李瑞平 黃侃 黃華國

(北京林業(yè)大學(xué)，北京，100083)

吉林蛟河主要樹種葉片光譜分類1)

李瑞平 黃侃 黃華國

(北京林業(yè)大學(xué)，北京，100083)

運用實驗室測量的闊葉紅松林的葉片光譜數(shù)據(jù)，對吉林蛟河實驗區(qū)的主要樹種(紅松、白樺、白牛槭、春榆、裂葉榆、蒙古櫟、青楷槭、色木槭和紫椴等)的葉片進行分類研究。結(jié)果表明：實驗室測量葉片光譜數(shù)據(jù)，針闊樹種分類精度達(dá)到100%；所有樹種分類精度為80%～100%。運用波段響應(yīng)函數(shù)分別模擬多光譜傳感器GEOEYE-1、RAPIDEYE和WORDVIEW2的光譜，可以有效區(qū)分針闊樹種，分類精度為71.6%～100.0%；所有樹種分類精度為47.3%～74.0%。

葉片光譜；混交林；樹種分類

We studied the leaf classifications with blade hyperspectral data for the main tree species in Jiaohe, Jilin Province. Nine tree species werePinuskoraiensis,BetulaplatyphyllaSuk,AcermandshuricumMaxim.,Ulmusjaponica,Ulmuslaciniata(Trautv.) Mayr.,Quercusmongolica,AcertegmentosumMaxim.,AcermonoMaxim. andTiliaamurensisRupr.. The classification of needle-leaved and broad-leaved tree species was perfect with an accuracy of 100%. The classification accuracy among all tree species was in 80.0%-100.0%. We resampled the spectrum into several multispectral sensors (GEOEYE-1, RAPIDEYE and WORDVIEW2) by using their band response functions, and effectively distinguished coniferous species and deciduous species with the accuracy of 71.6%-100.0%. However, the classification accuracy for all species was low with 47.3%-74.0%.

闊葉紅松林是東北林區(qū)重要的天然林類型，對東北闊葉紅松林資源現(xiàn)狀和動態(tài)監(jiān)測一直是有關(guān)學(xué)者研究的問題[1-2]。高光譜技術(shù)在森林類型識別、植被參數(shù)反演、健康評估方面有著獨特優(yōu)勢[3-7]，是監(jiān)測天然林資源現(xiàn)狀和動態(tài)的重要手段，在東北林區(qū)得到了較為廣泛的應(yīng)用。

根據(jù)研究目標(biāo)不同，利用高光譜圖像對東北林區(qū)的研究可以分為三類：植被分類方法[8-9]、植被參數(shù)反演[10-11]和高光譜像元分解技術(shù)[12]。董連英等[8]基于CART算法構(gòu)建決策樹模型，運用Hyperion高光譜圖像對長白山地區(qū)的植被進行了分類，結(jié)果表明面在森林植被上的分類效果很好。王新云等[10]利用高光譜多角度數(shù)據(jù)和輻射度模型反演了長白山實驗區(qū)森林冠層的葉面積指數(shù)和郁閉度。王強[12]以黑龍江省東京城林業(yè)局的兩個下屬林場為研究區(qū)，圍繞著Hyperion高光譜遙感數(shù)據(jù)，運用混合像元分解技術(shù)，比較了基于多光譜的傳統(tǒng)分類方法和適用于高光譜的混合像元分解分類方法的差異。

根據(jù)數(shù)據(jù)源不同，在東北林區(qū)的森林資源遙感研究可以分為：衛(wèi)星高光譜遙感研究(CHRIS/PROBA和Hyperion)、機載航空高光譜研究[13-14]和地面光譜測量研究[15-16]。劉麗娟等[14]用機載LIDAR數(shù)據(jù)和高光譜CASI數(shù)據(jù)的融合數(shù)據(jù)對溫帶森林樹種分類，結(jié)果顯示基于像元的融合數(shù)據(jù)對溫帶森林樹種識別的精度較高光譜數(shù)據(jù)有較大提高。范秀華等[15]分別測量和對比了長白山地區(qū)紅松、臭冷杉不同海拔針葉的光譜反射率，結(jié)果表明兩種針葉樹在不同海拔的光譜反射率變化明顯，整體上，單木或者葉片級別的地面觀測數(shù)據(jù)較為有限。

目前，利用葉片光譜對東北林區(qū)的研究主要分為兩個方面：一是探索葉片光譜反射特性與光合之間的關(guān)系[17-18]，二是探索葉片光譜反射特性與環(huán)境變化之間的關(guān)系。方曉雨等[19-20]研究了蒙古櫟、紫椴和紅松3個樹種不同高度植株葉片的反射光譜特征和光合特征的變化。盧文敏等[19]對長白山不同海拔的岳樺葉片反射光譜的研究，探討了岳樺葉片對高山環(huán)境的適應(yīng)機制。

由于葉片光譜包含樹種特性信息，是高光譜圖像分類的基礎(chǔ)。因此，本文從實驗室測量葉片光譜數(shù)據(jù)角度對該地區(qū)主要樹種進行分類，以判斷不同樹種葉片實測光譜水平的可分性。鑒于高光譜數(shù)據(jù)獲取的價格相對較高，處理過程復(fù)雜，因此，優(yōu)先考慮利用多光譜遙感影像對樹種進行分類的可行性。同時，嘗試基于實測葉片光譜數(shù)據(jù)模擬不同傳感器光譜，判斷各樹種在模擬光譜尺度下的可分性，以此來推測該地區(qū)樹種在多光譜遙感影像上的可分性。

1 研究區(qū)概況

研究區(qū)位于吉林省蛟河市蛟河林業(yè)實驗區(qū)(經(jīng)度127.5°～128.1°，緯度43.8°～44.1°)，屬于長白山余脈。該地區(qū)分布的多為原始次生林，林內(nèi)優(yōu)勢樹種有紅松(PinuskoraiensisSieb. et Zucc.)、黃檗(PhellodendronamurenseRupr.)、白牛槭(Mongolicalitv)、山楊(Populusdavidiana)、白樺(BetulaplatyphyllaSuk)、胡桃楸(JuglansmandshuricaMaxim.)、裂葉榆(Ulmuslaciniata(Trautv.) Mayr)、色木槭(Ulmuslaciniata(Trautv.) Mayr)、蒙古櫟(QuercusmongolicaFisch. ex Ledeb.)、水曲柳(FraxinusmandschuricaRupr.)、春榆(UlmusdavidianaPlanch. var.japonica(Rehd.) Nakai)、紫椴(TiliaamurensisRupr.)等。

2 研究方法

2.1 數(shù)據(jù)采集

采樣地點隨機分布于實驗區(qū)內(nèi)(見圖1)。數(shù)據(jù)采集時間為2013年7月22—30日，選取白樺、白牛槭、春榆、紅松、裂葉榆、蒙古櫟、青楷槭、色木槭、紫椴等9個樹種為研究對象。由于這些樹種多為高大喬木，難以采集到樹冠頂端葉片，因此，只采集樹冠底層葉片。將采集好的葉片保存于塑封袋內(nèi)，帶回實驗室進行光譜采集。

圖1 RAPIDEYE影像研究區(qū)樣地分布圖

采用的實驗儀器為漢莎科學(xué)儀器有限公司生產(chǎn)的Unispec-SC光譜儀，測量光譜范圍為300～1150 nm，光譜間距為3.3～3.4 nm。由于300～470 nm及1 050～1 150 nm光譜噪聲很強，因此，僅保留470～1 050 nm的波段用于研究。

9個樹種葉片正反面形態(tài)見表1。每個樹種都分別采集了反射和透射，葉片正面(近軸面、葉片上表面)和葉片反面(遠(yuǎn)軸面、葉片下表面)的數(shù)據(jù)。反射數(shù)據(jù)測量使用該儀器的內(nèi)部光源和二支分叉光纖，而透射數(shù)據(jù)的測量則使用了外部鹵素?zé)艄庠春椭毙凸饫w。由于紅松葉片為針葉，橫截面積過小，在實驗過程中，將5～6個松針平行排列并用膠帶固定兩端，然后再進行測量。測量過程中，儀器每測量10次自動取均值并記錄為1條數(shù)據(jù)。為了避免測量的偶然性，減小隨機誤差，將每3條測量數(shù)據(jù)的均值作為1個樣本，共采集樣本148條。各樹種樣本數(shù)見表2，不同樹種光譜數(shù)據(jù)對比見圖2。

表1 9個樹種葉片正反面形態(tài)

表2 樹種光譜樣本數(shù)

注：a為反射正面數(shù)據(jù)，b為反射反面數(shù)據(jù)，c為透射正面數(shù)據(jù)，d為透射反面數(shù)據(jù)。

圖2 各樹種光譜數(shù)據(jù)均值對比

2.2 實測葉片光譜處理

數(shù)據(jù)預(yù)處理。運用對數(shù)變換、一階導(dǎo)數(shù)變換和二階導(dǎo)數(shù)變換對對原始數(shù)據(jù)進行預(yù)處理，可以有效地去除光譜噪聲。為方便對比分析，對數(shù)據(jù)進行分組。

處理方法(M)：(1)源數(shù)據(jù)；(2)對數(shù)處理數(shù)據(jù)；(3)一階導(dǎo)數(shù)處理數(shù)據(jù)；(4)二階導(dǎo)數(shù)處理數(shù)據(jù)。

觀測對象(O)：(1)葉片正面；(2)葉片反面；(3)不區(qū)分正反葉面；(4)葉片正面+葉片反面。

觀測數(shù)據(jù)(R)：(1)反射光譜；(2)透射光譜；(3)反射光譜+透射光譜。

按照以上不同層次的分組排列，組合成44組數(shù)據(jù)進行分析，如：“M1O1R1”表示使用葉片正面的原始反射光譜數(shù)據(jù)。

數(shù)據(jù)分析采用三種方法。

單因素方差分析[21-22]：單因素方差分析是指對單因素試驗的結(jié)果進行分析，用于檢驗被檢測因素對試驗結(jié)果有無顯著影響，初步判斷在不考慮波段之間相關(guān)性的條件下，從波段光譜的均值和方差角度來初步判斷不同樹種的差異性大小，初步選擇差異性較大的波段。由于單因素方差分析是假設(shè)波段間是完全相互獨立的，并沒有考慮波段與波段之間的相關(guān)性，因此，只能提供基礎(chǔ)的波段重要性信息。

逐步判別分析(SDA)[23-25]：逐步判別分析是在已知觀測對象及可能影響觀測對象的某些變量時，常用的一種統(tǒng)計分析方法。其基本原理是首先引入所有變量中最具有判別能力的變量，然后依次引入判別能力相對較弱的變量。當(dāng)引入變量數(shù)達(dá)到3個時，由于變量之間的相互作用，會對之前引入變量的顯著性產(chǎn)生影響，需要將顯著性低的變量剔除，最終得到一組變量組合，運用變量組合建立的判別函數(shù)具有較高的判別精度。采用逐步判別分析方法選擇利于樹種分類的波段組合，選擇波段的標(biāo)準(zhǔn)采用Wilks’ Lambda(L)[26]，并利用交叉驗證方法，檢驗應(yīng)用選擇波段用于樹種識別的穩(wěn)定性。

因子分析[27]：因子分析是一種常用的數(shù)據(jù)降維方法，其基本理念就是將相關(guān)性關(guān)系比較密切的變量歸為同一類，每一類表征同一個因子，以達(dá)到用少數(shù)的因子表達(dá)大部分信息的目的。利用因子分析法可以從逐步判別分析得到的波段組合中，挑選包含信息量大而相互獨立的波段組合，并認(rèn)為挑選出的波段組合更有利于分類[4]。

2.3 多光譜模擬與分析

研究樹種競爭關(guān)系，需要對樹種進行單木分類，這種分類對空間分辨率要求高。由于高空間分辨率遙感數(shù)據(jù)多為多光譜傳感器，光譜分辨率低。因此，有必要分析多光譜傳感器下樹種間的可分性。為此，利用多光譜傳感器的光譜響應(yīng)函數(shù)，模擬3個不同傳感器(GEOEYE-1、RAPIDEYE和WORDVIEW2)的低分辨率光譜曲線。

根據(jù)波段響應(yīng)函數(shù)對光譜重采樣(見圖3)，模擬3個衛(wèi)星的多光譜傳感器(GEOEYE-1、RAPIDEYE和WORDVIEW2)的光譜曲線。GEOEYE-1和RAPIDEYE的波段響應(yīng)函數(shù)的第1波段始于430 nm左右，而WORDVIEW2的第1波段則始于350 nm，但是實驗室測量葉片光譜數(shù)據(jù)波段信噪比較高的波段范圍為470～1 050 nm，達(dá)不到完全模擬藍(lán)光波段的要求，考慮到藍(lán)光波段對植被分類貢獻較小，不影響本文結(jié)論。

式中：Pi是待擬合波段的光譜反射率，fi(λ)是待擬合波段的光譜響應(yīng)函數(shù)，ρ(λ)是實測光譜各波長處的反射率，λmax和λmin分別是實測光譜取值范圍的上下界，d(λ)為光譜分辨率，本文中取值為1 nm。

圖3 各波段響應(yīng)函數(shù)

3 結(jié)果與分析

3.1 實測光譜處理結(jié)果

對數(shù)、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理后的不同類別數(shù)據(jù)對比(見圖4—6)。從圖2和圖4的對比中我們可以看出，經(jīng)對數(shù)處理后，近紅外波段的光譜差異性減小了，可見光部分的差異性更為明顯。一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理是從光譜的形狀及角度方面考慮光譜間的差異性的，由圖5、圖6可知，不同類型的數(shù)據(jù)光譜的差異性有著明顯的不同。

圖4 對數(shù)均值對比

在單因素方差分析中，原始數(shù)據(jù)和對數(shù)處理數(shù)據(jù)的分析表明，對于針闊樹種分類和所有樹種分類，高光譜數(shù)據(jù)的大多數(shù)波段都具有可分性。而一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理后的數(shù)據(jù)的可分波段則無規(guī)則分布。如果不區(qū)分正反葉面數(shù)據(jù)，反射光譜混合后可分波段減少，而透射數(shù)據(jù)的可分波段數(shù)及分布沒有太大變化。

在逐步判別分析中，提取Wilk’ Lambda(L)值、進入的變量(波段)、分類精度和驗證精度等信息。L值在0～1，其取值越接近于0，說明選取的波段對樹種的分類能力越強，反之則越弱。

圖5 一階導(dǎo)數(shù)均值對比

圖6 二階導(dǎo)數(shù)均值對比

由圖7可知，總體來說通過判別分析選擇的分類波段都具有良好的樹種區(qū)分能力(L<0.12)，其中對9個樹種進行分類時，獲取的L值均小于等于對針闊樹種(紅松和其他樹種)進行分類獲取的L值。

圖8顯示，針闊樹種是完全可分的，分類精度和驗證精度幾乎都可以達(dá)到100%。各樹種之間的分類效果也較好，總體精度大多在80%～100%。不同的預(yù)處理方式和不同的組合方式會對分類精度有影響，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的分類效果最好，反射+透射的分類精度最佳。總體上來說，葉片正面的分類結(jié)果比葉片反面的分類結(jié)果要好，正+反并沒有顯著提高分類精度，而不區(qū)分葉片正反面數(shù)據(jù)分類結(jié)果最差。

圖8 精度對比

從圖9可知，出現(xiàn)頻率最高的波段是紅邊波段。對于針闊樹種分類來說，紅邊波段和可見光波段更重要。而對于所有樹種分類來說，紅邊和近紅外部分都對分類很重要。

圖9 SDA波段出現(xiàn)的頻率

因子分析：按照主成分對所有變量的方差解釋程度(達(dá)到85%以上)確定主成分個數(shù)。由此得到葉片正面的反射+透射組合一階導(dǎo)數(shù)光譜的主成分個數(shù)為4，主成分旋轉(zhuǎn)矩陣見圖10。其中相關(guān)系數(shù)大于0.9和相關(guān)系數(shù)小于-0.9的波段，理論上是包含大量表征樹種種類信息波段。這些波段在逐步判別分析中如果被保留，可能提供的分類信息要比其他波段多，提取出的波段頻率呈不規(guī)則正態(tài)分布，頻率最高峰出現(xiàn)在紅邊與近紅外交界處，且綠光波段到紅邊波段間頻率波動較大，而最高峰之后的近紅外波段(780～980 nm)的頻率則相對平緩。

3.2 模擬光譜結(jié)果

由表3、表4可知，所有葉片反面的L值均比葉片正面的L值小，且所有樹種分類的L值均小于針闊樹種分類的L值。也就是說，由葉片反面數(shù)據(jù)分析得到的波段，對樹種的區(qū)分能力要優(yōu)于葉片正面數(shù)據(jù)。而由所有樹種分析得到的波段，對樹種的區(qū)分能力也優(yōu)于僅用針闊樹種分析得到的波段。由于相對于葉片正面數(shù)據(jù)來說，葉片反面數(shù)據(jù)包含的光譜信息差異比較大。而對于針闊分類來說，將所有的闊葉樹種提取的光譜視作一類，其解釋分類的能力會受到闊葉樹種之間的光譜差異性影響，因此，闊葉樹分類精度低。對葉片反面數(shù)據(jù)來說，所有傳感器的L值在同一分類水平下變化不大，而對于葉片正面數(shù)據(jù)來說，WORDVIEW2傳感器的L值要遠(yuǎn)小于GEOEYE和RAPIDEYE，選擇出的波段對樹種有更好地區(qū)分能力。對于葉片反面數(shù)據(jù)來說，傳感器的不同沒有對提取波段的解釋能力造成影響；而對于葉片正面數(shù)據(jù)來說，WORDVIEW2的優(yōu)勢在于波段個數(shù)多，每個波段的范圍更精細(xì)。

圖10 因子分析旋轉(zhuǎn)主成分矩陣

表3 全部樹種模擬多光譜SDA分類

表4 針闊樹種模擬多光譜SDA分類

從分類精度和驗證精度上來看，針闊樹種間是完全可分的，且葉片反面數(shù)據(jù)的分類精度較高。所有樹種的分類效果不是很理想，有的分類精度僅達(dá)到了50%左右，但是其中葉片反面數(shù)據(jù)模擬RAPIDEYE光譜和葉片正面數(shù)據(jù)模擬WORDVIEW2光譜的分類精度都達(dá)到了70%左右，精度相對較高。所有樹種分類精度低，而針闊樹種分類精度高，這說明針闊樹種間的光譜差異大于闊葉樹種間的光譜差異，且葉片背面提供了比葉片正面更多的分類信息?？傮w來說，模擬WORDVIEW2傳感器光譜分類精度最高，RAPIDEYE傳感器光譜分類精度次之，而GEOEYE傳感器光譜分類精度最低，其分類精度和其波段個數(shù)成正比。這說明，在光譜分辨率低，波段個數(shù)有限的情況下，分類精度會隨著波段個數(shù)的增加而上升。

分類保留的波段各個范圍都有涉及，但是出現(xiàn)頻率最高的是紅光波段(包括紅邊波段)、綠光波段和近紅外波段，說明這三個波段對于樹種分類是很重要的。其中紅光波段主要反映了葉片中葉綠素的含量，綠光波段則體現(xiàn)了葉片細(xì)胞對綠光的反射能力，近紅外波段和葉片中的含水量關(guān)系密切。

4 結(jié)論與討論

在實測葉片光譜尺度下，針闊樹種間是完全可分的，分類精度基本都可以達(dá)到100%；所有樹種的分類精度也能達(dá)到80%以上，最高可達(dá)到100%。針闊樹種間的差異性更多的體現(xiàn)在可見光部分，所有樹種之間的差異性多來自于紅邊波段和近紅外波段，其中紅邊波段對樹種分類影響最大，這與M. P. Ferreira et al[28]研究結(jié)果類似。葉片的反射率是和葉片細(xì)胞內(nèi)容物對光的吸收以及葉片的結(jié)構(gòu)息息相關(guān)的[29]。在可見光范圍內(nèi)，葉片的光譜主要取決于葉片結(jié)構(gòu)和葉綠素，因此，針闊樹種間的光譜差異也應(yīng)該取決于葉片結(jié)構(gòu)和葉綠素。近紅外波段的光譜主要受到水分、葉片結(jié)構(gòu)和干物質(zhì)質(zhì)量分?jǐn)?shù)的影響，也就說明所有樹種間分類的差異主要受到水分、葉片結(jié)構(gòu)和干物質(zhì)質(zhì)量分?jǐn)?shù)的影響。由于紅邊不受水分和類胡蘿卜素的影響，但與葉綠素和葉片內(nèi)部結(jié)構(gòu)有關(guān)。這說明葉綠素和葉片內(nèi)部結(jié)構(gòu)對葉片分類的影響大于葉片水分及類胡蘿卜素的影響。

其次，通過對模擬多光譜傳感器光譜的分類，發(fā)現(xiàn)對于所有樹種分類來說，多光譜分類精度(47.3%～74.0%)遠(yuǎn)低于高光譜分類精度。對于針闊樹種間的分類精度相對變化不大，大多分類精度都可以達(dá)到100%，最低為71.6%。這說明針闊樹種的光譜差異在多光譜分辨率水平下仍然是明顯的，理論上只要有足夠的空間分辨率，針闊樹種在多光譜上是可以分開的。而對于所有樹種來說，多光譜較低的光譜分辨率則導(dǎo)致可分性大大降低，分類精度隨著波段個數(shù)的增加而上升的趨勢。利用遙感圖像得到該地區(qū)的樹種水平分布圖，圖像的光譜分辨率不應(yīng)太低，WORDVIEW2基本可以滿足分類要求。

最后，求導(dǎo)處理后分類精度比原數(shù)據(jù)和對數(shù)處理數(shù)據(jù)的分類精度高，說明基于形狀角度分類，比基于反射率值分類更有效。反射+透射數(shù)據(jù)的分類精度最高，說明聯(lián)合數(shù)據(jù)融合了兩者的分類信息，增大了樹種間的可分性。

[1] 魏麗萍.吉林蛟河闊葉紅松林主要樹種功能性狀隨樹冠高度的變化[D].北京：北京林業(yè)大學(xué),2014.

[2] 金昌杰,關(guān)德新,朱廷曜.長白山闊葉紅松林太陽輻射分光譜特征[J].應(yīng)用生態(tài)學(xué)報,2000,11(1):19-21.

[3] Zhang J K, Rivard B, Sanchez-Azofeifa A, et al. Intra and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery[J]. Remote Sensing of Environment,2006,105(2):129-141.

[4] Panigrahy S, Kumar T, Manjunath K R. Hyperspectral leaf signature as an added dimension for species discrimination: case study of four tropical mangroves[J]. Wetlands Ecology and Management,2012,20(2):101-110.

[5] Pu R. Broadleaf species recognition with in situ hyperspectral data[J]. International Journal of Remote Sensing,2009,30(11):2759-2779.

[6] 耿修瑞.高光譜遙感圖像目標(biāo)探測與分類技術(shù)研究[D].北京：中國科學(xué)院研究生院,2005.

[7] 宮鵬,浦瑞良,郁彬.不同季相針葉樹種高光譜數(shù)據(jù)識別分析[J].遙感學(xué)報,1998,2(3):211-217.

[8] 董連英,邢立新,潘軍,等.高光譜圖像植被類型的CART決策樹分類[J].吉林大學(xué)學(xué)報:信息科學(xué)版,2013,31(1):83-89.

[9] 李小梅,譚炳香,李增元,等.CHRIS高光譜圖像森林類型分類方法比較研究[J].遙感技術(shù)與應(yīng)用,2010,25(2):227-234.

[10] 王新云,過志峰,覃文漢,等.利用輻射度模型和多角度CHRIS圖像反演森林參數(shù)[C]//遙感定量反演算法研討會摘要集.北京：北京師范大學(xué)全球變化與地球系統(tǒng)科學(xué)研究院，2010.

[11] 惠巍巍.高光譜混合像元的分解及地物分類的研究[D].哈爾濱：東北林業(yè)大學(xué),2007.

[12] 王強.Hyperion高光譜數(shù)據(jù)進行混合像元分解研究[D].哈爾濱：東北林業(yè)大學(xué),2006.

[13] 孫曉.基于CASI高光譜遙感數(shù)據(jù)估測森林葉面積指數(shù)研究[D].北京：中國林業(yè)科學(xué)研究院,2012.

[14] 劉麗娟,龐勇,范文義,等.機載LiDAR和高光譜融合實現(xiàn)溫帶天然林樹種識別[J].遙感學(xué)報,2013,17(3):679-695.

[15] 范秀華,劉偉國,盧文敏,等.長白山紅松臭冷杉光譜反射隨海拔的變化[J].生態(tài)學(xué)報,2011,31(14):3910-3917.

[16] 黃珍,唐景毅,柳靜臣,等.長白山天然更新紅松幼樹光合與光譜特性的季節(jié)動態(tài)[J].應(yīng)用與環(huán)境生物學(xué)報,2014,20(3):455-461.

[17] 方曉雨,張宏琴,姜超,等.3種喬木葉片反射光譜與光合特性隨樹高的變化[J].應(yīng)用與環(huán)境生物學(xué)報,2013,19(2):383-388.

[18] 姜超.長白山五種槭屬植物光合及光譜特性研究[D].北京：北京林業(yè)大學(xué),2013.

[19] 盧文敏,劉偉國,方曉雨,等.不同海拔的長白山岳樺葉片反射光譜研究[J].北京林業(yè)大學(xué)學(xué)報,2011,33(1):55-59.

[20] 劉偉國,范秀華.長白山紅松闊葉林主要樹種光譜反射特征對光環(huán)境的響應(yīng)[J].生態(tài)學(xué)報,2009,29(9):4720-4726.

[21] Dian Y Y, Fang S H, Li X J, et al. Discriminating tree species using hyperspectral reflectance data[C]The 6th International Symposium on Multispectral Image Processing and Pattern Recognition： Automatic Target Recognition and Image Analysis. Yichang: SPIE，2009.

[22] Wang L, Sousa W P. Distinguishing mangrove species with laboratory measurements of hyperspectral leaf reflectance[J]. International Journal of Remote Sensing,2009,30(5):1267-1281.

[23] Lawrence R, Labus M. Early detection of Douglas-Fir beetle infestation with subcanopy resolution hyperspectral imagery[J]. Western Journal of Applied Forestry,2003，18(3):202-206.

[24] 劉秀英,林輝,熊建利,等.森林樹種高光譜波段的選擇[J].遙感信息,2005(4):41-45.

[25] Alonzo M, Roth K, Roberts D. Identifying Santa Barbara’s urban tree species from AVIRIS imagery using canonical discriminant analysis[J]. Remote Sensing Letters,2013，4(5):513-521.

[26] Green P E, Caroll J D. Mathematical tools for applied multivariate analysis[M].New York: Academic Press,1978.

[27] Waheed T, Bonnell R B, Prasher S O, et al. Measuring performance in precision agriculture: CART-A decision tree approach[J]. Agricultural Water Management,2006,84(1/2):173-185.

[28] Ferreira M P, Grondona A E B, Rolim S B A, et al. Analyzing the spectral variability of tropical tree species using hyperspectral feature selection and leaf optical modeling[J]. Journal of Applied Remote Sensing,2013,7(1):1-13.

[29] 梁守真,施平,馬萬棟,等.植被葉片光譜及紅邊特征與葉片生化組分關(guān)系的分析[J].中國生態(tài)農(nóng)業(yè)學(xué)報,2010,18(4):804-809.

Leaf Classification of Main Tree Species in Jiaohe of Jilin with Hyperspectral Data

Li Ruiping, Huang Kan, Huang Huaguo(Beijing Forestry University, Beijing 100083, P. R. China)/Journal of Northeast Forestry University，2015,43(3)：48-55.

Leaf hyper spectral; Mixed forest; Tree species classification

1)國家“十二五”科技支撐計劃項目(2012BAC01B03)；國家自然科學(xué)基金項目(41171278)。

李瑞平，女，1990年3月生，北京林業(yè)大學(xué)林學(xué)院，碩士研究生。E-mail:lruiping@foxmail.com。

黃華國，北京林業(yè)大學(xué)林學(xué)院，教授。E-mail:huaguo_huang@bjfu.edu.cn。

2014年7月5日。

S757.2

責(zé)任編輯：王廣建。