1、从高光谱遥感影像提取植被信息解析第33卷第3期2008年5月测绘科学Sc i ence o f Survey ing and M app i ngV o l 33N o 3M ay 作者简介:温兴平(1970- , 男, 山西兴县人, 在读博士, 高级工程师, 研究方向为定量遥感、遥感影像的大气校正。E -m a i:l w fxyp sohu co m收稿日期:2007-01-22基金项目:本研究由国土资源大调查(从高光谱遥感影像提取植被信息温兴平, 胡光道, 杨晓峰( 中国地质大学数学地质遥感地质研究所, 武汉 430074; 地质过程与矿产资源国家重点实验室, 武汉 430074; 南京
2、信息工程大学环境科学与工程学院, 南京 210044摘 要 遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM 方法对植被信息进行了提取, 参考光谱使用ASD 光谱辐射仪采集的植被光谱曲线。文中对高光谱遥感影像的辐射定标和大气校正进行了研究, 针对影响光谱辐射仪采集的主要因素采取了相应的措施, 并对光谱曲线分类及参考光谱曲线的选取进行了研究。将选取出的参考光谱曲线与大气校正后的遥
3、感影像进行S AM 匹配提取出植被信息, 经过与实地调查资料比较并计算总体精度和kappa 系数, 计算结果达到预期精度。最后将分类结果转换为矢量图, 经过投影转换为大地坐标后制作出北衙植被分布图。关键词 高光谱遥感; 植被信息; SAM; 提取中图分类号 TP75 文献标识码 A 文章编号 1009-2307(2008 03-0066-03DO I :10 3771/j issn 1009-2307 2008 03 0221 引言遥感技术提取植被信息已经有很长的历史, 遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。由于植被在不同波段内表现出不同的吸收反射特征, 根据这些特征可
4、以有效地监测出植被的各类信息。P eterson 等用统计回归方法研究了卫星和机载遥感数据与叶面积指数、生物量和叶生物化学成分之间的关系1,2, G ong 等用机载成像光谱仪估计森林郁闭度达到较好效果3。早期的研究主要利用植被指数4-7, 目前文献中已有150多种植被指数, 但这种用植被指数来提取植被信息由于仅使用了部分波段而不能充分利用多光谱数据的全部信息。高光谱数据最早应用于地质领域8, 1988年以后成功应用于生态、大气科学、农林业等领域9。高光谱遥感数据有更多的波段, 更高的波谱分辨率, 使得高光谱数据在生态领域有更广泛的应用。高光谱植被遥感主要研究生态遥感所涉及的植被类型的识别与分
5、类、植物化学成分的估测、植物生态学评价等10。用高光谱遥感数据提取植被信息得到了大量成功的应用11-16。光谱角度填图S AM 是利用高光谱遥感数据提取信息较为成熟的一种方法17-19。杨可明等用SAM 方法成功对小麦条锈病的病害信息进行了提取20。童庆禧等用光谱波形的匹配模型从高光谱分辨率图像上有效定量提取出植被生物物理参量, 并进行了湿地植被类型识别。该算法在鄱阳湖湿地成功地识别出各种湿地植被类型, 并完成了湿地植被分类图21。本文基于EO-1H yperion 高光谱遥感数据, 参考光谱用A SD 便携式野外光谱辐射仪采集到的植被光谱曲线, 用SAM 方法对植被类型信息进行识别,经计算分
6、类结果的总体精度和K appa 系数均达到了预期目标。2 高光谱影像资料的大气校正EO-1H yper i on 高光谱遥感数据的刈幅宽度为7 5KM, 可见光35个波段、近红外35个波段和短波红外172个波段, 波谱范围400-2500n m, 星下点分辨率为30m 。S AM 是基于参考光谱与像元光谱进行匹配, 从而实现对目标信息的提取。而遥感影像数据在数据采集过程中会受到大气的干扰, 因而在提取之前对遥感影像进行大气校正是十分重要的。数据在大气校正前首先要对数据进行预处理, 包括坏线和死线处理和辐射定标。高光谱辐射仪在扫描过程中会出现坏线和死线, 影响影像的识别, 所以在校正前须进行处理
7、。高光谱遥感数据中有一个MA S K 字段用来标识数据接收状态, 通过MA SK 数据段可以找出死线和坏线在影像中的位置, 然后将这些死线和坏线用周边2个像点的平均值代替。高光谱成像仪在数据存贮时对可见光和近红外波段乘以40的比例因子, 对于短波红外波段乘以80的比例因子, 所以只需将波段数字值DN 除以相应的比例因子即可转换为辐射率22。高光谱遥感影像的大气校正较为成熟的方法有FLAAS H 、A CRON 和ATRE M 等。FLAA S H 整合了M ODT-RAN 23大气辐射传输模型, 可以精确地计算出大气对辐射的影响并考虑了邻近效应的影响, 可以对图像进行精确的大气校正24。本次研
8、究采用FLAA S H 对影像资料进行大气校正。校正过程中使用参数为:传感器高度705KM, 地面高程2KM, 星下点分辨率30米, 时间为2004年11月11日, 卫星越境世界时为03:36:42。气溶胶模式选农村模式, 大气模式为中纬度夏季, 能见度为40KM 。中心经纬度为100 8 和26 3 , 对应云南省大理至鹤庆一带。影像校正后, 经过统计值计算发现极个别波段有少量数据的反射率出现负值, 将这些负值做了清零处理, 处理后显示影像光谱曲线时发现光谱存在强烈的吸收带。大气中引起辐射吸收的主要成分有臭氧、二氧化碳、水汽等, 但前二者在波谱上仅有吸收谷, 而水汽强烈吸收带波段处过分响的波
9、第3期 温兴平等 从高光谱遥感影像提取植被信息为56-79; 120-127; 167-181, 对应中心波长为935n m, 1130n m, 1900n m 25, 这些通道数据由于水汽的强烈吸收成为不规则的噪声, 所以在研究之前必须将这些波段排除。校正后对影像上四点光谱曲线进行采样, 分别对应地面植被、水体、道路、土壤。图1是不同地物影像光谱辐射率曲线图, 图2为大气校正后的不同地物光谱反射率曲线。从图2可以看出, 校正后不同地物的光谱曲线特征明显, 与标准参考库内地物光谱曲线类似, 水体的反射率几乎全为零, 校正过程达到了预期效 果。3 植被光谱的选取A SD 便携式野外光谱辐射仪是由
10、美国分析光谱仪器公司制造, 光谱范围是3502500n m, 它能以0 1s 的速度记录一个3502500n m 范围的光谱, 非常适合于地面光谱采集。光谱采样时间为2004年7月中旬, 虽然与影像成像时间有一定间隔, 但由于当地气候条件, 本地的植被信息在两个时段基本类似。对应的天气状况与影像采集时的天气状况相同, 采集时间为上午11时与影像成像时间大致一致便于比较。植被反射光谱曲线主要由叶面所含叶绿素、水份、氮等其他生物化学成分对光谱的吸收形成的, 所以不同种类的植被有明显不同的光谱特征, 据此可以通过光谱特征将不同植被信息区分。植被样本的采集选取了当地有代表的十几种类型的植被, 如松树、
11、槐树、橛类植物、灌木林、草地等。光谱仪在采集光谱时会受到许多因素的干扰, 如光照条件、光谱仪与目标物的距离、光谱仪测量角度、周边环境等诸多因素。为尽量减少这些因素的干扰, 在采集时对同一植被类型在不同光照条件、距离、采集角度、地点进行了采样。植被参考光谱的选取是比较重要的环节, 研究中所采用的方法是首先将所有植被样本分为4类:针叶林、阔叶林、密低矮植被、稀疏低矮植被。然后把所有同类型植被的光谱与影像进行SAM 匹配, 匹配后通过统计值计算, 选取匹配面积最大的光谱曲线作为此类植被的参 考光谱。图3 ASD 光谱辐射仪采集的不同植被的光谱曲线A SD 便携式野外光谱辐射仪的光谱分辨率在35010
12、00n m 之间为3n m, 在10002500nm 之间为10n m, 而EO-1H yper i on 高光谱遥感数据的光谱分辨率约为10n m, 由于二者分辨率不同, 在进行比较前须对采集的光谱进行重采样。重采样后的四类植被的参考光谱曲线如图3。从图3上看出, 不同类型的植被光谱曲线在不同波段有明显的差异, 稀疏低矮植被光谱明显带有混合光谱特征, 光谱曲线接近土壤光谱曲线。4 用S A M 对植被信息进行提取 SAM (Spectra l ang l e m apper 方法是通过计算一个测试光谱(像元光谱 与一个参考光谱之间的 角度 来确定两者之间的相似性, 夹角越小, 两条光谱越相似
13、10。SAM 将光谱数据看作空间矢量, 矢量维度等于波段总数。由于S AM 计算的是光谱矢量之间的夹角, 增加或减小像元点的亮度仅会导致光谱曲线反射率总体增加或减小而不会改变光谱矢量的方向, 因而光照条件对SAM 方法的计算结果影响较小。采集地区位于多山地带, 阴影区明显, 因而用这种方法提取目标信息较为理想。S AM 的计算用公式(1 26, 计算后选择一定的光谱夹角阈值, 即可完成提取工作。cos =A BA B=Ni=1A iBi i=1A iAii=1B iBi(1式中N 为光谱采样波, A i 和B i 为光谱矢量, 为光谱夹角。研究中阈限值取co s =0 995, 即 =5 73
14、 。当计算值大于 时即认为光谱不匹配。匹配计算完成后对分类精度进行了评价。光谱仪在采集光谱的同时对采集目标进行了实地拍照, 并用GPS 定位仪记录了采集地点的经纬度。将这些资料处理后与遥感影像进行叠加, 并结合遥感影像上像元点的波谱曲线与不同波段组合的目视解译在图上选取出参考样本数据, 而后生成混淆矩阵, 计算出的总体精度和K appa 系数27见表1。然后对分类结果进行了分类后处理, 过滤掉一些散点, 并对一些相邻同类分区进行了合并处理。表1 分类精度评价结果参考样本数据针叶林阔叶林密低矮植被稀疏低矮植被总和分类影像未分类1819102370针叶林976121161005阔叶林010*密低矮
15、植被1009260936稀疏低矮植被300988991总和1007105596210174041总体精度=96 8572% Kappa 系数=0 95835 制作植被分布图首先将分类结果转换成矢量图, 然后对矢量图进行投影转换为大地坐标。投影时采用高斯-克吕格3度带投影,带号为33, 中心经度为99 , 大地基准面为西安1980。最后制作的植被分布图见图4。图4 北衙植被分布图67测绘科学 第33卷6 结束语文中介绍了基于高光谱遥感数据用S AM 方法对植被信息进行提取的方法与步骤。首先是对遥感影像进行大气校正, 这一步是比较关键的, 大气校正的精度直接影响着后面目标信息的提取。大气校正前首先
16、要对遥感影像中的坏线和死线进行处理然后进行辐射定标, 校正后要对水汽强吸收波段进行排除。光谱仪在采集光谱时为减少干扰因素, 在采集时对同一目标在不同光照条件、距离、采集角度、地点等进行多次采样, 而后对植被光谱进行分类并选取出不同种类植被的参考光谱。将选取出的参考光谱曲线与大气校正后的遥感影像进行S AM 匹配提取出植被信息, 经过与实地调查资料比较并计算总体精度和kappa 系数, 计算结果达到预期目标。最后将分类结果转为矢量数据, 并导入ARCG IS 进行投影转换为大地坐标, 最后制作出北衙植被分布图。在研究中也发现, 虽然已经对不同光照条件下的植被光谱信息进行了采集, 但对遥感影像阴影
17、区下的植被信息的提取还存在误差, 部分阴影区的植被信息也存在错识别, 这将是下一步工作研究的主要目标。参考文献1Pe terson D L R e m ote sensing o f f o rest canopy and leaf b i oche m i ca l contents J.R e m ote Sensing o f Env iron -m ent , 1988, 24(1:85-108 2P eterson D L , et al R e lati onshi Po f t he m a tic m appe r si m u lator data to leaf area
18、i ndex o f temperate con iferous forests J.R e m ote Sensi ng of Env iron m ent , 1987, 22(3:323-341 3G ong P , J R M ill e r , M Spanner Fo rest canopy closure fro m c lassificati on and spectra l un m i x i ng of scene com po -nen ts-mu lti sensor eva l uati on of an open canopy J.IEEE T ransacti
19、ons on G eo sc i ence and R emo te Sensi ng , 1994, 32(5 :1067-10734R ouse J W M onitor i ng vege tati on syste m s in the G reat P la i ns w it h ERT S M .NASA G oddard Space F li ght Cen ter 3d ERTS -1Sy m p , 1974-15Tucker C J R ed and Photographic Infrared L inear Co m-b i nati ons for M onito r
20、i ng V eg etati on J.Remo te Sens -ing o f Env ironment , 1979, 8(2:127-1506田庆久, 闵祥军 植被指数研究进展J.地球科学进展, 1998, 13(4:327-3337Thenkaba il PS , R B Sm ith , E D e P auw H yperspectra l v ege tati on i nd i ces and t he ir re lati onships w ith ag ricu lt ura lcro Pcha racte ristics J.R e m o te Sensing o
21、 f Env iron -m ent , 2000, 71(2:158-1828G oe tz A F H, e t al I m ag i ng spectrom etry f o r ea rt h re -m ote sensing Sc ience J 1985, 228(4704 :1147-11539V ane G, A F H G oe tz T e rrestr i a l i m ag i ng spectroscopyJ.R e m ote Sensing o f Env i ronm ent , 1988, 24(1:1-2910浦瑞良, 宫鹏 高光谱遥感及其应用M .北
22、京:高等教育出版社, 2000 11Saga l ov ich V N, E Y F a l kov , T I T sareva E sti m ation ofch l orophy ll content i n plant leaves and canopy from hy -perspec tral vege tati on i ndexes J.Issledovanie Zem li iz K os m osa , 2002, (6:81-8512Saga l ov ich V N, E Y F alkov , T I T za reva , E sti m a tiono f wa
23、 ter conten t in vegetation from hyperspectra l vegeta -ti on i nd ices J Issledov an i e Z e m li i z K os m osa , 2004, (1:63-6713K e m peneers P, et a l G ener ic w ave let -based hyperspec -tral class ifi cati on app lied t o v ege tati on stress detec tionJ.IEEE T ransactions on G eo sc i ence
24、and R e m ote Sensing , 2005, 43(3:610-614 14K e m penee rs P, et a l W avelet Based Feature Extrac tionfor H yperspectra l V egeta ti on M onito ri ng C /in P ro -ceedings o f SP I E -T he Inte rnati ona l Soc i e ty for O ptica l Eng i neer i ng , 2004, Barce l ona , 297-30515廖克, 等 高分辨率卫星遥感影像在土地利用
25、变化动态监测中的应用J.测绘科学, 2006, 31(616Baugh W M, F A K ruse , W W A tk i nsonJr Q uantitative geoche m ical m app i ng o f a mmon i u m m i n -era ls i n the southe rn C edarM ounta i ns , N evada , usi ng the airborne v isi b l e /i nfrared i m ag i ng spec trom eter (AV IR IS J.R e m ote Sensing o f Env i
26、 ronm ent , 1998, 65(3:292-30817杨可明, 郭达志, 陈云浩 高光谱植被遥感数据光谱特征分析J.计算机工程与应用, 2006, 3118童庆禧, 等 湿地植被成象光谱遥感研究J.遥感学报, 1997, (01 19FLAA S H M odule U ser s G u i de (ENV I FLAA S H V e rsion4 2 Z 2005, R esearch Sy stem s Inc20徐希孺 遥感物理M .北京:北京大学出版社, 2005Ex trac ti ng vegetation i n for m ation fro m hyperspe
27、ctra l i m ageryAb stract :T he vege tation c l assifica ti on , characte ristic and grow th v i gour i n l a rge a reas can be detected qu i ck l y us i ng re m o te sensi ng H yperspec tra l re m o te sensi ng has po tentia l application in eco l ogy fie l d for its h i ghe r spectru m reso luti o
28、n V ege ta ti on i n -for m ation as an i m po rtan t para m ete r o f entiron m ent eva l uation can bene fit fo r construc ti on and superv ision in reg i on entiron m ent In t h is paper , the veg eta ti on i n for m ati on i n Be iya reg i on can be ex tracted by SAM a lgor ith m usi ng hyperspe
29、c tra l rem ote sensi ng i m age T he spec trum acquired by A SD handho l d spec troradiom eter i n situ is used as re ference spectru m Th is paper i nvestigates the at m ospher ic correc ti on and cali b ra ti on o f hype rspe ctra l re m o te sensing da ta M eanw hile it resea rches the m a i n i
30、nfl uence fac -tors and its response m easure o f acqu ir i ng vege tation reflec tance spec tra l and choos i ng t he endm e m be r spectrum T he classifica -ti on re sult is m ade by SAM m atch and checked by o vera ll accuracy and K appa coe ffic ien t F i na lly the vege tation d istr i bu ti on
31、 m ap is m ade by pro j e cti on transfor m ati onK ey word s :hyperspectral re m o te sens i ng ; vegetation i nfo r ma ti on ; S AM a l go rith m; ex tracti ngW E N X ing -p ing , H U Guang-dao , Y ANG X iao -feng( Instit u te o fM a t he m atic G eo l ogy and R emo te Sensing G eo logy ; Ch-i na
32、U n i ve rs i ty of G eosc i ences ; W uhan 430074, Chi na ; State K ey L aborato ry ofG eo log ical P ro cesses andM i nera lR esou rces ; W uhan 430074, Chi na ; F acu lty of Env iron m ental Sc ience and Eng i neer i ng ; N an ji ng U n i versity of Infor m ati on Sc i ence&T echnology ; N an -ji n
