第33卷第3期2008年5月測繪科學(xué)ScienceofSurveyingandMappingVol33No3May作者簡介:溫興平（1970-,男，山西興縣人，在讀博士，高級工程師，研究方向?yàn)槎窟b感、遙感影像的大氣校正。E-mai:lwfxyp@sohucom收稿日期:2007-01-22基金項(xiàng)目:本研究由國土資源大調(diào)查（從高光譜遙感影像提取植被信息溫興平,胡光道,楊曉峰（中國地質(zhì)大學(xué)數(shù)學(xué)地質(zhì)遙感地質(zhì)研究所，武漢430074;地質(zhì)過程與礦產(chǎn)資源國家重點(diǎn)實(shí)驗(yàn)室，武漢430074;南京信息工程大學(xué)環(huán)境科學(xué)與工程學(xué)院,南京210044摘要遙感可以快速有效地監(jiān)測大面積植被的種類、特性、長勢等各類信息。高光譜遙感數(shù)據(jù)因其特有的高光譜分辨率特性使其在植被生態(tài)環(huán)境領(lǐng)域具有極大的應(yīng)用潛力。植被信息作為生態(tài)環(huán)境評價(jià)的重要參數(shù)對區(qū)域生態(tài)環(huán)境的監(jiān)測和建設(shè)具有重要的意義。本文基于云南省鶴慶縣北衙的高光譜遙感數(shù)據(jù)用SAM方法對植被信息進(jìn)行了提取，參考光譜使用ASD光譜輻射儀采集的植被光譜曲線。文中對高光譜遙感影像的輻射定標(biāo)和大氣校正進(jìn)行了研究，針對影響光譜輻射儀采集的主要因素采取了相應(yīng)的措施，并對光譜曲線分類及參考光譜曲線的選取進(jìn)行了研究。將選取出的參考光譜曲線與大氣校正后的遙感影像進(jìn)行SAM匹配提取出植被信息，經(jīng)過與實(shí)地調(diào)查資料比較并計(jì)算總體精度和kappa系數(shù)，計(jì)算結(jié)果達(dá)到預(yù)期精度。最后將分類結(jié)果轉(zhuǎn)換為矢量圖，經(jīng)過投影轉(zhuǎn)換為大地坐標(biāo)后制作出北衙植被分布圖。關(guān)鍵詞高光譜遙感;植被信息;SAM;提取中圖分類號TP75文獻(xiàn)標(biāo)識碼A文章編號1009-2307（200803-0066-03DOI:103771/jissn1009-23072008030221引言遙感技術(shù)提取植被信息已經(jīng)有很長的歷史，遙感可以快速有效地監(jiān)測大面積植被的種類、特性、長勢等各類信息。由于植被在不同波段內(nèi)表現(xiàn)出不同的吸收反射特征，根據(jù)這些特征可以有效地監(jiān)測出植被的各類信息。Peterson等用統(tǒng)計(jì)回歸方法研究了衛(wèi)星和機(jī)載遙感數(shù)據(jù)與葉面積指數(shù)、生物量和葉生物化學(xué)成分之間的關(guān)系［1,2］,Gong等用機(jī)載成像光譜儀估計(jì)森林郁閉度達(dá)到較好效果［3］。早期的研究主要利用植被指數(shù)［4-7］,目前文獻(xiàn)中已有150多種植被指數(shù)，但這種用植被指數(shù)來提取植被信息由于僅使用了部分波段而不能充分利用多光譜數(shù)據(jù)的全部信息。高光譜數(shù)據(jù)最早應(yīng)用于地質(zhì)領(lǐng)域［8］,1988年以后成功應(yīng)用于生態(tài)、大氣科學(xué)、農(nóng)林業(yè)等領(lǐng)域［9］。高光譜遙感數(shù)據(jù)有更多的波段，更高的波譜分辨率，使得高光譜數(shù)據(jù)在生態(tài)領(lǐng)域有更廣泛的應(yīng)用。高光譜植被遙感主要研究生態(tài)遙感所涉及的植被類型的識別與分類、植物化學(xué)成分的估測、植物生態(tài)學(xué)評價(jià)等［10］。用高光譜遙感數(shù)據(jù)提取植被信息得到了大量成功的應(yīng)用［11-16］。光譜角度填圖SAM是利用高光譜遙感數(shù)據(jù)提取信息較為成熟的一種方法［17-19］。楊可明等用SAM方法成功對小麥條銹病的病害信息進(jìn)行了提?。?0］。童慶禧等用光譜波形的匹配模型從高光譜分辨率圖像上有效定量提取出植被生物物理參量,并進(jìn)行了濕地植被類型識別。該算法在鄱陽湖濕地成功地識別出各種濕地植被類型，并完成了濕地植被分類圖［21］。本文基于EO-1Hyperion高光譜遙感數(shù)據(jù)，參考光譜用ASD便攜式野外光譜輻射儀采集到的植被光譜曲線，用SAM方法對植被類型信息進(jìn)行識別，經(jīng)計(jì)算分類結(jié)果的總體精度和Kappa系數(shù)均達(dá)到了預(yù)期目標(biāo)。2高光譜影像資料的大氣校正EO-1Hyperion高光譜遙感數(shù)據(jù)的刈幅寬度為75KM,可見光35個(gè)波段、近紅外35個(gè)波段和短波紅外172個(gè)波段，波譜范圍400-2500nm,星下點(diǎn)分辨率為30m。SAM是基于參考光譜與像元光譜進(jìn)行匹配，從而實(shí)現(xiàn)對目標(biāo)信息的提取。而遙感影像數(shù)據(jù)在數(shù)據(jù)采集過程中會受到大氣的干擾,因而在提取之前對遙感影像進(jìn)行大氣校正是十分重要的。數(shù)據(jù)在大氣校正前首先要對數(shù)據(jù)進(jìn)行預(yù)處理，包括壞線和死線處理和輻射定標(biāo)。高光譜輻射儀在掃描過程中會出現(xiàn)壞線和死線，影響影像的識別,所以在校正前須進(jìn)行處理。高光譜遙感數(shù)據(jù)中有一個(gè)MASK字段用來標(biāo)識數(shù)據(jù)接收狀態(tài)，通過MASK數(shù)據(jù)段可以找出死線和壞線在影像中的位置，然后將這些死線和壞線用周邊2個(gè)像點(diǎn)的平均值代替。高光譜成像儀在數(shù)據(jù)存貯時(shí)對可見光和近紅外波段乘以40的比例因子，對于短波紅外波段乘以80的比例因子，所以只需將波段數(shù)字值DN除以相應(yīng)的比例因子即可轉(zhuǎn)換為輻射率[22]。高光譜遙感影像的大氣校正較為成熟的方法有FLAASH、ACRON和ATREM等。FLAASH整合了MODT-RAN[23]大氣輻射傳輸模型,可以精確地計(jì)算出大氣對輻射的影響并考慮了鄰近效應(yīng)的影響，可以對圖像進(jìn)行精確的大氣校正[24]。本次研究采用FLAASH對影像資料進(jìn)行大氣校正。校正過程中使用參數(shù)為:傳感器高度705KM，地面高程2KM，星下點(diǎn)分辨率30米,時(shí)間為2004年11月11日，衛(wèi)星越境世界時(shí)為03:36:42。氣溶膠模式選農(nóng)村模式，大氣模式為中緯度夏季，能見度為40KM。中心經(jīng)緯度為1008和263，對應(yīng)云南省大理至鶴慶一帶。影像校正后,經(jīng)過統(tǒng)計(jì)值計(jì)算發(fā)現(xiàn)極個(gè)別波段有少量數(shù)據(jù)的反射率出現(xiàn)負(fù)值，將這些負(fù)值做了清零處理，處理后顯示影像光譜曲線時(shí)發(fā)現(xiàn)光譜存在強(qiáng)烈的吸收帶。大氣中引起輻射吸收的主要成分有臭氧、二氧化碳、水汽等，但前二者在波譜上僅有吸收谷，而水汽強(qiáng)烈吸收帶波段處過分響的波第3期溫興平等從高光譜遙感影像提取植被信息為56-79;120-127;167-181,對應(yīng)中心波長為935nm,1130nm,1900nm[25],這些通道數(shù)據(jù)由于水汽的強(qiáng)烈吸收成為不規(guī)則的噪聲,所以在研究之前必須將這些波段排除。校正后對影像上四點(diǎn)光譜曲線進(jìn)行采樣，分別對應(yīng)地面植被、水體、道路、土壤。圖1是不同地物影像光譜輻射率曲線圖，圖2為大氣校正后的不同地物光譜反射率曲線。從圖2可以看出，校正后不同地物的光譜曲線特征明顯,與標(biāo)準(zhǔn)參考庫內(nèi)地物光譜曲線類似，水體的反射率幾乎全為零,校正過程達(dá)到了預(yù)期效圖1不同地物光譜

輻射率曲線2大氣校正后的地物光譜反射率曲果。3植被光譜的選取ASD便攜式野外光譜輻射儀是由美國分析光譜儀器公司制造，光譜范圍是350?2500nm,它能以01s的速度記錄一個(gè)350?2500nm范圍的光譜,非常適合于地面光譜采集。光譜采樣時(shí)間為2004年7月中旬，雖然與影像成像時(shí)間有一定間隔，但由于當(dāng)?shù)貧夂驐l件，本地的植被信息在兩個(gè)時(shí)段基本類似。對應(yīng)的天氣狀況與影像采集時(shí)的天氣狀況相同，采集時(shí)間為上午11時(shí)與影像成像時(shí)間大致一致便于比較。植被反射光譜曲線主要由葉面所含葉綠素、水份、氮等其他生物化學(xué)成分對光譜的吸收形成的，所以不同種類的植被有明顯不同的光譜特征,據(jù)此可以通過光譜特征將不同植被信息區(qū)分。植被樣本的采集選取了當(dāng)?shù)赜写淼氖畮追N類型的植被，如松樹、槐樹、橛類植物、灌木林、草地等。光譜儀在采集光譜時(shí)會受到許多因素

的干擾，如光照條件、光譜儀與目標(biāo)物的距離、光譜儀測量角度、周邊環(huán)境等諸多因素。為盡量減少這些因素的干擾,在采集時(shí)對同一植被類型在不同光照條件、距離、采集角度、地點(diǎn)進(jìn)行了采樣。植被參考光譜的選取是比較重要的環(huán)節(jié)，研究中所采用的方法是首先將所有植被樣本分為4類:針葉林、闊葉林、密低矮植被、稀疏低矮植被。然后把所有同類型植被的光譜與影像進(jìn)行SAM匹配,匹配后通過統(tǒng)計(jì)值計(jì)算,選取匹配面積最大的光譜曲線作為此類植被的參42^6301(84123514371X413M22244波l〔1不同地物光譜輻射率曲線考光譜。圖3ASD光譜輻射儀采集的不同植被的光譜曲線ASD便攜式野外光譜輻射儀的光譜分辨率在350?1000nm之間為3nm,在1000?2500nm之間為10nm,而EO-1Hyperion高光譜遙感數(shù)據(jù)的光譜分辨率約為10nm,由于二者分辨率不同，在進(jìn)行比較前須對采集的光譜進(jìn)行

重采樣。重采樣后的四類植被的參考光譜曲線如圖3。從圖3上看出，不同類型的植被光譜曲線在不同波段有明顯的差異，稀疏低矮植被光譜明顯帶有混合光譜特征,光譜曲線接近土壤光譜曲線。4用SAM對植被信息進(jìn)行提取?心IlTII】國13肺MKMiEimmS快1」II不同地物光譜輻射率曲線大氣校正后的不同地物光譜反射率曲線SAM(Spectralanglemapper方法是通過計(jì)算一個(gè)測試光譜(像元光譜與一個(gè)參考光譜之間的角度來確定兩者之間的相似性,夾角越小，兩條光譜越相似［10］。SAM將光譜數(shù)據(jù)看作空間矢量,矢量維度等于波段總數(shù)。由于SAM計(jì)算的是光譜矢量之間的夾角，增加或減小像元點(diǎn)的亮度僅會導(dǎo)致光譜曲線反射率總體增加或減小而不會改變光譜矢量的方向，因而光照條件對SAM方法的計(jì)算結(jié)果影響較小。采集地區(qū)位于多山地帶，陰影區(qū)明顯，因而用這種方法提取目標(biāo)信息較為理想。SAM的計(jì)算用公式（1[26],計(jì)算后選擇一定的光譜夾角閾值,即可完成提取工作。cos=ABABNi=1AiBii=1AiAii=1BiBi(1式中N為光譜采樣波,Ai和Bi為光譜矢量，為光譜夾角。研究中閾限值取cos=0995,即=573。當(dāng)計(jì)算值大于時(shí)即認(rèn)為光譜不匹配。匹配計(jì)算完成后對分類精度進(jìn)行了評價(jià)。光譜儀在采集光譜的同時(shí)對采集目標(biāo)進(jìn)行了實(shí)地拍照，并用GPS定位儀記錄了采集地點(diǎn)的經(jīng)緯度。將這些資料處理后與遙感影像進(jìn)行疊加,并結(jié)合遙感影像上像元點(diǎn)的波譜曲線與不同波段組合的目視解譯在圖上選取出參考樣本數(shù)據(jù),而后生成混淆矩陣,計(jì)算出的總體精度和Kappa系數(shù)［27］見表1。然后對分類結(jié)果進(jìn)行了分類后處理，過濾掉一些散點(diǎn),并對一些相鄰?fù)惙謪^(qū)進(jìn)行了合并處理。表1分類精度評價(jià)結(jié)果參考樣本數(shù)據(jù)針葉林闊葉林密低矮植被稀疏低矮植被總和分類影像未分類1819102370針葉林976121161005闊葉林010241501039密低矮植被1009260936稀疏低矮植被300988991總和1007105596210174041總體精度=968572%Kappa系數(shù)=095835制作植被分布圖首先將分類結(jié)果轉(zhuǎn)換成矢量圖,然后對矢量圖進(jìn)行投影轉(zhuǎn)換為大地坐標(biāo)。投影時(shí)采用高斯-克呂格3度帶投影，帶號為33,中心經(jīng)度為99,大地基準(zhǔn)面為西安1980。最后制作的植被分布圖見圖4。圖4北衙植被分布圖67測繪科學(xué)第33卷6結(jié)束語文中介紹了基于高光譜遙感數(shù)據(jù)用SAM方法對植被信息進(jìn)行提取的方法與步驟。首先是對遙感影像進(jìn)行大氣校正，這一步是比較關(guān)鍵的，大氣校正的精度直接影響著后面目標(biāo)信息的提取。大氣校正前首先要對遙感影像中的壞線和死線進(jìn)行處理然后進(jìn)行輻射定標(biāo)，校正后要對水汽強(qiáng)吸收波段進(jìn)行排除。光譜儀在采集光譜時(shí)為減少干擾因素，在采集時(shí)對同一目標(biāo)在不同光照條件、距離、采集角度、地點(diǎn)等進(jìn)行多次采樣，而后對植被光譜進(jìn)行分類并選取出不同種類植被的參考光譜。將選取出的參考光譜曲線與大氣校正后的遙感影像進(jìn)行SAM匹配提取出植被信息，經(jīng)過與實(shí)地調(diào)查資料比較并計(jì)算總體精度和kappa系數(shù)，計(jì)算結(jié)果達(dá)到預(yù)期目標(biāo)。最后將分類結(jié)果轉(zhuǎn)為矢量數(shù)據(jù)，并導(dǎo)入ARCGIS進(jìn)行投影轉(zhuǎn)換為大地坐標(biāo)，最后制作出北衙植被分布圖。在研究中也發(fā)現(xiàn)，雖然已經(jīng)對不同光照條件下的植被光譜信息進(jìn)行了采集，但對遙感影像陰影區(qū)下的植被信息的提取還存在誤差，部分陰影區(qū)的植被信息也存在錯(cuò)識別,這將是下一步工作研究的主要目標(biāo)。參考文獻(xiàn)[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田慶久，閔祥軍植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展，1998,13(4:327-333[7]ThenkabailPS,RBSmith,EDePauwHyperspectralvegetationindicesandtheirrelationshipswithagriculturalcroPcharacteristics[J].RemoteSensingofEnviron-ment,2000,71(2:158-182[8]GoetzAFH,etalImagingspectrometryforearthre-motesensingScience[J]1985,228(4704:1147-1153VaneG,AFHGoetzTerrestrialimagingspectroscopy[J].RemoteSensingofEnvironment,1988,24(1:1-29浦瑞良，宮鵬高光譜遙感及其應(yīng)用[M].北京：高等教育出版社,2000[11]SagalovichVN,EYFalkov,TITsarevaEstimationofchlorophyllcontentinplantleavesandcanopyfromhy-perspectralvegetationindexes[J].IssledovanieZemliizKosmosa,2002,(6:81-85SagalovichVN,EYFalkov,TITzareva,Estimationofwatercontentinvegetationfromhyperspectralvegeta-tionindices[J]IssledovanieZemliizKosmosa,2004,(1:63-67KempeneersP,etalGenericwavelet-basedhyperspec-tralclassificationappliedtovegetationstressdetection[J].IEEETransactionsonGeoscienceandRemoteSensing,2005,43(3:610-614[14]KempeneersP,etalWaveletBasedFeatureExtractionforHyperspectralVegetationMonitoring[C]//inPro-ceedingsofSPIE-TheInternationalSocietyforOpticalEngineering,2004,Barcelona,297-305[15]廖克，等高分辨率衛(wèi)星遙感影像在土地利用變化動(dòng)態(tài)監(jiān)測中的應(yīng)用[J].測繪科學(xué),2006,31(6[16]BaughWM,FAKruse,WWAtkinsonJrQuantitativegeochemicalmappingofammoniummin-eralsinthesouthernCedarMountains,Nevada,usingtheairbornevisible/infraredimagingspectrometer(AVIRIS[J].RemoteSensingofEnvironment,1998,65(3:292-308楊可明，郭達(dá)志，陳云浩高光譜植被遙感數(shù)據(jù)光譜特征分析[J].計(jì)算機(jī)工程與應(yīng)用,2006,31童慶禧，等濕地植被成象光譜遙感研究[J].遙感學(xué)報(bào)，1997,(01[19]FLAASHModuleUsers'Guide(ENVIFLAASHVersion42[Z]2005,ResearchSystemsInc[20]徐希孺遙感物理[M].北京:北京大學(xué)出版社,2005ExtractingvegetationinformationfromhyperspectralimageryAbstract:Thevegetationclassification,characteristicandgrowthvigourinlargeareascanbedetectedquicklyusingremotesensingHyperspectralremotesensinghaspotentialapplicationinecologyfieldforitshigherspectrumresolutionVegetationin-formationasanimportantparameterofentironmentevaluationcanbenefitforconstructionandsupervisioninregionentironmentInthispaper,thevegetationinformationinBeiyaregioncanbeextractedbySAMalgorithmusinghyperspectralremotesensingimageThespectrumacquiredbyASDhandholdspectroradi