基于不同光譜變換的劍湖茭草鮮生物量估測研究

張 超 余哲修 黃 田 張 一 羅恒春 牛曉花

( 西南林業大學林學院，云南 昆明 650233)

濕地植被是濕地的重要組成部分之一，對濕地植被生物量的監測和評價，可以衡量濕地生態系統的健康狀況，進而深入研究濕地生態系統碳循環、氮循環、凈初級生產力等[1-2]。高原濕地是濕地科學領域研究的熱點問題之一，位于滇西北的高原分布有許多獨特的濕地，其生境復雜、物種多樣性豐富，并且生態系統脆弱，人為活動自然因素的影響已造成生態系統破壞和濕地資源喪失，因此對高原濕地植被生物量的演變狀況進行及時、準確的監測和評價顯得至關重要[3-5]。

傳統的濕地植被生物量估算主要靠人工實地布設樣方，收割采集，既費時費力，又具有破壞性，并且濕地以水體或沼澤為主，環境較為復雜，部分區域難以實地設置樣方采集植被[6-7]，利用遙感技術對濕地植被的生物量進行調查估算，能夠減少人力物力的耗費，相比傳統調查方法，對濕地生態系統的研究能發揮更多的價值。高光譜遙感具有波段數量多、光譜分辨率高、光譜連續等特點，可以獲取地物豐富的反射光譜信息[8]，對高光譜數據的變換可以減少背景、光照等因素的影響，能夠更好地提取地物光譜特征，一些植被的光譜反射率經過不同的數學變換后，可以增強光譜與其生理生化參量的相關性，從而利用高光譜數據定量反演植被的理化參數[9-11]。基于高光譜數據估測濕地植被生物量在國內外已被成熟應用，如Sun等[12]利用多種高光譜植被指數對洪河濕地優勢植物地面鮮生物量估測，ATSAVI指數與鮮生物量的相關系數達0.85（P＜0.01）；Adam等[13]基于隨機森林回歸，利用高光譜構建的NDVI和EVI對iSimangaliso濕地公園的莎葉草（Cyperus papyrus）生物量進行估測，最高R2為0.90；Luo等[14]結合激光雷達和高光譜數據對張掖國家濕地公園的蘆葦（Phragmites australis）生物量進行估測，研究表明，結合LiDAR和高光譜數據估測的精度比單獨使用高光譜數據精度提高了16.5%；李偉娜[15]利用CHRIS數據估測了隆寶灘濕地植被生物量，得出基于+36°VInew為自變量建立的指數模型估測鮮生物量效果最佳；盧霞等[16]通過高光譜數據構建了窄波段植被指數，估測了三洋港濕地堿蓬（Suaeda glauca）的地上鮮生物量，得出基于構建的線性回歸模型精度最高。

本研究以大理劍湖濕地為研究區，選取劍湖濕地分布最多的茭草（Zizania latifolia）為研究對象，結合實測茭草的生物量和茭草反射光譜數據，通過不同的光譜變換分析，建立光譜變量和鮮生物量的估算模型。旨在探討利用高光譜反演濕地植被生理生化參數的可行性，從而為濕地生態系統的研究提供參考。

1 研究區概況

劍湖濕地位于云南省大理白族自治州劍川縣境內，地處東經 99°55′，北緯 26°28′，總面積約7.5 km2，平均海拔2 186 m，湖面積6.23 km2，平均水深2.7 m，最大水深6.0 m。劍湖濕地植被類型包括：草叢沼澤型群系4個，漂浮植物型、浮葉植物型、沉水植物型群系10個。沉水植被是劍湖濕地植被中分布面積最廣、類型最豐富、多樣性程度最高的類型。劍湖濕地共有維管植物443種，其中蕨類植物10科14屬20種，種子植物102科267屬423種，在102科中，裸子植物3科3屬4種，被子植物99科264屬419種。劍湖濕地植被以茭草的分布面積為最大。

2 材料與方法

2.1 數據采集與處理

以生長健康的茭草為研究對象，選擇植被的生長季采樣，采樣時間為2017年7月27日。現地確定采樣點位置時，每個采樣點間隔大于200 m，共設置33個樣地（圖1），528個樣方，共采集茭草反射光譜曲線1 320條。

樣地大小為1 m×1 m，將整個樣地劃分為16個0.25 m×0.25 m的小樣方，每個樣地選取3個樣方實測光譜，每個樣地選取1個樣方，采用皆伐法采集樣品，采集樣本后現場放置于便攜式電子天平（精度0.01 g）稱量。

圖1 研究區位置及采樣點分布Fig. 1 Sketch map of location of study area and sample points distribution

利用ASD Field Spec 3野外光譜儀采集光譜數據（波長為350～2 500 nm）。測量在晴朗、無風、少云條件下進行，測量時間10：00—15：00。光譜采樣時，將茭草葉片展平，儀器探頭垂直于葉片，每個樣本測量30次光譜，視實際環境隨時對儀器定標。測量光譜時，受空氣水汽、太陽光強度、儀器本身等影響，光譜曲線部分譜段存在噪聲和毛刺，使用ASD光譜儀配套的ViewSpec Pro軟件將測量誤差較大及不理想的曲線剔除；在篩選數據之后對剩余數據進行平滑和去噪處理，并分別對每個樣點測量的光譜數據求平均光譜；剔除噪聲集中的1 350～1 400、1 750～1 950 nm和2 350～2 500 nm 3個波段范圍；去噪后對光譜進行平滑處理，使用Savitzky-Golay法對光譜曲線平滑[17]。

2.2 光譜變換方法

光譜變換后可以降低背景環境、光照和大氣散射等對光譜的影響，以凸顯植被生化參數對光譜吸收帶來的差異。本研究中進行了24種光譜變換，見表1。

包絡線去除能有效增強波段的光譜吸收和反射特征，有利于提取特征波段[18]。對數變換可以增強可見光波段的差異，還有利于降低光照變化引起的乘性因素影響[19-20]。倒數變換有利于增強光譜在可見光波段的差異[21]。導數變換可以去除部分背景、噪聲等對光譜的影響，在一定程度上還能凸顯不同物質光譜特征的細微差別[22-24]。

連續小波變換能夠提取植被反射光譜局部吸收特征信息[25-26]，不同尺度的變換有助于提取各植物的細節信息和全局信息[27]。選擇合適的小波基函數和變換尺度可使其具有凸顯光譜曲線局部吸收和反射特征的能力，有利于光譜和植被理化參數的分析[28]。本研究選取 MexicanHat 小波基函數，其在時域和頻率都有很好的局部化[29]，并在8 個尺度（21、22、23、24、25、26、27、28）下對光譜曲線進行分析。

2.3 模型構建方法

分析各種光譜反射率變換值與生物量的相關性，篩選出與生物量相關性高的變量建立其估算模型。在所有樣本中，隨機選擇80%用于建模，其余20%作為檢驗數據。分別用單變量回歸和多元線性逐步回歸建立模型，常用的單變量擬合模型見表2。多元逐步回歸分析將每個自變量逐個引入模型，最終保留對因變量解釋顯著的自變量。

表1 光譜變換方法及表達式Table 1 The methods and expressions of spectral transformation

表2 單變量擬合模型Table 2 Single variable fitting models

2.4 模型檢驗

采用決定系數（R2）、均方根誤差（RMSE）、預估精度（P）和相對分析誤差（RPD）評價模型精度。模型決定系數是衡量建模效果優劣的常用指標，是衡量模型所推算的估算值與真實值間的差異化程度，決定系數在0 ～ 1之間，值越大模型預測精度越高。均方根誤差可以反映估算數值偏離實測值的程度，RMSE值越小模型的精度越高。預估精度能反映出模型的平均預估能力。相對分析誤差可以用來檢驗估算模型的穩定性及預測能力。RPD＞2時，表明模型估測效果較好；1.4＜RPD＜2時，表明模型估測效果一般；RPD＜1.4時，表明模型不能用于估測[30-31]。計算方法分別見式（1）～（4）。

式中：yi為第i個樣本的實測值，為第i個樣本的估算值，為所有樣本實測值的平均值，n為樣本總數，SD為樣本標準差。

3 結果與分析

3.1 光譜特征分析

3.1.1 簡單數學變換后的高光譜特征

經過9種簡單數學變換后的光譜曲線見圖2。由圖2可知，9種光譜變換對茭草的光譜特征影響不同，變換前后的光譜曲線主要特征均表現在可見光和近紅外波段。包絡線去除變換后，可見光波段中葉綠素對綠光反射和紅光吸收的特征波段被明顯放大。平方根、立方根變換后反射率相比變換前有所增加，對數變換后的曲線反射率均變為負值，但3類變換曲線形態趨勢變化較小。對數倒數、倒數對數、倒數平方根和倒數立方根變換后，曲線形態與變換前的曲線對稱，對數倒數變換后相比變換前更容易分析茭草反射光譜的特征波段。倒數變換后551 nm處的“綠峰”和671 nm處的“紅谷”特征被凸顯出來，藍光波段367 nm處的反射峰、短波紅外的1 449 nm和2 207 nm水汽吸收和反射相比變換前明顯突出，說明經過變換后的光譜更容易分析茭草光譜特征。

圖1 不同形式的光譜反射率簡單數學變換Fig. 2 The different simple mathematical transformation of spectral reflectance

3.1.2 導數變換后的高光譜特征

經過7種一階導數和7種二階導數變換后的光譜曲線見圖3～4。由圖3可知，茭草反射光譜經過導數變換后，相比簡單數學變換可以更明顯地表現出反射光譜特征。一階微分的光譜可以表現出植被的“三邊”參數特征，經過對數一階微分、倒數一階微分、對數倒數一階微分和倒數對數一階微分變換后曲線波動起伏變化較大，藍邊522 nm、黃邊571 nm和紅邊718 nm相比一階微分變換表現地更加明顯，而平方根一階微分和立方根一階微分變換的曲線形態和趨勢變化幅度較小，不能很好地突出可見光波段的光譜特征。在近紅外波段范圍，對數倒數一階微分相比其他變換，增強了760、850、910、960 nm和1 120 nm附近水和氧氣窄吸收帶的特征，近紅外波段的3個波峰和2個波谷能較好地表現出來。在1 400～1 750 nm的短波紅外波段，1 450 nm附近為含水分和二氧化碳的強吸收區域，在變換前的光譜曲線形態上表現為波谷，1 650 nm附近與植物所含水分的波譜特性有關，因此在1 650 nm附近表現為波峰，倒數一階微分、對數倒數一階微分和倒數對數一階微分3種變換突出了從波谷到波峰變化速率最快的1 500 nm附近的波段。

圖3 不同形式的光譜反射率一階導數變換Fig. 3 The first derivative transformation of spectral reflectance in different forms

圖4 為7種二階微分變換的曲線，光譜變換前1 950～2 350 nm波段主要的光譜特征由葉片細胞液、細胞膜和水分的影響形成，相比一階微分的波峰和波谷更多，在簡單數學變換和一階微分變換后，1 950～2 350 nm的短波紅外波段特征沒有很好的表現出來，經過倒數二階微分和對數倒數二階微分變換后凸顯出來，主要表現在2 060～2 170 nm和2 180～2 270 nm附近的范圍。

圖4 不同形式的光譜反射率二階導數變換Fig. 4 The second derivative transformation of spectral reflectance in different forms

3.1.3 小波變換后的高光譜特征

經過連續小波變換后的光譜數據見圖5。由圖5可知，原始光譜在8個尺度下分解，隨著分解尺度地增加，茭草的光譜曲線特征逐漸減弱。第1尺度下幾乎未表現出明顯的特征；第2～3尺度下表現出了“紅谷”的吸收特征；第4～6尺度下表現出了“綠峰”的反射特征、“紅谷”的吸收特征、近紅外波段的吸收谷和多重反射特征，以及短波紅外的水汽吸收特征；第7～8尺度下光譜數據逐漸失真，只能表現出茭草光譜的整體特征，而細節特征已經丟失。從光譜分析方面來看，綜合比較8個尺度下的光譜特征，中等尺度的連續小波變換既能表現茭草光譜整體特征，同時又不丟失細節特征，第4～5尺度下的連續小波變換較適合分析原始光譜信號。從小波變換后的光譜值來看，分解尺度越高光譜值的絕對值越大，從波長來看，光譜值較大的區域集中于近紅外波段，負值集中于可見光和短波紅外波段的水汽吸收部分。整體來看，較大和較小的小波系數代表了光譜低頻特征，說明可見光和近紅外波段對低頻特征的響應明顯。

3.2 生物量與變換光譜的相關性分析

通過光譜變換數據和生物量之間的相關性分析（圖6～7），可以篩選出與生物量相關性強的特征波段，構建茭草生物量估算模型。由圖6可知，反射率、對數、倒數、平方根、立方根、對數倒數、倒數對數、倒數平方根和倒數立方根沒有任何波段的反射率值與生物量達到顯著相關水平。從曲線起伏形態上分析，導數變換相比簡單數學變換波峰波谷明顯增加，并且正負值交替變動較大，而二階微分相比一階微分起伏變化更強烈。從相關系數水平上看，在9種簡單數學變換中，僅包絡線去除變換有43個波段的反射率與生物量達到顯著相關水平（P＜0.05）。在14種導數變換中，平方根二階變換后達到顯著水平的波段最多，共有191個波段的反射率值與生物量達到顯著相關水平（P＜0.05），二階微分變換達到極顯著相關水平（P＜0.01）的波段最多，共52個波段；相關性最高的波段為二階微分變換的1 615 nm，相關系數為-0.730。

由圖7可知，在所有變換中，小波變換后達到顯著相關水平的波段最多，1～7分解尺度下共有1 097個波段，其中179個波段達到極顯著相關水平（P＜0.01）。第1尺度變換下共172個波段達到顯著相關水平（P＜0.05），55個波段達到極顯著相關水平（P＜0.01），相關性最高的波段為第2尺度（1 617 nm），相關系數為0.734。說明小波變換有利于篩選對生物量敏感的波段，并且能夠提高反射率與生物量之間的相關性。

3.3 生物量估算模型分析

通過不同形式變換的光譜反射率與生物量的相關性分析，保留相關性達到顯著水平的光譜變量用于建立估算模型，分別用包絡線去除、一階微分、二階微分、對數一階微分、對數二階微分、倒數一階微分、平方根一階微分、平方根二階微分、立方根一階微分、立方根二階微分、對數倒數一階微分、對數倒數二階微分、倒數對數一階微分、倒數對數二階微分和小波變換后的光譜特征波段為自變量。以生物量為因變量，建立茭草的生物量估算模型，擬合結果見表3。由表3可知，基于包絡線去除、對數一階微分、倒數一階微分、倒數二階微分、立方根一階微分和倒數對數一階微分的估算模型不能通過多元逐步線性回歸方法建立，僅能通過單變量回歸方法建立估算模型，說明這6種形式的光譜變換對生物量敏感的波段數較少。

模型精度見表4。由表4可知，基于立方根二階微分變換的估算模型精度最高，R2＞0.8、P＞80%、RPD在2.0以上，說明立方根二階微分變換后的特征波段構建的回歸模型適用于茭草鮮生物量估測；一階微分、平方根一階微分、對數倒數一階微分雖然估測精度接近于70%，但R2＜0.5、RPD＜1.4，表明其不適用于鮮生物量的估算，其他單變量回歸模型相比一階微分、平方根一階微分、對數倒數一階微分估測效果更差，說明單變量回歸模型不能對茭草鮮生物量進行估測。綜合分析R2＞0.8的模型，基于立方根二階微分變換的多元回歸模型對茭草鮮生物量估測效果最佳，其次為倒數對數二階微分、對數二階微分和小波變換，同時可說明小波變換雖然能提高波段對鮮生物量的相關性，但變換后仍然有部分光譜細節特征受到影響，因此基于連續小波變換的回歸模型估算效果略弱于基于二階導數變換的回歸模型。

圖5 不同尺度的光譜反射率連續小波變換Fig. 5 Continuous wavelet transformation of spectral reflectance under the different scales

圖6 簡單數學變換和導數光譜值與茭草生物量的相關性分析Fig. 6 Correlation analysis of simple mathematical transformation and derivative spectral value with biomass of Z. latifolia

圖7 小波變換光譜值與與茭草生物量的相關性分析Fig. 7 Correlation analysis between wavelet transform spectral value and biomass of Z. latifolia

表3 不同光譜變換下的茭草生物量回歸模型Table 3 Regression models of Z. latifolia biomass under different spectral transformation

表4 模型精度評價Table 4 Evaluation of model accuracy

續表4

4 結論與討論

通過在劍湖濕地實測茭草反射光譜，采集茭草樣本，并進行現場稱量，對平滑處理后的茭草光譜曲線進行了24種反射率變換。分析了各種變換與茭草鮮生物量的相關性，建立茭草鮮生物量估算模型，得出結論如下：

1）經過不同形式的光譜變換后茭草的反射光譜特征更容易分析，特征波段能夠更明顯反映出來。對數倒數變換和倒數變換增強了可見光波段的特征；對數倒數一階微分變換增強了近紅外波段的特征；倒數二階微分和對數倒數二階微分增強了短波紅外的特征；4～5尺度的連續小波變換較適合分析原始光譜特征，既分析了整體特征，又保留了細節特征。

2）與生物量的相關性分析中，連續小波變換達到顯著相關水平的波段最多，8個分解尺度下共有1 097個波段，相關性最高的為（R1617，S2），相關系數為0.734；簡單數學變換和導數變換中，二階微分變換達到極顯著相關水平的波段最多，共52個波段，相關系數最高為，相關系數為-0.730。

3）從構建的16個鮮生物量估算模型分析，基于立方根二階微分變換的多元回歸模型對茭草鮮生物量估測效果最佳，R2、RMSE、P和RPD分別為0.88、1 044.90 g/m2、83.95%、2.64。

在未來研究中可以通過波段組合構建植被指數、更高階的微分變換，或在一般數學變換的基礎上進一步利用連續小波變換進行光譜分析和篩選對鮮生物量敏感的波段，在建模方法上采用非參數方法進一步研究探討茭草生物量的估算。從實地采樣方面來看，受現場環境限制和影響，采集的光譜雖然經過預處理后能達到應用要求，但在有條件的情況下應使用室內光源測定反射光譜，不僅環境時間可控，并且在水汽影響的波段有數據，使得光譜數據更完整。本研究通過不同的光譜變換提取與鮮生物量相關性高的光譜參量，參考徐新剛等[32]、付元元等[33]、鄧兵等[34]學者的研究，構造植被指數或利用光譜曲線本身的特征參數與植被理化參數之間也有較高的相關性，因此今后可嘗試利用植被指數和光譜曲線特征參數進行研究，以期得到可提高茭草鮮生物量估測精度的光譜參量。對于高光譜在濕地植被的理化參數的研究和應用上，多數學者對平原濕地研究較多，而劍湖濕地作為高原濕地，植被生長和濕地環境與平原濕地有所不同，未來還應該對不同生長期的茭草生物量進行研究，從而提高篩選光譜變量、建立估算模型的效果。