高光谱遥感在林业应用中的主要技术和应用现状

郝悦竹，张加龙

(西南林业大学 林学院，云南 昆明 650224)

1 引言

长期以来林业调查主要依靠实地调查，但准确性低。20世纪90年代， 高光谱遥感的出现为林业遥感的研究提供了新的技术手段。高光谱遥感技术因具有纳米级光谱分辨率、可大面积，可重复性观测、方便快捷等特点可探测不同地物间精细的光谱差异，弥补了传统林业调查的缺陷，广泛应用于林业研究，推动了林业发展。主要体现在森林健康评价[1]、森林各项参数提取[2]、森林树种识别[3]、森林病虫害监测[4]等几个方面。

高光谱遥感发展速度与落后的数据处理技术不相匹配，处理精度难以保障，制约了其在林业领域的应用。高光谱遥感技术数据量大、维数高必然导致信息冗余，因此数据降维是必然的选择。众多学者提出了降维方法提高研究精度，但现有算法泛化能力较弱，只能针对特定问题提出解决方案，缺乏系统性模型和研究。因此，本文系统总结了高光谱遥感在林业应用中的主要技术手段和林业应用现状，包括预处理和后处理技术，重点分析了各数据降维技术优缺点，为未来的研究提供参考。

2 高光谱遥感概述

随着遥感技术越来越广泛应用于地球研究，迫切需要一种同时满足高光谱分辨率与高空间分辨率的遥感探测仪器。高光谱遥感(Hyperspectral Remote Sensing)就是在这样的背景下发展起来的，是对传统光谱成像技术的继承和发展。高光谱遥感利用纳米级光谱成像仪，从电磁波谱的紫外、可见光、近红外和中红外区域得到许多窄且连续的图像数据，由几十至几百个波段组成三维图像。国际上，高光谱遥感自1983年第一个航空成像光谱仪AIS-1问世以来[5]已初具雏形。国内高光谱遥感技术自20世纪80年代开始发展，同步研究技术问题，在实验应用中不断完善[6]。

高光谱图像有以下特点：①具有纳米级光谱分辨率；②波段范围窄且连续，可反映几乎连续的地物光谱曲线；③波段间相关性高，会造成信息冗余；④可同时对地物的空间和光谱信息成像，有图谱合一的优势；⑤数据量大，特征维数高，具有三维结构。

高光谱遥感因包含精细的光谱信息和空间特征广泛应用于地质勘探、海洋遥感、植被分析等领域；在林业上，其丰富的光谱信息更是提高了植被分类精度，还可以测定植物内部的生化组分参数。高光谱遥感的出现为遥感从定性分析转向定量或半定量分析提供了可靠的手段[7]，推动了林业技术的发展。

3 高光谱遥感在林业应用中的数据处理技术

高光谱遥感技术虽是对多光谱遥感技术的发展和继承[8]。同时其特征维数高、数据量大、图谱合一的特点为传统遥感处理技术带来了新的挑战。在林业应用上，结合高光谱图像特点和林业生产需求产生了一些特定的数据处理技术。

3.1 辐射校正

遥感影像定量反演的基础是利用地物的电磁波反射率。在高光谱遥感与传统遥感一样，在传感器成像过程中，受自身设备性能和大气分子、气溶胶对电磁波辐射的散射吸收影响，传感器端接受的值往往包含有较多误差，无法真实的反应地物的电磁波反射率，需要进行辐射定标和大气校正。辐射定标可以将传感器端的测量值转换成绝对辐亮度[9]，公式如下：

L'i=Gi×Li×Bi

(1)

式(1)中Gi是波段i增益系数，Bi是波段i偏置系数，Li是波段i传感器输出亮度值，Li是波段i定标后绝对辐亮度。

大气校正可以消除大气中气溶胶散射和太阳反射等引起的像素值失真现象[10]，将辐射定标后的绝对辐亮度反演为地物的真实反射率。亓雪勇等[11]将大气校正方法分为四类：基于图像特征、基于地面线性回归模型、基于大气辐射传输模型和复合模型。

在林业调查中，研究区通常地形复杂，海拔较高区域云层覆盖严重，现有的大气校正不足以消除云层对地物电磁波反射率的遮挡，可通过结合其他特征弥补云阴影的影响：李军玲等[12]用ACTOR4软件获得大气校正参数并基于MODTRAN5模型完成大气校正；用大气校正后图像计算植被指数及纹理信息，用于图像重组；并对大气校正后图像(原图像)和重组图像分别利用SVM分类器进行分类，结果表明：重组后图像云阴影区分类精度高于原图像。

此外，还可通过太阳辐射校正和地形校正减弱太阳高度角变化和地形起伏对HSI(Hyperspectral Image，高光谱图像)造成的像元值畸变。

3.2 降噪处理

高光谱遥感数据包含精细的光谱信息，在林业上常被用于树种识别分类。然而HSI信噪比低，部分波段被噪声严重影响，导致地物光谱特征无法被有效利用，去除噪声十分必要。

HSI是三维结构，其噪声分布在光谱维和空间维，两种维度噪声分布结构不同且相互影响，导致兼顾两种维度的降噪算法有较大难度；另外，HSI中噪声来源非常复杂，这些特性使HSI降噪技术有别于传统遥感图像，增加了数据处理的难度。与数据降维不同的是，降噪是为了在剔除无用的噪声的同时，不造成数据信息量和维度的减少，并从众多特征空间中找出最有效的特征[13, 14]，可分为基于空间域和基于变换消除噪声两种方法。

黄蕾等[15]基于最小噪声分数变换法对HSI特征降维，结果表明在采用自适应匹配滤波器(AMF)和自适应余弦探测器(ACE)探测器对高信噪比数据立方进行探测时，两种目标探测器的探测效果均大幅提高。

3.3 数据降维

通常遥感影像在分类时，要求样本数为波段数10倍左右；而HSI波段数量多，导致数据冗余度高和Hughes现象的产生，耗费不必要的计算时间，数据降维可有效地解决这一现象。“降维”即尽可能对波段进行压缩[16]。数据降维是HSI处理技术中的重点难点，可以分为特征提取(Feature Selection)和波段选择(Band Extraction)两大类[17]。

3.3.1 特征提取

特征提取是通过投影变换将HSI从高维空间投影到低维空间，对所包含信息进行快速提取，其结果不再反映地物线性特征。诸多特征提取技术被用于高光谱数据，线性方法包括主成分分析法(principal components analysis，PCA)、线性判别分析法(linear discriminant analysis，LDA)等。在数据降维中，一般假设HSI的光谱特征为高斯分布，事实上在某些情况下可能是复杂的多模态结构[18]，基于局部信息保留方法，如局部线性嵌入(Locally Linear Embedding，LLE)[19]可以应运而生。本文通过查阅文献列举了常用的特征提取方法，并分析了各方法的优缺点和适用性(表1)[20～26]。

表1 基于特征提取的数据降维方法优缺点及适用方面

3.3.2 波段选择

波段选择实质是在HSI所有波段中按照搜索方法寻找使准则函数最优的波段子集，相较于特征提取而言能够保留原始数据物理信息。波段选择受搜索策略影响，无论何种方法，损失大量信息都是它们共同的缺点。本文从类间可分性和信息量两种分类原则出发，选取部分常用方法分析了它们的优缺点及适用性分析[27～30]，如表2所示。

除了表2中的降维方法，近年来随着机器学习的不断深入，逐渐产生了一些智能算法，如遗传算法。遗传算法效仿达尔文物种进化论中物种选择原则，通过对问题空间选择优化，提高全局检索能力[31]：胡冬翠等[32]考虑样本点的空间信息和少量有标签样本点的类信息，结合遗传算法和谱方法进行数据降维后分类，具有较高精度。

表2 基于波段选择的数据降维各方法优缺点及适用性

数据降维虽然可以解决“维数灾难”，但在降维过程中会出现信息损失：吴昊等[33]提出了基于全局线性降维的非监督分类方法，对降维后的数据加权编码，结果发现降维的过程中丢失了很多信息。

3.4 混合像元分解

3.4.1 端元提取

高光谱遥感的出现，推动了人们对地物光谱信息的认识。“端元”作为HSI中可以详尽表示地物光谱属性的纯像素，端元向量的获取可为光谱解混获得先验知识，因此端元选取应可靠并具有代表性。随着端元提取技术研究的深入，多种提取算法被提出：内部最大体积法(N-FINDR算法)、像素纯度提取法、迭代误差分析法等。龙翔等[34]通过对棉花高光谱影像进行端元提取，发现最大单形体体积算法能更好地提取小样本端元。

3.4.2 光谱解混

高光谱数据波段窄且连续，在林业应用中较为容易找到对森林郁闭度敏感的波段。但高光谱数据受设备和复杂地形影响空间分辨率较低，易产生混合像元，即一个像元含有多种不同地物信息，笼统归为一类会造成较大误差。因此，混合像元的解混是高光谱遥感定量反演中的关键一步，最终目标是为完成HSI在亚像元级的目标探测识别[35]。浦瑞良等[27]在CASI(小型机载成像光谱仪)高光谱影像中提取端元光谱对AVIRIS影像进行光谱混合像元分解，得到的郁闭度分量图提取值比红外航片判读结果高2%～3%，且具有更合理的空间分布(图1)。

图1 高光谱影像混合像元分解法流程

3.5 图像压缩

高光谱遥感采样间隔小，数据量远远大于传统遥感数据。如机载AVIRIS获取的数据在0.4～2.5 μm光谱范围有244个波段，每个波段图像有512×614个像素，单个为2B，总数据量可达到100 MB以上[36]。现有宽带传输数据速率慢，数据获取与传输之间的矛盾将随着高光谱遥感技术的发展不断加深。因此，如何有效对高光谱数据进行压缩是目前亟需解决的难题。

HSI压缩需要同时去除谱间和空间冗余，根据压缩方式不同可基本分为3类：基于预测的方法、基于变换的方法和基于矢量量化的方法(表3)。

表3 压缩方法对比

3.6 图像融合

高光谱遥感可以探测不同树种间的细微差异，为树种精细识别提供了基础，使森林资源精确监测成为可能。HSI精细的光谱信息虽然提高了树种识别的精度，但HSI的高光谱分辨率制约着其空间分辨率的提高，图像融合是一种有效手段。

目前，基于高光谱数据的树种识别研究多集中在地形平坦开阔区域，生态系统复杂、植被茂密的热带生态系统研究尚不多见[37]。此外，高光谱数据的树种识别依赖于样本数量的多少，精度难以保证。

为改善HSI空间分辨率，获取更丰富的信息，面向空间、空谱等方面的融合方法越来越受到关注。在林业应用中，激光雷达可穿透林层，获取森林垂直结构参数，但缺少光谱信息。将激光雷达与高光谱数据结合可以提高分类精度：皋厦等[38]使用机载LiDAR与高光谱数据，选取分割单木的特征变量对城市树木进行了分类，总体精度可达91.3%。

4 高光谱遥感在林业领域的应用现状

4.1 森林特征提取

4.1.1 树种识别

常规的人工调查效率低，而基于一般遥感数据的树种分类只能将植被大致分为针叶和阔叶两类，精度较低[39]。HSI的高光谱分辨率可进行树种精细识别分类，可弥补传统方法的缺陷。然而，HSI波段数量多、数据量大、波段间相关性高，会造成数据冗余。在分类中伴随有Hughes现象，即波段数的增多会导致分类精度先增后降[40]。数据降维是有效的手段：温小乐等[41]采用多种特征相结合的面向对象方法和随机森林基于Worldview-2数据进行特征选择，研究表明特征选择可以有效减少Hughes现象的产生。

随着HSI空间分辨率的提高，“同物异谱”和“异物同谱”现象开始显现，基于光谱信息、像素级的分类方法会产生大量噪声，面向对象技术可以解决这一问题[42]。光谱信息还可以与其他特征相结合。苗宇宏等[43]结合了降维后的光谱数据、纹理特征以及植被指数对植被分类，总体精度可达99.6%。

尽管高光谱数据的光谱分辨率可达纳米级，仍无法准确区分光谱反射曲线相似植被，在一些森林覆盖度高的区域，使用光谱信息存在分类困难[44]。如何将高光谱数据与其他遥感数据(如LiDAR)结合，取长补短，将大幅度提高分类识别精度。

4.1.2 参数反演

高光谱遥感在林业上反演各项理化参数是根据植物体内各种生化组分对不同波长电磁波的选择性吸收特征[42]。主要包括叶面积LAI(Leaf Area Index)等物理参数和叶绿素Chls(Chlorophylls)、类胡萝卜素Cars(Carotenoids)、氮素N(Nitrogen)等生化组分参数[45]。

由于叶面积指数与生物量密切相关，在林业上遥感估算叶面积指数研究较为成熟[37]。高光谱遥感波段窄且连续，可选取对LAI敏感的波段或植被指数与实测LAI构建模型。姜海玲等[46]利用光谱特征波段和其计算的用于LAI计算的植被指数构建扬花期冬小麦LAI反演模型，研究发现基于EVI(Enhanced Vegetation Index，增强型植被指数)的反演模型精度最高。

叶绿素既可以表征植被生长状态，也能表征其生产力[47]。高光谱数据可以快速、大面积监测生化组分参数。现有的基于高光谱数据反演模型大多适用于作物研究，在林业上由于森林情况复杂等原因，参数反演模型研究还停留在树木冠层层面。宫兆宁等[48]通过FieldSpec3光谱仪加载手持叶夹式叶片光谱探测器，测定野鸭湖湿地典型植物的叶片高光谱反射率，结合室内测定相应叶片的叶绿素含量，建立关系模型。

4.1.3 生物量碳储量估算

生物量指个体、种群或群落物质数量的多少，可以反映群落或生态系统功能强弱，更是与碳储量关系密切。森林作为陆地生态系统中最大碳库的地位，对全球碳循环有重要影响[49]。高光谱数据较高的光谱分辨率可以提取特征信息构建模型进行参数估算，提取精度大幅提高。李明诗等[50]利用光谱特征变换后的SPOT-5 HRG数据和基于灰度共生矩阵提取的纹理特征，对不同森林类型构建了生物量模型。刘维[51]通基于实测的林分乔木层主要建群种各组分的含碳率，构建生物量遥感估测模型，估算碳储量。

4.2 森林监测

4.2.1 火灾监测

森林火灾具有突发性且蔓延迅速，严重危害森林健康。利用遥感技术范围大、可重复观测的特点可以进行森林火灾的监测。早在20世纪80年代，探测森林火灾发生位置以及火势蔓延方向常使用NOAA卫星上搭载的AVHRR传感器中红外波段[39]。但NOAA属气象卫星，观测范围大，时效性却没有保障；轨道高度较高导致空间分辨率低，火灾发生位置定位不准。同时AVHRR对温度探测范围有限[8]，不能及时准确判断灾情。将传统遥感与高光谱遥感结合还可以测定与燃烧有关的地表生物量、燃烧后果、地表组成及更新情况等[52]。

4.2.2 病虫害监测

森林病虫害具有隐蔽性和传染性，依靠肉眼不能准确识别和确定传染范围。受病虫害影响，植物内部某些化学成分会发生显著变化，例如叶绿素浓度降低。而遥感图像中的光谱信息来源于植物内部的化学成分，化学成分变化可导致光谱曲线出现异常。高光谱遥感精细的光谱信息意味着可以精确捕捉到光谱反射曲线的异常，为遥感监测病虫害提供可能。除此之外，高光谱遥感动态、快速、周期短的特点可以尽早发现病虫害，有利于预警预报和制定防范措施。潘洁[4]等基于森林病虫害高光谱预测模型，结合GIS开发技术开发出森林病虫害检测系统，具有较强普适性和可操作性，可实现不同条件下森林病虫害发生发展动态高光谱模拟预测，进行远程诊断，生成管理方案。

4.2.3 森林资源变化监测

森林资源作为一种动态变化资源，需要实时更新。森林资源监测可为如何更高效利用开发森林提供可靠信息和依据。

4.3 森林健康评价

森林有调节气候，涵养水源，固碳释氧等各种功能[53]。新时期的森林健康评价是实现森林可持续经营的重要途径[54]，更是生态文明战略的重要组成部分。高光谱遥感可重复、大范围观测并含有精细光谱信息，被广泛应用于森林健康评价。主要通过测定生化组分参数，如叶绿素等，为森林资源管理与更新演替提供参考[55]。那日苏[1]从植被覆盖度、光合作用、植被光谱特征3个方面考虑，在高光谱数据中提取植被指数，在此基础上构建了阿尔山市杜拉尔林场森林健康评价指标体系，并与传统样地调查结果相比较。结果表明:基于高光谱数据的森林健康指数小于传统调查，但趋势一致。然而高光谱遥感在林业中观测条件较严格、数据量大、分析难度大等制约了其发展。

5 结语

高光谱遥感以其高光谱分辨率、信息丰富、可重复观测等优势，极大地推动了林业研究从表层结构深入到内部反应，在林业中广泛应用。同时高光谱遥感波段数量多，信息冗余对现有的图像处理技术带来了挑战。依靠目前的图像处理水平，难以满足研究需要，分类精度难以保证，如何提高高光谱图像处理效果和分类精度将是未来的研究热点。