从高光谱遥感影像提取植被信息解析.docx
《从高光谱遥感影像提取植被信息解析.docx》由会员分享,可在线阅读,更多相关《从高光谱遥感影像提取植被信息解析.docx(14页珍藏版)》请在冰豆网上搜索。
![从高光谱遥感影像提取植被信息解析.docx](https://file1.bdocx.com/fileroot1/2023-5/28/ef0e2186-5d8a-40fa-8218-92ff9ab0df38/ef0e2186-5d8a-40fa-8218-92ff9ab0df381.gif)
从高光谱遥感影像提取植被信息解析
第33卷第3期
2008年5月
测绘科学
ScienceofSurveyingandMapping
Vol33No3
May
作者简介:
温兴平(1970-,男,山西兴县人,在读博士,高级工程师,研究方向为定
量遥感、遥感影像的大气校正。
E-mai:
lwfxyp@sohucom
收稿日期:
2007-01-22
基金项目:
本研究由国土资源大调查
(从高光谱遥感影像提取植被信息
*曰、\/w
温八
胡光道
杨晓峰
(中国地质大学数学地质遥感地质研究所,武汉430074;地质过程与矿产资源国家
重点实验室,武汉430074;南京信息工程大学环境科学与工程学院,南京
210044
摘要遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。
高光谱遥感数据因其特有的高
光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。
植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。
本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM方法对植被信息进行了提取,参考光
谱使用ASD光谱辐射仪采集的植被光谱曲线。
文中对高光谱遥感影像的辐射定标和大气校正进行了研究,针对影响光谱辐射仪采集的主要因素采取了相应的措施,并
对光谱曲线分类及参考光谱曲线的选取进行了研究。
将选取出的参考光谱曲线与大气校正后的遥感影像进行SAM匹配提取出植被信息,经过与实地调查资料比较并计算总体精度和kappa系数,计算结果达到预期精度。
最后将分类结果转换为矢量图,经过投影转换为大地坐标后制作出北衙植被分布图。
关键词高光谱遥感;植被信息;SAM;提取
中图分类号TP75文献标识码A文章编号1009-2307(200803-0066-03DOI:
10
3771/jissn1009-2307200803022
1引言
遥感技术提取植被信息已经有很长的历史,遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。
由于植被在不同波段内表现出不同的吸收反射特征,根据这些特征可以有效地监测出植被的各类信息。
Peterson等用统计回归方
法研究了卫星和机载遥感数据与叶面积指数、生物量和叶生物化学成分之间的关系[1,2],Gong等用机载成像光谱仪估计森林郁闭度达到较好效果[3]。
早期的研究主
要利用植被指数[4-7],目前文献中已有150多种植被指数,但这种用植被指数来提取植被信息由于仅使用了部分波段而不能充分利用多光谱数据的全部信息。
高光谱数据最早应用于地质领域[8],1988年以后成功应用于生态、大气科学、农林业等领域[9]。
高光谱遥感数据有更多的波段,更高的波谱分辨率,使得高光谱数据在生态领域有更广泛的应用。
高光谱植被遥感主要研究生态遥感所涉及的植被类型的识别与分类、植物化学成分的估测、植物生态学评价等[10]。
用高光谱遥感数据提取植被
信息得到了大量成功的应用[11-16]。
光谱角度填图SAM是利用高光谱遥感数据提取信息较为成熟的一种方法[17-19]。
杨可明等用SAM方法成功对小麦条锈病的病害信息进行了提取[20]。
童庆禧等用光谱波形的匹配模型从高光谱分辨率图像上有效定量提取出植被生物物理参量,并进行了湿地植被类型识别。
该算法在鄱阳湖湿地成功地识别出各种湿地植被类型,并完成了湿地植被分类图[21]。
本文基于EO-1Hyperion高光谱遥感数据,参考光谱用ASD便携式野外光谱辐射仪采集到的植被光谱曲线,用SAM方法对植被类型信息进行识别,
经计算分类结果的总体精度和Kappa系数均达到了预期目标。
2高光谱影像资料的大气校正
EO-1Hyperion高光谱遥感数据的刈幅宽度为75KM,可见光35个波段、近红外35个波段和短波红外172个波段,波谱范围400-250Onm,星下点分辨率为30m。
SAM是基于参考光谱与像元光谱进行匹配,从而实现对目标信息的提取。
而遥感影像数据在数据采集过程中会受到大气的干扰,因而在提取之前对遥感影像进行大气校正是十分重要的。
数据在大气校正前首先要对数据进行预处理,包括坏线和死线处理和辐射定标。
高光谱辐射仪在扫描过程中会出现坏线和死线,影响影像的识别,所以在校正前
须进行处理。
高光谱遥感数据中有一个MASK字段用来标识数据接收状态,通过
MASK数据段可以找出死线和坏线在影像中的位置,然后将这些死线和坏线用周边2个像点的平均值代替。
高光谱成像仪在数据存贮时对可见光和近红外波段乘以40
的比例因子,对于短波红外波段乘以80的比例因子,所以只需将波段数字值DN除以相应的比例因子即可转换为辐射率[22]。
高光谱遥感影像的大气校正较为成熟的方法有FLAASH、ACRON和ATRE
M等。
FLAASH整合了MODT-RAN[23]大气辐射传输模型,可以精确地计算出大气对辐射的影响并考虑了邻近效应的影响,可以对图像进行精确的大气校正[24]。
本次研究采用FLAASH对影像资料进行大气校正。
校正过程中使用参数为:
传感器高度705KM,地面高程2KM,星下点分辨率30米,时间为2004年11月11日,卫星越境世界时为03:
36:
42。
气溶胶模式选农村模式,大气模式为中纬度夏季,能见度为40KM。
中心经纬度为1008和263,对应云南省大理至鹤庆一带。
影像校正后,经过统计值计算发现极个别波段有少量数据的反射率出现负值,将
这些负值做了清零处理,处理后显示影像光谱曲线时发现光谱存在强烈的吸收带。
大气中引起辐射吸收的主要成分有臭氧、二氧化碳、水汽等,但前二者在波谱上仅
有吸收谷,而水汽强烈吸收带波段处过分响的波
第3期温兴平等从高光谱遥感影像提取植被信息为56-79;120-127;167-181,对应中心波长为935nm,1130nm,1900nm[25],这些通道数据由于水汽的强烈吸收成为不规则的噪声,所以在研究之前必须将这些波段排除。
校正后对影像上四点光谱曲线进行采样,分别对应地面植被、水体、道路、土壤。
图1是不同地物影像光
谱辐射率曲线图,图2为大气校正后的不同地物光谱反射率曲线。
从图2可以看出,
校正后不同地物的光谱曲线特征明显,与标准参考库内地物光谱曲线类似,水体的反射率几乎全为零,校正过程达到了预期效
不同地物光谱辐射率曲线
2大气校正后的
地物光谱反射率
lit
III
果。
3植被光谱的选取
ASD便携式野外光谱辐射仪是由美国分析光谱仪器公司制造,光谱范围是
350~2500nm,它能以01s的速度记录一个350~2500nm范围的光谱,非常适合于地面光谱采集。
光谱采样时间为2004年7月中旬,虽然与影像成像时间有一定间隔,但由于当地气候条件,本地的植被信息在两个时段基本类似。
对应的天气状况与影像采集时的天气状况相同,采集时间为上午11时与影像成像时间大致一致便于比较。
植被反射光谱曲线主要由叶面所含叶绿素、水份、氮等其他生物化学成分对光
谱的吸收形成的,所以不同种类的植被有明显不同的光谱特征,据此可以通过光谱特征将不同植被信息区分。
植被样本的采集选取了当地有代表的十几种类型的植被,
如松树、槐树、撅类植物、灌木林、草地等。
光谱仪在采集光谱时会受到许多因素
的干扰,如光照条件、光谱仪与目标物的距离、光谱仪测量角度、周边环境等诸多因素。
为尽量减少这些因素的干扰,在采集时对同一植被类型在不同光照条件、距离、采集角度、地点进行了采样。
植被参考光谱的选取是比较重要的环节,研究中
所采用的方法是首先将所有植被样本分为4类:
针叶林、阔叶林、密低矮植被、稀疏低矮植被。
然后把所有同类型植被的光谱与影像进行SAM匹配,匹配后通过统
计值计算,选取匹配面积最大的光谱曲线作为此类植被的参
X-厂、、JI||
1不同地物光谱
辐射率曲线
考光谱。
图3ASD光谱辐射仪采集的
不同植被的光谱曲线
ASD便携式野外光谱辐射仪的光谱分辨率在350~10OOnm之间为3nm,在
1000~2500nm之间为10nm,而EO-1Hyperion高光谱遥感数据的光谱分辨率约为
10nm,由于二者分辨率不同,在进行比
较前须对采集的光谱进行
重采样。
重采样后的四类
植被的参考光谱曲线如图3。
从图3上看出,不同类型的植被光谱曲线在不同波段有明显的差异,稀疏低矮植被光谱明显带有混合光谱特征,光谱曲线接近土壤光谱曲线。
4用SAM对植被信息进行提取
*如R霁"]04皿比I>SK|?
)I12I45
rWt
Hr
不同地物光谱
辐射率曲线
2大气校正后的不同
地物光信反射率曲线
SAM(Spectralanglemapper方法是通过计算一个测试
光谱(像元光谱与一个参考光谱之间的角度来确定两者之间的相似性,夹角越小,两条光谱越相似[10]。
SAM将光谱数据看作空间矢量,矢量维度等于波段总数。
由于SAM计算的是光谱矢量之间的夹角,增加或减小像元点的亮度仅会导致光谱曲线反射率总体增加或减小而不会改变光谱矢量的方向,因而光照条件对SAM方法的计算结果影响较小。
采集地区位于多山地带,阴影区明显,因而用这种方法提
取目标信息较为理想。
SAM的计算用公式(1[26],计算后选择一定的光谱夹角阈值即可完成提取工作。
cos=
AB
AB
N
i=1
Ai
B
ii=1
Ai
A
i
i=1
Bi
B
式中N为光谱采样波,Ai和Bi为光谱矢量,为光谱夹角。
研究中阈限值取cos=0995,即=573。
当计算值大于时即认为光谱不匹配。
匹配计算完成后对分类精度进行了评价。
光谱仪在采集光谱的同时对采集目标进行了实地拍照,并用GPS定位仪记录了采集地点的经纬度。
将这些资料处理后与遥感影像进行叠加,并结合遥感影像上像元点的波谱曲线与不同波段组合的目视解译在图上选取出参考样本数据,而后生成混淆矩阵,计算出的总体精度和Kappa系数[27]见表1。
然后对分类结果进行了分类后处理,过滤掉一些散点,并对一些相邻同类分区进行了合并处理。
表1分类精度评价结果
参考样本数据
针叶林阔叶林密低矮植被稀疏低矮植被总和
分
类
影像未分类1819102370针叶林976121161005阔叶林010*********密低矮植被1009260936稀疏低矮植被
300988991总和
1007
1055
962
4041
总体精度=968572%Kappa系数=09583
5制作植被分布图
首先将分类结果转换成矢量图,然后对矢量图进行投
影转换为大地坐标。
投影时采用高斯-克吕格3度带投影,
带号为33,中心经度为99,大地基准面为西安1980。
最后制作的植被分布图见图4。
图4北衙植被分布图
67
测绘科学第33卷
6结束语
文中介绍了基于高光谱遥感数据用SAM方法对植被信息进行提取的方法与步骤。
首先是对遥感影像进行大气校正,这一步是比较关键的,大气校正的精度直接影响着后面目标信息的提取。
大气校正前首先要对遥感影像中的坏线和死线进行处理然后进行辐射定标,校正后要对水汽强吸收波段进行排除。
光谱仪在采集光谱时为减少干扰因素,在采集时对同一目标在不同光照条件、距离、采集角度、地点等进行多次采样,而后对植被光谱进行分类并选取出不同种类植被的参考光谱。
将选取出的参考光谱曲线与大气校正后的遥感影像进行SAM匹配提取出植被信息,经过
与实地调查资料比较并计算总体精度和kappa系数,计算结果达到预期目标。
最后
将分类结果转为矢量数据,并导入ARCGIS进行投影转换为大地坐标,最后制作出北衙植被分布图。
在研究中也发现,虽然已经对不同光照条件下的植被光谱信息进行了采集,但对遥感影像阴影区下的植被信息的提取还存在误差,部分阴影区的植被信息也存在错识别,这将是下一步工作研究的主要目标。
参考文献
[1]
PetersonDLRemotesensingofforestcanopyandleafbiochemicalcontents[J].RemoteSensingofEnviron-ment,1988,24(1:
85-108[2]
PetersonDL,etalRelationshiPofthematicmappersimulatordatatoleafareaindexoftemperateconiferousforests[J].RemoteSensingofEnvironment,1987,22(3:
323-341[3]
GongP,JRMiller,MSpannerForestcanopyclosurefromclassificationandspectralunmixingofscenecompo-nents-multisensorevaluationofanopencanopy[J].IEEETransactionsonGeoscienceandRemoteSensing,1994,32(5:
1067-1073
[4]
RouseJWMonitoringvegetationsystemsintheGreatPlainswithERTS[M].NASAGoddardSpaceFlightCenter3dERTS-1Symp,1974-1
[5]
TuckerCJRedandPhotographicInfraredLinearCom-binationsforMonitoringVegetation[J].RemoteSens-ingofEnvironment,1979,8(2:
127-150
⑹田庆久,闵祥军植被指数研究进展[J].地球科学进展,1998,13(4:
327-333
[7]
ThenkabailPS,RBSmith,EDePauwHyperspectralvegetationindicesandtheirrelationshipswithagricultural
croPcharacteristics[J].RemoteSensingofEnviron-ment,2000,71(2:
158-182
[8]GoetzAFH,etalImagingspectrometryforearthre-motesensingScience[J]1985,228(4704:
1147-1153
[9]VaneG,AFHGoetzTerrestrialimagingspectroscopy
[J].RemoteSensingofEnvironment,1988,24(1:
1-29
[10]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[11]SagalovichVN,E丫Falkov,TITsarevaEstimationof
chlorophyIIcontentinplantleavesandcanopyfromhy-perspectralvegetationindexes[J].IssledovanieZemliizKosmosa,2002,(6:
81-85
[12]SagalovichVN,E丫Falkov,TITzareva,Estimation
ofwatercontentinvegetationfromhyperspectralvegeta-tionindices[J]IssledovanieZemliizKosmosa,2004,(1:
63-67
[13]KempeneersP,etalGenericwavelet-basedhyperspec-tralclassificationappliedtovegetationstressdetection
[J].IEEETransactionsonGeoscienceandRemoteSensing,2005,43(3:
610-
614[14]KempeneersP,etalWaveletBasedFeatureExtraction
forHyperspectralVegetationMonitoring[C]//inPro-ceedingsofSPIE-TheInternationalSocietyforOpticalEngineering,2004,Barcelona,297-305
[15]廖克,等高分辨率卫星遥感影像在土地利用变
化动态监测中的应用[J].测绘科学,2006,31(6
[16]BaughWM,FAKruse,WWAtkinson
JrQuantitativegeochemicalmappingofammoniummin-eraIsinthesouthernCedarMountains,Nevada,usingtheairbornevisibIe/infraredimagingspectrometer(AVIRIS[J].RemoteSensingofEnvironment,1998,65(3:
292-308
[17]杨可明,郭达志,陈云浩高光谱植被遥感数据光谱
特征分析[J].计算机工程与应用,2006,31
[18]童庆禧,等湿地植被成象光谱遥感研究[J].遥
感学报,1997,(01[19]FLAASHModuleUsers'Guide(ENVIFLAASHVersion
42[Z]2005,ResearchSystemsInc
[20]徐希孺遥感物理[M].北京:
北京大学出版
社,2005
ExtractingvegetationinformationfromhyperspectraIimagery
Abstract:
ThevegetationcIassification,characteristicandgrowthvigourinIargeareascanbedetectedquickIyusingremotesensingHyperspectraIremotesensinghaspotentiaIappIicationinecoIogyfieIdforitshigherspectrumresoIutionVegetationin-formationasanimportantparameterofentironmentevaIuationcanbenefitforconstructionandsupervisioninregionentironmentInthispaper,thevegetationinformationinBeiyaregioncanbeextractedbySAMaIgorithmusinghyperspectraIremotesensingimageThespectrumacquiredbyASDhandhoIdspectroradiometerinsituisusedasreferencespectrumThispaperinvestigatestheatmosphericcorrectionandcaIibrationofhyperspectraIremote
sensingdataMeanwhileitresearchesthemaininfluencefac-torsanditsresponsemeasureofacquiringvegetationreflectancespectralandchoosingtheendmemberspectrumTheclassifica-tionresultismadebySAMmatchandcheckedbyoverallaccuracyandKappacoefficientFinallythevegetationdistributionmapismadebyprojectiontransformation
Keywords:
hyperspectralremotesensing;vegetationinformation;SAMalgorithm;extracting
WENXing-ping,HUGuang-dao,YANGXiao-feng
(InstituteofMathematicGeologyandRemoteSensingGeology;Ch-inaUniversityofGeosciences;Wuhan430074,China;StateKeyLaboratoryofGeologicalProcessesandMineralResources;Wuhan430074,China;Facultyo