《基于实测高光谱数据的鄱阳湖湿地植被光谱差异波段提取》由会员分享，可在线阅读，更多相关《基于实测高光谱数据的鄱阳湖湿地植被光谱差异波段提取（10页珍藏版）》请在金锄头文库上搜索。
1、基于实测高光谱数据的鄱阳湖湿地植被光谱差异波段提取 况润元 曾帅 赵哲 肖阳 江西理工大学建筑与测绘工程学院 摘 要： 高光谱遥感技术的出现为有效解决湿地植被种类的精细识别和分类提供了可能.通过实地测取鄱阳湖湿地 5 种植被的高光谱数据, 在对数据预处理的基础上, 提出一种基于数据误差范围和植被光谱均值差的植被光谱差异波段提取方法.将该方法应用于包络线变换前后的光谱曲线提取植被的光谱差异波段, 最后利用马氏距离法检验植被识别效果.结果表明:本文中的方法有效提取了植被光谱差异波段, 其中变换前光谱差异波段分别为 663688 nm, 变换后为 581636、660 695和 12251236 n
2、m.在光谱差异波段范围内, 同种植被的马氏距离值小于异种植被的马氏距离值, 可有效对植被进行识别.研究结果为湿地植被分类识别奠定了理论基础, 同时为湖泊湿地植被以及湖泊生态环境的保护决策提供科学依据.关键词： 鄱阳湖湿地; 植被光谱; 光谱差异波段; 作者简介：况润元 (1976) , 男, 博士, 副教授;E-mail:rykuang .收稿日期：2016-07-16基金：国家自然科学基金项目 (41101322) Extraction of the discriminative bands of Lake Poyang wetland vegetation based on the mea
3、sured hyperspectral dataKUANG Runyuan ZENG Shuai ZHAO Zhe XIAO Yang School of Architectural and Surveying & Mapping Engineering, Jiangxi University of Science and Technology; Abstract： Identification and classification of wetland vegetation by spectral data is often one of the key points and difficu
4、lties in vegetation remote sensing. Compared with multispectral data, hyperspectral ones have the characteristics of more bands, larger amount of data and higher redundancy. The emergence of hyperspectral remote sensing technology provides chance for solving problems of identifying and classifying w
5、etland vegetation species precisely. For the discrimination of wetland vegetation species with hyperspectral remote sensing technology, the extraction of the discriminative bands is very important. The hyperspectral data on Acorus calamus, Cynodon dactylon, Carex cinerascens, Persicaria hydropiper,
6、Phalaris arundinacea in Lake Poyang wetland are measured by using ASD Field Spec 4 spectrometers. A new method is proposed to extract the discriminative bands between vegetation species of original spectra and envelope spectra. Finally, we use the method of Mahalanobis distance to examine the vegeta
7、tion identification effects. The research results show that: The new method can extract the discriminative bands between vegetation species effectively. The discriminative bands of original spectra is 663-688 nm, and the discriminative bands of envelope spectra are: 418-451 nm, 487-507 nm, 621-637 n
8、m, 658-85 nm, 1222-1245 nm. In those discriminative bands, the Mahalanobis distance values between the same species is less than those among different species, so it could help us to identify different types of vegetation species effectively. The research results lay a foundation for the wetland veg
9、etation classification, and provide a scientific basis for the protection of the lake wetland vegetation and the ecological environment of lakes.Keyword： Lake Poyang wetland; hyperspectral data; discriminative bands; Received： 2016-07-16高光谱数据容易获取地物的局部精细信息, 对光谱细节特征具有良好的表现能力, 在分析植被的反射光谱差异性有较大的潜力1.运用高光
10、谱技术对湿地植被光谱进行识别分析是近些年来研究的热点和重点之一.在光谱识别研究中, 不同类型地物可根据地物特有光谱特征进行有效区分, 这些光谱特征包括吸收位置、光谱值、反射曲线深度、宽度与强度、峰谷位置以及斜率等2.相关专家和学者在植被光谱分析识别方面的研究成果如下:刘波等3依据雅江源区地面实测高光谱数据, 分析高寒区草地光谱特征和退化过程中的光谱响应变化;任广波等4基于黄河三角洲 6 种典型植被的实测光谱数据, 分析反射光谱特征并筛选出了植被光谱差异波段;安如等5分析了三江源中东部草原区常见草种的反射光谱特征, 提取了典型草地植被的光谱特征;柴颖等6利用美国Sacramento-San Jo
11、aquin 三角洲植被的实测高光谱数据, 在对光谱特征分析的基础上对湿地植被进行了分类;刘克等7测定野鸭湖湿地典型植被群落的高光谱数据, 分析提取了可用于植被分类的光谱识别波段.纵观国内外研究现状, 涉及到旱地、盐沼植被高光谱方面的研究较多, 在内湖淡水湿地植被光谱分类方面的成果相对较少, 已有的关于植被高光谱反射特征知识有待进一步研究;相对于旱地植被和盐沼植被, 湖泊湿地植被受湖区水位影响较大, 光谱不仅具有高度相似性和空间变异性, 且具有较强的时间动态性;针对淡水湖泊湿地植被光谱分类识别的相关研究还不多见, 在植物种类精细分类识别方法上还有进一步研究空间.本文以鄱阳湖湿地 5 种优势种植被
12、为研究对象, 通过分析湿地植物光谱特征, 提出一种新的植物光谱差异波段提取方法, 对湖泊湿地植被的种类识别方法方面进行探讨.1 研究区域与数据方法1.1 研究区概况鄱阳湖湿地 (28222945N, 1154711645E) 位于中国江西省北部、长江中下游南岸, 是我国第一大淡水湖泊生态湿地.鄱阳湖承接赣江、饶河、信江、修河、抚河五河之水, 与长江相通, 流域内草洲、泛滥地、河滩地大量分布且面积广阔.整个流域内孕育着大量宝贵的物种资源, 其中的水生植被起着至关重要的作用, 具有固碳、降解有毒物质、改善环境等功能.作为初级生产者, 湿地植被是食草性鱼类主要的食物来源, 同时也是各种水生动物和越冬
13、的候鸟活动栖息之地, 湿地内多种植被更是人类进行经济活动重要的生产资料.随着近几年气候变化和各种因素的影响, 鄱阳湖和其他内陆湖泊一样面临着水量调蓄能力下降、湖泊环境污染加重、生物资源退化等问题8.鄱阳湖生态功能对整个长江中下游地区经济发展、自然资源的保护和利用的重要意义不言而喻.如何对鄱阳湖湿地中物种资源, 特别是植被资源进行科学保护已然成为一项迫不及待的任务之一.1.2 数据采集及预处理采集地点为鄱阳湖南矶乡自然保护区, 采集时间为 2016 年 4 月 18、19 日和 11月 3 日, 天空晴朗无云或局部少云, 此时湖区水位较低, 植物长势良好, 与其他季节相比, 植被光谱在此时相似度
14、较高、分类难度较大.利用美国 ASD 公司生产的 Field Spec 4 便携式地物光谱仪采集植被高光谱数据.光谱采样的波长范围为 3502500 nm, 其中 3501000 nm 光谱分辨率为 3 nm、10002500 nm 为 10 nm, 光谱采样间隔 3501000 nm 为 1.4 nm、10002500 nm 为 2 nm, 数据采样间隔为 1 nm, 光纤前视场角为 25.测量的植被有菖蒲 (Acorus calamus) 、狗牙根 (Cynodon dactylon) 、苔草 (Carex cinerascens) 、水蓼 (Persicaria hydropiper)
15、、虉草 (Phalaris arundinacea) 5 种植被.在植被光谱测量过程中, 选取植被单一、长势良好、植被盖度较高的植丛布置样方, 样方大小设置为 1 m1 m, 样方之间的距离大于 3 m, 为使数据具有代表性, 采样点均匀分布于研究区.为保证良好的光照条件, 测量时间选定在 10:0014:30, 测量过程中每隔最多 20 min 需进行一次白板优化, 测量前需提前开机预热 30 min.所有的测量数据均采用垂直观测法, 距离植被冠层上方 1 m 左右测取数据, 每个采样点测取 10 条光谱曲线, 每种植物测量 30 个样点, 随机抽取 10 个样点数据用以实验分析, 剩下的
16、20 个样点数据对本文中提出的方法进行识别效果检验.本文使用协方差来衡量每种植被样点的离散程度, 5 种植被 30个样点之间的协方差平均值分别为 0.0208 (菖蒲) 、0.0219 (狗牙根) 、0.0321 (水蓼) 、0.0344 (苔草) 和 0.2941 (虉草) .植被反射光谱曲线采集后, 室内利用仪器自带的 View Spec Pro 软件对植被光谱曲线进行以下预处理: (1) 剔除异常光谱数据.受光照及野外环境因素影响, 波谱曲线在测量过程中难免存在有偏差程度较大的异常数据, 本文参照王锦地等9所提到的强度大小检验法对数值偏差较大的数据进行剔除. (2) 去除噪声波段.去除水汽噪声波段 1350 nm+及边缘效应噪声波段 350400 nm, 所以本次实验截取的波段范围为 4001350nm. (3) 数据平滑去噪处理.本文采用移动平均法对所测植被光谱曲线进行平滑去噪处理10. (4) 对数据求取均值光谱曲线并导出到 Execl 中求取
