东祁连山高寒灌丛六种灌木植物的光谱特征分析

引用本文

王波, 柳小妮, 王洪伟, 王彩玲, 张德罡, 纪童. 东祁连山高寒灌丛六种灌木植物的光谱特征分析[J]. 光谱学与光谱分析, 2019,39(5): 1509-1516.
WANG Bo, LIU Xiao-ni, WANG Hong-wei, WANG Cai-ling, ZHANG De-gang, JI Tong. Spectral Characteristics Analysis on Six Shrubs in Different Alpine Brushlands of Eastern Qilian Mountains[J]. Spectroscopy and Spectral Analysis, 2019,39(5): 1509-1516.
Doi:10.3964/j.issn.1000-0593(2019)05-1509-08 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

东祁连山高寒灌丛六种灌木植物的光谱特征分析

王波^1,², 柳小妮^1,^2,^*, 王洪伟³, 王彩玲⁴, 张德罡^1,², 纪童^1,²

1. 甘肃农业大学草业学院, 甘肃兰州 730070

2. 草业生态系统教育部重点实验室(甘肃农业大学), 甘肃兰州 730070

3. 中国人民武装警察部队工程大学, 陕西西安 710086

4. 西安石油大学计算机学院, 陕西西安 710065;

*通讯联系人 E-mail: Liuxn@gsau.edu.cn

作者简介: 王波, 1989年生, 甘肃农业大学草业学院硕士研究生 E-mail: wangbonxyc@163.com

收稿日期: 2018-05-31 接受日期: 2018-10-13

基金: 国家自然科学基金项目(31160475, 41301382, 61401439, 41604113, 41711530128)和西安光学精密机械研究所光谱成像重点实验室基金项目资助

摘要

高寒灌丛是青藏高原生态系统的重要组成部分, 研究高寒灌丛对青藏高原生态系统的系统研究具有重要的意义。但是长期以来, 由于地处偏远而交通欠发达、加之生长条件严酷, 造成青藏高原高寒灌丛相关研究较为困难。遥感探测技术, 可以克服地理及环境造成的困难, 而且可以进行大面积、无损的探测, 因此, 可以采用遥感探测技术进行青藏高原的高寒灌丛研究。传统的高分辨率遥感探测技术, 由于常常采用的是RGB三个波段, 对不同植物的辨别精度低, 对应植物的NDVI指数和RVI指数差异性较小, 不能有效区分各类植被。同时, 高光谱反射率曲线和辐照度曲线, 蕴含上千波段的光谱信息, 若选择某一单一波段来进行植被探测, 则光谱信息损失非常大, 反应出来的灌丛特征不明显, 结果置信度低。为了区别高寒灌丛植被, 利用高光谱技术对灌丛开展光谱特征分析, 为青藏高原灌丛的遥感探测提供理论支持。本研究借助美国FieldSpec4高分辨率地物光谱仪, 在东祁连山马牙雪山景区内采集头花杜鹃( Rhododendron capitatum Maxim.)、鬼见愁( Caraganajubata (Pall.) Poir.)、金露梅( Potentillafruticosa L.)、高山柳( Salix cupularis)、甘肃瑞香( Daphne tangutica Maxim.)和鲜黄小檗( Berberisdiaphana)六种典型灌木植物的室内光谱数据, 通过反射率(REF)、吸收率(ABS)及其一阶微分(GREF和GABS)的变换, 进一步提高灌木植物光谱曲线间的可辨析度, 分析并筛选出敏感波段, 而后通过各个波段之间的相互组合计算NDVI'值和RVI'值, 并且以TM设置波段计算的NDVI值和RVI值作为参考, 筛选出优于TM波段且差值最大的波段组合确定为最优模型。结果表明: (1)灌木植物对太阳辐射吸收形成的光谱特征曲线与大多数植物相似, 但与草本植物相比, 灌木植物的第一个波谷发生了左移现象; (2)灌木植物在某些敏感波段中反映出独有的光谱特征, 通过REF, ABS, GREF和GABS变换, 可以进一步扩大, 利用这一特点可以筛选出敏感波段, 进行灌丛分类和识别; (3)六种灌木植物光谱值差异较大, 且数值相对较为稳定的波段有550~680, 860~1 075, 1 375~1 600和1 900~2 400 nm, 因此可选取这四个波段为敏感区进行灌木植物识别; (4)利用575~673和874~920 nm敏感波段的REF均值或者685~765, 556~590, 635~671和1 117~1 164 nm敏感波段的GABS面积, 计算的NDVI值和RVI值可以有效辨别六种灌木植物。

关键词: 东祁连山; 高寒灌丛; 灌木植物; 光谱特征; 分析

中图分类号:P237 文献标志码:A

Spectral Characteristics Analysis on Six Shrubs in Different Alpine Brushlands of Eastern Qilian Mountains

WANG Bo^1,², LIU Xiao-ni^1,^2,^*, WANG Hong-wei³, WANG Cai-ling⁴, ZHANG De-gang^1,², JI Tong^1,²

1. College of Pratacultural Science, Gansu Agricultural University, Lanzhou 730070, China

2. Key Laboratory of Grassland Ecosystem, Ministry of Education/Pratacultural Engineering Laboratory of Gansu Province, Lanzhou 730070, China

3. Engineering University of CAPF, Xi’an 710086, China;

4. School of Computer Science, Xi’an Shiyou University, Xi’an 710065, China;

Abstract

As an very important part of the Qinghai-Tibet Plateau ecosystem, it is of great significance to study alpine shrubs. But for a long time, due to the remote location and underdeveloped transportation, as well as the harsh growing conditions, the alpine shrub on the Qinghai-Tibet Plateau has been less studied. Remote sensing detection technology can overcome the difficulties caused by geography and environment and can be used to detect large areas and non-destructive. Therefore, remote sensing detection technology can be used to study alpine shrubs in Qinghai-Tibet Plateau. As the traditional high-resolution remote sensing detection technology is often adopted with three bands of RGB, the discrimination accuracy of different plants is low, and the difference of NDVI' index and RVI' index of corresponding plants is small, which cannot effectively distinguish various types of vegetation. At the same time, hyperspectral reflectance curve and irradiance curve contain spectral information of thousands of bands. If a single band is selected for plants detection, the loss of spectral information is very large, and the characteristics of thickets reflected are not obvious, resulting in low confidence. In order to distinguish the alpine shrub vegetation, this paper uses hyperspectral technology to carry out spectral characteristic analysis of the shrub, providing theoretical support for remote sensing detection of the shrub on the Qinghai-TibetPlateau. The research draws support from FieldSpec4 high resolution spectrometer of the America. It was used to identify 6 shrubs ( Rhododendron capitatum, Caraganajubata, Potentillafruticosa, Salix cupularis, Daphne tangutica and Berberisdiaphana) grown in the eastern Qilian Mountains through measuring the reflectance rate and absorption rate, calculating the first order differential of absorption rate (GREF and GABS) to enlarge the resolution of spectral curve, screening the sensitive wavelength, and then identifying different shrubs by calculating their values with NDVI and RVI. The result indicated that (1) the absorption spectral curves of shrubs were similar with most plants, but their first absorption valley shifted to left; (2) the shrubs performed unique spectral features in some sensitive wavelengths, and these features could be used to improve the resolution by REF, ABS, GREF and GABS transformation to identify the shrublands; (3) The spectral values of the 6 shrubs are different, and the relatively stable wavelengths are 550~680, 860~1 075, 1 375~1 600 and 1 900~2 400 nm. Therefore, these 4 wavelengths can be selected as sensitive areas to identify shrub plants; (4) NDVI and RVIcalculated with the REF average value of sensitive wavelengths of 575~673 and 874~920 nm and/or the area value of sensitive wavelengths of 685~765, 556~590, 635~671 and 1 117~1 164 nm could effectively identify 6 shrubs.

Keyword: Eastern Qilian Mountains; Alpine brushlands; Shrubs; Spectral features; Analysis

文章图片

引言

高寒灌丛是由耐寒的中生或旱生灌木为优势种而构成的一类植被^[1]。我国的高寒灌丛广泛分布在青藏高原高寒地带, 是青藏高原高寒草地生态系统的重要组成部分, 也是我国西北和西南地区、外陆流域的重要水源涵养林之一, 面积1.164× 10⁷ hm², 居世界之最^[1]。长期以来, 由于地处偏远、高寒, 条件严酷, 交通不便, 青藏高原高寒灌丛相关研究较为困难^[3], 尤其是缺乏利用地物光谱仪开展的灌木植物分类和特征识别方面的研究。

植物分类是植物研究开发的基础性工作^[4], 是遥感监测生物多样性动态变化的理论基础^[5]。传统的灌木植物分类识别及群落特征调查主要依靠人力完成, 不仅识别困难、费时费力, 更是难以完成大面积的调查。因此, 当前迫切需要寻找一种有效、快速、准确、便捷分类识别和监测灌丛的手段。

地物光谱研究自20世纪80年代开展以来, 已经成为现代遥感技术的重要组成部分^[6]。它不仅是遥感理论研究的重要内容, 也是遥感应用研究的重要依据, 已经在许多方面开展研究, 如利用高光谱对植物含水量^[7]、植物光谱识别^[8]、植被光谱特征^{[9, 10, 11]}、土壤有机质^[12]、生物量^[13]等估算和反演研究。这些成果有效解读了地物光谱特征规律, 为生产实践提供了宝贵的经验和数据。植被指数一直是研究植被特征最简单、最有效的方法之一^[14]。本研究以东祁连山高寒灌丛为研究对象, 在灌丛生长旺盛期, 采集典型灌木植物的光谱数据, 并通过变换得到不同灌木植物的REF, ABS, GREF和GABS特征曲线, 分析和筛选出光谱特征波段, 构建NDVI值和RVI值的方法筛选最佳特征波段组合来识别灌木植物, 为青藏高原的生态环境保护规划、高寒草原的遥感分类监测和植物信息提取提供科学依据。

1 研究区概况及研究方法

1.1 研究区概况

研究区位于祁连山东段的甘肃省天祝县马牙雪山景区内, 属青藏高原植物亚区。地理位置37° 11'5.544″N, 102° 46'28.371″E, 海拔2 878~4 025 m。该区为典型的高寒湿润气候, 终年寒冷潮湿, 光照充足, 辐射强。土壤为山地黑钙土和山地草甸土, 土层较薄, 厚80 cm左右, 有机质含量高, 约为16%。降雨量在375~480 mm之间, 地形雨较多, 主要集中在7月— 9月份, 年均蒸发量1 600 mm左右, 是年降雨量的3.8倍。年平均气温-0.9 ℃, 1月最低温度-18.3 ℃, 7月最高温度19.6 ℃, 年日照时数2 600 h, > 0 ℃积温1 410 ℃。水热同期, 早晚温差大, 不存在绝对无霜期。仅分为冷季和暖季, 冷季达7个月之久, 植物生长期约为140 d^[2]。

研究区的灌木植物有12科16属30种, 构成以金露梅(Potentillafruticosa L.)、绣线菊(Spiraeachinensis)、杜鹃(Rhododendron)、柳(Salix)、小檗(Berberis)等灌丛为主的大面积高寒落叶灌丛和高寒常绿灌丛^[1]。

1.2 研究对象、数据获取与处理

1.2.1 研究对象

在研究区内, 选择具有代表性的优势灌木植物(表1)为研究对象。

表1 东祁连山典型灌木植物及其特征^[1] Table 1 The typical Shrubs in Eastern Qilian Mountain Alpine

1.2.2 光谱数据采集与处理

采用美国ASD公司生产的FieldSpec4便携式地物光谱仪采集灌木植物光谱数据。其波长范围350~2 500 nm, 囊括了全部可见光(380~780 nm)和部分近红外光(780~2 500 nm)。 350~1 000 nm的范围内, 光谱分辨率波长精度为3 nm, 1 000~2 500 nm波长范围内为10 nm。采样间隔分别为1.4和2.0 nm, 数据输出时重采样间隔为1 nm^[9]。

为得到不同水热条件下六种灌木植物的光谱特征, 避免地形因素引起的误差, 每个样地内同一种灌木植物采用5点式梅花桩采集方式。 2017年7月28日, 采集6种灌木植物植株(包括取上中下3部分老叶、新叶、老茎、新茎及花)混合后装入自封袋标号并存于0~4 ℃的恒温箱中带回甘肃农业大学高山草地试验站, 且在当天测定所采植物室内光谱。

光谱采集时, 先给仪器接通外接电源, 连接叶片夹和外接光源, 打开采集器, 预热40 min, 待设备稳定后, 进行标准白板校正。结束后从自封袋内取出植物样本进行混合, 然后随机取出一部分放于叶片夹内闭合夹板, 点击采集器进行数据采集。每采集15 min左右再进行一次白板校正, 每个点的灌木采集5条光谱数据, 即同一种灌木共采集25条光谱数据。

灌丛群落特征的相关数据(盖度、高度、生物量等)主要来自野外实地调查, 通过观察记录植物的种类、长势及部分形态特征。

导出采集数据后, 使用自带的View SpecPro软件对光谱进行预处理, 将同一种灌木植物地物光谱中差异较大的曲线进行剔除, 有较大噪声影响的反射率曲线, 采取式(1)平滑降噪处理后, 计算得到灌丛的原始反射率(REF)。

REF经过式(2)变换得到吸收率(ABS), 经过式(3)变换得到反射率一阶微分(GREF), ABS经过式(4)变换得到吸收率的一阶微分(GABS)。

$\begin{array}{l} REF'_{x} = \frac{R_{x - 2} + R_{x - 1} + R_{x} + R_{x + 1} + R_{x + 2}}{5} (1) \\ GREF (λ) = [R (λ_{x - 1}) - R (λ_{x})] / (λ_{x + 1} - λ_{x}) (2) \\ ABS (λ) = \lg [1 / REF (λ)] (3) \\ GABS (λ) = [ABS (λ_{x - 1}) - ABS (λ_{x})] / [λ_{x + 1} - λ_{x}] (4) \end{array}$

其中, R为原始REF, λ 为波长, 单位是nm。

对获取的REF, ABS, GREF和GABS数据进行对比分析, 结合植物的生理生化形态结构等特点, 进而寻找差异性较大的波段作为敏感特征波段, 为利用遥感手段识别不同灌丛提供参考。

1.2.3 植被指数的改进与最优波段组合筛选

为了得到更加全面的灌丛信息、更加明显的光谱特征差异用于灌木植物区别, 最好的方法是选择全波段或波段组合。本研究采用归一化植被指数(NDVI')和比值指数(RVI')的计算方式, 筛选最佳波段构建优化的组合模型。

使用REF, ABS, GREF和GABS特征曲线筛选出的几个敏感波段值代入相应的公式计算改进型的植被指数(DNVI'和RVI')值, 其中REF和ABS的敏感波段值代入式(5)和式(6)计算, GREF和GABS的敏感波段值代入式(7)、式(8)和式(9)计算。

REF和ABS计算改进型NDVI'值和RVI'值的公式如式(7)和式(8)

$\begin{array}{l} NDVI' = [B'_{\max} - B'_{\min}] / [B'_{\max} + B'_{\min}] (5) \\ RVI' = B'_{\max} / B'_{\min} (6) \end{array}$

式中, B'_max为灌木植物REF(ABS)最大波段的光谱均值, B'_min为灌木植物REF(ABS)最小波段的均值。

GREF和GABS计算改进型NDVI'值和RVI'值的公式如式(5)和式(6)

$\begin{array}{l} NDVI' = [| S'_{\max} | - | S'_{\min} |] / [| S'_{\max} | + | S'_{\min} |] (7) \\ RVI' = | S'_{\max} | / | S'_{\min} | (8) \\ S' = [R_{i} + \dots + R_{i - n}] (9) \end{array}$

式中, S'为光谱在该波段中REF(ABS)一阶微分的和, |S'_max|为灌木植物REF或者ABS一阶微分最大值存在波段的光谱面积, |S'_min|为灌木植物REF或者ABS一阶微分最小值存在波段光谱面积。

最后根据相应变换中不同灌木植物改进型NDVI'或RVI'值之间的最小差异, 选择差异最大的波段组合确定为最优模型。

2 结果与讨论

2.1 灌木植物光谱特征分析与敏感波段筛选

2.1.1 光谱特征

图1为六种灌木植物的REF[图1(a)]和ABS曲线图。

	Figure Option View Download New Window
	图1 不同灌木植物的REF, ABS曲线Fig.1 The spectral reflectance curve of six kinds of Shrubs

从六种灌木植物的REF和ABS曲线[图1(b)]特征来看, 其光谱曲线变化趋势相似, 波峰、波谷等出现的位置基本一致。整体来看, 鬼见愁的REF最小(最高点仅为0.35), 鲜黄小檗的REF稍大(最高点在0.52), 其余四种灌木植物的光谱REF的最高点均在0.55以上。 ABS最高的是鬼见愁, 其次是鲜黄小檗, 这与它们的低REF相对应。

从图1(a)可知, 灌木植物的REF在400 nm附近出现了第一个波谷, 之后开始增大, 且在490~600 nm范围内出现了第一个波峰, 在680 nm处出现第2个波谷, 之后在760 nm附近均形成植物所特有的红边。这种红边现象虽然整体趋势相差不大, 但是不同植物之间REF还是有区别。

在近红光波段(780~1 500 nm)内, REF一直都保持较高水平。 780~890 nm之间REF缓慢增加, 随后REF有所降低, 并在970 nm附近出现近红外波段的第一个波谷, 但是波谷的吸收深度非常小。之后在1 060和1 270 nm出现两个反射波峰, 1 200和1 450 nm各出现一个吸收波谷。中红外波段(1 500~2 500 nm)后, 随着波长的增加, REF总体下降, 并且在1 650和2 225 nm附近出现两个波峰, 1 800和1 925 nm附近出现两个波谷。

ABS的变化趋势和REF相反[图1(b)]。

图1表明, 红边区域(700~745 nm), 近红外区与短红外1区的过渡区(1 350~1 410 nm), 短红外1与短红外2的过渡区(1 860~1 920 nm), 光谱值斜率突然增大, 不同灌木植物REF和ABS之间的差异会降低乃至消失。在550~680, 860~1 075, 1 375~1 600和1 900~2 400 nm波段, REF和ABS较为稳定, 且不同灌木植物光谱值的差异较大。

2.1.2 敏感波段筛选

金露梅的REF在830 nm后超过了甘肃瑞香, 成为REF最大的灌木, 而其相应的ABS值明显低于其他几个灌木植物。鬼见愁的REF在所有波段中一直低于其他灌木植物, 尤其是在680~1 350, 1 450~1 850和2 200 nm波峰附近。

在450~490 nm(蓝紫光和青光)波段内, 正处于开花期(花瓣紫色)的甘肃瑞香和头花杜鹃的REF呈现陡峭上升趋

势, 而其他四种灌木植物的REF几乎不变。在550~680 nm波段内, 除甘肃瑞香ABS增幅较小外, 其余五种灌木植物的ABS增幅都在2以上[图1(b)]。这一波段可以有效地对甘肃瑞香加以区分。

图2为六种灌木植物全波段一阶微分变换后的REF和ABS(即GREF和GABS)曲线图。

	Figure Option View Download New Window
	图2 灌木植物反射率和吸收率一阶微分(GREF和GABS)曲线Fig.2 The curve of GREF and GABS transformed vegetation spectral reflectance

图2(a)表明, 可见光波段的GREF均为负值, 说明这个波段范围内灌木植物叶片以吸收为主。在490~750, 920~1 005, 1 100~1 204, 1 300~1 450和1 840~1 920 nm这几个波段, 不同灌木植物GREF差异非常明显。

不同灌木植物的GABS变化[图2(b)]也非常明显。从全波段来看, 鲜黄小檗的GABS波动变化很小, 近乎一条直线, 偶尔会出现轻微的波动, 可以很好将鲜黄小檗与其余四种灌木植物区分开。 450~780, 1 100~1 450和1 850~1 950 nm的波段内灌木植物的GABS值变化较大, 差异明显, 可以考虑选择这几个波段范围的一个或几个波段作为灌木植物识别敏感区。

2.2 改进型植被指数计算与最优波段组合筛选

REF和ABS曲线的敏感波段相近, 图1表明, 874~920 nm是光谱反射(REF)最强、吸收(ABS)最小的波段, 而575~673和1 928~2 050 nm这两个波段是光谱反射(REF)最弱, 吸收(ABS)最大的波段, 而且各个灌木植物在这3个波段内的REF和ABS差异都很大, 据此可确定B'_max和B'_min值。同时以TM影像的波段(620~690和790~960 nm)作为对照, 构建不同敏感波段组合模型计算NDVI'和RVI'。

GREF曲线各个灌木植物差异明显且稳定的波段有490~550, 685~744, 556~591, 636~668, 933~963和1 117~1 164 nm共六个波段; GABS曲线中, 差异明显且稳定的波段分别为490~550, 685~765, 635~671, 556~590和1 117~1 164 nm(表2)。

表2 不同波段组合下GREF和GABS改进型的NDVI'和RVI'计算 Table 2 In different wavelengths combinations NDVI' and RVI' values calculated by GREF and GABS

一阶微分	不同波段组合归一化指数与比值指数方案
GREF	NDVI $'_{A}^{GREF}$ =[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|-\| $S_{556}^{GREF}$ + $S_{636}^{GREF}$ + $S_{933}^{GREF}$ + $S_{1117}^{GREF}$ \|]/[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|+\| $S_{556}^{GREF}$ + $S_{636}^{GREF}$ + $S_{933}^{GREF}$ + $S_{1117}^{GREF}$ \|]
	RVI $'_{A}^{GFEF}$ =[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|]/[\| $S_{556}^{GREF}$ + $S_{636}^{GREF}$ + $S_{933}^{GREF}$ + $S_{1117}^{GREF}$ \|]
	NDVI $'_{B}^{GREF}$ =[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|-\| $S_{933}^{GREF}$ + $S_{1117}^{GREF}$ \|]/[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|+\| $S_{933}^{GREF}$ + $S_{1117}^{GREF}$ \|]
	RVI $'_{B}^{GREF}$ =[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|]/[\| $S_{933}^{GREF}$ + $S_{1117}^{GREF}$ \|]
	NDVI $'_{C}^{GREF}$ =[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|-\| $S_{556}^{GREF}$ + $S_{636}^{GREF}$ \|]/[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|+\| $S_{556}^{GREF}$ + $S_{636}^{GREF}$ \|]
	RVI $'_{C}^{GREF}$ =[\| $S_{490}^{GREF}$ + $S_{658}^{GREF}$ \|]/[\| $S_{556}^{GREF}$ + $S_{636}^{GREF}$ \|]
GABS	NDV $I_{A}^{GABS}$ =[\| $S_{490}^{GABS}$ + $S_{658}^{GABS}$ \|-\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ + $S_{1117}^{GABS}$ \|]/[\| $S_{490}^{GABS}$ + $S_{658}^{GABS}$ \|+\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ + $S_{1117}^{GABS}$ \|]
	RV $I_{A}^{GABS}$ =[\| $S_{490}^{GABS}$ + $S_{658}^{GABS}$ \|]/[\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ + $S_{1117}^{GABS}$ \|]
	NDV $I_{B}^{GABS}$ =[\| $S_{658}^{GABS}$ \|-\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ + $S_{1117}^{GABS}$ \|]/[\| $S_{658}^{GABS}$ \|+\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ + $S_{1117}^{GABS}$ \|]
	RV $I_{B}^{GABS}$ =[\| $S_{658}^{GABS}$ \|]/[\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ + $S_{1117}^{GABS}$ \|]
	NDV $I_{C}^{GABS}$ =[\| $S_{490}^{GABS}$ + $S_{658}^{GABS}$ \|-\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ \|]/[\| $S_{490}^{GABS}$ + $S_{658}^{GABS}$ \|+\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ \|]
	RV $I_{C}^{GABS}$ =[\| $S_{490}^{GABS}$ + $S_{658}^{GABS}$ \|]/[\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ \|]
	NDV $I_{D}^{GABS}$ =[\| $S_{658}^{GABS}$ \|-\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ \|]/[\| $S_{658}^{GABS}$ \|+\| $S_{556}^{GABS}$ + $S_{635}^{GABS}$ \|]
	RVI $'_{D}^{GABS}$ =[\| $S_{658}^{GABS}$ \|/\| $S_{556}^{GA BS}$ + $S_{635}^{GABS}$ \|]

表2 不同波段组合下GREF和GABS改进型的NDVI'和RVI'计算 Table 2 In different wavelengths combinations NDVI' and RVI' values calculated by GREF and GABS

依据REF, ABS, GREF和GABS构建计算的改进型NDVI'值与RVI'值结果见表3。

表3 不同波段组合下改进型的NDVI'和RVI'值 Table 3 NDVI' and RVI' calculated by different wavelengths combinations

波段组合	头花杜鹃	高山柳	鬼见愁	金露梅	甘肃瑞香	鲜黄小檗	相近指数的最小差值
NDV $I_{TM}^{REF}$	0.582	0.685	0.713	0.619	0.534	0.736	0.023
NDV $I_{TM}^{ABS}$	0.554	0.616	0.460	0.613	0.566	0.573	0.003
NDV $I_{575}^{REF}$	0.573	0.647	0.677	0.610	0.523	0.717	0.030
NDV $I_{575}^{ABS}$	0.556	0.596	0.443	0.623	0.554	0.564	0.002
NDV $I_{1928}^{REF}$	0.621	0.725	0.674	0.619	0.746	0.733	0.002
NDV $I_{1928}^{ABS}$	0.577	0.625	0.425	0.612	0.665	0.564	0.013
RVI^REF	3.784	5.343	5.963	4.245	3.292	6.590	0.492
RVI^ABS	3.482	4.215	2.705	4.167	3.611	3.685	0.074
RV $I_{575}^{REF}$	3.681	4.672	5.200	4.132	3.225	6.073	0.459
RV $I_{575}^{ABS}$	3.501	3.950	2.591	4.298	3.845	3.588	0.087
RV $I_{1928}^{REF}$	4.271	6.279	5.134	4.251	6.884	6.496	0.02
RV $I_{1928}^{ABS}$	3.886	4.545	2.590	4.366	5.240	3.784	0.102
GREF	0.616	0.556	0.655	0.595	0.498	0.656	0.001
	4.211	3.503	4.794	3.934	2.981	4.816	0.067
	0.729	0.741	0.847	0.725	0.599	0.791	0.004
	6.375	7.707	12.074	6.286	3.992	8.582	0.089
	0.851	0.760	0.777	0.826	0.844	0.833	0.007
	12.045	7.333	7.951	10.522	11.781	10.977	0.455
GABS	0.690	0.577	0.620	0.689	0.640	0.857	0.001
	5.452	3.731	4.262	5.427	4.552	13	0.067
	0.587	0.458	0.501	0.610	0.535	0.818	0.034
	3.84	2.688	3.011	4.133	3.305	10	0.293
	0.763	0.643	0.758	0.758	0.781	0.857	0.000
	7.443	4.606	5.853	7.268	8.151	13	0.175
	0.680	0.537	0.548	0.694	0.711	0.818	0.011
	5.243	3.319	3.429	5.536	5.919	10	0.110

表3 不同波段组合下改进型的NDVI'和RVI'值 Table 3 NDVI' and RVI' calculated by different wavelengths combinations

REF和ABS的三个光谱组合模式中, 575 nm波段组合中利用REF计算的NDVI'效果非常好, 各个灌木植物在此波段组合下的改进型NDVI'差值差异最大, 相近值的最小差值保持在0.03以上, 优于对照(TM波段组合)0.007。 TM波段组合和575波段组合中通过REF均值计算的改进型的RVI'值之间的差别在0.45以上。在该组合下依NDVI'值和RVI'值大小排列的灌木植物顺序一致, 鲜黄小檗> 鬼见愁> 高山柳> 金露梅> 头花杜鹃> 甘肃瑞香。

GREF和GABS所有波段组合下(表3)的不同灌木植物改进型NDVI'的差异不大, 不能有效地区分灌木植物。 C组合下计算的RVI'值的差异虽然比较明显, 相近值的最小差值可以达到0.455, 但是RVI'为比值系数, 这个差异还是非常小, 仅仅可以作为参考。 B波段组合下灌木植物NDVI'值和RVI'值的差异最明显, 2个相近灌木植物的NDVI'的最小差值可以达到0.034, RVI'的差值也在0.3左右, 且在该组合下NDVI'值和RVI'值大小排列的灌木植物顺序是一致的, 即鲜黄小檗> 金露梅> 头花杜鹃> 甘肃瑞香> 鬼见愁> 高山柳。

2.3 灌木植物光谱特征分析及敏感波段选择

2.3.1 光谱特征

植物与太阳辐射的相互作用主要体现在叶片的光谱特征。在可见光(400~700 nm)波段内, 影响REF的主要是存在于植物叶片中的叶色素, 绝大多数植物在450和670 nm波段附近形成波谷。灌木植物在400 nm附近出现了第一个微小的REF吸收谷, 与草本植物出现的第一个光谱吸收波谷位置(450 nm)相比, 左移了50 nm, 这应该是灌木区别于草本植物的一个典型特征。

六种灌木植物的REF在490-600nm范围内出现了第一个波峰。这一波段内太阳辐射ABS低, REF较强, 是植物叶片光合作用中不能被利用或者利用少的光谱区域, 包含了可见光区域内的整个绿光区和黄光区, 这也是植物叶片呈现绿色的主要原因之一。

在可见光范围内, 灌木植物的REF依次为: 甘肃瑞香> 头花杜鹃、高山柳和金露梅> 鲜黄小檗> 鬼见愁, 这与灌木植物叶片叶绿素含量、叶片结构特征及生育期有很大关系^[15]。甘肃瑞香叶片面积大、叶绿素含量丰富, 它的REF也最高。头花杜鹃的叶片虽小, 但是数量多, 质地厚, 叶绿素含量也很高, 但是它的叶片上有一层厚厚的蜡质层阻挡了部分太阳辐射的吸收和反射, 导致其的REF值也不高。高山柳叶片面积较大, 但它的叶和花均显淡绿色, 叶柄呈黄色, 即叶绿素含量并不高, REF较低。金露梅叶片叶绿素含量较高, 正在盛花期, 花瓣屏蔽了部分太阳辐射, 因此它的REF也不高。鲜黄小檗叶片较大, 叶绿素含量相对较高, 但是刺茎包围叶片和较短的叶柄造成叶倾角太小, 叶片可接受的有效太阳辐射有限, 加之处在盛花期, 花瓣非常大, 屏蔽了部分太阳辐射和叶片反射, 所以它的REF非常低。鬼见愁周身具刺, 叶密集于枝的上部, 叶小且量极少, 叶绿素含量非常低, 这与它REF低相一致。

植被与太阳辐射的反射光谱特征不同于裸地、水体、建筑等其他物质。比如, 植被的“ 红边” 现象, 即在< 700 nm附近呈强吸收, > 700 nm呈高反射。六种灌木植物在680 nm处第二次出现波谷, 这一波段包含了红光、橙光的大部分, 是植物光合作用吸收最强的波段范围, 因此REF非常低^[6]。

在可见光波段(380~780 nm), 除了红边的波长较大, REF较强外, 其余波段的REF都非常低, 植物对可见光的吸收能力较强。而且这六种灌木植物都出现了两个明显的由叶绿素吸收红光(670 nm)和蓝光(400 nm)造成的吸收波谷。

研究表明叶子的几何特性、冠层结构和对水的需求影响植被的水分含量^[7]。水分对植被REF影响波段包括近红外波段(700~1 300 nm)和短波红外波段(1 300~1 900 nm)。所以970和1 200 nm附近的吸收谷的差异与各个灌木植物的含水量高低有关。此外, 在短波红外谱段内, 除了水分, 以各种形式存在的C和N元素的含量也对光谱的反射有一定的贡献, 形成1 400和1 900 nm的吸收谷。

2.3.2 敏感波段选择

近年来, 许多学者利用地物光谱仪对高寒植被特征波段筛选识别开展了多方面的研究, 如李海东等^[11]对西藏高寒河谷地区优势种的光谱特征分析, 得到不同植物在红边位置、红边形状、红谷和纤维素吸收波段的特征差异明显^[12]; 胡远宁等^[12]对甘南的五种毒杂草GREF变换, 利用“ 红谷” 、 “ 绿峰” 、 “ 红边” 、水分吸收、光谱指数和光谱重排等指标, 较好地将5种毒杂草区分开来^[13]。

本研究表明, 在860~1 075 nm, 六种灌木植物的光谱值大小依次为: 金露梅> 甘肃瑞香> 高山柳> 头花杜鹃> 鲜黄小檗> 鬼见愁。但在1 600~1 800和1 950~2 400 nm波段, 六种灌木植物的光谱值依次为: 金露梅> 头花杜鹃> 甘肃瑞香、高山柳> 鲜黄小檗> 鬼见愁。可以利用REF和ABS的大小顺序对六种灌木植物进行区分, 其相应波段的遥感影像也可用于这几种植物的识别。

将REF转换为ABS即将光谱数据之间的差异进行不同程度的缩放, 可使有差异区域更加清晰。 400~550 nm波段的ABS差值较大, 依差值大小可以将这几种灌木植物排列, 因此可以考虑利用ABS在此波段内的差异识别以上几种灌木植物。在550~680 nm波段内, 除甘肃瑞香ABS增幅仅为0.8以外, 其余五种灌木植物的ABS增幅都在2以上, 因此这一波段可以有效地区分出甘肃瑞香。

REF和ABS的一阶微分是反映植物在某段波长区间内的REF和ABS变化情况, 能够较好地反映和解释REF和ABS的增减幅度。不同灌木植物经GREF变换差异非常明显的波段有490~750, 920~1 005, 1 100~1 204, 1 300~1 450和1 840~1 920 nm这5个波段。经GABS变换有450~780, 1 100~1 450和1 850~1 950 nm范围内的差异比较明显, 因此, 可以选择这3个波段的组合作为灌木植物在对应变换下的别敏感区。

2.4 NDVI'值和RVI'值的改进

牛亚龙等对不同生长时期的五种沙生植被原始光谱数据进行NDVI'计算分析, 得到不同生长时期的“ 红边参数” 、 “ 吸收” 参数和时序NDVI'数据, 其识别植被的效果明显好于其他参数^[13]。张波等对荒漠-绿洲交错地带典型植被光谱特征研究发现, 植物光谱经过GREF变换, 红边特征差异增大, 进行REF, ABS和GREF三种变换后的光谱数据进行类似NDVI'值计算, 得到ABS变换后计算的NDVI'值差别最大, 用于草地植物种类区分效果明显^[14]。王佳鹏等对互花米草(Spartinaalterniflora Loisel)叶片叶绿素含量进行了反演研究, 发现利用高REF的RVI'和NDVI'构建的模型精度好^[15]。

本研究通过波段组合计算的各种改进后NDVI'值或者RVI'值差异之间的比较, 明显看出使用REF变换的575nm波段组合效果非常好, 优于对照TM波段计算的NDVI'和RVI'; 经GABS变换下的685~765, 556~590, 635~671, 1 117~1 164 nm的四个波段组合计算的灌丛改进型指数差值最大。因此利用REF和GABS变换后的光谱数据计算改进后的NDVI'值和RVI'值来区分六种灌木植物具有比较明显的效果, 这种方法明显优于传统的NDVI'和RVI'计算和经ABS、 GREF变换下计算的NDVI'和RVI'。

3 结论

通过对研究区灌木植物分布特征、典型灌木植物及其光谱数据的变换处理和分析, 各种灌木植物都具有独特的光谱特征, 分析得到如下结论:

(1)灌木植物对太阳辐射吸收形成的光谱特征曲线与多数植物相似。在可见光波段(400~700 nm)和短波红外光2波段(1 900~2 500 nm)以吸收为主, 近红外(700~1 300 nm)和短波红外1波段(1 300~1 900 nm)以反射为主。

(2)灌木植物对不同波段的光谱吸收程度不同, 就会形成许多波峰或波谷, 其中在吸收较强的光所在的波段形成波谷, 吸收弱或者不吸收的波段形成波峰。但是灌木植物的第一个吸收谷出现在400 nm左右, 比草本植物左移50 nm。

(3)灌木植物在某些敏感波段中反映出独有的光谱特征, 通过REF, ABS, GREF和GABS变换, 可以将这些特征进一步扩大。利用这一特点可以寻找和筛选敏感波段, 作为遥感影像提取波段用于灌木植物分类和识别。六种灌木植物光谱值差异较大, 且数值相对较为稳定的波段有550~680, 860~1 075, 1 375~1 600和1 900~2 400 nm, 因此可选取这4个波段为敏感区进行植物识别。

(4)利用575~673, 874~920 nm波段的反射率(REF)均值或685~765, 556~590, 635~671和1 117~1 164 nm波段的吸收率一阶微分(GABS)面积计算的NDVI值和RVI值的方法可以有效辨别六种灌木植物。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	Chinese Vegetation Commission(中国植被委员会). Vegetation in China(中国植被). Beijing: Science Press(北京: 科学出版社), 1980. 430. [本文引用:3]
[2]	ZHANG De-gang, HU Zi-zhi(张德罡, 胡自治). Acta Prataculturae Sinica(草业学报), 2003, (3): 28. [本文引用:1]
[3]	WEI Huai-dong, CHEN Fang, ZHANG Bo, et al(魏怀东, 陈芳, 张勃, 等). Pratacultural Science(草业科学), 2018, 35(3): 590. [本文引用:1]
[4]	HAO Fang-fang, CHEN Yan-mei, GAO Ji-xi, et al(郝芳芳, 陈艳梅, 高吉喜, 等). Journal of Ecology and Rural Environment(生态与农村环境学报), 2016, 32(6): 1024. [本文引用:1]
[5]	ZHANG Jian(张健). 内蒙古大学, 2016. [本文引用:1]
[6]	QIAO Yu(乔雨). 兰州大学, 2017. [本文引用:2]
[7]	AN Ru, JIANG Dan-ping, LI Xiao-xue, et al(安如, 姜丹萍, 李晓雪, 等). Remote Sensing Technology and Application(遥感技术与应用), 2014, 29(2): 202. [本文引用:2]
[8]	FAN Yun-bao, ZHAO Wen-ji, GONG Zhao-ning, et al(范云豹, 赵文吉, 宫兆宁, 等). Wetland Science(湿地科学), 2016, 14(5): 654. [本文引用:1]
[9]	Croft H, Chen J M, Zhang Y. Ecological Complexity, 2014, 17(1): 119. [本文引用:2]
[10]	Hayashi H, Higashino T, Kinjo Y, et al. AcsAppl Mater Interfaces, 2015, 7(33): 18689. [本文引用:1]
[11]	LI Hai-dong, SHEN Wei-shou, LIU Bo, et al(李海东, 沈渭寿, 刘波, 等). Journal of Ecology and Rural Environment(生态与农村环境学报), 2014, 30(4): 521. [本文引用:2]
[12]	HU Yuan-ning, CUI Xia, MENG Bao-ping, et al(胡远宁, 崔霞, 孟宝平, 等). Pratacultural Science(草业科学), 2015, 32(2): 160. [本文引用:3]
[13]	NIU Ya-long, LIU Ting-xi, DUAN Li-min, et al(牛亚龙, 刘廷玺, 段利民, 等). Journal of Ecology and Rural Environment(生态与农村环境学报), 2017, 33(7): 632. [本文引用:3]
[14]	ZHANG Bo, NIU Ting, FANG Shi-feng, et al(张波, 牛婷, 房世峰, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(4): 1104. [本文引用:2]
[15]	WANG Jian-peng, SHI Run-he, ZHANG Chao, et al(王佳鹏, 施润和, 张超, 等). Remote Sensing Technology and Application(遥感技术与应用), 2017, 32(6): 1056. [本文引用:2]

1980

0.0

... 引言高寒灌丛是由耐寒的中生或旱生灌木为优势种而构成的一类植被^[1] ...

... 10⁷ hm², 居世界之最^[1] ...

... )、绣线菊(Spiraeachinensis)、杜鹃(Rhododendron)、柳(Salix)、小檗(Berberis)等灌丛为主的大面积高寒落叶灌丛和高寒常绿灌丛^[1] ...

2003

0.0

ZHANG

De-gang

, HU

Zi-zhi

(张德罡, 胡自治). Acta Prataculturae Sinica(草业学报), 2003, (3): 28.

对受到砍伐和滑坡影响的东祁连山杜鹃灌丛草地灌木植物的恢复生长研究表明，砍伐后，灌木恢复到原群落的程度依次为金露梅>鬼箭锦鸡儿>柳>头花杜鹃>千里香杜鹃>烈香杜鹃，滑坡条件下各灌木的恢复程度与砍伐样地相似，说明金露梅、鬼箭锦鸡儿和柳能够快速适应新的生境条件，充分利用新生境条件下的各种资源进行恢复生长，在群落恢复演替的前期生长速度较快，而杜鹃属植物不能较好地适应新的生境条件，再生恢复速度相对迟缓。

... 仅分为冷季和暖季, 冷季达7个月之久, 植物生长期约为140 d^[2] ...

2018

0.0

... 长期以来, 由于地处偏远、高寒, 条件严酷, 交通不便, 青藏高原高寒灌丛相关研究较为困难^[3], 尤其是缺乏利用地物光谱仪开展的灌木植物分类和特征识别方面的研究 ...

2016

0.0

... 植物分类是植物研究开发的基础性工作^[4], 是遥感监测生物多样性动态变化的理论基础^[5] ...

2016

0.0

... 植物分类是植物研究开发的基础性工作^[4], 是遥感监测生物多样性动态变化的理论基础^[5] ...

2017

0.0

... 地物光谱研究自20世纪80年代开展以来, 已经成为现代遥感技术的重要组成部分^[6] ...

... 六种灌木植物在680 nm处第二次出现波谷, 这一波段包含了红光、橙光的大部分, 是植物光合作用吸收最强的波段范围, 因此REF非常低^[6] ...

2014

0.0

, JIANG

Dan-ping

, LI

Xiao-xue

, et al(安如, 姜丹萍, 李晓雪, 等). Remote Sensing Technology and Application(遥感技术与应用), 2014, 29(2): 202.

Grasslands not only support animal production,but also play an important role as an ecological safety barrier and they maintain herders’ livelihood as well as inherited culture.However,a series of ecological problems are becoming more and more serious because of increasing grassland degradation.Monitoring the ecological status of grassland in real-time and accurately is important.The spectral characteristics of the common grasses in central and eastern part of the Three River Source were analyzed by measuring spectral data of various plants.The spectral reflectance curve of grassland vegetation was processed by methods of first\|order differential,continuum removing and normalized differential ratio to extract the spectral characteristics of typical grassland vegetation.Dominant species of Kobresia tibetica and Kobresia parva were identified with high precision through spectral analysis,which provides the strong basis of applying hyperspectral remote sensing in grassland monitoring.

(School of Earth Science and Engineering,Hehai University,Nanjing 210098,China)

草地不仅是畜牧业的生产基地,而且是生态安全屏障保护和牧民生活与草原文化传承的基础,具有生态、生产和生活功能。然而,草地日益退化导致的生态经济问题越来越突出。因此,实时、准确地监测草地的退化具有重要意义。根据所测定的各种地面植被的光谱数据,分析了三江源中东部典型草原区常见草种的光谱特性;利用一阶微分法、连续统去除法和归一化微分比的方法对草地植被光谱反射曲线进行了处理,提取了典型草地植被的光谱特征;通过光谱分析法能准确识别藏嵩草和小嵩草优势种,取得了较好的精度。为高光谱遥感草地监测提供了有力依据。

... 它不仅是遥感理论研究的重要内容, 也是遥感应用研究的重要依据, 已经在许多方面开展研究, 如利用高光谱对植物含水量^[7]、植物光谱识别^[8]、植被光谱特征^[9,10,11]、土壤有机质^[12]、生物量^[13]等估算和反演研究 ...

... 研究表明叶子的几何特性、冠层结构和对水的需求影响植被的水分含量^[7] ...

2016

0.0

2014

0.0

... 0 nm, 数据输出时重采样间隔为1 nm^[9] ...

2015

0.0

2014

0.0

... 近年来, 许多学者利用地物光谱仪对高寒植被特征波段筛选识别开展了多方面的研究, 如李海东等^[11]对西藏高寒河谷地区优势种的光谱特征分析, 得到不同植物在红边位置、红边形状、红谷和纤维素吸收波段的特征差异明显^[12] ...

2015

0.0

Yuan-ning

, CUI

Xia

, MENG

Bao-ping

, et al(胡远宁, 崔霞, 孟宝平, 等). Pratacultural Science(草业科学), 2015, 32(2): 160.

Spectral characteristics of grassland plants have important implications for the identification of species. In the present study, spectral differences with 5 species of typical poisonous weeds of Heteropappus bowerii, Ligularia sagitta, Thermopsis lanceolata, Anaphalis lactea and Potentilla anserina in Gannan alpine meadow were analyzed using canopies spectra and parameterized characteristics. Although the tendencies of the original spectral curves of these poisonous weeds were similar, these weeds can be easily distinguished by indices as “red valley”,“green peak”, “red edge”, water uptake, spectral index, and spectral reordering after the first derivative spectra and reordering of the original spectral curves. These results suggested that vegetation classification based on spectral analysis had important significance on the remote sensing research, vegetation investigation and classification of Gannan alpine meadow.

1.State Key Laboratory of Grassland Agroecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China; 2.Key Laboratory of Western Environment, Ministry of Education, Lanzhou University, Lanzhou 730000, China

草地植物的光谱特征对于物种的识别具有重要意义。本研究利用2013年9月采集的甘南州夏河县桑科草原5种典型毒杂草青藏狗娃花（Heteropappus bowerii）、箭叶橐吾（Ligularia sagitta）、披针叶黄华（Thermopsis lanceolata）、乳白香青（Anaphalis lactea）和鹅绒委陵菜（Potentilla anserina）的实测高光谱数据，通过对其冠层光谱进行特征分析和参量化等处理，找出了5种毒杂草之间的光谱差异。结果表明，5种毒杂草的原始光谱曲线趋势大致相同，经过一阶微分变换、光谱重排等处理，利用“红谷”、“绿峰”、“红边”、水分吸收、光谱指数和光谱重排等指标，可较好地将这5种毒杂草区分开来。因此，基于光谱分析的植被分类对于研究甘南州高寒草甸植被的遥感反演、调查和分类等具有重要的意义。

... 胡远宁等^[12]对甘南的五种毒杂草GREF变换, 利用#cod#x0201c ...

2017

0.0

... 、水分吸收、光谱指数和光谱重排等指标, 较好地将5种毒杂草区分开来^[13] ...

... 参数和时序NDVI'数据, 其识别植被的效果明显好于其他参数^[13] ...

2016

0.0

... 植被指数一直是研究植被特征最简单、最有效的方法之一^[14] ...

... 张波等对荒漠-绿洲交错地带典型植被光谱特征研究发现, 植物光谱经过GREF变换, 红边特征差异增大, 进行REF, ABS和GREF三种变换后的光谱数据进行类似NDVI'值计算, 得到ABS变换后计算的NDVI'值差别最大, 用于草地植物种类区分效果明显^[14] ...

2017

0.0

... 鬼见愁, 这与灌木植物叶片叶绿素含量、叶片结构特征及生育期有很大关系^[15] ...

... 王佳鹏等对互花米草(Spartinaalterniflora Loisel)叶片叶绿素含量进行了反演研究, 发现利用高REF的RVI'和NDVI'构建的模型精度好^[15] ...