高光谱遥感技术在植被信息提取中的应用

1、测绘信息网网友测绘人制作高光谱遥感技术在植被信息提取中的应用邹卓阳 杨武年 陈颖（成都理工大学遥感与GIS研究所，四川 成都 610059）摘要 高光谱遥感技术与传统遥感技术相比，有着图谱合一和光谱连续的优势，能够实现地物的准确识别和精细分类，并且在岩矿信息提取方面取得了显著成果，然而在植被信息提取中的研究尚处于发展阶段。随着农作物估产和土地利用监测等领域对植被精细信息的要求日益提高，高光谱遥感在植被研究中的应用显得越发重要。本文针对高光谱在植被信息提取中的应用进行研究，实现传统多光谱遥感难以完成的准确识别与分类。关键词 高光谱；植被；信息提取；波谱分析；分类Application of Hy

2、perspectral Remote Sensing Technology inVegetation Information ExtractionZOU Zhuo-yang YANG Wu-nian CHEN Ying(Ministerial Key Lab of Land and Resources Information Technology and Application, Institute of RS and GIS,Chengdu University of Technology, Chengdu 610059, China)Abstract: Hyperspectral remo

3、te sensing technology has been successfully used in distinguishing and classifying tiny objects due to its higher spectral resolution. It has broken the restriction of traditional multispectral remote sensing, which has difficulty in realizing various spectrum on the surface of the ground. So far, t

4、here are many researchers have studied the application of hyperspectral remote sensing technology in geological sciences and achieved gratifying successes. However, it is only at the first step of study in vegetation information extraction. With the development of several fields, such as environment

5、al monitoring and estimating, agriculture, detection of renewable and un-renewable resources and the like, application of hyperspectral in the study of vegetation will become increasingly important. For keeping abreast of current development in science and technology, this thesis tentatively studies

6、 the application of Hyperspectral remote sensing in vegetation information extraction.Keywords: Hyperspectral; Vegetation; Information extraction; Spectral analyst; Classification1 引言传统的多光谱遥感由于受到波谱分辨率的限制，难以区分地物独特的波谱信息，高光谱遥感技术突破了这一局限，能获得整个可见光、近红外、短波红外、热红外波段的连续光谱，波段数多至几十甚至数百个，光谱分辨率达到纳米级，可获得影1像中每个像元的精细

7、光谱。本文利用高光谱影像数据的处理与分析识别技术，对植被精细信息提取进行研究。如图1所示。2 高光谱图像预处理2.1 研究区域概况本研究选用AVIRIS传感器获取的高光谱影像数据进行实验，其成像参数如表1所示。图1 技术路线流程图表1 实验数据成像参数成像时间1996年7月5日18：32：00波段数目 波段间隔224 9.6nm 图像中心坐标 N38°03'25", W75°32'58"光谱覆盖范围 0.4m2.45m 空间分辨率20米2.2 图像辐射校正由于传感器接收到的信号与目标的光谱反射率不一致，因而必须将传感器记录的原始辐射值转换

8、成地物反射率值，剔除各种失真2。FLAASH模型是目前精度最高的大气辐射校正模型3，本文选用FLAASH对研究区进行大气校正。大气校正前后的图像及波谱对比如图2所示。图2 大气校正前后图像及波谱对比3 混合像元分解3.1 最小噪声分离变换高光谱图像较高的光谱维数使数据量急剧增加，同时波段间较强的相关性使数据存在一定冗余，因此对高光谱数据进行降维处理是必要的。最小噪声分离变换是降维方法中较好的选择 4。对研究区进行MNF变换，发现有用的信息主要集中在前12个组分中，后面的200多个组分中信息量较少，因此选择特征值较大的前12个组分用于后续分析。 3.2 纯净像元指数纯净像元指数是一种在高光谱图像

9、中寻找波谱最纯的像元的方法5。将研究区的MNF变换结果用来运行快速PPI，当所有的极值像元都已经找到之后，一幅“像元纯度图”被建立。 3.3 提取端元波谱以本研究中的PPI的计算结果为基础，在N维可视化器中提取了12个端元，分别代表了研究区的12种特征地物。绘制出它们的波谱图，如图3所示。 3.4 端元波谱分析波谱分析是指根据要素的波谱特征对它们进行飞行高度 5975m 光谱分辨率0.01m识别，对未知波谱与波谱库中要素的匹配由最好、依次到最差进行排序6。本实验以标准波谱库为参考，对提取出的端元波谱进行分析，判断出主要植被类型如下：灌木、草地、枫树、荞麦、茶树、棉花、松树、云杉、枯草。图3 端

10、元波谱4 高光谱植被分类波谱角填图分类通过计算波谱间的角度来判定两个波谱间的类似度,是目前高光谱图像分类中较常用的方法。对研究区数据进行波谱角填图分类，得到的结果如图4所示。图4 SAM分类成果图图5 光谱匹配滤波结果图匹配滤波的结果是一系列灰度图像，每幅图像对应一个选定的参考光谱端元。对研究区影像进行匹配滤波分类，从结果中选择3个端元合成的成果图输出，如图5所示。测绘信息网网友测绘人制作4.2 基于特征空间的分类基于空间维的监督分类方法很多，本文主要选取了目前应用最为广泛的最小距离法与最大似然法进行研究。选择训练样本时，结合前文分析出的12个类别对经过数据处理的研究区影像分别进行最小距离分类

11、和最大似然分类，两种方法都为每个类别生成一幅规则图像。选择其中3个端元合成的成果图输出，分别如图7和图8所示。ISODATA分类结果图K-Means分类结果图图7 最小距离分类结果图（3个端元合成）参考分类图图6 非监督分类与实测数据分类结果对比图图8 最大似然分类成果图（3个端元合成）对研究区进行ISODATA分类和K-Means分类，得到的成果图与参考图进行比较，如图6所示。从分类图中看出，两种非监督分类方法的分类图结果相似，都没有很好地区分各个类别。ISODATA分类将研究区地物分为7个类别，K-Means分类将研究区地物分为5个类别，远小于试验数据的真实类别，并且得不到所分类别的含义。

12、4.3 分类精度评价对分类结果进行评估，目前常采用的是建立混淆矩阵。对本研究中的各种分类试验进行混淆矩阵精度分析，从各种分类方法的混淆矩阵中提取出总体精度及Kappa系数的信息进行比较，如表2所示。由表2分析得出，在本实验区域中监督分类方法的精度高于非监督分类方法；而在监督分类中，基于波谱特征的分类精度高于基于特征空间的分类精度。具体选取哪种方法要视试验区情况而定。表2 各分类方法的分类精度比较5 结语本文通过高光谱遥感植被信息提取应用研究，初步形成了基于高光谱植被信息识别与提取的技术流程，实现了基于标准波谱库的波谱匹配与波谱分析技术对提取出的端元的初步识别，总结出了基于光谱特征相对基于特征空间的分类方法在植被信息提取中的优势。参考文献1 童庆禧，张兵，郑兰芬. 高光谱遥感技术与应用M. 北京：高等教育出版社，2006.2 赵英时，等. 遥感应用分析原理与分析M. 北京：科学出版社，2003.