（地图学与地理信息系统专业论文）遥感影像解译特征的综合分析与评价.pdf

摘要 土地利用与土地覆盖变化是全球变化研究的重要内容，及时准确地获取土地覆盖信 息对政府决策部门和科学研究都具有重要意义。随着遥感平台的多样化和图像分辨率的 提高，遥感技术已成为土地利用与土地覆盖变化研究中不可或缺的手段。解译标志，作 为联系图像信息和土地覆盖土地利用的生态学特征之间的纽带，成为目前制约遥感图像 分类精度的提高和实现图像自动化分类的主要因素之一。定量化分析评价各种解译特征 的重要性以及多种解译特征的综合作用，是实现高精度、智能化遥感信息提取的前提条 件。 本文以2 0 0 0 年6 月获取的l a n d s a tt m 图像作为主信息源，根据目前土地利用土 地覆盖调查过程中沿用的3 级分类系统，在研究区内按面积优势制定了一个1 4 种类型的 分类系统，从而在此基础上实现了： 1 ) 采用目前成熟的监督分类流程依次实现了对原始光谱以及变换特征、纹理特征的 分类能力进行了系统的分析与评价。结果表明：光谱特征源是起主导作用的特征源，分 类能力以5 - 6 维波段组合为佳；纹理特征仅次于光谱特征，同样地，纹理特征的多波段 复合取得了最好的分类精度；变换特征作用在本研究中相对较差： 2 ) 在分割的基础上，实现了景观指数的提取，并将其与其它基于对象的特征进行了 复合分析，结果表明：基于对象的光谱特征与纹理特征之间的关系与基于像素的结果一 致；形状特征与景观指数本身的分类能力较差，两者只能作为分类的辅助信息，而且景 观指数要明显优于形状特征。 3 ) 在分析景观特征的过程中，提出并验证了一种面向对象的像素分类法，即基于对 象特征的基础上而采用逐像素的分类方法。研究结果表明这种方法可以综合两种分类方 法的优点。 4 ) 对三种常用的分类器：最小距离、最大似然、f is h e r 线性分类器在高维特征组 合与不同特征源复合分析过程中的可靠性进行了分析与评价。研究表明：最小距离的分 类器只适合在卜2 维特征下的分类研究：不但精度与其它两类相当而且分类速度是最快 的；最大似然整体分类精度最高，但在由不同特征源构成的高维特征空问下其计算出现 问题，而且分类的时问是三者中最长的；f i s h e r 线性分类器虽然分类精度上稍逊于最大 似然方法，但从分类的速度和对特征源的兼容性等方面评价可以说它的应用潜力最好。 关键词：土地利用与土地覆盖遥感分类特征分析纹理特征景观指数 i n t e g r a t i v ea n a l y s i sa n de v a l u a t i o n o ft h e i n t e r p r e t a t i o n f e a ：r u r e si nr e m o t es e n s i n gi m a g e c u il j l l l i ( c a r t o g r a p h ya n dg e o g r a p h i c a li n f o r m a t i o ns y s t e m ) d i r e c t e db yp r o f z h a oz h o n g r n i n g ，p r o f t a n gp i n g a b s t r a c t s t h er e s e a r c ho nl a n du s e c o v e rc h a n g ep l a y sa l li m p o r t a n tr o l ei nt h eg l o b a lc h a n g ep r o j e c t ， a n dt i m e l ya n da c c u r a t e a c q u i r e m e n t o fl a n du s e c o v e ri n f o r m a t i o ni s s i g n i f i c a n t t o g o v e r n m e n t a ld e c i s i o n - m a k i n ga n ds c i e n t i f i cr e s e a r c h w i t ht h ed i v e r s i f i c a t i o no fr e m o t e s e n s i n gp l a t f o r ma n dt h ei m p r o v e m e n to fs p a t i a lr e s o l u t i o n ，r e m o t es e n s i n gh a sa l r e a d y b e c o m ea ni n d i s p e n s a b l et e c h n i q u ei nl a n du s e c o v e rr e s e a r c h i n t e r p r e t a t i o ns i g n a t u r e ，a st h e l i n k a g eb e t w e e ni m a g ei n f o r m a t i o na n de c o l o g i c a lc h a r a c t e r i s t i c so fl a n du s e c o v e r , h a s b e c o m eo n eo ft h em a i nl i m i t a t i o n si na u t o m a t i ca n da c c u r a t ec l a s s i f i c a t i o n a n a l y s i so ft h e c l a s s i f i c a t i o na b i l i t yo ft h es i n g l ef e a t u r ea n di n t e g r a t e df u n c t i o no fm u l t i f e a t u r e sa r et h e p r e c o n d i t i o nt or e a l i z ea c c u r a c ya n da u t o m a t i ci n f o r m a t i o ne x t r a c t i o no fr e m o t es e n s i n g w i t ht h el a n d s a tt mi m a g eo b t a i n e di nj u n e ，2 0 0 0 ，a st h em a i nd a t as o u r c e ，1 4l a n d u s e t y p e sw i t hl a r g e ra r e ap e r c e n t a g ew e r es e l e c t e d a st h er e s e a r c ho b j e c t sa c c o r d i n gt ot h e c o m m o nt h r e e - l e v e lc l a s s i f i c a t i o nh i e r a r c h yo fl a n du s e c o v e ri n v e s t i g a t i o n o nt h eb a s i so f t h ei n v e s t i g a t i o n ，t h em a i nr e s e a r c h e sa r e ( 1 ) b a s e do nt h ec u r r e n ts u p e r v i s e dc l a s s i f i c a t i o np r o c e d u r e ，w ea n a l y z e da n da s s e s s e d t h ec l a s s i f i c a t i o nc a p a b i l i t yo fo r i g i n a ls p e c t r u m ，v e g e t a t i o ni n d e xa n dt e x t u r e t h er e s u l t s s h o wt h a tt h es p e c t r a lf e a t u r ei st h ed o m i n a n tf e a t u r es o u r c e s ，t h ei n t e g r a t i o no f5b a n d so r6 b a n d sc o u l dg e tt h eb e s tc l a s s i f i c a t i o n ；t e x t u r a lf e a t u r ei st h es e c o n df e a t u r es o u r c e s ，a n dt h e m u l t i - b a n dc o m b i n a t i o no ft e x t u r ef e a t u r eh a st h eb e s tc l a s s i f i c a t i o na c c u r a c y ；t h er o l eo f v e g e t a t i o ni n d e xw a s r e l a t i v ep o o r ( 2 ) b a s e do nt h es e g m e n t a t i o nt e c h n i q u e ，l a n d s c a p em e t r i c sw a se x t r a c t e da n dt h e nu s e d t oc o m p a r a t i v ea n a l y s i sa l o n gw i t ho t h e ro b j e c t - o r i e n t e df e a t u r e s t h er e s u l t si n d i c a t e dt h a tt h e f u n c t i o no fs p e c t r a lf e a t u r ea n dt e x t u r ew a sc o n s i s t e n tt ot h a to fp i x e l b a s e d t h ec l a s s i f i c a t i o n c a p a c i t yo fs h a p ea n dl a n d s c a p em e t r i c sw a sw o r s eb yt h e m s e l v e s ，s ot h e yc o u l do n l ya c ta s a u x i l i a r yi n f o r m a t i o n ，a n dt h ee f f e c to fl a n d s c a p em e t r i c sw a sb e t t e rt h a nt h a to ft h es h a p e o b v i o u s l y ( 3 ) b a s e do nt h ec o m p a r a t i v ea n a l y s i so ft h ec a p a c i t ya b o u to b j e c t o r i e n t e da n d p i x e l b a s e dc l a s s i f i c a t i o n ，a no b j e c t o r i e n t e dp i x e lc l a s s i f i c a t i o nw a sp r o v i d e da n dt h er e s u l t s s h o w nt h i sm e t h o dc o u l di n t e g r a t et h ev i r t u e so ft w ok i n d so fc l a s s i f i c a t i o nm e t h o d s ( 4 ) t h er e l i a b i l i t yo ft h r e ec l a s s i f i e r si nc o m m o nu s e ，t h a ti s ，m i n i m u md i s t a n c ec l a s s i f i e r ( m d c ) ，m a x i m u ml i k e l i h o o dc l a s s i f i e r ( m l c ) a n df i s h e rl i n e a rc l a s s i f i e r ( f l c ) ，w a s a n a l y z e da n da s s e s s e du n d e rt h eh i g h d i m e n s i o nf e a t u r es p a c ei n t e g r a t i o no fd i f f e r e n tf e a t u r e s o u r c e s m d cw a so n l ys u i t a b l ef o r1 - 2d i m e n s i o nf e a t u r es p a c e ，w i t ht h es a m ec l a s s i f i c a t i o n a c c u r a c yt ot h a to fo t h e rt w oc l a s s i f i e ra n dt h eh i g h e rc l a s s i f i c a t i o ns p e e d ；m l ca c q u k e dt h e h i g h e s to v e r a l la c c u r a c y , b u ti t ss p e e di st h el o w e s ta n da tt h es a m et i m ei tp r e s e n t e ds o m e p r o b l e m si nh j 【g h - d i m e n s i o nf e a t u r es p a c e ；f l cw a sp r o v e dt ot h eb e s ta n dh a sb e t t e r a p p l i c a t i o np o t e n t i a lc o n s i d e r i n gt h es p e e da n dc o m p a t i b i l i t yf o rv a r i o u sf e a t u r e sa n dt h e h i g h - d i m e n s i o nf e a t u r es p a c ea l t h o u g hi t sa c c u r a c yw a sal i t t l el o w e rt h a nt h a to fm l c k e yw o r d s ：l a n du s e c o v e r r e m o t es e n s i n gc l a s s i f i c a t i o n f e a t u r ea n a l y s i st e x t u r e l a n d s c a p em e t r i c s 前言 第一节研究意义 1 1 国家宏观决策的需求 土地利用与土地覆盖变化是全球变化研究的重要内容，而土地利用与土地覆盖数据 的获取是其重要的基础工作。随着遥感平台的多样化和图像分辨率的提高，以及计算机 技术的迅速发展，遥感技术已成为土地利用与土地覆盖信息获取的重要手段。应用遥感 技术向国家定期、快速提供国家土地利用状况调查的数据和图件是遥感应用的重要工作 领域。 1 2 应用部门的需求 目前，土地利用遥感监测主要作业过程如下： 数据接收一图像处理一数字影像图一人机交互判读分析一图形编辑一数据集成一数 据库一数据库更新 在上述土地利用专题数据库建设及更新过程中存在的主要问题是： ( 1 ) 花费时间； ( 2 ) 存在个人差异： ( 3 ) 对现有成果利用不足； 分析土地利用遥感监测的整个作业流程上不难看出，由于整个信息提取的过程是通 过人机交互的方式来实现，因此存在前两方面的问题是显而易见的，特别是人工屏幕跟 踪判读勾绘的过程不仅受操作者熟练程度的限制，而且还因为不同操作者的经验丰富程 度的不同而使最终结果的精度存在很大的偏差；第三个问题主要是由于当前所采用的统 计分类方法多是基于原始波段的光谱统计信息来进行简单分类，尽管近几十年来在研究 土地利用分类过程中许多研究者也逐渐采用多种信息包括空间，纹理和上下文信息的融 合技术进行土地利用分类进行了广泛的研究和探讨，但这些研究多具有很大的限制条件 和地域局限性。另一方面统计结果显示，由于地区地理环境、气候条件和人文资源的相 对稳定性，土地覆盖与土地利用的分类结果也具有相对的稳定性和继承性。因此将这些 先验知识用于更新过程中是完全可行的，结果也是可靠的。 1 3 遥感专题信息发展的需求 分类问题是遥感图像信息提取中的最基本的问题之一，有关遥感应用的许多方面都 会涉及到这一问题。不仅如此，分类在模式识别、计算机视觉、医学图像处理等学科中 也早已成为一个研究的热点。然而，就分类技术本身的发展而言，虽然近年来其研究成 果不断涌现，在遥感图像分类技术上也曾经出现过一些新的分类方法，如神经刚络分类 方法( d o w n e y1 9 9 2 ；p e d d l e ，1 9 9 4 ；k a n e l l o p o u l o s ，1 9 9 7 ) 、基于g i s 的分类方法( m i g u e l 中国科学院博士学位论文崔林丽遥感影像解译特征的综合分析与评价 一a y a n z ，1 9 9 6 ) 、基于专家知识( m a t h i e w m a r n i ，1 9 9 6 ) 和地学知识的分类方法等等，但是 在分类技术上并没有取得多少重大的突破性的进展。究其原因，实用的分类技术实际上 已经涉及到很多方面的理论，越来越依赖多学科的成果交叉。 一个完整的模式识别系统应该包括以下五部分： 分类结果 圈x 一1 模式识别系统示意图 从图x 1 中可以看出，为确保提取的信息精确必需从整个系统的各个环节入手，但 实际上在对特定的数据信息进行提取时整个信息提取的过程则简化为“预处理特征抽 取一分类”，而数据预处理的问题是一个专门的问题，因此在本论文中不进行探讨，因此 整个信息提取的过程最后则简化为“特征抽取一分类”，其中目标的特征是决定相似性和 识别的关键，在分类的目的决定了之后，如何找到合适的特征就成为认知和识别的核心 问题，但目标特征的不完善可以说也是目前分类精度不高的主要原因之一。 常规认为在遥感影像上不同地物目标在遥感图像上通常表现为以下七个特征上的不 同，包括：形状、大小、色调、阴影、纹理、位置、布局特征等。有人将这些特征按复 杂程度进行以下分级： 低 视级 = 级 兰级 斋 图x 一2 遥感解译特征分级图 在目视解译的过程中，一个有经验的图像判读专家经常能够熟练地综合应用上面所 述的所有特征，但是通过计算机进行数字图像处理来提取这些特征却不太容易。由上图 可以看出，在所有特征中颜色和色调是最主要也是最基本的特征，遥感影像数字图像处 理中一般可以通过像素的光谱信息直接进行表达他们；但对那些复杂的解译特征如大小， 形状，纹理，图案以及关联等特征( 他们可以看作是颜色和色调特征在空削e 复杂的排 列和布局形成的) ，尽管他们能够提供更为详细和精确的信息，但要提取这些高级的解译 特征往往需要高水平的图像分析和理解，同时还要开发更加复杂和灵活的数字图像处理 算法。 分析遥感分类的文献可知，大部分研究都是从分类器的角度解决识别问题外，尽管 很多人都意识到提取不同目标特征的重要性，他们或是引入g i s 、商程知识，纹理知识， 还有近几年迅速发展起来的空间几何特征等。但是令人遗憾的是所有这些研究大都是针 对非常具体的问题，利用菜一种特定的特征类型，因此造成其研究结果只限于方法的探 讨，具有很强的局限性，难以推广。目前对不同特征及其组合在分类过程中的作用进行 系统分析的文章尚没有看到。 第二节论文的研究目的、内容、方法与组织 2 1 研究目的 论文以土地利用与土地覆盖分类为应用目的，对目前遥感领域中较为成熟的特征提 取方法进行了系统的分析与评价，揭示不同特征描述因子的物理含义和分类能力；并在 此基础上进一步探讨分析多特征复合分析的关键技术以及不同分类方法的适应性。 2 。2 主要研究内容 2 2 1 不同解译特征的物理含义分析 为了最大程度地提高不同土地利用类别的识别的精度和自动化程度，必需建立起遥 感物理光谱测度( 辐射值) 与土地覆盖土地利用的生念学特征之间的关系，也就是必需 要明确不同数学表达式与实际生态学特征之问的对应关系，目前，表达不同判别特征的 算法( 例如光谱、纹理、形状等) 很多，但真正哪一个代表式与研究目标的物理含义相 吻合却很难有定论，因此这部分的分析工作是本论文的重点内容。 2 。2 。2 不同特征源分类能力的定量化分析与评价 不同特征源分类能力的定量化评价通过分类精度评价实现。主要从以下几个方面展 开： 1 ) 不同特征源本身的分类能力；不同特征源本身都是从不同角度对地理现象进行描 述的，例如原始光谱特征反应的是地物本身的物理特性：纹理特征则反映地物的空问排 列规律，而形状信息则反映地物的空间形态特征等等。 2 ) 不同特征源组合分析的分类能力；不同特征因子彼此之间如果信息互补，它们的 组合分析必然会产生较好的分类效果，但不同信息之间如何互补，阱及如何组合是这部 分研究的主要内容； 3 ) 不同计算方式对相同特征分类能力的影响；相同的数据集上通过不同方式提取同 一类特征源也存在很大的差异，例如基于像素的纹理特征提取与面向对象的纹理特征计 算结果将有很大的区别； 4 ) 不同分类方法的影响： 中国科学院博士学位论文崔林丽遥感影像解译特征的综合分析与评价 2 2 3 实现基于景观指数的空间配置特征的提取，丰富遥感自动解译特征库 景观生态学里有许多景观指数都是用来描述景观空间结构配置的，如果将其引入到 遥感模式识别领域，将可以大大丰富空间特征库。但景观指数的提取通常都是以分类后 的结果为基础的，因而如果对末分类的遥感图像施加某种预处理，形成一种“伪分类结 果”，便可以实现景观指数的提取。这部分工作将是本论文的主要创新之处。 2 2 4 针对类型的最优特征集的分析 不同土地覆盖与土地利用类型赖以区分的特征集不同，因此对所有类型采用相同 的特征集合进行分类并不明智，一方面不仅加大特征提取的工作量，另一方面可能综 合利用所有特征导致信息冗余。比如水域仅依靠光谱特征就可以提取：而草地类即使 综合利用光谱与纹理特征等都难以区分等，因此在对不同特征来源分类能力评价的基 础上，可以针对类型地进行识别特征总结，以便更好地认识不同地物的本质特征，并 积累经验，丰富遥感解译知识库。 2 3 研究方法 论文的主要完成对遥感解译特征的不同描述方法进行系统的分析与评价，整个评价 过程具体由以下四部分组成：不同特征的数学描述与含义分析：影响特征提取的因素分 析；最优特征集选择；监督分类；精度评价。整体结构框架可以见图x 一3 。 图x 一3 论文结构与组织框图 2 4 论文组织 具体地，论文各章节的安排如下： 论文的前言部分主要介绍研究背景，指出论题研究的重要性，并简要交代论文的主 要内容。 论文第一章主要介绍目前遥感分析过程中常用的特征提取方法，针对每种特征提 取方法的理论基础与遥感应用作简要的综述。 论文第二章主要是针对特征分析与评价过程中采用的关键技术进行说明。文中首先 采用基于距离的特征选择判据，挑选出不同特征及其相互组合的分维最优特征集合；其 次，利用介绍的三种监督分类方法分别进行分类研究，以探讨不同分类方法在多种特征 复合中的适用性；最后利用误差分析与k a p p a 系数对不同特征的分类效果进行定量化的 分析与评价。 论文第三章主要对数据源的收集、研究区的概况、研究区内土地利用覆盖类型调查 资料、以及其它辅助分析资料的收集进行说明。 论文第四章主要评价原始光谱波段的分类能力。首先以专家目视解译成果为训练样 本选取依据，对研究区内主要土地利用，覆盖类型在单波段，多波段，以及多波段序列中 的统计特征进行总结与分析，并在此基础上探讨了利用原始波段进行不同土地覆盖利用 类型分类的可靠性。 论文第五章主要评价原始波段的各种变换特征的分类能力。本章首先分析植被指数 的影响：主要过程先分析不同植被指数类型之间的相互关系，对性质相似的植被指数进 彳亍取舍；然后是对植被指数在土地覆盖俐用分类中的作用进行评价；其次是分析两种常 用的变换：主成分变换( k - l ) - 与缨帽变换( k d 的影响。 论文第六章主要分析评价纹理特征的分类能力。纹理特征是遥感分类中较为重要的 特征源，因此本章在综合分析不同纹理特征本质的物理含义以及相互之间关系的基础上， 详细分析了影响纹理计算的若干因素，并对他们对纹理特征分类能力的影响进行了定量 化评价。 论文第七章的研究重点是利用面向对象的分类方法，将描述景观生态学中描述空间 格局的定量化指标引入到遥感分类领域中。本章详细分柝了这种研究思路的可行性和关 键技术，并对景观指标在分类中的作用进行了定量化分析与评价。 论文的最后部分为结论和展望，在总结了论文主要内容的基础上，指出了论文存在 的不足之处，以及今后进一步研究的方向。 第一章特征提取研究综述 众所周知，自然界的一切地物都具有波普反射与辐射特征、空间分布特性、以及时 间变化规律，研究地物目标的特征是进行遥感应用分析的必要前提。而遥感信息特征与 地表特征的对应关系是通过各种各样的特征提取方法来实现。通过文献收集，可以发现： 目前遥感特征提取方法大致可以分为以下几类：原始光谱特征、植被指数、纹理特征、 空间特征。本章的主要目的是分析不同特征提取方法的理论背景和研究现状。 第一节原始光谱统计特征 1 1 理论背景 自然界的任何物体自身都具有反射、吸收、发射电磁波的能力和特征。物质的这种基 本特性是由于组成物质的最小微粒电子、原子、分子的不同运动状态所造成的。人们可 以通过对地表目标反射、反射辐射的研究来认识目标。这正是遥感的一个基本前提。这 些记录着地表目标电磁辐射数量与性质变化的遥感数据，直接或间接地提供了许多基本 的生物、物理、地学变量和变量组合，如地理位置、地形高度、植被、水体、表面温度、 表面湿度、表面粗糙度、土地覆盖度等，成为解释目标性质和现象得很有价值的数据源。 1 2 光谱特征的基本统计量 对多光谱遥感数据进行统计分析通常分单元统计和多元统计两种。最基本的统计特 征包括：各波段的最小值，最大值，亮度值的范围，均值，标准差，直方图以及两个波 段之间的方差一协方差矩阵，相关系数矩阵等等，这些统计量为遥感数据的显示和分析 提供了珍贵的信息( j a h n e ，1 9 9 1 ；j e n s e n e t a l ，1 9 9 3 ) 。 ( 1 ) 单元统计量具体又可以分为以下两类： 第一类：描述数据的中心分布，属于这一类的参数有： 众数( m o d e ) ：是在一系列的观测数据或数据资料中出现次数最多的值。但值 得注意的是，一个数据集中不一定只存在一个众数。 中值( m e d i a n ) ：是频率分布的中间点，也就是频率分布曲线所包围面积的一半 处。 平均值( m e a n ) ：是整个图像所有像元亮度的算术平均值。 研究表明：在系统符合对称分布的条件下，均值更接近于无偏估计，能够更好地表 现数据的中心趋势；而对于非对称分布的条件下，均值的代表性则很差，如果峰值落在 均值的右边称为负偏，否则称为正偏( g r i f f i t ha n da m r h e i n 。1 9 9 1 ) 第二类：描述数据榻对于均值的分散程度，属于这一类的统计值有： 第一章特征提取研究综述 范围( r a n g e = m a x m m i n ) ：这个量常用于评价图像增强函数中最小最大对比 度拉伸的效果，但在最大值、最小值出现异常的情况下，这个统计量可能会引起 误差。 方差( v a r i a n c e ) ：是所有像元亮度值与均值之差的平均平方值。测量所有样本距 离均值的差异程度。 标准差( s t a n d a r dd e v i a t i o n ) 是样本方差一个无偏估计，标准差越小表明图像亮 度值越接近于某个中心值，即数据聚集程度越高。 ( 2 ) 多元统计量 遥感图像多数是多波段的，计算各波段之间的多元统计如协方差、相关系数等，从 而检查各波段之问的相互关系。协方差与相关系数的计算公式如下： ( 砜一m x ) ( 姚一m 。) c o y ；：_ - - - - 一 一1 式中：c o y 为协方差，分别为协方差和相关系数；d n d n ；。分别是i 像元在k 和l 波段上的亮度值；m 。，m 。分别为k 和l 波段的均值，n 是总的像元数量。 协方差的大小常常受所用的测量单位而影响，为了检查各波段间相关性的大小，又 不受测量单位的影响，常将两波段之间的协方差除以各波段的标准差，即相关系数。相 关系数介于+ 1 和一1 之间，大于o 时为正相关，即一个波段亮度值增加会引起另一个波 段亮度值的增加：越接近于1 ，说明两个波段的依赖性越强；小于0 时为负相关，即一 个波段亮度值的增加会引起另一各波段亮度值的减小。 第二节植被指数特征 2 1 理论背景 2 1 1 绿色植被的波谱特性 4 0 0 7 0 0a m = d a r k ( 原因是叶子中各种色素的吸收，例如：叶绿素，原叶 绿素和叶黄素的吸收作用) ，在5 5 0 n m ( 绿光) 周围反 射率有所增加，这是因为色素在此范围很少被吸收。 7 0 0 1 3 0 0a m = b r i 【g h t ( 吸收很少，同时散射效应很强) 1 3 0 0 1 5 0 0n m = d a r k ( 但是比4 0 0 7 0 0 n m 亮) 这主要是由于在这一光谱范围叶子罩的水分吸收的原因，同时其他成分例如纤维素、 木质素和其他植被物质都吸收了部分光。 因此研究植被最好的波段范围应该选择在7 0 0 1 3 0 0n m 波谱范围内。 中国科学院博+ 学位论文崔林丽遥感影像解译特征的综合分析与评价 应用波段的比值可以消除入射光的反照率和阴影的影响，一般常常选用 ( 7 0 0 - 1 3 0 0 n m ) ( 4 0 0 7 0 0 n m 或1 3 0 0 1 5 0 0 n m ) 尽管光谱在绿光波谱范围内反射要比红 光亮，但早期的研究工作发现近红j b 红光要优于绿红的结合( t u c k e r ，1 9 7 9 ) 。 对于t m 数据时，传统的比值是t m 4 t m 3 ，t m 5 t m 7 也是较优，但许多土壤成分在这 一组合也是相当亮的。 2 1 2 植被指数的理论假设 关于植被指数，是基于以下两点假设提出的： 假设( 1 ) 通过波段之间的几何运算能够更有效的表达植被信息。 假设( 2 ) 在光谱空间，所有裸土的光谱形成一条特定的线，这就是所谓的土壤线， 因为几乎所有常用的植被指数只考虑红波段与近红外波段组成的光谱空间，因此在这个 空间上可以假定一条土壤线，即零植被生长线。 但关于等植被线的方向目前存在两种分歧： 1 ) 其中一种观点认为所有等植被线将汇聚于特定的点上，r a t i o b a s e di n d e x 是在这种 假设下产生的，它们计算光谱空间中点集拟合成的曲线的斜率，这类植被指数有：n d v i ， i p v i ，r v i ： 2 ) 另一种观点则认为等植被线与土壤线平行，这一类典型的植被指数成为 p e r p e n d i c u l a ri n d e x ，在红一近红外组成的波谱空间中，它们测量某一点到土壤线的垂直 距离。这类植被指数有p v i ，w d v i 和d v i 。 实际上土壤线只是一条假想的线，用来表达图像中裸土的光谱差异性，这条线可以 通过多个样本区拟合而成。最简单的土壤线的确定方法是：通过做红波段与近红外波段 的散点图确定。 2 1 3 植被指数的含义及其在地学中的作用 在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。研 究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波 段在气象卫星和地球观测卫星上都普遍存在，并包含9 0 以上的植被信息，这些波段间 的不同组合方式统被称为植被指数。 植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利 用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强 了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数( l a l ) 、植 被覆盖率、生物量、光合有效辐射吸收系数( a p a r ) 等；反过来又可用来分析植被生 长过程：净初级生产力( n p p ) 和蒸散( 蒸腾) 等。 由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合 反应，而且受大气空问时相变化的影响，因此植被指数没有一个普遍的值，其研究经 常表明不同的结果。本部分的主要研究目的是：( 1 ) 深入系统地分析不同植被指数类型 第一章特征提取研究综述 的影响因素及其地学意义：( 2 ) 探索各种植被指数在识别不同植被覆盖类型的区分能力。 2 2 植被指数的研究现状 纵观整个植被指数的发展，可分为以下三类：第一类植被指数基于波段的线性组合 ( 差或和) 或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土 壤颜色，也没有考虑土壤、植被间的相互作用( 如r v i 等) 。它们表现了严重的应用限 制性，这是由于它们是针对特定的遥感器( l a n d s a tm s s ) 并为明确特定应用而设计的。 第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互 作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改 进而发展的( 如s a v i 、m s a v i 、t s a v i 、a r v i 、g e m i 等) 。第三类植被指数是针对高光谱 遥感及热红外遥感而发展的植被指数( 如d v i 、t s v i 、p r i 等) 。这些植被指数是近几 年来基于遥感技术的发展和应用的深入而产生的新的表现形式。尽管许多新的植被指数 考虑了土壤、大气等多种因素并得到发展，但是应用最广的还是n d v i ，并经常用n d v i 作参考来评价基于遥感影像和地面测量或模拟的新的植被指数，但n d v i 在植被指数中仍 占有重要的位置。第三类因为与本研究无关，不再赘述，下面的内容主要是针对前两类 目前常用的几种植被指数做一简要的分析。 ( 1 ) 第一类植被指数 1 ) r v i ( j o r d a n ，1 9 6 9 ) 称为比值植被指数( r a t i ov e g e t a t i o ni n d e x ) ，是一个最早被 提出而且应用最为广泛的植被指数。它的应用主要是用来消除各种反照率的影响，还有 许多人运用近红外波段红波段作为图像的植被成分。 属性：r a t i o b a s e di n d e x ，等植被线相交予原点； s o i l 1 i n e 通过原点，斜率为1 ； 范围是：0 一+ c o ； 公式： r v ：里 r e d 2 ) n d v i 称为正规化差分植被指数( n o r m m i z e dd i f f e r e n c ev e g e t a t i o ni n d e xb v r o u s ee ta l ，1 9 7 3 ) ，但是这一概念最早是由k e i e g l e re ta l 于1 9 6 9 年提出的，实际上n d v i 与r v i 在功能上是等同的，优于r v i 的地方是值域控制在一1 1 之间。 属性：r a t i o b a s e di n d e x ，等植被线相交于原点； s o i l 1 i n e 通过原点，斜率为1 ， 范围是：一1 一十l 公式： n d v i ；n i r - r e d ：r v - 1 中国科学院博十学位论文崔林丽遥感影像解译特征的综合分析与评价 3 ) i p v i 称为红外百分比植被指数( i n f r a r e dp e r c e n t a g ev e g e t a t i o ni n d e xb yc r i p p e n ， 1 9 9 0 ) 。这个植被主要是针对n d v i 进行改进的。c f i p p e n 研究发现上面公式中分子中的 r e d 是一个不相关的变量，因此为提高计算速度提出此指数，并将其值域限制在0 到1 之间。 属性：r a t i o b a s e di n d e x ，等植被线相交于原点 s o i l 1 i n e 通过原点，斜率1 ； 范围是：0 一+ l ； 公式： i p v i 。塑n d v i + 1 4 ) d v i 称为差分植被指数( d i f f e r e n c ev e g e t a t i o ni n d e xb yr i c h a r d s o na n de v e n t t ， 1 9 9 2 ) ，但是这一概念早在1 9 8 7 年就由l i l l e s a n da n dk i e f e r 年提到过它很常用，但这两 个人并没有指出它的出处。 属性：p e r p e n d i c u l a ri n d e x ，等植被线平行于土壤线； s o i l 1 i n e 通过原点，斜率任意； 范围是：一+ ； 公式： d , 7t n l r r e d 5 ) p v i 称为垂直植被指数( p e r p e n d i c u l a rv e g e t a t i o ni n d e xb yr i c h a r d s o na n d w i e g a n d ，1 9 7 7 ) ，这个指数可以看作是d v i 的一个概括，土壤线可以具有不同的斜率。 另外p v i 对大气的变异非常敏感。q ie ta 1 ( 1 9 9 4 ) 在不同天气下采集的图像上对p v i 做了 对比分析，认为“除非对图像做过大气纠正，否则使用这一参数就意味着在冒险”。 属性：p e r p e n d i c u l a ri n d e x ，等植被线平行于土壤线； s o i l 1 i n e 通过原点，斜率可以不定； 范围是：一1 ”+ l ； 公式： p v l = s i n ( a ) n i r - c o s ( a ) r e d a 是土壤线与近红外轴的夹角。 6 ) w d v l 称为权重差分植被指数( w e i g h t e dd i f f e r e n c ev e g e t a t i o ni n d e xb yc l e v e r s ， 1 9 8 8 ) ，可以把它看作是p v i 的一个简化形式。同样地，w d v l 也对大气的变异非常敏 感( q ie t a l ，1 9 9 4 ) 。 属性：p e r p e n d i c u l a ri n d e x ，等植被线平行于土壤线： s o i l 1 i n e 通过原点，斜率任意； 第章特征提取研究综述 范围是：一+ c o ； 公式： w d v i n i r g + r e d g 足土壤线斜率 ( 2 ) 第二类植被指数 正如本节开头所介绍的，这一类植被指数大都基于物理知识，将电磁波辐射、大气、 植被覆盖和土壤背景的相互作用结合在一起考虑，因此下面也将按它们的主要目的进行 归类。 a 去除土壤噪声的植被指数 土壤噪声：所谓的土壤噪声是由土壤类型不同而导致的不同反射率光谱而引起的。 正如上面所提到的第一代植被指数都是假定在每一幅图像空间的土壤线只有一条，也就 是说在红近红外波段的光谱空间只有一个斜率，事实上实际情况并非如此，在一幅图像 中可能存在多个斜率。同样地，前顽等植被线与土壤线平行的假设也是不完全正确的， 土壤湿度的变化将引起植被指数指示作用的失真，土壤噪声的影响尤其在植被盖度较低 的条件下尤其严重。下面这些植被指数：s a v lt s a v i ，m s a v i ，m s a v l 2 都是通过改变等 植被线的行为而试图消除土壤噪声的影响，它们的表达形式都是比值形式。 1 ) s a v i 称为土壤调整植被指数( s o i l a d j u s t e d v e g e t a t i o n i n d e x ) ( h u g e ，1 9 8 8 ) 。 基于简单辐射传输理论，h u e t e 给出了这个植被指数的理论基础，它是一个介于比值植 被指数与垂直植被指数之间的一个产物。 属性：r a t i o b a s e di n d e x ，等植被线集中于第三象限： s o i l a i n e 通过原点，斜率1 ； 范围是：一l 一+ l ； 公式： s a v 塑二壁垡f i + l 1 n i r + r e d + l 、 7 这里l 是一个修正因子，其取值范围为：0 1 ：其中1 代表较低的植被覆盖，0 代 表较高的植被覆盖，最常用的是将取值为0 5 ，代表植被覆盖中等。 这里( 1 + l ) 乘法项是用来保证这两个植被指数的值域范围在一l 1 之间，同时也保 证了当l 趋近于o 时，这两个指数的功能近似于n d v i 。 2 ) t s a v i 称为变换的土壤调整植被指数( t r a n s f o r m e ds o i la d j u s t e dv e g e t a t i o n i n d e x ) ( b a r e te t a l ，1 9 8 9