唐文睿，馬 琳，朱思祁，林思凡，賈龍澤

（1.暨南大學 光電工程系，廣東 廣州 510632；2.暨南大學 廣東省光纖傳感與通信技術重點實驗室，廣東廣州 510632；3.廣州軌道探索宇航技術有限公司，廣東 廣州 510700）

引言

聯(lián)合國糧農(nóng)組織發(fā)布的《2015年全球森林資源評估報告》[1]中指出全球平均碳儲量值為每公頃74 噸，在過去的25年中全球森林生物質(zhì)的碳儲量減少了近111 億噸，主要是林地轉(zhuǎn)化為居住用地和農(nóng)業(yè)用地以及林地退化所導致。而我國陸生野生動植物物種的80%以上生存于森林[2]，保護和監(jiān)測森林資源顯得尤為重要。與此同時，根據(jù)國家水利部、生態(tài)環(huán)境部、農(nóng)業(yè)農(nóng)村部聯(lián)合印發(fā)的《重點流域水生生物多樣性保護方案》[3]，由于棲息地喪失和破碎化、資源過度利用、水環(huán)境污染、外來物種入侵等原因，導致了部分流域水生態(tài)環(huán)境不斷惡化、珍稀水生野生動植物瀕危程度加劇的情況，迫切需要更完善的措施以維護水生生物的多樣性。由于人類行為、自然環(huán)境變化都會引起森林或者水體的面積變化，并繼而引發(fā)一系列的生態(tài)變化，因此，采用高精度的科學手段對森林水體面積進行持續(xù)觀測或測繪對生態(tài)保護工作意義重大。

航拍和衛(wèi)星遙感是目前常用的持續(xù)監(jiān)測水體和森林面積變化的方法，但是傳統(tǒng)的遙感成像僅能采集地上目標物的形貌信息以及極少的光譜信息，無法對復雜的地貌進行精準鑒別和自動測繪。高光譜衛(wèi)星的出現(xiàn)，在很大程度上提高了目標物精準識別和定量分析的能力。高光譜成像技術是通過拍攝目標物一系列窄波段的影像構(gòu)成光譜立方體，進而獲得目標物的二維空間信息和光譜信息[4]。目前，全球商用的高光譜衛(wèi)星數(shù)量不多，但已經(jīng)廣泛應用于各種地貌的鑒別和面積測繪上。如張東東等人進行了中國南方地區(qū)甘蔗面積提取研究[5]，何坦等人進行了鄱陽湖水體面積快速監(jiān)測[6]，Wegayehu Asfaw 等人研究了埃塞俄比亞裂谷盆地湖泊的儲存變化[7]，Asner 等人完成了近實時毀林的監(jiān)控[8]，Chasmer L.等人進行了濕地生態(tài)系統(tǒng)狀態(tài)評估[9]，Yagmur 等人對科尼亞封閉盆地進行了流域管理[10]，Gbagir 等人對納米比亞的植被進行監(jiān)測[11]。本文通過高光譜衛(wèi)星所采集的圖片，研究對森林和水體進行鑒別和面積測繪的方法。

由于大氣變化、日照情況變化均會造成衛(wèi)星所采集的高光譜圖像的變化，其反演所得地物的表面反射率會存在誤差，在鑒別和測繪時，該誤差將對結(jié)果產(chǎn)生嚴重影響。為了進一步提高鑒別精度，通常需要進行大氣校準，如彭繼達等人在平潭綜合實驗區(qū)設置區(qū)域前后植被變化特征分析中采用FLASSH 大氣校正法以及MODTRAN4+輻射傳輸模型去除大氣中水汽、氣溶膠散射效應[12]，張春桂等人在廈門市植被覆蓋遙感監(jiān)測時則采用輻射傳輸6S 模型法進行大氣校正[13]，Gregory W.等人對美國德爾馬瓦半島森林濕地淹沒面積進行了測繪，利用快速視距大氣分析進行大氣校正[14]。雖然對光譜的大氣校正方法非常多，但這些方法通常需要利用到地表光譜測量、校準光校正等輔助手段，或者采用以前采集的標準數(shù)據(jù)對光譜進行修正。這些技術雖然可以有效地校準大氣對光譜的影響，但是技術較復雜且需要以往的數(shù)據(jù)支撐，在缺乏以往數(shù)據(jù)時往往無法對目標物進行鑒別?？紤]到在森林和水體的鑒別中主要是實現(xiàn)兩者之間以及與其他目標物之間的區(qū)分，而不是研究其光的吸收特性，本研究著重利用比值，依據(jù)水體這個容易在圖中被辨認出來的目標物的光譜作為參考光譜，且對其他物體的光譜進行預處理，使得目標物之間的光譜差異不受大氣和日照變化等因素的影響。

本研究采用“珠海1 號”高光譜衛(wèi)星（OHS-C）數(shù)據(jù)，結(jié)合光譜預處理和BP（back propagation）神經(jīng)網(wǎng)絡自適應算法，對廣州市南沙地區(qū)的水體和森林進行了鑒別和面積測繪，結(jié)果顯示，鑒別的靈敏度和特異性高于97%以上。更進一步的，我們根據(jù)鑒別結(jié)果對圖內(nèi)的水體和林木面積進行了測繪，并選取了西麗水庫對測繪結(jié)果進行評價。西麗水庫官方水域面積數(shù)據(jù)約為4.6 km2，測繪的面積與地面丈量面積的約相差0.1446 km2，誤差為3.14%，其誤差主要受衛(wèi)星分辨率較低以及鑒別準確率未能達到100%的影響。

1 數(shù)據(jù)采集和數(shù)據(jù)分析

1.1 “珠海一號”衛(wèi)星簡介

“珠海一號”是目前國內(nèi)完成發(fā)射并成功組網(wǎng)的商業(yè)遙感衛(wèi)星星座。整個星座由34 顆衛(wèi)星組成，包括視頻衛(wèi)星、高光譜衛(wèi)星、雷達衛(wèi)星、高分光學衛(wèi)星和紅外衛(wèi)星。本次研究數(shù)據(jù)來源于是2018年4月26日發(fā)射升空的星號為OHS-C 的高光譜衛(wèi)星。我們選取了地物較為豐富的廣州市南沙區(qū)濱海地域作為研究對象。該地區(qū)包含了南沙區(qū)城區(qū)及深圳部分城區(qū)、森林公園、水庫、水田、湖泊、南海部分海域、島嶼等不同地物。本研究采用的光譜圖像均已進行相對輻射定標及幾何校正。OHS-C 高光譜衛(wèi)星的詳細參數(shù)如表1 和表2所示。

表1 “OHS-C”高光譜衛(wèi)星拍攝數(shù)據(jù)簡介Table 1 Brief introduction of “OHS-C ” hyper-spectral satellite shooting data

表2 “OHS-C”高光譜衛(wèi)星中心波長表Table 2 Central wavelengths of “OHS-C” hyper-spectral satellite

1.2 地物的光譜特點

高光譜衛(wèi)星采集的是地物對太陽光的反射光譜圖像，根據(jù)本次采用的衛(wèi)星圖像的地貌情況，我們將地物簡單地分為林木、水體和建筑物3 類。

1）對于林木而言，植物葉綠素a 和葉綠素b在550 nm 綠光處有一個反射峰；在660 nm 紅光波段附近出現(xiàn)反射率較低的吸收谷；在700 nm～780 nm 波段出現(xiàn)植被反射率紅邊，其形成原因是該波段為介于葉綠素對紅光波段強吸收和對近紅外波段高反射的過渡階段；而在780 nm～1 350 nm波段由于植被反射率高且穩(wěn)定，形成了反射率平臺。衛(wèi)星的第13 通道、第16 至21 通道的波段以及第31 至32 通道的波段能夠反映葉綠素上述光譜特征。

2）水體的光譜特征曲線不但由水本身的性質(zhì)決定，也會受到不同水狀態(tài)的影響，例如浮游生物帶來的葉綠素、懸浮泥沙、營養(yǎng)鹽含量、其他污染物、水域底部形態(tài)和水深等。對于清水，在可見光波段600 nm 之前，水對光的吸收少、反射率較低；而在750 nm 以上的近紅外、中紅外部分水體則幾乎全部吸收其入射能量。含有葉綠素的水體中，水體的光吸收特性會受葉綠素對光的吸收特性影響而產(chǎn)生變化。在有懸浮泥沙的水體中，隨著水的渾濁度增加，水體在可見光譜段的反射亮度增加，同時反射峰值波長出現(xiàn)紅移，反射峰值波長向長波方向移動，使反射峰本身的形態(tài)變得更寬。水深對光譜特征的影響主要由水對能量的吸收導致，藍綠波段穿深能力強，紅光區(qū)穿深能力弱，隨著水深的增加，光譜曲線向左下方偏移。衛(wèi)星的光譜通道可捕捉上述特征。

3）建筑物的光譜特征與道路接近，光譜曲線比較平緩，與其他目標地物相比，其整體反射率較高，對各個波長散射類似，且影像灰度的標準差不明顯。不同的建筑屋頂類型其反射率也不同，石棉瓦屋頂（灰白色）反射率最高，瀝青粘沙屋頂比灰色水泥屋頂反射率高。城市中的道路主要由水泥和瀝青兩大類作為鋪面材料，在部分區(qū)域內(nèi)會有少量土路。這3 種路的反射波譜曲線大體相似，在400 nm～600 nm 緩慢上升，后趨于平緩，并在900 nm～1 100 nm 逐漸下降。水泥路呈灰白色，反射率最高，其次為土路，瀝青路反射率較低。由于建筑的波譜曲線較平滑，所以在不同光譜段的遙感影像上亮度區(qū)別較小[15]。衛(wèi)星的所有光譜通道都對描述水體的光譜特性有支撐。

綜上所示，包含32 個光譜通道的OHS-C 高光譜衛(wèi)星所采集的高光譜圖像能夠滿足森林和水體鑒別以及測繪的要求。由32 個通道的單波長圖像可以構(gòu)成包含二維空間信息以及一維光譜信息的高光譜立方體，進而實現(xiàn)對圖片中任一像素點的光譜的提取，如圖1所示，X和Y軸表示二維空間信息，Z軸表示圖片的波長信息，構(gòu)成一個既包含空間信息又包含光譜信息的光譜立方體。

圖1 “OHS-C”采 集 的 高 光 譜 立 方 體（ 地 理 位 置為E113°36′48′′N22°45′11′′）Fig.1 Hyper-spectral cube collected by “OHS-C”(geographi cal l ocati on i s E113°36′48′′,N22°45′11′′)

1.3 光譜數(shù)據(jù)提取及分析

如上文分析，本研究將地物分為3 類：第1 類是水體，主要包括海水、河流、水庫、湖泊、沿海水田等；第2 類為林木，主要包括森林公園、城市綠植和綠色農(nóng)作物等；第3 類為建筑物，主要包括房屋、道路及橋梁等。為了對3 類目標物的光譜特征進行準確分析并為自適應鑒別模型提供足夠豐富的訓練樣本，本研究利用圖中較易辨認的水體、林木和城市對應的像素點進行特征光譜的提取。同時，在選擇坐標點時，充分考慮其多樣性。如水體坐標選取時，會分別選擇湖泊、水庫、河流、海洋等位置的像素點。圖2 展示了水體、林木和建筑物部分光譜取樣點的位置，其中，圖片中心波長為896 nm，水體取樣點為藍色方點，林木取樣點為綠色圓點，建筑物取樣點為橙色三角點。

圖2 水體、林木和建筑物部分標準光譜取樣點位置展示Fig.2 Location display of sampling points for standard spectra of water,forest and buildings

圖3 展示了分別采集水體、林木和建筑物的200 組光譜計算得到的3 種地物的平均反射光譜線曲線。可以看到林木的特征光譜曲線在600 nm附近出現(xiàn)波谷，并出現(xiàn)了反射紅邊和長波的反射平臺，與葉綠素的反射光譜能夠很好地對應；水體的特征光譜曲線在730 nm 附近出現(xiàn)一段下降趨勢，符合水體光吸收特點；建筑物各個波段發(fā)射率較高，光譜區(qū)域平坦，也符合建筑物的反射光譜情況。3 種地物的光譜存在明顯差異，因此可實現(xiàn)分類鑒別。

圖3 水體、林木和建筑物的平均光譜及波動的標準差Fig.3 Average spectrum and standard deviation of fluctuations of water,forest and buildings

2 模型訓練和鑒別

2.1 模型訓練

本研究采用BP 神經(jīng)網(wǎng)絡自適應算法對水體、林木和建筑物等3 類地物的光譜進行訓練學習，形成判別模型，用于實現(xiàn)圖中各種地物的鑒別和標定。BP 神經(jīng)網(wǎng)絡類似于一個只有輸入輸出且看不到中間的運行計算環(huán)節(jié)的黑箱。雖然中間過程無法看到，但其隱含層根據(jù)數(shù)據(jù)有著一定學習規(guī)則可以存儲利用，所以可以訓練這種網(wǎng)絡使之具備有一定的預測能力。BP 神經(jīng)網(wǎng)絡由多層構(gòu)成，層與層之間全連接，同一層之間的神經(jīng)元無連接。它的工作信號沿著網(wǎng)絡結(jié)構(gòu)進行正向傳播，而誤差信號則沿著網(wǎng)絡結(jié)構(gòu)反向傳播。其網(wǎng)絡結(jié)構(gòu)如圖4所示。

圖4 BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig.4 Structure diagram of BP neural network

本研究共采集了1 430 組光譜數(shù)據(jù)，其中訓練組600 組數(shù)據(jù)（水體、林木和房屋各200 組），測試組830 組數(shù)據(jù)（水體400 組，林木430 組）。大氣變化和日照變化均會影響反射光譜，為了使鑒別方法適合于任何情況，并考慮到本研究旨在通過光譜對3 類地物進行鑒別，在光譜處理方法上，在不改變目標的基礎上對其進行了演化。由于大氣、時刻、季節(jié)等變化最終影響的是陽光在入射和發(fā)射過程中的光強，假設太陽光到達地面時其波長為λ 的部分的強度為Ii(λ)，大氣對此波長光波的吸收、散射等總損耗系數(shù)為α(λ)，而目標物體1 其中同一位置對波長為λ的光波的反射率為R1，則被衛(wèi)星采集的該波長的光強I1(λ)為

同理，可以求得：

若以3 類地物的光強分別除以第1 類地物某點處的光強I1(λ)，則可以得到：

由（4）～（6）式可知，處理后所獲得的比值僅與它們的反射率有關，與太陽光情況無關，可克服大氣、光照等變化帶來的影響。在本研究中，由于水體具有易于識別、各處光譜較為均勻和穩(wěn)定的特點，利用水體一固定點處的光譜作為基準（I1）逐一與采集到的目標物的光譜進行相除。

所有采集的光譜數(shù)據(jù)均按上述方法進行處理，其中訓練組數(shù)據(jù)送入BP 神經(jīng)網(wǎng)絡。本研究所采用的神經(jīng)網(wǎng)絡的隱含層神經(jīng)元個數(shù)為19，其學習率為0.01，迭代次數(shù)為1 500，均方根誤差為1%。神經(jīng)網(wǎng)絡是一種自適應算法，它的判別準確率和訓練樣本量有著密切的聯(lián)系。為了驗證訓練組的光譜數(shù)據(jù)是否足夠，我們采用包含不同樣本量的訓練組對模型進行訓練，并用同一個測試組進行測試。由圖5 可知，當訓練組的樣本量大于50 的時候，準確率趨于穩(wěn)定，因此可以確定由600 組光譜數(shù)據(jù)組成的訓練組其訓練樣本已經(jīng)足夠。

圖5 樣本數(shù)與準確率關系圖Fig.5 Relationship diagram between sample number and accuracy rate

2.2 鑒別

采用經(jīng)過訓練后的BP 神經(jīng)網(wǎng)絡模型，對測試組的400 組水體光譜數(shù)據(jù)和430 組林木光譜數(shù)據(jù)進行鑒別，結(jié)果如表4所示。

表4 靈敏度與特異性統(tǒng)計結(jié)果Table 4 Statistical results of sensitivity and specificity

檢測結(jié)果表明，水體和林木的靈敏度和特異性均在97%以上（具體指出水體和林木的靈敏度和特異性）。

3 林木/水體面積測繪

通過上述BP 神經(jīng)網(wǎng)絡模型對圖片中每一個像素點進行地物類型的鑒別，并利用不同的偽彩色進行標記，其中水體標記為藍色，林木標記為綠色，建筑物保持原灰度標記，如圖6所示。

圖6 地物類型的偽彩色標記圖Fig.6 Pseudo-color marking map of feature types

從偽彩圖中可清晰地看到水體和林木的分布情況。根據(jù)全圖鑒別結(jié)果，分別統(tǒng)計了圖中被鑒別為水體和林木的像素點個數(shù)，再根據(jù)像素點與實際面積的比例關系，對水體和林木面積進行了統(tǒng)計，具體如表5所示。

表5 水體及林木面積監(jiān)測Table 5 Area monitoring of water and forest

為了驗證測繪計算的準確性，我們在鑒別結(jié)果的基礎上，通過區(qū)域聯(lián)通算法單獨提取了西麗水庫和淇澳島對應的像素點（圖7 和圖8），并統(tǒng)計了像素點的個數(shù)和其對應真實面積(見表6)。

圖7 西麗水庫像素點提取Fig.7 Pixel extraction of Xili Reservoir

圖8 淇澳島像素點提取Fig.8 Pixel extraction of Qi'ao Island

表6 測繪面積驗證Table 6 Verification of surveying and mapping area

由表6 可知，通過本文所述方法可計算出西麗水庫的水域面積為4.455 4 km2，官方公布的該水庫水域面積數(shù)據(jù)為4.6 km2，誤差為0.144 6 km2，誤差率為3.14%。淇澳島的綠化面積為22.171 3，該島總占地面積為23.8 km2，綠化區(qū)域占地面積為90%以上，按照90%綠化計算得誤差小于0.7513 km2。考慮到商用高光譜衛(wèi)星空間分辨率的限制（空間分辨率為10 m），此測繪結(jié)果已經(jīng)非常精準。

4 結(jié)論

本文基于“珠海1 號”高光譜衛(wèi)星（OHS-C）所提供的高光譜衛(wèi)星圖片，利用目標物光譜的相互關系在鑒別前對光譜進行了預處理，結(jié)合BP 神經(jīng)網(wǎng)絡自適應算法，實現(xiàn)了對森林和水體的鑒別、增強標記和面積測量。研究結(jié)果表明，盡管受商用高光譜衛(wèi)星空間分辨率的限制，本文所述的測繪方法依然能實現(xiàn)較為精確的面積測繪，衛(wèi)星圖中的森林和水體均能被準確鑒別和標記，判別靈敏度和特異性均高于97%。本文方法具有簡單快捷、鑒別準確率高且測繪面積精準的特點，能夠有效對不同地物環(huán)境等進行鑒別研究，具有良好的發(fā)展?jié)摿蛻们熬啊?/p>