基于多角度融合的CHRIS數(shù)據(jù)提取濕地植被的研究

李偉娜，韋 瑋，張懷清，劉 華，郝 瀧

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091； 2.中國(guó)林業(yè)科學(xué)研究院濕地研究所，北京 100091)

基于多角度融合的CHRIS數(shù)據(jù)提取濕地植被的研究

李偉娜1，韋 瑋2*，張懷清1，劉 華1，郝 瀧1

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091； 2.中國(guó)林業(yè)科學(xué)研究院濕地研究所，北京 100091)

[目的]利用多角度高光譜數(shù)據(jù)，分析不同角度下東洞庭湖濕地典型植被群落的光譜特征，確定多角度信息融合的最佳方法，并對(duì)融合影像進(jìn)行濕地植被類(lèi)型精細(xì)識(shí)別。[方法]使用CHRIS多角度高光譜數(shù)據(jù)，針對(duì)洞庭湖濕地植被的光譜特征，研究計(jì)算窄波段NDVI的最佳波段組合和角度，評(píng)價(jià)CHRIS 0°影像與NDVI的像素級(jí)融合方法，進(jìn)而對(duì)洞庭湖地區(qū)濕地植被進(jìn)行提取。[結(jié)果]計(jì)算NDVI 的最佳紅波段和近紅外波段分別位于667.6 nm和926.95 nm，對(duì)應(yīng)于CHRIS數(shù)據(jù)的第24波段和第55波段；選取HSV、Brovery、Gram-Schmidt 和PCA 4種融合方法進(jìn)行融合，發(fā)現(xiàn)PCA融合圖像的光譜信息丟失最少、紋理細(xì)節(jié)更豐富，信息量最大；PCA融合影像的總體精度為81.36%，比單角度影像提高7.93%，Kappa系數(shù)提高0.097 6，且苔草的漏分誤差和泥蒿的錯(cuò)分誤差得到明顯改善。[結(jié)論]基于NDVI 的多角度信息融合是提高濕地植被識(shí)別精度的一種有效途徑，多角度信息融合豐富了地物的信息量，提高地物識(shí)別精度。

多角度；NDVI；融合；濕地植被

濕地植被是濕地生態(tài)系統(tǒng)中最敏感的組成要素，直接反映濕地生態(tài)環(huán)境的變化狀況，同時(shí)制約著濕地動(dòng)物的數(shù)量與分布。隨著遙感技術(shù)的發(fā)展與應(yīng)用，利用遙感影像可以快速高效地監(jiān)測(cè)大面積濕地植被[1-2]，有效避免了傳統(tǒng)方法更新速度慢、難以深入調(diào)查等問(wèn)題。然而，由于濕地植被特殊的復(fù)雜性和不確定性[3]，基于多光譜遙感影像很難精細(xì)劃分濕地植被群落[4-5]。

高光譜遙感具有通道數(shù)多、波段間隔窄、圖譜合一等特點(diǎn)，在濕地植被的分類(lèi)識(shí)別和信息提取中具有獨(dú)特的優(yōu)勢(shì)[6-7]。多角度同步觀(guān)測(cè)從多個(gè)方向觀(guān)測(cè)固定目標(biāo)，能夠反映地物反射率的各項(xiàng)異性，豐富目標(biāo)的觀(guān)測(cè)信息，提高地物的識(shí)別精度。緊密型高分辨率成像光譜儀(CHRIS)搭載在歐空局PROBA平臺(tái)上，是唯一可以一次性獲得5個(gè)角度高光譜數(shù)據(jù)的星載傳感器。目前，國(guó)內(nèi)外研究學(xué)者利用CHRIS數(shù)據(jù)的多角度和高光譜特性進(jìn)行了許多研究。2005年，Guanter等[8]首次將CHRIS多角度數(shù)據(jù)與地面實(shí)測(cè)光譜進(jìn)行對(duì)比分析，指出了高光譜和多角度結(jié)合的CHRIS數(shù)據(jù)在地球觀(guān)測(cè)系統(tǒng)中的優(yōu)勢(shì)。2008年，Verrelst等[9]借助CHRIS多角度數(shù)據(jù)，研究森林和草地的各類(lèi)植被指數(shù)對(duì)角度的靈敏性。2009年，Galv?o等[10]利用CHRIS多角度數(shù)據(jù)，對(duì)亞馬遜熱帶次生林演替進(jìn)行識(shí)別，結(jié)果表明多角度結(jié)合可以提高分類(lèi)精度。2010年，張西雅等[11]分析不同土地覆蓋類(lèi)別的多角度特征，并對(duì)多角度組合圖像進(jìn)行分類(lèi)評(píng)價(jià)。2011年，韋瑋等[12]將CHRIS+36°、0°和-36°三個(gè)角度影像的組合變換，對(duì)高寒沼澤濕地進(jìn)行遙感分類(lèi)。同年又提出將-36°的NDVI與0°影像進(jìn)行Gram-Schmidt變換融合，并采用波譜角填圖方法提取高寒沼澤濕地植被類(lèi)型[13]。盡管研究者利用多角度數(shù)據(jù)進(jìn)行許多研究，然而多角度信息結(jié)合的研究仍處于實(shí)驗(yàn)階段，沒(méi)有足夠的理論支持。本研究利用多角度高光譜CHRIS/PROBA數(shù)據(jù)，分析不同角度下東洞庭湖濕地典型植被群落的光譜特征，研究運(yùn)算NDVI的最佳角度和波段組合，同時(shí)確定多角度信息融合的最佳方法，并對(duì)融合影像進(jìn)行濕地植被類(lèi)型精細(xì)識(shí)別。

1 研究區(qū)概況及數(shù)據(jù)獲取

1.1 研究區(qū)概況

1.2 遙感數(shù)據(jù)源

表1 CHRIS數(shù)據(jù)的成像順序及角度特征

洞庭湖地區(qū)濕地植被生長(zhǎng)茂盛，沒(méi)被水體淹沒(méi)，便于進(jìn)行濕地植被提取。飛行時(shí)間為北京時(shí)間上午08:17，太陽(yáng)高度角為59°。由于-55°和+55°兩幅影像存在較嚴(yán)重的幾何畸變，難以與另外3個(gè)角度的數(shù)據(jù)配準(zhǔn)，且不能覆蓋典型植被區(qū)，因此本研究只選擇了0°、+36°和-36°影像作為原始數(shù)據(jù)進(jìn)行研究。

表2 CHRIS數(shù)據(jù)模式1的波段通道

2 數(shù)據(jù)處理方法

2.1 CHRIS數(shù)據(jù)預(yù)處理

由于原始的CHRIS圖像存在條帶噪聲、輻射誤差和幾何畸變等問(wèn)題，因此需要對(duì)CHRIS影像依次進(jìn)行一系列預(yù)處理操作。首先，對(duì)CHRIS數(shù)據(jù)進(jìn)行噪聲去除，目前普遍采用歐空局提供的HDFclean軟件對(duì)圖像進(jìn)行缺失像元填充和條帶去除，操作簡(jiǎn)單、效果較理想。其次，為了消除大氣和光照等因素對(duì)地物反射的影響，得到地表真實(shí)的輻亮度，需要對(duì)CHRIS圖像進(jìn)行大氣校正。使用ENVI軟件中的FLAASH大氣校正模塊，其中輸入的參數(shù)均可從CHRIS數(shù)據(jù)頭文件中獲得。然后，以2013年4月26日的Landsat8陸地成像儀OLI圖像(空間分辨率為 30 m)為基準(zhǔn)影像，結(jié)合先進(jìn)星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型(ASTER GDEM)(空間分辨率為30 m)，對(duì)CHRIS數(shù)據(jù)進(jìn)行正射校正。最后，對(duì)3個(gè)角度的CHRIS圖像相互進(jìn)行精確配準(zhǔn)，將誤差保持在1個(gè)像元內(nèi)。

2.2 NDVI計(jì)算

歸一化植被指數(shù)(NDVI)是植被生長(zhǎng)狀態(tài)和空間分布特征的最佳指示因子，且能夠反映濕地植被冠層的背景影響，對(duì)濕地植被提取具有重要意義。計(jì)算公式為：

(1)

其中，DN為近紅外、紅波段的計(jì)數(shù)值(灰度值)；ρ為地表反射率。NDVI經(jīng)過(guò)比值運(yùn)算，可以部分消除地形、云和大氣程輻射的影響；經(jīng)過(guò)歸一化處理，降低了傳感器標(biāo)定誤差對(duì)不同波段的影響。大多數(shù)NDVI基于寬波段計(jì)算得到，容易受到土壤背景、潮濕地面、冠層結(jié)構(gòu)等因素的影響[14-15]，而窄波段NDVI可以有效避免類(lèi)似問(wèn)題。

圖1 蘆葦、苔草和泥蒿3種濕地植被的冠層光譜特征Fig.1 Canopy spectral characteristics of phragmites communis, carex and wormwood

(2)

為了研究窄波段NDVI對(duì)不同觀(guān)測(cè)角度的響應(yīng)，分別使用+36°影像和-36°影像計(jì)算蘆葦、苔草和泥蒿的NDVI。+36°NDVI值分別為0.774、0.743、0.699，標(biāo)準(zhǔn)偏差為0.037 5；-36°NDVI值分別為0.786、0.779、0.752，標(biāo)準(zhǔn)偏差為0.017 7。可以看出，+36°NDVI的離散度更大，更容易區(qū)分植被類(lèi)型。這是由于+36°為前向觀(guān)測(cè)，能更好地表達(dá)植被前向反射特性。這與Verrels等[9]關(guān)于草地+36°NDVI比-36°NDVI更靈敏的研究成果相一致。因此計(jì)算NDVI時(shí)，+36°影像優(yōu)于-36°影像。

2.3 圖像融合

將0°CHRIS影像與+36°NDVI進(jìn)行像素級(jí)融合，選用下面的4種較常用的融合方法，探索CHRIS多角度數(shù)據(jù)的最佳融合方法。

(1)HSV融合

HSV融合是一種彩色變換的融合方法。其原理是先將由3個(gè)波段組合成的RGB圖像變換為色度H(Hue)、飽和度S(Saturation)和亮度V(Value)圖像，然后用高分辨率的圖像代替亮度V圖像，同時(shí)將色度H和飽和度S圖像重采樣到高分辨率像元尺寸，最后將圖像變換回RGB空間。該方法受波段限制，輸入的影像必須為3個(gè)波段，本研究選擇Band 23、 13、3作為RGB波段進(jìn)行運(yùn)算。

(2)Brovey變換融合

Brovey變換融合，即色彩標(biāo)準(zhǔn)化變換融合，是對(duì)彩色圖像和高分辨率數(shù)據(jù)的數(shù)學(xué)合成。其原理是將多光譜數(shù)據(jù)分解為色彩和亮度，歸一化(標(biāo)準(zhǔn)化)后的多光譜圖像與高分辨率圖像進(jìn)行乘積運(yùn)算，從而使圖像銳化。該算法較為簡(jiǎn)單，輸出的RGB圖像的像元與高分辨率數(shù)據(jù)的像元大小相同。Brovey變換對(duì)圖像進(jìn)行相關(guān)性加權(quán)運(yùn)算，可以一定程度上消除大氣的影響，增強(qiáng)圖像的信息特征。

(3)PCA變換融合

主成分分析(PCA)，又稱(chēng)K_L變換，是圖像編輯、數(shù)據(jù)壓縮、圖像增強(qiáng)、變化檢測(cè)和圖像融合的有效方法。它是一種計(jì)算多個(gè)變量之間相關(guān)性的多元統(tǒng)計(jì)方法，其思想是將數(shù)據(jù)的N維特征映射到相互正交的K(K

主成分變換融合是一種基于主成分變換的融合方法，其方法是先將N個(gè)波段的多光譜數(shù)據(jù)進(jìn)行主成分變換，之后對(duì)高分辨率圖像進(jìn)行灰度拉伸，替換第一主成分PC1，最后主成分逆變換還原到原始空間。該融合方法不受波段限制。

(4)Gram-Schmid融合

GS光譜銳化方法(Gram-Schmidt Spectral Sharpening)是線(xiàn)性代數(shù)中Gram-Schmidt正交化算法在遙感領(lǐng)域的應(yīng)用。GS變換是將圖像進(jìn)行正交化變換，變換后的各個(gè)分量相互正交，有效地消除了矩陣的冗余信息。與PCA變換不同的是，GS變換后的各個(gè)分量信息量差異不是十分明顯，改進(jìn)了PCA中信息過(guò)分集中的問(wèn)題。Gram-Schmidt融合不受波段限制，具有較好的空間紋理信息，并保持融合前后影像光譜特征的一致性，是一種高保真的遙感影像融合方法。

2.4 圖像融合質(zhì)量的評(píng)價(jià)

目前融合效果評(píng)價(jià)方法主要從主觀(guān)評(píng)價(jià)和客觀(guān)評(píng)價(jià)兩個(gè)方面進(jìn)行。

主觀(guān)評(píng)價(jià)主要是依據(jù)地物的實(shí)際狀況或?qū)δ繕?biāo)對(duì)象的了解，從色調(diào)、紋理和清晰度等方面進(jìn)行主觀(guān)判斷，定性地評(píng)價(jià)融合圖像的質(zhì)量。主觀(guān)評(píng)價(jià)簡(jiǎn)潔直觀(guān)，是評(píng)價(jià)融合圖像的第一指標(biāo)，可以直接判斷圖像的融合效果以及目視解譯的難度程度。

客觀(guān)評(píng)價(jià)是基于圖像像元值統(tǒng)計(jì)特征來(lái)評(píng)價(jià)融合圖像的方法，主要從信息量大小、圖像紋理細(xì)節(jié)、圖像亮度和相關(guān)性4個(gè)方面進(jìn)行。本文選用“均值”判斷圖像亮度；“標(biāo)準(zhǔn)差和平均梯度”評(píng)價(jià)影像的清晰度和細(xì)節(jié)信息；“相關(guān)系數(shù)”評(píng)價(jià)融合影像與原始影像的相關(guān)性；“最佳指數(shù)(OIF)”評(píng)定融合圖像信息量的大小。本文借助于Matlab編程語(yǔ)言，分別對(duì)4類(lèi)融合影像進(jìn)行公式(3)-(7)的統(tǒng)計(jì)運(yùn)算。

(1)均值

均值x是圖像像素灰度的平均值，對(duì)人眼來(lái)說(shuō)為平均亮度。其定義為：

(3)

其中，X為圖像像素值，M和N分別為圖像的行列數(shù)。均值可以評(píng)價(jià)圖像的亮度。均值與圖像亮度成正比關(guān)系，即均值越大，圖像越亮。然而均值并不是越大越好，一般來(lái)說(shuō)，均值在亮度值的中值附近效果最佳，亮度最為適中，人眼觀(guān)測(cè)最為清楚。

(2)標(biāo)準(zhǔn)差

標(biāo)準(zhǔn)差反映圖像像元值的離散情況，標(biāo)準(zhǔn)差越大，圖像灰度級(jí)越離散，從一定程度上說(shuō)明紋理細(xì)節(jié)越清晰。計(jì)算公式如下：

(4)

(3)平均梯度

平均梯度是指圖像中像元灰度值與鄰近像元的變化率，即圖像微小細(xì)節(jié)反差和紋理變化的速率。平均梯度越大，灰度變化率越大，圖像細(xì)節(jié)變化越快，細(xì)節(jié)特征越明顯，融合效果越好。其計(jì)算公式為:

(5)

(4)相關(guān)系數(shù)

相關(guān)系數(shù)是評(píng)價(jià)融合影像與原始影像相關(guān)性的重要指標(biāo)。相關(guān)系數(shù)范圍在[-1,1]內(nèi)，相關(guān)系數(shù)越大，融合影像與原始影像光譜特征越相似；相關(guān)系數(shù)越小，融合影像的光譜變化程度越大。計(jì)算公式為：

(6)

(5)最佳指數(shù)(OIF)

最佳指數(shù)(OIF)是由美國(guó)查維茨Chavez等于1984年提出，其數(shù)學(xué)表達(dá)式為：

(7)

式中，σi為第i個(gè)波段的標(biāo)準(zhǔn)差，Rij為i、j兩波段的相關(guān)系數(shù)。OIF是圖像標(biāo)準(zhǔn)差與各波段間相關(guān)系數(shù)的函數(shù)，標(biāo)準(zhǔn)差越大，圖像包含的信息量越大；而相關(guān)系數(shù)越小，表示各波段的獨(dú)立性越強(qiáng)、信息冗余度越小。因此OIF越大，該圖像的信息量越大，融合融合效果越佳。

3 結(jié)果與討論

3.1 融合效果評(píng)價(jià)與分析

將CHRIS 0°影像與+36°NDVI分別進(jìn)行4種方法的融合，融合后效果如圖2所示。從目視效果看，PCA和GS變換融合能夠保持原始圖像的光譜信息，植被群落間的區(qū)分度得到增強(qiáng)，道路和建筑物等邊緣信息清晰明顯。

3.2 濕地植被信息提取

參考東洞庭湖地區(qū)的實(shí)際情況、《濕地公約》分類(lèi)系統(tǒng)以及《全國(guó)濕地資源調(diào)查與監(jiān)測(cè)技術(shù)規(guī)程》等，同時(shí)考慮CHRIS數(shù)據(jù)的可解譯性，確立洞庭湖地區(qū)的遙感分類(lèi)系統(tǒng)為水體、泥灘、蘆葦群落、苔草群落、泥蒿群落、裸地、建筑用地6類(lèi)。

對(duì)于CHRIS高光譜數(shù)據(jù)，首先使用最小噪聲分離變換(MNF)將噪聲和數(shù)據(jù)分離，以降低高光譜影像的維數(shù)[16]。然后運(yùn)用支持向量機(jī)(SVM )監(jiān)督分類(lèi)方法分別對(duì)0°圖像和PCA融合圖像兩幅影像進(jìn)行分類(lèi)。SVM在解決小樣本、非線(xiàn)性及高維模式識(shí)別中具有明顯優(yōu)勢(shì)，是高光譜遙感信息提取的有效分類(lèi)方法[12]。分類(lèi)結(jié)果如圖3所示。

表4 不同融合方法結(jié)果的定量評(píng)價(jià)

圖3 原始影像與融合影像的分類(lèi)結(jié)果Fig.3 The classification results of the original image and the fused image

從目視效果看，CHRIS 0°圖像中建筑用地的錯(cuò)分現(xiàn)象嚴(yán)重；PCA融合圖像中苔草群落和泥蒿群落交錯(cuò)分布，更加符合植被群落自然生長(zhǎng)的特點(diǎn)。根據(jù)野外調(diào)查樣點(diǎn)，同時(shí)結(jié)合多期google earth影像，在CHRIS影像上隨機(jī)選取3 800個(gè)驗(yàn)證樣點(diǎn)，計(jì)算混淆矩陣，得到精度評(píng)價(jià)表(表5)。由表得出，PCA融合影像的總體分類(lèi)精度為81.36%，比0°圖像提高7.93%，且Kappa系數(shù)提高0.097 6。0°圖像中苔草群落的生產(chǎn)者精度(42.89%)和泥蒿群落的用戶(hù)精度(52.01%)較低，通過(guò)PCA融合，苔草群落的漏分誤差和泥蒿群落的多分誤差得到明顯改善。這是由于0°影像的地面特征信息豐富，而+36°為前向觀(guān)測(cè)，包含更多的地物反射信息，多角度信息融合豐富了地物的信息量，提高地物識(shí)別精度。

4 結(jié)論

針對(duì)東洞庭湖濕地植被，利用CHRIS多角度高光譜數(shù)據(jù)，探討計(jì)算窄波段NDVI的最佳波段組合和角度，評(píng)價(jià)在多角度信息結(jié)合中不同融合方法的效果，通過(guò)對(duì)比分析0°影像和融合影像的分類(lèi)結(jié)果，說(shuō)明多角度信息融合的優(yōu)勢(shì)。主要結(jié)論如下：

表5 不同分類(lèi)結(jié)果精度評(píng)價(jià)的比較

注：OA為總體精度；PA為生產(chǎn)者精度；UA為用戶(hù)精度。

Note:OAis overall accuracy;PAis producers’precision;UAis users’precision.

(1)統(tǒng)計(jì)分析蘆葦、苔草和泥蒿3種植被的光譜特征，發(fā)現(xiàn)計(jì)算NDVI的最佳紅波段和近紅外波段分別位于667.6 nm和926.95 nm，對(duì)應(yīng)于CHRIS數(shù)據(jù)的第24波段和第55波段。

(2)從色調(diào)、紋理和清晰度等方面進(jìn)行主觀(guān)判斷，同時(shí)計(jì)算均值、標(biāo)準(zhǔn)差、平均梯度、相關(guān)系數(shù)和最佳指數(shù)等指標(biāo)，對(duì)4種融合方法進(jìn)行融合質(zhì)量評(píng)價(jià)。結(jié)果表明：PCA融合方法融合圖像的信息量最大，OIF高達(dá)384.04，且紅綠藍(lán)波段的均值、標(biāo)準(zhǔn)差、平均梯度和相關(guān)系數(shù)均高于其它融合方法，說(shuō)明PCA融合方法的光譜信息丟失最少、紋理細(xì)節(jié)更豐富，融合效果最好。

(3)運(yùn)用SVM方法分別對(duì)CHRIS 0°影像和PCA融合影像進(jìn)行監(jiān)督分類(lèi)，發(fā)現(xiàn)PCA融合影像總體精度為81.36%，比單角度影像提高7.93%，Kappa系數(shù)提高0.0976，且苔草群落的漏分誤差和泥蒿群落的多分誤差得到明顯改善。

綜上所述，多角度信息融合是提高濕地植被提取精度的有效途徑，為今后利用多角度數(shù)據(jù)進(jìn)行信息提取提供一定的技術(shù)參考。

[1] Petus C, Lewis M, White D. Monitoring temporal dynamics of Great Artesian Basin wetland vegetation, Australia, using MODIS NDVI[J]. Ecological Indicators, 2013, 34(11):41-52.

[2] 韋 瑋, 崔麗娟, 李勝男, 等. 基于偏差平均值的烏梁素海濕地變化監(jiān)測(cè)研究[J]. 林業(yè)科學(xué)研究, 2012, 25(6):719-725.

[3] Hestir E L, Khanna S, Andrew M E,etal. Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem[J]. Remote Sensing of Environment, 2008, 112(11): 4034-4047.

[4] Laba M, Blair B, Downs R,etal. Use of textural measurements to map invasive wetland plants in the Hudson River National Estuarine Research Reserve with IKONOS satellite imagery[J]. Remote Sensing of Environment, 2010,114 (4):876-886.

[5] Cecilia D L, Toffolon M, Woodcock C E,etal. Interactions between river stage and wetland vegetation detected with a Seasonality Index derived from LANDSAT images in the Apalachicola delta, Florida[J]. Advances in Water Resources, 2016, 89:10-23.

[6] Siciliano D, Wasson K, Potts D C. Evaluating hyperspectral imaging of wetland vegetation as a tool for detecting estuarine nutrient enrichment[J]. Remote Sensing of Environment, 2008, 112(11):4020-4033.

[7] Adam E, Mutanga O, Rugege D. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review[J]. Wetlands Ecology and Management, 2010, 18(3):281-296.

[8] Guanter L, Alonso L, Moreno J,etal. First Results From the PROBA/CHRIS Hyperspectral/ Multiangular Satellite System Over Land and Water Targets[J]. IEEE Geoscience and Remote Sensing, 2005,2(3):250-254.

[9] Verrelst J, Schaepman M E, Koetz B.etal. Angular Sensitivity Analysis of Vegetation Indices Derived from CHRIS/PROBA data[J]. Remote Sensing of Environment, 2008,112:2341-2353.

[10] Galv?o L S, Ponzoni F J, Liesenberg V,etal. Possibilities of discriminating tropical secondary succession in Amaznia using hyperspectral and multiangular CHRIS/PROBA data[J]. International Journal of Applied Earth Observation & Geoinformation, 2009, 11(1):8-14.

[11] 張西雅, 金慧然, 李培軍. 多角度高光譜CHRIS/PROBA數(shù)據(jù)在土地覆蓋分類(lèi)中的應(yīng)用[J]. 地理與地理信息科學(xué), 2010, 26(5):68-71.

[12] 韋 瑋, 李增元, 譚炳香, 等. 基于多角度高光譜CHRIS影像的隆寶灘濕地遙感分類(lèi)方法研究[J].林業(yè)科學(xué)研究, 2011,24(2):159-164.

[13] 韋 瑋, 李增元. 基于高光譜影像融合的濕地植被類(lèi)型信息提取技術(shù)研究[J].林業(yè)科學(xué)研究,2011,24(3):300-306.

[14] Middleton E M. Solar Zenith Angle Effects on Vegetation Indices in Tall Grass Prairie[J]. Remote Sensing of Environment, 1991, 38(1):45-62.

[15] 林賢彪, 何 詩(shī), 林 嘯, 等. 波段位置和寬度對(duì)河口濕地4種植被NDVI的影響[J]. 遙感技術(shù)與應(yīng)用, 2013,28(4):714-720.

[16] 魏新華, 吳 姝, 徐來(lái)齊, 等. 基于最小噪聲分離的籽棉異性纖維高光譜圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014(9):243-248.

(責(zé)任編輯：彭南軒)

Research on the Extraction of Wetland Vegetation Information from CHRIS-PROBA Data Based on Multi-angle Image Fusion

LIWei-na1,WEIWei2,ZHANGHuai-qing1,LIUHua1,HAOShuang1

(1.Research Institute of Forest Resource Information Techniques，Chinese Academy of Forestry，Beijing 100091, China; 2.Institute of Wetland Research, Chinese Academy of Forestry，Beijing 100091, China)

[Objective]The purpose of this paper is to analyze the spectral characteristics of typical vegetation communities in East Dongting Lake Wetland using spaceborne angular hyperspectral imagery and research on the best fusion method based on multi angle information to identify the wetland vegetation types precisely. [Method]According to the spectral feature of wetland vegetation in Dongting Lake, the optimal angle and the best band combination were studied to calculate narrow-band NDVI using CHRIS data. It focuses on evaluating the methods of fusing 0 degree image and NDVI in pixel level. And then wetland vegetation information in Dongting Lake was extracted. [Result]The results show that the best red band and near infrared band to calculate NDVI locate at 667.6 nm and 926.95 nm, corresponding to the 24th and 55th band of CHRIS data. HSV, Brovery, Gram-Schmidt and PCA fusion methods were selected to evaluate the fusion effect. It is found that the image used PCA fusion method suffered from the least loss of spectral information and had the richest texture details and maximum information content. The overall classification accuracy of multi-angle fusion image is 81.36%, 7.93% higher than that of single angle image. The Kappa coefficient improved 0.097 6. In addition, the omission error of Carex and the misclassification error ofArtemisiaselengensisgot obvious improvement. [Conclusion]It shows that multi-angle fusion based on NDVI is an effective way to improve the accuracy extracting vegetation information. Multi-angle information fusion can enrich the information of the observation target and improve the accuracy of recognition accuracy.

multi-angle; NDVI; fusion; wetland vegetation

2016-04-05 基金項(xiàng)目： 國(guó)家自然科學(xué)基金(31370712)、國(guó)家高分重大專(zhuān)項(xiàng)課題(21-Y30B05-9001-13/15-2)。 作者簡(jiǎn)介： 李偉娜(1990—)，女，在讀研究生。主要研究方向：濕地遙感監(jiān)測(cè)技術(shù)。E-mail : angel860514@gmail.com。 * 通訊作者.

10.13275/j.cnki.lykxyj.2017.02.011

S771.8

A

1001-1498(2017)02-0260-08