基于森林类型光谱特征的最佳波段选择研究——以HJ/1A高光谱影像为例

李俊明，邢艳秋，杨 超

（东北林业大学森林作业环境研究中心，黑龙江哈尔滨 150040）

高光谱遥感是指具有高光谱分辨率的遥感科学和技术［1－2］，因其具有较高的光谱分辨率而被广泛应用于各个领域。但由于高光谱遥感的数据量大，波段间的冗余度高，在处理高光谱数据时会出现Hughes现象——维数祸根［3］，因此对高光谱数据应进行降维处理，目前降维的法有基于特征提取和基于特征选择两种方法，而基于特征选择方法能较好地保持图像原有特性［4］。波段选择应以波段间的相关性小且所包含的信息量大为原则，并且波段组合对地物的光谱差异要大。荆耀栋等［5］通过波段间相关性以及最佳指数分析，获取沙地信息的最佳波段组合;刘建平等［6］提出了基于遥感图像上不同地物可分性大小的最佳波段组合的选择方法;汪继伟［7］等通过用最佳指数对环境减灾小卫星的数据的波段进行组合。

目前，波段组合的研究多数是从波段的信息量以及波段间的相关性角度出发，很少有从地物的光谱特征角度出发对波段进行选择;而在对HJ/1A（环境与灾害监测预报小卫星星座A）高光谱影像的植被类型的分析上更是鲜有相关文献报道。因此，本文先从HJ/1A遥感影像的不同森林类型的光谱特征出发，选择波谱特征差异大、波段间相关性小且信息量大的波段进行组合，确定出可用于森林类型识别的最佳波段组合。

1 研究方法

1.1 研究区域

本论文以吉林省汪清林业局经营区为研究对象，该区位于吉林省汪清县的东南部，处于长白山系的中低山区（E129°56′～ E131°04′，N43°05′～N43°40′），是吉林省较典型的天然次生林，总面积30.4万hm2，林地面积为18.7万 hm2。该区林业资源丰富，深山区森林类型以针阔混交林为主，呈带状分布。针叶树主要有红松（Pinus koraiensis）、云杉（Picea）、臭松（Symplocarpus Salisb）和落叶松（Larix kaempferi），阔叶树多为水曲柳（Fraxinus mandschurica）、胡桃楸（Juglans mandshurica）、蒙古栎（Quercus monglica）、椴树（Tilia）、色木（Acermono）、榆树 （Ulmuspumila）、白桦 （Betula platyphylla）、杨树（Populus）和枫桦（Betula davuric）等。

1.2 研究数据

1.2.1 高光谱数据

环境减灾小卫星星座A/B星（HJ－1A/B）于2008年9月6日在太原卫星发射中心成功发射。HJ－1A星上搭载的超光谱成像仪（Hyperspectral Imaging Radiometer，HSI）是世界上第一个基于空间调制干涉成像原理设计的民用高光谱成像仪［8］。HJ－1A共有115个波段，蓝色波段（1～6），青色波段（7～19），绿色波段（20～40），黄色波段（41～49），橙色波段（50～58），红色波段（59～88），近红外波段（89～115）。光谱范围为 0.45～0.9 um，平均光谱分辨率为4.32 nm，空间分辨率为100 m，幅宽为50 km，且具备±30°侧视能力，重访周期为96 h，可实现对研究区快速重复观测，特别适用于植被生理参数提取研究［9］。本次处理的高光谱数据的获取地址时间为2010年6月5日，获取地址为为:http://www.cresda.com/n16/index.html。

1.2.2 野外调查数据

本研究分别在2006年9月、2007年9月和2010年9月进行了野外地面调查，按照森林类型、坡度等情况随机布设79个水平投影面积为500 m2的圆形样地，对样地内立木进行每木测量，测量参数包括胸径、树高、树种和郁闭度。

本研究将野外调查样地的类型分为阔叶林、混交林和针叶林3个类型组。阔叶林（broad－leaved forest）指阔叶树蓄积占65%以上的森林;针叶林（coniferous forest）是指针叶树蓄积占65%以上的森林;混交林（mixed forest）指针叶树或阔叶树蓄积均占65%以下的森林［10］。本次野外调查的阔叶林、针叶林、混交林的样地数分别为53、11和15个。

1.3 数据处理

1.3.1 HJ/1A 遥感影像处理

获取的HSI影像为2级产品，通常获取的影像上的像素值一般为灰度级，而实际的电磁波辐射强度则为辐亮度。因此，在实际应用中，需要将灰度级转换为辐亮度值，之后才能对其进行分析应用［11］。在ENVI软件中运用波段运算，除以扩大因子100，得到辐射亮度值的遥感影像，并把输出的数据转换为BIL格式的数据［12］。

将得到的辐射亮度图像进行大气校正，以消除大气和光照等因素对地物反射的影响，包括消除大气中的水蒸气、氧气、二氧化碳等对地物反射的影响，以及大气分子和气溶胶散射的影响［13］。在本次处理中，选用大气校正模块中的FLAASH（Fast Line－of－sight Atmospheric Analysis of Spectral Hypercubes）模块进行大气校正。

再利用地面控制点对遥感图像进行几何精校正，几何校正选用Image to Map方法，用双线性内插法进行重采样。

1.3.2 植被光谱特征提取及分析

对应地面采集数据，提取不同类型植被的光谱曲线，并结合不同森林类型进行光谱特征分析，如图1所示。

从图1中可以看出，阔叶林和混交林在可见光波段的反射率值区分不是很明显，而在近红外波段具有很好的可分性。HJ/1A遥感影像的115个波段中前20个波段为坏波段，因此在波段选择中剔除这20个波段。阔叶林、混交林、针叶林的明显区分波段范围为:21～24波段，28～31波段，39～47波段，55～60波段，62～77波段，85～112波段，共67个波段。因此从这67个波段中选出最佳波段组合。

图1 植被平均光谱图Fig.1 The average spectrum of vegetation

1.4 最佳波段组合选取

从67个波段中选出3个波段进行组合计算最佳指数，共有47905个计算结果，数据量是很庞大的，而临近波段的相关性很高，不利于波段信息的表达。因此，为了避免临近波段的组合，减少数据处理规模，本论文利用相关系数矩阵将波段进行分组，组内的波段不进行波段组合，组间的波段进行组合。

本研究分别用最佳指数法（Optimum Index Factor，OIF）、波段指数法和协方差特征值3种方法提取波段组合，并用光谱混合距离确定出最佳波段组合。

1.4.1 最佳指数法 （OIF）

最佳指数法是由美国查维茨提出的，图像数据的标准差越大，所包含的信息量就越多，而波段间的相关系数越小，波段的图像数据独立性就越高，信息的冗余度就越小［14］。其数学表达公式为:

式中:Si为第i个波段的标准差，Rij为i、j两个波段的相关系数。

1.4.2 波段指数法

波段指数的定义为波段的标准差同该波段在组内的平均相关系数和该波段与组外波段相关系数绝对值之和的比值［15］。波段指数Pi为:

式中:Si为第i波段的标准差，Rw为第i波段与所在组内其他波段相关系数的绝对值之和的平均值，i≠j，Ra为第i波段与所在组外其他波段相关系数绝对值之和的平均值。

1.4.3 协方差矩阵特征值法

根据Charelles Sheffield［13］提出的用计算 N维数据熵值原理进行优选最佳波段组合的方法，选出包含信息量最丰富的波段组合。计算公式为:

式中:H为图像熵，即图像信息量;N为波段维数;|Ms|为所选三个波段的行列式。

1.5 最佳波段组合确定

波段组合，除了要保证图像的信息量大，波段冗余度小，还要确保地物类别的可分性。不同的地物具有不同的光谱特征，因此可根据光谱混合距离来确定能更好地区分地物的波段组合。混合距离越大，两类的可分性越大［16］。光谱混合距离公式如下:

式中:xik、xjk分别为第i类和第j类在波段k上的光谱值。

2 结果分析

2.1 相关系数矩阵

通过ENVI软件的波段统计可以得到波段相关系数矩阵，其可视化结果如图2所示，其中横纵坐标均为波段号。

图2 相关系数矩阵图Fig.2 Correlation matrix

在相关系数矩阵图中，颜色越亮的部分相关系数越大。从该图中，根据波段间的相关系数大小可以把选出的67个波段分成3组，波段1～波段5为第一组，波段6～波段39为第二组，波段40～波段67为第三组。

2.2 最佳指数

从三个组中分别选出一个波段进行组合，并计算OIF值，该计算结果有4760个，取OIF值排在前15位的波段组合，见表1。

表1 分组后OIF指数Tab.1 OIF index after grouping

从表1可以看出，有些波段组合很相近，如排在前2位的波段组合分别为（1，39，65）、（2，39，65），波段1和波段2为相邻波段，相关系数大、差别不大，因此可以从这2个组合中选出一个组合作为最佳波段组合。最佳指数法未考虑不同地物在不同波段的可分性，OIF值越大的地物可分性未必越好，因此从OIF值中选出较大的波段组合，再从中选出地物可分性最好的波段组合。根据分组OIF指数，最佳波段组合为（1，39，65），（2，39，62），（2，6，65）。

2.3 波段指数

根据公式 （2）计算的波段指数，取排在前5位的计算结果，见表2。

表2 波段指数表Tab.2 Bands index

从该表可以看出，在第一组里波段1的波段指数最高，其次是波段2、波段5;第二组中波段39的波段指数最高，其次是波段7、波段38;第三组排在波段指数排在前三位的分别是波段65、波段66、波段67。最佳波段组合为（1，39，65），（2，39，62），（1，7，65）。

2.4 协方差特征值

分组后依据公式 （3）计算波段组合的协方差特征值，取排在前10位的计算结果，见表3。

表3 协方差特征值Tab.3 Covariance feature value

从该表可以看出，排在前十位的波段组合非常相近，如排在第一位的和第二位的波段组合分别为（1，6，65）、（1，7，65），而波段6和波段7为相邻波段，相关性高，因此可以从这两个组合中选出一个波段组合进行分析即可。用行列式特征值法选出的波段组合为（1，6，65），（2，6，66）。

2.5 光谱混合距离

本文中，主要地物为阔叶林、针叶林和混交林，将前面所选的波段组合，根据阔叶林、针叶林和混交林在不同波段上的光谱值计算混合光谱距离，如图3所示。

图3 光谱混合距离Fig.3 Spectral distance

从光谱混合距离图可以看出，对针叶林和阔叶林区分较好的波段组合按光谱混合距离大小排在前三的分别为:（1，7，65）、（1，6，65）、（1，39，65）;对针叶林和混交林区分较好的波段组合为:（1，7，65）、（1，6，65）、（2，6，65）;对阔叶林和混交林区分较好的波段组合为:（2，39，62）、（2，6，66）、（2，6，65）。因此，从总体来看，（1，7，65）波段组合为区分针叶林的最佳组合波段;（2，39，62）波段组合为区分阔叶林和混交林的最佳波段组合。

波段1的中心波长为505.89 nm，是绿色波段;波段2的中心波长为508.42 nm，是绿色波段;波段7的中心波长为529.64 nm，为绿色波段;波段39的中心波长为696.85 nm，为近红外波段;波段62的中心波长为885.18 nm，为近红外波段;;波段65的中心波长为908.95 nm，为近红外波段。植物在绿色波段吸收少，本研究中绿色波段存在反射峰，但不十分明显，可能与大气校正的方法有关;同时发现针叶林与阔叶林的可分性强，而阔叶林与混交林的可分性较差，可能与混交林中的阔叶树所占的比例较多有关。不同森林类型在绿色波段的反射程度不同;而研究表明不同类型的植被在近红外波段的可分性程度大，因此这两个范围内的波段组合对地物的区分会有较好的效果。

3 结束语

本论文利用不同地物的光谱特征不同，从HJ/1A遥感影像的115个波段中挑选出能较好地区分阔叶林、针叶林和混交林的67个波段。为避免相关性强的波段进行波段组合，根据波段相关系数矩阵进行分组，将67个波段分成3组，再进行最佳指数、波段指数、协方差矩阵特征值计算最佳波段组合，发现最佳指数法和波段指数的计算结果相差不大。

用光谱混合距离确认能区分阔叶林、针叶林和混交林的最佳波段组合，并确定 508.42 nm、696.85 nm、885.18 nm的组合为区分阔叶林和混交林的最佳波段组合;505.89 nm、529.64 和908.95 nm的组合为能明显区分针叶林的波段组合。

建议在进一步的研究工作中，增加调查样本，针对不同树种识别进行光谱选择研究，并研究不同大气校正方法对光谱选择的影响。

】

［1］童庆禧，张 兵，郑芬兰.高光谱遥感——原理、技术与应用［M］.北京:高等教育出版社，2006.

［2］杨曦光，范文义，于 颖.森林叶绿素含量的高光 遥感估算模型的建立［J］.森林工程，2010，26（2）:8 －11.

［3］HugHes G.On the mean accuracy of statistical pattern recognizers［J］.IEEE Transactions on Information Theory，1968，14（1）:55－63.

［4］尹继豪，王义松.高光谱遥感影像中最佳谱段的快速选择方法［J］.理论研究，2010（3）:3 －7.

［5］周淑琴，荆耀栋，吴发启，等.LANDSAT数据在沙地动态监测中提取沙地信息的最佳波段组合研究［J］.山西水土保持科技，2011，2:9 －12.

［6］刘建平，赵英时.高光谱遥感数据解译的最佳波段选择方法研究［J］.中国科学院研究生院学报，1999，16（2）:153 －161.

［7］汪继伟，刘 刚，马海涛，等.在宏观监测中的最佳波段组合研究［J］.中国科技信息，2011（16）:40 －41.

［8］Hao X，Lu J，Gong A，et al.Operational spectrum reconstruction of data from the fourier transform hyperspectral imager onboard HJ/1A satellite［J］.Chinese Science Bulletin，2010，55（17）:1808－1812.

［9］Meng J，Wu B，Niu L，et al.Validation of HJ/1 HSI red edge parameters based on spectral reflectance of hyperion［J］.Spectroscopy and Spectral Analysis，2010（8）:2205－2210.

［10］亢新刚.森林资源经营管理［M］.北京:中国林业出版社，2001.

［11］韦玉春，汤国安，杨 昕.遥感数字图像处理教程［M］.北京:科学出版社，2007.

［12］韩瑞梅.环境星HSI影像处理关键技术的研究［D］.长沙:中南大学，2010.

［13］邓书斌.ENVI遥感图像处理方法［M］.北京:科学出版社，2010.

［14］Sheffiel C.Selecting band combination from multispectral data［J］.Photogrammetric Engineering and Remote Sensing，1985，51（6）:681－687.

［15］Jiang X，Wang C，Wang C.Optimum band selection of hyperspectral remote sensing data［J］.Arid Land Geography，2000，23（3）:214－220.

［16］刘建平.高光谱遥感数据处理分析软件系统设计与实现［D］.合肥:中国科学技术大学，2008.