戴曉愛， 賈虎軍， 張曉雪， 吳芬芳， 郭守恒， 楊武年， 楊葉

(1.成都理工大學(xué)地學(xué)空間信息技術(shù)國土資源部重點(diǎn)實(shí)驗(yàn)室/遙感與GIS研究所,成都　610059；2.武漢大學(xué)學(xué)報(bào)信息科學(xué)版編輯部,武漢　430072)

?

岷江上游亞高山典型森林植被高光譜特征識(shí)別

戴曉愛1， 賈虎軍1， 張曉雪1， 吳芬芳2， 郭守恒1， 楊武年1， 楊葉1

(1.成都理工大學(xué)地學(xué)空間信息技術(shù)國土資源部重點(diǎn)實(shí)驗(yàn)室/遙感與GIS研究所,成都610059；2.武漢大學(xué)學(xué)報(bào)信息科學(xué)版編輯部,武漢430072)

摘要：在高光譜數(shù)據(jù)分類應(yīng)用中，地物光譜特征分析是對(duì)地物進(jìn)行分類和檢索的基礎(chǔ)性工作。選取禾本科斑竹、草本科蕨類、蕁麻科冷水花、杉科杉木和棕櫚科棕櫚樹等5種岷江上游亞高山森林植被進(jìn)行實(shí)地光譜測(cè)量，建立高光譜相似性度量參量，如歐式距離(Euclideandistance，ED)、光譜角度(spectralanglemapper，SAM)、光譜信息散度(spectralinformationdivergence，SID)、SID和SAM混合SID(TAN)以及基于道格拉斯-普克算法的光譜降維距離(spectraldistancebasedonDouglas-Peucker，SDDP)度量算法，定量分析對(duì)亞高山森林植被的識(shí)別能力。研究結(jié)果表明： 5種亞高山森林植被光譜特征的差異主要表現(xiàn)在光譜曲線反射波峰和波谷位置；ED對(duì)冷水花的相對(duì)光譜識(shí)別概率最高；SID和SID(TAN)對(duì)斑竹與蕨類的識(shí)別概率最高；SDDP對(duì)杉木的識(shí)別概率最高；SAM,SDDP,ED,SID(TAN)和SID這5種光譜相似性測(cè)度算法對(duì)亞高山森林植被的相對(duì)光譜識(shí)別熵分別是1.51,1.59,1.61,2.16和2.18，說明光譜角度制圖具有較高的識(shí)別能力； 而道格拉斯-普克光譜檢索算法是在提取光譜曲線特征向量的基礎(chǔ)上進(jìn)行相似性測(cè)度，其降低了光譜檢索的時(shí)間頻率，在保證相近識(shí)別能力的條件下，能夠大大提高程序的檢索效率，是一種快速有效的高光譜特征匹配和檢索算子。

關(guān)鍵詞：亞高山森林植被； 高光譜遙感； 光譜相似性； 岷江上游

0引言

森林是人類生存環(huán)境的影響因子之一，正確識(shí)別其植被特征是植被生態(tài)學(xué)研究的支撐性工作。目前森林樹種特征識(shí)別的方法主要包括地面調(diào)查、圖像解譯和數(shù)字遙感。野外調(diào)查需要花費(fèi)大量的時(shí)間，且識(shí)別非常困難； 利用常規(guī)遙感數(shù)據(jù)通常只能區(qū)分到樹種組或比較粗略的森林類型； 而高光譜遙感突破了光譜分辨率這一瓶頸因子，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型，能明顯改善對(duì)森林樹種的識(shí)別效果，提高分類精度[1-4]。國內(nèi)外很多學(xué)者利用高光譜數(shù)據(jù)進(jìn)行地物識(shí)別并取得了較好的結(jié)果[5-6]，但利用高光譜遙感技術(shù)的高光譜分辨率特點(diǎn)進(jìn)行西部亞高山森林植被識(shí)別的研究甚少。不同的森林類型具有不同的結(jié)構(gòu)和功能等群落特征，灌叢和林下草本植被特征也是體現(xiàn)森林植物群落多樣性的豐富內(nèi)容，在一定程度上可以反映環(huán)境的差異[7-8]，在森林植被的覆蓋度調(diào)查、分類識(shí)別、動(dòng)態(tài)監(jiān)測(cè)、遙感反演及生態(tài)環(huán)境調(diào)控等方面具有重要意義。

在高光譜數(shù)據(jù)分類處理中，通過對(duì)光譜曲線的相似性測(cè)度判斷地物類型的光譜匹配程度已成為光譜特征測(cè)度的主要方法，也是高光譜數(shù)據(jù)信息提取的基礎(chǔ)?？紫楸萚9]在幾何距離、相關(guān)系數(shù)和相對(duì)熵的基礎(chǔ)上，提出了一種結(jié)合多種光譜特征的新型光譜相似性測(cè)度方法； 王珂等[10]提出以目標(biāo)和參考光譜曲線的頻譜幅度值之差來度量光譜的相似性； 李飛等[11]基于經(jīng)典的曲線簡(jiǎn)化道格拉斯-普克(Douglas-Peucke)算法(簡(jiǎn)稱DP算法，是用來對(duì)大量冗余的圖形數(shù)據(jù)點(diǎn)進(jìn)行壓縮以提取必要數(shù)據(jù)點(diǎn)的抽稀算法)提取光譜曲線的形態(tài)特征； 陳熙等[12]以巴氏(Bhattacharyya)距離(用于測(cè)量2個(gè)離散或連續(xù)概率分布的相似性)作為指標(biāo)定量計(jì)算不同類別地物波譜間的光譜差異性； 施蓓琦等[13]提出了基于Hausdorff距離(即2個(gè)點(diǎn)集之間的距離)的地物光譜相似性測(cè)度模型； 杜培軍等[14]采用不同的度量原理與實(shí)現(xiàn)策略，提出基于光譜多邊形的測(cè)度、四值編碼、十進(jìn)制編碼、樹狀變換測(cè)度及基于小波變換的測(cè)度等新方法。目前，光譜相似性測(cè)度模型仍側(cè)重考慮基于距離和形狀的方法。本文在考慮信息損失較低、處理效率較高、同時(shí)保證相似性度量效果最好的基礎(chǔ)上，選擇了基于距離和形狀的光譜相似性測(cè)度方法，如歐式距離(Euclideandistance，ED)、光譜角度(spectralanglemapper，SAM)、光譜信息散度(spectralinformationdivergence，SID)、SID和SAM混合(SID(TAN))以及基于道格拉斯-普克算法的光譜降維距離(spectraldistancebasedonDouglas-Peucker，SDDP)測(cè)度。同時(shí)，在采用3種統(tǒng)計(jì)學(xué)方法的基礎(chǔ)上，對(duì)禾本科斑竹、草本科蕨類、蕁麻科冷水花、杉科杉木和棕櫚科棕櫚樹等5種岷江上游典型亞高山森林植被的高光譜識(shí)別效果進(jìn)行對(duì)比，以便為高光譜植被遙感分類與識(shí)別提供技術(shù)依據(jù)。

1數(shù)據(jù)與方法

1.1光譜數(shù)據(jù)采集

本文的實(shí)驗(yàn)區(qū)青城山地處四川盆地西部邊緣山地著名的“華西雨屏帶”的中北段，都江堰市城西南區(qū)15km處，中心地理坐標(biāo)為E103°35′,N30°54′。該區(qū)地理?xiàng)l件特殊，加之地處成都平原的生態(tài)屏障地帶，其生態(tài)環(huán)境非常重要。因受地質(zhì)、地貌、氣候等因素的影響，該區(qū)植被類型不僅復(fù)雜，而且存在隨海拔從低到高垂直變化的規(guī)律，依次為： 常綠林―灌木林―灌草混交林―天然草地。本文選取該區(qū)內(nèi)葉片生理生化組分差異性較大的禾本科斑竹、草本科蕨類、蕁麻科冷水花、杉科杉木和棕櫚科棕櫚樹等5種植被(圖1)作為實(shí)驗(yàn)樣本。

(a) 斑竹(b) 蕨類 (c) 冷水花(d) 杉木(e) 棕櫚樹

圖15種森林植被樣本照片

Fig.1Photosoffivekindsofforestvegetationsamples

光譜測(cè)量采用美國ASD公司FieldSpec3便攜式光譜儀，其有效波段在350～2 500nm之間。數(shù)據(jù)采集時(shí)間為2013年4月12―16日。由于室外測(cè)量的影響因素較多，本文主要在室內(nèi)對(duì)樣品進(jìn)行光譜測(cè)試。室內(nèi)光譜采集是在一個(gè)允許控制光照條件的黑暗實(shí)驗(yàn)室內(nèi)，將樣品放在鋪蓋有黑色鵝絨布的桌子上，在人工燈光(1 000W)照明下，用ASD光譜儀對(duì)樣本進(jìn)行光譜測(cè)量。光源離樣本約50cm； 采用3°視場(chǎng)角的探頭，探測(cè)器頭部垂直對(duì)準(zhǔn)樣品，距樣品約20cm； 探測(cè)面積直徑約為2cm，以保證樣本充滿整個(gè)視場(chǎng)。對(duì)每個(gè)樣品測(cè)量9次光譜值后取其平均值。對(duì)每種植被葉片共測(cè)得36組反射光譜數(shù)據(jù)，每組10條數(shù)據(jù)(5條葉片反射DN值，5條參考板反射DN值)。為了消除儀器引起的隨機(jī)誤差，本文首先求出每類物種的平均光譜值，然后再對(duì)平均光譜用Savitzky-Golay方法(簡(jiǎn)稱為S-G濾波器，是一種在時(shí)域內(nèi)基于局域多項(xiàng)式最小二乘法擬合的濾波方法)以15個(gè)數(shù)組窗口和二次多項(xiàng)式進(jìn)行平滑處理。

1.2光譜相似性測(cè)度算子

1.2.1歐式距離(ED)

ED是光譜相似性測(cè)度中最為常見的測(cè)度指標(biāo)。歐式距離ΨED(x,y)的判決函數(shù)[15-16]為

(1)

式中： x和y分別為2個(gè)待測(cè)光譜； n為光譜維數(shù)。距離值越小，相似性越高，則光譜相對(duì)識(shí)別能力越弱。

1.2.2光譜角制圖(SAM)

SAM是在以波段數(shù)為維數(shù)的坐標(biāo)空間中，以原點(diǎn)和實(shí)際光譜點(diǎn)構(gòu)成高維向量，以2個(gè)高維向量的夾角作為測(cè)度指標(biāo)，計(jì)算光譜角的余弦[14，17]。光譜角ΨSAM(x,y)的計(jì)算公式為

(2)

光譜角越小，其余弦值越接近1，相似性越高。

1.2.3光譜信息散度(SID)

SID是一種基于概率統(tǒng)計(jì)理論，計(jì)算光譜曲線相對(duì)信息熵的大小，以確定2個(gè)光譜之間相似性的測(cè)度算子。光譜信息散度ΨSID(x,y)的計(jì)算公式[18-19]為

ΨSID(x,y)=D(x‖y)+D(y‖x) ,

(3)

(4)

(5)

式中： D(x‖y)為x對(duì)y的相對(duì)熵； D(y‖x)為y對(duì)x的相對(duì)熵； pi和qi分別為光譜x和y的概率值。

1.2.4SID(TAN)混合測(cè)度

SID(TAN)是一種SID結(jié)合SAM的混合測(cè)度算法。混合測(cè)度ΨSID(TAN)(x,y)的計(jì)算公式[20]為

ΨSID(TAN)(x,y)=ΨSID(x,y)tan[ΨSAM(x,y)] 。

(6)

1.2.5道格拉斯-普克光譜降維距離(SDDP)

(7)

式中： ΨSDDP(λ,r)為道格拉斯-普克光譜降維距離； λix和rix與λiy和riy分別為2個(gè)待測(cè)光譜x,y的波段λ與反射率r。

1.3光譜相似性測(cè)度識(shí)別效率比較

為了評(píng)估ED,SAM,SID,SID(TAN)和SDDP等5種相似性測(cè)度算子的相對(duì)光譜識(shí)別能力，本文選用3種統(tǒng)計(jì)學(xué)參數(shù)，即相對(duì)光譜識(shí)別力(relativespectraldiscriminatorypower，RSDPW)、相對(duì)光譜識(shí)別概率(relativespectraldiscriminatoryprobability,RSDP)和相對(duì)光譜識(shí)別熵(relativespectraldiscriminatoryentropy,RSDE)。

1.3.1相對(duì)光譜識(shí)別力

相對(duì)光譜識(shí)別力用于評(píng)估目標(biāo)光譜向量從其相關(guān)參考光譜向量中被識(shí)別出的能力。假設(shè)m為任一光譜相似性測(cè)度算子，d為參考光譜向量，si和sj分別為待測(cè)光譜特征的2個(gè)向量，則相對(duì)光譜識(shí)別力PWm(si,sj;d)的計(jì)算公式[23]為

(8)

PWm(si,sj;d)值越大，光譜相似性測(cè)度算子m的識(shí)別能力越高。此外，PWm(si,sj;d)值具有對(duì)稱性且下界為1，即PWm(si,sj;d)≥1。

1.3.2相對(duì)光譜識(shí)別概率

不同光譜相似性測(cè)度算法的計(jì)算結(jié)果具有不同的測(cè)度單位，因此本文將不同算子的測(cè)度值進(jìn)行標(biāo)準(zhǔn)化處理，其計(jì)算公式[21]為

(9)

1.3.3相對(duì)光譜識(shí)別熵

為了分析光譜相似性測(cè)度算子的總體識(shí)別能力，計(jì)算相對(duì)光譜識(shí)別熵RSDE(t)，其公式[22]為

(10)

式中Pm(i)為相對(duì)光譜識(shí)別概率。RSDE值越小，相似性測(cè)度算子對(duì)植被光譜識(shí)別的能力越強(qiáng)，其分類結(jié)果的精度越高。

2結(jié)果與分析

2.15種森林植被基本光譜反射特征

本文所研究的5種亞高山森林植被葉片的光譜曲線分布趨勢(shì)大體相同，如圖2所示。

圖2　5種森林植被平均反射光譜曲線

在490nm附近的藍(lán)光區(qū)和685nm附近的紅光區(qū)存在強(qiáng)吸收帶，形成“藍(lán)谷”與“紅谷”，反射率分別在0.02～0.05和0.04～0.06之間變化； 因綠光波段吸收減弱，在藍(lán)谷和紅谷之間形成一個(gè)反射峰，峰值位于553nm附近，反射率在0.05～0.17之間變化； 在685～755nm譜段反射率急劇上升，形成一個(gè)陡坡； 由于生物量和葉面積指數(shù)等的影響，在760～1 300nm波段區(qū)間形成一個(gè)較高的反射平臺(tái)； 在紅外波段(1 300～1 820nm)因受到葉片內(nèi)含水量的影響，吸收率增加，反射率降低； 在1 455nm附近主要受到大氣含水量的影響，形成一個(gè)低谷。

因植被生理生化的差異，不同植被葉片光譜曲線之間存在明顯的差異。如圖2所示，在可見光和近紅外波段(430～1 170nm)，5種亞高山森林植被的反射率由高到低依次是冷水花、蕨類、斑竹、杉木和棕櫚樹。由于草本類冷水花和蕨類的葉綠素與水分含量低，與其他3種植被相比反射率偏高； 同時(shí)，蕨類受葉片內(nèi)含水量的影響較大，在1 323nm附近的反射率顯著降低。在可見光波段，5種森林植被反射率差異較??； 但在紅外波段，存在較大的差異。受葉片內(nèi)細(xì)胞的影響，棕櫚樹在1 165nm附近的反射率有所升高。

2.2相似性測(cè)度結(jié)果分析

本文以VisualC++ 6.0為工具，完成了光譜相似性測(cè)度算法程序的開發(fā)，并用于對(duì)5種亞高山森林植被進(jìn)行了光譜相似性測(cè)度。表1―表3為用5種相似性測(cè)度算法度量亞高山森林植被得到的相對(duì)相似性測(cè)度矩陣。

斑竹、蕨類、冷水花、杉木和棕櫚樹反射光譜曲線之間的歐式距離ED和空間夾角余弦值SAM結(jié)果見表1。

表1　ED和SAM相似性測(cè)度矩陣①

①M(fèi)B為斑竹；FE為蕨類；PN為冷水花；CF為杉木；PA為棕櫚樹。

從表1可以看出，冷水花與棕櫚樹的歐式距離最大，反射光譜特征相似度最小，有較強(qiáng)的識(shí)別能力。杉木與棕櫚樹的反射光譜特征非常接近，相似度最大，識(shí)別能力較弱。光譜角度相似性度量算子具有很高的相似度，整體余弦值大于0.98。其中，杉木和冷水花的光譜余弦值最大(即它們之間夾角最小)，識(shí)別能力最弱； 蕨類與斑竹余弦值最小(即它們之間夾角最大)，具有較高的可分性。

斑竹、蕨類、冷水花、杉木和棕櫚樹反射光譜的SID和SID(TAN)結(jié)果見表2。

表2　SID和SID(TAN)相似性測(cè)度矩陣①

①M(fèi)B為斑竹；FE為蕨類；PN為冷水花；CF為杉木；PA為棕櫚樹。

從表2可以看出，在5種森林植被中，斑竹和蕨類的光譜信息熵最大，亦即2種植被的光譜差異最大，相對(duì)識(shí)別能力比較強(qiáng)。冷水花與杉木的信息熵最小，兩者的光譜差異性最小。斑竹和蕨類的SID-SAM混合測(cè)度值最大，即結(jié)合反射光譜波形與空間角度測(cè)度的相似性最小，有最強(qiáng)的相對(duì)識(shí)別能力。冷水花與杉木的SID-SAM混合測(cè)度值最小，相對(duì)識(shí)別能力較弱。

斑竹、蕨類、冷水花、杉木和棕櫚樹反射光譜降維后特征量的相似距離結(jié)果見表3。

表3　SDDP相似性測(cè)度矩陣①

①M(fèi)B為斑竹；FE為蕨類；PN為冷水花；CF為杉木；PA為棕櫚樹。

斑竹與杉木的空間距離最大，相似性最小。斑竹與冷水花的距離最小，相似性最大。

2.3不同測(cè)度算子光譜識(shí)別能力比較

(11)

(12)

式(11)說明以SAM為算子從冷水花中識(shí)別出斑竹的效率是從蕨類中識(shí)別出斑竹的效率的1倍； 式(12)說明以SDDP為算子從冷水花中識(shí)別出斑竹的效率是從蕨類中識(shí)別出斑竹的效率的4倍。因此，在識(shí)別斑竹光譜時(shí)，SDDP算子比SAM算子更有效。

利用式(9)和(10)將5種光譜相似性測(cè)度算法測(cè)度值進(jìn)行標(biāo)準(zhǔn)化計(jì)算，使測(cè)度值具有統(tǒng)一的尺度，以分析森林植被各科屬的相對(duì)識(shí)別能力(圖3)。

圖3　相對(duì)光譜識(shí)別概率

分析圖3可知，對(duì)亞高山森林植被的高光譜相對(duì)識(shí)別能力，不同相似性測(cè)度算子具有不同的敏感程度。其中，SID和SID(TAN)對(duì)斑竹(MB)與蕨類(FE)的識(shí)別概率最高；ED對(duì)蕁麻科冷水花(PN)的識(shí)別概率最高；SDDP對(duì)杉科杉木(CF)和棕櫚科棕櫚樹(PA)的識(shí)別概率最高。

表4列出ED,SAM,SID,SID(TAN)和SDDP等5種光譜相似性測(cè)度算子的RSDE。

表4　相對(duì)光譜識(shí)別熵

由表4中RSDE可知，5種光譜相似性測(cè)度算子對(duì)森林植被總體識(shí)別能力的差異性較小，識(shí)別能力由強(qiáng)到弱依次為：SAM>SDDP>ED>SID(TAN)>SID。SAM具有最小的相對(duì)光譜識(shí)別熵，SID具有最大的相對(duì)光譜識(shí)別熵，且5種測(cè)度算子的熵值相差較小。其中SDDP算子由基礎(chǔ)算法提取光譜特征，經(jīng)數(shù)據(jù)降維后進(jìn)行光譜相似性度量，效率較高； 與全部光譜波段參與計(jì)算的ED,SAM,SID和SID(TAN)算子相比，總體光譜識(shí)別能力比較相近。

3結(jié)論

本文針對(duì)高光譜數(shù)據(jù)的亞高山森林植被識(shí)別，從光譜曲線形態(tài)相似性測(cè)度入手，利用統(tǒng)計(jì)學(xué)方法對(duì)相似性測(cè)度算子進(jìn)行了評(píng)估，主要結(jié)論如下：

1)亞高山森林植被的反射光譜曲線走向基本一致，特征波段相似。由于棕櫚樹葉片內(nèi)細(xì)胞的影響，在1 165nm附近的反射率有所增加。蕨類因葉片內(nèi)含水量的影響較大，在1 323nm附近的反射率顯著降低。

2)歐式距離(ED)、光譜角度(SAM)、光譜信息散度(SID)，SID和SAM混合(SID(TAN))以及基于道格拉斯-普克算法的光譜降維距離(SDDP)等5種光譜相似性測(cè)度算子在亞高山森林植被光譜信息細(xì)微處的相對(duì)識(shí)別能力不同。ED對(duì)蕁麻科冷水花的識(shí)別能力較強(qiáng)；SAM是一種描述全局性的度量指標(biāo)，對(duì)局部變化特征響應(yīng)不顯著，對(duì)5種植被光譜的相對(duì)識(shí)別概率差異性較??；SID測(cè)度是基于光譜信息熵的測(cè)度算子，主要受到反射光譜波形的控制，在5種植被中對(duì)波形差異最大的斑竹和蕨類的識(shí)別能力最強(qiáng)；SID(TAN)測(cè)度因SAM參量變化較小，其相對(duì)識(shí)別能力與SID基本一致；SDDP提取光譜特征向量進(jìn)行相似性度量，在減少了數(shù)據(jù)量的同時(shí)，保證了與其他算子相近的計(jì)算精度，對(duì)杉木和棕櫚樹的識(shí)別能力最強(qiáng)。

3)5種光譜相似性測(cè)度算子對(duì)亞高山森林植被分類識(shí)別能力由大到小依次是：SAM,SDDP,ED,SID(TAN)和SID。在已發(fā)表的文獻(xiàn)中，具有較高識(shí)別精度的SID對(duì)亞高山森林植被的識(shí)別效果較差，而SAM具有最佳的識(shí)別效果，與本文的研究結(jié)果一致。SDDP在提取光譜特征信息的基礎(chǔ)上進(jìn)行相似性測(cè)度，是一種新的、快速、有效的光譜匹配和檢索算法。

參考文獻(xiàn)(References)：

[1]WuJ,PengDL.Advancesinresearchesonhyperspectralremotesensingforestryinformation-extractingtechnology[J].SpectroscopyandSpectralAnalysis,2011,31(9):2305-2312.

[2]YangZH,HanJF,GongDP,etal.Thedevelopmentandapplicationofhyperspectral-remote-sensingtechnology[J].HydrographicSurveyingandCharting,2003,23(6):55-58.

[3]WangZH,DingLX.Treespeciesdiscriminationbasedonleaf-levelhyperspectralcharacteristicanalysis[J].SpectroscopyandSpectralAnalysis,2010,30(7):1825-1829.

[4]ClarkML,RobertsDA,ClarkDB.Hyperspectraldiscriminationoftropicalrainforesttreespeciesatleaftocrownscales[J].RemoteSensingofEnvironment,2005,96(3/4):375-398.

[5]YuT,LiXC,WangX,etal.Applicationadvancesandoutlooksofhyperspectraltechnique[J].ScienceofSurveyingandMapping,2012,37(2):115-118.

[6]林川,宮兆寧,趙文吉,等.基于光譜特征變量的濕地典型植物生態(tài)類型識(shí)別方法——以北京野鴨湖濕地為例[J].生態(tài)學(xué)報(bào),2013,33(4):1172-1185.

LinC,GongZN,ZhaoWJ,etal.Identifyingtypicalplantecologicaltypesbasedonspectralcharacteristicvariables:AcasestudyinWildDuckLakewetland,Beijing[J].ActaEcologicaSinica,2013,33(4):1172-1185.

[7]梁璇,劉萍,徐正春,等.不同類型城市森林的林下植物多樣性研究[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào),2015,36(2):69-73.

LiangX,LiuP,XuZC,etal.Astudyontheunderstoryspeciesdiversityinvariousurbanforests[J].JournalofSouthChinaAgriculturalUniversity,2015,36(2):69-73.

[8]鄭江坤,宮淵波,劉金鑫,等.岷江上游山地牧道對(duì)林下草本群落分布特征的影響[J].草業(yè)學(xué)報(bào),2015,24(2):1-10.

ZhengJK,GongYB,LiuJX,etal.FactorsaffectingunderstoryherbcommunitybotanicalcompositioninadryvalleyecotoneintheupperreachesoftheMinjiangRiver,SouthwestChina[J].ActaPrataculturaeSinica,2015,24(2):1-10.

[9]孔祥兵,舒寧,陶建斌,等.一種基于多特征融合的新型光譜相似性測(cè)度[J].光譜學(xué)與光譜分析,2011,31(8):2166-2170.

KongXB,ShuN,TaoJB,etal.Anewspectralsimilaritymeasurebasedonmultiplefeaturesintegration[J].SpectroscopyandSpectralAnalysis,2011,31(8):2166-2170.

[10]王珂,顧行發(fā),余濤,等.基于頻譜相似性的高光譜遙感圖像分類方法[J].中國科學(xué):技術(shù)科學(xué),2013,43(4):407-416.

WangK,GuXF,YuT,etal.Classificationofhyperspectralremotesensingimagesusingfrequencyspectrumsimilarity[J].ChineseScience:TechnologicalScience,2013,56(4):980-988.

[11]李飛,周成虎,陳榮國.基于光譜曲線形態(tài)的高光譜影像檢索方法研究[J].光譜學(xué)與光譜分析,2008,28(11):2482-2486.

LiF,ZhouCH,ChenRG.Spectralcurveshapefeature-basedhyperspectralremotesensingimageretrieval[J].SpectroscopyandSpectralAnalysis,2008,28(11):2482-2486.

[12]程熙,沈占鋒,周亞男,等.基于Bhattacharyya距離的典型地物波譜特征差異性分析[J].遙感技術(shù)與應(yīng)用,2013,28(4):707-713.

ChengX,ShenZF,ZhouYN,etal.ThespectralcharacteristicsseparabilityanalysisofspectraldatabaseoftypicalobjectsoflandsurfacebasedonBhattacharyyadistance[J].RemoteSensingTechnologyandApplication,2013,28(4):707-713.

[13]施蓓琦,劉春,陳能,等.典型地物實(shí)測(cè)光譜的相似性測(cè)度與實(shí)驗(yàn)分析[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版,2011,39(2):292-298.

ShiBQ,LiuC,ChenN,etal.Spectralsimilaritymeasureandexperimentalanalysesforfieldspectroscopy[J].JournalofTongjiUniversity:NaturalScience,2011,39(2):292-298.

[14]杜培軍,唐宏,方濤.高光譜遙感光譜相似性度量算法與若干新方法研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2006,31(2):112-115.

DuPJ,TangH,FangT.AlgorithmsforspectralsimilaritymeasureinhyperspectralRS[J].GeomaticsandInformationScienceofWuhanUniversity,2006,31(2):112-115.

[15]vanderMeerF.Theeffectivenessofspectralsimilaritymeasuresfortheanalysisofhyperspectralimagery[J].InternationalJournalofAppliedEarthObservationandGeoinformation,2006,8(1):3-17.

[16]SobhanMI.SpeciesDiscriminationfromAHyperspectralPerspective[D].Wellington:WageningenUniversity,2007:1-164.

[17]DudeniN,DebbaP,ChoM,etal.Spectralbanddiscriminationforspeciesobservedfromhyperspectralremotesensing[C]//Proceedingsofthe1stWorkshoponHyperspectralImageandSignalProcessing:EvolutioninRemoteSensing.Grenoble:IEEE,2009:1-4.

[18]聞兵工,馮伍法,劉偉,等.基于光譜曲線整體相似性測(cè)度的匹配分類[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào),2009,26(2):128-131.

WenBG,FengWF,LiuW,etal.Matchingandclassificationbasedonthewholecomparabilitymeasureofspectralcurve[J].JournalofGeometricsScienceandTechnology,2009,26(2):128-131.

[19]KumarMN,SeshasaiMVR,VaraPrasadKS,etal.AnewhybridspectralsimilaritymeasurefordiscriminationamongVignaspecies[J].InternationalJournalofRemoteSensing,2011,32(14):4041-4053.

[20]GhiyamatA,ShafriHZM,MahdirajiGA,etal.Hyperspectraldiscriminationoftreespecieswithdifferentclassificationsusingsingle-andmultiple-endmember[J].InternationalJournalofAppliedEarthObservationandGeoinformation,2013,23:177-191.

[21]ChangCI.Aninformation-theoreticapproachtospectralvariability,similarity,anddiscriminationforhyperspectralimageanalysis[J].IEEETransactionsonInformationTheory,2000,46(5):1927-1932.

[22]WuJJ,GaoZH,WangBY,etal.ClassificationofmultispectralimagesbasedonSAM-SIDmixedmeasure[J].RemoteSensingInformation,2012,27(5):67-72.

[23]YangHF,LiJL,MuSJ,etal.AnalysisofhyperspectralreflectancecharacteristicsofthreemaingrasslandtypesinXinjiang[J].ActaPrataculturaeSinica,2012,21(6):258-266.

(責(zé)任編輯： 邢宇)

Identification of hyperspectral features for subalpine typical vegetationintheupperreachesoftheMinjiangRiver

DAI Xiaoai1， JIA Hujun1， ZHANG Xiaoxue1， WU Fenfang2， GUO Shouheng1， YANG Wunian1， YANG Ye1

(1. State Key Laboratory of Geo-spatial Information Technology， Ministry of Land and Resources/Institute of Remote Sensing and GIS， Chengdu University of Technology， Chengdu 610059， China； 2. Editorial Board of Geomatics and Information Science of Wuhan University， Wuhan 430072， China)

Abstract:Spectralcharacteristicsanalysisisthebasisofspectralfeatureclassificationandmatchinginhyperspectralimageprocessing.Inthispaper,theauthorsselectedfivekindsofsubalpineforestvegetationtomeasuretheirfieldspectraintheupperreachesoftheMinjiangRiver,whichincludegramineaemottledbamboo,herbaceousfern，pileanotate,arborchinafirandshrubspalm.Throughconstructingthehighspectralsimilaritymeasureindex,fivemeasuringmethods,i.e.,Euclideandistance(ED),spectralanglemapper(SAM),spectralinformationdivergence(SID),spectralinformationdivergence-spectralanglemapper(SID(TAN))andspectraldistancebasedonDouglas-Peucker(SDDP),wereusedtoanalyzetherelativecapabilityforrecognizingforestvegetationontheplateau.Accordingtotheresultsobtained,thespectralfeaturedifferenceinthefivekindsofforestvegetationmainlyliesinpeaksandtroughsinthespectralcurves;pileanotatehasthehighestrelativespectraldiscriminatoryprobabilityinEDsimilaritymeasurement；mottledbambooandfernhavethehighestrelativespectraldiscriminatoryprobabilityinSIDandSID(TAN)；ChinafirhasthehighestrelativespectraldiscriminatoryprobabilityinSDDP.SAM,SDDP,ED,SID(TAN)andSIDoftherelativespectraldiscriminatoryentropyare1.51, 1.59, 1.61, 2.16and2.18respectively.TheresearchresultsshowedthatthemeansreducedtheamountofcalculationfordoingthesimilaritymeasurementwhichextractedthespectralfeaturevectorswiththeSFT,DPBSRandDABSR,DPSR.Inordertoensuretheconditionofsimilarrecognitioncapability,themeanscangreatlyimprovetheretrievalefficiencyoftheprogram,andhencetheyarethefastandefficienthyperspectralfeaturematchingandretrievalmethods.

Keywords:subalpineforestvegetation；hyperspectralremotesensing；spectralsimilarity；upperreachesoftheMinjiangRiver

doi:10.6046/gtzyyg.2016.03.27

收稿日期：2015-01-23；

修訂日期：2015-03-26

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目“岷江上游毛兒蓋地區(qū)生態(tài)水遙感量化研究”(編號(hào)： 41071265)、高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目“岷江上游高原林區(qū)不同植被類型的土壤持水特征研究”(編號(hào)： 20135122120009)、四川省教育廳科研項(xiàng)目“基于光譜相似度的森林樹種識(shí)別方法研究——以青城山地區(qū)為例”(編號(hào)： 15ZB0066)、成都理工大學(xué)研究基金項(xiàng)目“基于混合像元分解的岷江上游植被覆蓋度定量估算研究”(編號(hào)： 2012YG02)和成都理工大學(xué)中青年骨干教師培養(yǎng)計(jì)劃(編號(hào)： 10912-JXGG201401)共同資助。

中圖法分類號(hào)：TP751.1

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-070X(2016)03-0174-07

第一作者簡(jiǎn)介：戴曉愛(1979-),女,博士,副教授,主要從事遙感與GIS方面的研究。Email：daixiaoa@cdut.cn。

通信作者：楊武年(1954-)，教授，博士生導(dǎo)師，主要研究方向?yàn)?S技術(shù)及地學(xué)應(yīng)用。Email：ywn@cdut.edu.cn。

引用格式： 戴曉愛,賈虎軍,張曉雪,等.岷江上游亞高山典型森林植被高光譜特征識(shí)別[J].國土資源遙感,2016,28(3)：174-180.(DaiXA,JiaHJ,ZhangXX,etal.IdentificationofhyperspectralfeaturesforsubalpinetypicalvegetationintheupperreachesoftheMinjiangRiver[J].RemoteSensingforLandandResources,2016,28(3)：174-180.)