无人机高光谱影像与冠层树种多样性监测 生物多样性    2021, 29 (5): 647-660.   DOI: 10.17520/biods.2021013

图3 个体的林冠层光谱特征曲线。(A)主成分分析(PCA)处理后的冠层高光谱影像, 其中数字①-⑤分别代表不同的个体。(B) 5个林冠个体的光谱反射曲线。不同的植物因其化学性质和结构的不同, 表现出不同的光谱反射曲线, 这是基于光谱物种分类的基础。

正文中引用本图/表的段落

典型的冠层高光谱影像与普通相机拍摄的RGB影像没有本质区别。但普通RGB图片只有红绿蓝3个颜色通道(图1A), 而高光谱影像有几百个颜色通道, 其中每一个颜色通道代表某一波段光的相对反射强度(图1B)。将图像中的某一个像素包含的所有光谱信息组合起来, 就可以得到该像素点所在林冠位置的近乎连续的光谱反射曲线(图1C)。

不同物种和不同树木个体间存在可测量的光谱差异, 是基于冠层高光谱影像的物种多样性监测的基础。具体而言, 当太阳辐射到达植物时, 可能被反射、吸收或转化。所有植物都含有能形成反射光谱的基本成分, 包括叶片色素、水分、蛋白质、淀粉、蜡和其他结构分子, 如木质素和纤维素。常用于物种分类的高光谱波段范围为400-2,500 nm, 其中包括可见光部分(VIS, 400-700 nm)、近红外部分(NIR, 700-1,000 nm)和短波红外部分(SWIR, 1,000-2,500 nm) (Adam et al, 2010)。在绿叶中, 光合色素(叶绿素a和叶绿素b)和辅助色素在可见光波段范围内表现出较高的吸收率; 水分则在近红外较窄波段表现出吸收特征(Rivard et al, 2008); 在短红外波段内, 具有高信噪比的高光谱传感器可以探测到木质素、纤维素、蛋白质等吸收特征信息(Clark & Roberts, 2012)。除化学组成外, 影响光谱的因素还包括植物组织内部和表面的结构, 这些会影响光子的散射和传输。植物的独特生化和结构特性可以转化为物种水平的光谱特性, 而高光谱传感器可以探测到这些光谱特异性(Adam et al, 2010)。目前已有越来越多的证据表明, 不同植物物种所具有的独特光谱特征能被高光谱传感器所探测(Asner et al, 2009)。图3展示了4个不同物种(包含5个不同个体) 的光谱特征曲线, 从中可以清晰地看到, 这些物种的光谱具有明显差异, 同一物种不同个体间也存在光谱差异, 这虽然向基于高光谱的物种分类提出了挑战, 但也为种间与种内的物种多样性监测提供了丰富的数据基础。

本文的其它图/表

• 图1 浙江天童亚热带常绿阔叶林典型森林冠层RGB影像与高光谱影像示意图。(A)普通RGB影像, 仅包含红(620-760 nm)、绿(500-560 nm)、蓝(430-470 nm) 3层信息, 因此在RGB影像中多数常绿树种的冠层呈现近乎相同的绿色, 给冠层树种的识别造成了极大的困难; (B)冠层高光谱影像的三维立体展示, x轴为扫描长度, y轴为扫描宽度, z轴为光谱轴; (C)选定像素的光谱反射曲线, 横坐标代表波长, 纵坐标代表波段反射率值, 该像素在不同的波段下表现出不同的反射率值, 组成了一条近乎连续的光谱曲线。
  
• 图2 冠层RGB影像与主成分分析(PCA)处理后的冠层高光谱影像对比图。(A)冠层RGB影像, 各树种冠层呈现相近的绿色; (B)通过PCA处理后的前三轴的冠层高光谱影像, 不同树种的林冠呈现不一样的颜色, 这意味着高光谱影像具备充分的潜力, 能够反映出不同树种之间的细微差异。
  
• 图4 基于深度学习网络的分类模型。模型中包括输入层、隐藏层和输出层, 隐藏层用于提取图像特征, 层数越高, 隐藏层提取的特征越高级。
  
• 图5 2000-2019年间生态学领域中分别使用无人机(UAV)、深度学习、高光谱进行研究的文章统计结果
  
• 图6 深度学习与非深度学习算法在高光谱树种分类中的表现。通过统计检验结果可看出, 深度学习算法在物种分类中有明显优势。