基于光譜相似性的高度異質性喀斯特區域植被蓋度提取

熊 鷹，岳躍民

（1.長沙理工大學資源環境系，湖南長沙 410114；2.中國科學院亞熱帶農業生態研究所，湖南長沙 410125）

一、引 言

喀斯特生態系統由于受人類活動的過度干擾，導致以石漠化為特征的生態環境退化嚴重，并加劇了景觀演化和景觀破碎化進程，地表呈現出高度的異質性［1-2］。基于遙感提取喀斯特植被蓋度時，喀斯特景觀的高度異質性決定了地物尺度往往小于影像空間分辨率（如Landsat TM影像，空間分辨率為30 m×30 m），像元內部往往包含了植被、基巖、裸土等多種地物信息，混合像元比例較大，導致喀斯特地區，特別是大區域尺度植被蓋度信息獲取困難［3］。現有植被蓋度提取方法均面臨著很大的挑戰，常用的遙感植被指數主要反映植被的“綠度”信息，容易受裸露碳酸鹽巖、土壤等背景的影響；而應用混合光譜分解模型方法時喀斯特地物的純像元選擇困難［4-6］。在實際自然景觀中，異質性復雜地物的分布在空間上往往是連續的，在空間上越靠近的事物越相似，即所謂的空間自相關性，如溫度、水分、土壤特征、植被特征等在空間上的分布往往表現出連續性，而不是陡然變化［7-8］。在大區域景觀尺度上具有高度異質性的地物分布，在特定小區域尺度上可能存在相對的均勻性，表現在光譜信息上，則是大區域景觀尺度上地物分布具有高度的光譜異質性，而在特定小區域尺度上則可能存在相對的光譜均勻性。因此，能否利用地物分布的光譜異質性與均勻性信息，提高喀斯特植被蓋度遙感提取的準確性成為本文主要探討的問題。

針對現有植被蓋度提取方法的不足和光譜異質性分析，本文提出了基于光譜相似性的高度異質性條件下喀斯特植被蓋度提取方法，利用光譜相似性將高度異質性地物劃分為相對均勻的地塊，降低了異質性景觀對喀斯特植被蓋度提取的影響，從而提高了喀斯特植被蓋度信息遙感提取的精度。

二、數據源

本研究采用的遙感數據源為EO-1 Hyperion高光譜遙感數據，該數據共有242個波段，光譜范圍為400～2500 nm，光譜分辨率達到10 nm，地面分辨率為30 m。圖像的獲取時間為2008年3月3日，圖像覆蓋區域位于廣西大化縣七百弄鄉附近（24°4＇52″N，107°39＇45″E），屬于典型的喀斯特峰叢洼地景觀，石漠化比較嚴重，植被、土壤、裸露基巖等地物類型混雜、交錯分布，具有高度的景觀異質性。

本研究所獲取的Hyperion圖像直接從美國地質調查局（USGS）編程訂購，所獲取的影像數據格式為L1R。首先剔除未定標和受水汽影響的波段后，剩下176個波段，并利用因子系數將圖像DN值轉換為輻亮度值得到絕對輻射值圖像［9］；然后用相鄰行或列的平均值替代壞線、全局去條紋法去除影像中的垂直條紋［10］，采用MNF空間列均值調節方法（column mean adjusted in radiance space）糾正Smile效應［11］，用Landsat TM影像作為基準影像對Hyperion圖像進行幾何校正，校正的誤差為0.33個像元；最后利用 ACORN（atmosphericcorrection now）［12］軟件的高光譜圖像大氣校正模塊對Hyperion圖像進行大氣校正，得到圖像的反射率數據。

三、研究方法

遙感影像能夠獲取地物的反射光譜特征，不同地物的光譜特征不同，在大區域景觀尺度上高度異質性地物分布具有高度的光譜異質性，而在特定小區域尺度上則可能存在相對的光譜均勻性。因此，首先基于光譜相似性對高度異質性圖像進行分塊，得到地物分布相對均勻的圖像子集，以降低高度異質性對地物信息遙感提取的影響。在此基礎上，對每一圖像子集利用像元二分法光譜解混獲得每一像元的豐度值，從而獲取整個區域的植被與非植被蓋度信息。具體算法實現如圖1所示。

圖1 算法流程圖

1.光譜相似性度量

描述兩矢量相似度可以借用圖像分類的方法，傳統圖像分類方法，如最小距離法、最大似然法等，都是先選取感興趣區（regions of interest，ROI）進行訓練，由每個訓練區得到一個平均光譜，然后將每一類得到的平均光譜與需要分類的圖像光譜一一比較其相似性，最終得到圖像分類或分塊。這類方法由于噪聲和地物分布在數據獲取尺度上的不均一性一般會造成“麻點”現象，即同一地塊中夾雜著其他類別，從而造成分類精度下降［7］。同時，這些方法更多考慮參量的數學特征，未充分考慮不同地物的光譜響應差異。因此，本文從光譜角度出發，來刻畫像元光譜間相似度。

給定m×n大小的遙感圖像I，I（i，j）表示圖像在空間坐標（i，j）處的光譜（i=1，2，…，m；j=1，2，…，n）。設像元Sij表示（i，j）處像元所屬分塊的類別，整個圖像分塊計算從圖像左上角第一點開始，該點的塊類別為S11=1，計算遵從由左至右、由上到下的原則，設F（x，y）為相鄰像元的相似程度，μ為判別閾值。若F（x，y）≤μ，則x與y屬于同一種地塊；若F（x，y）＞μ，則x與y屬于不同的地塊。

光譜間相似程度F（x，y）用像元光譜間的夾角θ表示:將N個波段的光譜響應作為N維空間的矢量，通過計算它與最終光譜單元光譜之間的廣義夾角來表征其相似程度，夾角越小，說明它們越相似［13］。兩矢量廣義夾角用反余弦表示為

即

式中，θ為像元光譜間的夾角；T、R為兩個相鄰像元的光譜矢量。θ值越小，T和R的相似性越大。

2.高度異質性圖像分塊

考慮到地物的空間連續性，基于上述相鄰像元間光譜夾角進行分塊時，將光譜相近的混合像元歸為同一分塊。通過上述操作，將圖像I劃分為I1，I2，I3，…，In（其中n為分塊數目，I1，I2，…，In為圖像子塊），同一分塊Ii的像元包含著類型相近的地物，即地物分布相對均勻的圖像子集{I1，I2，I3，…，In}。分別取θ為 1°、2.5°、5°、7.5°、10°、12.5°、15°、…的光譜夾角作為光譜相似程度的判別閾值。基于光譜相似性分塊后，每一圖像子塊內部含有相似的地物類型，而每一圖像子塊之間具有較大的差異性。因此，根據圖像子塊之間的空間自相關性來確定θ的最優閾值，本研究空間自相關性基于Moran＇sI空間自相關系數評價［14］

式中，n為圖像子塊總數；wij是相鄰圖像子塊yi和yj的權重；yi為圖像子塊Ii的光譜均值；是整個圖像的光譜均值。空間自相關系數I值越低，表明圖像子塊之間的空間自相關性越低，差異性越大。

3.每個圖像子集的像元二分法光譜解混

對地物分布相對均勻的圖像每個子塊Ik（k=1，2，…，n）分別進行基于像元二分模型的混合像元分解，獲得每一像元的豐度值，從而獲得整幅圖像的植被蓋度信息［15-16］。假設圖像像元信號由植被與非植被組成，fveg為像元植被蓋度信息，則非植被蓋度信息為1-fveg，因此，子塊Ik的任意像元信號Sk（i，j）可表示為

式中，Sk，veg為植被信號；Sk，non-veg為非植被信號。Sk（i，j）也可以用光譜指數來表示［17］，如 NDVI，則式（3）可表示為

進一步變形得

式中，NDVIk，veg和 NDVIk，non-veg為每一圖像子塊Ii中NDVI的最大值和最小值。

四、結果與討論

1.基于光譜相似性的圖像分塊

基于不同光譜相似性閾值的圖像分割如圖2所示。從圖2可以看出，光譜夾角越小，光譜越相似，對高景觀異質性圖像的分塊越細；隨著夾角的增大，所劃分的種類數越來越少，地物光譜相似的不同地物也被劃分為同一種地物。隨著光譜夾角的增大，光譜相似性分布圖的閾值范圍逐漸降低，光譜夾角為1°時，圖像閾值范圍為［0，1424］；而當夾角增大為15°時，圖像閾值范圍降為［0，7］。隨著夾角的增大，對地物之間劃分的光譜相似性要求越來越低，復雜地物分布的光譜異質性大大降低，光譜所反映的地物差異越來越小，光譜相似性能夠很好地反映喀斯特地物分布的高度異質性。傳統圖像分類方法是先選擇訓練區，然后由每個訓練區計算得到一個平均光譜，再與需要分類的高光譜圖像光譜比較其相似性，從而得到分類結果。這樣處理的結果容易造成分類精度的降低，主要是因為高光譜圖像一般都含有噪聲，可以看做具有統計意義的平均光譜的一個樣本，而由數量足夠大的訓練區得到的是接近地物真實光譜的平均光譜，用比較精確的光譜跟含有噪聲的不具有統計意義的單個原始光譜比較相似性進行分類時，就會產生“麻點”現象，從而造成分類精度的降低。相比傳統分類方法，本研究采用的圖像分塊方法既考慮了地物的空間相鄰關系，又結合了地物的光譜相似程度，因此可以認為屬于同一塊的像元的地物類型相似，分塊后的圖像具有很好的相對均勻性，降低了喀斯特高度異質性景觀對地物遙感信息提取的影響。

圖2 基于不同光譜相似性閾值的圖像分割

2.基于分塊圖像的喀斯特植被蓋度信息提取

根據上述的分塊圖像，利用像元二分法對圖像的每一子集分塊分別進行植被與非植被蓋度信息的提取，得到整個研究區域的植被蓋度信息（如圖3所示）。光譜相似閾值不同，提取的植被與非植被豐度差異較大；對光譜相似程度要求高的圖像分塊，其提取的植被與非植被豐度差異不明顯。這說明光譜相似程度反映了地物分布的空間異質性，但還沒超出空間連續分布的閾值，即將高景觀異質性圖像分塊為相對均一的子區域是合理的。這也說明在較大高景觀異質性的區域，由于地物分布的空間連續性，存在著相對均一的地物分布。但隨著光譜相似閾值的降低，分類圖像紋理越來越不清晰，更多不同類型的地物被劃分為同一類相對均一的地物。因此，忽視了高景觀異質性地物分布內部的相對均一性，影響了地物蓋度信息提取的準確性。

結果驗證主要是基于野外實地考查驗證，驗證點的選取采用分層隨機采樣法［18］，其優點在于所有層不管其占整個區域的比例大小，都為其分配樣本進行誤差評價。如果沒有分層，則對于區域中所占比例較小的類別，就很難找到足夠的樣本。對不同的植被蓋度密度分割進行分層隨機生成36個驗證點，由于喀斯特地區屬于地貌崎嶇的山區，大部分地面調查點不可到達，只調查了其中21個分層隨機生成的驗證點，并沿調查路線按不同的植被蓋度及類型選擇5個驗證點，共確定26個地面調查驗證點。每個樣地采用目視估算、照相和樣線相結合的方法來估算植被的蓋度信息。

圖3 基于不同光譜相似性閾值的植被蓋度信息

試驗結果表明，基于7.5°光譜夾角時，空間自相關系數I值最低，其值為0.047，說明7.5°光譜夾角為最優的圖像分塊光譜相識性閾值（如圖4所示）。此時，地面實測調查點提取的植被豐度與相應的地面調查驗證點的線性回歸決定系數為0.95，交叉驗證均方根誤差（RMSE）為0.05（p＜0.01），具有較高的提取精度。

圖4 基于不同光譜相似性的圖像分塊

3.高度異質性條件下喀斯特植被蓋度信息提取方法對比分析

為了對比分析高度異質性景觀對喀斯特植被蓋度信息提取精度的影響，本研究基于Hyperion高光譜遙感圖像，分別利用歸一化植被指數（NDVI）、混合像元二分法等植被蓋度信息遙感提取方法及上述基于光譜相似性降低高度異質性景觀影響的方法提取喀斯特植被蓋度信息，并與地面調查結果對比，結果如圖5所示。結果表明，利用NDVI植被指數提取植被蓋度時易低估整個區域的植被蓋度信息，而利用像元二分模型則易高估植被蓋度信息，說明NDVI植被指數和像元二分法均不能有效提取高度異質性的喀斯特植被蓋度信息，經驗模型和像元二分法法僅能比較有效地直接提取分布相對比較均勻地區的植被蓋度信息，直接應用于地物分布具有高度異質性的地區如喀斯特地區提取植被蓋度信息時精度較低。而經過圖像分塊后，提取精度顯著提高，特別是植被蓋度小于40%時改進效果更明顯。所以，針對高度景觀異質性的喀斯特地區，考慮到地物分布的空間連續性，首先基于相鄰像元間光譜相似度對遙感圖像進行分塊，使分塊圖像具有相對低異質性，然后再提取植被蓋度信息，即可大大改進植被蓋度估算的精度。這主要是因為對圖像分塊考慮了自然地物的空間連續分布特征，經過圖像分塊后，使得在大尺度范圍內具有高度異質性的地物分布，在小尺度范圍內具有相對的均一性。

圖5 實測植被蓋度與基于不同方法反演預測蓋度擬合比較

五、結 論

喀斯特地表復雜度高，地物交錯分布且土被不連續，植被片段化嚴重，具有高度的異質性，導致喀斯特植被蓋度信息遙感準確提取困難。本文利用地物分布的光譜異質性與均勻性信息，降低了高度異質性景觀對遙感信息提取的影響，提高了喀斯特植被蓋度信息提取的精度。研究表明:①基于光譜相似性對圖像進行分塊，避免了由于噪聲和地物分布在數據獲取尺度上的不均一性所引起的“麻點”現象；經過圖像分塊后，降低了高度異質性景觀對喀斯特植被蓋度信息提取的影響。② 利用NDVI植被指數方法提取植被蓋度時均容易低估整個區域的植被蓋度信息，利用像元二分模型則容易高估整個區域的植被蓋度信息；而基于7.5°光譜夾角相似性圖像分塊后再利用像元二分法分解提取的喀斯特地區植被蓋度精度較高。③針對高度異質性景觀的喀斯特地區，應考慮地物混雜對遙感信息提取的影響，首先對遙感圖像進行分塊，使得在大尺度范圍內具有高度異質性的地物分布，在小尺度范圍內具有相對的均一性，從而使分塊后的圖像具有相對的低異質性。④本文提出的基于光譜相似性圖像分塊處理思想，不僅適合于喀斯特地區植被蓋度信息提取，也有望應用于其他地表高度異質性地區地表參數的遙感提取。

［1］ 袁道先，章程.巖溶動力學的理論探索與實踐［J］.地球學報，2008，29（3）:355-365.

［2］ 曹建華，袁道先，裴建國，等.受地質條件制約的中國西南巖溶生態系統［M］.北京:地質出版社，2005:10-36.

［3］ 李陽兵，李衛海，王世杰，等.石漠化斑塊動態行為特征與分類評價［J］.地理科學進展，2010，29（3）:335-341.

［4］ 岳躍民，王克林，張兵，等.喀斯特石漠化信息遙感提取的不確定性［J］.地球科學進展，2011，26（3）:266-274.

［5］ 劉波，岳躍民，李儒，等.喀斯特典型地物混合光譜與復合覆蓋度關系研究［J］.光譜學與光譜分析，2010，30（1）:2470-2474.

［6］ YUE Yuemin，ZHANG Bing，WANG Kelin，et al.Spectral Indices for Estimating Ecological Indicators of Karst Rocky Desertification ［J］.International Journal of Remote Sensing，2010，31（8）:2115-2122.

［7］ 鄔建國.景觀生態學——格局、過程、尺度與等級［M］.2版.北京:高等教育出版社，2007:125-127.

［8］ 耿修瑞.高光譜遙感圖像目標探測與分類技術研究［D］.北京:中國科學院，2004.

［9］ DAUGHTRY C S T，WALTHALL C L，KIM M S，et al.Estimating Corn Leaf Chlorophyll Concentration from Leaf and Canopy Reflectance［J］.Remote Sensing of Environment，2000，74（2）:229-239.

［10］ 譚炳香，李增元，陳爾學，等.EO-1 Hyperion高光譜數據的預處理［J］.遙感信息，2005（6）:36-41.

［11］ GOODENOUGH D，DYK A，NIEMANN K，et al.Processing Hyperion and ALI for Forest Classification ［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（6）:1321-1331.

［12］ KRUSE F A，BOARDMAN J W，LIVO K E.Using Hyperspectral Data for Urban Baseline Studies［C］∥Proceedings of 13th JPL Airborne Geoscience Workshop.Pasadena:［s.n.］，2004.

［13］ KRUSE F A，LEFKOFF A B，BOARDMAN J W，et al.The Spectral Image Processing System（SIPS）—Interactive Visualization and Analysis of Imaging Spectrometer Data ［J］.Remote Sensing of Environment，1993，44（2-3）:145-163.

［14］ GUTMAN G，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.

［15］ 陳晉，陳云浩，何春陽，等.基于土地覆蓋分類的植被覆蓋率估算亞像元模型與應用［J］.遙感學報，2001，5（6）:416-423.

［16］ LEPRIEUR C，VERSTRAETE M，PINTY B.Evaluation of the Performance of Various Vegetation Indices to Retrieve Vegetation Cover from AVHRR Data ［J］.Remote Sensing Reviews，1994，10（4）:265-284.

［17］ JENSEN J R.遙感數字影像處理導論［M］.陳曉玲，龔威，李平湘，譯.3版.北京:機械工業出版社，2007.

［18］ QI J，MARSETT R，MORAN M，et al.Spatial and Temporal Dynamics of Vegetation in the San Pedro River Basin Area ［J］.Agricultural and Forest Meteorology，2000，105（1）:55-68.