冠層樹種多樣性是自然森林生態(tài)系統(tǒng)功能和服務的重要基礎(chǔ)。及時掌握冠層多樣性的現(xiàn)狀及變化趨勢,是探討諸多重要生態(tài)學問題的前提，更是制定合理生物多樣性保護策略的基礎(chǔ)。但受制于傳統(tǒng)的多樣性信息采集方法，區(qū)域尺度的高精度冠層多樣性監(jiān)測發(fā)展較為緩慢；許多在氣候變化和人類干擾下的生物多樣性分布信息得不到及時更新。近年來基于無人機的冠層高光譜影像收集與分析技術(shù)的發(fā)展，使得冠層多樣性監(jiān)測迎來了新的發(fā)展契機。

01森林冠層高光譜影像

典型的冠層高光譜影像與普通相機拍攝的RGB影像沒有本質(zhì)區(qū)別。但普通RGB圖片只有紅綠藍3個顏色通道(圖1A)，而高光譜影像有幾百個顏色通道，其中每一個顏色通道代表某一波段光的相對反射強度(圖1B)。將圖像中的某一個像素包含的所有光譜信息組合起來，就可以得到該像素點所在林冠位置的近乎連續(xù)的光譜反射曲線(圖1C)。

圖1浙江天童亞熱帶常綠闊葉林典型森林冠層RGB影像與高光譜影像示意圖。(A)普通RGB影像(B)冠層高光譜影像的三維立體展示(C)選定像素的光譜

以圖2的冠層高光譜影像為例，在普通RGB冠層影像上幾乎無法區(qū)分不同物種的冠層信息。通過主成分分析提取冠層高光譜影像的主要信息后，就能看到不同樹種的林冠呈現(xiàn)出不同的顏色(圖2)。這就意味著在普通RGB影像上都是綠色的植物,在不同的光譜曲線上存在可區(qū)別的顏色差異，說明高光譜影像具備充分潛力，能夠反映出不同樹種之間的細微差異。

圖2冠層RGB影像與主成分分析(PCA)處理后的冠層高光譜影像對比圖。(A)冠層RGB影像(B)通過PCA處理后的前三軸的冠層高光譜影像

02冠層光譜特征

不同物種和不同樹木個體間存在可測量的光譜差異，是基于冠層高光譜影像的物種多樣性監(jiān)測的基礎(chǔ)。具體而言，當太陽輻射到達植物時，可能被反射、吸收或轉(zhuǎn)化。所有植物都含有能形成反射光譜的基本成分，包括葉片色素、水分、蛋白質(zhì)、淀粉、蠟和其他結(jié)構(gòu)分子，如木質(zhì)素和纖維素。常用于物種分類的高光譜波段范圍為400–2500nm，其中包括可見光部分、近紅外部分和短波紅外部分。

植物的獨特生化和結(jié)構(gòu)特性可以轉(zhuǎn)化為物種水平的光譜特性，而高光譜傳感器可以探測到這些光譜特異性。目前已有越來越多的證據(jù)表明，不同植物物種所具有的獨特光譜特征能被高光譜傳感器所探測。圖3展示了4個不同物種的光譜特征曲線，從中可以清晰地看到,這些物種的光譜具有明顯差異，同一物種不同個體間也存在光譜差異。

圖3 個體的林冠層光譜特征曲線。(A)主成分分析(PCA)處理后的冠層高光譜影像(B)5個林冠個體的光譜反射曲線

03基于冠層影像的多樣性信息提取

高光譜影像在具有豐富光譜信息與空間信息的同時，也面臨著數(shù)據(jù)量大、數(shù)據(jù)維度高與數(shù)據(jù)結(jié)構(gòu)非線性的挑戰(zhàn)。

冠層物種多樣性監(jiān)測可以采用深度學習模型從冠層高光譜影像中提取物種信息。深度學習模型類似于我們熟悉的簡單線性回歸模型。深度學習模型中還有專門模擬生物處理圖像信息的網(wǎng)絡(luò)結(jié)構(gòu)，它非常適合從影像中提取重要的特征信息。如圖4所示，一個完整的卷積神經(jīng)網(wǎng)絡(luò)主要包括輸入層、隱藏層和輸出層。

圖4基于深度學習網(wǎng)絡(luò)的分類模型。

04物種多樣性調(diào)查

4.1基于冠層光譜多樣性的物種多樣性調(diào)查

由于生化特性與結(jié)構(gòu)不同，林冠層不同物種間存在可測量的光譜差異，所以光譜的多樣性在某種程度上可以直接反映物種多樣性。有研究證明，利用高光譜特定波段計算出的植被指數(shù)與植物多樣性之間存在顯著相關(guān)性。高光譜以上百個連續(xù)且細分的光譜波段對目標區(qū)域同時成像，光譜分辨率非常高，這就為大尺度生物多樣性監(jiān)測提供了更為直接、簡便的方式。

光譜多樣性是衡量植物生物多樣性的一個新興維度，它整合了物種內(nèi)部和物種之間的性狀變異，即使在缺乏分類、功能、系統(tǒng)發(fā)育或豐度信息的條件下，也可開展高時空分辨率的調(diào)查與監(jiān)測

4.2基于物種自動識別的物種多樣性調(diào)查

除了直接使用光譜多樣性反映物種多樣性，也有一部分生態(tài)學家嘗試使用機器學習算法處理高光譜數(shù)據(jù)，得到更精準的物種分類信息，以進一步開展物種多樣性定量化研究。與區(qū)域尺度的光譜多樣性研究相比，鑒別出區(qū)域內(nèi)每個物種的空間分布信息對生態(tài)學研究的意義更大，但這也對研究技術(shù)提出了更高的要求。

近年來，隨著計算機技術(shù)的不斷成熟及機器學習領(lǐng)域的不斷發(fā)展，深度學習可以有效彌補傳統(tǒng)分類算法的不足，在高光譜影像處理領(lǐng)域中表現(xiàn)出色。

在不同的待分類物種數(shù)量下，深度學習的分類精度均顯著高于非深度學習(圖6)。

圖6 深度學習與非深度學習算法在高光譜樹種分類中的表現(xiàn)。

05發(fā)展方向

高光譜影像具有豐富的光譜信息與空間信息，使植物物種識別精度從原始數(shù)據(jù)上得到了很大程度的提升；無人機與高光譜相機結(jié)合大大降低了數(shù)據(jù)獲取的難度與成本；將深度學習方法應用于高光譜影像處理，能夠有效提取高光譜影像中包含的物種多樣性信息，加速森林冠層多樣性監(jiān)測研究向自動化、大范圍的全新階段邁進。但由于物種高光譜數(shù)據(jù)樣本量不足、常見的深度學習模型未針對高光譜影像進行充分優(yōu)化等問題，該領(lǐng)域的發(fā)展受到了限制。在之后的研究中，如何構(gòu)建高光譜物種數(shù)據(jù)庫，如何結(jié)合高光譜數(shù)據(jù)的特征優(yōu)化物種自動識別算法，是無人機高光譜冠層多樣性監(jiān)測所面臨的主要挑戰(zhàn)。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學設(shè)計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇