多端元光谱解混模型的改进及对植被盖度的反演1)

张雅春 那晓东 臧淑英

(黑龙江省普通高等学校地理环境遥感监测重点实验室(哈尔滨师范大学)，哈尔滨，150025)

湿地作为界于陆地和水体之间的客体，是自然界中最富生物多样性的生态景观和人类社会赖以生存发展的环境之一，具有特殊的生态功能和宝贵的自然资源价值；丰富的植物资源为保护区内珍贵水禽的生存和繁衍创造了条件，具有极其重要的生物多样性保护价值[1-2]。然而，近年来在自然和人为的因素下，导致部分栖息地退化。因此，及时、动态地获取大范围湿地植被覆盖信息具有重要意义。目前，遥感反演植被覆盖度的方法主要有基于像元的硬分类方法和混合像元分解方法，由于受空间分辨率和地物复杂度的影响，影像中存在大量的混合像元[3-4]，因此，亚像元级的混合像元分解方法得到广泛应用。混合像元分解模型可分为线性光谱解混模型(LSMM)和非线性光谱解混模型，线性光谱解混模型是当前混合像元分解研究的主流[5-7]，但崔天翔等[8]基于线性光谱解混模型对北京市野鸭湖湿地自然保护区的植被覆盖度进行了估算，并通过扩维的方法来提高端元的提取数量。对于传统的线性光谱解混方法对所有的像元均采用同一组端元集进行解混，忽略了像元间组分的差异，具有一定的局限性[9]。多端元光谱解混模型实现了对不同的像元选取不同的端元组合，并在植被覆盖信息的提取上取得了较好的效果[10-11]。廖春华等[9]基于研究区4 景 HJ- 1/HSI 影像数据，用多端元光谱解混模型反演了新疆石河子干旱区的植被覆盖度并与线性光谱解混模型的反演结果进行对比分析，取得了较好的精度。当地物类型数目增大，多端元光谱解混模型的计算量巨大，无法满足更加复杂的现实场景。为了克服计算量大的问题，我们先基于分层的面向对象分类方法，将整景研究区影像划分为地物类型较少的小场景，再分别进行多端元光谱解混，有效降低了地物复杂度及计算量，并提高了反演精度。

本研究基于TM遥感影像数据，采用分层面向对象多端元光谱解混模型对扎龙湿地自然保护区进行植被覆盖度反演，并与传统的多端元光谱解混模型的反演结果进行对比分析，验证本方法对湿地植被信息提取的适用性和有效性。

1 研究区概况

扎龙国家级自然保护区位于黑龙江省齐齐哈尔市，地理坐标为东经123°47′～124°37′，北纬46°52′～47°32′，属湿地生态系统类型的自然保护区(见图1)。地貌类型主要为平原区河湖相冲击地貌类型，土壤类型为黑钙土、草甸土、碱土、盐土、沼泽土和沙土。保护区地处中纬度地带，属于中温带大陆性季风气候。年平均气温3.5 ℃，年降水量400～600 mm；年均相对湿度62%。保护区内具有高等植物468种，隶属于67科，草本植物占绝大多数；鸟类约260种，隶属17目48科；其中国家重点保护鸟类有35种，最为著名的是鹤类，全世界有15种，中国有9种，本区有丹顶鹤、白鹤、白头鹤、白枕鹤和蓑羽鹤，丹顶鹤占世界总数的17.3%，除丰富的鸟类资源外，还有20种兽类、两栖类4种、爬行动物3种、水生鱼类40种。

图1 研究区位置示意图

2 研究方法

2.1 数据源及预处理

本文选取覆盖研究区范围内的一景TM7遥感影像，成像日期为2015年9月10日，轨道号为120/27，分辨率为30 m。针对原始影像存在的几何变形问题，本文以同时期的SPOT5全色影像为参考，在影像上选取一组地面控制点(50个)，控制点选在如道路交叉点的显著地物上，尽量保持均匀分布，然后采用双线性内插法对影像的各像元进行坐标变换和重采样，纠正到统一的高斯投影系统下，校正误差控制在1个像元内。为了减少大气对提取端元光谱的影响，采用ENVI5.1自带的FLAASH模块对TM影像进行大气校正。最后用扎龙国家级自然保护区矢量边界对影像进行裁切作为感兴趣区。

2.2 端元光谱提取

端元光谱的提取对线性光谱解混模型解混的成功与否起着至关重要的作用。本文综合采用，纯像元指数(PPI)、端元平均均方根误差(EAR)、最小平均光谱角(MASA)、基于计数的端元选取(COB)等方法来提取端元光谱。由于某类端元可能存在光谱差异，为了避免“同物异谱”的现象发生，会对此类地物选取多个代表性端元光谱。

城市区域通常使用植被-不透水-土壤端元模型进行光谱解混[12-14]，非城市地区通常采用植被-土壤-阴影(干植被)端元模型进行光谱解混[9]。因此，本研究所选取的光谱库主要包括植被和非植被两类光谱库(见表1)。解混时，所用的二端元模型和三端元模型如表2所示。

表1 光谱库中几种地物选取的光谱数量

表2 模型的端元组合

2.3 多端元光谱解混模型

由于不同的影像像元中，端元的个数和类别有差异，采用同一组端元集进行解混，不符合实际情况，采用多端元光谱解混模型更符合实际情况。多端元光谱解混模型(MESMA)为[15]：

为了给每个像元找到最优的端元组合，需要遍历所有的端元组合模型。多端元光谱解混模型中表示场景中共有M类地物，第i类地物的类内变化光谱个数为 。并从全部的2端元、3端元、…、(M-1)端元模型中为每个像元寻找到最优的端元组合，然后进行丰度反演。

2.4 基于分层面向对象多端元光谱解混模型

随着场景复杂程度的增大，地物种类增多，端元模型的个数随之增多，用所有的端元模型迭代解混计算量庞大，不易为每个像元找到最优组合。因此，本文提出了基于分层的面向对象多端元光谱解混模型方法(见图2)：首先基于面向对象分类法将研究区影像分为植被和非植被两类；其次将非植被部分进行掩膜，利用面向对象分类法将其细分为明水面、盐碱地、道路和居民地；然后将区分出的来的明水面、盐碱地、道路、居民地和植被分别进行掩膜，将研究区影像划分为地物类型较少的小场景来降低场景复杂度，并分别采用MESMA方法进行亚像元级分类，对植被进行精细提取。最后，根据MESMA方法反演的每个像元植被丰度值的大小，将植被丰富度划分为5级，得到湿地植被盖度图。

图2 分层的面向对象多端元光谱解混方法流程

2.5 精度评价

本研究采用同时期的SPOT5影像(SPOT5影像数据是法国spot卫星获取的，能够通过相邻轨道拍摄立体相对影像，其分辨率为5 m)上获取的植被覆盖度数据作为验证数据，进行精度验证。首先，在植被覆盖度专题图上随机采样(采样窗口为3×3，个数为50)。然后，在高分辨率的SPOT5影像上获取相对应的样本区域，采用目视解译的方法，获取研究区植被覆盖度的验证数据。表3为所选的50个样本基于传统的MESMA模型和分层面向对象多端元光谱解混模型的植被覆盖度以及SPOT5的验证数据。

植被覆盖度通常采用均方根误差(RMSE)相关性系数(R)来进行精度验证。相关性系数(R)的绝对值越大，相关程度越大；均方根误差(RMSE)值越小，样本总精度越高。

表3 各采样区两种解混模型的估计值与SPOT5的验证值

注：Ⅰ表示MESMA模型估计值(50个)；Ⅱ表示分层面向对象MESMA模型估计值(50个)；Ⅲ表示SPOT5验证数据(50个)。

3 分类结果及评价

图3、图4分别是基于分层的面向对象多端元光谱解混模型与传统的多端元光谱解混算法的反演的植被盖度结果，通过对图3中红色矩形框的放大，可以看出图中植被与非植被的混分现象明显得到了改善，分类效果优于图4，更接近于TM影像的真实情况(见图5)。

图3 分层的面向对象的MESMA反演植被盖度

图4 传统的MESMA反演植被盖度

图5 TM影像

由表4可知，分层面向对象多端元光谱解混模型的相关系数比传统的多端元光谱解混模型的相关系数提高了0.038 5；分层面向对象多端元光谱解混模型的均方根误差(0.092 6)明显优于传统的多端元光谱解混模型(0.171 2)。因此，分层面向对象的多端元光谱解混模型更适合湿地植被覆盖度的估计。

表4 两种解混模型相关性分析和均方根误差比较

4 结论与讨论

湿地植被覆盖度是反映湿地植物生长状况的一个重要参数，对湿地植被生物量的估算具有一定的意义[16-17]。本研究采用中等分辨率的TM7遥感影像，基于分层的面向对象多端元光谱解混模型对扎龙自然保护区的植被覆盖度进行了提取并取得了较好的结果。说明基于分层的面向对象多端元光谱解混模型有效地降低了湿地场景的复杂程度，并考虑到像元间所包含端元组分的差异，对不同的像元选取不同的端元组合，有效提高了解混精度。基于分层的面向对象多端元光谱解混模型比传统的MESMA模型对复杂的湿地场景植被覆盖度的估计精度高。

基于分层面向对象多端元光谱解混模型分类方法的相关性系数和均方根误差均高于传统的多端元光谱解混模型的分类结果。从局部分类结果对比中可以看出基于分层面向对象多端元光谱解混模型的分类方法较明显的改善了植被和非植被的混分现象。因为湿地场景复杂度较高地物种类较多，传统的MESMA方法，在迭代选取候选端元模型时错选的几率就越大。因此，本文先基于面向对象分类方法将影像划分为复杂度较低的小场景，通过减少地物类型来降低端元模型的个数，再进行MESMA亚像元级分类，便于为每个像元找到最优端元组合来降低解混误差，做到对湿地植被的精细提取。因此，本文提出的方法在提高湿地分类的准确性具有重要作用，为湿地的管理、保护及可持续利用提供了技术支持。

[1] WOODWARD R T, WUI Y S. The economic value of wetland services: a meta-analysis[J]. Ecological Economics,2001,37(2):257-270.

[2] YANG Y X. Main characteristics, progress and prospect of international wetland science research[J]. Progress in Geography,2002,21(2):111-120.

[3] POWELL R L, ROBERTS D A, DENNISON P E, et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis: Manaus, Brazil[J]. Remote Sensing of Environment,2007,106(2):253-267.

[4] BATESON A, CURTISS B. A method for manual endmember selection and spectral unmixing[J]. Remote Sensing of Environment,1996,55(3):229-243.

[5] 陶秋香,陶华学,张连蓬.线性混合光谱模型在植被高光谱遥感分类中的应用研究[J].勘察科学技术,2004(1):21-24.

[6] JOHNSON P E, SMITH M O, TAYLOR-GEORGE S, et al. A semiempirical method for analysis of the reflectance spectra of binary mineral mixtures[J]. Journal of Geophysical Research Solid Earth,1983,88(B4):3557-3561.

[7] GUTMANG, IGNATOV A. The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing,1998,19(8):1533-1543.

[8] 崔天翔,宫兆宁,赵文吉,等.不同端元模型下湿地植被覆盖度的提取方法：以北京市野鸭湖湿地自然保护区为例[J].生态学报,2013,33(4):1160-1171.

[9] 廖春华,张显峰,刘羽.基于多端元光谱分解的干旱区植被覆盖度遥感反演[J].应用生态学报,2012, 23(12):3243-3249.

[10] ROBERTS D A, GARDNER M, CHURCH R, et al. Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models[J]. Remote Sensing of Environment,1998,65(3):267-279.

[11] SOMERS B, ASNER G P, TITS L, et al. Endmember variability in Spectral Mixture Analysis: A review[J]. Remote Sensing of Environment,2011,115(7):1603-1616.

[12] RIDD M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities[J]. International Journal of Remote Sensing,1995,16(12):2165-2185.

[13] SMALL C, LU J W T. Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis[J]. Remote Sensing of Environment,2006,100(4):441-456.

[14] SMALLC. Estimation of urban vegetation abundance by spectral mixture analysis[J]. International Journal of Remote Sensing,2001,22(7):299-307.

[15] 赵春晖,崔士玲,刘务.基于分层的多端元光谱解混算法[J].光电子·激光,2014，25(9):1830-1836.

[16] BASUKI T M, SKIDMORE A K, LAAKE P E V, et al. The potential of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass[J]. Geocarto International,2012,27(4):329-345.

[17] 方金,黄晓东,王玮，等.青藏高原草地生物量遥感动态监测[J].草业科学,2011,28(7):1345-1351.