混合像元分解在石漠化信息提取中的應用進展

劉芳澤，郭曉飛，王 琛*

（1．西南林業大學 生態與環境學院，昆明 650224；2.云南農業大學 水利學院，昆明 650201）

石漠化是我國西南喀斯特地區最嚴重的生態問題之一[1]，是指在人類活動的干擾破壞下，使喀斯特地區出現土壤功能喪失、基巖裸露、地表土被不連續和生產力下降的土地退化過程[2]，會導致土地承載力下降、自然災害加重和地區貧困加劇，嚴重影響當地自然、經濟和社會的可持續發展。

2020年國家發展改革委、自然資源部聯合印發的《全國重要生態系統保護和修復重大工程總體規劃（2021—2035年）》中明確了巖溶石漠化治理工程的有關思路，強調了石漠化的監測和防治是生態文明建設的重要組成部分。由此可見，加強石漠化監測，掌握石漠化現狀及其變化趨勢，為石漠化防治提供基礎數據和科學依據刻不容緩。

在石漠化信息提取方面，具備宏觀、快捷、經濟和信息綜合等優勢的遙感技術是必不可少的，其大范圍、綜合性和動態性的對地觀測能力可快速、大范圍提取石漠化信息，在石漠化監測中有著巨大的應用潛力[1]。近年來，我國在利用遙感技術開展石漠化信息提取方面進行了一系列的研究，在像元級和亞像元級的信息提取方面均取得了一定成果。

1 像元級石漠化信息提取方法

像元級的信息提取方法是將影像中像元的光譜特征看作是單一地物的光譜特征，利用光譜間的統計特征進行分類，操作簡單、數據處理效率高，廣泛應用于石漠化信息提取。

1.1 人機交互解譯

人機交互解譯是遙感解譯的經典方法之一，廣泛應用于土地利用分類、景觀分類等，在石漠化信息解譯應用也較多。該方法具有適應性強的特點，但存在工作量大、成本高、效率低和解譯標準不統一等問題，導致解譯結果缺乏可比性，僅適用于小范圍的研究區。

1.2 比值增強法

比值增強法是通過遙感影像中不同波段亮度的對比，進而對石漠化信息進行提取，其通過增加圖像中各特征在外觀上的反差性能來提高解譯功能[3]，有助于提高精度，但精度受限于波段的選擇，就目前的遙感數據來看，空間分辨率的提高會在一定程度上影響光譜分辨率[4]，因此其在高空間分辨率影像信息提取中運用困難。

1.3 監督分類

監督分類法是通過選擇訓練樣區，再根據樣本特征去“訓練”判別函數，進而進行石漠化信息提取[5]，但由于石漠化地區地貌特殊，地形起伏大，遙感影像上陰影較多，會導致精度較差，該方法受限制較多。

1.4 非監督分類

非監督分類主要是憑借遙感圖像地物的光譜特征的分布規律，自然地進行分類，也常被用于石漠化信息的提取，其優點在于受人為影響較少，工作量小，易于實現[6]，但石漠化地區“同譜異質，同質異譜”情況較多，易造成非監督分類法信息提取精度較差。

2 亞像元級石漠化信息提取方法

作為土地退化的一種形式，石漠化與荒漠化在信息提取方面具有相似性，但從景觀生態學的角度來看[7]，荒漠化在荒漠化地區屬于基質，其范圍大、分布廣，在遙感提取荒漠化信息時混合像元（包含多種地物類型的影像單元）較少，像元級的信息提取方法基本上能夠較好地對荒漠化信息進行提取。而石漠化恰好與之相反，是喀斯特地貌區鑲嵌分布的景觀斑塊，峰叢狀零散分布，在影像中范圍和比例較小，像元混合現象嚴重，像元級的信息提取方法易將混合地物光譜特征歸為某一類地物光譜特征，造成地物邊緣處像元誤分，導致石漠化信息提取精度降低，難以獲取準確的石漠化分布數據。

基于目前科研常用遙感影像的空間分辨率而言，影像存在大量的混合像元，易造成誤分，為解決混合像元問題，遙感應用從像元級別深入到亞像元級別，信息分類和提取精度將得到提高。混合像元分解是亞像元級遙感信息提取的重要方法，通常是建立一個光譜混合的模擬模型，混合像元的光譜值表達為端元組分光譜值和端元面積百分比的函數[8]，通過將每個混合像元進行分解，估算混合像元中各端元的豐度，能夠有效解決喀斯特地貌區地形、地物復雜，混合像元嚴重，地物信息提取精度低的問題。

2.1 混合像元分解的數據源

混合像元分解技術可廣泛應用于農業、生產業等，可根據調查精度和監測目的差異選擇不同類型的數據源，如利用Landsat 8影像[9]提取玉米種植面積，利用ASTER數據[10]進行水質監測評價，利用MODIS數據[11]提取耕地覆蓋度信息等。混合像元分解技術目前在石漠化信息提取方面也有一些應用，數據源的選擇也多種多樣，如Hyperion高光譜影像[12]、Landsat OLI數據[13]和中巴02B星多光譜數據[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

在單位像元內混合像元被分解為不同的“端元”，求取各端元比例的過程稱之為混合像元分解[8]。混合像元分解提取石漠化信息一般分為數據降維、端元提取和地物豐度反演3個步驟，端元提取是其中最核心的步驟，選取合適的端元是混合像元分解成功的關鍵。

2.2.1 像元純度指數（PPI）

PPI指數是每個像元的“純度指標”，值越大說明對應像元更接近純凈像元[15]，在喀斯特石漠化信息提取方面已有應用[1]，但PPI指數主要適用于原始影像存在較為純凈的像元，混合像元嚴重時自動提取難度大[16]，于琦[17]在PPI指數的基礎上提出快速像元純度指數（FPPI）算法，減少了測試向量數量，大大減少了計算量，提高精度的同時也提高了算法效率，是一種全自動非監督的端元提取方法。

2.2.2 凸錐分析法（CCA）

N-FINDER是一種從多維數據立方體出發的全自動的端元提取方法，該算法利用高光譜數據在特征空間中的凸面單行體的特殊結構，通過尋找最大體積的單行體，自動獲取端元[18]。凸錐分析法（CCA）是一種改進的基于凸錐幾何理論的尋找端元的方法，把多波段數據在空間中以一個錐體的形式表現出來，尋找頂點，一個頂點代表一個端元[19]，該方法計算簡單，可根據算法自動找出端元，準確性好，未來可在石漠化信息提取方面進行深入研究。

菌株充分活化后，以1%接種量接種于含有5%葡萄糖、5%脫脂乳和40 mg·mL-1荷葉的培養基中，37 ℃厭氧培養，選取不同時間點取樣。采用活菌計數方法，即用無菌磷酸鹽緩沖液(PBS)將菌液倍比稀釋，選取3個稀釋度分別涂布在MRS固體培養基上，每個稀釋度做3個平行，37 ℃培養24 h，進行菌落計數，繪制生長曲線。

2.2.3 連續最大角凸錐法（SMACC）

連續最大角凸錐法因直接在數據集里選擇端元，更為便捷，孟志龍[13]利用SMACC提取端元對云南石林縣石漠化信息進行提取，并以分辨率為0.2 m無人機數據驗證實測參考光譜端元、自動化選擇圖像光譜端元和人工勾繪圖像光譜端元精度差異，結果表明，SMACC更快更自動化，但其精度低于半自動化的PPI法、沙漏工具端元提取精度。

2.2.4 頂點成分分析法（VCA）

頂點成分分析法的本質是一種純數學方法，具有良好的理論基礎，Neville等[20]于1999年用該算法進行了端元提取實驗，發現VCA算法精度高于PPI，算法的復雜程度低于N-FINDER算法，但同樣存在多次計算后可能得到多個不同的端元組的問題，陶文婧[21]在VCA算法的基礎上引進自動目標生成法，很好地提高了VCA算法的準確性。

2.2.5 主成分分析法（PCA）

主成分分析法是通過考慮各波段的相互關系，根據降維關系將波段轉化為互不相關的包含獨立信息的波段。劉霽等[22]通過建立影響較大的因子作為石漠化研究的基本指標，采用PCA主成分多元分析的方法對湘西喀斯特石漠化地區的石漠化信息進行提取，經與區域地質資料對比驗證，混合像元分解結合主成分分析方法取得了很好的應用效果。

2.2.6 光譜最小信息熵（SMSE）

2.3 混合像元分解的模型算法

豐度分解是混合像元分解的重要步驟，根據豐度分解的結果，可以更準確地估計出地物覆蓋的面積信息，對石漠化信息進行提取。混合像元分解的模型主要包括線性混合模型和非線性混合模型等。其中，線性混合模型理論簡單，應用廣泛；非線性混合模型理論復雜，應用較少。

2.3.1 線性混合像元分解模型

線性混合像元分解模型是像元在某一光譜波段的反射率（亮度值）由構成像元的基本組分的反射率以其所占像元面積比例為權重系數的線性組合，通過線性分解模型的精度的驗證[24]，可以看出其具有建模簡單、物理含義明確的優點，是目前較常用的混合像元分解模型，在農業領域得到了廣泛的應用，如植被覆蓋度的測算[25]和農作物面積的測算[26]。線性混合像元分解模型在石漠化信息提取方面也有應用，如周忠發等[27]基于線性光譜模型對清鎮市紅楓湖示范區石漠化進行監測。但由于在石漠化信息的提取中，石漠化屬于小概率檢測目標，導致精度降低，需要非線性混合像元分解模型來進行解釋和分析。

2.3.2 非線性混合像元分解模型

由于光譜混合往往是非線性的，端元間又存在散射現象，概率模型、幾何光學模型和隨機幾何模型等非線性模型被用于混合像元分解，但相關研究主要集中于算法探索和精度驗證，實際應用較少，在城市不透水層提取[28]、植被高光譜遙感分類[29]等方面有一定研究。非線性混合像元分解模型具有較高的分解精度，但計算較為復雜，唐曉燕等[30]提出的基于光譜夾角距離的局部切空間排列算法，通過非線性降維，有效提高了解混精度，但同樣難以應對海量數據的處理。

目前非線性混合像元分解鮮少在石漠化信息提取方面有相關的研究，在未來的石漠化信息提取研究中，非線性混合像元分解將是重要的研究方向，有很大的發展空間。

2.4 混合像元分解結果應用

混合像元分解提取的端元豐度可作為影像分類的重要參數使用，結合不同分類方法進行信息提取。利用混合像元分解可得到直接評價石漠化程度的關鍵性指標，如李麗等[14]利用中巴02B星多光譜遙感數據提取植被覆蓋度對石漠化信息進行提取，楊蘇新等[31]以Hyperion高光譜影像提取了植被、裸土和裸巖3種典型地物端元，利用混合調制匹配濾波（MTMF）分解算法反演植被豐度。提取參數后學者們結合綜合分析法、決策樹分類[32]和BP神經網絡自動分類模型[33]對圖像進行處理，實現石漠化信息的提取。

3 結束語

遙感技術在石漠化信息提取領域已有較好的應用，常規的人機交互解譯法、比值增強法、監督分類法和非監督分類法等像元級提取方法操作簡單，但由于石漠化地區地物、地形復雜，混合像元情況較為嚴重，像元級提取方法未能拆分像元，邊緣區域誤分情況較多，精度受限。

混合像元分解技術能夠較好地解決混合像元問題，通過線性混合像元分解模型提取端元豐度并進行石漠化分類，有效地提高了精度，但線性模型過于理想化，其豐度估計值精度仍弱于非線性混合像元分解模型[34]。由于非線性混合像元分解模型較為復雜，參數量化難度大，目前多停留在理論和方法研究層面，應用較少，在石漠化信息提取方面鮮有報道。因此，探索利用非線性混合像元分解光譜模型開展石漠化信息提取將是重要的研究方向，對于快速提取石漠化數據和提高精度具有重要意義。