高光譜遙感植被圖譜信息提取研究進展

鄧守奇,李曉強,梁立恒,董煒華,程 彬,馬友利,韋森超

(1.長春師范大學地理科學學院,吉林 長春 130032; 2.長春市文理高中,吉林 長春 130062)

0 引言

近年來,高光譜遙感成為地表植被研究的重要手段,植被遙感包括植被群落分類、森林草原監測、農作物長勢分析、環境保護等,它關系到區域的生態評價、國家的糧食安全以及全球的氣候變化[1]。早期植被信息提取主要依賴于人工實地調查,以視覺理解為主,對植被信息深層次獲取存在一定的困難。高光譜遙感技術的發展為植被圖譜信息提取提供了可能,高光譜數據含有豐富的物質成分信息以及圖形信息,使植被信息從淺層“視覺理解(圖)”深入到內在“機理透視(譜)”,從定性向定量,通過現象看到本質(從圖到譜)[2]。高光譜植被圖譜信息可快速獲取植被理化信息,既可以有效識別物質成分,也可以在紋理、幾何圖形信息上加以分析識別,在植被識別、分類、監測等方面應用廣泛。國內外學者一直致力于植被圖譜信息提取方法的研究,早期的植被圖譜信息提取主要依賴于人工目視解譯,但解譯精度很大程度上依賴于解譯者的經驗以及遙感影像質量[3]。

在光譜(高光譜)植被研究方向的工作中,有許多國內外學者做出了重要貢獻。Range B. Myneni團隊開展了大規模的遙感研究,特別是利用高光譜數據來監測和估計全球植被覆蓋變化。Jing M. Chen的研究涵蓋了植被動態、植被功能和生態系統服務等領域,并將高光譜技術應用于植被研究。 Michael Schaepman的研究聚焦于植被光譜特征、光合作用和植被生物化學特性等方面。Qiang Yu的研究廣泛探討了高光譜遙感技術在植被監測、植被物候以及植被健康評估等方面的應用。這些學者在植被研究領域都有廣泛的影響力,并且對高光譜技術在植被研究中的應用進行了創新的理論研究。

隨著遙感傳感器的空間解析度和光譜解析度的進一步提高,遙感全覆蓋、高時效性在植被圖譜信息提取中的應用也得到了顯著的提高。本文對高光譜植被圖譜信息提取的相關理論成果進行梳理,探究當前遙感數據在植被圖譜信息提取的基本原理和基本方法及未來發展方向。

1 植被的圖譜信息

植被圖譜信息包括植被的圖像信息和植被的光譜信息,圖像信息可以反映植被的形狀、大小、缺陷等外部品質特征[4],而光譜信息能反映物體內部的物理結構、化學成分的差異[5]。

植被圖像信息是指通過遙感技術獲取的植被圖像所包含的有關植被狀態和生長的信息。它是通過植被對不同波段的光譜反射率來體現的[6]。人們所看到的不同植被或同一植被不同生長階段所體現出的不同圖像,就是植被對不同光譜波段反射率不同而導致的。通過植被圖像信息可以了解植被的密度、類型、生長趨勢和空間分布,從而為相關領域的決策制定提供科學依據和數據支持。

植被光譜信息包含大量的光譜數據,這些光譜數據由很多條近似連續的光譜曲線組成,這些光譜曲線的波段范圍從紫外線、可見光到紅外波段。綠色植物在不同波段的反射率有明顯的差異,近紅外波段的反射陡坡和小峰值是植被的獨有特征。此外,植被生物量也可以通過紅色波段和近紅外波段之間的反差來表征[7]。通過這些信息,可以進行植被葉綠素含量、光合作用效率等定量信息的反演。

2 高光譜植被信息提取方法

2.1 高光譜的圖譜特征

高光譜遙感是一種通過測量大量納米級譜段的電磁輻射來獲取地物表面的光譜特征的技術。高光譜由數百個連續窄波段組成,能夠獲取比傳統圖像更多的光譜和空間信息,提供多種物理、化學、生物學特征信息。這種能力使得高光譜技術能夠提供更豐富的植被光譜信息,可廣泛地應用于植被分類、植被病蟲害監測、植被生長狀態跟蹤、環境管理和國防建設等領域[8]。

高光譜圖譜的最大特征是將成像技術和光譜探測技術結合,既能對目標的空間特征進行成像,又能測定大量窄帶頻段的電磁輻射,從而實現對植被圖譜的連續光譜覆蓋,也稱為“圖譜合一”。除此之外,還包含能夠反映目標地物反射與輻射特性等物化屬性的診斷性特征[9]。高光譜圖譜數據具有豐富的光譜信息、多樣的特征提取能力、對微小變化敏感、支持多尺度分析以及可以與其他數據源融合等優勢。這使得高光譜數據在學習方法中具有許多優勢[10],為研究者提供了更廣闊的空間和更精確的數據基礎。

2.2 植被圖譜信息提取方法

植被圖譜信息的提取是植被遙感研究中的重要內容之一,其主要目的是通過對植被反射或吸收特定波長的光譜信息進行分析,以獲取植被生長狀況、類型、覆蓋度、葉綠素含量等定量信息[11]。目前,植被圖譜信息提取的研究領域涌現出許多新的方法。其中常用的方法是植被指數方法,如歸一化植被指數(NDVI)、結構調整植被指數(SAVI)等[12];另外,機器學習方法也得到了廣泛的應用,如人工智能深度學習、卷積神經網絡(Convolutional Neural Network,CNN)等[13]。

2.2.1 傳統植被指數方法

隨著遙感技術的不斷發展,植被光譜信息提取方法在不斷創新和完善,常用的方法是通過植被指數來計算植被的生理和生態學參數[14]。其中,最廣泛應用的植被指數包括歸一化植被指數(NDVI)、結構調整植被指數(SAVI)、歸一化差異植被指數(NDWI)和改進型歸一化植被指數(EVI)等,主要用途見表1。

表1 常用的植被指數及用途

此外,還有一些新型的植被指數,如結構化植被指數(SVI)、歸一化紅邊植被指數(NDRE)等[15],這些指數在特定的應用場景下具有更好的表現。植被指數是用于評估和監測植被生長、健康狀況以及植被覆蓋程度的重要工具。在這些植被指數中,歸一化植被指數(NDVI)是其中最常用的方法之一。

2.2.2 深度學習與卷積神經網絡

近年來,機器學習方法在植被光譜信息提取中得到了廣泛應用[16],如人工智能深度學習、卷積神經網絡(Convolutional Neural Network,CNN)等,可以有效地改善高光譜圖譜信息的提取精度和效率[17]。

人工智能深度學習在植被高光譜信息的提取和分析方面具有巨大的潛力和應用價值。通過深度學習模型的訓練,可以實現從植被高光譜數據中提取特征、進行植被分類、評估植被健康狀況以及監測植被變化。深度學習能夠準確地分析植物的光譜特征,可以更加準確地識別和分析植被的相關信息,對農業、生態環境保護等領域具有重要的應用價值。

卷積神經網絡(CNN)能夠從高光譜數據中提取特征,實現植被分類、植被健康狀況評估等任務。通過卷積和池化操作,CNN能夠提取高光譜數據中的空間和頻域特征,實現對植被區域和非植被區域的準確區分。此外,CNN可以通過訓練大規模數據集,學習復雜的植被特征,實現植被分類和識別任務的精確性和魯棒性提升。同樣,CNN還可以根據植被高光譜數據中的波段值來預測植被健康狀況,如葉綠素含量、水分含量等指標,以評估植被的生長情況與健康狀態。卷積神經網絡對于高光譜信息提取方面的應用極為重要,為農業、生態環境保護等領域提供有力支持。

在實際應用中,每種方法都有其特定的優點和應用范圍,研究者可以根據具體情況選擇合適的方法或多種方法相結合進行分析和研究,以提高植被高光譜圖譜信息提取的準確性和精度[18]。

2.2.3 植被高光譜圖譜合一信息提取

提取植被高光譜圖譜合一信息的方法包括光譜特征提取、空間特征提取、物候監測與變化檢測、數據融合與多源信息整合以及深度學習方法。

光譜特征提取是通過計算光譜指數或利用光譜庫比對等方法,提取植被的光譜特征,反映植被的生長狀況和健康狀況。同時,可以利用無監督分類方法或專門的算法識別和提取出特定植物物種的光譜特征。

空間特征提取通過對象提取、形態學運算等方法,將植被從圖像中分割出來,并提取出植被的形狀、大小、分布等空間信息。這有助于了解植被的空間分布和結構特征[19]。

物候監測與變化檢測利用高光譜數據觀察植被在不同時間點的生長變化和季節性變化。通過時間序列分析、差異圖像分析等方法,可以揭示植被的物候變化和異常情況。

數據融合與多源信息整合將高光譜數據與其他數據源進行融合,如地理信息系統數據、激光雷達數據等,獲取更全面的植被信息。通過數據融合算法,將多源數據整合為一體,提取出植被的綜合信息。

深度學習方法,如卷積神經網絡(CNN),可以從高光譜數據中自動提取特征,并進行植被分類、物候監測等任務。這種方法能夠有效利用高光譜數據的豐富信息,提取出植被的合一特征[20]。

上述方法,可以提取植被高光譜圖譜合一的信息,全面了解植被的光譜特征、空間特征和變化特征。這為植被研究提供了更全面的信息基礎,有助于深入了解植被的生態功能、健康狀態和時空變化。

3 討論

植被圖譜信息提取是一項重要的研究領域,它利用遙感技術獲取的光譜和圖像信息來獲取有關植被狀態和生長的信息,提供了豐富的空間、光譜信息。與傳統的遙感方法相比,高光譜遙感技術有效地植入了大量的植被圖譜信息,對植被圖譜信息的探測和識別能力極大提高,所獲取的植被光譜比較真實,能全面地反映各種植被所固有的光譜特性以及其間的細節差異性,從而大大提高了植被遙感分類的精細程度和準確性[21],大大提高植被指數所能反演的信息量,使人們可以直接獲取諸如植被葉面積指數、生物量、光合有效輻射吸收系數等植被生物物理參量[22]。但是,在利用高光譜提取植被圖譜信息的過程中仍然存在一些問題,例如,高光譜圖像中噪聲和雜散光的影響可能使數據失真,影響分析結果的準確度;高光譜圖譜的采集和處理難度較高,需要專業的操作技術和高性能計算系統;處理方法傳統,反演精度有限,應用難以有效實施等[23]。

隨著高光譜遙感技術的快速發展,地物信息獲取的便利性、時效性和完備性不斷提高,這進一步推動了植被圖譜信息提取向更加精細化、自動化和智能化的方向發展,這也成為未來的發展趨勢。利用高光譜數據也可以更好地減少“同物異譜”和“同譜異物”的現象的發生[24]。高光譜植被圖譜信息提取是一個涉及遙感、計算機科學和生態學等多個領域的交叉學科,目前已成為植被研究的熱點之一。未來的研究方向包括利用深度學習技術提高植被分類的精度和效率,將多源遙感數據融合以獲得更加詳細和準確的植被信息,利用機器學習方法對植被圖譜進行特征提取以識別出植被的不同特征,以及通過空間分析和模擬更好地了解植被分布和生態環境變化的情況。

隨著技術的發展,出現了多種創新和完善的方法來提取植被光譜信息。這些方法各有優缺點,在實際應用中常常采取綜合應用的方式,以提高植被信息提取的準確性和精度。綜合方法能夠更全面地捕捉植被的光譜特征,從而更好地理解和解釋植被的生物和生態過程。通過光譜特征提取、空間特征提取、物候監測與變化檢測、數據融合與多源信息整合以及深度學習方法等手段,可以全面了解植被的光譜特征、空間特征和變化特征,為植被研究提供更全面的信息基礎,有助于深入了解植被的生態功能、健康狀態和時空變化。

近些年,無人機搭載光譜儀獲取植被高光譜信息越來越普遍,同時也具備一定的優勢。無人機能夠以低飛行高度進行光譜數據收集,獲得更高的空間分辨率,從而能夠更精細地觀察和分析地表特征。無人機具有靈活性和可操控性,可以根據需要進行任務規劃和軌跡優化,適應不同的地形和環境條件。相比于衛星和飛機,使用無人機進行植被高光譜數據采集的成本更低,對于科研機構、環境監測部門和農業管理者來說,非常具有吸引力。

4 結語

植被高光譜信息包括圖像信息和光譜信息,可以提供豐富的植被屬性,揭示植被的空間分布、結構特征以及物理結構和化學成分的差異。這些綜合信息對于識別和分析不同植被類型、健康狀況以及環境適應性非常重要。植被高光譜數據具有豐富的光譜信息,能夠提取多種特征,對微小變化敏感,支持多尺度分析,可以與其他數據源融合。因此,在植被分類、病蟲害監測、生長狀態跟蹤和環境管理等領域中,植被高光譜數據具有廣泛應用的前景。高光譜技術是一種先進高效的植被圖譜信息提取技術,它提供了理解和利用植被資源的機會。通過獲取豐富的光譜數據,高光譜技術可以深入探究植被的物理、化學和生理特性。這項技術在農業、林業、環境監測和地質勘探等多個領域具有廣泛應用的前景。在農業方面,高光譜技術可以被用來監測作物的健康狀況和營養狀態,實現精準施肥和水分管理。在林業方面,它可以幫助評估森林資源,監測森林生態系統的變化以及進行森林火災監測。在環境監測方面,高光譜技術可以被用來監測水質、濕地的植被變化以及識別土壤污染等。在地質勘探方面,它能夠幫助探測礦區和礦床,并識別地下資源的種類和分布。綜上,高光譜技術不僅能提供豐富的植被圖譜信息,在其他領域研究中也具有巨大應用潛力。