【doc】高光谱分辨率遥感在植被监测应用中的关键技术及应用

【doc】高光谱分辨率遥感在植被监测应用中的关键技术及应用 高光谱分辨率遥感在植被监测应用中的关 键技术及应用 第5卷第1期太原师范学院(自然科学版)Vo1.5No.1 2006年3月JOURNALOFTAIYUANNORMALUNIVERSITY(NaturalScienceEdition)Mar.2006 高光谱分辨率遥感在植被监测应用中的 关键技术及应用 柯丽娜王权明 (1.辽宁师范大学,辽宁大连I16029;国家海洋环境监测中心,辽宁大连116029) [摘要]高光谱遥感数据已成为地表植被地学过程中对地观测的强有力的工具.综述了利用 高光谱遥感数据进行植被监测的研究进展,主要包括以下二个部分:(1)高光谱遥感用于植被监测 中的关键技术(2)高光谱遥感数据在植被生长监测中的应用. [关键词]高光谱遥感;植被;监测 [文章编号]l672—2027(2006)01007404[中图分类号]TP72[文献标识码]A 1高光谱分辨率遥感在植被监测应用中的关键技术 1.1高光谱遥感信息处理技术 高光谱遥感数据具有多,高,大,快等特点,即波段多(几十个到几百个),光谱分辨率高(纳米数量级),数 据量大(每次处理数据一般都在千兆以上),数据量高(从每秒数兆到每秒数百兆),因此如何快速,准确地从 这些数据中提取植被的生物化学和物理信息.识别不同的植被,揭示目标的本质.则需要依据实际应用的具 体要求选择最佳波段进行处理和解译.另外,高光谱的出现,使植物化学成分的遥感估测成为可能],因而, 建立各种从高光谱遥感数据中提取各种生物物理参数(例如,LAI,生物量,植被种 类,冠层结构,净生产率等 参数),生物化学参数(例如,叶绿素等各种色素,各种糖类,淀粉,蛋白质和各种营养元素等)的分析技术,在 植被生态系统研究中是十分重要的内容. 1.1.1高光谱数据的预处理 1.1.1.1定标与大气纠正 高光谱遥感数据易受一些外部因素的影响,诸如遥感器老化,地物二向性反射,大气效应,地形因子等, 这些因子会削弱高光谱遥感数据赖以区分地物的敏感性[2].高光谱遥感信息的光谱一图像转换,必须进行定 标和大气辐射校正,以消除这些因子的影响,这是遥感定量化研究的一个关键环节. 定标和大气辐射校正主要是研究大气辐射传输的问题,即通过传感器的辐射定标,大气校正模型计算 等,反演地物真实的反射率.实际工作中,首先通过高光谱数据提供的传感器辐射校正参数,将编码的影像灰 度值转换为卫星高度传感器入瞳亮度数据.然后,根据研究区地质,地理及大气环境等实际状况,选取气溶胶 模式和大气校正模型,进行大气辐射校正.最后,根据地面实测的高分辨率的地物光谱数据,计算高光谱影像 中每个像元的反射率值. 1.1.1.2条带噪声去除 高光谱遥感数据有时候由于在成像过程中机械或光学部件不稳定产生明暗交替的条带噪声,可以通过 滤波运算,一方面消除了噪声,突出目标地物,另一方面也可以方便进一步的导数运算. 1.1.2高光谱数据的深化处理——最佳波段的选择 一 般来说,选择波段的一个主要依据是该波段的幅射量的方差应尽可能大,因为方差 的大小体现了所含 信息的多少.但由于景物各波段的幅射特性之间的相关性,用三个方差最大的波段合成的结果并不一定能获 收稿日期:2006—01—17 作者筒介:柯丽娜(1978一),女,辽宁大连人,硕士,辽宁师范大学讲师,从事遥感和地理信息系统的研究 第1期柯丽娜等:高光谱分辨率遥感在植被监测应用中的关键技术及应用75 得最多的信息.当三者之间相关很强时,各波段所包含的信息之间有着大量的重复和冗余.因此,选择三个波 段的组合时,必须同时考虑各单波段方差要大而波段间相关性要小这样两个条件,即考虑组合图像的信息量 最大.以下为目前用于波段选择的几种对比. 1.1.2.1熵和联合熵 目前人们通常根据波段组合前后信息量的变化来评价波段选择效果的好坏,熵和联合熵就是经常被采 用的评价指标口].图像的熵值是衡量图像信息丰富程度的一个重要指标,熵值的大小表示图像所包含的平均 信息量的多少.熵是和信号值(如亮度或灰度值)出现的概率相联系的.对于所有可能出现的亮度值或灰度值 的自信息求加权和,就得到了熵,即: N H(z)一一P(z)log2P(z) 1 式中z为输入图像,P(x)为图像像素灰度值为,的概率,?相当于亮度或灰度等级数(动态范围),一 般?一2,为比特数.同理,三个波段的联合熵为: N H(x1,z2,z3)一一尸(zfl,z2,z3)log2P(zn,z2,z旧) 西 一 般来说,熵值越大,图像直方图也就越平滑,亮度值的动态范围也大,因此,代表的信息量越多.该方法 常用于多波段遥感,对高光谱遥感来说,由于波段众多,波段间相关程度高,不仅运算量大,而且容易形成最 佳波段的不唯一性j. 1.1.2.2最佳指数(0F) 美国查维茨提出了用于波段选择的最佳指数概念,它的基本原理是根据图像的统计特征来选定,即: 33 OIF===?S/?f'-J''-J.…=1J1 式中为第i个波段的差,R.,为i,J两波段的相关系数. 它依据的原理是图像数据的标准差越大,所包含的信息量就越大,波段间的相关系数越小,各波段图像 数据的独立性就越高,信息的冗余度就越小.对于?个波段来说,计算其相关系数矩阵,再分别求出所有可 能的三个波段组合的OIF,OIF越大,相应的图像的信息量也越大_5]. 1.1.2.3优化分类波段选择 波段指数法是从高光谱数据具有的特点出发,综合考虑图像的信息量和相关性两个因素,并且对高光谱 数据进行分组分块,从而选择出最佳波段组合的方法. 设R,为波段i与J之间的相关系数,高光谱数据被分为组,每组的波段数分别为,z,…,,那么 1 波段指数为户:==,其中R一R+R,R一R(?),S为第i波段的标准差,R为第i波段与所在组 内波段相关系数的绝对值之和的平均值,R为第波段与所在组外的其他波段之间的相关系数的绝对值之 和+从公式可以看出,标准差越大,波段的离散程度越大,所含的信息量越丰富,而波段的总体相关系数的绝 对值越小,表明波段数据的独立性越强,信息冗余度越小. 上述波段的选择方法中,由于相邻高光谱波段间的高度相关性及高光谱数据波段数目众多,相对来说, 前两种运算数据量庞大,所求的结果不唯一,不适于最佳波段选择,但对多波段遥感(如ETM+,MSS,TM 等)的波段选择比较适合.波段指数方法运算数据量合理,结果唯一,能够较好地用于高光谱遥感的最佳波段 选择中. 1.2高光谱遥感信息分析技术 现有的高光谱分析技术可从高光谱数据以及他们的各种变换形式中提取,估计和预测各种生物物理,化 学参数.结果之优劣取决于具体的技术方法,数据特征和数据质量.现从不同的角度将适用于植被分析的一 些技术方法归纳为以下几类. 1.2.1多元统计分析技术 多元统计分析技术在高光谱植被研究中是最为普遍采用的技术,它以光谱数据或它们的变换形式(如各 76太原师范学院(自然科学版)第5卷 种植被指数,倒数后的对数变换等)作为自变量,生物物理,生物化学参数(如叶绿素含量,生物量等)为因变 量,建立多元回归估计模型.通常在采用的实测样本中,一部分作为建立统计回归模型之用,另一部分用来测 试已构建的回归模型的执行性能[1].董庆禧在1997年利用成像光谱数据波长和之间的导数波形积分 再将实地测量的生物量数据与归一化因子进行统计回归分作为归一化植被因子, 析,得到它们之间的对数关 系;最后由归一化植被因子计算出每个像元的生物量,并产生研究区内的生物量分布图,此分布图较真实地 反映了研究区内的生物量分布现状. 1.2.2光学模型分析方法 对于某一特定时间的植被冠层而言,一般辐射传输模型为: S=F(,0,,,,C) 其中为波长,0,为太阳天顶角和方位角,0,为观测天顶角和方位角,C为一组关于植被冠层的 物理特性参数[1].这类模型向前可以计算叶子或冠层的反射率和透射率;向后反演可以用来估计生物物理, 生物化学参数.建立植冠光学模型时,以植被参数,光照及传感器的姿态为已知条件,计算双向反射特征.这 类模型不仅有助于加深对各类现象的辐射特性和成像机理的理解,而且还能将其反演,以便提取植冠生物物 理和生物化学参数. 1.2.3基于光谱位置变量的分析技术 基于光谱位置变量的分析技术是根据波长变化量或相应的参数变量与生物物理和生物化学参量的关系 来估计因变量的.在基于光谱位置变量的分析技术中应用最多的是"红边"技术.由于植物体内叶绿素吸收作 用的影响,植被反射光谱在红到近红外区(660nm,770nm),出现一个陡峭的爬升脊,习惯上称之为"红 边"[7].描述红边特性的两个因子,为红边斜率和红边位置.红边斜率主要与植被覆盖度或叶面积指数有关, 覆盖度越高或叶面积指数越大,红边斜率越大.红边位置则主要与叶片叶绿素含量有关,当植被中叶绿素含 量减少时,红边位置将向短波方向偏移. 1.3其他关键技术 1.3.1光谱微分技术 他是对反射光谱进行数学模拟和计算不同阶次的微分,确定光谱曲线的弯曲点和最大最小反射率的对 应波长的位置.在植被监测中,可以确定波长位置,深度和波段宽度,以及分解重叠的吸收波段和提取各种参 数,从而识别植被. 1.3.2混合光谱分解技术 遥感影像以像元为基本单位来检测和获取地物信息.如果空间分辨率越低,则一个像元覆盖的面积越 大,其中包含的各种地物的可能性就越大,就越可能形成混合像元.混合像元的形成有两种情况,一种是类间 混合,即像元内包含除背景外不同地物的混合.另一种是类内混合,即在单一植被前提下,由背景,岩石环境 和阴影产生的混合.严格来说,所有像元都是混合像元,因此,能否在混合像元中分解出所需的植被信息是植 被识别精度和定量化的关键.一般来说,在一个像元内引入其他成分就会影响该像元主要光谱参数,例如波 段的深度,波段的位置,宽度,面积和吸收的程度,因此,可以根据像元主要光谱参数的变化来提取有用信息. 目前用于混合光谱分解的方法主要有FL(FuzzyLogic),GA(geneticAlgorithms),神经网络法(neural networks),SA(Simulatedannealing)[等. 2高光谱分辨率遥感在植被监测的应用 2.1植被信息的提取 不同种植物以及同一种植物的不同生长发育阶段,或者是不同植物绿叶之间,由于其叶绿素含量和水分 含量的不同,其反射光谱曲线的形态和特征都会产生不同,因此利用高光谱数据可以进行植被信息的提取. 通过高光谱遥感植被指数技术可以提取植被冠层结构定量信息[g].蒲瑞良等用小型机载成像光谱仪测得的 航空高光谱分辨率数据(光谱范围为417nm800nm),再结合导数光谱的多项式逐步回归方程进行分析, 分别得到总叶绿素(7'c)和全氮(?)的中心波长分别为748nm,507nm,735nm和780nm,764nm,566 nm.表明:使用光谱方式的小型机载成像光谱仪数据及NDVI值提取植被信息,结合光谱微分技术能明显 第1期柯丽娜等:高光谱分辨率遥感在植被监测应用中的关键技术及应用77 地改善森林族叶化学成分的估算[10]. 2.2植被长势监测和估产 高光谱遥感的超多波段(几十,上百个),光谱分辨率高(3nm,20nm)的特点,使其可探测植被的精细 光谱信息(特别是植被各种生化组分的吸收光谱信息),反演各组分含量,监测植被的生长状况.如:可以通过 高光谱信息进行植物病虫害的监测.植物病虫害的监测是通过监测叶子的生物化学成分来进行的.病虫害感 染导致叶子叶肉细胞结构发生变化,使得叶子的光谱反射率也发生了变化. 利用遥感信息进行作物估产总要是利用某种植被指数在作物生长发育之关键期内的和与产量的实测或 统计数据间建立起各种形式的相关方程来实现的.如:目前单产估算应用较多的是回归分析方法,其基本原 理为 Y=b0+bl1十bz2+b33十…十bix+e 式中:Y为作物产量,为经过平滑的光谱反射率或NDVI指数[1u.浙江大学唐延林等结合水稻的生长 发育规律,对水稻抽穗后冠层,叶片和穗进行了高光谱反射率测定.根据光谱曲线特征构建了新的高光谱植 被指数,利用相关分析方法分析水稻理论产量与实际产量与这些植被指数及冠层红边参数的相关关系,建立 了水稻高光谱单产估算模型,促进了高光谱分辨率遥感技术在水稻长势监测和估产中的应用. 2.3植被初级生产力(NPP)与生物量 冠层的理化特性在一定程度上控制着植被的初级生产力(NPP).比如叶面积和氮含量通过控制光合作 用的传输速率从而影响初级生产力(NPP),因此通过特定生物量(如氮等)的含量将有助于估计年NPP. Hame等结合地面调查的高分辨率图像用相关分析的方法建立了预测生物量的模型,然后再直接应用到低 分辨率的AVHRR图像上,成功地估算了面积达几百万平方公里的欧洲以针叶林树占优势的北方针叶林的 生物量. 2.4其他方面 利用植被光谱遥感数据还可进行陆地生态学等其他领域的研究.比如对洪涝,旱情和火灾的监测,对土 壤状况,土地覆盖变化的监测以及景观多样性和生物多样性的监测和制图. 参考文献: [1]浦瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2000 [2]李行,张连蓬.高光谱图像最佳波段选择的快速算法研究LJ].测绘通报,2004,(9):10—12 [3]刘秀英,林辉,熊建利.森林树种高光谱波段的选择应用技术[J].遥感信息,2005,(4);41—44 [4]刘建平,赵英时,孙淑玲.高光谱遥感数据最佳波段选择方法试验研究口].遥感信息.2001,(1):7-13 [5]刘建平.赵英时.高光谱遥感数据解译的最佳波段选择方法研究厂J].中国科学院研究生院,1999,(2)153—161 [6]杨吉龙.李家存.杨德明.高光谱分辨率遥感在植被监测中的应用综述[J].世界地质,2001.(2O);307312 [.7]刘汉湖,杨武年,沙晋明.高光谱分辨率遥感在地质应用中的关键技术及前景 LJ].世界地质,2004,23(1):4549 Es]王静,何挺,李玉环.基于高光谱遥感技术的土地质量信息挖掘研究口].遥 感,2005,9(4):438—445 [9]杨金红.尹球,顾松山.城区高光谱遥感数据假彩色波段组合研究厂J].南京气象 学院学院,2005,28(3):289—295 [1o]BrianSP.UsingsimulatedannealingtoobtainoptimallinearendmembermixturesofhyperspectraldataEJ].Computer& Geosciences,2001,(28):09—817 [11]DuPeijun,Fangtao,Tanghong.SpectralfeaturesextractioninhyperspectralRSdataandits.applicationtOinformation processing[J].actaphotonicasniea.2005.34(2):293—298 TheKeyTechniquesandApplicationsoftheHyperspectralRemote SensingApplicationtoGeology KeLinaWangQuanming (1.LiaoningNormalUniversity,Dalian116029;2.NationalMarineEnvironmentMonitoringCenter,Dalian116023,China) [Abstract]Vegetationremotesensingdataplaysanimportantroleinmonitoring dynamicallyearthresourcefromthespace.Theredescribesthereseachingprogressof hyperspectralremotesensinginvegetationmonitoring:(1)thekeytechniquesinvegetation monitoring(2)theapplicationsofhyperspectralremotingsensinginvegetationmonitoring. (Keywords3hyperspectra|remotesensing;vegetation;nonitoring