小波基连续小波系数)高光谱特征曲线图(图3)。

图3 冠层不同颜色的SSR(a)、 DSR(b)和SSR-CWC(c: bior1.5; d: coif1; e: db9; f: sym4)曲线Fig.3 The curves of SSR(a), DSR(b) and SSR-CWC(c: bior1.5; d: coif1; e: db9; f: sym4)in different colors of the canopy

由图3可知, 高光谱特征对冠层不同颜色具有明显的响应。 在高光谱特征曲线上形成很多波峰波谷, 且冠层颜色由绿色→黄色→红色→灰色的变化时, 波峰附近的高光谱特征值呈下降趋势, 而波谷附近的高光谱特征值呈上升态势。 峰谷具体表现为: SSR的主要波峰分布在540~565和780~1 300 nm波段区间, 而波谷在650~685和1 435~1 480 nm波段范围内[图3(a)]。 DSR的主要波峰分布在510~535和660~760 nm波段区间, 而波谷在560~580, 600~620和1 130~1 155 nm波段范围内[图3(b)]。

bior1.5的主要波峰分布在556~585, 1 124~1 160和1 370~1 410 nm波段区间, 而波谷在505~545和683~760 nm波段范围内[图3(c)]。 coif1的主要波峰分布在532~560, 723~755, 1 117~1 140, 1 285~1 320和1 360~1 385 nm波段区间, 而波谷在486~518, 670~716, 1 147~1 173和1 393~1 433 nm波段范围内[图3(d)]。 db9的主要波峰分布在495~508, 470~490, 553~564, 612~627, 675~690, 725~755, 800~830, 887~900, 940~964, 1 143~1 161, 1 193~1 217, 1 380~1 400和1 444~1 465 nm波段区间, 而波谷在515~535, 542~553, 564~575, 585~605, 653~670, 692~725, 760~786, 970~994, 1 115~1 140, 1 166~1 187, 1 225~1 245, 1 355~1 376, 1 418~1 437和1 476~1 505 nm波段范围内[图3(e)]。 sym4的主要波峰分布在525~540, 630~660, 707~748, 1 110~1 140, 1 352~1 385和1 423~1 446 nm波段区间, 而波谷在490~518, 566~590, 670~705, 948~975, 1 141~1 168, 1 322~1 352和1 390~1 420 nm波段范围内[图3(f)]。 从上述可知, 尽管SSR, DSR和SSR-CWC的波峰波谷数量以及波峰高度和波谷深度有差异, 但随冠层颜色变化, 高光谱特征值均有层次变化规律。 说明, SSR, DSR和SSR-CWC对冠层不同颜色具有明显响应。 换言之, 它们对冠层不同颜色亦有敏感性。 因此, 利用这些高光谱特征的波峰波谷特征来判别冠层不同颜色是可能的。

2.1.2 高光谱特征对冠层不同颜色的方差

为进一步揭示高光谱特征对雅氏落叶松尺蠖危害下落叶松冠层不同颜色的敏感性, 将SSR, DSR和SSR-CWC对冠层不同颜色进行方差分析, 获得了冠层不同颜色的SSR和DSR的方差分布图(图4)和基于1~10尺度的SSR-CWC方差分布图(图5)。

图4 冠层不同颜色的SSR和DSR的方差分布Fig.4 Variance distribution of SSR and DSR in different colors on the canopy

图5 冠层不同颜色的SSR-CWC的方差分布Fig.5 Variance distribution of SSR-CWC in different colors of the canopy

由图4可知, 当落叶松冠层不同颜色的SSR和DSR的方差F> F0.01(4, 61)时, 其p< 0.01, 说明值大于3.64的SSR和DSR对冠层不同颜色具有敏感性。 SSR敏感波段主要分布在398~505, 529~555, 601~697, 711~1 360和1 386~1 800 nm波段范围内, 其中在751 nm波段上F达到最大, 其值为42.09。 而DSR敏感波段主要分布在496~537, 551~676, 681~764, 1 119~1 213, 1 258~1 351, 1 468~1 625和1 717~1 782 nm波段范围内, 其中566 nm波段F达到最大, 其值为102.97。 由图5可知, 当SSR-CWC的F> F10-15(4, 61)=37.17时, 其p< 10-15, 表明F值大于37.17的SSR-CWC对落叶松冠层不同颜色的敏感性极其显著。 SSR-CWC敏感波段主要分布在420~1 000, 1 416~1 500, 1 501~1 780 nm波段范围内, 其中525~620 nm波段区间F达到最大, 其值为118.50。 上述可知, SSR, DSR和SSR-CWC等高光谱特征对雅氏落叶松尺蠖危害下落叶松冠层不同颜色均有敏感性, 但不同波段的敏感程度具有差异。 总体上这些高光谱特征中敏感性最显著者为SSR-CWC, 其次为DSR, 最后为SSR。 可见, SSR-CWC对虫害林木冠层不同颜色判别具有极大潜力。

总的来说, 在496~505, 529~537, 551~555, 601~676, 681~697, 711~760和1 416~1 625 nm等波段内高光谱特征对冠层不同颜色有较高敏感性。 这是由于落叶松冠层颜色主要是叶色素(叶绿素、 胡萝卜素、 花青素)和水分含量来控制。 497~505, 529~537和551~555 nm等波段主要反映胡萝卜素、 花青素的吸收和叶绿素a和叶绿素b的反射特征, 而601~676, 681~697和711~760 nm等波段主要表明胡萝卜素、 花青素的反射和叶绿素a、 b吸收特征。 还有波段1 416~1 625 nm主要表现针叶水分吸收特征。 当雅氏落叶松尺蠖危害下落叶松冠层颜色从绿色→黄色→红色→灰色变化时, 林木叶色素含量和比例发生变化, 致使色素反射特征的波段反射率逐渐下降, 而色素吸收特征的波段反射率呈上升趋势。 在这冠层颜色变化期间, 针叶水分含量逐渐减少, 光谱吸收水分特性减弱, 导致其反射率逐步上升。 表明, SSR, DSR和SSR-CWC等高光谱特征对冠层不同颜色具有显著响应。 这使得这些高光谱特征判别冠层不同颜色成为可能。

2.2 基于Findpeaks-SPA的敏感光谱特征提取结果分析

图6为基于Findpeaks和Findpeaks-SPA方法提取的落叶松冠层不同颜色敏感光谱特征(SSR, DSR和SSR-CWC)的波段分布结果, 表明了敏感高光谱特征数量。 采用Findpeaks函数提取的初始敏感光谱特征的波段数较多, 如SSR: 24个、 DSR: 63个、 SSR-CWC(36个小波基): 100~208个。 显然, 敏感高光谱特征数最多者为SSR-CWC, 其次为DSR, 最后为SSR。 初始敏感光谱特征数量众多, 将导致判别模型复杂、 计算量大和稳健性差等问题, 进而利用Findpeaks-SPA模式提取了建模所用的最终敏感高光谱特征。 结果表明, SSR: 3个、 DSR: 3个、 SSR-CWC(Biorthogonal): 3~11个、 SSR-CWC(Coiflets): 4~9个、 SSR-CWC(Daubechies): 3~25个、 SSR-CWC(Symlets): 5~25个。 其对应波段分布为: ①SSR: 667, 751和1 456 nm; ②DSR: 506, 753和1 430 nm; ③SSR-CWC: 如bior1.5: 804, 857, 882, 941, 959, 1 495和1 607 nm, coif1: 939, 1 148, 1 266和1 589 nm, db9: 456, 548, 664, 726, 883, 1 439和1 561 nm, sym4: 445, 731, 823, 1 148和1 580 nm。 由此可知, 基于Findpeaks-SPA模式下, 很好的捕获了叶绿素的反射特征(445, 456和548 nm)、 吸收特征(664, 726和731 nm)以及针叶细胞组织的强反射特征(804, 823, 857, 882, 883, 941和959 nm)和水分含量吸收特征(1 148, 1 266, 1 439, 1 495, 1 589, 1 561, 1 580和1 607 nm)。 显然, Findpeaks-SPA模式能够有效提取敏感高光谱特征, 并且大大压缩敏感光谱特征数据冗余, 将能提高模型稳健性和计算速度。

图6 SSR, DSR和SSR-CWC敏感高光谱特征的波段分布Fig.6 Wave bands distribution of sensitive hyperspectral features for SSR, DSR and SSR-CWC

2.3 冠层不同颜色判别模型精度评价

利用SSR, DSR和SSR-CWC(36个小波基)等敏感高光谱特征, 通过RF和SVMC算法构建林木冠层不同颜色判别模型, 并与FD模型进行比较, 评价了模型判别精度。 从图7可知, 利用SSR, DSR和SSR-CWC的敏感高光谱特征构建RF和SVMC判别模型精度具有明显差异。 如: 基于SSR的RF(SSR-RF)判别精度(总体精度和Kappa系数分别为0.650 0和0.596 5)优于SSR-SVMC, 而基于DSR的SVMC(DSR-SVMC)判别精度(总体精度和Kappa系数分别为0.800 0和0.738 6)优于DSR-RF; 对Daubechies与Biorthogonal系的SSR-CWC来说, RF和SVMC模型在最高判别精度的小波基中, 表现出相同的精度, 即db9-RF和db9-SVMC的总体精度均为0.900 0、 Kappa系数均为0.866 7, bior1.5-RF和bior1.5-SVMC的总体精度均为0.850 0、 Kappa系数分别为0.809 5和0.790 9; 而对Coiflets与Symlets系的SSR-CWC而言, 在最高判别精度的小波基中, SVMC比RF模型判别精度较好, 即coif1-SVMC模型判别总体精度(0.850 0)和Kappa系数(0.795 2)比coif1-RF模型分别提高了0.100 0和0.112 7, sym4-SVMC模型判别总体精度(0.750 0)和Kappa系数(0.672 1)比sym4-RF模型分别提高了0.050 0和0.037 9。 由此可见, 在三种高光谱特征中, 判别雅氏落叶松尺蠖虫害林木冠层不同颜色最有潜力者为SSR-CWC, 尤其db9小波基的小波系数达到了最好的判别精度, 其次为DSR, 最后为SSR。 db9-RF(SVMC)模型总体精度比SSR-RF(SVMC)和DSR-RF(SVMC)模型分别提高了0.250 0(0.450 0)和0.250 0(0.100 0)。 因此, 基于db9的小波系数能够最有效判别虫害林木冠层不同颜色。 Cheng, Lausch, White, Abdel-Rahman和Nä si等成果相比, db9小波系数的虫害冠层颜色判别精度有一定提高[4, 5, 6, 7, 8]。

图7 冠层不同颜色判别模型精度评定Fig.7 Accuracy evaluation of discriminant models in different color of the canopy

RF和SVMC模型与FD模型精度进行比较得知(表1): 在SSR中RF和SVMC模型判别精度较差, 劣于FD模型; 而在DSR中SVMC模型判别精度优于FD模型, 即其总体精度和Kappa系数分别提高了0.050 0和0.044 4。 对SSR-CWC来讲, db9-RF(SVMC)和sym4-SVMC模型判别精度分别比db9-FD和sym4-FD模型较好, 即其总体精度分别提高了0.150 0(0.150 0)和0.050 0; bior1.5-RF(SVMC)和coif1-SVMC模型判别精度分别与bior1.5-FD和coif1-FD模型相同。 显而易见, 在DSR和SSR-CWC中RF和SVMC模型表现出较好的判别效果, 对雅氏落叶松尺蠖虫害的林木冠层不同颜色判别具有较高的可信度。 这可为虫害森林冠层变化遥感监测提供重要参考。

表1 RF和SVMC模型与FD模型的判别精度比较 Table 1 Comparison of discriminant accuracy between RF and SVMC models and FD model
3 结论

分析了66棵不同危害程度下落叶松冠层颜色与高光谱特征之间的敏感性, 并通过Findpeaks-SPA模式提取敏感高光谱特征, 利用RF, SVMC和FD建立模型。 得出结论如下:

(1)在可见光波段范围内SSR-CWC对冠层不同颜色的方差比SSR和DSR更高, 且方差曲线波峰波谷较多。 说明, SSR-CWC在可见光的多个波段上均表现出了极为显著的敏感性。

(2)Findpeaks-SPA结合模式下能够有效提取敏感高光谱特征。 该模式不仅大大压缩了高光谱特征冗余信息, 而且控制了多重共线性问题的发生。 从而达到模型计算量的减少和模型稳健性的提高的目的。

(3)判别虫害林木冠层不同颜色的最有潜力的高光谱特征为SSR-CWC, 其次为DSR。 对SSR-CWC而言, 其Daubechies系、 Biorthogonal系、 Coiflets系和Symlets系的最优小波基分别为db9, bior1.5, coif1和sym4, 其中db9达到了最高的判别精度, 即db9-RF和db9-SVMC模型总体精度均为0.900 0。 这比SSR-RF(SVMC)和DSR-RF(SVMC)模型分别提高了0.250 0(0.450 0)和0.250 0(0.100 0)。 因此, SSR-CWC可作为虫害林木冠层不同颜色判别重要光谱特征。

(4)在DSR和SSR-CWC中, RF和SVMC模型判别精度优于FD模型, 尤其利用基于db9的SSR-CWC来判别冠层不同颜色时更为明显, 即db9-RF(SVMC)模型判别总体精度和Kappa系数比db9-FD模型分别提高了0.150 0和0.167 0。 可见, RF和SVMC模型在虫害林木冠层不同颜色判别中具有较好的实用价值。

参考文献
[1] HUANG Xiao-jun, XIE Yao-wen, BAO Yu-hai, et al(黄晓君, 颉耀文, 包玉海, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(9): 2732. [本文引用:3]
[2] Stone C, Carnegie A, Gavin Melville, et al. Australian Forestry, 2013, 76(2): 101. [本文引用:1]
[3] BAI Xue-qi, ZHANG Xiao-li, ZHANG Ning, et al(白雪琪, 张晓丽, 张凝, 等). Journal of Beijing Forestry University(北京林业大学学报), 2016, 38(11): 11. [本文引用:1]
[4] Cheng T, Rivard B, Sánchez-Azofeifa G. A, et al. Remote Sensing of Environment, 2010, 114(4): 899. [本文引用:2]
[5] Lausch A, Heurich M, Gordalla D, et al. Forest Ecology and Management, 2013, 308: 76. [本文引用:2]
[6] White J C, Coops N C, Hilker T, et al. International Journal of Remote Sensing, 2007, 28(10): 2111. [本文引用:2]
[7] Abdel-Rahman E M, Mutanga O, Adam E, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88: 48. [本文引用:2]
[8] Näsi R, Honkavaara E, Lyytikäinen-Saarenmaa P, et al. Remote Sensing, 2015, 7(11): 15468. [本文引用:2]
[9] LIU Xiao-jun, TIAN Yong-chao, YAO Xia, et al(刘小军, 田永超, 姚霞, 等). Scientia Agricultura Sinica(中国农业科学), 2012, 45(3): 435. [本文引用:1]
[10] Brereton R G. Journal of Chemometrics, 2019, 33(1): 1. [本文引用:1]
[11] Brand on M M, Feng T, Susan M B, et al. PLoS ONE, 2011, 6(9): e25260. [本文引用:1]
[12] Milanez K D T M, Araújo N, Thiago C. Analytica Chimica Acta, 2017, 984: 76. [本文引用:1]
[13] Denisko D, Hoffman M M. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(8): 1690. [本文引用:1]
[14] Bazi Y, Melgani F. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(6): 3107. [本文引用:1]
[15] Abuzeina D, Al-Anzi F S. Computers & Electrical Engineering, 2017, 66: 474. [本文引用:1]