利用高光譜混合像元分解估測喀斯特地區植被覆蓋度

林 卉，楊蘇新，侯 飛，張連蓬，胡召玲

(1. 江蘇師范大學 測繪學院，江蘇 徐州 221116； 2. 中國礦業大學 環境與測繪學院，江蘇 徐州 221009； 3. 江蘇師范大學 城市與環境學院，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脆弱地帶之一，其生態環境問題也一直是當今國際地學研究的熱點[1]。植被覆蓋度被公認為是評價喀斯特石漠化的最有效的指標之一[2]。植被是喀斯特地區地面主要表現特征之一,對其的準確遙感估算一直是遙感應用領域的難題[3]。遙感技術在地物信息識別中具有宏觀、快捷、經濟、信息綜合等優勢，多光譜遙感近年來被廣泛地應用于喀斯特地區信息定量提取及定性評價方面。目前多采用混合像元分解和植被指數進行植被覆蓋度計算，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于植被指數方法[4-5]。針對喀斯特地區地物交錯分布、具有高度景觀異質性、像元混合現象嚴重等問題，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勢，每個像素都可以提取出一條精細光譜，能夠反映地物本身的特征信息[8]。圖像空間維數據和光譜維數據結合在一起，在一定程度上能降低多光譜分析的光譜不確定性。在嚴重的光譜混合問題上，高光譜遙感影像因其具有的上百個連續窄波段，為通過混合像元分解技術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為研究區域，針對喀斯特地區地物混合現象突出的問題，以2008年8月Hyperion高光譜影像為數據源，利用匹配濾波(MF)和混合調諧匹配濾波(MTMF)技術進行植被豐度反演，研究并分析了喀斯特地區植被的豐度與其實測覆蓋度的關系，并對計算方法的可行性進行了比較和評估。

二、研究區域與試驗數據

1. 研究區域介紹

本文研究區為廣西大化瑤族自治縣七百弄鄉，是典型的喀斯特地區，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。區內自然植被以喜鈣、耐旱、耐貧瘠的灌木和草叢群落為主。

圖1 試驗區地理位置示意圖

2. 植被覆蓋度的野外測量

試驗區的植被覆蓋度野外測量工作與Hyperion影像的獲取基本同步進行，驗證點的選取采用分層隨機采樣的方法，圖像區域范圍主要位于廣西大化瑤族自治縣七百弄鄉附近，屬于發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地物豐度圖分層隨機產生25個調查驗證點，但由于喀斯特地區多為崎嶇的山區，大部分驗證點的可達性差，只調查了其中5個分層隨機生成的驗證點，并沿調查路線按不同的植被覆蓋度及類型選擇16個驗證點，共21個地面調查驗證點。樣地大小為60 m×60 m，在調查樣地的同時利用手持GPS記錄樣地中心的地理位置。每個樣地采用照相法和樣線法相結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角線為樣線，測量樣地內植被接觸樣線的長度，最終通過計算其占樣線總長度的百分比而得到樣方的植被覆蓋度。

3. Hyperion數據及預處理

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)光譜數據,共有242個波段,光譜分辨率10 nm,地面空間分辨率30 m。

Hyperion數據的預處理主要包括:未定標和受水汽影響波段的去除、壞線修復、條紋去除、smile效應糾正、大氣校正。首先,從242個波段中去掉44個未定標波段(輻射定標的波段為VNIR 8—57，SWIR 77—224)、2個重復波段(VNIR 的波段56—57和SWIR的波段77—78重疊)、20個受水汽影響嚴重的波段。然后,對Hyperion圖像進行逐波段檢查，修復壞線及壞條帶。smile效應的糾正利用Googenough等提出的MNF空間列均值調節方法。最后，對Hyperion圖像進行FLAASH大氣校正[9]，得到反射率圖像，如圖2所示，其中RGB分別采用波長為864.35 nm、650.67 nm和548.91 nm的波段進行假彩色合成。

三、方法構建

本文以Hyperion數據作為數據源，通過最小噪聲分離變換(MNF)確定影像數據內在的維數，隔離數據中的噪聲；然后計算像元純凈指數(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測地物的光譜進行波譜分析識別端元；最后利用MF和MTMF進行喀斯特地區植被覆蓋度提取。如圖3所示。

圖2 研究區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，產生大量的n維隨機單位向量(s)，n等于像元的維數；對其中一個s，遙感數據空間中的每一個像元都在其上投影，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。對每一個s，都進行以上的投影步驟，最終計算結束時，每個像元都有一定的被記錄的次數，而記錄次數最多的像元就是具有最純光譜特性的像元，同時記錄次數也反映了該像元的像元純度指數。

計算公式如下

式中，D為波段數；skewer為單位向量。

2. MF/MTMF

MF最初是用于信號處理領域的目標信號檢測，被認為是“最優”的線性檢測方法。由于它不需要已知所有的端元波譜，在高光譜圖像處理領域得到了廣泛的應用。它通過最大化已知端元波譜的響應信號，壓制未知復合背景的響應信號，基于對特定波譜庫或影像端元波譜的匹配，提供了快速探測物質的手段[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，會產生較多的虛假信號點，如果要鑒別的物質并不是出現在同一個像元中，那么它們就將被隨機地進行匹配。因此在匹配濾波的基礎上發展了MTMF來進行端元豐度估計。

MTMF是混合調制技術和匹配濾波技術方法的綜合，是一流信號處理方法論同線性混合理論相結合的產物。它綜合了匹配濾波不需要其他背景端元光譜的優點和混合調制技術中像元中各端元的含量為正且總和為1的約束條件。混合調制技術使用了線性波譜混合理論，來限制可行性混合的結果，并減小虛假信號出現的概率[11]。MTMF的結果為兩幅影像：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，它提供了對參考波譜曲線的相對匹配度進行估計的方法(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值表明復合背景同目標地物之間的混合是不可靠的。當匹配濾波分數值較高(接近1)和不可行性分數值較低(接近0)時，就能獲取最佳的目標匹配。

3. 精度驗證

本研究結果利用兩個指標進行植被覆蓋信息提取效果優劣的評價,主要是基于野外實地考查驗證。

針對混合像元分解的喀斯特地區植被豐度結果，本研究基于野外實測的21個樣地的植被覆蓋數據進行混合像元分解結果精度的驗證：直接比較兩者差別，以驗證高光譜混合像元分解的結果是否與實測植被覆蓋度一致；對兩者進行線性回歸，確定兩者之間是否存在顯著相關[12-13]。其次利用交叉驗證的均方根誤差RMSE作為判斷算法表現的指標。

四、結果與分析

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。野外實地考察地面調查驗證點植被覆蓋度與各種方法反演的植被豐度信息見表1。由于野外地面驗證點與遙感圖像上對應點的配準誤差會對反演結果產生影響，因此本文選用中心點處4個像元的平均值作為驗證點的植被豐度值。

圖5 混合像元分解反演的植被豐度

表1 地面調查驗證點信息

基于MTMF混合像元分解得到研究區植被豐度與實測植被覆蓋度的散點圖，如圖6所示。

圖6 地面調查驗證點的植被覆蓋度與MF、MTMF反演得到的植被豐度的線性回歸

本研究運用線性回歸模型和交叉驗證的均方根誤差來評價通過MTMF反演的植被豐度與實測植被覆蓋度之間的關系，其回歸方程、確定系數及RMSE見表2。

表2 混合像元分解反演的植被豐度與實測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測值最大的偏離分別為0.20、0.15，并且與實測植被覆蓋度的相關性較好，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，無法滿足準確提取喀斯特地區植被覆蓋度的要求；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的結果，相比較而言，MTMF方法明顯要優于MF方法。說明MTMF方法能等同實測植被覆蓋度，直接利用MTMF混合像元分解法即可實現高精度的喀斯特地區植被覆蓋度的提取。試驗表明，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植被豐度的有效性。

五、總結與討論

本文以植被、裸巖和裸土為喀斯特地區典型地物，以Hyperion高光譜影像為數據源，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測植被覆蓋度的相關性。

本文的主要研究結論可以概括為以下幾個方面：

1) MF的結果值整體要高于MTMF的結果值，原因如下：MF會產生一些虛假信息，將背景分為了植被，導致植被的豐度偏高。

2) 對比了MF、MTMF進行植被覆蓋度提取的效果，后者要明顯優于前者。

3) MTMF植被豐度與實測植被覆蓋度兩者之間的偏差最大不超過15%，確定系數R2為0.78，即MTMF植被豐度能夠準確地代表喀斯特地區真實的植被覆蓋情況，故直接利用MTMF植被豐度即可實現喀斯特地區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植被覆蓋度具有一定的可行性，同時也存在以下不足：①實測植被覆蓋度樣地的數量較少，代表性不是很強；②混合像元分解算法未考慮端元光譜可變性[13-14]，在一定程度上也會影響豐度反演的精度。未來的研究將針對這兩方面有針對性地深入探討。

參考文獻：

[1] 劉波,岳躍民,李儒,等.喀斯特典型地物混合光譜與復合覆蓋度關系研究[J].光譜學與光譜分析，2010,30(9):2470-2473.

[2] 李麗,童立強,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稀疏植被覆蓋度估測[J].應用生態學報，2010,21(1):152-158.

[4] 李曉松,李增元,高志海,等.基于Hyperion植被指數的干旱地區稀疏植被覆蓋度估測[J].北京林業大學學報，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].測繪通報,2007(3)：45-47.

[6] 岳躍民,張兵,王克林,等.石漠化遙感評價因子提取研究[J].遙感學報，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.Hyperion高光譜數據進行混合像元分解研究[D].哈爾濱:東北林業大學,2006.

[9] 譚炳香,李增元,陳爾學,等.EO-1 Hyperion高光譜數據的預處理[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別及信息提取研究[J].遙感信息，2011(5):114-117.

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

[12] 崔耀平,王讓會,劉彤,等.基于光譜混合分析的干旱荒漠區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網絡混合像元分解方法[J].遙感學報，2007,11(1):20-25.