基于實(shí)測(cè)地物光譜的蘆葦、柳、翅堿蓬數(shù)據(jù)融合與識(shí)別

基于實(shí)測(cè)地物光譜的蘆葦、柳、翅堿蓬數(shù)據(jù)融合與識(shí)別

1野外遙感研究蘆葦、柳樹(shù)和葉子草是黃河三角洲植被群落的三種主要樹(shù)種。它的覆蓋率、構(gòu)成群落的比例和空間分布信息對(duì)黃河三角洲生態(tài)系統(tǒng)的組成、結(jié)構(gòu)和功能、濕地景觀結(jié)構(gòu)的動(dòng)態(tài)變化、濕地生態(tài)系統(tǒng)的穩(wěn)定和健康評(píng)估非常重要。傳統(tǒng)的野外樣方調(diào)查方法能準(zhǔn)確獲得這些信息,但需要大量的人力、物力、財(cái)力和時(shí)間,因此不宜于長(zhǎng)期開(kāi)展?，F(xiàn)在常用的是一定量的野外樣方調(diào)查結(jié)合遙感信息提取的方法(一般都需要已知樣本或純端元光譜),該方法簡(jiǎn)單、需要相對(duì)較少的人力、財(cái)力和時(shí)間,但精度相對(duì)較低,主要受制于遙感數(shù)據(jù)的空間和光譜分辨率、采用的遙感信息提取方法和操作人員的經(jīng)驗(yàn)。在現(xiàn)代黃河三角洲,除蘆葦外,檉柳、翅堿蓬多呈斑狀、簇狀零星散布,其直徑一般都小于10m,這對(duì)于空間分辨率大于10m的遙感影像,通過(guò)直接從影像上獲得檉柳、翅堿蓬已知樣本或純端元光譜來(lái)說(shuō)非常困難,依此而進(jìn)行的遙感信息提取必將面臨巨大挑戰(zhàn)。本文一方面通過(guò)野外光譜實(shí)測(cè)獲得近乎純凈的蘆葦、檉柳、翅堿蓬野外光譜,解決從空間分辨率大于10m的遙感影像上獲得這些植被的純端元光譜的難題,另一方面對(duì)它們的野外光譜數(shù)據(jù)進(jìn)行挖掘,以期獲得一種簡(jiǎn)單的自動(dòng)或半自動(dòng)方法去識(shí)別這些主要植被,以提高工作效率和判別精度。應(yīng)用實(shí)測(cè)地物光譜特征對(duì)TM圖像進(jìn)行地物識(shí)別,常見(jiàn)于土地利用/土地覆被一、二級(jí)類的信息提取,對(duì)于植被建群種的識(shí)別由于TM圖像空間分辨率的限制和混合光譜的原因少見(jiàn)于報(bào)道。本文只是這方面初步的嘗試。2現(xiàn)場(chǎng)光譜處理2.1野外光譜分析反射率的獲得野外光譜測(cè)量?jī)x器選用美國(guó)ASD公司的FieldSpec?ProFR便攜式分光輻射光譜儀。波長(zhǎng)范圍:350~2500nm。選天氣晴朗的時(shí)間(2007年10月16日~19日,當(dāng)日時(shí)間上午8:30到下午3:30)進(jìn)行植被光譜測(cè)量,探測(cè)高度約植被上方30cm。每測(cè)一點(diǎn)的植被,首先優(yōu)化儀器、測(cè)白板,然后連續(xù)測(cè)5次植被。最后在室內(nèi)利用已知99%白板反射比值將植被野外光譜測(cè)量值轉(zhuǎn)化為植被反射率值,取5次反射率平均值為該點(diǎn)植被的野外光譜反射率值,由此獲得350~2500nm范圍內(nèi)每個(gè)波段(光譜分辨率:重采樣后1nm,波段數(shù):2151個(gè))的反射率值。在野外共獲得蘆葦(8個(gè))、檉柳(5個(gè))、翅堿蓬(23個(gè))野外光譜36個(gè)。2.2野外光譜分析由于大氣強(qiáng)吸收(1350~1460nm和1790~1960nm)、水汽及其他因素干擾影響,ASDFieldSpec?ProFR野外光譜測(cè)量數(shù)據(jù)中,僅350~1349nm、1461~1789nm、1970~2002nm和2018~2300nm范圍內(nèi)的1645個(gè)波段被選用來(lái)研究植被野外光譜特征。分別比較蘆葦、檉柳、翅堿蓬野外光譜曲線,剔除了9個(gè)異常光譜(3個(gè)蘆葦、1個(gè)檉柳和5個(gè)翅堿蓬光譜),剩余27個(gè)野外光譜用于下面的研究。2.3特征譜件的確定剔除了異常波段之后的野外光譜數(shù)據(jù)仍有1645個(gè)波段,具有豐富的信息。直觀地從光譜曲線上看,蘆葦、檉柳在559nm附近有明顯的波峰,而與蘆葦、檉柳相比,翅堿蓬在639nm附近具有明顯的波峰。但如何從這么多波段中找出蘆葦、檉柳、翅堿蓬各自的特征波段以及可用于區(qū)分它們的特征波段對(duì)于多光譜遙感至關(guān)重要。這可理解為類內(nèi)特征和類間特征波段的選擇。對(duì)同屬一類別的目標(biāo)特征而言,若某個(gè)特征量分布較為疏松,而其方差較大,說(shuō)明該特征量不能很好地表征目標(biāo);方差小,說(shuō)明該特征量分布較為緊密,能較好地表征此類目標(biāo)。根據(jù)這個(gè)規(guī)則,可以初步確定類內(nèi)特征波段。對(duì)于類間特征的初步確定,較簡(jiǎn)單的有Fisher比率法,某特征的Fisher比率越大意味著該特征對(duì)分類貢獻(xiàn)大,該特征宜選為類間特征,Fisher比率小的變量則可棄去不用。基于上述方法,本文利用獲得的27個(gè)野外光譜數(shù)據(jù)進(jìn)行了現(xiàn)代黃河三角洲蘆葦、檉柳、翅堿蓬野外光譜特征分析,結(jié)果發(fā)現(xiàn):蘆葦、檉柳、翅堿蓬類內(nèi)和類間特征分別位于350~700nm和350~550nm之間,說(shuō)明可見(jiàn)光波段對(duì)于這幾種植被的識(shí)別和區(qū)分最有利。2.4柳野外工作方法對(duì)重采樣結(jié)果的影響常用的、易獲得的、存檔數(shù)據(jù)時(shí)間長(zhǎng)的多光譜衛(wèi)星遙感數(shù)據(jù)為美國(guó)陸地衛(wèi)星TM數(shù)據(jù),經(jīng)常被用來(lái)進(jìn)行土地覆被/土地利用、植被信息提取等研究。為此,將經(jīng)過(guò)預(yù)處理的野外光譜數(shù)據(jù)重采樣至TM數(shù)據(jù)可見(jiàn)光-近紅外-短波紅外對(duì)應(yīng)波段光譜。重采樣常用的方法有算術(shù)平均法、中心波長(zhǎng)法和光譜響應(yīng)函數(shù)法。本文分別利用這3種方法對(duì)經(jīng)過(guò)預(yù)處理的27個(gè)野外光譜進(jìn)行了重采樣,然后利用配對(duì)樣本T檢驗(yàn)方法(Paired-SamplesTTest)比較了3種重采樣方法對(duì)于重采樣結(jié)果有無(wú)顯著差異。對(duì)于蘆葦和檉柳野外光譜來(lái)說(shuō),對(duì)應(yīng)TM7波段的重采樣結(jié)果,中心波長(zhǎng)法與算術(shù)平均法和光譜響應(yīng)函數(shù)法均無(wú)顯著的差異,對(duì)應(yīng)TM5波段的重采樣結(jié)果,算術(shù)平均法和光譜響應(yīng)函數(shù)法無(wú)顯著的差異,其余各波段3種重采樣方法結(jié)果均有顯著差異;對(duì)于翅堿蓬野外光譜來(lái)說(shuō),對(duì)應(yīng)TM7波段的重采樣結(jié)果,中心波長(zhǎng)法與算術(shù)平均法和光譜響應(yīng)函數(shù)法均無(wú)顯著的差異,算術(shù)平均法與光譜響應(yīng)函數(shù)法無(wú)顯著的差異,對(duì)應(yīng)TM5波段的重采樣結(jié)果,算術(shù)平均法和光譜響應(yīng)函數(shù)法無(wú)顯著的差異,其余各波段3種重采樣方法結(jié)果均有顯著差異;不區(qū)分蘆葦、檉柳和翅堿蓬比較3種重采樣方法對(duì)于重采樣結(jié)果有無(wú)顯著差異,發(fā)現(xiàn)對(duì)應(yīng)TM7和TM2波段的重采樣結(jié)果,中心波長(zhǎng)法與算術(shù)平均法和光譜響應(yīng)函數(shù)法均無(wú)顯著的差異,對(duì)應(yīng)TM5波段的重采樣結(jié)果,算術(shù)平均法和光譜響應(yīng)函數(shù)法無(wú)顯著的差異,其余各波段3種重采樣方法結(jié)果均有顯著差異。通過(guò)直觀比較蘆葦、檉柳和翅堿蓬3種重采樣方法光譜曲線,發(fā)現(xiàn)這種差別很小,且主要是光譜量值的差異而不是光譜形態(tài)上的差異,特別是算術(shù)平均法和光譜響應(yīng)函數(shù)法重采樣后的光譜曲線十分相近,而算術(shù)平均法相對(duì)于光譜響應(yīng)函數(shù)重采樣方法來(lái)說(shuō)計(jì)算簡(jiǎn)單,不需要TM傳感器各波段響應(yīng)函數(shù)值,因而可被方便使用,本文即采用算術(shù)平均法進(jìn)行野外光譜重采樣用于后面的分析。2.5說(shuō)事結(jié)果及結(jié)果分析對(duì)重采樣后的蘆葦、檉柳、翅堿蓬數(shù)據(jù)利用2.3中Fisher比率法進(jìn)行類間特征提取,發(fā)現(xiàn):對(duì)于蘆葦和檉柳分類來(lái)說(shuō)貢獻(xiàn)由大到小順序?yàn)門(mén)M1>TM2>TM5>TM7>TM4>TM3;對(duì)于蘆葦和翅堿蓬分類來(lái)說(shuō)貢獻(xiàn)由大到小順序?yàn)門(mén)M1>TM3>TM7>TM2>TM5>TM4;對(duì)于檉柳和翅堿蓬分類來(lái)說(shuō)貢獻(xiàn)由大到小順序?yàn)門(mén)M1>TM3>TM7>TM5>TM4>TM2。為此,將常規(guī)假彩色合成RGB432中的波段2用波段1代替,發(fā)現(xiàn)能提高目視解譯這3種植被的效果。利用重采樣后的蘆葦(5個(gè))、檉柳(4個(gè))、翅堿蓬(18個(gè))數(shù)據(jù)求取各自的平均光譜曲線,如圖1所示?？梢钥闯?蘆葦和檉柳光譜曲線形態(tài)相近,蘆葦各波段光譜反射率均大于檉柳各波段光譜反射率,且TM4與TM3構(gòu)成的直線斜率(TM4-TM3)蘆葦遠(yuǎn)大于檉柳。翅堿蓬與蘆葦和檉柳光譜曲線形態(tài)迥異,從(TM1-TM3)、(TM4-TM7),蘆葦和檉柳光譜曲線向下彎曲,而翅堿蓬光譜曲線向上彎曲,這可以分別用(TM2-(TM3+TM1)/2)和(TM5-(TM7+TM4)/2)來(lái)進(jìn)行區(qū)分。即如果(TM2-(TM3+TM1)/2)≤0,那么該光譜曲線屬于翅堿蓬,反之則屬于蘆葦和檉柳;如果(TM5-(TM7+TM4)/2)≤0,那么該光譜曲線屬于翅堿蓬,反之則屬于蘆葦和檉柳。通過(guò)反復(fù)比對(duì)重采樣后的蘆葦(5個(gè))、檉柳(4個(gè))、翅堿蓬(18個(gè))光譜曲線,我們發(fā)現(xiàn)(TM2-(TM3+TM1)/2)≤0可以用來(lái)很好地識(shí)別翅堿蓬,而(TM5-(TM7+TM4)/2)≤0有較大的不確定性,即不能很好地將翅堿蓬光譜與蘆葦和檉柳光譜區(qū)分開(kāi)來(lái)。另外,從圖1可知,TM4與TM3構(gòu)成的直線斜率翅堿蓬一般都處于蘆葦與檉柳之間,這樣,我們就可以利用(TM2-(TM3+TM1)/2)和(TM4-TM3)組合來(lái)進(jìn)行蘆葦、檉柳、翅堿蓬判識(shí)了。圖2是27個(gè)野外光譜數(shù)據(jù)(TM2-(TM3+TM1)/2)和(TM4-TM3)的散點(diǎn)圖。從圖2可以看出,除一個(gè)翅堿蓬樣品(TM2-(TM3+TM1)/2)大于0外,其余17個(gè)翅堿蓬均小于0,利用(TM2-(TM3+TM1)/2)來(lái)判別翅堿蓬的準(zhǔn)確率為94.44%。利用(TM4-TM3)∈[0.1258,0.1703]中任何一個(gè)值都可以將蘆葦與檉柳完全區(qū)分開(kāi)來(lái),圖2中取值為0.15,但考慮到本次蘆葦、檉柳野外光譜樣品數(shù)較少,且該值易受群落組成、結(jié)構(gòu)、生物量等影響,因此其具體取值應(yīng)考慮試驗(yàn)區(qū)實(shí)際情況而定。3甘蔗、酒精和堿蓬3.1tm遙感數(shù)據(jù)由于沒(méi)有購(gòu)買(mǎi)到同步TM遙感數(shù)據(jù),因此作者選取了植物生長(zhǎng)季節(jié)相同的2006年10月2日的TM遙感數(shù)據(jù)。由于現(xiàn)代黃河三角洲以外多被開(kāi)墾為農(nóng)田,因此利用現(xiàn)代黃河三角洲外邊框裁切上述TM遙感數(shù)據(jù)作為本次蘆葦、檉柳、翅堿蓬TM分類試驗(yàn)用數(shù)據(jù),以減少工作量。3.2遙感圖像處理軟件獲得的TM原始數(shù)據(jù)記錄的是灰度值,不能直接應(yīng)用野外光譜獲得的規(guī)律來(lái)進(jìn)行蘆葦、檉柳、翅堿蓬判別,需要經(jīng)過(guò)大氣校正后才能使用。為此,作者利用PCIGeomaticaV10.0.3遙感圖像處理軟件中的ATCOR2大氣校正功能對(duì)所用TM數(shù)據(jù)進(jìn)行了大氣校正,由于其所得結(jié)果數(shù)值范圍為0~255,對(duì)于8bit遙感數(shù)據(jù)須除以4獲得真實(shí)反射率值。具體步驟可參見(jiàn)PCIGeomaticaV10.0.3遙感圖像處理軟件中的ATCOR2幫助文件。本文的目的是識(shí)別蘆葦、檉柳和翅堿蓬,因此首先利用監(jiān)督分類的方法將試驗(yàn)區(qū)TM遙感數(shù)據(jù)分為水體、農(nóng)田、建筑用地、林地、灌草地、未利用地,然后將水體、農(nóng)田、建筑用地、林地、未利用地掩膜掉,制作成掩膜圖像,用于后面主要建群種的判別,以減少計(jì)算量和其他類別對(duì)分類的干擾。3.3柳、柳群落分類在蘆葦、檉柳、翅堿蓬野外光譜判別規(guī)則的基礎(chǔ)上,結(jié)合所獲取2006年10月遙感圖像數(shù)據(jù),建立蘆葦、檉柳和翅堿蓬TM分類決策樹(shù)。即:如果(TM2-(TM3+TM1)/2)≤0,那么判別為翅堿蓬群落;進(jìn)一步判別,對(duì)于(TM2-(TM3+TM1)/2)>0,如果(TM7-TM4)≤-0.08,則為蘆葦群落,如果-0.08<(TM7-TM4)≤-0.03,則為檉柳群落,分類結(jié)果見(jiàn)圖3。利用2006年5月野外植被調(diào)查數(shù)據(jù)對(duì)分類結(jié)果進(jìn)行驗(yàn)證,發(fā)現(xiàn)60個(gè)樣本中有38個(gè)樣本判別正確,判對(duì)率為63.3%。其中,檉柳樣本共16個(gè),有4個(gè)被誤判為蘆葦,判對(duì)率為75%;蘆葦樣本共37個(gè),有8個(gè)被誤判為蘆葦,7個(gè)被誤判為翅堿蓬,判對(duì)率為60%;翅堿蓬樣本共7個(gè),有2個(gè)被誤判為檉柳,1個(gè)被誤判為蘆葦,判對(duì)率為57%。由圖3可見(jiàn),蘆葦群落是現(xiàn)代黃河三角洲最為主要的植被群落,分布于河道、水渠和水庫(kù)等水分較大地區(qū)周邊;其次為檉柳群落,主要分布于灘涂向陸一側(cè)的鹽堿灘地;翅堿蓬群落最少,呈斑狀零星分布于蘆葦、檉柳群落周邊。4柳、柳、野外植被物種混合特征利用野外光譜數(shù)據(jù)或野外重采樣數(shù)據(jù)(TM對(duì)應(yīng)波段)都能很好地判別蘆葦、檉柳和翅堿蓬群落,如圖2所示,翅堿蓬的判別精度可達(dá)94.44%,而利用(TM4-TM3)∈[0.1258,0.1703]中任何一個(gè)值都可以將蘆葦與檉柳完全區(qū)分開(kāi)來(lái)。但應(yīng)用到遙感圖像,判對(duì)率僅為63.3%。原因可能為:①野外光譜采集時(shí)視場(chǎng)小,蘆葦、檉柳和翅堿蓬光譜純凈,而遙感圖像包含土壤、水等背景因素光譜為混合光譜,因而判對(duì)精度降低;②蘆葦、檉柳和翅堿蓬群落多為三者或其他植被物種混合,即蘆葦群落中可能包含了檉柳和翅堿蓬,檉柳群落中可能包含了蘆葦和翅堿蓬,翅堿蓬群落中可能也包含了蘆葦和檉柳,這就增加了誤分的幾率;③蘆葦和檉柳光譜曲線形態(tài)無(wú)太大差異,主要是反射率大小的差異,而植被長(zhǎng)勢(shì)差異是影響反射率大小的主要因素,這也增加了蘆葦、檉柳誤判的幾率;④野外光譜樣本和野外植被調(diào)查樣本相對(duì)較少,這也增加了基于野外光譜數(shù)據(jù)建立的決策樹(shù)用于群落遙感識(shí)別誤判的幾率;⑤盡管使用了PCIGeomaticaV10.0.3遙感圖像處理軟件中的ATCOR2進(jìn)行了TM圖像大氣校正,但由于使用的是軟件提供的標(biāo)準(zhǔn)大氣,而圖像獲取時(shí)的大氣條件、能見(jiàn)度等復(fù)雜多變,因而與實(shí)測(cè)地物反射率之間盡管光譜曲線形態(tài)相似但絕對(duì)值之間仍存在一定的差異,這也增加了基于野外光譜數(shù)據(jù)建立的決策樹(shù)用于群落遙感識(shí)別誤判的幾率。另外,本次野外調(diào)查所用GPS水平定位