英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于中红外(2.5–6mu;m)和热红外(8–14mu;m)发射率光谱识别植物种类
Saleem Ullah1,2, Martin Schlerf1,3, Andrew K. Skidmore1, Christoph Hecker1
1.地理信息科学系和地球观察（ITC），屯特大学，邮政信箱217，7500声恩斯赫德，荷兰
2.地理信息系统研究所（IGIS），国家科技部门、大学12，伊斯兰堡，巴基斯坦
3.中心研究公共Gabriel Lippmann（crpgl），l-4422贝尔沃，卢森堡
摘要：利用遥感的方法鉴别植物种类通常受到可见光，近红外和短波红外反射光谱的相似性的限制。但是不同植物物种在中红外（MIR;2.5mu;m-6mu;m）和热红外（TIR，8mu;m-14mu;m）范围的发射光谱有明显的差异。随着机载和空间传播的高光谱热传感器的进步，植物物种之间的分化将会有所改善。本文分析了13个普通阔叶树种在MIR和TIR中的3024个光谱带的发射率光谱。对于每个波长，使用单向方差分析（ANOVA）与Tukey HSD检验来测试物种之间的差异的显着性。结果发现分析的物种的发射率光谱在各波段均具有统计学差异。然后选择六个光谱带（基于每个波段的可分离物种对的直方图），以量化基于Jefferies Matusita（JM）距离的每个物种对之间的可分离性。在78个组合中，76对具有明显不同的JM距离。这意味着在MIR和TIR（2.5mu;m-14mu;m）范围的反射率光谱可以鉴别植物种类。
关键词：光谱辐射率，J-M距离，方差分析，Tukey HSD，光谱可分离性，基尔霍夫定律
1 引言
对植物物种的知识及其空间分布对生态系统的可持续管理至关重要（Schmidt等，2004）。 用于鉴定植物物种的常规花卉调查技术需要详细研究植物形态和广泛的实地工作（Ribeiro da Luz，2006）。一些植物只能在开花时才能鉴定，因此许多物种在高植物多样性的地区分类不明确，一年内开花也发生在不同时期。此外，一些地区难以使用传统的植物调查方式，导致物种在时间，金钱和劳动方面的鉴定和绘图成本较高（Taylor等，1993）。
高光谱传感器，由于其能够获取连续高光谱数据，形成了识别各种植物物种的有价值的工具（Adam＆Mutanga，2009; Belluco等，2006; Cho等，2010; Judd等，2007; Kokaly et al ，2003; Pengra等，2007; Pu，2009; Rosso等，2005; Schmidt＆Skidmore，2003; Ustin＆Xiao，2001; Vaiphasa等，2005），绘制了它们的化学成分（Asner，1998; Blackburn＆Ferwerda ，2008; Clevers等人，2002; Curran，1989; Ferwerda等人，2005; Kokaly，2001; Mutanga等人，2005; Schlerf等人，2010）和量化产量和生物量（Gao等人，2000; Mutanga＆Skidmore ，2004; Thenkabail等人，2000; Todd等，1998）。短波红外遥感（VIS-SWIR;0.4mu;m-2.5mu;m）的吸收特征在传统上构成植被表征的基础，并以植物叶片的水分和色素含量为主。与VIS-SWIR光谱相比，MIR和TIR区几乎不用于研究。
到目前为止，植被光谱在电磁波谱的TIR（2.5-14mu;m）区域已被认为是无特征的。在这个光谱领域，植物叶片的光谱特征大多被忽略，由于诸多困难（Ribeiro da Luz＆Crowley，2007），如缺乏设备（即光谱辐射计对TIR敏感），信噪比低，以及植被光谱特征的微妙复杂性。所以改善运用TIR的技术，有助于发现以叶表皮材料为主的植物的光谱响应（即细胞壁和角质膜; Salisbury，1986）。不同植物物种的叶片在外部叶片组织的化学成分上有所不同，导致不同的光谱特征，相当于指纹，用于鉴别不同种植被（Kirkland等，2002; Ribeiro da Luz＆Crowley，2007,2010; Salisbury， 1986; Salisbury＆Milton，1988; Silverstein＆Webster，1998）。
很少有科学家试图研究MIR和TIR中的植物叶光谱。Salisbury（1986）是第一个在实验室中基于双锥反射率的视觉变化的方法识别13种植被类型的人。之后，有人提出了干燥植物材料的DHR反射率，光谱特征归因于纤维素和木质素（Elvidge，1988）。一些科学家试图确定野外和空气中的植被（French et al。，2000; Ribeiro da Luz＆Crowley，2007,2010），区分不同程度的植被种类。然而MIR和TIR范围的高光谱（窄带）传感器会对识别植被物种方面带来新的研究方法。
本文研究了基于叶片发射率光谱鉴别植物物种的潜力。在实验室光谱的基础上，假设各种物种的发射光谱的变化是明显的，然后将发射率谱反演用于物种鉴定。
2 材料和方法
2.1 叶片采样/收集
本研究于2010年7月至9月在荷兰恩斯赫德进行。叶片从13种植物（表1）中收集，其中十一种是当地的，两种是热带的（Asplenium nidus和Spathiphyllum;来自当地苗圃）。该物种由有经验的分类学家鉴定。
为了取样位置的均匀，从树的上，中，下部收集叶子，包括是向阳面和阴影面。从枝上摘下的叶子在5分钟内送到实验室，放在潮湿的棉花中以避免干燥。并且立即进行谱测量。
2.2 叶片光谱测量
使用Bruker VERTEX 70 FTIR（傅立叶变换红外; Bruker Optics GmbH，Ettlingen，Germany）光谱仪获得每个叶子的定向半球反射（DHR）光谱。使用氮气（N 2），光谱仪连续吹扫水蒸汽和二氧化碳。积分球（样品端口为30mm，样品束为25mm直径）附着在光谱仪的外部端口。积分球用涂有金（约3um厚）的玻璃珠粒喷射表面，以实现高度漫反射表面。进入球体的能量通过折叠镜重新定向到球体底部的样品上。样品表面的入射角度偏离正常值10°，防止镜面反射。反射能量从入口处发出（Hecker等，2011）。使用用液氮冷却的中带汞镉碲（MCT）检测器（范围为10,000至600cm-1或1-16.70um）来测量叶片样品的近轴（上）表面的DHR光谱。每个物种测量35叶片，因此总共测量了455叶片。从相同物种的至少十个不同植物收集测量的叶子。每个叶片测量都经过具有高反射率（约0.96）的金板（红外线; Labsphere反射技术）的校准测量。在2.5和14um之间测量植物叶子的DHR光谱，光谱分辨率为4cm-1。叶片样品放置在黑色表面上以吸收通过叶片的透射辐射，并且如（Gerber等人，2011）提出的，使3.5和5.7mu;m范围内的透明度特征最小化。每个叶子谱平均为1000次扫描。光谱区域6-8um被排除在分析之外，因为光谱在该区域是有噪声的（由于吸水特征）。使用基尔霍夫定律(ε=1minus;R)(Nicodemus，1965; Salisbury等，1994）将DHR光谱转换为发射率。基尔霍夫定律适用于不透明物体，并且TIR范围中的光谱学研究将植物叶片识别为不透明物体。(Coblentz，1913; Gates＆Tantraporn，1952)。基尔霍夫定律在本研究中的适用性是基于在黑色表面上测量新鲜叶子的结果，对中红外区域透射率的影响可以忽略不计(Fabre et al,2011; Gerber et al,2011)。
2.3 数据处理和分析
利用大量波段的窄带传感器数据用于分类是需要大量训练样本，这是一个繁琐复杂的过程（Schmidt＆Skidmore，2003）。为了避免这些情况，并识别2.5和14um之间（n = 3024）对物种鉴别敏感的波段，使用单向方差分析（ANOVA）和光谱可分性（Jefferies Matusita Distance）检验。使用二次判别分析测试所选波段对多种类分类的有用性。选择这些方法的原因是，对于最佳特征选择，没有一种单一技术被证明是具有绝对优势的（Adam＆Mutanga，2009; Yang等人，2005）。所以在进行测试之前，对每个波段的光谱发射率值的分布进行正态检验，并对每个光谱带验证方差的均匀性（同方差）。
2.3.1 统计检验（单因素方差分析）
单因素方差分析后采用post-hoc Tukey（Tukey HSD）检验用于测试每个波段的植物物种之间平均发射率的变化是否大于单一植物物种之间的差异。
N种植被物种和i波段的零假设为：
表1使用实验室分光光度计（2.5mu;m-14mu;m）测量的13种植物物种，它们的通用名，拉丁名，代码和每种物种的叶数。
替代假设为：
其中un表示第n个物种（n = 1,2,3，...，13）的平均发射率，i表示光谱波段。
对去除零假设后组合进行多次比较。对于物种的所有可能的成对组合，使用事后Tukey HSD测试在每个波段进行比较。Tukey HSD是一个保守的事后检验，当组数（在这种情况下是植被种类）很大并且可能会膨胀1型错误时，首选（Yandell，1997）计算组合的总数为n（（n-1）/2）），等于78。方差分析在99％（pb0.01）置信水平下进行测试。
通过单因素ANOVA进行事后Tukey HSD测试，通过对每个波段计算平均发射率，确定了13个植被类型（78对）之间的重要光谱波段。
2.3.2 植物物种之间的距离分析
单向方差分析与后置成对比较结果导致每个波段发射率不同的频率图。该频率图表明了区分植被物种比较重要的波段。利用从频率图中选择可分离性分析的条带的双重标准。首先，为了覆盖2.5和14um之间的整个光谱，从电磁光谱的两个不同的大气窗口（2.5-6um和8-14um）中均等地选择光谱带。其次，要使用的叶片应该有78个（80％）中至少有62个明显不同。根据Jeffries Matusita（J-M）距离指数（Adam＆Mutanga，2009; Schmidt＆Skidmore，2003; Vaiphasa等，2005），利用满足这些标准的6个光谱带来分析13个植被物种的可分离性。Jeffries-Matusita（J-M）距离是两类密度函数之间的平均距离（Richards，1993; Schmidt＆Skidmore，2003）。
作为参数测试，由于矩阵反演的奇异性问题，J-M距离计算无法在具有大量植被对的整个波段范围内执行（Adam＆Mutanga，2009; Vaiphasa等，2005）。J-M距离值的平方在0和2之间，其中较大的J-M距离值表示组对之间较高的可分离性（Richards，1993）。在这项研究中，我们使用了ge;1.94（2的ge;97）的J-M距离作为组对之间的光谱可分性阈值，这比在遥感实践中常用的1.90的值更严格（Thomas 等,2003; ENVI软件的用户指南RSI Inc）。
J-M距离使用公式（3）。
其中i和j是被比较的两个物种; Ci = i物种光谱响应的协方差矩阵; mu;i= i的签名的平均向量; T =转置函数; ln =自然对数函数;| Ci | = Ci的行列式。
2.3.3 二次判别分析（QDA）
J-M距离仅测量成对的距离。为了克服成对分析的局限性，进行判别分析。线性判别分析是一种用于统计，模式识别和机器学习的方法，用于找出表征或分离两类或多类物体的特征的线性组合（Jacksonamp;Landgrebe，2002; Sankaranamp;Ehsani，2011; Shi et al，2008 ）。在遥感方面，使用光谱数据的判别分析已被应用于区分水生植物物种（Pentilde;uelas等，1993），森林物种（Foodyamp;Cutler，2003）和其他类型的植被。为了测试对于许多植物物种（多类问题）的六个选定波段的鉴别能力，在Matlab Statistics Toolbox（www.mathworks.com）中运行了具有分层10倍交叉验证的二次判别分析（QDA）。训练集随机分为10个不相交的子集。每个子集大致相同的大小和大致相同的类别比例。删除一个子集，使用其他九个子集训练分类模型，并使用训练模型对所删除的子集进行分类。对于10次运行，我们计算了平均混淆矩阵和平均总体精度以及生产者和用户准确度。
3 结果
3.1 统计分析
13种植被类型的植物辐射率（图1）显示了MIR和TIR中波长区域的不同特征和交叉。图中箭头所示的特征1是与CO2（4.23,4.29和13.90um）和水蒸气（5.70-6.0um）相关的大气特征，并且可能是由于痕迹的存在的这些气体在光谱仪中。使用单因素方差分析，总体结果（F = 137.77，p = 0.000）表明在每个光谱带，至少有一对的平均发射率是不同的。p值图（图2）显示了在整个波长区域所有植物物种的平均发射率不相等（即pb0.01的统计学差异）并且光谱是可分离的。Tukey HSD事后检测结果是13种植被种类提供78种可能的对组合。
为了进一步证明，随机选择四对植被物种进行统计比较（图3）。结果表明，发射率谱之间的差异
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[25219]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
