环境减灾卫星高光谱数据在减灾中的应用研究

和海霞 杨思全 陈伟涛 黄河 崔燕 谢湘平

（1 民政部国家减灾中心，北京 100124）

（2 中国地质大学（武汉）国家遥感中心地壳运动与深空探测部/生物地质与环境地质教育部重点实验室，武汉 430074）

（3 中国科学院，水利部，成都山地灾害与环境研究所，成都 610041）

1 引言

近年来，人类活动和剧烈的太阳耀斑活动，对自然环境造成了很大的破坏，导致自然灾害频发，严重威胁到人类的生命安全和经济社会安全。因此，开展灾害的预警分析和实时监测可以客观地对灾害的发展趋势进行预测，对灾害的现状进行评估，为各决策部门提供技术支撑，从而更好地为防灾减灾服务。众多研究表明，遥感技术的发展为快速准确的灾害监测提供了可能，高光谱遥感更是凭借其精细的光谱信息，在灾害地物识别和发展趋势预测中，占据着重要的位置。

长期以来，数据源获取难是高光谱卫星遥感技术工程化应用的主要瓶颈之一。随着我国环境与灾害监测预报小卫星星座（HJ-1）的成功发射和良好运行，以及后续星发射计划的逐步推进，其上搭载的高光谱传感器有望为防灾减灾提供较为可靠的数据源。因此，本文从灾害遥感监测原理出发，结合主要自然灾害类型，初步研究了环境与灾害监测预报小卫星星座A星（HJ-1A）高光谱数据的应用潜力，提出了高光谱数据用于防灾减灾领域的不足和解决问题的思路，以进一步开拓高光谱成像仪（Hysperspectrum Imager，HSI）数据的应用能力，并促进环境与减灾卫星在防灾减灾领域发挥更大的技术先导性作用。

2 环境减灾卫星高光谱数据简介

2008年9月6日11时25分，我国在太原卫星发射中心用长征-2C 运载火箭，成功将环境与灾害监测预报小卫星星座HJ-1A和1B 卫星送入太空，卫星进入预定轨道。1A、1B 星是两颗光学小卫星，各搭载一台宽覆盖多光谱相机。同时，1A星上搭载了一台高光谱成像仪，1B 星上搭载了一台红外相机。1A星上搭载的干涉成像光谱仪为我国第一台对地观测星载成像光谱仪，也是第一颗用于航天对地观测的干涉成像光谱仪，其基本参数如表1所示。该传感器的投入使用，极大地丰富了高光谱数据的来源，有了数据的保证，高光谱数据信息提取技术也会逐步得到发展。

表1 HJ-1A卫星高光谱成像仪基本参数Table1 Parameters of HJ-1Ahyperspectral imager

3 高光谱成像仪数据的预处理

HJ-1A上搭载的高光谱仪成像仪（HSI）为干涉成像光谱仪。干涉型成像光谱技术在获取目标的二维信息方面与色散型技术类似，通过摆扫或推扫得到目标上的像元，但每个像元的光谱分布不是由色散元件形成，而是利用像元辐射的干涉图与光谱图的傅里叶变换关系，通过探测像元辐射的干涉图和利用计算机技术对干涉图进行傅里叶变换，来获得每个像元的光谱信息[1]。因此，干涉成像光谱仪与色散型成像光谱仪的数据预处理过程存在很大的不同。

干涉成像光谱仪的预处理主要包括光谱仪定标、光谱复原、几何校正、大气辐射校正等几部分。基本流程如图1所示。

4 防灾减灾应用分析与评价

HSI数据在孕灾环境监测、灾害风险评估、灾害预警、灾害评估领域发挥着重要的作用。本文针对干旱、洪涝等不同的灾种进行了HSI数据初步的应用研究和应用潜力评价。

4.1 干旱

图1 HSI数据预处理流程Fig.1 Preprocessing procedure of HJ-1Ahyperspctral imager

干旱是一种频繁发生的严重的自然灾害。干旱的成因和影响因素非常复杂，李克让（1999）将干旱归纳为：气象干旱、水文干旱、农业干旱、社会经济干旱[2]。灾害领域最关注的是农业干旱，是指农作物生长期内因缺水而影响正常生长。干旱导致减产三成以上形成旱灾。旱灾高光谱监测从原理上可分为三大类：一是土壤水分降低会引起土壤光谱反射率和地表温度的变化；二是干旱胁迫会引起植被生理过程的变化，从而改变叶片和冠层的光谱属性，并显著地影响植冠的光谱反射率；三是植被指数和作物冠层温度的变化：当作物供水正常时，植被指数在一定的生长期内保持在一定的范围内，而作物冠层温度也保持在一定的范围；如果遇到干旱，作物供水不足，一方面作物的生长受到影响，植被指数将降低，另一方面作物的冠层温度将升高。因此，结合HSI数据特征，可选择以下指标作为旱灾高光谱遥感监测的表征参数：①土壤反射率光谱；②土壤地表温度；③植冠的光谱反射率；④植被指数；⑤植冠表面温度。HSI数据能够定量反演到上述5种指标，为干旱监测提供及时的、客观的时空分布数据，为防灾减灾提供依据。图2为HSI数据在西藏干旱遥感监测中的应用。

图2 HSI数据在西藏干旱监测图Fig.2 Drought monitoring in Tibet based on HSI data

4.2 洪涝

洪涝遥感监测分为三个层次：第一层次是洪涝预警，主要采用气象遥感卫星，进行降水情况等气象监测；第二层次是洪涝实时监测，主要利用多种遥感数据，结合土地利用背景数据，进行植被、土壤和水体等下垫面类型的区分，为提取洪水淹没面积等服务；第三层次是灾情评估，洪水淹没后，土壤含水量会增加，土壤的反射率可能会比淹没前有所降低，可以利用这个特征进行受灾作物过水面积的估算。洪涝灾情评估的难点在于，南方地区夏季植被比较茂盛，传感器获取到的光谱信息中，混合像元现象非常严重，植被信息掩盖了其下的土壤光谱特征，因此，对土壤过水程度和面积的监测存在困难。此外，在洪涝过程中，往往伴随着多云、大雨，入射光量减小，传统的光学遥感获取图像的能力大大减弱。因此，HSI数据在洪涝灾害监测中受到一定的限制，HSI数据只能作为灾前背景数据，确定灾前作物的种类，从而为灾后损失评估提供信息。

4.3 低温雨雪冰冻灾害

低温雨雪冰冻灾害的监测分为大尺度监测和小尺度监测。HJ-1A卫星的高光谱数据的分辨率为100m，适合进行大尺度的监测。雪在可见光波段有很高的反射率，在蓝光波段（0.49μm）附近的反射峰可达80%以上，随着波长的增加，反射率逐渐降低；在近红外波段，反射率急剧下降，直至20%左右。这与除了云之外的其他自然地物的光谱特征存在明显不同。此外，雪的晶粒大小、雪花絮状分裂的形态和积雪的松紧程度不同都会对雪被的光谱特征有明显的影响。雪光谱平均反射率的变化特点为：新降的未融化的雪＞表面融化的雪＞湿的融化的雪＞重新冻结的雪。因此，利用HSI数据定量反演积雪的光谱特征，并计算归一化差分积雪指数来识别不同状态的雪，进行雪灾监测。

图3 火灾后植被恢复监测图Fig.3 Vegetation recovering monitoring map after fire by using HSI data

4.4 火灾

森林火灾、草原火灾和煤层自燃是三个影响较大的火灾类型。

4.4.1 森林火灾

HSI数据在森林火灾方面的应用主要包括：（1）火险等级的评定和划分，HSI数据可以实现植被的精细分类，可以用来区分不同植被类型（如针叶林和阔叶林）、不同的树叶类型（如干叶和湿叶），结合GIS技术，从而进行火险等级的评定和划分。（2）林火蔓延趋势分析，森林火灾后树冠及林下植被被烧死或灼伤，致使过火区反射光谱变化。利用多时相HSI数据计算区域植被指数，根据其图谱信息圈定过火面积，为林火蔓延趋势分析和火势控制提供数据支撑。（3）火灾后植被恢复状况监测，利用HSI数据可以计算叶面积指数和定量反演叶绿素含量，对森林植被长势进行监测，在火灾后植被恢复状况监测方面发挥作用，如图3所示。

4.4.2 草原火灾

草原火灾是由雷击火等自然火源和吸烟、烧荒、上坟烧纸等人为火源导致草原可燃物在一定气候条件下燃烧所发生的灾害。草原火灾的发生与可燃物的空间分布规律有着密切的关系，因此，可以利用HSI数据计算区域内植被指数，圈定可燃物的空间分布规律，从而为草原火灾预警提供数据支撑。一般来说，植被指数从高到低分别为原始林区、农林交错区、典型草原分布区和荒漠化草原[3]，据此进行火险等级的划分。此外，可以根据植被在火灾前后的光谱变化来估算草场燃烧面积。4.4.3 煤层自燃

煤层自燃是煤层受阳光照射后氧化发热，继而聚热增温，最后达到自燃的自然现象。在煤层自燃火区（活火区），热量会沿煤层裂隙逸出地表，构成热异常区，该异常区可利用热红外遥感进行探测。在煤层燃烧中，煤层温度不断升高，使其上的岩石在高温中发生氧化和融化作用，由灰色系列沉积岩变质后形成紫红色系列的烧变岩。因此，烧变岩的存在，可以用来确定死火区的存在[4]。烧变岩的光谱特征相较沉积岩有了很大的改变，其在0.7～0.85μm 附近存在反射峰，经过光谱重建后的HSI反射率数据可以较好的反映这一光谱信息，从而快速确定死火区的空间分布，分析其空间规律，用于指导煤火自燃的预警工作。

4.5 地质灾害

地质灾害可分为突发性地质灾害和渐变性地质灾害。突发性地质灾害主要包括滑坡、崩塌、泥石流等；渐变性地质灾害主要包括盐碱化、荒漠化、石漠化等。图4为我国内蒙古荒漠化的HSI监测图。

图4 内蒙古荒漠化HSI监测图Fig.4 Desertification monitoring in Inner Mongolia by using HSI data

4.5.1 突发性地质灾害

突发性地质灾害的发生主要受制于地层岩性、构造展布、植被覆盖、地形地貌以及大气降水强度等要素。一般情况下，岩性脆弱、构造发育、植被稀疏、地形陡峻的地段，在强降水过程中容易诱发地质灾害。利用HSI数据可以进行区域孕灾环境如植被类型、岩性等的识别，在此基础上，辅助其他各类信息进行综合分析，全面掌握该区域地质状况，能够为地质灾害的预警、监测、评估和治理提供依据。

4.5.2 渐变性地质灾害

土壤盐碱化通常是由于灌溉不当、用水过量等原因引起地下水位上升，从而造成土壤中盐分积聚的过程。主要发生在干旱、半干旱、半湿润气候区及受海水侵灌的海滨低地区域。发生强盐碱化的土地，由于盐分在表面结晶，导致其反射率增高。盐碱化地表在可见光和近红外波段的反射较一般地表强，可以借助HSI数据丰富的光谱信息，结合实测的盐碱土光谱特征，估算土壤的含盐量和PH值，区分土壤是否发生了盐碱化，对不同盐碱土类型和盐碱化程度进行识别，并对盐碱化范围、盐生植物及各种类型的土壤进行分类。

石漠化的发生原因主要有基底岩层碳酸盐岩广布，气候湿润、降水量大，加上地表崎岖，人类活动破坏植被等，导致水土流失严重，基底岩层大面积裸露。石漠化监测的常用方法是根据基岩裸露区、植被特征和土被盖度等指标进行阈值设定，建立石漠化分级特征。HSI数据可以进行裸露基岩的识别和植被指数、叶面积指数等植被参量的反演，在此基础上进行石漠化监测。

4.6 生物灾害

生物灾害是指各种生物活动对人类生命和生存环境引发的重大伤亡和破坏，主要分为植物灾害、动物灾害和微生物灾害三大类。常见的植物灾害有水华、赤潮、湖泛、外来物种入侵等。高光谱遥感数据能够捕捉水华、水草和水体细微的光谱差异，从而对水华和水草进行精确识别。图5为巢湖水华HSI监测图。当植物受到病虫害胁迫时，植物的含水量、叶绿素含量等发生变化，农作物光谱特征会发生差异，高光谱可探测到这种差异。动物灾害如各种病虫害、禽流感等。已有研究表明，曾经感染H5N1高致病性禽流感病毒的野生鸟类，许多具有迁徙习性，有可能是传播禽流感病毒的重要途径。野生鸟类的迁移过程与生态环境有关，生态环境与植被类型有关，高光谱可以判断植被类型，从而间接地进行禽流感的监测。

图5 巢湖水华HSI监测图Fig.5 Water bloom monitoring in Chaohu lake by using HSI data

4.7 其他灾害

4.7.1 沙尘暴

沙尘暴对生态系统、大气环境的破坏力极强，往往发生在沙漠及临近的干旱和半干旱地区。我国北方是沙尘暴频发区。HSI数据在沙尘暴方面的应用可划分为三个层次：一是利用沙尘和下垫面背景的光谱差异，对沙尘暴进行有效识别；二是定量提取沙尘暴相关信息，如沙尘光学厚度、含沙量等，建立定量沙尘暴信息提取模型；三是通过下垫面参数的反演，如土地利用/土地覆盖、植被指数、植被覆盖度、土壤含水量等，并结合相关资料，对沙尘暴的形成、发展和尘降等的规律进行长期的动态监测与综合分析，为制定合理的防治规划提供依据[5]。

4.7.2 台风

台风由外围区、最大风速区和台风眼三部分组成，它们的风速、气压、云量和降水均有差异。同时，台风的形成和空气湿度关系密切，HSI数据具有识别和监测它们的潜力，如可以反演水汽含量，预测空气相对湿度，为台风的风险评估提供帮助。此外，利用HSI数据还可以进行台风影响区域的灾情评估和灾后恢复重建状况监测。

4.7.3 海上溢油

海上溢油是最常见的海洋污染之一，溢油通常是由事故引起，如船舶碰撞、翻沉、海上油井平台和输油管道的破裂、海底油田开采泄漏等引起的。

大连海事大学卫星遥感研究室在大连湾外海进行了油膜可见光-近红外波谱特征测试试验。研究表明，溢油波谱特征除受外部环境因素（太阳高度角、海风、海流、海浪、水色等）影响外，与溢油种类和组成、油膜厚度、油污与海水的融合度以及化学反映程度等有密切的关系[6]。煤油、润滑油、轻柴油和重柴油的油膜最大反射率均出现在0.50～0.58μm 波谱段内。在可见光波谱段，对于轻油种来说，薄油膜的反射率比周围水体（海水）反射率高，而较厚的油膜比周围海水反射率低，可以利用其反射特性分辨出油膜和背景海水；对于重油种（如重柴油、原油等）油膜，厚度越薄，反射率越大，随着油膜厚度的增加反射率迅速降低，辐射特性增大，可以利用温度的差异分辨出油膜和背景海水。利用HSI数据可以进行溢油发生检测、油膜面积信息提取。还可以根据不同油膜的波谱特征，判断油的种类，探测油膜厚度，并对油的扩散方向进行探测。

2011年6月4日，位于渤海中南部的康菲公司蓬莱19-3海上油田B 平台和C 平台发生原油泄漏事故，利用2011年6月13日CCD 数据和HSI数据进行了监测，结果表明，图幅范围内，2011年6月13日，溢油影响面积约145km2，溢油带大部分位于溢油点西北方向，如图6所示。

图6 渤海溢油遥感监测图Fig.6 Oil spill monitoring in Bohai bay by using HJ-1Adata

5 HSI在其他领域的应用潜力

除了在防灾减灾领域具有较大的应用潜力，HSI数据也被广泛的应用在其他领域。

5.1 区域碳循环研究

土壤有机碳库储量的估算和动态变化研究是区域碳循环研究中的重要内容，同时土壤有机碳含量的估算是也当前区域碳循环研究的热点和难点之一。传统的各种估算和监测方法对土壤样品的需求量大，难以满足当前全球气候变化时效性的研究需求。利用高光谱遥感估算土壤有机碳含量具有便捷快速、节约成本、非破坏性和准确度高的优势。

目前结合高光谱遥感开展土壤有机碳估算主要分为两种方法：一是基于野外一定数量的土壤样品分析数据，构建土壤有机碳含量估算模型。利用光谱数据对土壤有机碳含量进行分析有多种建模方法，如主成分回归，偏最小二乘法回归等。二是基于野外一定数量的土壤样品有机碳分析数据，利用遥感的高分辨率特征，结合碳循环动态变化过程模型开展土壤有机碳时空分布研究，这种方法的主要目的是为了克服土壤样品数量较少的缺点，进而提高估算精度。

5.2 作物估产

HSI数据“图谱合一”的特点使我们能够逐像素地根据作物冠层光谱特征估计叶绿素、叶面积指数、叶片含水量、土壤含水量、植被水分含量等理化参数，进而实现作物冠层理化参数空间分布的量化表达，有效估算植被覆盖[7]。通过反演的理化参数，结合相应的辅助数据，构建作物估产模型，从而能够在作物收获前预测作物产量，及时地掌握各种粮食的生产信息。

5.3 矿物信息提取

矿物信息提取是高光谱应用中最为成功，也是最能发挥其优势的领域。高光谱遥感使矿物信息提取从识别岩性发展到识别单矿物以至矿物的化学成分及晶体结构。Fe2＋，Fe3＋，Mn2＋等金属阳离子在HJ-1A卫星的谱段范围内具有诊断性特征，这些特征能直接被探测。此外，矿物质的积累通常会使植被、水、土壤等的光谱特征发生变异，通过对此类特征如植被胁迫等信息的发掘，可能进行间接探测。由于HSI数据缺少短波红外波段，因此对于OH-，CO32-等在短波红外波段具有诊断特征的阴离子无法进行识别。

5.4 土地覆盖分类

HSI数据凭借其丰富的光谱信息，在土地覆盖分类方面效果显著。本文以广州市区周边为例，利用对数残差法计算得到相对反射率，然后采用支持向量机方法进行分类，结果表明，分类效果较好（如图7所示），分类精度达到了90%。

图7 HJ-1A卫星高光谱数据的图像分类Fig.7 Image classification of HJ-1Ahyperspectral data

6 结语与讨论

本文在分析高光谱遥感灾害机理研究的基础上，结合HJ-1A卫星上搭载的HSI数据特征，对该数据在干旱、洪涝、低温雨雪冰冻灾害、火灾、地质灾害、生物灾害等的应用进行了初步研究。总的来说，HSI数据在防灾减灾领域具有较好的应用前景，并在区域碳循环研究如土壤有机碳估算方面具有较好的应用潜力，能为国家综合减灾和风险管理信息共享平台的建设提供相应的支撑，对国家和地方灾情监测、预警、评估、应急救助指挥体系的完善提供一定的帮助。

我国现阶段非常重视高空间分辨率、高光谱分辨率、高时间分辨率等数据在防灾减灾领域的发展和应用。尤其是高空间分辨率数据，在防灾减灾中发挥了非常重要的作用，相比而言，高光谱分辨率遥感数据在防灾减灾中未得到有效的推广。主要有以下几个方面需要完善

1）数据源的问题

高光谱在防灾减灾领域未被广泛使用的一个重要原因在于其数据获取的困难性以及昂贵的价格。环境与减灾卫星高光谱数据免费提供给国内各行业用户使用，为高光谱遥感的发展提供了有利的数据保障。HJ-1A卫星干涉成像光谱仪的光谱范围为0.45～0.95μm，在一定程度上限制了它的应用。HSI数据的幅宽为50km，相比星载高光谱遥感器HYPERION 的7.5km 幅宽有了很大程度的提高，但仍然不能满足业务化应用的需要。

2）数据处理方法的问题

目前，HSI数据处理方法已经取得了一定的进展，但是快速化、工程化处理研究相对较少。工程化应用过程中仍存在一些问题需要重点突破。如针对HSI数据的高精度大气纠正模型研究：HSI数据前15～20个波段目前存在大量条带噪声，相对反射率和相对反射率反演结果曲线不够平滑，存在噪声引起的异常小反射峰；信息提取技术发展尚不够成熟，需要进一步挖掘基于HSI数据光谱特征的地表定量反演方法研究。

3）灾害专题光谱库问题

HSI数据为定量遥感提供了最基础的数据源保障，但是高光谱目标识别的核心是目标光谱与参考光谱之间的匹配，因此需要地面实测光谱以提高目标识别的精度。目前中国已有针对矿物、植被等的专题光谱库，但是缺乏针对灾害领域的专题光谱库，这在一定程度上限制了灾害信息提取。构建面向灾害领域的光谱库刻不容缓。

4）多源数据融合使用

在入射光量一定的情况下，空间分辨率、光谱分辨率、信噪比这三者是互相矛盾的，光谱分辨率的提高必然以空间分辨率和信噪比的降低为代价，因此，高光谱分辨率数据的空间分辨率一般相对较低，限制了高光谱数据在灾害精细评估中的应用。此外，与HJ-1A卫星CCD 数据相比，HSI数据的幅宽比较窄，重访周期较长，因此，在实际应用中，要充分发挥HSI数据的精细光谱优势和HJ-1A卫星CCD 大幅宽、高重访的优势，将多种数据融合使用，提高国产卫星数据的防灾减灾应用能力。

致谢

南京大学田庆久教授为本文提出了宝贵意见，在此表示衷心的感谢。

（References）

[1]童庆禧，张兵，郑兰芬.高光谱遥感[M].北京：高等教育出版社，2006：38-289

Tong Qingxi，Zhang Bing，Zheng Lanfen.Hyperspectral remote sensing[M].Beijing：Higher Education Press，2006：38-289（in Chinese）

[2]李克让.中国干旱灾害研究及减灾对策[J].郑州：河南科学技术出版社，1999

Li Kerang.Aresearch of countermeasures to reducing the drought loss of China[M].Zhengzhou：Henan Science and Technology Press，1999（in Chinese）

[3]郭西峡，李兴华，李树森.内蒙古自治区森林、草原火灾发生的规律及特征[J].内蒙古气象，2003（2）：28-30

Guo Xixia，Li Xinghua，Li Shusen.Law and characteristic of the forest fire and grassland fire in Inner Mongolia[J].Meteorology Journal of Inner Mongolia，2003（2）：28-30（in Chinese）

[4]康高峰.应用遥感技术调查研究煤层自燃灾害[J].国土资源遥感，1992（3）：34-40

Kang Gaofeng.The application of remote sensing technology in the hazard of coal spontaneous combustion[J].Remote Sensing For Land ＆Resources，1992（3）：34-40（in Chinese）

[5]范一大，史培军，罗敬宁.沙尘暴卫星遥感研究进展[J].地球科学进展，2003（3）：367-371

Fan Yida，Shi Peijun，Luo Jingning.Advances in studying duststorm by using remote sensing[J].Advance in Earth Sciences，2003（3）：367-371（in Chinese）

[6]张永宁，丁倩，李栖筠.海上溢油污染遥感监测的研究[J].大连海事大学学报，1999，25（3）：1-5

Zhang Yongning，Ding Qian，Li Qijun.Astudy on monitoring of oil spill at sea by satellite remote sensing[J].Journal of Dalian Maritime University，1999，25（3）：1-5（in Chinese）

[7]王纪华，赵春江，黄文江，等.农业定量遥感基础与应用[M].北京：科学出版社，2008：276-288

Wang Jihua，Zhao Chunjiang，Huang Wenjiang，et al.Fundamentals and applications of quantitative remote sensing of agriculture[M].Beijing：Science Press，2008：276-288（in Chinese）