遥感技术在资源环境中的应用

2010-04-09李宝华朱国良张桂香

河北林业科技 2010年4期

关键词：植被指数遥感技术波段

李宝华，朱国良，张桂香

（1.河北省塞罕坝机械林场总场，河北围场 068466；2.围场县气象局，河北围场 068460）

遥感技术在资源环境中的应用

李宝华1，朱国良2，张桂香2

（1.河北省塞罕坝机械林场总场，河北围场 068466；2.围场县气象局，河北围场 068460）

通过遥感技术应用，了解地方资源分布格局，为资源的进一步区划经营提供准确的影像资料，是当前地方了解资源状况，保护资源并可持续经营利用的有效途径，该文通过介绍、解析相关方面的知识，提高有相关意向的广大科技工作者积极投身于遥感技术应用领域的热情，藉此学会借助先进手段，积累经验，实时、快速地获取资源信息，更好地为基层林业建设服务。

遥感技术；资源环境；区划经营；资源信息

1 遥感的原理

遥感是利用遥感器从空中来探测地面物体性质的，它根据不同物体对波谱产生不同响应的原理，识别地面上各类地物，具有遥远感知事物的意思。也就是利用地面上空的飞机、飞船、卫星等飞行物上的遥感器收集地面数据资料，并从中获取信息，经记录、传送、分析和判读来识别地物（汤国安等，2004）。

2 遥感的发展历程

遥感是以航空摄影技术为基础，在20世纪60年代初发展起来的一门新兴技术。开始为航空遥感，自1972年美国发射了第一颗陆地卫星后，标志着航天遥感时代的开始。经过几十年的发展，目前遥感技术已广泛应用于资源环境、水文、气象，地质地理等领域，成为一门实用的，先进的空间探测技术。

当今世界森林遥感监测技术正由粗放向精准化方向发展；森林地面监测逐渐实现自动化、实时化、一体化；森林监测中的野外工作尽量减少；数据库技术与网络技术被广泛使用。遥感在我国林业上应用范围很广，但在实际工作中，遥感数据的应用往往受到一定的限制（杨丹等，2005）。

3 目视判读

遥感影像的目视判读是遥感技术的关键。在判读过程中要选择理想的卫星影像，合理利用辅助资料，借助先进的技术手段，积累经验，提高判读的准确率（雷瑞德等，1994）。影响正判率的因素主要有地形、太阳高度角、阴影、“同谱异物，同物异谱”等。植被遥感技术为我们的目视判读提供了很好的方法，通过遥感影像判读技术，能够实时、快速地获取大量的信息，节省人力、物力、财力（李利平等，2005）。

4 遥感影像分类

遥感数字图像分类有监督分类和非监督分类两种。在准确选择训练区的条件下，监督分类的准确度高于非监督分类（刘丽娜等，2005）。遥感影像的分类有最大似然法、BP人工神经元网络法、支持向量机法和自校正方法等，这几种方法都能取得可以接受的结果，各种方法都有各自的优势。分类自校正方法的总体分类精度比最大似然法和支持向量机法要高一些（肖雁青等，2007）。

在当前的遥感技术条件下，通过适当的方法已经基本能够在图像上对不同的针叶林进行区分。不同生态环境类型下的针叶林需要采用不同的遥感监测方法，对于针叶纯林、针阔混交林、以及散生针叶树的判读方法各不相同。

5 遥感影像中的植被识别技术

地物波谱特征是遥感技术的基础之一，尤其森林植被的波谱特征更是世界各国争先研究的课题，因为森林的消亡与存在直接影响人类的生存环境。研究森林植被群落波谱特征，就可以根据不同来源（航片、卫片）、不同形式（图像、数据）的遥感信息提取出森林专题信息，为划分森林类型、绘制林相图、清查森林资源、预测预报森林病虫害及森林火灾、合理利用和保护森林资源奠定理论基础。袁金国研究了利用植被指数进行森林植被分类，因为不同的植被类型对可见光红波段的强吸收和对近红外波段的高反射之间的对比是植被遥感分析的理论基础，植被指数与植被叶面积指数，有效光合吸收辐射（APAR）和覆盖度等有很好的相关关系，反映了植物光合作用强度和生活力的大小，是森林植被类型差异的一种表现。

5.1 植被指数

森林是地球陆地最重要的生态系统，在全球C循环中居重要地位。森林植被是反映森林生态效益的一个重要指标，近年森林植被的光谱特征便成为世界各国争先研究的课题。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好。这些波段包含了90%以上的植被信息。这些波段间的线性和非线性组合构成的值统称为植被指数。

植被指数大多根据可见光红波段和近红外波段的植被冠层反射率TM3、TM4以及由这两个波段的土壤反射率确定的土壤线性方程NIR=a1R+a0来确定。前人的研究已提出多种植被指数，总的说来可分为3类：①内在指数；②土壤线性相关指数；③大气纠正指数。植被指数即是由不同波段的反射信息组合而成的特征量，反映绿色植被的覆盖程度和作物的生长状况。一般由叶绿素反应敏感的红光波段（RR）和近红外波段（RNIR）信息组合而成，亦称绿度。

5.2 植被指数与植被类型的关系

最易于区分阔叶林与针叶林的是PVI，其次为TSAVI和MSAVI，但后者计算较为复杂；不同针叶林间的RVI差值较大，因此采用RVI来区分各针叶林。不同的植被类型可用PVI和RVI相结合来识别（王磊等，2004）。

5.3 遥感信息复合技术

最早的植被分类采用人工目视解译，之后的计算机自动分类比目视解译进了一步，之后又采用了遥感信息复合技术。信息复合的内容和方式包括：同种遥感信息多波段多时相信息复合；多平台遥感数据复合；遥感与非遥感信息的复合，如与专题地图信息或数字地形模型（DTM）的复合；遥感数据加入GIS数据，可视为信息复合的高级形式，章杨清基于BP神经网络，并将分维作为反映类别数据纹理特征的附加波段向量，明显提高了分类精度（针叶林为81.85%）。靳文戟等，利用多层神经网络对遥感图象数据进行监督分类，再将网络输出作为非监督分类的输入，可提高识别的类数。吴炳方结合辅助数据（地形图、行政区划图、植被图、道路图、水系图）和应用GIS模型，采用最大似然分类方法对遥感数据进行分类。由于在TM各波段间光谱值有一定相关性，需要进行波段选择组合，使3波段组合不仅对森林植被分类的敏感度较高，而且波段间信息重复最少，因此可选择波段4，5，3合成，并且在几何校正基础上，进行直方图线性扩展，即将原图象的各灰度值按线性关系扩大，以增强图像亮度。另外，由于GIS可提供林相图及DEM的高程、坡度、坡向，可利用这些辅助信息，采用多次分类、逐步筛选的监督分类方法（刘峰等，2004）。