馮振峰，王振錫*，岳　俊，王玲段

(1.新疆農(nóng)業(yè)大學(xué) 林學(xué)與園藝學(xué)院，烏魯木齊 830052；2.新疆教育廳干旱區(qū)林業(yè)生態(tài)與產(chǎn)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830052)

?

基于Hyperion數(shù)據(jù)的南疆環(huán)塔里木盆地經(jīng)濟(jì)林樹(shù)種識(shí)別敏感波段選擇

馮振峰1，2，王振錫1，2*，岳俊1，2，王玲段1，2

(1.新疆農(nóng)業(yè)大學(xué) 林學(xué)與園藝學(xué)院，烏魯木齊 830052；2.新疆教育廳干旱區(qū)林業(yè)生態(tài)與產(chǎn)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830052)

摘要：基于Hyperion高光譜遙感影像，以阿克蘇紅旗坡農(nóng)場(chǎng)周?chē)?種經(jīng)濟(jì)林樹(shù)種為研究對(duì)象，采用最佳指數(shù)法、自適應(yīng)波段指數(shù)法和基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法篩選出4種敏感波段組合，并運(yùn)用最大似然分類(lèi)方法對(duì)其進(jìn)行樹(shù)種識(shí)別敏感性檢驗(yàn)。研究結(jié)果表明：篩選出的4種波段組合對(duì)3種經(jīng)濟(jì)林樹(shù)種都有較好的可分性，總體分類(lèi)精度均達(dá)到了75%以上，尤其是基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法篩選的55-33-25和55-158-33組合，分類(lèi)精度高達(dá)86.85%和87.47%，Kappa系數(shù)均在0.75以上，可作為南疆環(huán)塔里木盆地3種主栽經(jīng)濟(jì)林樹(shù)種大面積遙感識(shí)別的依據(jù)。

關(guān)鍵詞：經(jīng)濟(jì)林樹(shù)種；高光譜遙感；數(shù)據(jù)降維；波段組合

0引言

近年來(lái)，新疆經(jīng)濟(jì)林種植面積每年以百萬(wàn)畝速度遞增，特色經(jīng)濟(jì)林產(chǎn)業(yè)已經(jīng)成為新疆農(nóng)村經(jīng)濟(jì)發(fā)展和農(nóng)民增收的主導(dǎo)產(chǎn)業(yè)[1]。因此開(kāi)展經(jīng)濟(jì)林資源調(diào)査，了解和掌握經(jīng)濟(jì)林資源現(xiàn)狀和變化信息對(duì)于提高林業(yè)發(fā)展決策水平，科學(xué)合理地經(jīng)營(yíng)管理經(jīng)濟(jì)林資源等都具有極其重要的意義[2]，而正確識(shí)別森林樹(shù)種是前提和依據(jù)。傳統(tǒng)的森林資源調(diào)查和監(jiān)測(cè)方法以地面測(cè)量為主，存在工作量大、勞動(dòng)強(qiáng)度大、成本高、周期長(zhǎng)、效率低、時(shí)效性差和不可及區(qū)域難以到達(dá)等問(wèn)題，難以滿(mǎn)足當(dāng)今林業(yè)發(fā)展的需要[3]。而遙感技術(shù)具有快速、準(zhǔn)確、經(jīng)濟(jì)、大范圍、可周期性地獲取陸地、海洋和大氣資料的能力，是獲取地球信息的高新技術(shù)手段，在植被研究中也發(fā)揮了巨大的作用。在樹(shù)種識(shí)別方面，高光譜遙感因具有較窄的波段和較高的光譜分辨率，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，捕捉到不同樹(shù)種之間的細(xì)小光譜差異，在一定程度上克服了多光譜遙感存在的“同物異譜”、“同譜異物”現(xiàn)象，極大地提高了森林樹(shù)種的識(shí)別度和分類(lèi)精度，推進(jìn)了樹(shù)種的識(shí)別研究[4-5]。李俊明[6]基于HJ-1A遙感影像，結(jié)合坡向和DEM信息，對(duì)吉林省汪清林業(yè)經(jīng)營(yíng)區(qū)內(nèi)的蒙古櫟(Quercusmonglica)、白樺(Betulaplatyphylla)和落葉松(Larixkaempferi)進(jìn)行了樹(shù)種識(shí)別，取得了較高精度。RajeeGeorge等[7]利用Hyperion高光譜數(shù)據(jù)對(duì)喜馬拉雅山西部的白橡(Quercusleucotrichophora)、高山櫟(Quercussemicarpifolia)、長(zhǎng)葉松(Pinusroxburghii)、喬松(Pinuswallichiana)、冷杉(Abiespindrow)和雪松(Cedrusdeodara)6個(gè)樹(shù)種進(jìn)行了識(shí)別研究，總體精度達(dá)到了82.27%，結(jié)果表明高光譜遙感數(shù)據(jù)具有很強(qiáng)的森林樹(shù)種識(shí)別能力。目前，國(guó)內(nèi)外學(xué)者利用遙感技術(shù)對(duì)森林樹(shù)種的識(shí)別進(jìn)行了大量研究，但關(guān)于經(jīng)濟(jì)林樹(shù)種遙感識(shí)別的研究尚不多見(jiàn)。本文以阿克蘇紅旗坡農(nóng)場(chǎng)3種主栽經(jīng)濟(jì)林樹(shù)種(蘋(píng)果Maluspumila、紅棗Ziziphusjujuba和香梨Pyrusbretshneideri)為研究對(duì)象，通過(guò)分析Hyperion影像中不同經(jīng)濟(jì)林樹(shù)種的高光譜特征，選擇波譜特征差異大、波段間相關(guān)性小且信息量大的波段進(jìn)行組合，篩選出經(jīng)濟(jì)林樹(shù)種識(shí)別的最佳波段組合，以期為南疆環(huán)塔里木盆地主栽經(jīng)濟(jì)林樹(shù)種大面積遙感識(shí)別和經(jīng)濟(jì)林資源管理提供支撐。

1研究區(qū)概況和數(shù)據(jù)預(yù)處理

1.1研究區(qū)概況

研究區(qū)位于新疆阿克蘇地區(qū)紅旗坡農(nóng)場(chǎng)阿克蘇機(jī)場(chǎng)附近，地理坐標(biāo)為41°14′39″～41°19′29″N、80°16′26″～80°21′03″E，海拔1 215m。紅旗坡農(nóng)場(chǎng)屬于國(guó)家重點(diǎn)特色林果生產(chǎn)基地，享譽(yù)全國(guó)的“冰糖心”紅富士蘋(píng)果(Malusdomesticacv.Red Fuji)產(chǎn)于此地，該區(qū)地處天山南麓中段，塔里木盆地北緣，南臨阿克蘇市，西毗溫宿縣，地勢(shì)較平緩，屬于暖溫帶大陸性干旱氣候，光熱資源豐富，無(wú)霜期205～219 d左右，土壤為砂質(zhì)土壤，通透性良好，肥力中等。研究區(qū)范圍內(nèi)經(jīng)濟(jì)林樹(shù)種以蘋(píng)果、紅棗和香梨為主，農(nóng)作物及間作物較少。

1.2數(shù)據(jù)來(lái)源

本文所選用的數(shù)據(jù)包括星載高光譜遙感影像(Hyperion)、高空間分辨率遙感影像(GF1-WFV3)、GDEM數(shù)據(jù)(10 m分辨率)及研究區(qū)林果資源背景數(shù)據(jù)庫(kù)。Hyperion影像是世界范圍內(nèi)第一個(gè)民用的全波譜范圍連續(xù)成像的星載高光譜影像數(shù)據(jù)源，在356～ 2 577 nm范圍內(nèi)共有242個(gè)波段，波段寬度約為10 nm，空間分辨率為30 m，刈幅為7.7 km；GF1-WFV3影像有4個(gè)多光譜波段，波譜范圍0.45～0.89 μm，刈幅為800 km，空間分辨率16 m，重訪周期4 d；本研究所使用的Hyperion影像及GF1-WFV3影像的成像時(shí)間分別為2012年11月7日和2014年8月23日。為了確保識(shí)別研究中訓(xùn)練樣地和檢驗(yàn)樣地的選擇具有準(zhǔn)確性、客觀性和科學(xué)性，2014年5月對(duì)阿克蘇機(jī)場(chǎng)周邊約10 km×10 km范圍內(nèi)的經(jīng)濟(jì)林樹(shù)種的分布格局和栽植模式做了系統(tǒng)的地面調(diào)查，構(gòu)建了研究區(qū)林果資源背景數(shù)據(jù)庫(kù)。

1.3遙感影像預(yù)處理

使用ENVI5.0對(duì)遙感影像進(jìn)行預(yù)處理。針對(duì)Hyperion影像，首先去除未定標(biāo)、受水汽影響較大及圖像質(zhì)量較差的波段[8-10]，剩余108個(gè)波段；然后對(duì)影像進(jìn)行輻射校正，將像元值轉(zhuǎn)換為絕對(duì)輻射值[11]；由于CCD 器件本身的非均勻性、暗電流的影響、響應(yīng)函數(shù)校正的不完全、工作狀態(tài)引入的非一致性及外界因素的影響，造成了高光譜圖像中條帶噪聲的存在，嚴(yán)重影響了高光譜圖像的質(zhì)量，因此采用相鄰均值法和全局去條紋法分別對(duì)圖像中的壞線和條紋進(jìn)行修復(fù)[12-15]，壞線修復(fù)及條紋去除效果分別如圖1和圖2所示。

針對(duì)GF1-WFV3遙感影像，首先結(jié)合GDEM數(shù)據(jù)及自帶的RPC文件進(jìn)行正射校正；然后根據(jù)輻射定標(biāo)系數(shù)進(jìn)行定標(biāo)處理。以經(jīng)過(guò)配準(zhǔn)的8m分辨率GF1多光譜數(shù)據(jù)為基準(zhǔn)，對(duì)Hyperion影像和GF1-WFV3影像進(jìn)行幾何校正，分別選取25個(gè)和61個(gè)控制點(diǎn)，采用三次卷積校正模型，總誤差均控制在0.07個(gè)像元以?xún)?nèi)；為了獲得地表真實(shí)反射率，采用Flaash模塊對(duì)兩景影像進(jìn)行大氣校正，最后對(duì)圖像鑲嵌處理，得到研究區(qū)的反射率影像。由于年齡較小的人工經(jīng)濟(jì)林郁閉度較小，受背景因素的干擾較大，難以識(shí)別，因此本研究對(duì)GF1-WFV3遙感影像采用歸一化植被閾值法提取樹(shù)齡大于6 a的經(jīng)濟(jì)林園區(qū)(NDVI≥0.41)，作為Hyperion影像開(kāi)展樹(shù)種識(shí)別的區(qū)域，以實(shí)地調(diào)查的各經(jīng)濟(jì)林樹(shù)種的分布格局作為遙感信息提取的參考依據(jù)。

圖1　Hyperion圖像壞線修復(fù)前后對(duì)比Fig.1 Comparison of Hyperion image with the bad line and replaced

圖2　Hyperion圖像條紋去除前后對(duì)比Fig.2 Comparison of Hyperion image with the stripe and eliminated

2研究方法

2.1敏感波段篩選方法

由于Hyperion影像具有波段多、波段間相關(guān)性高、光譜分辨率高等特點(diǎn)，不可避免地存在大量冗余信息和部分噪聲波段，利用全波段數(shù)據(jù)進(jìn)行樹(shù)種分類(lèi)時(shí)，易受到 Hughes 現(xiàn)象影響[16]。為此，必須對(duì)高維、具有海量信息的Hyperion影像數(shù)據(jù)進(jìn)行降維，才能有效提高數(shù)據(jù)處理速度和后續(xù)處理的效果[17]。為了能最大程度地減少冗余波段和保持圖像的原有特征，本文采用最佳指數(shù)法(Optimum Index Factor，OIF)、自適應(yīng)波段指數(shù)法(Adaptive Band Index，ABI)和基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法對(duì)Hyperion影像進(jìn)行降維處理。

2.1.1最佳指數(shù)法

最佳指數(shù)法(OIF)是由美國(guó)Chavaz等人提出的一種波段組合選優(yōu)方法，綜合考慮了各波段間的相關(guān)性及單波段圖像的信息富集程度[18]。其計(jì)算公式如下：

(1)

式中：Si為第i個(gè)波段的標(biāo)準(zhǔn)差；Rij為兩波段之間的相關(guān)系數(shù)。

2.1.2自適應(yīng)波段指數(shù)法

自適應(yīng)波段指數(shù)法(ABI)是根據(jù)高光譜數(shù)據(jù)中波段間的近鄰相關(guān)性，把相關(guān)性強(qiáng)的波段劃分到相同的獨(dú)立子空間內(nèi)，運(yùn)用波段指數(shù)法在子空間內(nèi)完成最優(yōu)波段的選擇。該方法充分考慮了各波段的空間相關(guān)性、譜間相關(guān)性以及信息含量[19]。其數(shù)學(xué)表達(dá)式如下：

Pi=Si/Ri。

(2)

Ri=Rw+Ra。

(3)

(4)

式中：Ra第i波段與組外波段相關(guān)系數(shù)絕對(duì)值之和的平均值；Rw為第i波段與所在組內(nèi)其他波段相關(guān)系數(shù)的絕對(duì)值之和的平均值。

2.1.3基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法

基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法是以寬波段TM影像band2、band3、band4和band5的波段區(qū)間作為Hyperion數(shù)據(jù)波段降維分組標(biāo)準(zhǔn)的波段指數(shù)法。根據(jù)林業(yè)遙感提取森林植被信息常用的TM 453和432組合[20-22]，本文分別選取TM3紅光波段(630～690 nm)、TM2綠光波段(520～600 nm)、TM4近紅外波段(760～900 nm)和 TM5中紅外波段(1550～1750 nm)波長(zhǎng)范圍內(nèi)所對(duì)應(yīng)的Hyperion影像波段，并運(yùn)用波段指數(shù)法開(kāi)展經(jīng)濟(jì)林樹(shù)種識(shí)別的敏感波段篩選。

2.2分類(lèi)及評(píng)價(jià)方法

在ENVI環(huán)境下，運(yùn)用最大似然法對(duì)篩選出的不同波段組合的遙感圖像進(jìn)行經(jīng)濟(jì)林樹(shù)種分類(lèi)，并利用混淆矩陣對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)。

3結(jié)果分析

3.1最佳指數(shù)法波段選擇分析

為了更好地從Hyperion數(shù)據(jù)中提取出有效的光譜特征，應(yīng)用ENVI軟件統(tǒng)計(jì)出各單波段圖像的標(biāo)準(zhǔn)差和波段間的相關(guān)系數(shù)矩陣，然后運(yùn)用MATLAB軟件分別計(jì)算出所有可能三個(gè)波段組合對(duì)應(yīng)的最佳波段指數(shù)，將OIF的值按照從大到小順序排列，OIF值越大則表明相應(yīng)波段組合圖像的相關(guān)性越小，信息量越大[23]。在108個(gè)波段中選出3個(gè)波段進(jìn)行組合，并計(jì)算其最佳指數(shù)，共有204 156個(gè)不同組合，表1列出了最佳指數(shù)值排在前10位的波段組合，由表可見(jiàn)，各波段組合中心波長(zhǎng)(λ)均比較接近，其OIF值也差異不大。為了避免相關(guān)性高的相鄰波段進(jìn)行組合，綜合考慮各波段在組內(nèi)出現(xiàn)的頻率及其組合的OIF值，確定利用最佳指數(shù)法選出的最佳波段組合為96-193-213。

3.2自適應(yīng)波段指數(shù)法波段選擇分析

首先統(tǒng)計(jì)出研究區(qū)Hyperion影像波段間的相關(guān)系數(shù)矩陣圖，如圖3所示，相關(guān)系數(shù)矩陣存在明顯的分塊效應(yīng)，且顏色越亮的部分相關(guān)系數(shù)越大[24]。剩下的108個(gè)波段被自動(dòng)分成了3個(gè)具有不同維數(shù)的子空間，各組內(nèi)波段間具有相近的光譜特性，然后分別計(jì)算各組的波段指數(shù)并按從大到小的順序列出，表2顯示了排在前5位的三組波段指數(shù)。敏感波段篩選通常選擇標(biāo)準(zhǔn)差較大，而相關(guān)系數(shù)較小的波段進(jìn)行組合，這樣既包含豐富的信息，

同時(shí)波段間又相互獨(dú)立[25]。由公式(2)可知，最佳指數(shù)和標(biāo)準(zhǔn)差成正比，因此在各組內(nèi)選擇Pi值最大的波段進(jìn)行組合，即可得到最優(yōu)結(jié)果。由表2，第一組內(nèi)波段為33時(shí)Pi值最大，第二組內(nèi)波段為106時(shí)Pi值最大，第三組內(nèi)波段為193時(shí)Pi值最大，所以利用波段指數(shù)法選出的最佳組合為33-106-193。

圖3　相關(guān)系數(shù)矩陣圖Fig.3 The figure of correlation matrix

3.3基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法波段選擇分析

根據(jù)TM影像453和432組合的波長(zhǎng)范圍分別提取Hyperion影像對(duì)應(yīng)的子空間，并計(jì)算各子空間內(nèi)備選波段的波段指數(shù)，排在前5位的計(jì)算結(jié)果見(jiàn)表3和表4。選擇每個(gè)子空間內(nèi)波段指數(shù)最大值所對(duì)應(yīng)的波段，作為該子空間內(nèi)的最優(yōu)波段，兩表中第一行三個(gè)波長(zhǎng)區(qū)間的Pi值均為最大，由此確定基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法篩選出的最佳波段組合分別是55-158-33和55-33-25。

表1　最佳指數(shù)結(jié)果統(tǒng)計(jì)

表2　自適應(yīng)波段指數(shù)結(jié)果統(tǒng)計(jì)

表3　基于TM453對(duì)應(yīng)波段劃分的波段指數(shù)結(jié)果統(tǒng)計(jì)

表4　基于TM432對(duì)應(yīng)波段劃分的波段指數(shù)結(jié)果統(tǒng)計(jì)

3.4樹(shù)種識(shí)別及精度評(píng)價(jià)

首先以NDVI≥0.41的GF1-WFV3影像為依據(jù)，對(duì)4種波段組合的RGB影像進(jìn)行掩膜；然后根據(jù)樣本選取的三原則[26]，在Hyperion影像上分別選取訓(xùn)練樣本468個(gè)像元(其中紅棗144個(gè)、蘋(píng)果189個(gè)、香梨135個(gè))和檢驗(yàn)樣本5 955個(gè)像元(其中紅棗1 595個(gè)、蘋(píng)果3 245個(gè)、香梨1 115個(gè))；最后以選好的訓(xùn)練樣本為基礎(chǔ)，運(yùn)用最大似然法對(duì)上述波段組合的遙感影像進(jìn)行分類(lèi)，分類(lèi)效果如圖4所示，分類(lèi)結(jié)果的精度利用混淆矩陣進(jìn)行評(píng)價(jià)，分類(lèi)精度見(jiàn)表5。

由表5可以看出，4種波段組合的總體分類(lèi)精度均達(dá)到了75%以上，Kappa系數(shù)均在0.6以上，說(shuō)明篩選出的不同波段組合對(duì)3種經(jīng)濟(jì)林樹(shù)種都有較好的可分性。55-158-33組合的分類(lèi)精度最高，達(dá)87.47%，Kappa系數(shù)為0.7943，其次是55-33-25組合；而96-193-213和33-106-193組合的總體分類(lèi)精度均為75.58%，但由Kappa系數(shù)的大小可以看出，96-193-213組合總體分類(lèi)效果最差。在波段指數(shù)法篩選出來(lái)的3種波段組合當(dāng)中，與33-106-193組合相比，波段組合55-158-33和55-33-25的分類(lèi)精度都有顯著提高，分別提高了11.89%和11.07%。由此說(shuō)明，波段指數(shù)法明顯優(yōu)于最佳指數(shù)法，而經(jīng)過(guò)改進(jìn)的基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法比自適應(yīng)波段指數(shù)法效果更佳；同時(shí)也進(jìn)一步表明運(yùn)用波段指數(shù)法進(jìn)行波段選擇時(shí)，按波長(zhǎng)分組劃分的差異對(duì)有效波段的篩選具有較大影響。

圖4　4種波段組合的分類(lèi)效果圖Fig.4 The classification renderings of 4 kinds of band combinations

波段組合紅棗識(shí)別精度/%蘋(píng)果識(shí)別精度/%香梨識(shí)別精度/%總體分類(lèi)精度/%Kappa系數(shù)96-193-21380.8871.2580.6375.580.617233-106-19386.3366.5386.5575.580.625555-158-3389.5387.4384.6687.470.794355-33-2586.7786.4487.0986.650.7815

就單一樹(shù)種的分類(lèi)精度而言，4種波段組合基本具有一致性，紅棗和香梨的分類(lèi)效果都比較好，均達(dá)到了80%以上，而蘋(píng)果的分類(lèi)精度偏低。4種波段組合對(duì)紅棗的識(shí)別效果均較好，分類(lèi)精度最低的波段組合96-193-213，其分類(lèi)精度也達(dá)80%以上，55-158-33組合對(duì)紅棗的分類(lèi)效果最好，其精度高達(dá)89.53%?？梢?jiàn)與最佳指數(shù)法篩選出的組合相比，波段指數(shù)法篩選出的結(jié)果對(duì)紅棗的識(shí)別精度有明顯提高，但波段指數(shù)法篩選的3種組合之間差異不大。香梨分類(lèi)精度方面，分類(lèi)精度最高的波段組合為55-33-25，達(dá)87.09%，其次是33-106-193組合，96-193-213組合對(duì)香梨的分類(lèi)精度最差。相對(duì)于紅棗和香梨而言，蘋(píng)果分類(lèi)效果較差，且在各波段組合間存在明顯差異，55-158-33波段組合精度最高，達(dá)87.43%，精度最低的組合是33-106-193，只有66.53%。由各波段組合蘋(píng)果的混淆矩陣(見(jiàn)表6)可以看出，錯(cuò)分是導(dǎo)致蘋(píng)果分類(lèi)精度較差的直接原因，且主要錯(cuò)分對(duì)象為香梨。這可能與蘋(píng)果和香梨均屬于蘋(píng)果亞科，在波譜上具有一定的相似性有關(guān)。

表6　4種波段組合蘋(píng)果的混淆矩陣

4結(jié)論與討論

為了有效地降低高光譜數(shù)據(jù)的維度，同時(shí)也避免相關(guān)性強(qiáng)的波段進(jìn)行組合，本文利用不同的敏感波段選擇方法，對(duì)Hyperion影像進(jìn)行了波段選擇和特征提取，篩選出了4種波段組合，分別是96-193-213、33-106-193、55-158-33和55-33-25組合，包含8個(gè)敏感波段：波段25(600 nm)、33(681 nm)、55(905 nm)、96(1 104 nm)、106(1 205 nm)、158(1 730 nm)、193(2 083 nm)和213(2 285 nm)。從光譜波長(zhǎng)來(lái)看，波段25和33位于可見(jiàn)光范圍(380～760 nm)，其它6個(gè)波段都分布于近紅外波段范圍(760～3 000 nm)，這與王志輝等[27]用于樹(shù)種識(shí)別的波段大都位于近紅外波段的研究結(jié)果一致。同時(shí)，大量地物實(shí)測(cè)光譜研究表明，550～600、671、900 nm是植被光譜特征提取的特征位置[28-29]，不同植物的光譜在特征位置點(diǎn)附近差異顯著，而本研究篩選出的波段25(600 nm)、波段33(681 nm)和波段55(905 nm)均位于特征位置附近，可見(jiàn)星載高光譜影像和地物實(shí)測(cè)光譜在植被信息提取方面也具有較高的一致性。 因此，可認(rèn)為本研究篩選出的8個(gè)波段均能夠作為經(jīng)濟(jì)林樹(shù)種識(shí)別的敏感波段。

運(yùn)用最大似然法檢驗(yàn)不同波段選擇方法篩選的4種波段組合對(duì)樹(shù)種識(shí)別的敏感度，結(jié)果顯示4種波段組合對(duì)3種經(jīng)濟(jì)林樹(shù)種都具有較好的可分性，基于TM影像對(duì)應(yīng)波段劃分的波段指數(shù)法篩選出的55-158-33和55-33-25組合總體分類(lèi)精度分別為87.47%和86.65%，均達(dá)到了85%以上，且Kappa系數(shù)均高于0.75，明顯優(yōu)于最佳指數(shù)法和自適應(yīng)波段指數(shù)法篩選出的96-193-213和33-106-193組合?；赥M影像對(duì)應(yīng)波段劃分的波段指數(shù)法在高光譜數(shù)據(jù)全波段范疇選取了對(duì)植被更為敏感的波長(zhǎng)區(qū)間進(jìn)行有效波段篩選，相對(duì)于自適應(yīng)波段指數(shù)法的全波段參與方式，所選最優(yōu)波段組合總體分類(lèi)精度得到了明顯的提高，表明運(yùn)用波段指數(shù)法進(jìn)行波段選擇時(shí)，波段按波長(zhǎng)分組劃分的差異對(duì)有效波段的篩選具有較大的影響。這與王立國(guó)等[30]在波段選擇方法研究中認(rèn)為“高光譜數(shù)據(jù)的局部特性跟全局特性之間存在很大差異，運(yùn)用波段選擇在全空間進(jìn)行數(shù)據(jù)降維得到的結(jié)果不一定最佳”的結(jié)論具有一致性。

本研究篩選出4種敏感波段組合對(duì)3種主栽經(jīng)濟(jì)林樹(shù)種的總體識(shí)別精度相對(duì)較高，介于75.58%～87.47%之間，樹(shù)種識(shí)別最高精度略低于G.Goodenough等[31]對(duì)5種天然林類(lèi)型識(shí)別的92.9%。究其原因，主要由于研究對(duì)象為人工栽植樹(shù)種，經(jīng)濟(jì)林生產(chǎn)園栽培措施(施肥、灌溉、病蟲(chóng)害防治等)差異引起的樹(shù)木葉片色素及水分含量變化可能是影響樹(shù)種識(shí)別精度高低不可忽視的因素。

今后仍需要采用多時(shí)相高光譜遙感，抑或新的數(shù)據(jù)降維方法和分類(lèi)方法對(duì)經(jīng)濟(jì)林樹(shù)種進(jìn)一步開(kāi)展遙感信息提取研究，對(duì)南疆環(huán)塔里木盆地特色林果主產(chǎn)區(qū)大范圍遙感樹(shù)體營(yíng)養(yǎng)診斷、病蟲(chóng)害防控等經(jīng)營(yíng)管理具有重要的實(shí)踐意義。

【參考文獻(xiàn)】

[1]羅萬(wàn)杰.新疆特色林果業(yè)發(fā)展現(xiàn)狀、存在問(wèn)題及對(duì)策[J].新疆農(nóng)墾科技，2012(8)：16-18.

[2]柳萍萍.基于Hyperion數(shù)據(jù)的森林類(lèi)型識(shí)別[D].長(zhǎng)沙：中南林業(yè)科技大學(xué)，2012.

[3]趙憲文，李崇貴，斯林，等.基于信息技術(shù)的森林資源調(diào)查新體系[J].北京林業(yè)大學(xué)學(xué)報(bào)，2002，24(5/6)：147-155.

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

[5]譚炳香，李增元，陳爾學(xué)，等.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(z1)：105-111.

[6]李俊明.基于HJ-1A高光譜遙感樹(shù)種識(shí)別的研究[D].哈爾濱：東北林業(yè)大學(xué)，2013.

[7]George R，Padalia H，Kushwaha S P S.Forest tree species discrimination in western Himalaya using EO-1 Hyperion [J].International Journal of Applied Earth Observation and Geoinformation，2014，28：140-149.

[8]Kruse F A，Boardman J W，Huntington J F.Comparison of airborne Hyperspectral Data and EO-1 Hyperion for mineral mapping[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(6)：1388-1400.

[9]孫存舉，雷建華，唐果山，等.基于SPOT NOVI影像的阿壩州植被變化遙感監(jiān)測(cè)[J].四川林業(yè)科技，2014，35(6)：56-59.

[10]薛萬(wàn)蓉，王靜，但沿銘，等.內(nèi)江市城市熱島效應(yīng)時(shí)空演變特征遙感分析[J].四川林業(yè)科技，2012，33(2)：54-59.

[11]顧名澧.多光譜掃描儀的星上輻射定標(biāo)系統(tǒng)[J].航天返回與遙感，1998，19(3)：21-25.

[12]Dinguirard M，Slater P N.Calibration of space multispectral imaging sensor[J].Remote Sensing of Environment，1999，68(3)：194-205.

[13]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，2005，20(6)：36-41.

[14]孫存舉，梁楠.遙感光譜混合模型在成都城區(qū)植被信息提取中的應(yīng)用[J].四川林業(yè)科技，2014，35(5)：84-87.

[15]楊軍，趙勇，張紅實(shí)，等.利用衛(wèi)星遙感影像數(shù)據(jù)分析邛海濕地近50年的變遷[J].四川林業(yè)科技，2013，34(4)：65-68.

[16]劉春紅，趙春暉，張凌雁.一種新的高光譜遙感圖像降維方法[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10(2)：218-222.

[17]尹繼豪，王義松.高光譜遙感影像中最佳譜段的快速選擇方法[J].遙感信息，2010(3)：3-6+12.

[18]Charies S.Selecting band combination from multispectral data[J].Photogrammetric Engineering and Remote Sensing，1985，51(6)：681-687.

[19]李俊明，邢艷秋，楊超.基于森林類(lèi)型光譜特征的最佳波段選擇研究——以HJ/1A高光譜影像為例[J].森林工程，2013，29(4)：42-46.

[20]Haapanen R，Ek A R，Bauer M E，et al.Delineation of forest/ non-forest land use classes using nearest neighbor methods [J].Remote Sensing of Environment，2004，89 (2)：265-271.

[21]楊俊.基于ETM+遙感影像的森林覆蓋面積提取方法的研究[D].南京：南京農(nóng)業(yè)大學(xué)，2006.

[22]吳露露，袁偉志，羅旭，等.基于高分辨率衛(wèi)星影像綠色信息提取的最佳假彩色合成方法及評(píng)價(jià)研究[J].北京林業(yè)大學(xué)學(xué)報(bào)，2008，30(z1)：62-67.

[23]劉建平，趙英時(shí)，孫淑玲.高光譜遙感數(shù)據(jù)最佳波段選擇方法實(shí)驗(yàn)研究[J].遙感技術(shù)與應(yīng)用，2001，16(1)：7-13.

[24]孫華，鞠洪波，張懷清，等.Hyperion高光譜影像波段選擇方法比較研究[J].紅外，2013，34(2)：27-34.

[25]楊金紅，尹球，周寧.一種改進(jìn)的高光譜數(shù)據(jù)自適應(yīng)波段選擇方法[J].遙感技術(shù)與應(yīng)用，2007，22(4)：513-519.

[26]趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.

[27]王志輝，丁麗霞.基于葉片高光譜特性分析的樹(shù)種識(shí)別[J].光譜學(xué)與光譜分析，2010，30(7)：1825-1829.

[28]譚倩，趙永超，童慶禧，等.植被光譜維特征提取模型[J].遙感信息，2001(1)：14-18.

[29]閆曉勇.基于冠層光譜的南疆盆地主栽果樹(shù)樹(shù)種識(shí)別有效波段選擇研究[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2014.

[30]王立國(guó)，古延鋒，張曄.基于支持向量機(jī)和子空間劃分的波段選擇方法[J].系統(tǒng)工程與電子技術(shù)，2005，27(6)：974-977.

[31]Goodenough D G，Bhogal A S，Dyk A，et al.Monitoring forests with Hyperion and ALI[A].IEEE International Geoscience and Remote Sensing Symposium and the 24th Canadian Symposium on Remote Sensing[C].Toronto，Canada，2002：882-885.

Research on the Sensitive Band Selection of Discrimination ofNon-timber Product Tree Species Surrounding Tarim Basinin Southern Xinjiang Based on Hyperion Image

Feng Zhenfeng1，2，Wang Zhenxi1，2*，Yue Jun1，2，Wang Lingduan1，2

(1. College of Forestry and Horticulture，Xinjiang Agricultural University，Urumqi 830052；2. Key Laboratory of Forestry Ecology and Industry Technology in Arid Region，Education Department of Xinjiang，Urumqi 830052)

Abstract：In this paper，three kinds of non-timber product tree species surrounding Hongqipo farm in Aksu were studied and the Optimum Index Factor method，Adaptive Band Index method，Band Index method based on the corresponding bands of TM image were used to select 4 kinds of sensitive band combinations based on Hyperion hyperspectral remote sensing image.In addition，the sensitivity of non-timber product tree species discrimination of the selected band combinations was tested by using the Maximum Likelihood method.The results showed that the band combinations selected had good divisibility for the three kinds of main non-timber product tree species and their overall classification accuracy reached more than 75%.Especially for the combinations of 55-33-25 and 55-158-33 selected by Band Index method based on the corresponding bands of TM image，the Kappa coefficient were more than 0.75 and the classification accuracy were 86.85% and 87.47%，respectively，which can be used as the evidence for large area remote sensing to identify the three kinds of non-timber product tree species surrounding Tarim Basin in southern Xinjiang.

Keywords：non-timber product tree species；hyperspectral remote sensing；data dimension reduction；band combinations

中圖分類(lèi)號(hào)：S 771.8

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-005X(2016)02-0007-07

作者簡(jiǎn)介：第一馮振峰，碩士研究生。研究方向：遙感與地理信息系統(tǒng)。*通信作者：王振錫，博士，副教授。研究方向：林業(yè)3S技術(shù)與應(yīng)用。E-mail：wangzhenxi2003@163.com

基金項(xiàng)目：新疆維吾爾自治區(qū)高?？蒲杏?jì)劃科學(xué)研究重點(diǎn)項(xiàng)目(XJEDU2013I16)；國(guó)防科工局高分專(zhuān)項(xiàng)(95-Y40B02-9001-13/15-01-01)；中國(guó)博士后科學(xué)基金項(xiàng)目(2015M572668XB)

收稿日期：2015-11-30

引文格式：馮振峰，王振錫，岳俊，等.基于Hyperion數(shù)據(jù)的南疆環(huán)塔里木盆地經(jīng)濟(jì)林樹(shù)種識(shí)別敏感波段選擇[J].森林工程，2016，32(2)：7-13.