岷江上游亞高山典型森林植被高光譜特征識別

戴曉愛， 賈虎軍， 張曉雪， 吳芬芳， 郭守恒， 楊武年， 楊葉

(1.成都理工大學地學空間信息技術國土資源部重點實驗室/遙感與GIS研究所,成都　610059；2.武漢大學學報信息科學版編輯部,武漢　430072)

?

岷江上游亞高山典型森林植被高光譜特征識別

戴曉愛1， 賈虎軍1， 張曉雪1， 吳芬芳2， 郭守恒1， 楊武年1， 楊葉1

(1.成都理工大學地學空間信息技術國土資源部重點實驗室/遙感與GIS研究所,成都610059；2.武漢大學學報信息科學版編輯部,武漢430072)

摘要：在高光譜數據分類應用中，地物光譜特征分析是對地物進行分類和檢索的基礎性工作。選取禾本科斑竹、草本科蕨類、蕁麻科冷水花、杉科杉木和棕櫚科棕櫚樹等5種岷江上游亞高山森林植被進行實地光譜測量，建立高光譜相似性度量參量，如歐式距離(Euclideandistance，ED)、光譜角度(spectralanglemapper，SAM)、光譜信息散度(spectralinformationdivergence，SID)、SID和SAM混合SID(TAN)以及基于道格拉斯-普克算法的光譜降維距離(spectraldistancebasedonDouglas-Peucker，SDDP)度量算法，定量分析對亞高山森林植被的識別能力。研究結果表明： 5種亞高山森林植被光譜特征的差異主要表現在光譜曲線反射波峰和波谷位置；ED對冷水花的相對光譜識別概率最高；SID和SID(TAN)對斑竹與蕨類的識別概率最高；SDDP對杉木的識別概率最高；SAM,SDDP,ED,SID(TAN)和SID這5種光譜相似性測度算法對亞高山森林植被的相對光譜識別熵分別是1.51,1.59,1.61,2.16和2.18，說明光譜角度制圖具有較高的識別能力； 而道格拉斯-普克光譜檢索算法是在提取光譜曲線特征向量的基礎上進行相似性測度，其降低了光譜檢索的時間頻率，在保證相近識別能力的條件下，能夠大大提高程序的檢索效率，是一種快速有效的高光譜特征匹配和檢索算子。

關鍵詞：亞高山森林植被； 高光譜遙感； 光譜相似性； 岷江上游

0引言

森林是人類生存環境的影響因子之一，正確識別其植被特征是植被生態學研究的支撐性工作。目前森林樹種特征識別的方法主要包括地面調查、圖像解譯和數字遙感。野外調查需要花費大量的時間，且識別非常困難； 利用常規遙感數據通常只能區分到樹種組或比較粗略的森林類型； 而高光譜遙感突破了光譜分辨率這一瓶頸因子，能夠準確地探測到具有細微光譜差異的各種地物類型，能明顯改善對森林樹種的識別效果，提高分類精度[1-4]。國內外很多學者利用高光譜數據進行地物識別并取得了較好的結果[5-6]，但利用高光譜遙感技術的高光譜分辨率特點進行西部亞高山森林植被識別的研究甚少。不同的森林類型具有不同的結構和功能等群落特征，灌叢和林下草本植被特征也是體現森林植物群落多樣性的豐富內容，在一定程度上可以反映環境的差異[7-8]，在森林植被的覆蓋度調查、分類識別、動態監測、遙感反演及生態環境調控等方面具有重要意義。

在高光譜數據分類處理中，通過對光譜曲線的相似性測度判斷地物類型的光譜匹配程度已成為光譜特征測度的主要方法，也是高光譜數據信息提取的基礎。孔祥兵等[9]在幾何距離、相關系數和相對熵的基礎上，提出了一種結合多種光譜特征的新型光譜相似性測度方法； 王珂等[10]提出以目標和參考光譜曲線的頻譜幅度值之差來度量光譜的相似性； 李飛等[11]基于經典的曲線簡化道格拉斯-普克(Douglas-Peucke)算法(簡稱DP算法，是用來對大量冗余的圖形數據點進行壓縮以提取必要數據點的抽稀算法)提取光譜曲線的形態特征； 陳熙等[12]以巴氏(Bhattacharyya)距離(用于測量2個離散或連續概率分布的相似性)作為指標定量計算不同類別地物波譜間的光譜差異性； 施蓓琦等[13]提出了基于Hausdorff距離(即2個點集之間的距離)的地物光譜相似性測度模型； 杜培軍等[14]采用不同的度量原理與實現策略，提出基于光譜多邊形的測度、四值編碼、十進制編碼、樹狀變換測度及基于小波變換的測度等新方法。目前，光譜相似性測度模型仍側重考慮基于距離和形狀的方法。本文在考慮信息損失較低、處理效率較高、同時保證相似性度量效果最好的基礎上，選擇了基于距離和形狀的光譜相似性測度方法，如歐式距離(Euclideandistance，ED)、光譜角度(spectralanglemapper，SAM)、光譜信息散度(spectralinformationdivergence，SID)、SID和SAM混合(SID(TAN))以及基于道格拉斯-普克算法的光譜降維距離(spectraldistancebasedonDouglas-Peucker，SDDP)測度。同時，在采用3種統計學方法的基礎上，對禾本科斑竹、草本科蕨類、蕁麻科冷水花、杉科杉木和棕櫚科棕櫚樹等5種岷江上游典型亞高山森林植被的高光譜識別效果進行對比，以便為高光譜植被遙感分類與識別提供技術依據。

1數據與方法

1.1光譜數據采集

本文的實驗區青城山地處四川盆地西部邊緣山地著名的“華西雨屏帶”的中北段，都江堰市城西南區15km處，中心地理坐標為E103°35′,N30°54′。該區地理條件特殊，加之地處成都平原的生態屏障地帶，其生態環境非常重要。因受地質、地貌、氣候等因素的影響，該區植被類型不僅復雜，而且存在隨海拔從低到高垂直變化的規律，依次為： 常綠林―灌木林―灌草混交林―天然草地。本文選取該區內葉片生理生化組分差異性較大的禾本科斑竹、草本科蕨類、蕁麻科冷水花、杉科杉木和棕櫚科棕櫚樹等5種植被(圖1)作為實驗樣本。

(a) 斑竹(b) 蕨類 (c) 冷水花(d) 杉木(e) 棕櫚樹

圖15種森林植被樣本照片

Fig.1Photosoffivekindsofforestvegetationsamples

光譜測量采用美國ASD公司FieldSpec3便攜式光譜儀，其有效波段在350～2 500nm之間。數據采集時間為2013年4月12―16日。由于室外測量的影響因素較多，本文主要在室內對樣品進行光譜測試。室內光譜采集是在一個允許控制光照條件的黑暗實驗室內，將樣品放在鋪蓋有黑色鵝絨布的桌子上，在人工燈光(1 000W)照明下，用ASD光譜儀對樣本進行光譜測量。光源離樣本約50cm； 采用3°視場角的探頭，探測器頭部垂直對準樣品，距樣品約20cm； 探測面積直徑約為2cm，以保證樣本充滿整個視場。對每個樣品測量9次光譜值后取其平均值。對每種植被葉片共測得36組反射光譜數據，每組10條數據(5條葉片反射DN值，5條參考板反射DN值)。為了消除儀器引起的隨機誤差，本文首先求出每類物種的平均光譜值，然后再對平均光譜用Savitzky-Golay方法(簡稱為S-G濾波器，是一種在時域內基于局域多項式最小二乘法擬合的濾波方法)以15個數組窗口和二次多項式進行平滑處理。

1.2光譜相似性測度算子

1.2.1歐式距離(ED)

ED是光譜相似性測度中最為常見的測度指標。歐式距離ΨED(x,y)的判決函數[15-16]為

(1)

式中： x和y分別為2個待測光譜； n為光譜維數。距離值越小，相似性越高，則光譜相對識別能力越弱。

1.2.2光譜角制圖(SAM)

SAM是在以波段數為維數的坐標空間中，以原點和實際光譜點構成高維向量，以2個高維向量的夾角作為測度指標，計算光譜角的余弦[14，17]。光譜角ΨSAM(x,y)的計算公式為

(2)

光譜角越小，其余弦值越接近1，相似性越高。

1.2.3光譜信息散度(SID)

SID是一種基于概率統計理論，計算光譜曲線相對信息熵的大小，以確定2個光譜之間相似性的測度算子。光譜信息散度ΨSID(x,y)的計算公式[18-19]為

ΨSID(x,y)=D(x‖y)+D(y‖x) ,

(3)

(4)

(5)

式中： D(x‖y)為x對y的相對熵； D(y‖x)為y對x的相對熵； pi和qi分別為光譜x和y的概率值。

1.2.4SID(TAN)混合測度

SID(TAN)是一種SID結合SAM的混合測度算法。混合測度ΨSID(TAN)(x,y)的計算公式[20]為

ΨSID(TAN)(x,y)=ΨSID(x,y)tan[ΨSAM(x,y)] 。

(6)

1.2.5道格拉斯-普克光譜降維距離(SDDP)

(7)

式中： ΨSDDP(λ,r)為道格拉斯-普克光譜降維距離； λix和rix與λiy和riy分別為2個待測光譜x,y的波段λ與反射率r。

1.3光譜相似性測度識別效率比較

為了評估ED,SAM,SID,SID(TAN)和SDDP等5種相似性測度算子的相對光譜識別能力，本文選用3種統計學參數，即相對光譜識別力(relativespectraldiscriminatorypower，RSDPW)、相對光譜識別概率(relativespectraldiscriminatoryprobability,RSDP)和相對光譜識別熵(relativespectraldiscriminatoryentropy,RSDE)。

1.3.1相對光譜識別力

相對光譜識別力用于評估目標光譜向量從其相關參考光譜向量中被識別出的能力。假設m為任一光譜相似性測度算子，d為參考光譜向量，si和sj分別為待測光譜特征的2個向量，則相對光譜識別力PWm(si,sj;d)的計算公式[23]為

(8)

PWm(si,sj;d)值越大，光譜相似性測度算子m的識別能力越高。此外，PWm(si,sj;d)值具有對稱性且下界為1，即PWm(si,sj;d)≥1。

1.3.2相對光譜識別概率

不同光譜相似性測度算法的計算結果具有不同的測度單位，因此本文將不同算子的測度值進行標準化處理，其計算公式[21]為

(9)

1.3.3相對光譜識別熵

為了分析光譜相似性測度算子的總體識別能力，計算相對光譜識別熵RSDE(t)，其公式[22]為

(10)

式中Pm(i)為相對光譜識別概率。RSDE值越小，相似性測度算子對植被光譜識別的能力越強，其分類結果的精度越高。

2結果與分析

2.15種森林植被基本光譜反射特征

本文所研究的5種亞高山森林植被葉片的光譜曲線分布趨勢大體相同，如圖2所示。

圖2　5種森林植被平均反射光譜曲線

在490nm附近的藍光區和685nm附近的紅光區存在強吸收帶，形成“藍谷”與“紅谷”，反射率分別在0.02～0.05和0.04～0.06之間變化； 因綠光波段吸收減弱，在藍谷和紅谷之間形成一個反射峰，峰值位于553nm附近，反射率在0.05～0.17之間變化； 在685～755nm譜段反射率急劇上升，形成一個陡坡； 由于生物量和葉面積指數等的影響，在760～1 300nm波段區間形成一個較高的反射平臺； 在紅外波段(1 300～1 820nm)因受到葉片內含水量的影響，吸收率增加，反射率降低； 在1 455nm附近主要受到大氣含水量的影響，形成一個低谷。

因植被生理生化的差異，不同植被葉片光譜曲線之間存在明顯的差異。如圖2所示，在可見光和近紅外波段(430～1 170nm)，5種亞高山森林植被的反射率由高到低依次是冷水花、蕨類、斑竹、杉木和棕櫚樹。由于草本類冷水花和蕨類的葉綠素與水分含量低，與其他3種植被相比反射率偏高； 同時，蕨類受葉片內含水量的影響較大，在1 323nm附近的反射率顯著降低。在可見光波段，5種森林植被反射率差異較小； 但在紅外波段，存在較大的差異。受葉片內細胞的影響，棕櫚樹在1 165nm附近的反射率有所升高。

2.2相似性測度結果分析

本文以VisualC++ 6.0為工具，完成了光譜相似性測度算法程序的開發，并用于對5種亞高山森林植被進行了光譜相似性測度。表1―表3為用5種相似性測度算法度量亞高山森林植被得到的相對相似性測度矩陣。

斑竹、蕨類、冷水花、杉木和棕櫚樹反射光譜曲線之間的歐式距離ED和空間夾角余弦值SAM結果見表1。

表1　ED和SAM相似性測度矩陣①

①MB為斑竹；FE為蕨類；PN為冷水花；CF為杉木；PA為棕櫚樹。

從表1可以看出，冷水花與棕櫚樹的歐式距離最大，反射光譜特征相似度最小，有較強的識別能力。杉木與棕櫚樹的反射光譜特征非常接近，相似度最大，識別能力較弱。光譜角度相似性度量算子具有很高的相似度，整體余弦值大于0.98。其中，杉木和冷水花的光譜余弦值最大(即它們之間夾角最小)，識別能力最弱； 蕨類與斑竹余弦值最小(即它們之間夾角最大)，具有較高的可分性。

斑竹、蕨類、冷水花、杉木和棕櫚樹反射光譜的SID和SID(TAN)結果見表2。

表2　SID和SID(TAN)相似性測度矩陣①

①MB為斑竹；FE為蕨類；PN為冷水花；CF為杉木；PA為棕櫚樹。

從表2可以看出，在5種森林植被中，斑竹和蕨類的光譜信息熵最大，亦即2種植被的光譜差異最大，相對識別能力比較強。冷水花與杉木的信息熵最小，兩者的光譜差異性最小。斑竹和蕨類的SID-SAM混合測度值最大，即結合反射光譜波形與空間角度測度的相似性最小，有最強的相對識別能力。冷水花與杉木的SID-SAM混合測度值最小，相對識別能力較弱。

斑竹、蕨類、冷水花、杉木和棕櫚樹反射光譜降維后特征量的相似距離結果見表3。

表3　SDDP相似性測度矩陣①

①MB為斑竹；FE為蕨類；PN為冷水花；CF為杉木；PA為棕櫚樹。

斑竹與杉木的空間距離最大，相似性最小。斑竹與冷水花的距離最小，相似性最大。

2.3不同測度算子光譜識別能力比較

(11)

(12)

式(11)說明以SAM為算子從冷水花中識別出斑竹的效率是從蕨類中識別出斑竹的效率的1倍； 式(12)說明以SDDP為算子從冷水花中識別出斑竹的效率是從蕨類中識別出斑竹的效率的4倍。因此，在識別斑竹光譜時，SDDP算子比SAM算子更有效。

利用式(9)和(10)將5種光譜相似性測度算法測度值進行標準化計算，使測度值具有統一的尺度，以分析森林植被各科屬的相對識別能力(圖3)。

圖3　相對光譜識別概率

分析圖3可知，對亞高山森林植被的高光譜相對識別能力，不同相似性測度算子具有不同的敏感程度。其中，SID和SID(TAN)對斑竹(MB)與蕨類(FE)的識別概率最高；ED對蕁麻科冷水花(PN)的識別概率最高；SDDP對杉科杉木(CF)和棕櫚科棕櫚樹(PA)的識別概率最高。

表4列出ED,SAM,SID,SID(TAN)和SDDP等5種光譜相似性測度算子的RSDE。

表4　相對光譜識別熵

由表4中RSDE可知，5種光譜相似性測度算子對森林植被總體識別能力的差異性較小，識別能力由強到弱依次為：SAM>SDDP>ED>SID(TAN)>SID。SAM具有最小的相對光譜識別熵，SID具有最大的相對光譜識別熵，且5種測度算子的熵值相差較小。其中SDDP算子由基礎算法提取光譜特征，經數據降維后進行光譜相似性度量，效率較高； 與全部光譜波段參與計算的ED,SAM,SID和SID(TAN)算子相比，總體光譜識別能力比較相近。

3結論

本文針對高光譜數據的亞高山森林植被識別，從光譜曲線形態相似性測度入手，利用統計學方法對相似性測度算子進行了評估，主要結論如下：

1)亞高山森林植被的反射光譜曲線走向基本一致，特征波段相似。由于棕櫚樹葉片內細胞的影響，在1 165nm附近的反射率有所增加。蕨類因葉片內含水量的影響較大，在1 323nm附近的反射率顯著降低。

2)歐式距離(ED)、光譜角度(SAM)、光譜信息散度(SID)，SID和SAM混合(SID(TAN))以及基于道格拉斯-普克算法的光譜降維距離(SDDP)等5種光譜相似性測度算子在亞高山森林植被光譜信息細微處的相對識別能力不同。ED對蕁麻科冷水花的識別能力較強；SAM是一種描述全局性的度量指標，對局部變化特征響應不顯著，對5種植被光譜的相對識別概率差異性較小；SID測度是基于光譜信息熵的測度算子，主要受到反射光譜波形的控制，在5種植被中對波形差異最大的斑竹和蕨類的識別能力最強；SID(TAN)測度因SAM參量變化較小，其相對識別能力與SID基本一致；SDDP提取光譜特征向量進行相似性度量，在減少了數據量的同時，保證了與其他算子相近的計算精度，對杉木和棕櫚樹的識別能力最強。

3)5種光譜相似性測度算子對亞高山森林植被分類識別能力由大到小依次是：SAM,SDDP,ED,SID(TAN)和SID。在已發表的文獻中，具有較高識別精度的SID對亞高山森林植被的識別效果較差，而SAM具有最佳的識別效果，與本文的研究結果一致。SDDP在提取光譜特征信息的基礎上進行相似性測度，是一種新的、快速、有效的光譜匹配和檢索算法。

參考文獻(References)：

[1]WuJ,PengDL.Advancesinresearchesonhyperspectralremotesensingforestryinformation-extractingtechnology[J].SpectroscopyandSpectralAnalysis,2011,31(9):2305-2312.

[2]YangZH,HanJF,GongDP,etal.Thedevelopmentandapplicationofhyperspectral-remote-sensingtechnology[J].HydrographicSurveyingandCharting,2003,23(6):55-58.

[3]WangZH,DingLX.Treespeciesdiscriminationbasedonleaf-levelhyperspectralcharacteristicanalysis[J].SpectroscopyandSpectralAnalysis,2010,30(7):1825-1829.

[4]ClarkML,RobertsDA,ClarkDB.Hyperspectraldiscriminationoftropicalrainforesttreespeciesatleaftocrownscales[J].RemoteSensingofEnvironment,2005,96(3/4):375-398.

[5]YuT,LiXC,WangX,etal.Applicationadvancesandoutlooksofhyperspectraltechnique[J].ScienceofSurveyingandMapping,2012,37(2):115-118.

[6]林川,宮兆寧,趙文吉,等.基于光譜特征變量的濕地典型植物生態類型識別方法——以北京野鴨湖濕地為例[J].生態學報,2013,33(4):1172-1185.

LinC,GongZN,ZhaoWJ,etal.Identifyingtypicalplantecologicaltypesbasedonspectralcharacteristicvariables:AcasestudyinWildDuckLakewetland,Beijing[J].ActaEcologicaSinica,2013,33(4):1172-1185.

[7]梁璇,劉萍,徐正春,等.不同類型城市森林的林下植物多樣性研究[J].華南農業大學學報,2015,36(2):69-73.

LiangX,LiuP,XuZC,etal.Astudyontheunderstoryspeciesdiversityinvariousurbanforests[J].JournalofSouthChinaAgriculturalUniversity,2015,36(2):69-73.

[8]鄭江坤,宮淵波,劉金鑫,等.岷江上游山地牧道對林下草本群落分布特征的影響[J].草業學報,2015,24(2):1-10.

ZhengJK,GongYB,LiuJX,etal.FactorsaffectingunderstoryherbcommunitybotanicalcompositioninadryvalleyecotoneintheupperreachesoftheMinjiangRiver,SouthwestChina[J].ActaPrataculturaeSinica,2015,24(2):1-10.

[9]孔祥兵,舒寧,陶建斌,等.一種基于多特征融合的新型光譜相似性測度[J].光譜學與光譜分析,2011,31(8):2166-2170.

KongXB,ShuN,TaoJB,etal.Anewspectralsimilaritymeasurebasedonmultiplefeaturesintegration[J].SpectroscopyandSpectralAnalysis,2011,31(8):2166-2170.

[10]王珂,顧行發,余濤,等.基于頻譜相似性的高光譜遙感圖像分類方法[J].中國科學:技術科學,2013,43(4):407-416.

WangK,GuXF,YuT,etal.Classificationofhyperspectralremotesensingimagesusingfrequencyspectrumsimilarity[J].ChineseScience:TechnologicalScience,2013,56(4):980-988.

[11]李飛,周成虎,陳榮國.基于光譜曲線形態的高光譜影像檢索方法研究[J].光譜學與光譜分析,2008,28(11):2482-2486.

LiF,ZhouCH,ChenRG.Spectralcurveshapefeature-basedhyperspectralremotesensingimageretrieval[J].SpectroscopyandSpectralAnalysis,2008,28(11):2482-2486.

[12]程熙,沈占鋒,周亞男,等.基于Bhattacharyya距離的典型地物波譜特征差異性分析[J].遙感技術與應用,2013,28(4):707-713.

ChengX,ShenZF,ZhouYN,etal.ThespectralcharacteristicsseparabilityanalysisofspectraldatabaseoftypicalobjectsoflandsurfacebasedonBhattacharyyadistance[J].RemoteSensingTechnologyandApplication,2013,28(4):707-713.

[13]施蓓琦,劉春,陳能,等.典型地物實測光譜的相似性測度與實驗分析[J].同濟大學學報:自然科學版,2011,39(2):292-298.

ShiBQ,LiuC,ChenN,etal.Spectralsimilaritymeasureandexperimentalanalysesforfieldspectroscopy[J].JournalofTongjiUniversity:NaturalScience,2011,39(2):292-298.

[14]杜培軍,唐宏,方濤.高光譜遙感光譜相似性度量算法與若干新方法研究[J].武漢大學學報:信息科學版,2006,31(2):112-115.

DuPJ,TangH,FangT.AlgorithmsforspectralsimilaritymeasureinhyperspectralRS[J].GeomaticsandInformationScienceofWuhanUniversity,2006,31(2):112-115.

[15]vanderMeerF.Theeffectivenessofspectralsimilaritymeasuresfortheanalysisofhyperspectralimagery[J].InternationalJournalofAppliedEarthObservationandGeoinformation,2006,8(1):3-17.

[16]SobhanMI.SpeciesDiscriminationfromAHyperspectralPerspective[D].Wellington:WageningenUniversity,2007:1-164.

[17]DudeniN,DebbaP,ChoM,etal.Spectralbanddiscriminationforspeciesobservedfromhyperspectralremotesensing[C]//Proceedingsofthe1stWorkshoponHyperspectralImageandSignalProcessing:EvolutioninRemoteSensing.Grenoble:IEEE,2009:1-4.

[18]聞兵工,馮伍法,劉偉,等.基于光譜曲線整體相似性測度的匹配分類[J].測繪科學技術學報,2009,26(2):128-131.

WenBG,FengWF,LiuW,etal.Matchingandclassificationbasedonthewholecomparabilitymeasureofspectralcurve[J].JournalofGeometricsScienceandTechnology,2009,26(2):128-131.

[19]KumarMN,SeshasaiMVR,VaraPrasadKS,etal.AnewhybridspectralsimilaritymeasurefordiscriminationamongVignaspecies[J].InternationalJournalofRemoteSensing,2011,32(14):4041-4053.

[20]GhiyamatA,ShafriHZM,MahdirajiGA,etal.Hyperspectraldiscriminationoftreespecieswithdifferentclassificationsusingsingle-andmultiple-endmember[J].InternationalJournalofAppliedEarthObservationandGeoinformation,2013,23:177-191.

[21]ChangCI.Aninformation-theoreticapproachtospectralvariability,similarity,anddiscriminationforhyperspectralimageanalysis[J].IEEETransactionsonInformationTheory,2000,46(5):1927-1932.

[22]WuJJ,GaoZH,WangBY,etal.ClassificationofmultispectralimagesbasedonSAM-SIDmixedmeasure[J].RemoteSensingInformation,2012,27(5):67-72.

[23]YangHF,LiJL,MuSJ,etal.AnalysisofhyperspectralreflectancecharacteristicsofthreemaingrasslandtypesinXinjiang[J].ActaPrataculturaeSinica,2012,21(6):258-266.

(責任編輯： 邢宇)

Identification of hyperspectral features for subalpine typical vegetationintheupperreachesoftheMinjiangRiver

DAI Xiaoai1， JIA Hujun1， ZHANG Xiaoxue1， WU Fenfang2， GUO Shouheng1， YANG Wunian1， YANG Ye1

(1. State Key Laboratory of Geo-spatial Information Technology， Ministry of Land and Resources/Institute of Remote Sensing and GIS， Chengdu University of Technology， Chengdu 610059， China； 2. Editorial Board of Geomatics and Information Science of Wuhan University， Wuhan 430072， China)

Abstract:Spectralcharacteristicsanalysisisthebasisofspectralfeatureclassificationandmatchinginhyperspectralimageprocessing.Inthispaper,theauthorsselectedfivekindsofsubalpineforestvegetationtomeasuretheirfieldspectraintheupperreachesoftheMinjiangRiver,whichincludegramineaemottledbamboo,herbaceousfern，pileanotate,arborchinafirandshrubspalm.Throughconstructingthehighspectralsimilaritymeasureindex,fivemeasuringmethods,i.e.,Euclideandistance(ED),spectralanglemapper(SAM),spectralinformationdivergence(SID),spectralinformationdivergence-spectralanglemapper(SID(TAN))andspectraldistancebasedonDouglas-Peucker(SDDP),wereusedtoanalyzetherelativecapabilityforrecognizingforestvegetationontheplateau.Accordingtotheresultsobtained,thespectralfeaturedifferenceinthefivekindsofforestvegetationmainlyliesinpeaksandtroughsinthespectralcurves;pileanotatehasthehighestrelativespectraldiscriminatoryprobabilityinEDsimilaritymeasurement；mottledbambooandfernhavethehighestrelativespectraldiscriminatoryprobabilityinSIDandSID(TAN)；ChinafirhasthehighestrelativespectraldiscriminatoryprobabilityinSDDP.SAM,SDDP,ED,SID(TAN)andSIDoftherelativespectraldiscriminatoryentropyare1.51, 1.59, 1.61, 2.16and2.18respectively.TheresearchresultsshowedthatthemeansreducedtheamountofcalculationfordoingthesimilaritymeasurementwhichextractedthespectralfeaturevectorswiththeSFT,DPBSRandDABSR,DPSR.Inordertoensuretheconditionofsimilarrecognitioncapability,themeanscangreatlyimprovetheretrievalefficiencyoftheprogram,andhencetheyarethefastandefficienthyperspectralfeaturematchingandretrievalmethods.

Keywords:subalpineforestvegetation；hyperspectralremotesensing；spectralsimilarity；upperreachesoftheMinjiangRiver

doi:10.6046/gtzyyg.2016.03.27

收稿日期：2015-01-23；

修訂日期：2015-03-26

基金項目：國家自然科學基金項目“岷江上游毛兒蓋地區生態水遙感量化研究”(編號： 41071265)、高等學校博士學科點專項科研基金項目“岷江上游高原林區不同植被類型的土壤持水特征研究”(編號： 20135122120009)、四川省教育廳科研項目“基于光譜相似度的森林樹種識別方法研究——以青城山地區為例”(編號： 15ZB0066)、成都理工大學研究基金項目“基于混合像元分解的岷江上游植被覆蓋度定量估算研究”(編號： 2012YG02)和成都理工大學中青年骨干教師培養計劃(編號： 10912-JXGG201401)共同資助。

中圖法分類號：TP751.1

文獻標志碼：A

文章編號：1001-070X(2016)03-0174-07

第一作者簡介：戴曉愛(1979-),女,博士,副教授,主要從事遙感與GIS方面的研究。Email：daixiaoa@cdut.cn。

通信作者：楊武年(1954-)，教授，博士生導師，主要研究方向為3S技術及地學應用。Email：ywn@cdut.edu.cn。

引用格式： 戴曉愛,賈虎軍,張曉雪,等.岷江上游亞高山典型森林植被高光譜特征識別[J].國土資源遙感,2016,28(3)：174-180.(DaiXA,JiaHJ,ZhangXX,etal.IdentificationofhyperspectralfeaturesforsubalpinetypicalvegetationintheupperreachesoftheMinjiangRiver[J].RemoteSensingforLandandResources,2016,28(3)：174-180.)