基于光谱相似性的高度异质性喀斯特区域植被盖度提取

熊 鹰，岳跃民

（1.长沙理工大学资源环境系，湖南长沙 410114；2.中国科学院亚热带农业生态研究所，湖南长沙 410125）

一、引 言

喀斯特生态系统由于受人类活动的过度干扰，导致以石漠化为特征的生态环境退化严重，并加剧了景观演化和景观破碎化进程，地表呈现出高度的异质性［1-2］。基于遥感提取喀斯特植被盖度时，喀斯特景观的高度异质性决定了地物尺度往往小于影像空间分辨率（如Landsat TM影像，空间分辨率为30 m×30 m），像元内部往往包含了植被、基岩、裸土等多种地物信息，混合像元比例较大，导致喀斯特地区，特别是大区域尺度植被盖度信息获取困难［3］。现有植被盖度提取方法均面临着很大的挑战，常用的遥感植被指数主要反映植被的“绿度”信息，容易受裸露碳酸盐岩、土壤等背景的影响；而应用混合光谱分解模型方法时喀斯特地物的纯像元选择困难［4-6］。在实际自然景观中，异质性复杂地物的分布在空间上往往是连续的，在空间上越靠近的事物越相似，即所谓的空间自相关性，如温度、水分、土壤特征、植被特征等在空间上的分布往往表现出连续性，而不是陡然变化［7-8］。在大区域景观尺度上具有高度异质性的地物分布，在特定小区域尺度上可能存在相对的均匀性，表现在光谱信息上，则是大区域景观尺度上地物分布具有高度的光谱异质性，而在特定小区域尺度上则可能存在相对的光谱均匀性。因此，能否利用地物分布的光谱异质性与均匀性信息，提高喀斯特植被盖度遥感提取的准确性成为本文主要探讨的问题。

针对现有植被盖度提取方法的不足和光谱异质性分析，本文提出了基于光谱相似性的高度异质性条件下喀斯特植被盖度提取方法，利用光谱相似性将高度异质性地物划分为相对均匀的地块，降低了异质性景观对喀斯特植被盖度提取的影响，从而提高了喀斯特植被盖度信息遥感提取的精度。

二、数据源

本研究采用的遥感数据源为EO-1 Hyperion高光谱遥感数据，该数据共有242个波段，光谱范围为400～2500 nm，光谱分辨率达到10 nm，地面分辨率为30 m。图像的获取时间为2008年3月3日，图像覆盖区域位于广西大化县七百弄乡附近（24°4＇52″N，107°39＇45″E），属于典型的喀斯特峰丛洼地景观，石漠化比较严重，植被、土壤、裸露基岩等地物类型混杂、交错分布，具有高度的景观异质性。

本研究所获取的Hyperion图像直接从美国地质调查局（USGS）编程订购，所获取的影像数据格式为L1R。首先剔除未定标和受水汽影响的波段后，剩下176个波段，并利用因子系数将图像DN值转换为辐亮度值得到绝对辐射值图像［9］；然后用相邻行或列的平均值替代坏线、全局去条纹法去除影像中的垂直条纹［10］，采用MNF空间列均值调节方法（column mean adjusted in radiance space）纠正Smile效应［11］，用Landsat TM影像作为基准影像对Hyperion图像进行几何校正，校正的误差为0.33个像元；最后利用 ACORN（atmosphericcorrection now）［12］软件的高光谱图像大气校正模块对Hyperion图像进行大气校正，得到图像的反射率数据。

三、研究方法

遥感影像能够获取地物的反射光谱特征，不同地物的光谱特征不同，在大区域景观尺度上高度异质性地物分布具有高度的光谱异质性，而在特定小区域尺度上则可能存在相对的光谱均匀性。因此，首先基于光谱相似性对高度异质性图像进行分块，得到地物分布相对均匀的图像子集，以降低高度异质性对地物信息遥感提取的影响。在此基础上，对每一图像子集利用像元二分法光谱解混获得每一像元的丰度值，从而获取整个区域的植被与非植被盖度信息。具体算法实现如图1所示。

图1 算法流程图

1.光谱相似性度量

描述两矢量相似度可以借用图像分类的方法，传统图像分类方法，如最小距离法、最大似然法等，都是先选取感兴趣区（regions of interest，ROI）进行训练，由每个训练区得到一个平均光谱，然后将每一类得到的平均光谱与需要分类的图像光谱一一比较其相似性，最终得到图像分类或分块。这类方法由于噪声和地物分布在数据获取尺度上的不均一性一般会造成“麻点”现象，即同一地块中夹杂着其他类别，从而造成分类精度下降［7］。同时，这些方法更多考虑参量的数学特征，未充分考虑不同地物的光谱响应差异。因此，本文从光谱角度出发，来刻画像元光谱间相似度。

给定m×n大小的遥感图像I，I（i，j）表示图像在空间坐标（i，j）处的光谱（i=1，2，…，m；j=1，2，…，n）。设像元Sij表示（i，j）处像元所属分块的类别，整个图像分块计算从图像左上角第一点开始，该点的块类别为S11=1，计算遵从由左至右、由上到下的原则，设F（x，y）为相邻像元的相似程度，μ为判别阈值。若F（x，y）≤μ，则x与y属于同一种地块；若F（x，y）＞μ，则x与y属于不同的地块。

光谱间相似程度F（x，y）用像元光谱间的夹角θ表示:将N个波段的光谱响应作为N维空间的矢量，通过计算它与最终光谱单元光谱之间的广义夹角来表征其相似程度，夹角越小，说明它们越相似［13］。两矢量广义夹角用反余弦表示为

即

式中，θ为像元光谱间的夹角；T、R为两个相邻像元的光谱矢量。θ值越小，T和R的相似性越大。

2.高度异质性图像分块

考虑到地物的空间连续性，基于上述相邻像元间光谱夹角进行分块时，将光谱相近的混合像元归为同一分块。通过上述操作，将图像I划分为I1，I2，I3，…，In（其中n为分块数目，I1，I2，…，In为图像子块），同一分块Ii的像元包含着类型相近的地物，即地物分布相对均匀的图像子集{I1，I2，I3，…，In}。分别取θ为 1°、2.5°、5°、7.5°、10°、12.5°、15°、…的光谱夹角作为光谱相似程度的判别阈值。基于光谱相似性分块后，每一图像子块内部含有相似的地物类型，而每一图像子块之间具有较大的差异性。因此，根据图像子块之间的空间自相关性来确定θ的最优阈值，本研究空间自相关性基于Moran＇sI空间自相关系数评价［14］

式中，n为图像子块总数；wij是相邻图像子块yi和yj的权重；yi为图像子块Ii的光谱均值；是整个图像的光谱均值。空间自相关系数I值越低，表明图像子块之间的空间自相关性越低，差异性越大。

3.每个图像子集的像元二分法光谱解混

对地物分布相对均匀的图像每个子块Ik（k=1，2，…，n）分别进行基于像元二分模型的混合像元分解，获得每一像元的丰度值，从而获得整幅图像的植被盖度信息［15-16］。假设图像像元信号由植被与非植被组成，fveg为像元植被盖度信息，则非植被盖度信息为1-fveg，因此，子块Ik的任意像元信号Sk（i，j）可表示为

式中，Sk，veg为植被信号；Sk，non-veg为非植被信号。Sk（i，j）也可以用光谱指数来表示［17］，如 NDVI，则式（3）可表示为

进一步变形得

式中，NDVIk，veg和 NDVIk，non-veg为每一图像子块Ii中NDVI的最大值和最小值。

四、结果与讨论

1.基于光谱相似性的图像分块

基于不同光谱相似性阈值的图像分割如图2所示。从图2可以看出，光谱夹角越小，光谱越相似，对高景观异质性图像的分块越细；随着夹角的增大，所划分的种类数越来越少，地物光谱相似的不同地物也被划分为同一种地物。随着光谱夹角的增大，光谱相似性分布图的阈值范围逐渐降低，光谱夹角为1°时，图像阈值范围为［0，1424］；而当夹角增大为15°时，图像阈值范围降为［0，7］。随着夹角的增大，对地物之间划分的光谱相似性要求越来越低，复杂地物分布的光谱异质性大大降低，光谱所反映的地物差异越来越小，光谱相似性能够很好地反映喀斯特地物分布的高度异质性。传统图像分类方法是先选择训练区，然后由每个训练区计算得到一个平均光谱，再与需要分类的高光谱图像光谱比较其相似性，从而得到分类结果。这样处理的结果容易造成分类精度的降低，主要是因为高光谱图像一般都含有噪声，可以看做具有统计意义的平均光谱的一个样本，而由数量足够大的训练区得到的是接近地物真实光谱的平均光谱，用比较精确的光谱跟含有噪声的不具有统计意义的单个原始光谱比较相似性进行分类时，就会产生“麻点”现象，从而造成分类精度的降低。相比传统分类方法，本研究采用的图像分块方法既考虑了地物的空间相邻关系，又结合了地物的光谱相似程度，因此可以认为属于同一块的像元的地物类型相似，分块后的图像具有很好的相对均匀性，降低了喀斯特高度异质性景观对地物遥感信息提取的影响。

图2 基于不同光谱相似性阈值的图像分割

2.基于分块图像的喀斯特植被盖度信息提取

根据上述的分块图像，利用像元二分法对图像的每一子集分块分别进行植被与非植被盖度信息的提取，得到整个研究区域的植被盖度信息（如图3所示）。光谱相似阈值不同，提取的植被与非植被丰度差异较大；对光谱相似程度要求高的图像分块，其提取的植被与非植被丰度差异不明显。这说明光谱相似程度反映了地物分布的空间异质性，但还没超出空间连续分布的阈值，即将高景观异质性图像分块为相对均一的子区域是合理的。这也说明在较大高景观异质性的区域，由于地物分布的空间连续性，存在着相对均一的地物分布。但随着光谱相似阈值的降低，分类图像纹理越来越不清晰，更多不同类型的地物被划分为同一类相对均一的地物。因此，忽视了高景观异质性地物分布内部的相对均一性，影响了地物盖度信息提取的准确性。

结果验证主要是基于野外实地考查验证，验证点的选取采用分层随机采样法［18］，其优点在于所有层不管其占整个区域的比例大小，都为其分配样本进行误差评价。如果没有分层，则对于区域中所占比例较小的类别，就很难找到足够的样本。对不同的植被盖度密度分割进行分层随机生成36个验证点，由于喀斯特地区属于地貌崎岖的山区，大部分地面调查点不可到达，只调查了其中21个分层随机生成的验证点，并沿调查路线按不同的植被盖度及类型选择5个验证点，共确定26个地面调查验证点。每个样地采用目视估算、照相和样线相结合的方法来估算植被的盖度信息。

图3 基于不同光谱相似性阈值的植被盖度信息

试验结果表明，基于7.5°光谱夹角时，空间自相关系数I值最低，其值为0.047，说明7.5°光谱夹角为最优的图像分块光谱相识性阈值（如图4所示）。此时，地面实测调查点提取的植被丰度与相应的地面调查验证点的线性回归决定系数为0.95，交叉验证均方根误差（RMSE）为0.05（p＜0.01），具有较高的提取精度。

图4 基于不同光谱相似性的图像分块

3.高度异质性条件下喀斯特植被盖度信息提取方法对比分析

为了对比分析高度异质性景观对喀斯特植被盖度信息提取精度的影响，本研究基于Hyperion高光谱遥感图像，分别利用归一化植被指数（NDVI）、混合像元二分法等植被盖度信息遥感提取方法及上述基于光谱相似性降低高度异质性景观影响的方法提取喀斯特植被盖度信息，并与地面调查结果对比，结果如图5所示。结果表明，利用NDVI植被指数提取植被盖度时易低估整个区域的植被盖度信息，而利用像元二分模型则易高估植被盖度信息，说明NDVI植被指数和像元二分法均不能有效提取高度异质性的喀斯特植被盖度信息，经验模型和像元二分法法仅能比较有效地直接提取分布相对比较均匀地区的植被盖度信息，直接应用于地物分布具有高度异质性的地区如喀斯特地区提取植被盖度信息时精度较低。而经过图像分块后，提取精度显著提高，特别是植被盖度小于40%时改进效果更明显。所以，针对高度景观异质性的喀斯特地区，考虑到地物分布的空间连续性，首先基于相邻像元间光谱相似度对遥感图像进行分块，使分块图像具有相对低异质性，然后再提取植被盖度信息，即可大大改进植被盖度估算的精度。这主要是因为对图像分块考虑了自然地物的空间连续分布特征，经过图像分块后，使得在大尺度范围内具有高度异质性的地物分布，在小尺度范围内具有相对的均一性。

图5 实测植被盖度与基于不同方法反演预测盖度拟合比较

五、结 论

喀斯特地表复杂度高，地物交错分布且土被不连续，植被片段化严重，具有高度的异质性，导致喀斯特植被盖度信息遥感准确提取困难。本文利用地物分布的光谱异质性与均匀性信息，降低了高度异质性景观对遥感信息提取的影响，提高了喀斯特植被盖度信息提取的精度。研究表明:①基于光谱相似性对图像进行分块，避免了由于噪声和地物分布在数据获取尺度上的不均一性所引起的“麻点”现象；经过图像分块后，降低了高度异质性景观对喀斯特植被盖度信息提取的影响。② 利用NDVI植被指数方法提取植被盖度时均容易低估整个区域的植被盖度信息，利用像元二分模型则容易高估整个区域的植被盖度信息；而基于7.5°光谱夹角相似性图像分块后再利用像元二分法分解提取的喀斯特地区植被盖度精度较高。③针对高度异质性景观的喀斯特地区，应考虑地物混杂对遥感信息提取的影响，首先对遥感图像进行分块，使得在大尺度范围内具有高度异质性的地物分布，在小尺度范围内具有相对的均一性，从而使分块后的图像具有相对的低异质性。④本文提出的基于光谱相似性图像分块处理思想，不仅适合于喀斯特地区植被盖度信息提取，也有望应用于其他地表高度异质性地区地表参数的遥感提取。

［1］ 袁道先，章程.岩溶动力学的理论探索与实践［J］.地球学报，2008，29（3）:355-365.

［2］ 曹建华，袁道先，裴建国，等.受地质条件制约的中国西南岩溶生态系统［M］.北京:地质出版社，2005:10-36.

［3］ 李阳兵，李卫海，王世杰，等.石漠化斑块动态行为特征与分类评价［J］.地理科学进展，2010，29（3）:335-341.

［4］ 岳跃民，王克林，张兵，等.喀斯特石漠化信息遥感提取的不确定性［J］.地球科学进展，2011，26（3）:266-274.

［5］ 刘波，岳跃民，李儒，等.喀斯特典型地物混合光谱与复合覆盖度关系研究［J］.光谱学与光谱分析，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］ 邬建国.景观生态学——格局、过程、尺度与等级［M］.2版.北京:高等教育出版社，2007:125-127.

［8］ 耿修瑞.高光谱遥感图像目标探测与分类技术研究［D］.北京:中国科学院，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］ 谭炳香，李增元，陈尔学，等.EO-1 Hyperion高光谱数据的预处理［J］.遥感信息，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］ 陈晋，陈云浩，何春阳，等.基于土地覆盖分类的植被覆盖率估算亚像元模型与应用［J］.遥感学报，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.遥感数字影像处理导论［M］.陈晓玲，龚威，李平湘，译.3版.北京:机械工业出版社，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.