混合像元分解在石漠化信息提取中的应用进展

刘芳泽，郭晓飞，王 琛*

（1．西南林业大学 生态与环境学院，昆明 650224；2.云南农业大学 水利学院，昆明 650201）

石漠化是我国西南喀斯特地区最严重的生态问题之一[1]，是指在人类活动的干扰破坏下，使喀斯特地区出现土壤功能丧失、基岩裸露、地表土被不连续和生产力下降的土地退化过程[2]，会导致土地承载力下降、自然灾害加重和地区贫困加剧，严重影响当地自然、经济和社会的可持续发展。

2020年国家发展改革委、自然资源部联合印发的《全国重要生态系统保护和修复重大工程总体规划（2021—2035年）》中明确了岩溶石漠化治理工程的有关思路，强调了石漠化的监测和防治是生态文明建设的重要组成部分。由此可见，加强石漠化监测，掌握石漠化现状及其变化趋势，为石漠化防治提供基础数据和科学依据刻不容缓。

在石漠化信息提取方面，具备宏观、快捷、经济和信息综合等优势的遥感技术是必不可少的，其大范围、综合性和动态性的对地观测能力可快速、大范围提取石漠化信息，在石漠化监测中有着巨大的应用潜力[1]。近年来，我国在利用遥感技术开展石漠化信息提取方面进行了一系列的研究，在像元级和亚像元级的信息提取方面均取得了一定成果。

1 像元级石漠化信息提取方法

像元级的信息提取方法是将影像中像元的光谱特征看作是单一地物的光谱特征，利用光谱间的统计特征进行分类，操作简单、数据处理效率高，广泛应用于石漠化信息提取。

1.1 人机交互解译

人机交互解译是遥感解译的经典方法之一，广泛应用于土地利用分类、景观分类等，在石漠化信息解译应用也较多。该方法具有适应性强的特点，但存在工作量大、成本高、效率低和解译标准不统一等问题，导致解译结果缺乏可比性，仅适用于小范围的研究区。

1.2 比值增强法

比值增强法是通过遥感影像中不同波段亮度的对比，进而对石漠化信息进行提取，其通过增加图像中各特征在外观上的反差性能来提高解译功能[3]，有助于提高精度，但精度受限于波段的选择，就目前的遥感数据来看，空间分辨率的提高会在一定程度上影响光谱分辨率[4]，因此其在高空间分辨率影像信息提取中运用困难。

1.3 监督分类

监督分类法是通过选择训练样区，再根据样本特征去“训练”判别函数，进而进行石漠化信息提取[5]，但由于石漠化地区地貌特殊，地形起伏大，遥感影像上阴影较多，会导致精度较差，该方法受限制较多。

1.4 非监督分类

非监督分类主要是凭借遥感图像地物的光谱特征的分布规律，自然地进行分类，也常被用于石漠化信息的提取，其优点在于受人为影响较少，工作量小，易于实现[6]，但石漠化地区“同谱异质，同质异谱”情况较多，易造成非监督分类法信息提取精度较差。

2 亚像元级石漠化信息提取方法

作为土地退化的一种形式，石漠化与荒漠化在信息提取方面具有相似性，但从景观生态学的角度来看[7]，荒漠化在荒漠化地区属于基质，其范围大、分布广，在遥感提取荒漠化信息时混合像元（包含多种地物类型的影像单元）较少，像元级的信息提取方法基本上能够较好地对荒漠化信息进行提取。而石漠化恰好与之相反，是喀斯特地貌区镶嵌分布的景观斑块，峰丛状零散分布，在影像中范围和比例较小，像元混合现象严重，像元级的信息提取方法易将混合地物光谱特征归为某一类地物光谱特征，造成地物边缘处像元误分，导致石漠化信息提取精度降低，难以获取准确的石漠化分布数据。

基于目前科研常用遥感影像的空间分辨率而言，影像存在大量的混合像元，易造成误分，为解决混合像元问题，遥感应用从像元级别深入到亚像元级别，信息分类和提取精度将得到提高。混合像元分解是亚像元级遥感信息提取的重要方法，通常是建立一个光谱混合的模拟模型，混合像元的光谱值表达为端元组分光谱值和端元面积百分比的函数[8]，通过将每个混合像元进行分解，估算混合像元中各端元的丰度，能够有效解决喀斯特地貌区地形、地物复杂，混合像元严重，地物信息提取精度低的问题。

2.1 混合像元分解的数据源

混合像元分解技术可广泛应用于农业、生产业等，可根据调查精度和监测目的差异选择不同类型的数据源，如利用Landsat 8影像[9]提取玉米种植面积，利用ASTER数据[10]进行水质监测评价，利用MODIS数据[11]提取耕地覆盖度信息等。混合像元分解技术目前在石漠化信息提取方面也有一些应用，数据源的选择也多种多样，如Hyperion高光谱影像[12]、Landsat OLI数据[13]和中巴02B星多光谱数据[14]等均被用于石漠化信息提取。

2.2 混合像元分解的端元提取方法

在单位像元内混合像元被分解为不同的“端元”，求取各端元比例的过程称之为混合像元分解[8]。混合像元分解提取石漠化信息一般分为数据降维、端元提取和地物丰度反演3个步骤，端元提取是其中最核心的步骤，选取合适的端元是混合像元分解成功的关键。

2.2.1 像元纯度指数（PPI）

PPI指数是每个像元的“纯度指标”，值越大说明对应像元更接近纯净像元[15]，在喀斯特石漠化信息提取方面已有应用[1]，但PPI指数主要适用于原始影像存在较为纯净的像元，混合像元严重时自动提取难度大[16]，于琦[17]在PPI指数的基础上提出快速像元纯度指数（FPPI）算法，减少了测试向量数量，大大减少了计算量，提高精度的同时也提高了算法效率，是一种全自动非监督的端元提取方法。

2.2.2 凸锥分析法（CCA）

N-FINDER是一种从多维数据立方体出发的全自动的端元提取方法，该算法利用高光谱数据在特征空间中的凸面单行体的特殊结构，通过寻找最大体积的单行体，自动获取端元[18]。凸锥分析法（CCA）是一种改进的基于凸锥几何理论的寻找端元的方法，把多波段数据在空间中以一个锥体的形式表现出来，寻找顶点，一个顶点代表一个端元[19]，该方法计算简单，可根据算法自动找出端元，准确性好，未来可在石漠化信息提取方面进行深入研究。

菌株充分活化后，以1%接种量接种于含有5%葡萄糖、5%脱脂乳和40 mg·mL-1荷叶的培养基中，37 ℃厌氧培养，选取不同时间点取样。采用活菌计数方法，即用无菌磷酸盐缓冲液(PBS)将菌液倍比稀释，选取3个稀释度分别涂布在MRS固体培养基上，每个稀释度做3个平行，37 ℃培养24 h，进行菌落计数，绘制生长曲线。

2.2.3 连续最大角凸锥法（SMACC）

连续最大角凸锥法因直接在数据集里选择端元，更为便捷，孟志龙[13]利用SMACC提取端元对云南石林县石漠化信息进行提取，并以分辨率为0.2 m无人机数据验证实测参考光谱端元、自动化选择图像光谱端元和人工勾绘图像光谱端元精度差异，结果表明，SMACC更快更自动化，但其精度低于半自动化的PPI法、沙漏工具端元提取精度。

2.2.4 顶点成分分析法（VCA）

顶点成分分析法的本质是一种纯数学方法，具有良好的理论基础，Neville等[20]于1999年用该算法进行了端元提取实验，发现VCA算法精度高于PPI，算法的复杂程度低于N-FINDER算法，但同样存在多次计算后可能得到多个不同的端元组的问题，陶文婧[21]在VCA算法的基础上引进自动目标生成法，很好地提高了VCA算法的准确性。

2.2.5 主成分分析法（PCA）

主成分分析法是通过考虑各波段的相互关系，根据降维关系将波段转化为互不相关的包含独立信息的波段。刘霁等[22]通过建立影响较大的因子作为石漠化研究的基本指标，采用PCA主成分多元分析的方法对湘西喀斯特石漠化地区的石漠化信息进行提取，经与区域地质资料对比验证，混合像元分解结合主成分分析方法取得了很好的应用效果。

2.2.6 光谱最小信息熵（SMSE）

2.3 混合像元分解的模型算法

丰度分解是混合像元分解的重要步骤，根据丰度分解的结果，可以更准确地估计出地物覆盖的面积信息，对石漠化信息进行提取。混合像元分解的模型主要包括线性混合模型和非线性混合模型等。其中，线性混合模型理论简单，应用广泛；非线性混合模型理论复杂，应用较少。

2.3.1 线性混合像元分解模型

线性混合像元分解模型是像元在某一光谱波段的反射率（亮度值）由构成像元的基本组分的反射率以其所占像元面积比例为权重系数的线性组合，通过线性分解模型的精度的验证[24]，可以看出其具有建模简单、物理含义明确的优点，是目前较常用的混合像元分解模型，在农业领域得到了广泛的应用，如植被覆盖度的测算[25]和农作物面积的测算[26]。线性混合像元分解模型在石漠化信息提取方面也有应用，如周忠发等[27]基于线性光谱模型对清镇市红枫湖示范区石漠化进行监测。但由于在石漠化信息的提取中，石漠化属于小概率检测目标，导致精度降低，需要非线性混合像元分解模型来进行解释和分析。

2.3.2 非线性混合像元分解模型

由于光谱混合往往是非线性的，端元间又存在散射现象，概率模型、几何光学模型和随机几何模型等非线性模型被用于混合像元分解，但相关研究主要集中于算法探索和精度验证，实际应用较少，在城市不透水层提取[28]、植被高光谱遥感分类[29]等方面有一定研究。非线性混合像元分解模型具有较高的分解精度，但计算较为复杂，唐晓燕等[30]提出的基于光谱夹角距离的局部切空间排列算法，通过非线性降维，有效提高了解混精度，但同样难以应对海量数据的处理。

目前非线性混合像元分解鲜少在石漠化信息提取方面有相关的研究，在未来的石漠化信息提取研究中，非线性混合像元分解将是重要的研究方向，有很大的发展空间。

2.4 混合像元分解结果应用

混合像元分解提取的端元丰度可作为影像分类的重要参数使用，结合不同分类方法进行信息提取。利用混合像元分解可得到直接评价石漠化程度的关键性指标，如李丽等[14]利用中巴02B星多光谱遥感数据提取植被覆盖度对石漠化信息进行提取，杨苏新等[31]以Hyperion高光谱影像提取了植被、裸土和裸岩3种典型地物端元，利用混合调制匹配滤波（MTMF）分解算法反演植被丰度。提取参数后学者们结合综合分析法、决策树分类[32]和BP神经网络自动分类模型[33]对图像进行处理，实现石漠化信息的提取。

3 结束语

遥感技术在石漠化信息提取领域已有较好的应用，常规的人机交互解译法、比值增强法、监督分类法和非监督分类法等像元级提取方法操作简单，但由于石漠化地区地物、地形复杂，混合像元情况较为严重，像元级提取方法未能拆分像元，边缘区域误分情况较多，精度受限。

混合像元分解技术能够较好地解决混合像元问题，通过线性混合像元分解模型提取端元丰度并进行石漠化分类，有效地提高了精度，但线性模型过于理想化，其丰度估计值精度仍弱于非线性混合像元分解模型[34]。由于非线性混合像元分解模型较为复杂，参数量化难度大，目前多停留在理论和方法研究层面，应用较少，在石漠化信息提取方面鲜有报道。因此，探索利用非线性混合像元分解光谱模型开展石漠化信息提取将是重要的研究方向，对于快速提取石漠化数据和提高精度具有重要意义。