利用人工种植树木生物多样性实验评估成像光谱学在树种分类中的应用

《Remote Sensing of Environment》：Using a planted tree biodiversity experiment to evaluate imaging spectroscopy for species classification

　　

生物多样性实验能够验证基于光谱学的树种分类方法。线性判别分析（Linear Discriminant Analysis, LDA）在测试的分类器中取得了最高的分类准确率。源自混合种植的判别模型优于源自单一种植的判别模型。分类准确率随着待分类物种数量的增加而降低。

**基于人工种植实验的成像光谱学树种分类能力评估——论文解读**

**1. 研究背景**

森林覆盖地球约三分之一陆地表面，承载约80%的全球陆地生物多样性。森林生物多样性对生态系统健康与恢复力至关重要，但正持续下降，亟需大范围高效的监测手段。成像光谱学（imaging spectroscopy）作为遥感的子领域，通过反射光谱捕捉叶片化学、冠层结构、含水量和生理特征中的分类学结构化变异，被认为是树种识别与多样性监测的可行方案。然而，以往研究多基于自然样地调查，物种分布与环境梯度、冠层位置、林分结构及邻域组成共变，导致物种特异光谱信号与环境变异难以剥离。例如，若物种A偏好生长于山脊而物种B偏好山谷，遥感信号实际区分的可能是生境而非物种本身。为克服该问题，需要在控制环境变量与树种布局的实验林中检验光谱分类方法的有效性。本研究利用德国BIOTREE实验的两个站点，通过人工种植的标准化条件，基于单次机载飞行获取的成像光谱数据，系统评估成像光谱学在树种分类中的判别能力。

**2. 研究内容**

研究在Kaltenborn（4个树种，958个单种斑块）与Bechstedt（16个树种，1100个单种斑块）两个BIOTREE实验林开展。Kaltenborn的树种池包含两种裸子植物（花旗松Pseudotsuga menziesii、挪威云杉Picea abies）和两种被子植物（欧洲山毛榉Fagus sylvatica、无梗花栎Quercus petraea），并按每地块1至4个树种形成物种丰富度梯度；Bechstedt则将物种丰富度固定为4，但通过功能性状聚类构建了功能多样性梯度，树种池共16种。两站点树木均以单物种斑块形式种植于平坦且土壤均质的土地上，为冠层反射光谱的提取提供了明确的地面真值。

**3. 主要技术方法**

研究采用的主要技术方法为：（1）基于一般线性模型与方差分析（ANOVA），逐一计算589个光谱波段（400–2500 nm）中各分类学与环境因子项的效应量（%SS，即可解释方差比例），识别具有判别力的光谱区间；（2）采用线性判别分析（LDA）与支持向量机（SVM），分别以原始波长子集或主成分（PC）作为特征输入进行分类；（3）设置样本内、随机划分、多样性梯度交叉和跨站点等多种训练/预测方案检验分类性能。数据来自HyPlant成像光谱仪DUAL模块，飞行高度约680 m，地面像元1 m，原始626波段。样本队列源于德国图林根州BIOTREE实验（2003/2004年建立）。

**4. 研究结果**

**4.1 不同波长对分类学与环境变异的贡献**

方差分析表明，Kaltenborn站点裸子植物与被子植物类间（class-level）光谱差异在几乎所有波段均显著，效应量随波长增大而增强，尤其在近红外（NIR）至短波红外（SWIR）区域。