基于高光譜影像的舟曲曲瓦溝樹種識別

周利鵬　馬金輝

摘要 正確識別舟曲地區(qū)溝內森林樹種是進行植被保護的基礎，也為準確計算泥石流發(fā)生的降雨閾值提供參考。利用HYPERION高光譜影像，采用基于純凈像元指數(shù)（PPI）的端元提取方法，提取了6類端元，用波譜特征擬合方法（SFF）、波譜角分類（SAM）方法和二進制編碼方法（BE）識別出核桃、矮灌木、橡樹、刺柏、冷杉和灌木蒿。同時利用基于最小噪聲分離（MNF）的最小能量約束法（CEM）分離出各自的分布范圍。

關鍵詞 高光譜；樹種識別；Hyperion；波譜分析；混合像元分解

中圖分類號 S126 文獻標識碼 A 文章編號 0517-6611（2014）16-05298-04

森林作為陸地生態(tài)系統(tǒng)的主體，在治水保土中發(fā)揮著重要作用。森林既能減少林地土壤或森林流域的水分入收量，也能削減或削弱降雨動能。不同的森林覆蓋類型對降雨水分的截留量和對雨滴動能的削弱效果是不相同的[1]。甘肅白龍江泥石流地質災害頻發(fā)，泥石流高度發(fā)育，對當?shù)厝嗣竦纳拓敭a安全造成極大威脅，因此，泥石流監(jiān)測預警工作十分重要，降雨作為泥石流激發(fā)的決定性因素也被用于泥石流預測工作中[2]。因此正確識別流域內森林物種不僅是當?shù)刂脖槐Ｗo的基礎和依據(jù)[3]，也是計算泥石流爆發(fā)降雨閾值的重要因素。傳統(tǒng)的野外調查方法費時費力、成本較高，并且無法涉及到地形中難于到達的區(qū)域。采用大比例航片進行判讀也存在費時費力、成本昂貴的問題。隨著遙感技術的發(fā)展，遙感方法被應用于樹種識別，但受限于遙感數(shù)據(jù)的低光譜分辨率和森林樹種光譜特征的相似性，只能粗略地將其劃分為植被、非植被，或者劃分為針葉、闊葉[4-6]。高光譜影像具有較高的光譜分辨率，通常有數(shù)十到數(shù)百個波段，它能夠反映地物間細微的光譜差異，在森林樹種識別中有著廣闊的應用前景[7]。Darvishsefat等利用HyMap高光譜數(shù)據(jù)和線性分離模型進行森林樹種類型的識別研究，并與航空高光譜數(shù)據(jù)結果進行對比，證明了其在落葉松類復雜混交林的識別效果[8]。Aspinall利用波段組合、Logistics回歸、建立光譜信息模型等方法進行森林主要樹種類型的識別，均取得了與地面數(shù)據(jù)相吻合的結果[9]。宮鵬等利用高分辨率光譜儀（PSD1000）實地測定數(shù)據(jù)對美國加州乃至北美西海岸的6種主要樹種進行識別，結果表明高光譜數(shù)據(jù)在樹種識別上具有較強能力[10]。劉秀英等利用地物光譜儀采集數(shù)據(jù)，采用波段組合的方法，成功識別出杉木、雪松、小葉樟樹和桂花這幾個樹種[11]。陳爾學等利用Hyperion高光譜數(shù)據(jù)，并以SPOT-5數(shù)據(jù)和地面觀測數(shù)據(jù)為輔助，比較了幾種高光譜統(tǒng)計模式識別方法，結果表明，對高光譜數(shù)據(jù)進行降維，并采用二階統(tǒng)計量估計方法，進而結合空間上下文信息和光譜信息的分類算法（ECHO）可以有效地提高森林樹種的識別精度[12]。王志輝等利用波段指數(shù)、分段主成分分析、光譜微分（一階、二階微分）和包絡線去除等5種方法從葉片和圖像角度驗證了高光譜樹種識別的可行性[13-14]。

Hyperion影像具有較高的光譜分辨率，能夠反映地物目標的波譜特征。然而其空間分辨率只有30 m，因此在影像內混合像元普遍存在，同一像元的光譜特征往往受到幾種地物的共同影響，因而加大了樹種識別難度。為此，筆者利用HYPERION高光譜影像對舟曲西部曲瓦溝內的森林樹種進行識別，探討其在該地區(qū)森林樹種識別上的可行性。

1 研究區(qū)概況及數(shù)據(jù)預處理

1.1 研究區(qū)概況 研究區(qū)域位于甘肅白龍江流域中上游，地處甘南藏族自治州舟曲縣西部，與本州迭部縣相接（圖1）。該區(qū)域地處南秦嶺山地，構造上屬于西秦嶺構造帶的延伸部分，新構造運動活躍。氣候屬于溫帶半濕潤氣候，年降雨量800 mm左右，主要集中在5～10月份[15]，平均海拔2 886 m。

1.2 數(shù)據(jù)預處理 Hyperion是搭載在美國NASA地球觀測衛(wèi)星EO.1（Earth Observing.1）上的高光譜成像光譜儀。EO.1是NASA“新千年計劃”的一部分，2000年11月21日在范登堡空軍基地發(fā)射升空。EO.1衛(wèi)星軌道與Landsat 7 基本相同，為太陽同步軌道，軌道高度為705 km，軌道傾角為98.2°，軌道周期為98.9 min，比Landsat 7 晚1 min過赤道。EO.1上搭載了3種傳感器，除Hyperion外，還有高級陸地成像儀ALI、大氣校正儀AC[16]。Hyperion是第1個星載民用的成像光譜儀，應用領域十分廣泛。Hyperion傳感器以推掃的方式獲取可見光、近紅外（VNIR，400～1 000 nm）和短波紅外（SWIR，900～2 500 nm）光譜數(shù)據(jù)。Hyperion產品分兩級：L0和L1，L0是原始數(shù)據(jù)，僅用來生成L1產品[17]。Hyperion L1產品只有一種數(shù)據(jù)格式HDF，波段存儲格式為BIL。L1產品又分為L1A、L1B、L1R。2002年以前處理的數(shù)據(jù)為L1A，L1B產品由美國TRW處理而成，L1R產品由美國USGS處理生成。L1A與L1B、L1R最大的不同在于L1A產品沒有糾正VNIR波段與SWIR波段之間的空間錯位問題，而L1B和L1R產品中的VNIR波段與SWIR波段之間的空間位置是經過糾正的，用戶無需再進行匹配[17-18]。該研究所用數(shù)據(jù)為L1R產品，該產品不能直接使用，必須進行數(shù)據(jù)預處理，流程如圖2所示。

數(shù)據(jù)預處理流程 L1R產品有242個波段，波段范圍356～2 577 nm，其中只有198個波段經過輻射定標處理，為8～57的可見光近紅外波段（VNIR），77～224的短波紅外波段（SWIR），由于VNIR 56～57與SWIR 77～78重疊，實際只有196個獨立波段。在這些波段中，121～130、165～184和222～224波段受水氣影響較大，極少包含地面信息，需要剔除。剩下的波段為8～57、79～120、131～164、185～221，共163個波段[17-19]。由于在Hyperion L1產品中存在壞線和條紋，壞線的DN值為零或者極小值，條紋的值不為零，一般表現(xiàn)為明顯高于或低于周圍列。對163個波段的影像逐一檢查，并記錄存在壞線和條紋的波段和列號。將壞線普遍存在的第1列和第256列刪除，對其余壞線采用其相鄰列的平均值代替達到修復的效果[18]，并采用“全局去條紋”的方法去除Hyperion影像上的條紋 [18，20]。Smile效應是指由于推掃式掃描傳感器光譜扭曲產生的像元的波長從中心位置向兩側偏移[21]。Smile效應降低了影像的分類精度，必須加以糾正。該研究采用Goodenough等提出的Column Mean Adjusted in MNF Space方法[22]，分別對VNIR波段和SWIR波段進行MNF變換，取變換結果的前15個波段（后面的波段基本為噪聲），經MNF逆變換，再將生成的VNIR和SWIR圖像合在一起，將Smile效應糾正，并消除光譜曲線的鋸齒現(xiàn)象[18-19]。該研究采用ENVI軟件的FLAASH大氣校正模塊，由于Hyperion影像在生成時像元值采用了擴大因子，VNIR波段為40，SWIR波段為80，影像的單位為w/（m2·um·sr），而FLAASH大氣校正模塊需要輸入的量綱為μm/（cm2·nm·sr），兩者存在一個10倍的因子系數(shù)，所以在進行大氣校正時應輸入一個VNIR波段為400、SWIR波段為800的比例因子[17]。完成大氣校正后圖像的輻射值是乘以10 000的，采用Band Math工具將輻射值除以10 000轉換為反射率。以校正好的TM影像為基準，采用人機交互選擇地面控制點的方式對生成的影像進行幾何校正。

2 樹種識別

2.1 最小噪聲分離（Minimum noise fraction，MNF） MNF是將一幅多波段圖像的主要信息集中在前幾個波段中，達到降維、分離數(shù)據(jù)中噪聲的目的，以減少后處理中的計算量的方法。MNF是一種線性變換，本質是含有兩次疊置分析的主成分分析。將包含163個波段的Hyperion影像全部進行MNF分析，可以看到，影像信息主要集中在前20個波段，后面的波段基本是噪聲。

2.2 純凈像元指數(shù)（Pixel Purity Index ，PPI） ENVI的PPI工具通過N維散點圖將所有像元迭代映射為一個隨機單位向量，每次映射的極值單元被記錄下來，將每個像元被標記為極值的總次數(shù)生成一幅“像元純度圖像”，像元的DN值表示像元被標記為極值的次數(shù)，迭代的次數(shù)越多，就越容易發(fā)現(xiàn)純凈像元，如圖3所示。此次研究將迭代次數(shù)設置為10 000次，由于輸入數(shù)據(jù)為MNF結果，所以閾值系數(shù)選擇2和3即可，閾值系數(shù)越大，能找到更多的極值像元，但是包含的不純凈像元也越多。

圖3 PPI圖像2.3 N維散點圖 利用n.D Visualizer工具將PPI值較大的像元點投影到MNF變換后的主成分空間，組成20維的空間散點圖，設置適當?shù)乃俣?，通過交互式旋轉，將處于點云拐點或末端的像元確定為端元。當數(shù)據(jù)維數(shù)高于4或5時，交互式識別和定義類別變得比較困難，可對類別進行Collapse變換降低維數(shù)。當端元識別完成以后，提取端元的波譜曲線并保存，圖4為提取的端元波譜。

圖4 端元波譜曲線2.4 波譜分析 對ENVI標準波譜庫中的USGS植被波譜庫進行重采樣，使之與所提取的端元波譜相匹配。采用波譜特征擬合方法（SFF）、波譜角分類（SAM）方法和二進制編碼方法（BE），并對3種匹配方法的權重進行不同的設置，將獲取的端元波譜與重采樣后的USGS植被波譜庫的物質波譜進行光譜匹配分析。根據(jù)匹配結果評分確定兩種波譜的相似度，進而確定端元的物質類別。很多樹種在一個波長范圍內是相似的，在其他范圍內可能具有較大差異，因此應該使用含有診斷性特征的波長范圍進行分析。表1為提取的第1類端元波譜同USGS植被波譜庫進行光譜分析后的得分，核桃樹與未知端元波譜相似度最高，得分為1.859，因此將之判定為核桃樹。

2.5 最小能量約束法（Constrained Energy Minimization，CEM） CEM的原理是使用有限脈沖響應線性濾波器（Finite Impulse Response，F(xiàn)IR）和約束條件來最小化平均輸出能量，以抑制影像中的噪聲和非目標端元光譜信號，即抑制背景光譜，定義目標約束條件來分離目標光譜。CEM使用MNF變換結果作為輸入文件，計算過程中選擇協(xié)方差矩陣計算。每個端元波譜對比每個像元得到一幅灰度圖像，值越大表示越接近目標。選擇圖像值最大的部分即可得到核桃樹的分布范圍（圖5）。

3 結果與分析

運用上述方法，對研究區(qū)域Hyperion影像進行數(shù)據(jù)處理與分析研究，嘗試進行樹種識別與填圖工作，共提取6類植物端元光譜，經過光譜分析，將6類端元識別出來，分別為核桃樹、矮灌木、橡樹、刺柏、冷杉和灌木蒿。利用礦物填圖的方法對識別出的6類植物進行分離，得到6類植物的分布圖（圖6）。

為了驗證識別結果的準確性，在研究區(qū)域進行了實地調查。在感興趣的區(qū)域分別采集了24個點，其中21個為實采點，3個點為因地形原因無法達到而根據(jù)實際位置進行估計得到的點。利用ENVI的混淆矩陣對分類結果進行驗證，得到分類精度統(tǒng)計結果（表2）。

由表2可知，第1類端元核桃樹的識別結果很準確，實地采集點都落在分類范圍內，然而實際核桃林分布面積要比分類結果小很多。由于影像獲得時間較早（2004年）和近年來核桃林面積的縮小，分類精度顯著高于實際。

第2類端元矮灌木的種類識別精度為80%，其分布范圍與實際較為吻合，在低海拔山坡下部也有同類矮灌木分布，然而面積較小。

第3類端元識別為橡樹，在實地調查中發(fā)現(xiàn)，在相應區(qū)

圖6 6類端元分離填圖結果域內種植有青岡樹，青岡樹為櫟屬，別稱橡樹、橡子樹、櫟樹，這表明其被識別為橡樹的結果是具有一定準確性的。得到的青岡樹分布精度為60%，青岡樹在離溝道較近的山坡壩上以及村后的緩坡上也有分布，但在識別范圍中未被識別出來，其面積較小以及與巨大楊樹混交是其未被識別的主要原因。

第4類端元識別為刺柏，分布在海拔較高的地帶，由于地形原因未能進行實地采點驗證，通過山中村民了解到在海拔較高地帶確實分布大片柏樹林，其實際分布范圍不詳。

第5類端元識別為冷杉，在研究區(qū)域內冷杉以成片樹林或者單獨一棵或數(shù)棵的形式分布，在分類結果所示冷杉識別精度為71.4%，海拔較低的山坡上成片冷杉林以及零星分布的冷杉均未被識別，這與其分布面積較小或者零星存在有關。

第6類端元識別為灌木蒿，在實際調查中該類植被主要分布在廢棄或休耕的田地中，或者在因崩塌或滑坡產生的緩坡上，識別精度為80%，一些面積較小或者植被覆蓋度較低的崩塌蒿草區(qū)未被識別。在溝谷的兩側山坡上長有大量的灌木和蒿草，其種類繁多，分布交錯復雜，在光譜特征上沒有反映出診斷性特征，所以未能得出有意義的結果。另外，在溝谷內和較低的緩坡上存在柿子樹、柳樹以及楊樹，但其分布范圍非常小所以未能將其識別。

4 結論

該研究利用Hyperion高光譜影像，采用基于MNF與PPI的端元提取技術，在研究區(qū)域內共提取出6類端元，并運用波譜分析技術，識別出核桃、矮灌木、橡樹（青岡樹）、刺柏、冷杉和灌木蒿，然后利用CEM進行混合像元分解，將6種樹木和灌草分離出來，并得到其分布范圍。在種類識別上與實際情況較為吻合，在分布范圍上平均分類精度可以達到78.3%。由于森林樹種的光譜具有極大的相似性，環(huán)境、地形因素以及不同樹種混交的相互效應使樹種的光譜特征產生變異[23]，而且在光譜分析中使用的是美國植物標準波譜數(shù)據(jù)庫，它與我國樹種存在的差異性使得光譜識別變得困難，因此建立和完善我國地區(qū)的樹種標準波譜數(shù)據(jù)庫在高光譜樹種識別工作中尤為重要。由于Hyperion高光譜影像空間分辨率不高（30 m），在野生森林中多存在樹木混交現(xiàn)象，所以在端元提取以及混合像元分解上只利用了較少的光譜信息，尚有未被提取和識別的植被，因此對Hyperion高光譜數(shù)據(jù)的挖掘和分析仍有較大的空間。

參考文獻

[1] 劉向東，吳欽孝，趙鴻雁.森林植被垂直截留作用與水土保持[J].水土保持研究，1994，1（3）：8-13.

[2] 陳景武我國暴雨泥石流預報研究[C]//第四屆全國泥石流學術會討論論文集.蘭州：甘肅文化出版社，1994.

[3] 劉旭升，張曉麗.森林植被遙感分類研究進展與對策[J].林業(yè)資源管理，2004（1）：61-64.

[4] 譚炳香.高光譜遙感森林類型識別及其郁閉度定量估測研究[D].北京：中國林業(yè)科學研究院，2006.

[5] 譚炳香.高光譜遙感森林應用研究探討[J].世界林業(yè)研究，2003，16（2）：33-37.

[6] 譚炳香.高光譜遙感森林信息提取研究進展[J].林業(yè)科學研究，2008，21（S1）：105-111.

[7] MARTIN M E，NEWMAN S D，ABER J D，et al.Determining forest species composition using high spectral resolution remote sensing data[J].Remote Sensing of Environment，1998，65（3）：249-254.

[8] DARVISHSEFAT A A，KELLENBERGER T W，ITTEN K I.Application of hyperspectral data for forest stand mapping[C]//Symposium on Geospatial Theory.Otawa，Processing and Applitions，2002.

[9] ASPINALL R J.Use of logistic regression forvalidation of maps of the spatial distribution ofvegetation species derived from high spatial resolution hyperspectral remotely sensed data[J].Ecological Modelling，2002，157：301-312.

[10] 浦瑞良，宮鵬.高光譜遙感及其應用[M].北京：高等教育出版社，2000.

[11] 劉秀英，林輝，熊建利，等.森林樹種高光譜波段的選擇[J].遙感信息，2005，80（4）：41-45.

[12] 陳爾學，李增元，譚炳香等.高光譜數(shù)據(jù)森林類型統(tǒng)計模式識別方法比較評價[J].林業(yè)科學，2007，43（1）：84-90.

[13] 王志輝，丁麗霞.基于葉片高光譜特性分析的樹種識別[J].光譜學與光譜分析，2010，30（7）：1825-1829.

[14] 王志輝.高光譜遙感在森林樹種識別中的應用[D].杭州：浙江農林大學環(huán)境與資源學院，2011.

[15] 魏新功，王振國，包紅霞.降水原因造成的舟曲縣地質災害分析[J].甘肅科技，2008，24（21）：84-88.

[16] PAMELA BARRY.EO-1/ Hyperion Science Data Users Guide[R].TRW Space，Defense & InformationSystems，One Space Park Redondo Beach，CA 90278，2001.

[17] Richard Beck，EO-1 User Guide v.2.3[EB/OL].http：//eo1.usgs.gov & http：//eo1.gsfs.nasa.gov，2003.

[18] 譚炳香，李增元，陳爾學，等.EO-1 Hyperion高光譜數(shù)據(jù)的預處理[J]. 遙感信息，2005（6）：36-41.

[19] 梁繼，王建.Hyperion高光譜影像的分析與處理[J].冰川凍土，2009，31（2）：247-252.

[20] 周清，祝民強.EO-1Hyperion高光譜數(shù)據(jù)FLAASH模塊大氣糾正及評價[J].測繪與空間地理信息，2011，34（6）：149-151.

[21] KRUSE F A，BOARDMAN J W，HUNTINGTON J F.Comparison of airborne hyperspectral data and EO-1 hyperion for mineral mapping[J].IEEE Transactions on Geoscience and Remote Sencing，2003，41（6）：1388-1400.

[22] GOODENOUGH D G，DYK A，NIEMANN K O，et al.Processing hyperion and ALI for forest classification[J].IEEE Transactions on Geoscience and Remote Sencing，2003，41（6）：1321-1331.

[23]曾慶偉，武紅敢.基于高光譜遙感技術的森林樹種識別研究進展[J].林業(yè)資源管理，2009（5）：109-114.安徽農業(yè)科學，Journal of Anhui Agri. Sci.2014，42（16）：5324-5325責任編輯 胡劍勝 責任校對 況玲玲