植被高光譜遙感技術及應用

(南京農業大學土地管理學院 江蘇 南京 210095)

植被作為地球陸地覆蓋面積最大、對人類生存環境和生存質量影響最顯著的因子，一直是生態學研究的核心內容，20世紀80年代以來出現的具有高光譜分辨率超多波段的成像光譜數據，極大地改善了植被特征識別和分類精度，在植被信息反演的深度和廣度方面也有了很大地提高，成為地表植被觀測最新的強有力工具。高光譜遙感可以為每個像元提供包含數十乃至數百個窄波段光譜信息的連續光譜曲線，是其與寬波遙感數據的主要區別[1]，也是其被廣泛用于植被特征識別的技術基礎[2]。高光譜遙感技術超多波段信息使得根據混合光譜模型進行混合象元分解獲取“子象元”或“最終光譜單元”信息的能力得到提高，從而使得遙感應用著重于在光譜維上進行空間信息展開，定量分析地球表層生物物理化學過程和參數[3]。由于高光譜遙感能提供更多的精細光譜信息，它除了應用于礦物識別并實現單礦物識別和填圖外，已廣泛地應用于植被遙感中，并已成為地表植被地學過程對地觀測的強有力工具[4]。植被高光譜遙感數據，按獲取方式的不同，采用相應的高光譜遙感信息處理技術處理后，為更準確地探測植被的精細光譜信息，定量反演植被各組分含量及葉面積指數LAI等植被結構參數，精確估算植物所吸收的光合有效輻射APAR，植物的初級生產力NPP等指標提供了可能，從而推進了遙感定量化的進程[4]。

一、植被高光譜遙感信息的處理方法

高光譜遙感信息易受諸如遙感器老化、地物二向性反射、大氣效應、地形因子等外部因素的影響,這些因子都會削弱高光譜遙感數據賴以區分地物的敏感性。因而，高光譜遙感信息的光譜圖象轉換，必須進行定標和大氣輻射校正，以消除這些因子的影響，這是遙感定量化研究的一個關鍵環節。常規的還有光譜圖象增強處理，一方面是為了消除噪聲，突出目標地物；另一方面也是為了將來進一步的導數運算。鑒于植被高光譜遙感圖象的特殊性，對所獲得的圖象還需進行一些必要的處理。

(一)降維運算

為了將高光譜遙感數據與常用的寬波段數據進行對比分析，有必要對它進行降維處理。主要的降維方法都是通過卷積運算得到低光譜分辨率數據。如AV IRIS通過卷積運算可減少到 Landsat TM 的對應光譜段，以便于兩者進行對比分析。

(二)導數光譜技術[5]

導數光譜技術是分析高光譜遙感信息較為常用和有效的一種技術。因為二階或更高階導數對于由于太陽角、云的覆蓋、地形因素等引起的圖象亮度明暗度的變化相對不敏感,對于太陽光、天空光的光譜變化也幾乎不敏感。比如，淡水湖組成成分濃度的檢測，大氣校正，波段分解等。此外，導數光譜主要反映了由于植物中葉綠素等吸收光產生的波形變化并能揭示光譜峰值的內在特性。因此，導數光譜可用在高光譜遙感中對植被指數進行估算和分析。

(三)紅邊效應分析技術

由于植物體內葉綠素吸收作用的影響，植被反射光譜在紅到近紅外區出現一個陡峭的爬山脊，稱為“紅邊”。通常采用紅邊斜率和紅邊位置兩個因子來描述紅邊的特性。紅邊斜率主要與植被覆蓋度或葉面積指數有關，覆蓋度越高或葉面積指數越大，紅邊斜率越大。紅邊位置主要與葉片葉綠素含量有關，當植被中葉綠素 b含量減少時，紅邊位置將向短波方向偏移，通常稱之為“藍移”。當植被因缺水而發生葉子枯萎時，紅邊位置將向長波方向偏移(紅移)。而用寬波段數據幾乎不可能得到與葉綠素含量密切相關的“紅邊”光學參數[4]。

二、植被高光譜遙感的應用

(一)植被信息的提取

根據植被的反射光譜特征，通常是用植被紅光，近紅外波段的反射率和其它因子及其組合所獲得的植被指數VI來提取植被信息，并在區域和全球尺度上從高空監測植被。Ts.Purevdorj用地面實測的反射光譜數據結合氣象衛星AV HRR 數據，比較分析結果表明，用TSAVI和NDVI估計面積大、植被密度高區域的植被覆蓋度效果更佳。利用高光譜遙感數據可以消除土壤信號在NDVI中的作用，結合雙向反射模型的應用，可以提取更精確的植被信息。最優化土壤調節植被指數 OSAVI=(NIR-R)/(NIR+R+0.16)，其中土壤調節系數 0.16 是減小土壤背景影響的最優值。J.Qiu等人也通過反演植被的雙向反射模型來估算植被的表面特性。利用混合光譜分解技術可以提高定量監測植被豐度隨時間變化的精確性與準確性[7]。

(二)植被長勢監測和估產

高光譜遙感的超多波段、光譜分辨率高(3～20nm)的特點，使其可探測植被的精細光譜信息(特別是植被各種生化組分的吸收光譜信息),反演各組分含量,監測植被生長狀況。王延頤用美制的EXOTECH100A四通道光譜儀在試驗田分析了水稻各生育期、光譜波段、反射波譜特征。結論是:稻田光譜與水稻長勢的相關性較好，在水稻灌漿期，稻田光譜與水稻理論產量的相關性也較好，尤其是 800nm的反射光譜值[8]。Malthus考察了大豆受蠶豆斑點葡萄孢感染后的光譜反射率變化情況。但紅邊位置與受感染的程度并不相關，二階導數的相關性也比較差[7]。運用高光譜遙感還能監測植被受空氣污染的狀況。Holer等發現受空氣污染地區多年的葉簇的紅邊位置比正常葉子向短波方向偏移了5(藍移)[6]。在某些植被類型中，藍移還與重金屬含量偏高有關。

(三)光能利用和蒸散

理論和實驗都證明植物冠層的光合有效輻射與反射率有聯系。高光譜遙感所得的 APAR比 LAI能更可靠地估計作物生物量,因為作物的光合作用過程直接把 APAR能量轉換成干物質,因此 APAR是作物初級生產力的一個較好的指標。張良培等通過分析光合背景物質—— 土壤光譜信號的特點,認為利用對光譜信號一階導數的運算就能對混合光譜中的土壤信號進行壓縮。研究表明,可直接反演二向反射模型,用衛星和地面測量的光譜數據估算葉子的生物物理參數 LAI和 FAPAR。

(四)植物病蟲害監測

植物病蟲害的監測通過監測葉子的生物化學成分來進行。植物光譜的導數實質上反映了植物內部物質(葉綠素及其它生物化學成分)的吸收波形的變化。Malthus考察了大豆受蠶豆斑點葡萄孢感染后的光譜反射率66遙感技術與應用第13卷變化情況。受感染后,大豆反射率在可見光區變平坦，在近紅外的 800 nm處反射率降低。受感染的程度與可見光的反射率的相關性，一階導數比原始的反射率要高，可以用它來監測病蟲害的感染情況。Holer等發現受空氣污染地區多年的葉簇的紅邊位置比正常葉子向短波方向偏移了 5 nm(藍移)。在某些植被類型中，藍移還與重金屬含量偏高有關。實驗表明藍移是林地受污染后在光譜上表現的細微變化。

(五)其他方面

利用植被高光譜遙感還可進行陸地生態學等領域的研究，用的較多的是森林分類型的識別以及其它森林生長參數的監測。李德成等模擬酸雨對水稻葉片反射光譜特性的影響，結果表明:酸雨會引起水稻葉片反射光譜可見光區和中紅外區的反射率升高，近紅外區的反射率降低。Sandmeier進行了影響 BRDF各因子的敏感性分析。將地面實測高光譜數據和二向反射模型相結合，可提高森林生長參數反演的精度。MickJ建立了由紅光和近紅外窄波段反射率轉換為寬波段半球反照率的方程，研究表明，森林冠層的反射類似于粗糙表面，其在用此方程進行轉換時如假設冠層的反射為朗伯反射將會使計算誤差增大到 35%。所以有人用NOAAAVHRR圖象，結合考慮大氣散射和時間參量在內的 BRDF計算森林和牧場的NDVI。W.Gao將地面實測高光譜數據和二向反射模型相結合，反演草地的生物物理參數，計算值和實測值的相對誤差分別為12.6%，6.9%，7.6%。

三、植被高光譜遙感應用的深化

遙感為在區域和全球尺度上研究生態系統的能量流動提供了一個可靠工具，并已取得了許多成果。今后，將進一步加強對不同生態系統特別是全球變化敏感的生態系統的能量利用和生產力等的研究。人類活動和各種自然因子均會引起生物多樣性在各個水平上(物種、生態系統和景觀)的變化。因此在區域和全球尺度上。在對研究區分類以后，利用遙感數據進行生態系統多樣性和景觀性的研究是完全可行的。在上述研究的基礎上，利用植被光譜數據，還可進行生態系統光能利用率、水分利用率、生物量，生產力和生物多樣性以及與氣候變化的關系的研究，進一步研究他們對全球變化的響應，并預測其變化發展的趨勢。

總之，植被光譜遙感數據以其特有的優勢已經在區域和全球尺度上從高空對植被資源，植物長勢，農業估產和生態環境的監測以及地質找礦，植被覆蓋空間結構的分析和監測以及地下深部油氣的探測等領域得到了廣泛應用。為了充分利用植被光譜遙感數據，應加強遙感的實驗研究，快速獲取更多更準確的植被光譜數據；深化理論研究，揭示植被光譜中內在的隱含特征以提高各種參數的估算精度；拓寬拓廣應用研究，挖掘植被光譜數據的最大潛力。