基于地物光谱可分性的CHRIS高光谱影像波段选择及其分类应用

吴培强, 张 杰, 马 毅, 任广波

(国家海洋局 第一海洋研究所, 山东 青岛 266061)

滨海湿地处于海陆的交错地带, 其景观结构复杂、生态系统多样, 既是自然力作用强烈的地带, 也是人类活动剧烈的地带。研究滨海湿地的植被类型及其分布, 对于全球气候变化研究、生物多样性保持和珍稀动植物保护等, 具有重要意义。随着对海岸带区域开发利用和管理工作的精细化, 对该区域地物精细化监测的需求越来越高, 利用高光谱遥感数据进行滨海湿地植被类型的监测研究已成为目前遥感应用领域的研究热点。但高光谱数据通常具有波段数多、数据量大和波段之间相关性大等特点, 导致分类过程计算量增大、计算复杂度增加, 并影响分类精度。如何在高光谱数据中有效的、准确的选择出其典型地物的特征波段, 是当前面临的主要问题之一。

特征波段选择是高光谱图像应用研究的基础。近年来, 已有不少国内外学者开展了相关研究。王让会等[1]通过分析土地水分的光谱数据, 利用回归分析等方法得出了用于土壤水分遥感监测的特征波段;刘春红等[2]在参考高光谱图像的空间相关性和谱间相关性的基础上, 提出了一种简单易行的自适应波段降维方法。杨金红等[3]结合图像上各地物连续光谱间的可分性对自适应波段的降维方法进行了改进。苏红军等[4]基于高光谱影像数据的特点, 探讨了高光谱波段选择熵及联合熵、最佳指数因子和自动子空间划分等算法并验证了算法的性能。何元磊等[5]提出了一种新的高光谱图像波段选择方法-波段最大筛选法, 从原始波段中选择出了信息量大、区分性好波段。郭磊等[6]构造了一种高光谱图像融合的最佳波段选择新模型-联合偏度-峰度指数模型, 用于特征波段的选择。Millette[7]利用统计学的方法对特定的地物来进行波段选择并开展实验。Chang等[8]将约束能量最小化的理论应用于高光谱波段选择, 提出了约束波段选择算法。从国内外研究可以看出大多数学者的研究集中在单纯以影像波段相关信息来进行高光谱的特征波段选取, 少见利用现场实测光谱来选择特征波段。

作者利用现场测量获取的黄河口典型滨海湿地地物光谱数据, 开展不同地物之间光谱可分性的研究, 提取相应的地物之间的光谱可分区间, 基于此选择影像上对应的波段作为地物区分的特征波段,开展监督分类研究。

1 研究区与数据

1.1 研究区域

本文研究区选择黄河入海口新老河道入海口两侧(图1), 位于黄河三角洲国家级自然保护区核心区,该区域是中国新生的滨海湿地, 植被类型丰富, 生物资源多样, 是珍稀、濒危鸟类的集中分布地和越冬栖息地。但由于资源开发和经济发展需要, 黄河三角洲承受着巨大压力, 湿地资源面临着巨大的威胁。因此对黄河三角洲海岸湿地资源, 特别是植被资源的监测与保护意义重大。

图1 研究区域范围图(CHRIS: 15, 10, 5波段)Fig.1 Location of The Study Area (CHRIS band: 15, 10, 5)

1.2 高光谱遥感数据与处理

研究采用的高光谱数据为 PROBA/CHRIS卫星数据, PROBA是欧空局(ESA)于2001年10月22日发射的小卫星, 为太阳同步轨道, 轨道高度为615 km,倾角为 97.89°, 星上搭载紧凑式高分辨率成像分光计 CHRIS, 成像角度分别为 0°、±36°和±55°。作者所使用的影像获取的时间为2012年6月, 空间分辨率为17 m, 成像模式为2, 成像角度为0°, 其光谱为400～1 036 nm, 光谱波段为18个波段, 波段的光谱分辨率为 5.9～44.1 nm(图1)。

由于CHRIS数据本身有严重的条带噪声, 因此利用ESA提供的HDFclean软件对影像进行水平噪声和垂直噪声的去除, 然后开展影像的辐射校正、大气校正等预处理。

1.3 现场光谱数据与处理

作者分别于 2012年 9月 11～19日和 2013年 9月24～10月2日对研究区域开展了两次现场踏勘, 共获取了不同地物类型现场光谱曲线 300余条, 通过对光谱的质量控制, 去除了异常光谱, 质控后共有光谱113条(表1)。

表1 地物现场光谱Tab.1 Feature spectrum in the field

2 可分性波段选择方法

Wang[9]和 Schmidt等[10]通过采集植被光谱曲线,利用植被光谱之间的差异来区分植被种间类型。作者沿用此方法, 采用单倍标准差来作为阈值, 使用的可分性波段判别方法公式为:

式中,i和j分别为2种地物,θ为光谱波段, STDV为标准差,σθ,i,j为i与j在光谱波段θ处的光谱反射率的差值。

作者针对黄河三角洲的每一种地物类型, 以其单倍标准差为界, 将其他地物的均值光谱与之进行对比, 得到光谱不相交的光谱区间, 则这些区间内光谱对此地物可分度为1, 相交区间内光谱对此地物可分度为0; 依此方法对研究区内7种地物作两两比对, 获取黄河三角洲典型地物可分度图(图2和图3)。

图2 7种地物实测光谱拟合光谱曲线Fig.2 Spectral fitting curves of Seven kinds of field feature

根据上述方法所得出的地物光谱可分度数值,对照 CHRIS高光谱遥感影像波段范围, 作者选择可分度33以上的波段为可分性好的分类特征波段, 选出第 3、10、12、13、15、18波段共 6个波段为作为特征波段, 开展地物分类研究(表2)。

图3 7种地物光谱可分度Fig.3 Spectral separability of seven kinds of objects

3 结果与分析

应用SVM、ANN和SAM等3种常用的监督分类方法, 开展利用全波段的和利用本文方法选择特征波段的分类对比实验。分类结果见图4和图5。

从表3和表4可以看出, 基于特征波段选择方法后, 以ANN总体分类精度最高, 为82.52%, SVM次之,为82.16%, Kappa系数分别为0.76和0.75, SAM分类效果最差, 仅为65.54%。较全波段开展分类的结果, 总体分类精度都明显有所提高, 其中SAM提高最多, 提升了7.59%, ANN和SVM分别提高了5.1%和2.89%。从由此可以看出, 基于本文特征波段选择方法, 可以有效的提高黄河三角洲滨海湿地地物的分类精度。

对比不同类型地物的生产者精度(PA), 基于特征波段选择后的 3种监督分类方法的分类结果, 除大米草ANN和SVM分类精度有较小下降外, 其余各地物的分类精度较全波段都有所提高; 其中芦苇、水体、黄河水和裸滩4种地物的分类精度都在 80%以上, 以芦苇最高, 达到 87.98%; 柽柳的分类精度最低, SVM 和 ANN分类结果后, 生产者精度约为60%, 从图4和图5种看出, 柽柳多为分散分布, 其分布范围较为复杂, 经现场踏勘, 柽柳林较为稀疏,间或生有碱蓬, 有可能造成误分。

表2 可分度33以上波段区间及对应CHRIS影像波段Tab.2 Band range above separability of 33 and corresponding band of CHRIS image

图4 3种经典监督分类结果(3/10/12/13/15/18波段)Fig.4 Three kinds of supervised classification results(band: 3, 10, 12, 13, 15, 18)

图5 3种经典监督分类结果(18波段)Fig.5 Three kinds of supervised classification results (18th band)

表3 3种监督分类算法的PA和总体精度(%)Tab.3 PA and Overall accuracy of three kinds of supervised classification algorithms(%)

表4 三种监督分类算法的UA(%)和Kappa系数Tab.4 UA (%) and Kappa of three kinds of supervised classification algorithms

就用户精度(UA)来看, 除芦苇、水体和大米草外,其余地物的用户精度都有所提升, 其中使用特征波段的SAM分类结果较全波段都有所提升。以碱蓬提升最多, 3种监督分类结果都提升约7%; 但其用户精度却是最低, 最高仅为32.51%, 最低位9.62%, 从图4和图5种可以看出, 碱蓬主要分布于裸滩上, 结合现场踏勘, 发现碱蓬植株矮小, 约在 30 cm, 且植株间距大, 在人工解译时, 碱蓬覆盖度较小的区域归入裸滩, 由此导致其使用者精度低。

4 结论与讨论

作者利用地物现场实测光谱, 通过分析其光谱差异, 利用单倍标准差方法, 选择出特征光谱进行组合, 利用三种典型的监督分类方法(SVM、ANN和SAM)开展分类研究, 结果表明: 基于本文特征波段选择方法总体分类精度较全波段略微有所提高, 其中以ANN分类精度最高, 为82.52%; 较全波段提高了约为5.1%。芦苇、水体、黄河水和裸滩4种地物的识别能力高, 生产者精度都在 80%以上; 碱蓬的用户精度提升最为明显, 约在7%。由此看见基于光谱可分度的特征波段选择方法, 能够将大部分地物的特征波段挑选出来, 对地物分类精度提高有较好的效果。

受CHRIS高光谱遥感影像分辨率不高、研究区内部分地物混杂, 由此造成地物解译可能存在一定偏差, 对分类精度造成一定影响, 另使用本文方法选择特征波段, 阈值多少可能会给分类精度带来影响, 对此将在今后工作中开展下一步研究。

[1]王让会, 刘培君.干旱区土壤水分遥感监测敏感波段的选择[J].新疆气象, 1995, 18(5): 24-26.

[2]刘春红, 赵春晖, 张凌雁.一种新的高光谱遥感图像降维方法[J].中国图像图形学报, 2005, 10(2): 218-222.

[3]杨金红, 尹球, 周宁.一种改进的高光谱数据自适应波段选择方法[J].遥感技术与应用, 2007, 22(4):513-519.

[4]苏红军, 杜培军, 盛业华.高光谱影像波段选择算法研究[J].计算机应用研究, 2008, 25(4): 1093-1096.

[5]何元磊, 刘代志, 易世华.一种新的高光谱图像波段选择方法[J].光电工程, 2010, 37(9): 122-126.

[6]郭磊, 常威威, 付朝阳.高光谱图像融合最佳波段选择方法[J].宇航学报, 2011, 32(2): 374-379.

[7]Millette T L.An Expert System Approach to Spectral Band Slection for Remote Sensing Analysis[A].International Geoscence and Remote Sensing Symposium[C]//Maryland, USA, 1990, 3: 1285-1288.

[8]Chang C, Wang S.Constrained band selection for hyperspectral image analysis[J].IEEE Trans Geosci Remote sens(S0196-2892), 2006, 44(6): 1575-1585.

[9]Wang L, Sousa P.Distinguishing mangrove species with laboratory measurements of hyperspectral leaf reflectance[J].International Journal of Remote Sensing,2009, 30(5): 1267-1281

[10]Schmidt K S, Skidmore A K.Spectral discrimination of vegetation types in a coastal wetland[J].Remote Sensing of Environment, 2003, 85(1): 92-108.