林 卉，楊蘇新，侯 飛，張連蓬，胡召玲

(1. 江蘇師范大學(xué) 測(cè)繪學(xué)院，江蘇 徐州 221116； 2. 中國礦業(yè)大學(xué) 環(huán)境與測(cè)繪學(xué)院，江蘇 徐州 221009； 3. 江蘇師范大學(xué) 城市與環(huán)境學(xué)院，江蘇 徐州 221116)

一、引 言

喀斯特約占陸地總面積的12%，是世界上主要的生態(tài)脆弱地帶之一，其生態(tài)環(huán)境問題也一直是當(dāng)今國際地學(xué)研究的熱點(diǎn)[1]。植被覆蓋度被公認(rèn)為是評(píng)價(jià)喀斯特石漠化的最有效的指標(biāo)之一[2]。植被是喀斯特地區(qū)地面主要表現(xiàn)特征之一,對(duì)其的準(zhǔn)確遙感估算一直是遙感應(yīng)用領(lǐng)域的難題[3]。遙感技術(shù)在地物信息識(shí)別中具有宏觀、快捷、經(jīng)濟(jì)、信息綜合等優(yōu)勢(shì)，多光譜遙感近年來被廣泛地應(yīng)用于喀斯特地區(qū)信息定量提取及定性評(píng)價(jià)方面。目前多采用混合像元分解和植被指數(shù)進(jìn)行植被覆蓋度計(jì)算，以上研究表明利用混合像元分解的方法估算植被覆蓋度的能力明顯優(yōu)于植被指數(shù)方法[4-5]。針對(duì)喀斯特地區(qū)地物交錯(cuò)分布、具有高度景觀異質(zhì)性、像元混合現(xiàn)象嚴(yán)重等問題，多光譜遙感在此具有一定的缺陷[6-7]。然而高光譜遙感圖像具有圖譜合一的優(yōu)勢(shì)，每個(gè)像素都可以提取出一條精細(xì)光譜，能夠反映地物本身的特征信息[8]。圖像空間維數(shù)據(jù)和光譜維數(shù)據(jù)結(jié)合在一起，在一定程度上能降低多光譜分析的光譜不確定性。在嚴(yán)重的光譜混合問題上，高光譜遙感影像因其具有的上百個(gè)連續(xù)窄波段，為通過混合像元分解技術(shù)估算植被分布情況提供了一條有效路徑，從而為提高喀斯特地區(qū)植被覆蓋度信息的精度提供了可能。

本研究選取廣西大化瑤族自治縣七百弄鄉(xiāng)為研究區(qū)域，針對(duì)喀斯特地區(qū)地物混合現(xiàn)象突出的問題，以2008年8月Hyperion高光譜影像為數(shù)據(jù)源，利用匹配濾波(MF)和混合調(diào)諧匹配濾波(MTMF)技術(shù)進(jìn)行植被豐度反演，研究并分析了喀斯特地區(qū)植被的豐度與其實(shí)測(cè)覆蓋度的關(guān)系，并對(duì)計(jì)算方法的可行性進(jìn)行了比較和評(píng)估。

二、研究區(qū)域與試驗(yàn)數(shù)據(jù)

1. 研究區(qū)域介紹

本文研究區(qū)為廣西大化瑤族自治縣七百弄鄉(xiāng)，是典型的喀斯特地區(qū)，如圖1所示。年均氣溫17.4℃～19.6℃，年降雨量1500～1600 mm，雨水多集中于夏季，干旱明顯。區(qū)內(nèi)自然植被以喜鈣、耐旱、耐貧瘠的灌木和草叢群落為主。

圖1 試驗(yàn)區(qū)地理位置示意圖

2. 植被覆蓋度的野外測(cè)量

試驗(yàn)區(qū)的植被覆蓋度野外測(cè)量工作與Hyperion影像的獲取基本同步進(jìn)行，驗(yàn)證點(diǎn)的選取采用分層隨機(jī)采樣的方法，圖像區(qū)域范圍主要位于廣西大化瑤族自治縣七百弄鄉(xiāng)附近，屬于發(fā)育極為典型的大面積喀斯特高峰叢深洼地地貌。基于ENVI遙感圖像處理軟件對(duì)地物豐度圖分層隨機(jī)產(chǎn)生25個(gè)調(diào)查驗(yàn)證點(diǎn)，但由于喀斯特地區(qū)多為崎嶇的山區(qū)，大部分驗(yàn)證點(diǎn)的可達(dá)性差，只調(diào)查了其中5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覆蓋度及類型選擇16個(gè)驗(yàn)證點(diǎn)，共21個(gè)地面調(diào)查驗(yàn)證點(diǎn)。樣地大小為60 m×60 m，在調(diào)查樣地的同時(shí)利用手持GPS記錄樣地中心的地理位置。每個(gè)樣地采用照相法和樣線法相結(jié)合的方法來估算植被的覆蓋度信息，其樣線法是以樣地的對(duì)角線為樣線，測(cè)量樣地內(nèi)植被接觸樣線的長(zhǎng)度，最終通過計(jì)算其占樣線總長(zhǎng)度的百分比而得到樣方的植被覆蓋度。

3. Hyperion數(shù)據(jù)及預(yù)處理

本研究使用2008年3月3日EO-1 Hyperion影像。Hyperion是美國地球觀察衛(wèi)星EO-1搭載的成像光譜儀,以推掃方式獲取可見光—近紅外(VNIR, 400～1000 nm)和短波紅外(SWIR,900～2500 nm)光譜數(shù)據(jù),共有242個(gè)波段,光譜分辨率10 nm,地面空間分辨率30 m。

Hyperion數(shù)據(jù)的預(yù)處理主要包括:未定標(biāo)和受水汽影響波段的去除、壞線修復(fù)、條紋去除、smile效應(yīng)糾正、大氣校正。首先,從242個(gè)波段中去掉44個(gè)未定標(biāo)波段(輻射定標(biāo)的波段為VNIR 8—57，SWIR 77—224)、2個(gè)重復(fù)波段(VNIR 的波段56—57和SWIR的波段77—78重疊)、20個(gè)受水汽影響嚴(yán)重的波段。然后,對(duì)Hyperion圖像進(jìn)行逐波段檢查，修復(fù)壞線及壞條帶。smile效應(yīng)的糾正利用Googenough等提出的MNF空間列均值調(diào)節(jié)方法。最后，對(duì)Hyperion圖像進(jìn)行FLAASH大氣校正[9]，得到反射率圖像，如圖2所示，其中RGB分別采用波長(zhǎng)為864.35 nm、650.67 nm和548.91 nm的波段進(jìn)行假彩色合成。

三、方法構(gòu)建

本文以Hyperion數(shù)據(jù)作為數(shù)據(jù)源，通過最小噪聲分離變換(MNF)確定影像數(shù)據(jù)內(nèi)在的維數(shù)，隔離數(shù)據(jù)中的噪聲；然后計(jì)算像元純凈指數(shù)(pixel purity index，PPI)，得到“極純”像元；將之輸入到N維可視化器中提取端元波譜；利用ENVI中自帶的地物波譜庫和實(shí)測(cè)地物的光譜進(jìn)行波譜分析識(shí)別端元；最后利用MF和MTMF進(jìn)行喀斯特地區(qū)植被覆蓋度提取。如圖3所示。

圖2 研究區(qū)Hyperion圖像(R:864.35 nm、G:650.67 nm、B:548.91 nm)

圖3 研究流程圖

1. 端元提取

PPI的算法是：首先，產(chǎn)生大量的n維隨機(jī)單位向量(s)，n等于像元的維數(shù)；對(duì)其中一個(gè)s，遙感數(shù)據(jù)空間中的每一個(gè)像元都在其上投影，比較這些像元的投影位置，記錄所有具有極值投影位置的像元。對(duì)每一個(gè)s，都進(jìn)行以上的投影步驟，最終計(jì)算結(jié)束時(shí)，每個(gè)像元都有一定的被記錄的次數(shù)，而記錄次數(shù)最多的像元就是具有最純光譜特性的像元，同時(shí)記錄次數(shù)也反映了該像元的像元純度指數(shù)。

計(jì)算公式如下

式中，D為波段數(shù)；skewer為單位向量。

2. MF/MTMF

MF最初是用于信號(hào)處理領(lǐng)域的目標(biāo)信號(hào)檢測(cè)，被認(rèn)為是“最優(yōu)”的線性檢測(cè)方法。由于它不需要已知所有的端元波譜，在高光譜圖像處理領(lǐng)域得到了廣泛的應(yīng)用。它通過最大化已知端元波譜的響應(yīng)信號(hào)，壓制未知復(fù)合背景的響應(yīng)信號(hào)，基于對(duì)特定波譜庫或影像端元波譜的匹配，提供了快速探測(cè)物質(zhì)的手段[10]。但是在高光譜中，有端元豐度為正及總和為1的約束條件，匹配濾波沒有考慮這一點(diǎn)，會(huì)產(chǎn)生較多的虛假信號(hào)點(diǎn)，如果要鑒別的物質(zhì)并不是出現(xiàn)在同一個(gè)像元中，那么它們就將被隨機(jī)地進(jìn)行匹配。因此在匹配濾波的基礎(chǔ)上發(fā)展了MTMF來進(jìn)行端元豐度估計(jì)。

MTMF是混合調(diào)制技術(shù)和匹配濾波技術(shù)方法的綜合，是一流信號(hào)處理方法論同線性混合理論相結(jié)合的產(chǎn)物。它綜合了匹配濾波不需要其他背景端元光譜的優(yōu)點(diǎn)和混合調(diào)制技術(shù)中像元中各端元的含量為正且總和為1的約束條件?；旌险{(diào)制技術(shù)使用了線性波譜混合理論，來限制可行性混合的結(jié)果，并減小虛假信號(hào)出現(xiàn)的概率[11]。MTMF的結(jié)果為兩幅影像：一幅是MF分值影像(匹配濾波影像)，它是一幅灰階影像，像素值的范圍為0～1.0，它提供了對(duì)參考波譜曲線的相對(duì)匹配度進(jìn)行估計(jì)的方法(其中，1.0代表了完全匹配)；另一幅是不可行性影像，其中較高的不可行性數(shù)值表明復(fù)合背景同目標(biāo)地物之間的混合是不可靠的。當(dāng)匹配濾波分?jǐn)?shù)值較高(接近1)和不可行性分?jǐn)?shù)值較低(接近0)時(shí)，就能獲取最佳的目標(biāo)匹配。

3. 精度驗(yàn)證

本研究結(jié)果利用兩個(gè)指標(biāo)進(jìn)行植被覆蓋信息提取效果優(yōu)劣的評(píng)價(jià),主要是基于野外實(shí)地考查驗(yàn)證。

針對(duì)混合像元分解的喀斯特地區(qū)植被豐度結(jié)果，本研究基于野外實(shí)測(cè)的21個(gè)樣地的植被覆蓋數(shù)據(jù)進(jìn)行混合像元分解結(jié)果精度的驗(yàn)證：直接比較兩者差別，以驗(yàn)證高光譜混合像元分解的結(jié)果是否與實(shí)測(cè)植被覆蓋度一致；對(duì)兩者進(jìn)行線性回歸，確定兩者之間是否存在顯著相關(guān)[12-13]。其次利用交叉驗(yàn)證的均方根誤差RMSE作為判斷算法表現(xiàn)的指標(biāo)。

四、結(jié)果與分析

以植被、裸土、裸巖作為端元，采用PPI方法提取的端元波譜結(jié)果如圖4所示。

圖4 3種典型地物的端元波譜

MTMF方法分解的綠色植被(PV)的豐度圖像如圖5所示。野外實(shí)地考察地面調(diào)查驗(yàn)證點(diǎn)植被覆蓋度與各種方法反演的植被豐度信息見表1。由于野外地面驗(yàn)證點(diǎn)與遙感圖像上對(duì)應(yīng)點(diǎn)的配準(zhǔn)誤差會(huì)對(duì)反演結(jié)果產(chǎn)生影響，因此本文選用中心點(diǎn)處4個(gè)像元的平均值作為驗(yàn)證點(diǎn)的植被豐度值。

圖5 混合像元分解反演的植被豐度

表1 地面調(diào)查驗(yàn)證點(diǎn)信息

基于MTMF混合像元分解得到研究區(qū)植被豐度與實(shí)測(cè)植被覆蓋度的散點(diǎn)圖，如圖6所示。

圖6 地面調(diào)查驗(yàn)證點(diǎn)的植被覆蓋度與MF、MTMF反演得到的植被豐度的線性回歸

本研究運(yùn)用線性回歸模型和交叉驗(yàn)證的均方根誤差來評(píng)價(jià)通過MTMF反演的植被豐度與實(shí)測(cè)植被覆蓋度之間的關(guān)系，其回歸方程、確定系數(shù)及RMSE見表2。

表2 混合像元分解反演的植被豐度與實(shí)測(cè)植被覆蓋度回歸分析

由表1、2分析可得，MF、MTMF混合像元分解得到的植被豐度與實(shí)測(cè)值最大的偏離分別為0.20、0.15，并且與實(shí)測(cè)植被覆蓋度的相關(guān)性較好，R2分別為0.70、0.78，RMSE分別為11.29、9.18，從回歸方程中可以看出MF方法的R2較低、RMSE(11.29)過高表明該方法精度有限，無法滿足準(zhǔn)確提取喀斯特地區(qū)植被覆蓋度的要求；另一方面，由圖5可以看出，MF方法反演的植被豐度的值整體效果要高于MTMF的結(jié)果，相比較而言，MTMF方法明顯要優(yōu)于MF方法。說明MTMF方法能等同實(shí)測(cè)植被覆蓋度，直接利用MTMF混合像元分解法即可實(shí)現(xiàn)高精度的喀斯特地區(qū)植被覆蓋度的提取。試驗(yàn)表明，PPI方法在本研究中提取端元的可靠性及利用MTMF混合像元分解法反演喀斯特地區(qū)植被豐度的有效性。

五、總結(jié)與討論

本文以植被、裸巖和裸土為喀斯特地區(qū)典型地物，以Hyperion高光譜影像為數(shù)據(jù)源，從影像中提取3種典型地物的端元,利用MTMF分解算法反演植被的豐度，探討了該方法分解得到的植被的豐度與實(shí)測(cè)植被覆蓋度的相關(guān)性。

本文的主要研究結(jié)論可以概括為以下幾個(gè)方面：

1) MF的結(jié)果值整體要高于MTMF的結(jié)果值，原因如下：MF會(huì)產(chǎn)生一些虛假信息，將背景分為了植被，導(dǎo)致植被的豐度偏高。

2) 對(duì)比了MF、MTMF進(jìn)行植被覆蓋度提取的效果，后者要明顯優(yōu)于前者。

3) MTMF植被豐度與實(shí)測(cè)植被覆蓋度兩者之間的偏差最大不超過15%，確定系數(shù)R2為0.78，即MTMF植被豐度能夠準(zhǔn)確地代表喀斯特地區(qū)真實(shí)的植被覆蓋情況，故直接利用MTMF植被豐度即可實(shí)現(xiàn)喀斯特地區(qū)高精度的植被覆蓋度提取。

研究表明利用混合像元分解算法反演地物豐度來提取喀斯特地區(qū)植被覆蓋度具有一定的可行性，同時(shí)也存在以下不足：①實(shí)測(cè)植被覆蓋度樣地的數(shù)量較少，代表性不是很強(qiáng)；②混合像元分解算法未考慮端元光譜可變性[13-14]，在一定程度上也會(huì)影響豐度反演的精度。未來的研究將針對(duì)這兩方面有針對(duì)性地深入探討。

參考文獻(xiàn)：

[1] 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(9):2470-2473.

[2] 李麗,童立強(qiáng),李小慧.基于植被覆蓋度的石漠化遙感信息提取方法研究[J].國土資源遙感,2010(2):59-62.

[3] 李曉松,高志海,李增元,等.基于高光譜混合像元分解的干旱地區(qū)稀疏植被覆蓋度估測(cè)[J].應(yīng)用生態(tài)學(xué)報(bào)，2010,21(1):152-158.

[4] 李曉松,李增元,高志海,等.基于Hyperion植被指數(shù)的干旱地區(qū)稀疏植被覆蓋度估測(cè)[J].北京林業(yè)大學(xué)學(xué)報(bào)，2010,32(3):95-100.

[5] 馬志勇,沈濤,張軍海,等.基于植被覆蓋度的植被變化分析[J].測(cè)繪通報(bào),2007(3)：45-47.

[6] 岳躍民,張兵,王克林,等.石漠化遙感評(píng)價(jià)因子提取研究[J].遙感學(xué)報(bào)，2011,15(4):722-736.

[7] 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.

[8] 王強(qiáng).Hyperion高光譜數(shù)據(jù)進(jìn)行混合像元分解研究[D].哈爾濱:東北林業(yè)大學(xué),2006.

[9] 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.

[10] 林娜,楊武年,劉漢湖.基于高光譜遙感的巖礦端元識(shí)別及信息提取研究[J].遙感信息，2011(5):114-117.

[11] 陸應(yīng)誠,田慶久,宋鵬飛,等.海面油膜高光譜遙感信息提取[J].遙感學(xué)報(bào)，2009,13(4):691-694.

[12] 崔耀平,王讓會(huì),劉彤,等.基于光譜混合分析的干旱荒漠區(qū)植被遙感信息提取研究——以古爾班通古特沙漠西緣為例[J].中國沙漠,2010,30(2):334-338.

[13] 陳峰,邱全毅,熊永柱,等.基于線性光譜模型的混合像元分解方法與比較[J].遙感信息,2010(4):22-28.

[14] 吳柯,張良培,李平湘.一種端元變化的神經(jīng)網(wǎng)絡(luò)混合像元分解方法[J].遙感學(xué)報(bào)，2007,11(1):20-25.