熊 鷹，岳躍民

（1.長(zhǎng)沙理工大學(xué)資源環(huán)境系，湖南長(zhǎng)沙 410114；2.中國(guó)科學(xué)院亞熱帶農(nóng)業(yè)生態(tài)研究所，湖南長(zhǎng)沙 410125）

一、引 言

喀斯特生態(tài)系統(tǒng)由于受人類(lèi)活動(dòng)的過(guò)度干擾，導(dǎo)致以石漠化為特征的生態(tài)環(huán)境退化嚴(yán)重，并加劇了景觀演化和景觀破碎化進(jìn)程，地表呈現(xiàn)出高度的異質(zhì)性［1-2］?；谶b感提取喀斯特植被蓋度時(shí)，喀斯特景觀的高度異質(zhì)性決定了地物尺度往往小于影像空間分辨率（如Landsat TM影像，空間分辨率為30 m×30 m），像元內(nèi)部往往包含了植被、基巖、裸土等多種地物信息，混合像元比例較大，導(dǎo)致喀斯特地區(qū)，特別是大區(qū)域尺度植被蓋度信息獲取困難［3］。現(xiàn)有植被蓋度提取方法均面臨著很大的挑戰(zhàn)，常用的遙感植被指數(shù)主要反映植被的“綠度”信息，容易受裸露碳酸鹽巖、土壤等背景的影響；而應(yīng)用混合光譜分解模型方法時(shí)喀斯特地物的純像元選擇困難［4-6］。在實(shí)際自然景觀中，異質(zhì)性復(fù)雜地物的分布在空間上往往是連續(xù)的，在空間上越靠近的事物越相似，即所謂的空間自相關(guān)性，如溫度、水分、土壤特征、植被特征等在空間上的分布往往表現(xiàn)出連續(xù)性，而不是陡然變化［7-8］。在大區(qū)域景觀尺度上具有高度異質(zhì)性的地物分布，在特定小區(qū)域尺度上可能存在相對(duì)的均勻性，表現(xiàn)在光譜信息上，則是大區(qū)域景觀尺度上地物分布具有高度的光譜異質(zhì)性，而在特定小區(qū)域尺度上則可能存在相對(duì)的光譜均勻性。因此，能否利用地物分布的光譜異質(zhì)性與均勻性信息，提高喀斯特植被蓋度遙感提取的準(zhǔn)確性成為本文主要探討的問(wèn)題。

針對(duì)現(xiàn)有植被蓋度提取方法的不足和光譜異質(zhì)性分析，本文提出了基于光譜相似性的高度異質(zhì)性條件下喀斯特植被蓋度提取方法，利用光譜相似性將高度異質(zhì)性地物劃分為相對(duì)均勻的地塊，降低了異質(zhì)性景觀對(duì)喀斯特植被蓋度提取的影響，從而提高了喀斯特植被蓋度信息遙感提取的精度。

二、數(shù)據(jù)源

本研究采用的遙感數(shù)據(jù)源為EO-1 Hyperion高光譜遙感數(shù)據(jù)，該數(shù)據(jù)共有242個(gè)波段，光譜范圍為400～2500 nm，光譜分辨率達(dá)到10 nm，地面分辨率為30 m。圖像的獲取時(shí)間為2008年3月3日，圖像覆蓋區(qū)域位于廣西大化縣七百弄鄉(xiāng)附近（24°4＇52″N，107°39＇45″E），屬于典型的喀斯特峰叢洼地景觀，石漠化比較嚴(yán)重，植被、土壤、裸露基巖等地物類(lèi)型混雜、交錯(cuò)分布，具有高度的景觀異質(zhì)性。

本研究所獲取的Hyperion圖像直接從美國(guó)地質(zhì)調(diào)查局（USGS）編程訂購(gòu)，所獲取的影像數(shù)據(jù)格式為L(zhǎng)1R。首先剔除未定標(biāo)和受水汽影響的波段后，剩下176個(gè)波段，并利用因子系數(shù)將圖像DN值轉(zhuǎn)換為輻亮度值得到絕對(duì)輻射值圖像［9］；然后用相鄰行或列的平均值替代壞線、全局去條紋法去除影像中的垂直條紋［10］，采用MNF空間列均值調(diào)節(jié)方法（column mean adjusted in radiance space）糾正Smile效應(yīng)［11］，用Landsat TM影像作為基準(zhǔn)影像對(duì)Hyperion圖像進(jìn)行幾何校正，校正的誤差為0.33個(gè)像元；最后利用 ACORN（atmosphericcorrection now）［12］軟件的高光譜圖像大氣校正模塊對(duì)Hyperion圖像進(jìn)行大氣校正，得到圖像的反射率數(shù)據(jù)。

三、研究方法

遙感影像能夠獲取地物的反射光譜特征，不同地物的光譜特征不同，在大區(qū)域景觀尺度上高度異質(zhì)性地物分布具有高度的光譜異質(zhì)性，而在特定小區(qū)域尺度上則可能存在相對(duì)的光譜均勻性。因此，首先基于光譜相似性對(duì)高度異質(zhì)性圖像進(jìn)行分塊，得到地物分布相對(duì)均勻的圖像子集，以降低高度異質(zhì)性對(duì)地物信息遙感提取的影響。在此基礎(chǔ)上，對(duì)每一圖像子集利用像元二分法光譜解混獲得每一像元的豐度值，從而獲取整個(gè)區(qū)域的植被與非植被蓋度信息。具體算法實(shí)現(xiàn)如圖1所示。

圖1 算法流程圖

1.光譜相似性度量

描述兩矢量相似度可以借用圖像分類(lèi)的方法，傳統(tǒng)圖像分類(lèi)方法，如最小距離法、最大似然法等，都是先選取感興趣區(qū)（regions of interest，ROI）進(jìn)行訓(xùn)練，由每個(gè)訓(xùn)練區(qū)得到一個(gè)平均光譜，然后將每一類(lèi)得到的平均光譜與需要分類(lèi)的圖像光譜一一比較其相似性，最終得到圖像分類(lèi)或分塊。這類(lèi)方法由于噪聲和地物分布在數(shù)據(jù)獲取尺度上的不均一性一般會(huì)造成“麻點(diǎn)”現(xiàn)象，即同一地塊中夾雜著其他類(lèi)別，從而造成分類(lèi)精度下降［7］。同時(shí)，這些方法更多考慮參量的數(shù)學(xué)特征，未充分考慮不同地物的光譜響應(yīng)差異。因此，本文從光譜角度出發(fā)，來(lái)刻畫(huà)像元光譜間相似度。

給定m×n大小的遙感圖像I，I（i，j）表示圖像在空間坐標(biāo)（i，j）處的光譜（i=1，2，…，m；j=1，2，…，n）。設(shè)像元Sij表示（i，j）處像元所屬分塊的類(lèi)別，整個(gè)圖像分塊計(jì)算從圖像左上角第一點(diǎn)開(kāi)始，該點(diǎn)的塊類(lèi)別為S11=1，計(jì)算遵從由左至右、由上到下的原則，設(shè)F（x，y）為相鄰像元的相似程度，μ為判別閾值。若F（x，y）≤μ，則x與y屬于同一種地塊；若F（x，y）＞μ，則x與y屬于不同的地塊。

光譜間相似程度F（x，y）用像元光譜間的夾角θ表示:將N個(gè)波段的光譜響應(yīng)作為N維空間的矢量，通過(guò)計(jì)算它與最終光譜單元光譜之間的廣義夾角來(lái)表征其相似程度，夾角越小，說(shuō)明它們?cè)较嗨疲?3］。兩矢量廣義夾角用反余弦表示為

即

式中，θ為像元光譜間的夾角；T、R為兩個(gè)相鄰像元的光譜矢量。θ值越小，T和R的相似性越大。

2.高度異質(zhì)性圖像分塊

考慮到地物的空間連續(xù)性，基于上述相鄰像元間光譜夾角進(jìn)行分塊時(shí)，將光譜相近的混合像元?dú)w為同一分塊。通過(guò)上述操作，將圖像I劃分為I1，I2，I3，…，In（其中n為分塊數(shù)目，I1，I2，…，In為圖像子塊），同一分塊Ii的像元包含著類(lèi)型相近的地物，即地物分布相對(duì)均勻的圖像子集{I1，I2，I3，…，In}。分別取θ為 1°、2.5°、5°、7.5°、10°、12.5°、15°、…的光譜夾角作為光譜相似程度的判別閾值?；诠庾V相似性分塊后，每一圖像子塊內(nèi)部含有相似的地物類(lèi)型，而每一圖像子塊之間具有較大的差異性。因此，根據(jù)圖像子塊之間的空間自相關(guān)性來(lái)確定θ的最優(yōu)閾值，本研究空間自相關(guān)性基于Moran＇sI空間自相關(guān)系數(shù)評(píng)價(jià)［14］

式中，n為圖像子塊總數(shù)；wij是相鄰圖像子塊yi和yj的權(quán)重；yi為圖像子塊Ii的光譜均值；是整個(gè)圖像的光譜均值?？臻g自相關(guān)系數(shù)I值越低，表明圖像子塊之間的空間自相關(guān)性越低，差異性越大。

3.每個(gè)圖像子集的像元二分法光譜解混

對(duì)地物分布相對(duì)均勻的圖像每個(gè)子塊Ik（k=1，2，…，n）分別進(jìn)行基于像元二分模型的混合像元分解，獲得每一像元的豐度值，從而獲得整幅圖像的植被蓋度信息［15-16］。假設(shè)圖像像元信號(hào)由植被與非植被組成，fveg為像元植被蓋度信息，則非植被蓋度信息為1-fveg，因此，子塊Ik的任意像元信號(hào)Sk（i，j）可表示為

式中，Sk，veg為植被信號(hào)；Sk，non-veg為非植被信號(hào)。Sk（i，j）也可以用光譜指數(shù)來(lái)表示［17］，如 NDVI，則式（3）可表示為

進(jìn)一步變形得

式中，NDVIk，veg和 NDVIk，non-veg為每一圖像子塊Ii中NDVI的最大值和最小值。

四、結(jié)果與討論

1.基于光譜相似性的圖像分塊

基于不同光譜相似性閾值的圖像分割如圖2所示。從圖2可以看出，光譜夾角越小，光譜越相似，對(duì)高景觀異質(zhì)性圖像的分塊越細(xì)；隨著夾角的增大，所劃分的種類(lèi)數(shù)越來(lái)越少，地物光譜相似的不同地物也被劃分為同一種地物。隨著光譜夾角的增大，光譜相似性分布圖的閾值范圍逐漸降低，光譜夾角為1°時(shí)，圖像閾值范圍為［0，1424］；而當(dāng)夾角增大為15°時(shí)，圖像閾值范圍降為［0，7］。隨著夾角的增大，對(duì)地物之間劃分的光譜相似性要求越來(lái)越低，復(fù)雜地物分布的光譜異質(zhì)性大大降低，光譜所反映的地物差異越來(lái)越小，光譜相似性能夠很好地反映喀斯特地物分布的高度異質(zhì)性。傳統(tǒng)圖像分類(lèi)方法是先選擇訓(xùn)練區(qū)，然后由每個(gè)訓(xùn)練區(qū)計(jì)算得到一個(gè)平均光譜，再與需要分類(lèi)的高光譜圖像光譜比較其相似性，從而得到分類(lèi)結(jié)果。這樣處理的結(jié)果容易造成分類(lèi)精度的降低，主要是因?yàn)楦吖庾V圖像一般都含有噪聲，可以看做具有統(tǒng)計(jì)意義的平均光譜的一個(gè)樣本，而由數(shù)量足夠大的訓(xùn)練區(qū)得到的是接近地物真實(shí)光譜的平均光譜，用比較精確的光譜跟含有噪聲的不具有統(tǒng)計(jì)意義的單個(gè)原始光譜比較相似性進(jìn)行分類(lèi)時(shí)，就會(huì)產(chǎn)生“麻點(diǎn)”現(xiàn)象，從而造成分類(lèi)精度的降低。相比傳統(tǒng)分類(lèi)方法，本研究采用的圖像分塊方法既考慮了地物的空間相鄰關(guān)系，又結(jié)合了地物的光譜相似程度，因此可以認(rèn)為屬于同一塊的像元的地物類(lèi)型相似，分塊后的圖像具有很好的相對(duì)均勻性，降低了喀斯特高度異質(zhì)性景觀對(duì)地物遙感信息提取的影響。

圖2 基于不同光譜相似性閾值的圖像分割

2.基于分塊圖像的喀斯特植被蓋度信息提取

根據(jù)上述的分塊圖像，利用像元二分法對(duì)圖像的每一子集分塊分別進(jìn)行植被與非植被蓋度信息的提取，得到整個(gè)研究區(qū)域的植被蓋度信息（如圖3所示）。光譜相似閾值不同，提取的植被與非植被豐度差異較大；對(duì)光譜相似程度要求高的圖像分塊，其提取的植被與非植被豐度差異不明顯。這說(shuō)明光譜相似程度反映了地物分布的空間異質(zhì)性，但還沒(méi)超出空間連續(xù)分布的閾值，即將高景觀異質(zhì)性圖像分塊為相對(duì)均一的子區(qū)域是合理的。這也說(shuō)明在較大高景觀異質(zhì)性的區(qū)域，由于地物分布的空間連續(xù)性，存在著相對(duì)均一的地物分布。但隨著光譜相似閾值的降低，分類(lèi)圖像紋理越來(lái)越不清晰，更多不同類(lèi)型的地物被劃分為同一類(lèi)相對(duì)均一的地物。因此，忽視了高景觀異質(zhì)性地物分布內(nèi)部的相對(duì)均一性，影響了地物蓋度信息提取的準(zhǔn)確性。

結(jié)果驗(yàn)證主要是基于野外實(shí)地考查驗(yàn)證，驗(yàn)證點(diǎn)的選取采用分層隨機(jī)采樣法［18］，其優(yōu)點(diǎn)在于所有層不管其占整個(gè)區(qū)域的比例大小，都為其分配樣本進(jìn)行誤差評(píng)價(jià)。如果沒(méi)有分層，則對(duì)于區(qū)域中所占比例較小的類(lèi)別，就很難找到足夠的樣本。對(duì)不同的植被蓋度密度分割進(jìn)行分層隨機(jī)生成36個(gè)驗(yàn)證點(diǎn)，由于喀斯特地區(qū)屬于地貌崎嶇的山區(qū)，大部分地面調(diào)查點(diǎn)不可到達(dá)，只調(diào)查了其中21個(gè)分層隨機(jī)生成的驗(yàn)證點(diǎn)，并沿調(diào)查路線按不同的植被蓋度及類(lèi)型選擇5個(gè)驗(yàn)證點(diǎn)，共確定26個(gè)地面調(diào)查驗(yàn)證點(diǎn)。每個(gè)樣地采用目視估算、照相和樣線相結(jié)合的方法來(lái)估算植被的蓋度信息。

圖3 基于不同光譜相似性閾值的植被蓋度信息

試驗(yàn)結(jié)果表明，基于7.5°光譜夾角時(shí)，空間自相關(guān)系數(shù)I值最低，其值為0.047，說(shuō)明7.5°光譜夾角為最優(yōu)的圖像分塊光譜相識(shí)性閾值（如圖4所示）。此時(shí)，地面實(shí)測(cè)調(diào)查點(diǎn)提取的植被豐度與相應(yīng)的地面調(diào)查驗(yàn)證點(diǎn)的線性回歸決定系數(shù)為0.95，交叉驗(yàn)證均方根誤差（RMSE）為0.05（p＜0.01），具有較高的提取精度。

圖4 基于不同光譜相似性的圖像分塊

3.高度異質(zhì)性條件下喀斯特植被蓋度信息提取方法對(duì)比分析

為了對(duì)比分析高度異質(zhì)性景觀對(duì)喀斯特植被蓋度信息提取精度的影響，本研究基于Hyperion高光譜遙感圖像，分別利用歸一化植被指數(shù)（NDVI）、混合像元二分法等植被蓋度信息遙感提取方法及上述基于光譜相似性降低高度異質(zhì)性景觀影響的方法提取喀斯特植被蓋度信息，并與地面調(diào)查結(jié)果對(duì)比，結(jié)果如圖5所示。結(jié)果表明，利用NDVI植被指數(shù)提取植被蓋度時(shí)易低估整個(gè)區(qū)域的植被蓋度信息，而利用像元二分模型則易高估植被蓋度信息，說(shuō)明NDVI植被指數(shù)和像元二分法均不能有效提取高度異質(zhì)性的喀斯特植被蓋度信息，經(jīng)驗(yàn)?zāi)Ｐ秃拖裨址ǚ▋H能比較有效地直接提取分布相對(duì)比較均勻地區(qū)的植被蓋度信息，直接應(yīng)用于地物分布具有高度異質(zhì)性的地區(qū)如喀斯特地區(qū)提取植被蓋度信息時(shí)精度較低。而經(jīng)過(guò)圖像分塊后，提取精度顯著提高，特別是植被蓋度小于40%時(shí)改進(jìn)效果更明顯。所以，針對(duì)高度景觀異質(zhì)性的喀斯特地區(qū)，考慮到地物分布的空間連續(xù)性，首先基于相鄰像元間光譜相似度對(duì)遙感圖像進(jìn)行分塊，使分塊圖像具有相對(duì)低異質(zhì)性，然后再提取植被蓋度信息，即可大大改進(jìn)植被蓋度估算的精度。這主要是因?yàn)閷?duì)圖像分塊考慮了自然地物的空間連續(xù)分布特征，經(jīng)過(guò)圖像分塊后，使得在大尺度范圍內(nèi)具有高度異質(zhì)性的地物分布，在小尺度范圍內(nèi)具有相對(duì)的均一性。

圖5 實(shí)測(cè)植被蓋度與基于不同方法反演預(yù)測(cè)蓋度擬合比較

五、結(jié) 論

喀斯特地表復(fù)雜度高，地物交錯(cuò)分布且土被不連續(xù)，植被片段化嚴(yán)重，具有高度的異質(zhì)性，導(dǎo)致喀斯特植被蓋度信息遙感準(zhǔn)確提取困難。本文利用地物分布的光譜異質(zhì)性與均勻性信息，降低了高度異質(zhì)性景觀對(duì)遙感信息提取的影響，提高了喀斯特植被蓋度信息提取的精度。研究表明:①基于光譜相似性對(duì)圖像進(jìn)行分塊，避免了由于噪聲和地物分布在數(shù)據(jù)獲取尺度上的不均一性所引起的“麻點(diǎn)”現(xiàn)象；經(jīng)過(guò)圖像分塊后，降低了高度異質(zhì)性景觀對(duì)喀斯特植被蓋度信息提取的影響。② 利用NDVI植被指數(shù)方法提取植被蓋度時(shí)均容易低估整個(gè)區(qū)域的植被蓋度信息，利用像元二分模型則容易高估整個(gè)區(qū)域的植被蓋度信息；而基于7.5°光譜夾角相似性圖像分塊后再利用像元二分法分解提取的喀斯特地區(qū)植被蓋度精度較高。③針對(duì)高度異質(zhì)性景觀的喀斯特地區(qū)，應(yīng)考慮地物混雜對(duì)遙感信息提取的影響，首先對(duì)遙感圖像進(jìn)行分塊，使得在大尺度范圍內(nèi)具有高度異質(zhì)性的地物分布，在小尺度范圍內(nèi)具有相對(duì)的均一性，從而使分塊后的圖像具有相對(duì)的低異質(zhì)性。④本文提出的基于光譜相似性圖像分塊處理思想，不僅適合于喀斯特地區(qū)植被蓋度信息提取，也有望應(yīng)用于其他地表高度異質(zhì)性地區(qū)地表參數(shù)的遙感提取。

［1］ 袁道先，章程.巖溶動(dòng)力學(xué)的理論探索與實(shí)踐［J］.地球?qū)W報(bào)，2008，29（3）:355-365.

［2］ 曹建華，袁道先，裴建國(guó)，等.受地質(zhì)條件制約的中國(guó)西南巖溶生態(tài)系統(tǒng)［M］.北京:地質(zhì)出版社，2005:10-36.

［3］ 李陽(yáng)兵，李衛(wèi)海，王世杰，等.石漠化斑塊動(dòng)態(tài)行為特征與分類(lèi)評(píng)價(jià)［J］.地理科學(xué)進(jìn)展，2010，29（3）:335-341.

［4］ 岳躍民，王克林，張兵，等.喀斯特石漠化信息遙感提取的不確定性［J］.地球科學(xué)進(jìn)展，2011，26（3）:266-274.

［5］ 劉波，岳躍民，李儒，等.喀斯特典型地物混合光譜與復(fù)合覆蓋度關(guān)系研究［J］.光譜學(xué)與光譜分析，2010，30（1）:2470-2474.

［6］ YUE Yuemin，ZHANG Bing，WANG Kelin，et al.Spectral Indices for Estimating Ecological Indicators of Karst Rocky Desertification ［J］.International Journal of Remote Sensing，2010，31（8）:2115-2122.

［7］ 鄔建國(guó).景觀生態(tài)學(xué)——格局、過(guò)程、尺度與等級(jí)［M］.2版.北京:高等教育出版社，2007:125-127.

［8］ 耿修瑞.高光譜遙感圖像目標(biāo)探測(cè)與分類(lèi)技術(shù)研究［D］.北京:中國(guó)科學(xué)院，2004.

［9］ DAUGHTRY C S T，WALTHALL C L，KIM M S，et al.Estimating Corn Leaf Chlorophyll Concentration from Leaf and Canopy Reflectance［J］.Remote Sensing of Environment，2000，74（2）:229-239.

［10］ 譚炳香，李增元，陳爾學(xué)，等.EO-1 Hyperion高光譜數(shù)據(jù)的預(yù)處理［J］.遙感信息，2005（6）:36-41.

［11］ GOODENOUGH D，DYK A，NIEMANN K，et al.Processing Hyperion and ALI for Forest Classification ［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（6）:1321-1331.

［12］ KRUSE F A，BOARDMAN J W，LIVO K E.Using Hyperspectral Data for Urban Baseline Studies［C］∥Proceedings of 13th JPL Airborne Geoscience Workshop.Pasadena:［s.n.］，2004.

［13］ KRUSE F A，LEFKOFF A B，BOARDMAN J W，et al.The Spectral Image Processing System（SIPS）—Interactive Visualization and Analysis of Imaging Spectrometer Data ［J］.Remote Sensing of Environment，1993，44（2-3）:145-163.

［14］ GUTMAN G，IGNATOV A.The Derivation of the Green Vegetation Fraction from NOAA/AVHRR Data for Use in Numerical Weather Prediction Models［J］.International Journal of Remote Sensing，1998，19（8）:1533-1543.

［15］ 陳晉，陳云浩，何春陽(yáng)，等.基于土地覆蓋分類(lèi)的植被覆蓋率估算亞像元模型與應(yīng)用［J］.遙感學(xué)報(bào)，2001，5（6）:416-423.

［16］ LEPRIEUR C，VERSTRAETE M，PINTY B.Evaluation of the Performance of Various Vegetation Indices to Retrieve Vegetation Cover from AVHRR Data ［J］.Remote Sensing Reviews，1994，10（4）:265-284.

［17］ JENSEN J R.遙感數(shù)字影像處理導(dǎo)論［M］.陳曉玲，龔?fù)?，李平湘，譯.3版.北京:機(jī)械工業(yè)出版社，2007.

［18］ QI J，MARSETT R，MORAN M，et al.Spatial and Temporal Dynamics of Vegetation in the San Pedro River Basin Area ［J］.Agricultural and Forest Meteorology，2000，105（1）:55-68.