朱 煒，李 東，沈 飛，湯根云，吳建明，陳繼民，劉 政，王志輝

（1. 浙江省湖州市林業(yè)科學(xué)研究所，浙江 湖州 313000；2. 浙江省湖州市林業(yè)技術(shù)推廣站，浙江 湖州 313000；3. 浙江省湖州市木材檢查站，浙江 湖州 313000；4. 浙江省長(zhǎng)興縣林業(yè)局，浙江 長(zhǎng)興 313100；5. 杭州感知軟件科技有限公司，浙江 臨安 311300）

高光譜遙感森林樹(shù)種分類(lèi)研究進(jìn)展

朱 煒1，李 東1，沈 飛2，湯根云3，吳建明1，陳繼民3，劉 政4，王志輝5

（1. 浙江省湖州市林業(yè)科學(xué)研究所，浙江 湖州 313000；2. 浙江省湖州市林業(yè)技術(shù)推廣站，浙江 湖州 313000；3. 浙江省湖州市木材檢查站，浙江 湖州 313000；4. 浙江省長(zhǎng)興縣林業(yè)局，浙江 長(zhǎng)興 313100；5. 杭州感知軟件科技有限公司，浙江 臨安 311300）

從基于光譜特征、基于光譜匹配和基于統(tǒng)計(jì)分析方法3個(gè)方面，論述了高光譜遙感數(shù)據(jù)進(jìn)行森林樹(shù)種分類(lèi)的應(yīng)用研究狀況，分析了目前研究中存在數(shù)據(jù)質(zhì)量與保障性相對(duì)滯后、缺乏有效的處理算法等問(wèn)題，指出了進(jìn)一步完善森林樹(shù)種光譜數(shù)據(jù)庫(kù)和加強(qiáng)高光譜數(shù)據(jù)研究的高光譜樹(shù)種研究方向。

高光譜遙感；基于光譜特征；基于光譜匹配；基于統(tǒng)計(jì)分析；樹(shù)種分類(lèi)

1 高光譜遙感森林樹(shù)種分類(lèi)研究現(xiàn)狀

森林作為地球上可再生自然資源及陸地生態(tài)系統(tǒng)的主體，它為人類(lèi)的生存和發(fā)展提供了豐富的物質(zhì)資源，在維持生態(tài)過(guò)程和生態(tài)平衡中發(fā)揮著重要的作用[1]。正確地識(shí)別森林樹(shù)種是利用和保護(hù)森林資源的基礎(chǔ)和依據(jù)[2]?，F(xiàn)行的樹(shù)種識(shí)別方法主要是依靠一些成本高、費(fèi)時(shí)、費(fèi)力的野外調(diào)查方法（主要是根據(jù)樹(shù)種的形態(tài)學(xué)角度來(lái)劃分，如莖、葉、花、果、種子的外部形態(tài)等特征來(lái)識(shí)別和鑒定樹(shù)木的種類(lèi)）或利用大比例尺的航片來(lái)進(jìn)行判讀（比例尺超過(guò)1:10 000）。在過(guò)去二三十年里，開(kāi)展了大量應(yīng)用航天遙感數(shù)據(jù)（如TM, SPOT）進(jìn)行森林樹(shù)種分類(lèi)的應(yīng)用研究，但是由于多光譜遙感光譜分辨率的局限性，對(duì)于光譜曲線相近的樹(shù)種很難進(jìn)行識(shí)別，只能將其劃分為植被、非植被，或者簡(jiǎn)單地將森林區(qū)分為針葉、闊葉兩大類(lèi)，難以滿足實(shí)際生產(chǎn)需求[3~5]。這主要有兩個(gè)因素決定：一是由于缺少高光譜分辨率和大量的光譜波段，因?yàn)椴煌臉?shù)種經(jīng)常有極為相似的光譜特性（通常稱(chēng)為“異物同譜”現(xiàn)象），它們細(xì)微的光譜差異用寬波段遙感數(shù)據(jù)是無(wú)法探測(cè)的；二是由于光學(xué)遙感所依賴的光照條件無(wú)常，可能引起相同的樹(shù)種具有顯著不同的光譜特性（即所謂的“同物異譜”現(xiàn)象）。高光譜遙感突破了光譜分辨率這一瓶頸因子，在光譜空間上大大抑制了其它干擾因素的影響，能夠準(zhǔn)確地探測(cè)到具有細(xì)微光譜差異的各種地物類(lèi)型，極大地提高了森林樹(shù)種的識(shí)別精度[6~7]，為獲得更準(zhǔn)確的森林樹(shù)種分布提供了最強(qiáng)有力的工具。目前，我國(guó)在這方面的研究還處于發(fā)展的初級(jí)階段，主要以理論分析和小范圍的應(yīng)用研究為主。

高光譜遙感具有高光譜分辨率和波段多等顯著特點(diǎn)，已被成功地應(yīng)用在大氣科學(xué)、生態(tài)、地質(zhì)、水文和海洋等學(xué)科中[8~9]。高光譜植被遙感主要研究生態(tài)遙感所涉及的植被類(lèi)型的識(shí)別和分類(lèi)、植物化學(xué)成分的估側(cè)、植物生態(tài)學(xué)評(píng)價(jià)，這些內(nèi)容是最近提出的遙感生態(tài)測(cè)量學(xué)的目的之一[10]。國(guó)外已開(kāi)展了植被葉面積指數(shù)、生物量、植被生化信息、針葉樹(shù)種識(shí)別等方面的研究工作，但我國(guó)在這方面的工作剛剛起步[4]，尤其在森林樹(shù)種分類(lèi)方面起步更晚。有學(xué)者利用CASI，HYDIC，Hyperion等航空航天高光譜數(shù)據(jù)或光譜儀實(shí)測(cè)的光譜數(shù)據(jù)進(jìn)行森林樹(shù)種類(lèi)型的識(shí)別研究，還有學(xué)者通過(guò)利用波段組合、Logistics回歸、建立光譜信息模型等方法[11]進(jìn)行森林主要樹(shù)種類(lèi)型的識(shí)別，均取得了與地面數(shù)據(jù)相吻合的結(jié)果。Zhang等[12]利用小波變換方法處理HYDICE高光譜數(shù)據(jù)，對(duì)處理后的結(jié)果進(jìn)行熱帶森林的樹(shù)種識(shí)別研究，發(fā)現(xiàn)小波變換后的高光譜數(shù)據(jù)能提高熱帶森林樹(shù)種的識(shí)別精度；陳爾學(xué)等[13]利用Hyperion高光譜數(shù)據(jù)和地面觀測(cè)數(shù)據(jù)，比較了幾種高光譜統(tǒng)計(jì)模式識(shí)別方法，結(jié)果發(fā)現(xiàn)采用二階統(tǒng)計(jì)量方法，同時(shí)結(jié)合空間上下文信息和光譜信息分類(lèi)法（ECHO）可以有效地提高森林樹(shù)種的識(shí)別精度；Martin等[14]結(jié)合不同森林樹(shù)種之間特有的生化特性和已經(jīng)在高光譜數(shù)據(jù)（AVIRIS）與簇葉化學(xué)成分之間建立的關(guān)系，鑒別了11種森林類(lèi)型（空曠地、紅楓林、紅櫟林、闊葉混交林、白松林、鐵杉林、針葉混交林、挪威云杉林、紅松林、云杉沼澤林及落葉闊葉沼澤林）；宮鵬等[10,15]利用高分辨率光譜儀在實(shí)地測(cè)得的光譜數(shù)據(jù)來(lái)識(shí)別美國(guó)加州的6種主要針葉樹(shù)種，得到了一些很有意義的結(jié)論，至少證明了高光譜數(shù)據(jù)具有較強(qiáng)的樹(shù)種識(shí)別潛力；劉秀英等[16]利用地物光譜儀測(cè)量了杉木、雪松、小葉樟樹(shù)和桂花4個(gè)樹(shù)種光譜數(shù)據(jù)，并利用光譜微分、波段選擇等技術(shù)成功地識(shí)別出這幾個(gè)樹(shù)種。Davison等[17]對(duì)機(jī)載CASI高光譜數(shù)據(jù)監(jiān)測(cè)加拿大安大略湖森林參數(shù)的能力進(jìn)行了評(píng)價(jià)，結(jié)果表明CASIO高光譜數(shù)據(jù)具有區(qū)分主要樹(shù)種的能力。G. Goodenough等[18]利用Hyperion、ALI和ETM 3種遙感數(shù)據(jù)對(duì)加拿大維多利亞地區(qū)的5種森林類(lèi)型（冷衫、鐵杉、北美圓柏、小干松和赤揚(yáng)）進(jìn)行了分類(lèi)，其分類(lèi)精度分別是92.9%、84.8%和75.0%，表明高光譜遙感數(shù)據(jù)具有更強(qiáng)的森林類(lèi)型識(shí)別能力。

2 高光譜遙感森林樹(shù)種分類(lèi)

高光譜遙感的識(shí)別作為高光譜遙感森林樹(shù)種識(shí)別的關(guān)鍵環(huán)節(jié)而備受關(guān)注[19]。由于高光譜數(shù)據(jù)同時(shí)具有波段多、數(shù)據(jù)量大、圖譜合一等特點(diǎn)，因此需要發(fā)展更有效的識(shí)別算法才能使其發(fā)揮更大的作用。經(jīng)過(guò)二十多年的積累，在傳統(tǒng)識(shí)別分類(lèi)算法的基礎(chǔ)上已經(jīng)形成了一系列面向高光譜圖像特點(diǎn)的識(shí)別算法，初步可歸納為3個(gè)方面，即基于光譜特征、基于光譜匹配和基于統(tǒng)計(jì)分析方法。

2.1 基于光譜特征

植物光譜通常包括一系列的特征吸收譜帶，這些特征譜帶在不同的樹(shù)種類(lèi)型中具有較穩(wěn)定的波長(zhǎng)位置和特征形態(tài)，能夠指示出不同樹(shù)種類(lèi)型間的差異，是高光譜進(jìn)行樹(shù)種識(shí)別的基礎(chǔ)[10]。光譜微分（spectrum derivative）能夠迅速地確定光譜拐彎點(diǎn)及最大、最小反射率波長(zhǎng)位置等各種光譜特征參數(shù)。

光譜微分既可以消除光譜數(shù)據(jù)之間的系統(tǒng)誤差、減弱大氣輻射、散射和吸收對(duì)目標(biāo)光譜的影響，又可以提取可識(shí)別地物的光譜吸收峰參數(shù)（波長(zhǎng)位置、深度、寬度和吸收光譜指數(shù)等）。一般認(rèn)為，光譜微分在去除部分線性或接近線性的背景、噪聲對(duì)目標(biāo)的影響，如在消除植被環(huán)境背景影響方面被發(fā)現(xiàn)可除去變化較小的土壤背景的影響。雖然更為高階的微分也有人研究過(guò)，但一階或二階微分往往更為有用且包含了大部分的信息。光譜一、二階微分的計(jì)算公式如下：

式中： FDRλj和 SDRλj分別是 λj波長(zhǎng)處的一階、二階微分； Rλj， Rλj+1， Rλj+2分別是相應(yīng)波長(zhǎng)處的反射率值；Δλ 為波長(zhǎng)間隔。另外，根據(jù)微分理論可以得到更高階的微分光譜（如三階微分），高階微分也可以消除背景噪聲，分辨重疊光譜[20~21]。

2.2 基于光譜匹配

高光譜遙感最大的優(yōu)勢(shì)在于利用有限細(xì)分的光譜波段，可以再現(xiàn)地物的光譜曲線，這樣利用整個(gè)光譜曲線進(jìn)行森林樹(shù)種匹配識(shí)別。光譜匹配模型通過(guò)對(duì)地物光譜與參考光譜的匹配或地物光譜與數(shù)據(jù)庫(kù)的比較，求算它們之間的相似性或差異性，突出特征譜段，有效地提取光譜維信息，以便對(duì)地物特性進(jìn)行詳細(xì)分析，從而提高識(shí)別精度。

2.2.1 光譜角度匹配（Spectral Angle Mapping, SAM） 光譜角度匹配是通過(guò)計(jì)算測(cè)定光譜和參考光譜（參考光譜可從光譜庫(kù)中得來(lái)，也可直接由圖像中通過(guò)選擇訓(xùn)練區(qū)抽取出來(lái)）之間的“夾角”來(lái)表征兩者之間的相似程度，從而實(shí)現(xiàn)光譜匹配分類(lèi)[22]。如果夾角越小，說(shuō)明兩者相似性越好，地物的識(shí)別和分類(lèi)也就越可靠。在波段數(shù)為n的光譜影像中，測(cè)試光譜矢量為X，參考光譜矢量為Y，那么兩矢量廣義夾角余弦為：

光譜角度匹配對(duì)太陽(yáng)輻照度、地形和反照率等因素不敏感，但可以有效地減弱這些因素的影響。這種方法在樹(shù)種識(shí)別及其他領(lǐng)域分類(lèi)研究中受到廣泛應(yīng)用。

2.2.2 光譜相似匹配（Spectral Correlation Mapping, SCM） 針對(duì)光譜角度匹配方法不能識(shí)別正、負(fù)相關(guān)系數(shù)而只能用整數(shù)的特點(diǎn)，奧斯馬等[23]用皮爾森相關(guān)系數(shù)對(duì)SAM的余弦進(jìn)行類(lèi)型表達(dá)，其公式如下：

式中：X為象元光譜，Y為參考光譜。皮爾森相關(guān)系數(shù)將數(shù)據(jù)標(biāo)準(zhǔn)化，集中自身與X和Y的均值上，CSM值的范圍為（－1，1），而SAM的余弦值范圍為（0，1）。研究證明，CSM方法能更有效地壓縮陰影，提高識(shí)別精度。

2.2.3 交叉相關(guān)光譜匹配（Cross Correlogram Spectral Matching，CCSM） 交叉相關(guān)光譜匹配[24]通過(guò)計(jì)算測(cè)試光譜與參考光譜在不同光譜位置（波段波長(zhǎng)位置）的交叉相關(guān)系數(shù)，繪制交叉相關(guān)曲線圖。如果交叉相關(guān)系數(shù)越小，說(shuō)明兩者相似性越好，植被（如樹(shù)種）的鑒別性就越可靠，反之，就越不可靠。測(cè)試光譜與參考光譜完美匹配的交叉相關(guān)圖是中心匹配數(shù)為0，峰值相關(guān)系數(shù)為1的拋物線。交叉相關(guān)系數(shù)（rm）計(jì)算公式為：

式中，Ri，Rj分別為測(cè)試光譜和參考光譜；n為重合波段數(shù)；m為光譜匹配位置。

2.2.4 光譜波形匹配[21]（Spectral Waveform Mapping, SWM） 光譜波形匹配包括兩種匹配：一種是將樣本光譜的全部或者其某一部分進(jìn)行光譜曲線的特征函數(shù)擬合（如倒高斯模型、光譜吸收谷的函數(shù)模擬），通過(guò)計(jì)算像元光譜與樣本光譜特征函數(shù)之間的擬合度來(lái)計(jì)算像元光譜隸屬于某一樣本的概率。另一種是直接計(jì)算樣本光譜矢量與每個(gè)像元光譜矢量之間的線性相似度，對(duì)于同一類(lèi)地物具有很高的線性相似度，而對(duì)于非同一類(lèi)地物則具有較低的線性相似度。假設(shè)樣本A的光譜反射率函數(shù)是R(λ)，屬于樣本A的像元光譜矢量集合B：

由于B集合中每個(gè)像元的光譜特性，或者說(shuō)每個(gè)像元沿波長(zhǎng)方向的變化受外界因素影響較大，即使是屬于樣本A類(lèi)型的，其波形也不會(huì)完全耦合。隸屬于同一地物的光譜在整個(gè)波長(zhǎng)范圍內(nèi)具有隨機(jī)均勻分布的特性，同一類(lèi)地物的像元光譜，其各波段的最大、最小值，以及正負(fù)標(biāo)準(zhǔn)差在類(lèi)光譜均值的兩側(cè)對(duì)稱(chēng)分布。如果取對(duì)應(yīng)波長(zhǎng)的反射率或者輻射量之間的差，即(λ) = Rn(λ )? R(λ)，則(λ)應(yīng)該是沿一條直線在一定范圍內(nèi)上下振蕩的曲線。也就是說(shuō)，如果把樣本光譜曲線看作一條標(biāo)準(zhǔn)直線段的話，集合B中的每條像元光譜應(yīng)該是圍繞著這條直線在一定范圍內(nèi)上下振蕩的曲線。當(dāng)這個(gè)范圍（或者說(shuō)閾值）在整個(gè)波長(zhǎng)范圍內(nèi)足夠小的話，就可以認(rèn)為集合B中每個(gè)矢量與樣本A矢量線性相關(guān)，即具有較高的線性相似度。對(duì)于不同類(lèi)的地物，其線性相似度較低。由此可知，光譜波形匹配可用以提高樹(shù)種識(shí)別精度。

2.2.5 模型技術(shù) 利用模型技術(shù)進(jìn)行森林樹(shù)種識(shí)別是高光譜遙感未來(lái)發(fā)展的重要趨勢(shì)。廣義距離或者廣義夾角的計(jì)算要求多維變量間的獨(dú)立性要好，高相關(guān)的多變量間進(jìn)行距離計(jì)算沒(méi)有意義，因?yàn)榫S數(shù)的增加并不會(huì)提高其可分性。因此，很有必要發(fā)展一種有效表征高度相似樹(shù)種曲線形狀間差別的方法。相關(guān)擬合分析模型[25]（Correlation Simulating Analysis Model，CASM）就是通過(guò)對(duì)相關(guān)光譜曲線形狀上的擬合來(lái)表征植被光譜特征和光譜差別，進(jìn)而識(shí)別樹(shù)種。其基本原理為通過(guò)分析測(cè)試光譜和參考光譜之間構(gòu)成的相關(guān)曲線，比較相關(guān)曲線的斜率和截距進(jìn)行目標(biāo)識(shí)別。通過(guò)模型技術(shù)的森林類(lèi)型信息提取有利于發(fā)現(xiàn)不同森林樹(shù)種間的細(xì)微差別，提高樹(shù)種識(shí)別精度。

2.3 基于統(tǒng)計(jì)分析

針對(duì)高光譜遙感數(shù)據(jù)量大、波段間相關(guān)性高、數(shù)據(jù)冗余度高等特點(diǎn)，對(duì)其進(jìn)行特征提取是十分必要的。由于高光譜遙感圖像的圖像維和光譜維之間存在著有機(jī)融合，因此高光譜圖像數(shù)據(jù)的相關(guān)性表現(xiàn)為空間和光譜間的相關(guān)性?？紤]到高光譜圖像的空間分辨率為幾米或幾十米，地面目標(biāo)可能只占幾個(gè)像素，且像素亮度值之間的連續(xù)性較差，相關(guān)性較低，故對(duì)于高光譜圖像數(shù)據(jù)，本文重點(diǎn)研究其光譜間相關(guān)性[26]。用于光譜間相關(guān)性處理的特征壓縮和提取的方法主要有主成分分析（PCA）、最小噪音變換（MNF）、典范變量分析等基于統(tǒng)計(jì)分析的方法。

2.3.1 主成分分析（PCA） 主成分分析(Principal Component Analysis，PCA)，也稱(chēng)K-L變換，是在統(tǒng)計(jì)特征基礎(chǔ)上的多變量正交線性變換[27]。它通過(guò)一定準(zhǔn)則從原始波段中選擇一組波段子集，因此，它不改變?cè)疾ǘ蔚奈锢硪饬x，而且波段的選擇只需要知道原始數(shù)據(jù)的協(xié)方差陣，而不需要進(jìn)行真正的主成分變換，這也節(jié)約了大量的計(jì)算時(shí)間。主成分分析中，給定主成分的個(gè)數(shù)，可以計(jì)算出其對(duì)原始數(shù)據(jù)的累計(jì)貢獻(xiàn)率，累計(jì)貢獻(xiàn)率越高，主成分包含原始數(shù)據(jù)的信息越多，累計(jì)貢獻(xiàn)率是特征提取的主要依據(jù)，在主成分個(gè)數(shù)已知的情況下，還可以計(jì)算主成分對(duì)每個(gè)波段的貢獻(xiàn)率，主成分對(duì)波段的貢獻(xiàn)率的大小本身反映了該波段所含的信息量。由此可知，PCA是將相關(guān)性高的多波段信息通過(guò)數(shù)學(xué)轉(zhuǎn)換降低其相關(guān)性，適合對(duì)光譜差異顯著的森林樹(shù)種進(jìn)行識(shí)別。

主成分分析計(jì)算具體過(guò)程，設(shè)X =（x1，x2，…，xN）=（X1，X2，…，Xp）T是一個(gè)P維隨機(jī)變量，用它代表光譜圖像，其中N是超光譜圖像的像元數(shù)目，P是波段數(shù)目，因此xi（i = 1，2，…，N）表示圖像的第i像元，Xk（k = 1，2，…，P）表示圖像的第k波段。

（1）首先計(jì)算圖像的各個(gè)波段的均值和協(xié)方差陣，其計(jì)算公式分別為

（4）給定一個(gè)閾值T（如97%），計(jì)算出滿足Vm≥T的主成分的個(gè)數(shù)m。

（5）選取前m個(gè)主成分，代替原來(lái)的圖像X。

2.3.2 最小噪音變換（MNF） MNF變換是一種特殊的主成分變換，MNF變換用于確定影像數(shù)據(jù)內(nèi)在維數(shù)，隔離數(shù)據(jù)中的噪音，

減少后續(xù)處理計(jì)算需求[28]。對(duì)于高光譜數(shù)據(jù)(或者說(shuō)對(duì)于多光譜數(shù)據(jù))來(lái)說(shuō)，MNF變換將數(shù)據(jù)空間分為兩部分：一部分為較大特征值對(duì)應(yīng)的數(shù)據(jù)分量；而另外一部分?jǐn)?shù)據(jù)分量對(duì)應(yīng)噪音圖像，其特征值都在整數(shù)1附近。MNF變換把感興趣的大部分信息用幾個(gè)分量來(lái)表示，并且根據(jù)信息量大小對(duì)這些分量進(jìn)行排序[29]。這種方法通過(guò)兩步主成分變換來(lái)實(shí)現(xiàn)：第一步變換基于對(duì)噪音協(xié)方差矩陣的估計(jì)，對(duì)數(shù)據(jù)中的噪音去相關(guān)和歸一化，產(chǎn)生一個(gè)圖像序列，使得其中的噪聲“白化”，即使其噪音方差為 1，且各序列之間互不相關(guān)；第二步是對(duì)第一步得到的圖像序列實(shí)施標(biāo)準(zhǔn)的主成分變換。MNF變換后各組分按信噪比從大到小進(jìn)行排列，而K-L變換后各分量按方差大小排列，這是兩者最重要的區(qū)別所在[30]。MNF不但具有PCA降低波段間相關(guān)性的功能，而且能夠?qū)Ω吖庾V數(shù)據(jù)進(jìn)行降噪處理提高數(shù)據(jù)質(zhì)量，大大提高了森林樹(shù)種識(shí)別的精度，是高光譜特征提取的一種主要手段。

2.3.3 典范變量分析 典范變量分析[31]是通過(guò)較少的典型變量之間的相關(guān)性來(lái)綜合描述兩個(gè)多元隨機(jī)變量之間關(guān)系的一種數(shù)學(xué)方法，它是通過(guò)求算所有未知樹(shù)種類(lèi)別與已知樹(shù)種類(lèi)別的兩兩典范變量對(duì)，并根據(jù)它們各自的相關(guān)緊密程度來(lái)決定未知樹(shù)種類(lèi)別的歸屬。

判別分析是常用的一種典范變量分析。判別分析用于判斷一個(gè)獨(dú)立的光譜采樣樣本屬于哪一種類(lèi)型植被[32~33]。判別分析對(duì)用于分類(lèi)的標(biāo)準(zhǔn)光譜樣本的正確建立有重要意義。因?yàn)椋阂弧⑹褂帽銛y式光譜儀進(jìn)行野外標(biāo)準(zhǔn)光譜的采樣工作，受自然條件、儀器誤差和人為操作的影響，即使對(duì)同一類(lèi)型的植被進(jìn)行采樣，多次測(cè)量的結(jié)果也會(huì)存在一定程度的差異，其差異可能影響分類(lèi)操作的精度，使用這些采樣數(shù)據(jù)前,必須有合適的方法進(jìn)行分析。二、使用者總是期望使用高光譜遙感區(qū)分出相近或相似的地物類(lèi)型，這無(wú)疑對(duì)高光譜樣本數(shù)據(jù)的典型性和代表性提出更高要求。如果統(tǒng)計(jì)判別法能夠?qū)⒉蓸拥墓庾V數(shù)據(jù)進(jìn)行正確區(qū)分，至少可以認(rèn)為，這些標(biāo)準(zhǔn)光譜樣本對(duì)正確區(qū)分光學(xué)性質(zhì)相近或相似的地物有幫助。

3 高光譜遙感在森林樹(shù)種分類(lèi)中存在的問(wèn)題

高光譜遙感以其自身特有的優(yōu)勢(shì)，已經(jīng)廣泛地應(yīng)用于森林樹(shù)種識(shí)別、森林制圖、森林資源調(diào)查、森林面積監(jiān)測(cè)、生物化學(xué)和物理因子估測(cè)等方面，其識(shí)別分類(lèi)效果比常規(guī)遙感有了顯著的提高，成為高光譜植被遙感研究的熱點(diǎn)。然而，對(duì)于每個(gè)新興的研究領(lǐng)域都存在諸多有待完善的方面。數(shù)據(jù)處理和分析算法的相對(duì)滯后，在一定程度上影響了其在行業(yè)應(yīng)用中的發(fā)展，這也無(wú)疑將是今后研究中的重點(diǎn)。

3.1 數(shù)據(jù)質(zhì)量與保障性有待提高

首先，機(jī)載高光譜傳感器的高成本和覆蓋范圍的局限性，是機(jī)載高光譜用于更大尺度、更廣范圍的森林樹(shù)種識(shí)別研究的主要障礙之一。隨著高光譜傳感器通道數(shù)的增加，其與空間平臺(tái)數(shù)據(jù)傳輸資源之間的矛盾日益突出，也嚴(yán)重地阻礙了機(jī)載高光譜數(shù)據(jù)在森林樹(shù)種識(shí)別中的發(fā)展。其次，星載高光譜數(shù)據(jù)受空間分辨率的限制，很難滿足那些森林樹(shù)種精細(xì)研究的應(yīng)用要求，再加上星載高光譜數(shù)據(jù)還需要編程訂購(gòu)，時(shí)間周期長(zhǎng)，數(shù)據(jù)量大，遙感作業(yè)效率較低，也在一定程度上限制了它的廣泛應(yīng)用。再次，高光譜用于森林樹(shù)種識(shí)別還需地面輔助調(diào)查，尤其是對(duì)于森林類(lèi)型復(fù)雜、森林樹(shù)種混交程度較高的山區(qū)，由于缺乏垂直空間信息和訓(xùn)練樣本的支持，大大限制了其應(yīng)用的深度與廣度。目前，森林樹(shù)種識(shí)別研究主要集中在那些生境條件較為理想的區(qū)域，并且研究的對(duì)象也僅局限于為數(shù)不多的幾種樹(shù)種類(lèi)型。

3.2 缺乏有效的處理算法

人們?cè)讷@取海量高光譜數(shù)據(jù)的同時(shí)，也面臨著如何處理這些高光譜數(shù)據(jù)的難題，數(shù)據(jù)處理效果是影響高光譜應(yīng)用的決定性因素。由于高光譜數(shù)據(jù)量大和信息的冗余性，利用高光譜數(shù)據(jù)進(jìn)行森林樹(shù)種識(shí)別依然任重道遠(yuǎn)。目前的遙感識(shí)別算法多是基于統(tǒng)計(jì)分析進(jìn)行的，利用這些傳統(tǒng)的模式識(shí)別算法進(jìn)行高光譜森林樹(shù)種識(shí)別具有很多難以克服的困難，如運(yùn)算量太大，樣本需求很多，會(huì)遇到“維數(shù)災(zāi)難”，難以獲取合適的類(lèi)型特征，無(wú)法得到各種類(lèi)型的先驗(yàn)概率和概率分布，難以形成復(fù)雜的判別函數(shù)和判別決策面等。隨著高光譜研究的深入，結(jié)合高光譜數(shù)據(jù)特點(diǎn)研究一些基于光譜和光譜模型的識(shí)別算法將是未來(lái)高光譜識(shí)別的重點(diǎn)。

另外，在遙感信息處理過(guò)程中主要還是依靠人機(jī)交互進(jìn)行，智能化程度不高，可操作性不強(qiáng)，費(fèi)時(shí)費(fèi)力。因此，進(jìn)行自動(dòng)識(shí)別端元，提取端元光譜信息，自適應(yīng)濾波完成混合光譜的分解，最小人工參與數(shù)據(jù)的自動(dòng)處理等都是高光譜遙感森林樹(shù)種識(shí)別研究中亟需解決的問(wèn)題。

4 結(jié)論與展望

高光譜遙感的出現(xiàn)和發(fā)展，克服了傳統(tǒng)遙感技術(shù)無(wú)法實(shí)現(xiàn)對(duì)森林植被精細(xì)類(lèi)型分類(lèi)的缺點(diǎn)，如森林樹(shù)種分類(lèi)等。盡管在現(xiàn)有的應(yīng)用中還存在著諸多障礙，但其在植被研究中的巨大優(yōu)勢(shì)還是顯露無(wú)疑。為推動(dòng)高光譜遙感森林樹(shù)種識(shí)別的發(fā)展，我們還需要深入開(kāi)展以下的研究：

（1）森林樹(shù)種光譜數(shù)據(jù)庫(kù)的完善。由于森林樹(shù)種間的光譜具有相似性，樹(shù)種和冠層之間變化復(fù)雜，加上不同樹(shù)種混交產(chǎn)生的相互效應(yīng)、環(huán)境和地形因素的影響，使得樹(shù)種光譜特征變異普遍存在。因此，深入開(kāi)展森林樹(shù)種的標(biāo)準(zhǔn)光譜特征研究，總結(jié)樹(shù)種在不同條件下的光譜變異，完善樹(shù)種標(biāo)準(zhǔn)光譜數(shù)據(jù)庫(kù)，為高光譜森林樹(shù)種識(shí)別研究奠定科學(xué)的基礎(chǔ)。

（2）加強(qiáng)高光譜數(shù)據(jù)挖掘研究?；旌舷裨毡榇嬖谟诟吖庾V遙感數(shù)據(jù)中，林業(yè)高光譜數(shù)據(jù)尤為如此。在高光譜多維光譜特征空間中，樹(shù)種間細(xì)微變化極易體現(xiàn)，利用像元分解有利于提高樹(shù)種識(shí)別精度。目前，絕大部分混合光譜分解都只采用了高光譜數(shù)據(jù)中很有限的光譜段信息，模型經(jīng)驗(yàn)性強(qiáng)，規(guī)律性和可移植性差，阻礙了光譜信息的提取。隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，重點(diǎn)開(kāi)展多樹(shù)種混交的森林混合光譜分解研究，充分挖掘光譜空間中的樹(shù)種光譜變化將會(huì)有效地解決混合光譜分解的難題。

[1] 張煜星，王祝雄，武紅敢，等. 遙感技術(shù)在森林資源清查中應(yīng)用研究[M]. 北京：中國(guó)林業(yè)出版社，2007.

[2] 劉旭升，張曉麗. 森林植被遙感分類(lèi)研究進(jìn)展與對(duì)策[J]. 林業(yè)資源管理，2004（1）：61－64.

[3] 譚炳香. 高光譜遙感森林類(lèi)型識(shí)別及其郁閉度定量估測(cè)研究[D]. 北京：中國(guó)林業(yè)科學(xué)研究院，2006.

[4] 譚炳香. 高光譜遙感森林應(yīng)用研究探討[J]. 世界林業(yè)研究，2003，16（2）：33－37.

[5] 譚炳香. 高光譜遙感森林信息提取研究進(jìn)展[J]. 林業(yè)科學(xué)研究，2008，21（S）：105－111.

[6] Martin M E, Newman S D, Aber J D, et al. Determining forest species composition using high spectral resolution remote sensing data[J]. Remote Sens Environ, 1998, 65（3）：249－254.

[7] 譚炳香，李增元，陳爾學(xué)，等.高光譜與多光譜遙感數(shù)據(jù)的森林類(lèi)型識(shí)別[J]. 東北林業(yè)大學(xué)學(xué)報(bào)，2005，33(S): 61－64.

[8] Goetz Alexander F H, Vane G, Solomon J E, et al. Image spectrometry for earth remote sensing [J]. Science, 1985, 228 (4704): 1 147－1 153.

[9] Vane Gregg, Goetz Alexander F H. Terrestrial imaging spectrometry: current status, future trends[J]. Remote Sens Environ, 1993，44（2~3）：117－126.

[10] 浦瑞良，宮鵬. 高光譜遙感及其應(yīng)用[M]. 北京：高等教育出版社，2000.

[11] Darvish sefat A A, Tobias W K, Klaus I I. Application of hyperspectral data for forest stand mapping [C]. Symposium on Geospatial Theory. Otawa, Processing and Applitions，2002.

[12] Zhang J, Rivard B, Sanchez-Azofeifa A, et al. Intra-and inter-class spectral variability of tropical tree species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery[J]. Remote Sens Environ, 2006, 105（2）：129－141.

[13] 陳爾學(xué)，李增元，譚炳香，等. 高光譜數(shù)據(jù)森林類(lèi)型統(tǒng)計(jì)模式識(shí)別方法比較評(píng)價(jià)[J]. 林業(yè)科學(xué)，2007， 43（1）：84－89.

[14] 宮鵬，浦瑞良，郁彬. 不同季相針葉樹(shù)種高光譜數(shù)據(jù)識(shí)別分析[J]. 遙感學(xué)報(bào)，1998，2（3）：211－217.

[15] 劉秀英，林輝，熊建利，等. 森林樹(shù)種高光譜波段的選擇[J]. 遙感信息，2005（80）：41－45.

[16] Davison D , Achal S, Mah R, et al. Determination of Tree Species and Tree Stem Densities in northern Ontario Forests using Airborne CASI data[C]. Proc. of Fouth International Airborne Conference and Exhibition, Ottawa, Canada, 1999（2）：187－196.

[17] Goodenough D G, Bhogal A S, Dyk A, et al. Monitoring forests with Hyperion and ALI[J]. Int Geosci Remote Sens Sympos (IGARSS), 2002（2）：882－885.

[18] Aspinall R J. Use of logistic regression for validation of maps of the spatial distribution of vegetation species derived from high spatial resolutionhyperspectral remotely sensed data[J]. Ecol Model, 2002, 157（2-3）：301－312.

[19] 張良培，張立福. 高光譜遙感[M]. 武漢：武漢大學(xué)出版社，2005.

[20] 童慶禧，張兵，鄭蘭芬. 高光譜遙感——原理、技術(shù)與應(yīng)用[M]. 北京：高等教育出版社，2006.

[21] 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 Sens Environ, 1993, 44（2-3）：145－163.

[22] Carvalho O A J, Menese P R. Spectral Correlation Mapper(SCM): An Improvement on the Spectral Angle Mapper(SAM)[A]. Ninth JPL Airborne Earth Science Workshop[C]. JPL publication, 2000，18: 65－74.

[23] MEER F V, BAKKER W. Cross correlogram spectral matching: application to surface mineralogical mapping by using AVIRIS datafrom Cuprite, Nevada[J]. Remote Sens Environ, 1997（6）：371－382.

[24] 趙永超. 高光譜遙感中典型地物目標(biāo)的光譜特征分析和信息提取模型——幾個(gè)關(guān)鍵問(wèn)題的研究報(bào)告[D]. 北京：中國(guó)科學(xué)院遙感應(yīng)用技術(shù)研究所，2001.

[25] 黃光玉，沈占峰，趙欣梅. 高光譜遙感礦物識(shí)別方法研究[J]. 資源環(huán)境與工程，2007，21（1）：50－54.

[26] 王晉年. 以地物識(shí)別和分類(lèi)為目標(biāo)的高光譜數(shù)據(jù)挖掘[J]. 中國(guó)圖象圖形學(xué)報(bào)，1999，4（11）：958－963.

[27] 北京星圖環(huán)宇科技公司. ENVI遙感影像處理實(shí)用手冊(cè)[Z]. 2005. 350, 303－311.

[28] 駱劍承，王欽敏，馬江洪，等. 遙感圖像最大似然分類(lèi)法的EM改進(jìn)算法[J]. 測(cè)繪學(xué)報(bào)，2002，31（3）：234－239.

[29] 朱長(zhǎng)青，王倩，楊曉梅. 基于多進(jìn)制小波的SPOT全色影像和多光譜遙感影像融合[J]. 測(cè)繪學(xué)報(bào)，2000，29（2）：132－136.

[30] 唐守正. 多元統(tǒng)計(jì)分析[M]. 北京：中國(guó)林業(yè)出版社，1986.

[31] S-PLUS 2000. Guide to Statistics[M]. Seattle: MathSoft Inc., 1999.

[32] NCSS. Statistical Analysis System [M]. Kaysville，1996.

Review on Forest Identification by Hyperspectral Remote Sensing

ZHU Wei1，LI Dong1，SHEN Fei2，TANG Gen-yun3，WU Jian-ming1，CHEN Ji-min3，LIU Zheng4，WANG Zhi-hui5
（1. Huzhou Forestry Institute of Zhejiang，Huzhou 313000, China; 2. Huzhou Forestry Extension Station, Huzhou 313000, China； 3. Huzhou Wood Inspection Station, Huzhou 313000, China; 4. Changxing Forestry Bureau of Zhejiang, Changxing 313100, China; 5. Hangzhou Ganzhi Software Technology Company Limited, Lin’an 311300, China）

Descriptions were made on spectral features, mappers and statistical analysis of hyperspectral remote sensing data of forest identification, as well as on the major problems of data quality and statistical analysis in the current application. Future studies were proposed on improvement of spectral database of tree species and on hyperspectral data mining.

hyperspectral remote sensing; spectral features; spectral mapper; statistical analysis; tree species classification

S718.3

A

1001-3776（2013）02-0084-07

2012-09-30；

2013-01-28

朱煒（1968－），男，浙江湖州人，工程師，從事森林景觀環(huán)境評(píng)價(jià)與管理研究。