利用高光谱混合像元分解估测喀斯特地区植被覆盖度

林 卉，杨苏新，侯 飞，张连蓬，胡召玲

(1. 江苏师范大学 测绘学院，江苏 徐州 221116； 2. 中国矿业大学 环境与测绘学院，江苏 徐州 221009； 3. 江苏师范大学 城市与环境学院，江苏 徐州 221116)

一、引 言

喀斯特约占陆地总面积的12%，是世界上主要的生态脆弱地带之一，其生态环境问题也一直是当今国际地学研究的热点[1]。植被覆盖度被公认为是评价喀斯特石漠化的最有效的指标之一[2]。植被是喀斯特地区地面主要表现特征之一,对其的准确遥感估算一直是遥感应用领域的难题[3]。遥感技术在地物信息识别中具有宏观、快捷、经济、信息综合等优势，多光谱遥感近年来被广泛地应用于喀斯特地区信息定量提取及定性评价方面。目前多采用混合像元分解和植被指数进行植被覆盖度计算，以上研究表明利用混合像元分解的方法估算植被覆盖度的能力明显优于植被指数方法[4-5]。针对喀斯特地区地物交错分布、具有高度景观异质性、像元混合现象严重等问题，多光谱遥感在此具有一定的缺陷[6-7]。然而高光谱遥感图像具有图谱合一的优势，每个像素都可以提取出一条精细光谱，能够反映地物本身的特征信息[8]。图像空间维数据和光谱维数据结合在一起，在一定程度上能降低多光谱分析的光谱不确定性。在严重的光谱混合问题上，高光谱遥感影像因其具有的上百个连续窄波段，为通过混合像元分解技术估算植被分布情况提供了一条有效路径，从而为提高喀斯特地区植被覆盖度信息的精度提供了可能。

本研究选取广西大化瑶族自治县七百弄乡为研究区域，针对喀斯特地区地物混合现象突出的问题，以2008年8月Hyperion高光谱影像为数据源，利用匹配滤波(MF)和混合调谐匹配滤波(MTMF)技术进行植被丰度反演，研究并分析了喀斯特地区植被的丰度与其实测覆盖度的关系，并对计算方法的可行性进行了比较和评估。

二、研究区域与试验数据

1. 研究区域介绍

本文研究区为广西大化瑶族自治县七百弄乡，是典型的喀斯特地区，如图1所示。年均气温17.4℃～19.6℃，年降雨量1500～1600 mm，雨水多集中于夏季，干旱明显。区内自然植被以喜钙、耐旱、耐贫瘠的灌木和草丛群落为主。

图1 试验区地理位置示意图

2. 植被覆盖度的野外测量

试验区的植被覆盖度野外测量工作与Hyperion影像的获取基本同步进行，验证点的选取采用分层随机采样的方法，图像区域范围主要位于广西大化瑶族自治县七百弄乡附近，属于发育极为典型的大面积喀斯特高峰丛深洼地地貌。基于ENVI遥感图像处理软件对地物丰度图分层随机产生25个调查验证点，但由于喀斯特地区多为崎岖的山区，大部分验证点的可达性差，只调查了其中5个分层随机生成的验证点，并沿调查路线按不同的植被覆盖度及类型选择16个验证点，共21个地面调查验证点。样地大小为60 m×60 m，在调查样地的同时利用手持GPS记录样地中心的地理位置。每个样地采用照相法和样线法相结合的方法来估算植被的覆盖度信息，其样线法是以样地的对角线为样线，测量样地内植被接触样线的长度，最终通过计算其占样线总长度的百分比而得到样方的植被覆盖度。

3. Hyperion数据及预处理

本研究使用2008年3月3日EO-1 Hyperion影像。Hyperion是美国地球观察卫星EO-1搭载的成像光谱仪,以推扫方式获取可见光—近红外(VNIR, 400～1000 nm)和短波红外(SWIR,900～2500 nm)光谱数据,共有242个波段,光谱分辨率10 nm,地面空间分辨率30 m。

Hyperion数据的预处理主要包括:未定标和受水汽影响波段的去除、坏线修复、条纹去除、smile效应纠正、大气校正。首先,从242个波段中去掉44个未定标波段(辐射定标的波段为VNIR 8—57，SWIR 77—224)、2个重复波段(VNIR 的波段56—57和SWIR的波段77—78重叠)、20个受水汽影响严重的波段。然后,对Hyperion图像进行逐波段检查，修复坏线及坏条带。smile效应的纠正利用Googenough等提出的MNF空间列均值调节方法。最后，对Hyperion图像进行FLAASH大气校正[9]，得到反射率图像，如图2所示，其中RGB分别采用波长为864.35 nm、650.67 nm和548.91 nm的波段进行假彩色合成。

三、方法构建

本文以Hyperion数据作为数据源，通过最小噪声分离变换(MNF)确定影像数据内在的维数，隔离数据中的噪声；然后计算像元纯净指数(pixel purity index，PPI)，得到“极纯”像元；将之输入到N维可视化器中提取端元波谱；利用ENVI中自带的地物波谱库和实测地物的光谱进行波谱分析识别端元；最后利用MF和MTMF进行喀斯特地区植被覆盖度提取。如图3所示。

图2 研究区Hyperion图像(R:864.35 nm、G:650.67 nm、B:548.91 nm)

图3 研究流程图

1. 端元提取

PPI的算法是：首先，产生大量的n维随机单位向量(s)，n等于像元的维数；对其中一个s，遥感数据空间中的每一个像元都在其上投影，比较这些像元的投影位置，记录所有具有极值投影位置的像元。对每一个s，都进行以上的投影步骤，最终计算结束时，每个像元都有一定的被记录的次数，而记录次数最多的像元就是具有最纯光谱特性的像元，同时记录次数也反映了该像元的像元纯度指数。

计算公式如下

式中，D为波段数；skewer为单位向量。

2. MF/MTMF

MF最初是用于信号处理领域的目标信号检测，被认为是“最优”的线性检测方法。由于它不需要已知所有的端元波谱，在高光谱图像处理领域得到了广泛的应用。它通过最大化已知端元波谱的响应信号，压制未知复合背景的响应信号，基于对特定波谱库或影像端元波谱的匹配，提供了快速探测物质的手段[10]。但是在高光谱中，有端元丰度为正及总和为1的约束条件，匹配滤波没有考虑这一点，会产生较多的虚假信号点，如果要鉴别的物质并不是出现在同一个像元中，那么它们就将被随机地进行匹配。因此在匹配滤波的基础上发展了MTMF来进行端元丰度估计。

MTMF是混合调制技术和匹配滤波技术方法的综合，是一流信号处理方法论同线性混合理论相结合的产物。它综合了匹配滤波不需要其他背景端元光谱的优点和混合调制技术中像元中各端元的含量为正且总和为1的约束条件。混合调制技术使用了线性波谱混合理论，来限制可行性混合的结果，并减小虚假信号出现的概率[11]。MTMF的结果为两幅影像：一幅是MF分值影像(匹配滤波影像)，它是一幅灰阶影像，像素值的范围为0～1.0，它提供了对参考波谱曲线的相对匹配度进行估计的方法(其中，1.0代表了完全匹配)；另一幅是不可行性影像，其中较高的不可行性数值表明复合背景同目标地物之间的混合是不可靠的。当匹配滤波分数值较高(接近1)和不可行性分数值较低(接近0)时，就能获取最佳的目标匹配。

3. 精度验证

本研究结果利用两个指标进行植被覆盖信息提取效果优劣的评价,主要是基于野外实地考查验证。

针对混合像元分解的喀斯特地区植被丰度结果，本研究基于野外实测的21个样地的植被覆盖数据进行混合像元分解结果精度的验证：直接比较两者差别，以验证高光谱混合像元分解的结果是否与实测植被覆盖度一致；对两者进行线性回归，确定两者之间是否存在显著相关[12-13]。其次利用交叉验证的均方根误差RMSE作为判断算法表现的指标。

四、结果与分析

以植被、裸土、裸岩作为端元，采用PPI方法提取的端元波谱结果如图4所示。

图4 3种典型地物的端元波谱

MTMF方法分解的绿色植被(PV)的丰度图像如图5所示。野外实地考察地面调查验证点植被覆盖度与各种方法反演的植被丰度信息见表1。由于野外地面验证点与遥感图像上对应点的配准误差会对反演结果产生影响，因此本文选用中心点处4个像元的平均值作为验证点的植被丰度值。

图5 混合像元分解反演的植被丰度

表1 地面调查验证点信息

基于MTMF混合像元分解得到研究区植被丰度与实测植被覆盖度的散点图，如图6所示。

图6 地面调查验证点的植被覆盖度与MF、MTMF反演得到的植被丰度的线性回归

本研究运用线性回归模型和交叉验证的均方根误差来评价通过MTMF反演的植被丰度与实测植被覆盖度之间的关系，其回归方程、确定系数及RMSE见表2。

表2 混合像元分解反演的植被丰度与实测植被覆盖度回归分析

由表1、2分析可得，MF、MTMF混合像元分解得到的植被丰度与实测值最大的偏离分别为0.20、0.15，并且与实测植被覆盖度的相关性较好，R2分别为0.70、0.78，RMSE分别为11.29、9.18，从回归方程中可以看出MF方法的R2较低、RMSE(11.29)过高表明该方法精度有限，无法满足准确提取喀斯特地区植被覆盖度的要求；另一方面，由图5可以看出，MF方法反演的植被丰度的值整体效果要高于MTMF的结果，相比较而言，MTMF方法明显要优于MF方法。说明MTMF方法能等同实测植被覆盖度，直接利用MTMF混合像元分解法即可实现高精度的喀斯特地区植被覆盖度的提取。试验表明，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区植被丰度的有效性。

五、总结与讨论

本文以植被、裸岩和裸土为喀斯特地区典型地物，以Hyperion高光谱影像为数据源，从影像中提取3种典型地物的端元,利用MTMF分解算法反演植被的丰度，探讨了该方法分解得到的植被的丰度与实测植被覆盖度的相关性。

本文的主要研究结论可以概括为以下几个方面：

1) MF的结果值整体要高于MTMF的结果值，原因如下：MF会产生一些虚假信息，将背景分为了植被，导致植被的丰度偏高。

2) 对比了MF、MTMF进行植被覆盖度提取的效果，后者要明显优于前者。

3) MTMF植被丰度与实测植被覆盖度两者之间的偏差最大不超过15%，确定系数R2为0.78，即MTMF植被丰度能够准确地代表喀斯特地区真实的植被覆盖情况，故直接利用MTMF植被丰度即可实现喀斯特地区高精度的植被覆盖度提取。

研究表明利用混合像元分解算法反演地物丰度来提取喀斯特地区植被覆盖度具有一定的可行性，同时也存在以下不足：①实测植被覆盖度样地的数量较少，代表性不是很强；②混合像元分解算法未考虑端元光谱可变性[13-14]，在一定程度上也会影响丰度反演的精度。未来的研究将针对这两方面有针对性地深入探讨。

参考文献：

[1] 刘波,岳跃民,李儒,等.喀斯特典型地物混合光谱与复合覆盖度关系研究[J].光谱学与光谱分析，2010,30(9):2470-2473.

[2] 李丽,童立强,李小慧.基于植被覆盖度的石漠化遥感信息提取方法研究[J].国土资源遥感,2010(2):59-62.

[3] 李晓松,高志海,李增元,等.基于高光谱混合像元分解的干旱地区稀疏植被覆盖度估测[J].应用生态学报，2010,21(1):152-158.

[4] 李晓松,李增元,高志海,等.基于Hyperion植被指数的干旱地区稀疏植被覆盖度估测[J].北京林业大学学报，2010,32(3):95-100.

[5] 马志勇,沈涛,张军海,等.基于植被覆盖度的植被变化分析[J].测绘通报,2007(3)：45-47.

[6] 岳跃民,张兵,王克林,等.石漠化遥感评价因子提取研究[J].遥感学报，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] 王强.Hyperion高光谱数据进行混合像元分解研究[D].哈尔滨:东北林业大学,2006.

[9] 谭炳香,李增元,陈尔学,等.EO-1 Hyperion高光谱数据的预处理[J].遥感信息，2005(6):36-41.

[10] 林娜,杨武年,刘汉湖.基于高光谱遥感的岩矿端元识别及信息提取研究[J].遥感信息，2011(5):114-117.

[11] 陆应诚,田庆久,宋鹏飞,等.海面油膜高光谱遥感信息提取[J].遥感学报，2009,13(4):691-694.

[12] 崔耀平,王让会,刘彤,等.基于光谱混合分析的干旱荒漠区植被遥感信息提取研究——以古尔班通古特沙漠西缘为例[J].中国沙漠,2010,30(2):334-338.

[13] 陈峰,邱全毅,熊永柱,等.基于线性光谱模型的混合像元分解方法与比较[J].遥感信息,2010(4):22-28.

[14] 吴柯,张良培,李平湘.一种端元变化的神经网络混合像元分解方法[J].遥感学报，2007,11(1):20-25.