基于GF-5高光譜數據的昆崳山區域森林脅迫研究

黃寶華，周利霞，武娟

摘要：為更好地分析森林植被脅迫的生理過程，建立有效的森林監測系統，使用GF-5號高光譜數據對昆崳山區域植被應力進行遙感健康度估測，GF-5號高光譜數據能夠使非破壞性監測葉綠素、類胡蘿卜素和花青素含量等葉片色素等重要指標反映植被健康成為可能，適用于當前研究區域的動態健康監測系統。結果顯示，混交林健康度均值最高，其次為落葉闊葉林，常綠針葉林和落葉針葉林健康度均值相當；陽坡森林健康度均值最高，其次為半陰坡與半陽坡的森林健康度均值相當，陰坡森林健康度最低；植被健康度與土壤類型呈現一定相關性，與砂土呈現正相關，與粉砂土、黏土呈現負相關關系。研究表明使用與植被冠層中不同類型與脅迫有關的遙感指數來定量表示植被特殊狀態、生物物理和生物化學特性，使森林資源的調查監測和管理得以實現。

關鍵詞：GF-5高光譜；昆崳山；森林健康度；脅迫；植被指數

中圖分類號：S771.8；S762;S763文獻標識碼：A文章編號：1006-8023（2024）01-0055-09

Study on Forest Stress in Kunyu Mountain Area Based on GF- 5 Hyperspectral Data

HUANG Baohua1， 2， ZHOU Lixia3， WU Juan4

（1.School of Transportation and Civil Engineering， Shandong Jiaotong University， Jinan 250357， China; 2.Shandong Data Open Innovation Application Laboratory， Jinan 250357， China; 3.Shandong Xingyi Spacetime Information Technologg Co.Ltd， Shandong， Yantai 264003， China; 4.Yantai Urban Planning Exhibition Hall， Shandong Yantai 213167， China; 5.Beijing 95 Yipin Technology Information Co.， LTD.， Beijing 101100， China）

Abstract： In order to better analyze the physiological process of forest vegetation stress and establish an effective forest monitoring system， remote sensing health estimation of vegetation stress in the Kunyu Mountain area was carried out using GF-5 hyperspectral data. GF-5 hyperspectral data enables non-destructive monitoring of important indicators such as chlorophyll， carotenoids， and anthocyanin content to reflect vegetation health， making it possible for the dynamic health monitoring system applicable to the current research area. The results showed that the average health level of mixed forests was the highest， followed by deciduous broad-leaved forests， and the average health level of evergreen and deciduous coniferous forests was equivalent. The average health level of forest on the sunny slope was the highest， followed by the average health level of forest on the semi shaded and semi sunny slopes， with the lowest health level of forest on the shaded slope. There was a certain correlation between vegetation health and soil type， a positive correlation with sandy soil， and a negative correlation with silt and clay. Research had shown that the use of remote sensing indices related to different types and stresses in vegetation canopy can quantitatively represent the special state， biophysical， and biochemical characteristics of vegetation， enabling the investigation， monitoring， and management of forest resources.

Keywords：GF-5 hyperspectral; Kunyu Mountain; forest health; stress; vegetation Index

0引言

森林能夠起到制造氧氣、凈化空氣、過濾塵埃、涵養水源和保持水土調節氣候等多方面作用，因此森林資源保護變得十分重要[1]。隨著社會經濟的發展和人類活動的加劇，空氣污染、氣候變化因素導致森林健康狀況下降[2]，迫切需要建立一個有效的森林監測系統來監測其健康變化情況，以便采取有效手段進行調節。但是由于森林脅迫評估復雜，一種類型的脅迫可能由多種類型的脅迫引起，評估受到技術手段等多方面影響，因此此項工作一直未能很好開展。隨著遙感技術，尤其是高光譜技術的發展，由于該技術具有波段多且具連續、光譜范圍窄和信息量大等特點，能夠產生許多生化估計值[3]，如冠層中的葉綠素、氮、木質素和水含量等[4]。森林植被脅迫是一個非常復雜的生理過程，會導致光合活性下降、葉綠素含量減少、葉片干物質含量高和非綠色色素增加等[5]。植被中的脅迫也可能由如氮、磷、鉀、鈣、鎂、鐵和鋅等營養供應的下降引起，可以通過葉綠素含量、葉色素和落葉等遙感手段來估計森林脅迫狀況。植物的種類和環境不同會導致植物營養成分和含量的差異，但大部分植物仍是由葉黃素、葉綠素、胡蘿卜素、木質素和纖維素等組成。這些成分變化會導致植物光譜變化，植物光譜重要因素在不同波長范圍內有所不同。色素在可見光（0.35～0.7 μm）范圍內占據主要地位[6]；0.7～1.3 μm波長范圍內植物光譜的變化受細胞構造如冠層結構及海綿狀葉肉細胞主導[7]；植物光譜在1.3～2.5 μm波長范圍內主要受葉片內水含量的影響。植物健康或存在脅迫變化總是反映在植被冠層中，通常表現在葉片顏色（葉片變黃/萎蔫）、葉片脫落等方面[8]。使用與植被冠層中不同類型與脅迫有關的遙感指數來定量表示植被特殊狀態、生物物理和生物化學特性，使森林資源的調查監測和管理得以實現。植被參數可以為相關研究提供大量有效信息，基于遙感影像的森林植被參數已經成為森林健康狀況數量化表達的重要途徑[9]。

1研究區域和研究方法

1.1研究區域

昆崳山位于膠東半島東部，橫跨牟平、乳山和文登等幾地交界處，東西50 km，南北35 km，有大小山峰72個，海拔923 m的泰礴頂為膠東半島東部最高峰，素有“仙山之祖”的美譽。同時也是中國赤松（Pinus densiflora Siebold & Zucc.）的原生地和全球赤松林面積最大和保護最完好的天然分布中心。昆崳山國家級自然保護區為森林生態系統，生態環境優越，是生物多樣性全球同緯度最豐富的地區之一。昆崳山森林分布主要以泰礴頂為中心向外分層發展，泰礴頂周邊主要以落葉闊葉林為主，中間為混交林，其余區域以常綠針葉林為主，如圖1所示。

1.2數據處理及技術路線

利用GF-5號高光譜成像儀（AHSI）的L1級產品數據包括Geotiff數據文件、xml說明文件、RPC參數文件、瀏覽圖文件、覆蓋矢量文件、觀測幾何角度文件和定標系數文件。對昆崳山地區2019年4月26日和10月3日2期GF-5號高光譜影像進行輻射校正、大氣校正、正射校正、地形校正處理，植被指數計算和分析，利用衍生植被指數（NDVI705、CAR1、NDII）結合，定量評估昆崳山區域的森林健康狀況，作為植物健康的指標。利用2017年10 m分辨率FROM-GLC的6類植被覆蓋數據（http：//data.starcloud.pcl.ac.cn/zh）進行植被類型劃分，現昆崳山區域植被類型為落葉闊葉林、落葉針葉林、常綠針葉林和混交林。結合2019年MODIS月1 km 分辨率NDVI數據（https：//www.resdc.cn/）對研究區森林生長情況進行掩膜分析。根據坡向劃分，即陰坡（0°～45°）、半陰坡（45°～135°）、陽坡（135°～225°）、半陽坡（225°～315°）、陰坡（315°～360°）[10]。利用研究區域土壤質地空間分布數據，分析其與森林長勢脅迫性關系，如圖2所示。

1.3植被指數健康度監測模型

利用植被指數來表征植被活動，植被活動隨綠葉的季節性、空間變化而變化。該分析方法還消除了土地覆蓋類型、土壤類型或氣候條件引起的誤差[9]。因此，植被指數在結構和功能方面適合監測植被冠層的空間變異性，即綠色度指數（用于評估植被間隙）、葉色素指數（作為色素的衡量標準）和光利用效率（用于估計植物功能），提供有關植被健康的重要信息[11]。根據GF-5的光譜分辨率，選取能夠反映昆崳山區域植被健康情況的植被指數，利用衍生的植被指數經加權疊加繪制該區域植被脅迫及健康圖，見表1。

2結果和討論

2.1昆崳山森林光譜特點及長勢分析

健康樹木冠葉葉綠素含量多，近紅外波段反射率高，藍、紅外波段吸收率高，紅邊位置清晰。當植被健康出現狀況時，葉面首先呈現黃藍相間，藍、紅波段吸收率降低，綠、紅波段反射率也降低，紅邊向長波方向位移。隨著健康度的持續下降，后期由于水分和葉綠素的缺乏，葉面枯黃，近紅外峰值近乎消失，整個反射光譜曲線呈現平緩，如圖3（a）所示。

由2019年MODIS月NDVI數據獲取昆崳山地區森林生長變化情況可知，針葉林、闊葉林生長情況總體相適，即6—8月為森林生長的最茂盛期，其后開始下降。其中，針葉林的NDVI值由6月開始的0.9緩慢下降至10月的0.79，10月后開始快速下降至2月的最低值0.31；闊葉林的NDVI值6月開始至8月為高值穩定區，值范圍在0.8左右的，8月后開始快速下降至最低值1月的0.26，如圖3（b）所示。

2.2植被指數監測

利用2019年4月26日和10月3日2期具有森林生長典型特征的GF-5號的9個植被指數，分析昆崳山的森林健康和量化脅迫情況，遙感衍生指數分別如圖4和圖5所示。結果表明光譜反射率隨著植物材質、含水量、色素、碳含量和氮含量的不同而變化顯著。

NDVI705對葉冠層的微小變化、林窗片段和衰老非常靈敏，與葉綠素的相關性比紅邊參數好。NDVI705的值范圍是-1～1，健康植被介于0.2～0.9，NDVI705指數4月份為0～0.78，10月份為0～0.58。VOG1指數對葉綠素含量、葉冠層和水分含量的綜合非常敏感。VOG1的值范圍為0～20，健康植被介于4～8，VOG1指數4月份為0.63～3.73，10月份為0.68～2.29。

PRI、SIPI和NDNI等光利用率指數估算植被在光合作用中入射光的利用效率，結果表示植被健康程度。PRI指數反映類胡蘿卜素色素，特別是活性葉片吸收的葉黃素色素（黃色）的變化，PRI值范圍是-1～1，健康植被值通常介于-0.001～0.4 [14]，PRI值4月份為-0.15～0.05，10月份為-0.18～0.05。PRI指數在這2個月份的值都較低，且變化較小。由于低類胡蘿卜素含量不能保護葉綠素免受光損傷，導致吸收光能用于光合作用的能力下降。SIPI指數適用于冠層結構高度不一致的區域，值的范圍為0～2，綠色植被介于0.8～1.8 [15]，SIPI指數4月份為0.72～1.74，10月份為0.03～1.56，這2期的SIPI指數值都較高。NDNI指數對健康植被冠層的氮含量變化具有很強敏感性。NDNI值范圍為0～1，綠色植被的常見范圍為0.02～0.1[16]，森林的NDNI指數4月份為0～0.12，10月份為0～0.15，在0.1～0.15范圍內可以看到健康植被的孤立斑塊?？傮w而言，昆崳山區域森林顯示出葉片中的氮含量低，樹冠的整體葉生物量低，與生長旺盛植被相比，表明植物生長一般，葉綠素產生葉綠素一般。

葉色素植被指數（如CRI1和ARI1），表示植被中存在的與脅迫相關的色素（類胡蘿卜素和花青素）的含量。較高的CRI1值意味著相對于葉綠素，類胡蘿卜素含量較高，該指數的值范圍為0～15以上，一般植被CRI1值為1～12[5]。CRI1值4月份為-22～96.82，10月份為-0.72～17.53。4月昆崳山保護區內的類胡蘿卜素含量較高，周邊區域類胡蘿卜素含量降低。10月含量相對4月高，表明10月昆崳山區域森林健康狀況下降。ARI1是對植物葉片中花青素敏感的反射率參數，ARI1的增加表明植物通過新的生長或死亡而發生變化，該指數的值范圍為0～0.2以上。健康植被的常見范圍為0.001～0.5[6]，ARI1指數4月份的值為-13.68～31.3，10月份值為-23.32～10.27。昆崳山北部指數的值范圍明顯高于正常值，因此表明植被處于亞健康狀態。NDII為植被冠頂含水量指數，衡量樹葉樹冠中的含水量。該指數值范圍為-1～1，NDII指數健康植被的正常范圍介于0.02～1 [7]。NDII值4月份為-0.43～0.6，10月份為-0.53～0.18，10月份森林植物含水量降低較多。含水量是森林的一個重要參數，含水量越高意味著植被越健康，生長速度越快，耐火性越強。

2.3森林健康狀況監測

利用2019年昆崳山4月26日和10月3日NDVI705、CAR1、NDII 3個植被指數結合，定量評估昆崳山區域的區域森林生物物理和生物化學性質的時間和空間變化和森林健康狀況。高光譜植被指數測量的植被特性可分為3大類，即結構、生物化學和植物生理/脅迫[22]。對GF-5號2期數據3個主要類別中的3個植被指數（即總共9個植被指數）分析，了解昆崳山區域森林的健康狀況。為了在結構和功能方面適當監測植被冠層的空間變異性，即綠色度指數（用于評估植被間隙）、葉色素指數（作為色素的衡量標準）和光利用效率（用于估計植物功能），提供了有關植被健康的重要信息。使用對森林樹冠的狀況更敏感的窄帶綠度指數可以獲得最佳效果，寬帶綠度指數對于茂密的森林條件往往是不準確的，因為森林中有大量的綠色植被，這些植被可能會淹沒和飽和計算。

將昆崳山區域的森林健康度按由低至高劃分為0～9共10個層級。從4月份和10月份的森林健康等級分布中可以看出，昆崳山地區森林健康度整體較好，4月份的森林健康度從低到高占比依次為：12.93%、3.92%、4.94%、6.21%、15.82%、10.35%、2.05%、12.76%、15.52%、15.50%，10月份的森林健康度從低到高依次為：1.51%、1.37%、2.28%、3.43%、10.97%、8.84%、4.77%、18.79%、22.60%、25.44%，健康度在5以上的，4月份占了56.17%，10月份占了80.46%，10月份的整體健康度要高于9月份，如圖6所示。

由于4月和10月分別為森林生長和衰落期，可以較好地反映植被脅迫情況，如圖7所示。通過2期健康度數據可以看出，健康度較高地區（健康度8級以上）主要分布在昆崳山自然保護區、小孤石、毛龍頂和大王頂等地區，其中屋脊頂、泰礴頂周邊森林健康度較低。10月份除屋脊頂周邊小區域范圍內，其余保護區內森林健康度都較高，且森林健康度整體好于4月份。

2.4植被健康與相關因子脅迫關系分析

分析昆崳山森林健康和地形因子、植被類型和土壤等脅迫因子關系可以看出，10月份昆崳山區域整體健康度較高，均值在6.5以上。其中，混交林健康度均值最高，其次為落葉闊葉林，常綠針葉林和落葉針葉林健康度均值相當，如圖8（a）所示。

在坡向與森林健康度關系中可以看出，陽坡森林健康度均值要遠遠高于其他坡向，半陰坡與半陽坡的森林健康度均值相當，森林健康度最低為陰坡。這是因為陽坡受到日照時間長，植被受到輻射較高，植被光合作用強，因此植被健康度高，如圖8（b）所示。

土壤質地是土壤物理性狀之一，指土壤中不同大小直徑的礦物顆粒的組合狀況。土壤質地與土壤通氣、保肥、保水狀況及耕作的難易有密切關系；土壤質地狀況是擬定土壤利用、管理和改良措施的重要依據。肥沃的土壤不僅要求耕層的質地良好，還要求有良好的質地剖面。雖然土壤質地主要決定于成土母質類型，有相對的穩定性。

中國土壤質地空間分布數據是根據1∶100萬土壤類型圖和第二次土壤普查獲取到的土壤剖面數據編制而成，是根據砂粒、粉粒和黏粒含量進行土壤質地劃分。數據分為砂土（Sand）、粉砂土（Silt）與黏土（clay）3大類，每一類數據均通過百分比來反映不同質地顆粒的含量。植被健康度與土壤類型呈現一定相關性，與粉砂土、砂土和黏土相關矩陣系數分別為-0.04、0.17、-0.02，見表3。協方差矩陣系數分別為-0.25、0.19、-0.21，見表4。

3結論

使用GF-5號高光譜數據對昆崳山區域植被應力進行遙感健康度估測，與其他同期傳感器相比，GF-5號高光譜數據具有更好的空間、光譜和輻射分辨率，適用于當前研究區域的動態健康監測系統。高光譜遙感能夠使非破壞性監測反映植被健康的重要指標葉片色素成為可能，如葉綠素、類胡蘿卜素和花青素含量。監測到昆崳山區域森林的脅迫和健康狀況，能夠準確估計植物水平的綠色或衰老狀態，這是通過現有的多光譜觀測無法做到的。因此，用于高光譜遙感的GF-5數據可有效用于昆崳山區域的森林健康保護和監測?；旖涣纸】刀染底罡?，其次為落葉闊葉林，常綠針葉林和落葉針葉林健康度均值相當。陽坡森林健康度均值最高，其次為半陰坡與半陽坡的森林健康度均值相當，陰坡森林健康度最低。植被健康度與土壤類型呈現一定相關性，與砂土呈現正相關，與粉砂土、黏土呈現負相關關系。

【參考文獻】

[1]吳月圓，舒立福，王明玉等.近年世界森林火災綜述[J].溫帶林業研究，2022，5（4）：49-54.

WU Y Y， SHU L F， WANG M Y， et.al. A review of forest fires worldwide in recent years[J]. Journal of Temperate Forestry Research， 2022， 5（4）：49-54.

[2]劉國華，傅伯杰.全球氣候變化對森林生態系統的影響[J].自然資源學報，2001，16（1）：71-78.

LIU G H， FU B J. Effects of global climate change on forest ecosystems[J]. Journal of Natural Resources， 2001， 16（1）：71-78.

[3]李哲，張飛，陳麗華，等.光譜指數的植物葉片葉綠素含量估算模型[J].光譜學與光譜分析，2018，38（5）：1533-1539.

LI Z， ZHANG F， CHEN L H， et.al. Research on spectrum variance of vegetation leaves and estimation model for leaf chlorophyll content based on the spectral index[J]. Spectroscopy and Spectral Analysis， 2018， 38（5）：1533-1539.

[4]祁敏，張超.森林理化參數高光譜遙感反演研究進展[J].世界林業研究，2016，29（1）：52-57.

QI M， ZHANG C. Research progress on hyper-spectral remote sensing retrieval for forest physical and chemical parameters[J]. World Forestry Research， 2016， 29（1）：52-57.

[5]馬保東，徐奧，方丹梅，等.不同脅迫條件下茄子葉片理化參數與光譜特征差異研究[J].地理與地理信息科學，2016，32（2）：17-20.

MA B D， XU A， FANG D M， et al. Differences of bio-parameters and spectral characteristics of eggplant leaves under different stress type[J]. Geography and Geo-Information Science，2016， 32（2）：17-20.

[6]TURNER W， SPECTOR S， GARDINER N， et al. Remote sensing for biodiversity science and conservation[J]. Trends in Ecology and Evolution， 2003， 18（6）：306-313.

[7]KERR J， OSTROVSKY M. From space to species-ecological applications for remote sensing[J]. Trends in Ecology and Evolution， 2003， 18（6）：299-305.

[8]CHAUBE N R， LELE N， MISRA A， et.al. Mangrove species discrimination and health assessment using AVIRIS-NG hyperspectral data[J]. Current Science， 2019， 116（7）：1136-1142.

[9]SANJEREHEI M M. Assessment of spectral vegetation indices for estimating vegetation cover in arid and semiarid shrublands[J]. Range Management & Agroforestry， 2014， 192（1-2）：91-100.

[10]胡玉福，蔣雙龍，劉宇，等.基于RS的安寧河上游植被覆蓋時空變化研究[J].農業機械學報，2014，45（5）：205-215.

HU Y F， JIANG S L， LIU Y， et.al.Three-dimensional localization method of agriculture wireless sensor networks based on crossover particle swarm optimization[J]. Transactions of the Chinese Society of Agricultural Machinery， 2014， 45（5）：205-215.

[11]RRZALI S M， NURUDDIN A A， LION M. Mangrove vegetation Health Assessment Based on Remote Sensing Indices for Tanjung Piai， Malay Peninsular[J]. Journal of Landscape Ecology， 2019， 12（2） ：26-40.

[12]SIMS D A， GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species， leaf structures and developmental stages[J]. Remote Sensing of Environment， 2002， 81（2-3）：337-354.

[13]VOGELMANN J E， ROCK B N， MOSS D M. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing， 1993， 14：1563-1575.

[14]GAMON J A， SERRANO L， SURFUS J S. The photochemical reflectance index： An optical indicator of photosynthetic radiation use efficiency across species， functional types and nutrient levels[J]. Oecologia， 1997， 112：492-501.

[15]PENUELAS J， BARET F， FILELLA I. Semi-empirical indices to assess carotenoids/chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica， 1995， 31：221-230.

[16]SERRANO L， PENUELAS J， USTIN S L. Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS Data： Decomposing biochemical from structural signals[J]. Remote Sensing of Environment， 2002， 81：355-364.

[17]MERZLYAK J R， GITELSON A A， CHIVKUNOVA O B， et.al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum， 1999， 106：135-141.

[18]GITELSON A A， ZUR Y， CHIVKUNOVA O B， et.al. Assessing carotenoid content in plant leaves with reflectance spectroscopy[J]. Photochemistry and Photobiology， 2002， 75：272-281.

[19]GITELSON A A， MERZLYAK M N， CHIVKUNOVA O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves[J]. Photochemistry and Photobiology， 2001， 71：38-45.

[20]景維鵬，張明偉，林敬博.一種神經網絡架構搜索遙感圖像分類方法[J].哈爾濱理工大學學報，2021，26（1）：25-29.

JING W P， ZHANG M W， LIN J B. A network architecture search remote sensing image classification method[J]. Journal of Harbin University of Science and Technology， 2021， 26（1）：25-29.

[21]JACKSON T L， CHEN D， COSH M， et al. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment， 2004， 92：475-482.

[22]SANCHEZ-ARIAS L E， RODRIGUEZ J P， CABALLER M， et al. Diagnostic of health status in mangrove ecosystems[J]. Advanced in Environmental Research， 2011， 3：235-262.