基于高光谱影像的高寒牧区土地覆盖分类与草地生物量监测模型

方 金，梁天刚，吕志邦，冯琦胜，何咏琪

(草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州 730020)

高光谱遥感是20世纪80年代以来人类在对地观测方面取得的重大成就之一[1]，其特点是波段多、波宽窄、波段之间近似连续，能够提供更加丰富的地表信息，因此受到国内外学者的极大关注和广泛应用[2]。目前其应用已涵盖地球科学的各个学科，包括植被调查[3-8]、农业遥感[9-11]、大气科学研究[12-13]、环境监测[14-17]等诸多领域。高光谱数据的光谱分辨率达到纳米级，能更加敏感地反映地物对光的吸收与反射情况[18-19]，因此可以根据光谱曲线特征识别不同地物类型。一般不同地物具有不同的光谱曲线，但也存在异物同谱或同物异谱等情况[20-21]。目前具有代表性的航空高光谱遥感仪有Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)、Earth Observing-1 (EO-1)、Compact Airborne Spectral Graphic Imager (CASI)等，基于这些影像处理已经开展了大量研究工作[22-24]。

在航空高光谱技术研究的基础上，20世纪90年代末期以来迎来了航天高光谱遥感的发展阶段。1999年美国地球观测计划(Earth Observing System，EOS)的Terra综合平台上的中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer，MODIS)——号称新千年计划第一星的EO-1，欧洲环境卫星(ENVISAT)上的MERIS，以及欧洲的PROBA(Compact High Resolution Imaging Spectrometer，CHRIS)卫星相继升空，宣告了航天高光谱时代的来临。国际上也有很多类似的研究，如Dutta等[25]结合EO-1数据计算出5种不同的水压迫疾病指数，成功对印度拉贾斯坦邦的巴拉普尔区的芥末患病区域进行了制图。Hirano等[26]运用AVIRIS高光谱数据对美国佛罗里达洲马德拉湾的湿地地区植被进行了遥感分类。国内近些年在高光谱遥感方面也取得了长足的进步，Weng等[27]结合土壤含盐量光谱指数和EO-1高光谱数据，对黄河三角洲区域土壤盐渍化状况进行了研究；王明常等[28]利用MODTRAN4模型对CHRIS数据进行了大气校正，校正后的数据与MODIS标准的植被光谱反射形态一致，为植被生物量等参数的定量遥感奠定了理论基础；朱晶晶等[29]基于MERIS数据成功模拟了滇池2003―2009年不同月份蓝藻中叶绿素浓度的时空变化规律。以上均是基于国外的高光谱数据针对相关科学问题展开的研究。自2008年我国成功发射“风云-3号”气象卫星和环境与灾害监测小卫星(HJ-A/B)以来，针对自主研发的星载中分辨率光谱成像仪(MERSI)，特别是自2009年3月HJ-A/B卫星交付民政部和环境保护部正式应用以来，对高光谱成像仪(HSI)的应用研究，便成为国内许多学者研究的热点。但是，目前我国针对环境减灾高光谱影像的研究还处在起步阶段，只是单纯对影像本身的处理及最佳波段组合进行了研究与分析[30-32]，没有与相关学科问题联系起来。本研究基于环境减灾卫星的高光谱数据，以甘肃玛曲高寒牧区作为典型研究区，开展了牧区地物光谱特征分析、土地覆盖分类及多种植被指数的比较研究，以期为HJ-A/B卫星高光谱数据在牧区地物识别及草地植被监测方面的应用提供科学依据，为HSI数据在草地生态研究中的运用奠定了基础。

1 材料与方法

1.1研究区概况 玛曲县地处青藏高原东部，海拔3 300～4 800 m，气候寒冷，年平均温度1.1 ℃，年降水量达615.5 mm[33]。该县共有高寒草甸、高寒灌丛草甸和沼泽3种草地类型，草地总面积为8.59×105hm2，占全县土地总面积的89.4%。典型试验区位于玛曲县城附近(图1)，101.806°～102.489°E ，33.657°～34.147° N，土地覆盖类型主要有草地、水域、裸地，其中主要草地类型包括高寒灌丛草甸类和高寒草甸类。试验区涵盖了玛曲县所有草地类型及主要土地覆盖类型，具有良好的代表性。

图1 环境减灾(HJ-1A)卫星高光谱影像及样点空间分布位置Fig.1 The HJ-1A satellite hyperspectral image and the samples’ spatial distribution

1.2数据获取

1.2.1高光谱数据 环境与灾害监测小卫星星座A、B星(HJ-1A/1B星)于2008年9月6日上午11点25分成功发射，HJ-1A星搭载了CCD相机和超光谱成像仪(HSI)，HJ-1B星搭载了CCD相机和红外相机(IRS)。HSI完成对地刈宽为50 km、空间分辨率为100 m、115个光谱谱段的推扫成像，具有±30°侧视能力和星上定标功能。采用的高光谱数据成像时间是2011年6月12日，景序列号为554595，产品序列号为555373，下载于中国资源卫星应用中心(http://www.cresda.com/n16/index.html)。影像波谱范围为460-951 nm，共计115个波段，其中1～20和113、114、115波段数据本身受条带影响，数据质量差，因此本项研究未分析这些波段的数据。1到90为可见光波段(460-770 nm)，其中，1～20波段为蓝光(460-503 nm)，21～51波段为绿光(505-595 nm),52～90波段为红光(598-770 nm)；91到115为近红外波段(776-951 nm)。同时，为了对该影像进行几何精校正，选取了一景经过校正的LANDSAT TM-5卫星影像作为标准影像，成像时间是2000年8月20日，行列号为131036，共有7个波段，其中第6波段分辨率为120 m，其余均为30 m，影像的幅宽为185 km×185 km，校正所需波段为第3、4、5波段。

1.2.2实测数据 地面调查时间为2011年8月。在高光谱图像覆盖的区域内，有26个地面样方观测点，样方大小为0.5 m×0.5 m，调查项目主要包括土地覆盖类型、牧草鲜质量和干质量、草地植被盖度、草群平均高度、经纬度、海拔等。其中，草地样方20个，包含高寒灌丛草甸类13个，高寒草甸类7个、裸地调查样方3个、城镇调查样方2个和水域调查样方1个。

1.2.3地物标准波谱曲线获取 获取的HSI数据是经过几何粗纠正的HDF5格式的数据，数据本身几何精度一般，受大气影响较大，为了消除这些影像，利用The Environment for Visualizing Images (ENVI)软件，对高光谱影像进行辐射定标、几何精纠正、大气校正等预处理：(1)运用ENVI下的HJ小补丁，直接读取HDF5数据，得到经过辐射定标和几何粗纠正的数据。(2)结合下载的TM标准影像，运用ENVI中Registration工具对HSI数据进行几何精纠正，减小由于几何变形造成的误差。(3)大气校正是在ENVI中的FLAASH模块下完成的，该模块植入模型是当下最常用的MODTRAN4模型，能够很好地补偿大气的影响。经过这些预处理，最终得到真实地表反射率；然后，结合LANDSAT TM-5影像和实测数据，对研究区高光谱图像进行目视解译，划分出云、裸地、植被和水域4类土地覆盖类型；最后，在每种土地覆盖类型上随机选取20个样点，提取每个样点所有波段的反射率值，分别计算各个波段的平均反射率，将其连成一条曲线作为该类型的标准光谱曲线。

为了有效突出光谱曲线的吸收和反射特征，对所有地物的标准光谱曲线分别进行包络线去除，并且将其归一到一致的光谱背景上，以便与其他光谱曲线进行特征数值的比较[34-36]。量化的光谱吸收特征主要包括,(a)吸收位置(Absorption Position,AP)：在光谱吸收谷中反射率最低处的波长。在经过包络线去除的光谱曲线上找出所有值为1的端点，每两个相邻的端点间反射率最低的波长便是该波带的一个吸收位置。(b)吸收深度(Absorption Depth，AD)：在某一波段吸收范围内，反射率最低点到归一化包络线的距离。(c)吸收宽度(Absorption Width,AW)：吸收起点到吸收终点之间的波长。(d)吸收对称性(Absorption Symmetry，AS)：以过吸收位置的垂线为界线，右边区域面积与左边区域面积比值的常用对数。左不对称为负数(-)，对称为零(0)，右不对称为正数(+)。

2 结果与分析

2.1不同地物标准波谱曲线特征分析 分析云、水域、植被和裸地4类地物标准波谱曲线(图2)及其包络线去除的结果(图3)，得到各地物波谱曲线的吸收特征(表1)。裸地的整体反射率在20%左右，其在绿光波段范围内(505-595 nm)逐渐上升，至红光的前20个波段(598-678 nm)趋于稳定，从第73波段(682 nm)到近红外波段(925 nm)整体呈现上升趋势，总反射率约10%。裸地的光谱曲线在可见光波段(460-770 nm)共有5个吸收谷点，在711 nm处达到最大吸收深度，吸收宽度也是最大，在近红外波段有3个吸收谷点。裸地在影像区域内可细分为城镇和裸土两个小类(图4)，这两类在可见光和近红外波段的吸收位置一样，整体波形相似，只是在720-820 nm内城镇反射率要稍高于裸土。

图2 研究区4类主要地物标准波谱曲线Fig.2 Standard spectral curves of four major objects in study area

在可见光和近红外波段，水域几乎吸收了全部的能量，其吸收谷是4类地物中最多的。在可见光波段有6个吸收谷，近红外波段有3个吸收谷。水域主要吸收谷在678 nm处，吸收深度为0.094，吸收宽度是178 nm。纯净水的整体反射率一般应低于6.0%[37]，但由于黄河水中含有其他无机和有机物，其总体反射率不超过10.0%。黄河水域的反射率在绿光波段(505-595 nm)逐渐上升，从5.7%增至9.0%，在红光波段(598-770 nm)保持在9.0%，到了近红外波段(776-951 nm)逐渐下降，反射率降至7.0%左右(图2)。

图3 包络线去除后的4类主要地物波谱曲线Fig.3 The continuum-removed standard spectral curves of four major objects

表1 不同地物标准波谱曲线对应的吸收特征Table 1 The absorption features corresponding to the standard spectral curves of different objects

图4 城镇和裸土的标准波谱曲线Fig.4 Standard spectral curves of towns and bare lands

云的波谱曲线变化趋势平缓，其总反射率约为50.0%。在整个研究波段范围内，只有3个吸收谷，是4类地物中吸收位置最少的。可见光波段(460-770 nm)吸收谷在711 nm处，近红外波段(776-951 nm)吸收谷分别在892和917 nm处。云的反射率在绿光波段(505-595 nm)基本保持不变，在红光波段(598-770 nm)先减小后增加，在711 nm处有一个吸收峰，近红外波段(776-951 nm)是其反射率最高的波段(图2)。

植被的波谱曲线在绿光范围内(505-595 nm)呈现缓慢上升趋势，反射率从9.5%增加到12.4%。从595 nm到665 nm，波谱曲线平坦，反射率下降了0.7%。进入红边区域，反射率迅速由11.77%增至28.86%。近红外波段(776-951 nm)是相对平坦的高反射率区域，虽有3个吸收谷，但吸收深度均较小。植被在可见光波段(460-770 nm)有较强的吸收特性，吸收位置为678 nm，吸收深度0.414，吸收宽度为162 nm。纵观整条波谱曲线，研究区植被整体反射率没有达到理论上的高度，这可能与研究区采样点的植被类型及盖度等因素有关。研究区的植被类型主要为高寒灌丛草甸和高寒草甸，比较波谱曲线发现两者的波形相似，吸收位置十分相近，高寒灌丛草甸的反射率略低于高寒草甸。在绿光波段以及红光波段(460-721 nm)，高寒灌丛草甸反射率均低于4.0%，经过红边区域上升后，两者反射率更加接近，高寒灌丛草甸只比高寒草甸低1.0%左右(图5)。以上4类地物吸收位置的不同主要体现在红光波段，在近红外波段吸收的位置和深度基本相同。

图5 高寒灌丛草甸与高寒草甸的标准波谱曲线Fig.5 Standard spectral curves of alpine shrub meadow and alpine meadow

2.2分类结果对比 利用监督分类的最大似然法和光谱角分类方法[38-39]对高光谱影像进行分类，同时对高光谱影像进行目视解译，依据目视解译结果，对监督分类(图6a)和光谱角分类(图6b)结果进行精度评价(表2)。

利用样点分析发现，光谱角分类精度为76.9%，监督分类的精度为73.1%(图6)。由于样点较少，验证时稳定性较差，将两种分类结果同目视解译结果进行对比验证发现，光谱角分类法的总精度达85.9%，比监督分类约高13个百分点(表2)。对比两种分类结果，监督分类受云层影响很大，不能将山体阴坡的植被和处于云影下的植被与水域区分开，因此分类结果图中云的面积较大。光谱角分类方法的计算不再局限于3个波段，单一波段波宽窄，吸收的能量少，对地物特征的反映受自身条件的制约，光谱角分类方法可以考虑到所有波段的影响，从而可以提高分类精度。特别是它能成功对薄云和阴影下的地物进行识别。运用光谱角分类法，将4类地物细分为云、高寒灌丛草甸、高寒草甸、裸土、城镇和水域6类。研究结果表明，城镇与裸土、高寒灌丛草甸与高寒草甸之间的分类效果不好，主要原因是两种地物的特征相似，光谱曲线非常相近，导致分类效果较差。

由此可见，光谱角分类法具有较高的分类精度，更适合高光谱影像的分类，但对众多地物进行详细分类时，仍然受空间分辨率较低(100 m)等因素的严重影响，需要不断深入研究。

表2 不同分类方法的土地覆盖分类精度Table 2 The land cover classification accuracy of different classification methods

2.3草地植被指数与生物量模型分析 高光谱数据波段多，不同波段之间相互组合便能计算出众多不同的植被指数，优于传统的多光谱影像数据。本研究运用ENVI中的band math 工具，通过不同的波段组合共计算出了9种不同的植被指数(表3)。归一化植被指数(Normalized Difference Vegetation Index,NDVI)、比值植被指数(Simple Ratio Index,SR)和绿度总和指数(Sum Green Index,SG)为宽带绿度指数，可以简单度量绿色植被的生长状况，对植物的叶绿素含量、叶面冠层结构比较敏感，宽带绿度指数常用于植被物候发育的研究、土地利用和气候影响评估、植被生产力建模等。红边归一化植被指数 (Red Edge Normalized Difference Vegetation Index,NDVI 705)和红边指数(Vogelmann Red Edge Index,VOG)为窄带绿度指数，他们比宽带绿度指数更加灵敏，特别是对于茂密植被。光化学植被指数(Photochemical Reflectance Index,PRI)和红绿比值指数(Red Green Ratio Index,RG)是两种光利用率指数，可用来度量植被在光合作用中对入射光的利用效率。类胡萝卜素反射指数1(Carotenoid Reflectance Index 1,CRI1)和类胡萝卜素反射指数2(Carotenoid Reflectance Index 2,CRI2)是叶色素指数，用于度量植被中与胁迫性相关的色素。所有植被指数在植被覆盖区的取值范围均在其理论取值范围之内。

归一化植被指数、比值植被指数、红边归一化植被指数这3种植被指数与地上生物量显著相关，其余的相关性不好(表4)。在以上3种植被指数中，决定系数大于0.4的有归一化植被指数和比值植被指数，其中基于比值植被指数的生物量反演模型的F检验值最大，其次为归一化植被指数。因此，基于HJ-1A卫星高光谱资料的归一化植被指数和比值植被指数是适合玛曲县草地植被生物量动态监测的较好的植被指数。

3 结论

通过对HSI数据的辐射校正、几何精纠正、大气校正等预处理，结合地面实测数据，并经过大量分析得出如下结论。

1)研究区裸地、水域、云、植被的光谱曲线在红光波段具有明显的差异：水域的吸收位置最多，有6个，裸地次之，云和植被的吸收位置最少，均只有1个，但是植被的吸收深度要远高于云的吸收深度；波谱曲线整体反射率方面，云最高，在50.0%左右，水域最低，在10.0%左右；在近红外波段吸收的位置和深度基本相同。后两者反射率更加接近，高寒灌丛草甸只比高寒草甸低1.0%左右。

图6 监督分类(a)与光谱角分类结果(b)Fig.6 The results of supervised classification (a) and spectral angle mapper(b)

表3 不同植被指数的计算公式及植被覆盖区取值范围 Table 3 The formulas and threshold values of different vegetation indexes in vegetation regions

表4 不同植被指数(y)与地上生物量干质量(x)的线性回归模型Table 4 Regression models between vegetation indexes(y) and dry weight of above ground biomass(x)

2)基于高光谱影像的光谱角分类法优于监督分类。光谱角分类的精度达到85.9%，高于监督分类的72.5%，两种分类方法均适合高光谱影像的分类，但光谱角分类能够识别薄云、云下阴影以及山体阴影处的地物。

3)建立了9种不同植被指数与生物量之间的线性回归模型，发现归一化植被指数、比值植被指数和红边归一化植被指数3种植被指数与生物量的相关性较好，其中模型决定系数大于0.4的有归一化植被指数和比值植被指数，因此这两种植被指数适合研究区草地植被生物量的动态监测。

由于高寒草甸和高寒灌丛草甸波谱曲线高度相似，而且影像本身波段宽度较窄(450-950 nm)，没有将高寒草甸和高寒灌丛区分开来进行的土地覆盖分类。这是本研究的一个遗憾，希望随着国家航空航天科技的发展和研究的深入，能够在日后成功运用国产影像数据对各种类型草地进行很好的分类。

[1] 王先华,王乐意,乔延利.遥感中的高光谱技术及应用[J].光电子技术与信息,2001,14(6):7-13.

[2] 童庆禧,张兵,郑兰芬.高光谱遥感原理、技术及应用[M].北京:高等教育出版社,2006:1-2.

[3] 廖春华,张显峰,孙权,等.基于HJ-1高光谱数据的植被覆盖度估测方法研究[J].遥感信息,2011(5):65-70.

[4] 张连蓬,柳钦火,王德高,等.高光谱遥感植被指数的普适性分析[J].测绘通报,2010(9):1-4.

[5] 范燕敏,武红旗,靳瑰丽.新疆草地类型高光谱特征[J].草业科学,2006,23(6):15-18.

[6] 周磊,辛晓平,李刚,等.高光谱遥感在草原监测中的应用[J].草业科学,2009,26(4):20-27.

[7] 刘月,春喜,张美杰,等.内蒙古不同植被光谱特征分析[J].内蒙古草业,2011,23(3):44-48.

[8] 钱育蓉,杨峰,李建龙,等.利用高光谱数据快速估算高羊茅牧草光合色素的研究[J].草业学报,2009,18(4):94-102.

[9] 邢素丽,张广录.我国农业遥感的应用现状与展望[J].农业工程学报,2003,19(6):174-178.

[10] 姚云军,秦其明,张自力,等.高光谱技术在农业遥感中的应用研究进展[J].农业工程学报,2008,24(7):301-306.

[11] 张文,张建利,陈功.叶面施肥对草坪高光谱反射率及色泽的影响[J].草业学报,2009,18(2):115-121.

[12] 官莉,Huang H L,王振会.红外高光谱资料反演有云时大气温湿廓线的模拟研究[J].遥感学报,2008,12(6):987-991.

[13] 刘三超,高懋芳,柳钦火,等.高光谱数据反演大气水汽研究[J].遥感信息,2009(3):11-14.

[14] 包玉龙,张继权,赵云升,等.基于高光谱的草地可燃物含水率估测方法[J].红外,2011,32(7):38-42.

[15] 董延旭,蒋洪波,陈超,等.基于实测光谱分析的HJ -1B数据浅层雪深反演[J].光谱学与光谱分析,2011,31(10):2784-2788.

[16] 宋珍,陈晓玲,刘海,等.基于HJ-1A/1B卫星遥感数据的积雪识别方法研究[J].长江流域资源与环境,2011,20(5):553-558.

[17] 简季,江洪,江子山.川西北米亚罗地区雪积/雪融光谱测量及光谱分析[J].光谱学与光谱分析,2011,31(5):1361-1365.

[18] 苏红军,杜培军.高光谱数据特征选择与特征提取研究[J].遥感技术与应用,2006,21(4):288-293.

[19] 徐元进,胡光道,张振飞.基于光谱整体形态和局部吸收谷位置的高光谱遥感图像地物识别[J].武汉大学学报,2010,35(7):868-872.

[20] 徐兴新,叶宗怀,许安,等.广州市水体和植物的遥感光谱分析[J].地质地球化学,1989(5):49-53.

[21] 张俊,沈亚婷,王学军.基于高光谱吸收特征参数以及光谱吸收指数的藻类叶绿素a反演分离模型研究[J].农业环境科学学报,2011,30(8):1622-1629.

[22] 宋晓宇,王纪华,刘良云,等.基于高光谱遥感影像的大气纠正：用AVIRIS数据评价大气纠正模块FLAASH[J].遥感技术与应用,2005,20(4):393-398.

[23] 田丰,杨苏明,王润生.EO-1 Hyperion高光谱数据FLAASH模块大气纠正[J].新疆地质,2010,28(1):109-112.

[24] 刘丽娟,庞勇,范文义,等.整合机载CASI和SASI高光谱数据的北方森林树种填图研究[J].遥感技术与应用,2011,26(2):129-136.

[25] Dutta S,Bhattacharya B K,Rajak D R.Diease detection in mustard crop using EO-1 hyperion satellite data[J].Journal of the Indian Society of Remote Sensing,2006,34(3):325-330.

[26] Hirano A,Madden M,Welch R.Hyperspectral image data for mapping wetland vegetation[J].Wetlands,2003,23(2):436-448.

[27] Weng Y L,Gong P,Zhu Z L.A spectral index for estimating soil salinity in the Yellow River Delta Region of China using EO-1 Hyperion data[J].Pedosphere,2010,20(3):378-388.

[28] 王明常,王亚楠,陈圣波,等.多角度高光谱CHRIS/Proba植被模式数据大气校正[J].吉林大学学报,2011,41(2):609-614.

[29] 朱晶晶，陈晋，王胜强，等.基于MERIS数据的滇池叶绿素浓度时空变化(2003-2009年)及趋势[J].湖泊科学，2011,23(4):581-590.

[30] 钮立明,蒙继华,吴炳方,等.HJ-1A星HSI数据2级产品处理流程研究[J].国土资源遥感,2011(1):77-82.

[31] 杨贵军,黄文江,刘三超,等.环境减灾卫星高光谱数据大气校正模型及验证[J].北京大学学报,2010,46(5):821-828.

[32] 马娜,胡云锋,庄大方,等.基于最佳波段指数和J-M距离可分性的高光谱数据最佳波段组合选取研究[J].遥感技术与应用,2010,25(3):358-365.

[33] 卡召加.甘南玛曲县草地沙化现状成因及治理对策[J].甘肃农业,2005,227(6):31-32.

[34] 白继伟,赵永超,张兵,等.基于包络线消除的高光谱图像分类方法研究[J].计算机工程与应用,2003(13):88-90.

[35] 徐元进,胡光道,张振飞.包络线消除法及其在野外光谱分类中的应用[J].地理与地理信息科学,2005,21(6):11-14.

[36] 张雪红,刘绍民,何蓓蓓.基于包络线消除法的油菜氮素营养高光谱评价[J].农业工程学报,2008,24(10):151-155.

[37] 赵学英,马浩禄,张在厚.黄河高含沙水体光谱特性研究[J].人民黄河,1985(2):9-15.

[38] 黄立贤,沈志学.高光谱遥感图像的监督分类[J].地理空间信息,2011,9(6):81-83.

[39] 许卫东.高光谱遥感分类与提取技术[J].红外,2004，25(5):28-34.