沉水植物水蘊草蓋度高光譜遙感估算研究

柴 穎，阮仁宗，王玉強

（1.河海大學 地球科學與工程學院，江蘇 南京 210098；2.山東省減災中心，山東 濟南250000）

沉水植物水蘊草蓋度高光譜遙感估算研究

柴 穎1，阮仁宗1，王玉強2

（1.河海大學 地球科學與工程學院，江蘇 南京 210098；2.山東省減災中心，山東 濟南250000）

以美國薩克拉門托-圣華金三角洲為研究區，提取高光譜遙感影像上沉水植物水蘊草的光譜數據，計算水蘊草的光譜特征參數，將水蘊草蓋度與光譜特征參數進行相關性分析，得到R725、BD602.9和NBDI587.53個特征參量，與水蘊草蓋度建立估算模型，并對模型進行精度檢驗。結果表明，以NBDI587.5為變量建立的蓋度估算模型具有較高的精度。

高光譜；光譜特征參數；水蘊草；蓋度；HyMap

沉水植被是海濱、河口和內陸水生生態系統的重要組成部分[1]，在濕地生態系統中發揮著不可忽視的生態功能[2-3]，因此，準確掌握沉水植物種類、分布、蓋度等生物多樣性信息，對于濕地生態系統的監控和管理至關重要。高光譜遙感技術具有光譜劃分精細、數據量豐富等特點，可以基于地物光譜特征，實現利用宏觀手段對微觀地物的識辨，定量分析地球表層生物理化過程[4]。地物波譜特性是高光譜遙感定量分析的基礎[5]，目前，基于高光譜數據的沉水植物蓋度估算研究大都基于地面實測光譜數據[6-9]。但是，不同環境下傳感器和地面觀測情況各異，目前尚無規范的地物光譜與環境參數配套的光譜數據庫[10]，所以利用實測光譜建立沉水植物蓋度估算模型，計算精度會受到很大影響。而且這些研究大多數都集中于探測不同蓋度沉水植物與光譜反射率之間的關系。目前，基于光譜特征參數估算沉水植物蓋度的研究還較少。

本文以沉水植物水蘊草為研究對象，基于高光譜遙感影像HyMap數據，獲取水蘊草的波譜曲線，提取光譜特征參數，分析光譜參數與植被蓋度的相關性，篩選與水蘊草蓋度相關性高的光譜特征參量，建立水蘊草蓋度的高光譜遙感估算模型，通過模型精度檢驗，找出適合水蘊草蓋度的估算模型。

1 研究區概況

薩克拉門托-圣華金三角洲位于美國加利福尼亞州西北部，北起薩克拉門托市南部，南至特雷西市北部，東臨斯托克頓市，流經蘇珊灣、卡爾金尼茨海峽及舊金山灣，于金門注入太平洋（圖1）。三角洲汊河縱橫，地勢低洼，全長564 km，流域面積為4.5萬km2，平均流量138 km/s，且呈季節特征：冬季平均流量為1 700±300 m3·s-1，夏季平均流量為540±40 m3·s-1，是加州淡水輸送系統的主要樞紐[11-12]。

研究區沉水植物主要有水蘊草、伊樂藻、金魚藻等。水蘊草為多年生沉水植物，廣泛分布于研究區，其繁殖能力很強，容易入侵新的棲息地扎根形成致密墊，通過阻止水道的水流，改變生態系統的動力。

圖1 研究區地理位置示意圖

2 研究方法

2.1 數據獲取及其預處理

HyMap是澳大利亞HyVista公司研制的航空成像光譜儀，總視場角為60°，瞬時視場角為215 mrad，共126 個波段，光譜范圍為0.450～2.500 μm，可分為4個波段組：可見光、近紅外、短波紅外1和短波紅外2，每個波段組包括32個波段，光譜分辨率為15～20 nm不等[11]。

研究區域高光譜遙感數據HyMap影像的空間分辨率約為3 m，航高1 500 m，掃描寬度為1.5 km[12]，共64條航帶，飛行路線貫穿整個三角洲。影像已經過HyCorr大氣校正軟件校正，數據轉換成地表反射率。

所有的野外實測樣點均利用GPS獲得，精度約為1 m，記錄樣本的種類、蓋度和位置等屬性。每個樣本都拍攝兩張照片，一張為樣本整體景觀，另一張為近距離單個植株，每張照片都與相應的點位、拍攝時間建立了關聯。

2.2 光譜特征參數

由于沉水植物特殊的生存環境，其光譜反射率受背景水體的吸收作用較大，因此本文采用描述光譜吸收特征的參數來反演沉水植物水蘊草的蓋度。

光譜吸收特征參數是用來定位光譜吸收位置并量化吸收谷形狀特征的參數[13]，本文的光譜特征分析主要針對水蘊草冠層光譜450～900 nm范圍進行，首先對該范圍的光譜數據進行連續統去除變換，連續統去除主要是為了增強光譜曲線在吸收谷處的吸收特征，增大各光譜曲線之間的差異[14]。

本文采用波段深度（BD）、歸一化波段深度指數（NBDI）和歸一化面積波段深度（BNA）對水蘊草的光譜吸收特征信息進行表征[15]。

式中，R′為各波長對應的連續統反射率；BDmax為波段深度的最大值；R為各波長對應的反射率；A為連續統去除后吸收特征面積。

3 實驗分析

3.1 水蘊草原始光譜特征

從地面實測的176個樣本數據中隨機抽取90個樣本數據參與蓋度反演模型的建立。根據樣本點的屬性信息，在影像上提取不同蓋度水蘊草的光譜數據，取其平均作為不同蓋度水蘊草的標準波譜曲線（如圖2）。從圖中可以看出，水蘊草的光譜曲線表現為典型的植被光譜特征，在可見光部分的藍波段( 450 nm為中心) 和紅光波段（670 nm為中心）附近有較強的吸收，形成兩個吸收谷。在560 nm 和810 nm附近分別形成了明顯的反射“綠峰”和“紅峰”。當水蘊草蓋度變化時，其平均光譜反射率也相應發生改變，表現為平均光譜反射率隨水蘊草蓋度的降低而下降，在近紅外區域尤其突出；當水蘊草的蓋度為20%（即水體80%）時，反射光譜曲線在450～900 nm范圍內典型的“綠峰”特征已經不明顯。不同蓋度水蘊草的光譜反射率之間的差異主要表現在500～600 nm和700～900 nm這兩個波段范圍。

圖2 不同蓋度水蘊草的光譜特征

3.2 光譜特征相關性分析

用SPSS22.0軟件進行光譜數據的相關性分析和回歸分析，并用Excel 2007作圖，如圖3。

圖3 水蘊草蓋度與不同光譜特征參數之間的相關性

圖3表明，水蘊草蓋度與其光譜反射率呈正相關，不同蓋度的水蘊草與其在可見光波段575～650 nm和近紅外波段690～900 nm處的光譜反射率的相關性達到顯著水平（P＜0.05），在700～900 nm范圍內達到極顯著水平（P＜0.01），最高的相關性位于725 nm處，可通過水蘊草蓋度與該反射率的回歸分析，定量反演水體中水蘊草的蓋度，因此選擇R725作為蓋度估算的候選參數。分別將水蘊草蓋度與BD、NBDI和BNA進行相關性分析，發現在波段587.5 nm與602.9 nm附近，其蓋度與BD的相關性最高，通過了0.01的檢驗水平，水蘊草蓋度與NBDI的相關性在波段587.5 nm附近達到最大（P＜0.01），而與BNA的相關性在波段602.9 nm與633.9 nm附近最高，且通過了0.01的檢驗水平。因此將這些波段對應的特征值作為建模的候選參數。綜上所述，經過相關性分析得到的候選光譜特征參數為R725、BD587.5、BD602.9、NBDI587.5、BNA602.9和BNA633.9。

3.3 水蘊草蓋度估算

在SPSS中采用多元線性逐步回歸建立模型，剔除不能通過顯著性檢驗和具有共線性的變量，通過計算判定系數R2來評價模型。將經過相關性分析得到的6 個光譜特征參數與其對應蓋度值進行回歸分析，建立水蘊草蓋度反演的線性方程。分析結果如表1所示，水蘊草蓋度與這6個光譜特征參數之間的關系均可較好地用線性關系表示。其中，特征參數R725、BD602.9和NBDI587.5與水蘊草蓋度的擬合效果較好，表明沉水植物蓋度與這些特征參量之間存在著顯著的相關性，利用回歸方程可以較好地解釋蓋度的變化。

表1 水蘊草蓋度與不同光譜特征參數線性擬合結果

3.4 精度檢驗

計算野外實測數據中其余86組水蘊草的3個光譜特征參數，分別代入上述3個模型，反演水蘊草蓋度，并將該模型反演的水蘊草蓋度與實測蓋度進行比較，結果如表2所示。從表2可以看出，水蘊草蓋度的反演精度均較高，其中利用光譜特征參數NBDI587.5進行蓋度估算，無論是回歸方程的R2還是反演精度都明顯高于其他的蓋度反演模型。

表2 模型精度檢驗結果（n=86）

4 結 語

通過在影像上提取光譜數據并對其進行變化處理，分析了光譜特征變量與沉水植物水蘊草蓋度的相關性，獲得了具有較高估測精度的水蘊草蓋度光譜特征參數。分析結果表明：

1）通過各光譜特征參數與水蘊草蓋度的相關分析，確定特征參數R725、BD602.9和NBDI587.5與水蘊草蓋度的擬合效果較好。其中，估測水蘊草蓋度的最佳參數為波長587.5 nm處的NBDI值，通過回歸模型，水蘊草蓋度預測精度達到最高78.27%。

2）不僅光譜反射率與沉水植物蓋度之間相關性顯著，光譜特征參數與沉水植物蓋度之間也存在著顯著的相關性，可根據高光譜遙感數據的具體波段情況綜合利用這些光譜特征估算不同沉水植物的蓋度變化。

[1] 王衛紅,季民.沉水植物川蔓藻的生態學特征及其對環境變化的響應[J].海洋通報,2006,25(3)∶13-22

[2] 吳振斌,邱東茹,賀鋒,等.沉水植物重建對富營養水體氮磷營養水平的影響[J].應用生態學報,2003,14(8)∶1 351-1 353

[3] Meerhoff M,Mazzeo N,Moss B, et al.The Structuring Role of Free-floating Versus Submerged Plants in a Sub Tropical Shallow Lake[J]. Aquatic Ecology,2003(37)∶377-391

[4] 甘甫平,熊盛青,王潤生,等.高光譜礦物填圖及示范應用[M].北京∶科學出版社,2014

[5] 張凱,郭鈮,王潤元,等.西北荒漠草甸植被光譜反射特征研究[J].地球科學進展,2006,21(10)∶1 063-1 069

[6] 袁琳,張利權.大型沉水植被狐尾藻不同蓋度的光譜特征[J].遙感學報,2007,11(4)∶609-616

[7] Zomer R J,Trabucco A,Ustin S I.Building Spectral Libraries for Wetlands Land Cover Classification and Hyperspectral Remote Sensing[J].Journal of Environmental Management,2009(90)∶2 170-2 177

[8] PU R L,Bell S,Meyer C,et al.Mapping and Assessing Seagrass Along the Western Coast of Florida Using Landsat TM and EO-1 ALI/Hyperion Imagery[J].Estuarine,Coastal and Shelf Science,2012(115)∶234-245

[9] Jakubauskas M,Kindscher K,Fraser A,et al.Close-range Remote Sensing of Aquatic Macrophyte Vegetation Cover[J].International Journal of Remote Sensing,2000,18(21)∶3 533-3 538

[10] 張春梅,張建明.基于高光譜影像的干旱區草地光譜特征分析[J].光譜學與光譜分析,2012,32(2)∶445-448

[11] Underwood E C,Mulitsch M J,Greenberg J A,et al.Mapping Invasive Aquatic Vegetation in the Sacramento-San Joaquin Delta Using Hyperspectral Imagery[J].Environmental Monitoring and Assessment,2006(121)∶47-64

[12] Hestir E L,Khanna S,Andrew M E, et al.Identification of Invasive Vegetation Using Hyperspectral Remote Sensing in the California Delta Ecosystem[J].Remote Sensing of Environment,2008(112)∶4 034-4 047

[13] 浦瑞良,宮鵬.高光譜遙感及其應用[M].北京∶高等教育出版社,2000

[14] 付元元,王紀華,楊貴軍,等.應用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算[J].光譜學與光譜分析,2013,33(5)∶1 315-1 319

[15] 李小文,劉素紅.遙感原理與應用[M].北京∶科學出版社,2008

P237

B

1672-4623（2016）05-0041-03

10.3969/j.issn.1672-4623.2016.05.013

柴穎，碩士，主要從事生態遙感與GIS研究。

2015-05-13。

項目來源：中國科學院戰略性先導科技資助項目（XDA05050106）。