基于Hyperion數據的南疆環(huán)塔里木盆地經濟林樹種識別敏感波段選擇

馮振峰，王振錫*，岳　俊，王玲段

(1.新疆農業(yè)大學 林學與園藝學院，烏魯木齊 830052；2.新疆教育廳干旱區(qū)林業(yè)生態(tài)與產業(yè)技術重點實驗室，烏魯木齊 830052)

?

基于Hyperion數據的南疆環(huán)塔里木盆地經濟林樹種識別敏感波段選擇

馮振峰1，2，王振錫1，2*，岳俊1，2，王玲段1，2

(1.新疆農業(yè)大學 林學與園藝學院，烏魯木齊 830052；2.新疆教育廳干旱區(qū)林業(yè)生態(tài)與產業(yè)技術重點實驗室，烏魯木齊 830052)

摘要：基于Hyperion高光譜遙感影像，以阿克蘇紅旗坡農場周圍的3種經濟林樹種為研究對象，采用最佳指數法、自適應波段指數法和基于TM影像對應波段劃分的波段指數法篩選出4種敏感波段組合，并運用最大似然分類方法對其進行樹種識別敏感性檢驗。研究結果表明：篩選出的4種波段組合對3種經濟林樹種都有較好的可分性，總體分類精度均達到了75%以上，尤其是基于TM影像對應波段劃分的波段指數法篩選的55-33-25和55-158-33組合，分類精度高達86.85%和87.47%，Kappa系數均在0.75以上，可作為南疆環(huán)塔里木盆地3種主栽經濟林樹種大面積遙感識別的依據。

關鍵詞：經濟林樹種；高光譜遙感；數據降維；波段組合

0引言

近年來，新疆經濟林種植面積每年以百萬畝速度遞增，特色經濟林產業(yè)已經成為新疆農村經濟發(fā)展和農民增收的主導產業(yè)[1]。因此開展經濟林資源調査，了解和掌握經濟林資源現狀和變化信息對于提高林業(yè)發(fā)展決策水平，科學合理地經營管理經濟林資源等都具有極其重要的意義[2]，而正確識別森林樹種是前提和依據。傳統(tǒng)的森林資源調查和監(jiān)測方法以地面測量為主，存在工作量大、勞動強度大、成本高、周期長、效率低、時效性差和不可及區(qū)域難以到達等問題，難以滿足當今林業(yè)發(fā)展的需要[3]。而遙感技術具有快速、準確、經濟、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手段，在植被研究中也發(fā)揮了巨大的作用。在樹種識別方面，高光譜遙感因具有較窄的波段和較高的光譜分辨率，能夠準確地探測到具有細微光譜差異的各種地物類型，捕捉到不同樹種之間的細小光譜差異，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”現象，極大地提高了森林樹種的識別度和分類精度，推進了樹種的識別研究[4-5]。李俊明[6]基于HJ-1A遙感影像，結合坡向和DEM信息，對吉林省汪清林業(yè)經營區(qū)內的蒙古櫟(Quercusmonglica)、白樺(Betulaplatyphylla)和落葉松(Larixkaempferi)進行了樹種識別，取得了較高精度。RajeeGeorge等[7]利用Hyperion高光譜數據對喜馬拉雅山西部的白橡(Quercusleucotrichophora)、高山櫟(Quercussemicarpifolia)、長葉松(Pinusroxburghii)、喬松(Pinuswallichiana)、冷杉(Abiespindrow)和雪松(Cedrusdeodara)6個樹種進行了識別研究，總體精度達到了82.27%，結果表明高光譜遙感數據具有很強的森林樹種識別能力。目前，國內外學者利用遙感技術對森林樹種的識別進行了大量研究，但關于經濟林樹種遙感識別的研究尚不多見。本文以阿克蘇紅旗坡農場3種主栽經濟林樹種(蘋果Maluspumila、紅棗Ziziphusjujuba和香梨Pyrusbretshneideri)為研究對象，通過分析Hyperion影像中不同經濟林樹種的高光譜特征，選擇波譜特征差異大、波段間相關性小且信息量大的波段進行組合，篩選出經濟林樹種識別的最佳波段組合，以期為南疆環(huán)塔里木盆地主栽經濟林樹種大面積遙感識別和經濟林資源管理提供支撐。

1研究區(qū)概況和數據預處理

1.1研究區(qū)概況

研究區(qū)位于新疆阿克蘇地區(qū)紅旗坡農場阿克蘇機場附近，地理坐標為41°14′39″～41°19′29″N、80°16′26″～80°21′03″E，海拔1 215m。紅旗坡農場屬于國家重點特色林果生產基地，享譽全國的“冰糖心”紅富士蘋果(Malusdomesticacv.Red Fuji)產于此地，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，地勢較平緩，屬于暖溫帶大陸性干旱氣候，光熱資源豐富，無霜期205～219 d左右，土壤為砂質土壤，通透性良好，肥力中等。研究區(qū)范圍內經濟林樹種以蘋果、紅棗和香梨為主，農作物及間作物較少。

1.2數據來源

本文所選用的數據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數據(10 m分辨率)及研究區(qū)林果資源背景數據庫。Hyperion影像是世界范圍內第一個民用的全波譜范圍連續(xù)成像的星載高光譜影像數據源，在356～ 2 577 nm范圍內共有242個波段，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影像的成像時間分別為2012年11月7日和2014年8月23日。為了確保識別研究中訓練樣地和檢驗樣地的選擇具有準確性、客觀性和科學性，2014年5月對阿克蘇機場周邊約10 km×10 km范圍內的經濟林樹種的分布格局和栽植模式做了系統(tǒng)的地面調查，構建了研究區(qū)林果資源背景數據庫。

1.3遙感影像預處理

使用ENVI5.0對遙感影像進行預處理。針對Hyperion影像，首先去除未定標、受水汽影響較大及圖像質量較差的波段[8-10]，剩余108個波段；然后對影像進行輻射校正，將像元值轉換為絕對輻射值[11]；由于CCD 器件本身的非均勻性、暗電流的影響、響應函數校正的不完全、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，嚴重影響了高光譜圖像的質量，因此采用相鄰均值法和全局去條紋法分別對圖像中的壞線和條紋進行修復[12-15]，壞線修復及條紋去除效果分別如圖1和圖2所示。

針對GF1-WFV3遙感影像，首先結合GDEM數據及自帶的RPC文件進行正射校正；然后根據輻射定標系數進行定標處理。以經過配準的8m分辨率GF1多光譜數據為基準，對Hyperion影像和GF1-WFV3影像進行幾何校正，分別選取25個和61個控制點，采用三次卷積校正模型，總誤差均控制在0.07個像元以內；為了獲得地表真實反射率，采用Flaash模塊對兩景影像進行大氣校正，最后對圖像鑲嵌處理，得到研究區(qū)的反射率影像。由于年齡較小的人工經濟林郁閉度較小，受背景因素的干擾較大，難以識別，因此本研究對GF1-WFV3遙感影像采用歸一化植被閾值法提取樹齡大于6 a的經濟林園區(qū)(NDVI≥0.41)，作為Hyperion影像開展樹種識別的區(qū)域，以實地調查的各經濟林樹種的分布格局作為遙感信息提取的參考依據。

圖1　Hyperion圖像壞線修復前后對比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、波段間相關性高、光譜分辨率高等特點，不可避免地存在大量冗余信息和部分噪聲波段，利用全波段數據進行樹種分類時，易受到 Hughes 現象影響[16]。為此，必須對高維、具有海量信息的Hyperion影像數據進行降維，才能有效提高數據處理速度和后續(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，本文采用最佳指數法(Optimum Index Factor，OIF)、自適應波段指數法(Adaptive Band Index，ABI)和基于TM影像對應波段劃分的波段指數法對Hyperion影像進行降維處理。

2.1.1最佳指數法

最佳指數法(OIF)是由美國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性及單波段圖像的信息富集程度[18]。其計算公式如下：

(1)

式中：Si為第i個波段的標準差；Rij為兩波段之間的相關系數。

2.1.2自適應波段指數法

自適應波段指數法(ABI)是根據高光譜數據中波段間的近鄰相關性，把相關性強的波段劃分到相同的獨立子空間內，運用波段指數法在子空間內完成最優(yōu)波段的選擇。該方法充分考慮了各波段的空間相關性、譜間相關性以及信息含量[19]。其數學表達式如下：

Pi=Si/Ri。

(2)

Ri=Rw+Ra。

(3)

(4)

式中：Ra第i波段與組外波段相關系數絕對值之和的平均值；Rw為第i波段與所在組內其他波段相關系數的絕對值之和的平均值。

2.1.3基于TM影像對應波段劃分的波段指數法

基于TM影像對應波段劃分的波段指數法是以寬波段TM影像band2、band3、band4和band5的波段區(qū)間作為Hyperion數據波段降維分組標準的波段指數法。根據林業(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)波長范圍內所對應的Hyperion影像波段，并運用波段指數法開展經濟林樹種識別的敏感波段篩選。

2.2分類及評價方法

在ENVI環(huán)境下，運用最大似然法對篩選出的不同波段組合的遙感圖像進行經濟林樹種分類，并利用混淆矩陣對分類結果進行精度評價。

3結果分析

3.1最佳指數法波段選擇分析

為了更好地從Hyperion數據中提取出有效的光譜特征，應用ENVI軟件統(tǒng)計出各單波段圖像的標準差和波段間的相關系數矩陣，然后運用MATLAB軟件分別計算出所有可能三個波段組合對應的最佳波段指數，將OIF的值按照從大到小順序排列，OIF值越大則表明相應波段組合圖像的相關性越小，信息量越大[23]。在108個波段中選出3個波段進行組合，并計算其最佳指數，共有204 156個不同組合，表1列出了最佳指數值排在前10位的波段組合，由表可見，各波段組合中心波長(λ)均比較接近，其OIF值也差異不大。為了避免相關性高的相鄰波段進行組合，綜合考慮各波段在組內出現的頻率及其組合的OIF值，確定利用最佳指數法選出的最佳波段組合為96-193-213。

3.2自適應波段指數法波段選擇分析

首先統(tǒng)計出研究區(qū)Hyperion影像波段間的相關系數矩陣圖，如圖3所示，相關系數矩陣存在明顯的分塊效應，且顏色越亮的部分相關系數越大[24]。剩下的108個波段被自動分成了3個具有不同維數的子空間，各組內波段間具有相近的光譜特性，然后分別計算各組的波段指數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。敏感波段篩選通常選擇標準差較大，而相關系數較小的波段進行組合，這樣既包含豐富的信息，

同時波段間又相互獨立[25]。由公式(2)可知，最佳指數和標準差成正比，因此在各組內選擇Pi值最大的波段進行組合，即可得到最優(yōu)結果。由表2，第一組內波段為33時Pi值最大，第二組內波段為106時Pi值最大，第三組內波段為193時Pi值最大，所以利用波段指數法選出的最佳組合為33-106-193。

圖3　相關系數矩陣圖Fig.3 The figure of correlation matrix

3.3基于TM影像對應波段劃分的波段指數法波段選擇分析

根據TM影像453和432組合的波長范圍分別提取Hyperion影像對應的子空間，并計算各子空間內備選波段的波段指數，排在前5位的計算結果見表3和表4。選擇每個子空間內波段指數最大值所對應的波段，作為該子空間內的最優(yōu)波段，兩表中第一行三個波長區(qū)間的Pi值均為最大，由此確定基于TM影像對應波段劃分的波段指數法篩選出的最佳波段組合分別是55-158-33和55-33-25。

表1　最佳指數結果統(tǒng)計

表2　自適應波段指數結果統(tǒng)計

表3　基于TM453對應波段劃分的波段指數結果統(tǒng)計

表4　基于TM432對應波段劃分的波段指數結果統(tǒng)計

3.4樹種識別及精度評價

首先以NDVI≥0.41的GF1-WFV3影像為依據，對4種波段組合的RGB影像進行掩膜；然后根據樣本選取的三原則[26]，在Hyperion影像上分別選取訓練樣本468個像元(其中紅棗144個、蘋果189個、香梨135個)和檢驗樣本5 955個像元(其中紅棗1 595個、蘋果3 245個、香梨1 115個)；最后以選好的訓練樣本為基礎，運用最大似然法對上述波段組合的遙感影像進行分類，分類效果如圖4所示，分類結果的精度利用混淆矩陣進行評價，分類精度見表5。

由表5可以看出，4種波段組合的總體分類精度均達到了75%以上，Kappa系數均在0.6以上，說明篩選出的不同波段組合對3種經濟林樹種都有較好的可分性。55-158-33組合的分類精度最高，達87.47%，Kappa系數為0.7943，其次是55-33-25組合；而96-193-213和33-106-193組合的總體分類精度均為75.58%，但由Kappa系數的大小可以看出，96-193-213組合總體分類效果最差。在波段指數法篩選出來的3種波段組合當中，與33-106-193組合相比，波段組合55-158-33和55-33-25的分類精度都有顯著提高，分別提高了11.89%和11.07%。由此說明，波段指數法明顯優(yōu)于最佳指數法，而經過改進的基于TM影像對應波段劃分的波段指數法比自適應波段指數法效果更佳；同時也進一步表明運用波段指數法進行波段選擇時，按波長分組劃分的差異對有效波段的篩選具有較大影響。

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

波段組合紅棗識別精度/%蘋果識別精度/%香梨識別精度/%總體分類精度/%Kappa系數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

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

表6　4種波段組合蘋果的混淆矩陣

4結論與討論

為了有效地降低高光譜數據的維度，同時也避免相關性強的波段進行組合，本文利用不同的敏感波段選擇方法，對Hyperion影像進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)。從光譜波長來看，波段25和33位于可見光范圍(380～760 nm)，其它6個波段都分布于近紅外波段范圍(760～3 000 nm)，這與王志輝等[27]用于樹種識別的波段大都位于近紅外波段的研究結果一致。同時，大量地物實測光譜研究表明，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，可見星載高光譜影像和地物實測光譜在植被信息提取方面也具有較高的一致性。 因此，可認為本研究篩選出的8個波段均能夠作為經濟林樹種識別的敏感波段。

運用最大似然法檢驗不同波段選擇方法篩選的4種波段組合對樹種識別的敏感度，結果顯示4種波段組合對3種經濟林樹種都具有較好的可分性，基于TM影像對應波段劃分的波段指數法篩選出的55-158-33和55-33-25組合總體分類精度分別為87.47%和86.65%，均達到了85%以上，且Kappa系數均高于0.75，明顯優(yōu)于最佳指數法和自適應波段指數法篩選出的96-193-213和33-106-193組合。基于TM影像對應波段劃分的波段指數法在高光譜數據全波段范疇選取了對植被更為敏感的波長區(qū)間進行有效波段篩選，相對于自適應波段指數法的全波段參與方式，所選最優(yōu)波段組合總體分類精度得到了明顯的提高，表明運用波段指數法進行波段選擇時，波段按波長分組劃分的差異對有效波段的篩選具有較大的影響。這與王立國等[30]在波段選擇方法研究中認為“高光譜數據的局部特性跟全局特性之間存在很大差異，運用波段選擇在全空間進行數據降維得到的結果不一定最佳”的結論具有一致性。

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

今后仍需要采用多時相高光譜遙感，抑或新的數據降維方法和分類方法對經濟林樹種進一步開展遙感信息提取研究，對南疆環(huán)塔里木盆地特色林果主產區(qū)大范圍遙感樹體營養(yǎng)診斷、病蟲害防控等經營管理具有重要的實踐意義。

【參考文獻】

[1]羅萬杰.新疆特色林果業(yè)發(fā)展現狀、存在問題及對策[J].新疆農墾科技，2012(8)：16-18.

[2]柳萍萍.基于Hyperion數據的森林類型識別[D].長沙：中南林業(yè)科技大學，2012.

[3]趙憲文，李崇貴，斯林，等.基于信息技術的森林資源調查新體系[J].北京林業(yè)大學學報，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，等.高光譜遙感森林信息提取研究進展[J].林業(yè)科學研究，2008，21(z1)：105-111.

[6]李俊明.基于HJ-1A高光譜遙感樹種識別的研究[D].哈爾濱：東北林業(yè)大學，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[J].四川林業(yè)科技，2014，35(6)：56-59.

[10]薛萬蓉，王靜，但沿銘，等.內江市城市熱島效應時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，等.EO-1 Hyperion高光譜數據的預處理[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用[J].四川林業(yè)科技，2014，35(5)：84-87.

[15]楊軍，趙勇，張紅實，等.利用衛(wèi)星遙感影像數據分析邛海濕地近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].中國圖象圖形學報，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：南京農業(yè)大學，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價研究[J].北京林業(yè)大學學報，2008，30(z1)：62-67.

[23]劉建平，趙英時，孫淑玲.高光譜遙感數據最佳波段選擇方法實驗研究[J].遙感技術與應用，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.一種改進的高光譜數據自適應波段選擇方法[J].遙感技術與應用，2007，22(4)：513-519.

[26]趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.

[27]王志輝，丁麗霞.基于葉片高光譜特性分析的樹種識別[J].光譜學與光譜分析，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樹種識別有效波段選擇研究[D].烏魯木齊：新疆農業(yè)大學，2014.

[30]王立國，古延鋒，張曄.基于支持向量機和子空間劃分的波段選擇方法[J].系統(tǒng)工程與電子技術，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

中圖分類號：S 771.8

文獻標識碼：A

文章編號：1001-005X(2016)02-0007-07

作者簡介：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技術與應用。E-mail：wangzhenxi2003@163.com

基金項目：新疆維吾爾自治區(qū)高校科研計劃科學研究重點項目(XJEDU2013I16)；國防科工局高分專項(95-Y40B02-9001-13/15-01-01)；中國博士后科學基金項目(2015M572668XB)

收稿日期：2015-11-30

引文格式：馮振峰，王振錫，岳俊，等.基于Hyperion數據的南疆環(huán)塔里木盆地經濟林樹種識別敏感波段選擇[J].森林工程，2016，32(2)：7-13.