基于森林類(lèi)型光譜特征的最佳波段選擇研究——以HJ/1A高光譜影像為例

李俊明，邢艷秋，楊 超

（東北林業(yè)大學(xué)森林作業(yè)環(huán)境研究中心，黑龍江哈爾濱 150040）

高光譜遙感是指具有高光譜分辨率的遙感科學(xué)和技術(shù)［1－2］，因其具有較高的光譜分辨率而被廣泛應(yīng)用于各個(gè)領(lǐng)域。但由于高光譜遙感的數(shù)據(jù)量大，波段間的冗余度高，在處理高光譜數(shù)據(jù)時(shí)會(huì)出現(xiàn)Hughes現(xiàn)象——維數(shù)禍根［3］，因此對(duì)高光譜數(shù)據(jù)應(yīng)進(jìn)行降維處理，目前降維的法有基于特征提取和基于特征選擇兩種方法，而基于特征選擇方法能較好地保持圖像原有特性［4］。波段選擇應(yīng)以波段間的相關(guān)性小且所包含的信息量大為原則，并且波段組合對(duì)地物的光譜差異要大。荊耀棟等［5］通過(guò)波段間相關(guān)性以及最佳指數(shù)分析，獲取沙地信息的最佳波段組合;劉建平等［6］提出了基于遙感圖像上不同地物可分性大小的最佳波段組合的選擇方法;汪繼偉［7］等通過(guò)用最佳指數(shù)對(duì)環(huán)境減災(zāi)小衛(wèi)星的數(shù)據(jù)的波段進(jìn)行組合。

目前，波段組合的研究多數(shù)是從波段的信息量以及波段間的相關(guān)性角度出發(fā)，很少有從地物的光譜特征角度出發(fā)對(duì)波段進(jìn)行選擇;而在對(duì)HJ/1A（環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星星座A）高光譜影像的植被類(lèi)型的分析上更是鮮有相關(guān)文獻(xiàn)報(bào)道。因此，本文先從HJ/1A遙感影像的不同森林類(lèi)型的光譜特征出發(fā)，選擇波譜特征差異大、波段間相關(guān)性小且信息量大的波段進(jìn)行組合，確定出可用于森林類(lèi)型識(shí)別的最佳波段組合。

1 研究方法

1.1 研究區(qū)域

本論文以吉林省汪清林業(yè)局經(jīng)營(yíng)區(qū)為研究對(duì)象，該區(qū)位于吉林省汪清縣的東南部，處于長(zhǎng)白山系的中低山區(qū)（E129°56′～ E131°04′，N43°05′～N43°40′），是吉林省較典型的天然次生林，總面積30.4萬(wàn)hm2，林地面積為18.7萬(wàn) hm2。該區(qū)林業(yè)資源豐富，深山區(qū)森林類(lèi)型以針闊混交林為主，呈帶狀分布。針葉樹(shù)主要有紅松（Pinus koraiensis）、云杉（Picea）、臭松（Symplocarpus Salisb）和落葉松（Larix kaempferi），闊葉樹(shù)多為水曲柳（Fraxinus mandschurica）、胡桃楸（Juglans mandshurica）、蒙古櫟（Quercus monglica）、椴樹(shù)（Tilia）、色木（Acermono）、榆樹(shù) （Ulmuspumila）、白樺 （Betula platyphylla）、楊樹(shù)（Populus）和楓樺（Betula davuric）等。

1.2 研究數(shù)據(jù)

1.2.1 高光譜數(shù)據(jù)

環(huán)境減災(zāi)小衛(wèi)星星座A/B星（HJ－1A/B）于2008年9月6日在太原衛(wèi)星發(fā)射中心成功發(fā)射。HJ－1A星上搭載的超光譜成像儀（Hyperspectral Imaging Radiometer，HSI）是世界上第一個(gè)基于空間調(diào)制干涉成像原理設(shè)計(jì)的民用高光譜成像儀［8］。HJ－1A共有115個(gè)波段，藍(lán)色波段（1～6），青色波段（7～19），綠色波段（20～40），黃色波段（41～49），橙色波段（50～58），紅色波段（59～88），近紅外波段（89～115）。光譜范圍為 0.45～0.9 um，平均光譜分辨率為4.32 nm，空間分辨率為100 m，幅寬為50 km，且具備±30°側(cè)視能力，重訪周期為96 h，可實(shí)現(xiàn)對(duì)研究區(qū)快速重復(fù)觀測(cè)，特別適用于植被生理參數(shù)提取研究［9］。本次處理的高光譜數(shù)據(jù)的獲取地址時(shí)間為2010年6月5日，獲取地址為為:http://www.cresda.com/n16/index.html。

1.2.2 野外調(diào)查數(shù)據(jù)

本研究分別在2006年9月、2007年9月和2010年9月進(jìn)行了野外地面調(diào)查，按照森林類(lèi)型、坡度等情況隨機(jī)布設(shè)79個(gè)水平投影面積為500 m2的圓形樣地，對(duì)樣地內(nèi)立木進(jìn)行每木測(cè)量，測(cè)量參數(shù)包括胸徑、樹(shù)高、樹(shù)種和郁閉度。

本研究將野外調(diào)查樣地的類(lèi)型分為闊葉林、混交林和針葉林3個(gè)類(lèi)型組。闊葉林（broad－leaved forest）指闊葉樹(shù)蓄積占65%以上的森林;針葉林（coniferous forest）是指針葉樹(shù)蓄積占65%以上的森林;混交林（mixed forest）指針葉樹(shù)或闊葉樹(shù)蓄積均占65%以下的森林［10］。本次野外調(diào)查的闊葉林、針葉林、混交林的樣地?cái)?shù)分別為53、11和15個(gè)。

1.3 數(shù)據(jù)處理

1.3.1 HJ/1A 遙感影像處理

獲取的HSI影像為2級(jí)產(chǎn)品，通常獲取的影像上的像素值一般為灰度級(jí)，而實(shí)際的電磁波輻射強(qiáng)度則為輻亮度。因此，在實(shí)際應(yīng)用中，需要將灰度級(jí)轉(zhuǎn)換為輻亮度值，之后才能對(duì)其進(jìn)行分析應(yīng)用［11］。在ENVI軟件中運(yùn)用波段運(yùn)算，除以擴(kuò)大因子100，得到輻射亮度值的遙感影像，并把輸出的數(shù)據(jù)轉(zhuǎn)換為BIL格式的數(shù)據(jù)［12］。

將得到的輻射亮度圖像進(jìn)行大氣校正，以消除大氣和光照等因素對(duì)地物反射的影響，包括消除大氣中的水蒸氣、氧氣、二氧化碳等對(duì)地物反射的影響，以及大氣分子和氣溶膠散射的影響［13］。在本次處理中，選用大氣校正模塊中的FLAASH（Fast Line－of－sight Atmospheric Analysis of Spectral Hypercubes）模塊進(jìn)行大氣校正。

再利用地面控制點(diǎn)對(duì)遙感圖像進(jìn)行幾何精校正，幾何校正選用Image to Map方法，用雙線性內(nèi)插法進(jìn)行重采樣。

1.3.2 植被光譜特征提取及分析

對(duì)應(yīng)地面采集數(shù)據(jù)，提取不同類(lèi)型植被的光譜曲線，并結(jié)合不同森林類(lèi)型進(jìn)行光譜特征分析，如圖1所示。

從圖1中可以看出，闊葉林和混交林在可見(jiàn)光波段的反射率值區(qū)分不是很明顯，而在近紅外波段具有很好的可分性。HJ/1A遙感影像的115個(gè)波段中前20個(gè)波段為壞波段，因此在波段選擇中剔除這20個(gè)波段。闊葉林、混交林、針葉林的明顯區(qū)分波段范圍為:21～24波段，28～31波段，39～47波段，55～60波段，62～77波段，85～112波段，共67個(gè)波段。因此從這67個(gè)波段中選出最佳波段組合。

圖1 植被平均光譜圖Fig.1 The average spectrum of vegetation

1.4 最佳波段組合選取

從67個(gè)波段中選出3個(gè)波段進(jìn)行組合計(jì)算最佳指數(shù)，共有47905個(gè)計(jì)算結(jié)果，數(shù)據(jù)量是很龐大的，而臨近波段的相關(guān)性很高，不利于波段信息的表達(dá)。因此，為了避免臨近波段的組合，減少數(shù)據(jù)處理規(guī)模，本論文利用相關(guān)系數(shù)矩陣將波段進(jìn)行分組，組內(nèi)的波段不進(jìn)行波段組合，組間的波段進(jìn)行組合。

本研究分別用最佳指數(shù)法（Optimum Index Factor，OIF）、波段指數(shù)法和協(xié)方差特征值3種方法提取波段組合，并用光譜混合距離確定出最佳波段組合。

1.4.1 最佳指數(shù)法 （OIF）

最佳指數(shù)法是由美國(guó)查維茨提出的，圖像數(shù)據(jù)的標(biāo)準(zhǔn)差越大，所包含的信息量就越多，而波段間的相關(guān)系數(shù)越小，波段的圖像數(shù)據(jù)獨(dú)立性就越高，信息的冗余度就越?。?4］。其數(shù)學(xué)表達(dá)公式為:

式中:Si為第i個(gè)波段的標(biāo)準(zhǔn)差，Rij為i、j兩個(gè)波段的相關(guān)系數(shù)。

1.4.2 波段指數(shù)法

波段指數(shù)的定義為波段的標(biāo)準(zhǔn)差同該波段在組內(nèi)的平均相關(guān)系數(shù)和該波段與組外波段相關(guān)系數(shù)絕對(duì)值之和的比值［15］。波段指數(shù)Pi為:

式中:Si為第i波段的標(biāo)準(zhǔn)差，Rw為第i波段與所在組內(nèi)其他波段相關(guān)系數(shù)的絕對(duì)值之和的平均值，i≠j，Ra為第i波段與所在組外其他波段相關(guān)系數(shù)絕對(duì)值之和的平均值。

1.4.3 協(xié)方差矩陣特征值法

根據(jù)Charelles Sheffield［13］提出的用計(jì)算 N維數(shù)據(jù)熵值原理進(jìn)行優(yōu)選最佳波段組合的方法，選出包含信息量最豐富的波段組合。計(jì)算公式為:

式中:H為圖像熵，即圖像信息量;N為波段維數(shù);|Ms|為所選三個(gè)波段的行列式。

1.5 最佳波段組合確定

波段組合，除了要保證圖像的信息量大，波段冗余度小，還要確保地物類(lèi)別的可分性。不同的地物具有不同的光譜特征，因此可根據(jù)光譜混合距離來(lái)確定能更好地區(qū)分地物的波段組合。混合距離越大，兩類(lèi)的可分性越大［16］。光譜混合距離公式如下:

式中:xik、xjk分別為第i類(lèi)和第j類(lèi)在波段k上的光譜值。

2 結(jié)果分析

2.1 相關(guān)系數(shù)矩陣

通過(guò)ENVI軟件的波段統(tǒng)計(jì)可以得到波段相關(guān)系數(shù)矩陣，其可視化結(jié)果如圖2所示，其中橫縱坐標(biāo)均為波段號(hào)。

圖2 相關(guān)系數(shù)矩陣圖Fig.2 Correlation matrix

在相關(guān)系數(shù)矩陣圖中，顏色越亮的部分相關(guān)系數(shù)越大。從該圖中，根據(jù)波段間的相關(guān)系數(shù)大小可以把選出的67個(gè)波段分成3組，波段1～波段5為第一組，波段6～波段39為第二組，波段40～波段67為第三組。

2.2 最佳指數(shù)

從三個(gè)組中分別選出一個(gè)波段進(jìn)行組合，并計(jì)算OIF值，該計(jì)算結(jié)果有4760個(gè)，取OIF值排在前15位的波段組合，見(jiàn)表1。

表1 分組后OIF指數(shù)Tab.1 OIF index after grouping

從表1可以看出，有些波段組合很相近，如排在前2位的波段組合分別為（1，39，65）、（2，39，65），波段1和波段2為相鄰波段，相關(guān)系數(shù)大、差別不大，因此可以從這2個(gè)組合中選出一個(gè)組合作為最佳波段組合。最佳指數(shù)法未考慮不同地物在不同波段的可分性，OIF值越大的地物可分性未必越好，因此從OIF值中選出較大的波段組合，再?gòu)闹羞x出地物可分性最好的波段組合。根據(jù)分組OIF指數(shù)，最佳波段組合為（1，39，65），（2，39，62），（2，6，65）。

2.3 波段指數(shù)

根據(jù)公式 （2）計(jì)算的波段指數(shù)，取排在前5位的計(jì)算結(jié)果，見(jiàn)表2。

表2 波段指數(shù)表Tab.2 Bands index

從該表可以看出，在第一組里波段1的波段指數(shù)最高，其次是波段2、波段5;第二組中波段39的波段指數(shù)最高，其次是波段7、波段38;第三組排在波段指數(shù)排在前三位的分別是波段65、波段66、波段67。最佳波段組合為（1，39，65），（2，39，62），（1，7，65）。

2.4 協(xié)方差特征值

分組后依據(jù)公式 （3）計(jì)算波段組合的協(xié)方差特征值，取排在前10位的計(jì)算結(jié)果，見(jiàn)表3。

表3 協(xié)方差特征值Tab.3 Covariance feature value

從該表可以看出，排在前十位的波段組合非常相近，如排在第一位的和第二位的波段組合分別為（1，6，65）、（1，7，65），而波段6和波段7為相鄰波段，相關(guān)性高，因此可以從這兩個(gè)組合中選出一個(gè)波段組合進(jìn)行分析即可。用行列式特征值法選出的波段組合為（1，6，65），（2，6，66）。

2.5 光譜混合距離

本文中，主要地物為闊葉林、針葉林和混交林，將前面所選的波段組合，根據(jù)闊葉林、針葉林和混交林在不同波段上的光譜值計(jì)算混合光譜距離，如圖3所示。

圖3 光譜混合距離Fig.3 Spectral distance

從光譜混合距離圖可以看出，對(duì)針葉林和闊葉林區(qū)分較好的波段組合按光譜混合距離大小排在前三的分別為:（1，7，65）、（1，6，65）、（1，39，65）;對(duì)針葉林和混交林區(qū)分較好的波段組合為:（1，7，65）、（1，6，65）、（2，6，65）;對(duì)闊葉林和混交林區(qū)分較好的波段組合為:（2，39，62）、（2，6，66）、（2，6，65）。因此，從總體來(lái)看，（1，7，65）波段組合為區(qū)分針葉林的最佳組合波段;（2，39，62）波段組合為區(qū)分闊葉林和混交林的最佳波段組合。

波段1的中心波長(zhǎng)為505.89 nm，是綠色波段;波段2的中心波長(zhǎng)為508.42 nm，是綠色波段;波段7的中心波長(zhǎng)為529.64 nm，為綠色波段;波段39的中心波長(zhǎng)為696.85 nm，為近紅外波段;波段62的中心波長(zhǎng)為885.18 nm，為近紅外波段;;波段65的中心波長(zhǎng)為908.95 nm，為近紅外波段。植物在綠色波段吸收少，本研究中綠色波段存在反射峰，但不十分明顯，可能與大氣校正的方法有關(guān);同時(shí)發(fā)現(xiàn)針葉林與闊葉林的可分性強(qiáng)，而闊葉林與混交林的可分性較差，可能與混交林中的闊葉樹(shù)所占的比例較多有關(guān)。不同森林類(lèi)型在綠色波段的反射程度不同;而研究表明不同類(lèi)型的植被在近紅外波段的可分性程度大，因此這兩個(gè)范圍內(nèi)的波段組合對(duì)地物的區(qū)分會(huì)有較好的效果。

3 結(jié)束語(yǔ)

本論文利用不同地物的光譜特征不同，從HJ/1A遙感影像的115個(gè)波段中挑選出能較好地區(qū)分闊葉林、針葉林和混交林的67個(gè)波段。為避免相關(guān)性強(qiáng)的波段進(jìn)行波段組合，根據(jù)波段相關(guān)系數(shù)矩陣進(jìn)行分組，將67個(gè)波段分成3組，再進(jìn)行最佳指數(shù)、波段指數(shù)、協(xié)方差矩陣特征值計(jì)算最佳波段組合，發(fā)現(xiàn)最佳指數(shù)法和波段指數(shù)的計(jì)算結(jié)果相差不大。

用光譜混合距離確認(rèn)能區(qū)分闊葉林、針葉林和混交林的最佳波段組合，并確定 508.42 nm、696.85 nm、885.18 nm的組合為區(qū)分闊葉林和混交林的最佳波段組合;505.89 nm、529.64 和908.95 nm的組合為能明顯區(qū)分針葉林的波段組合。

建議在進(jìn)一步的研究工作中，增加調(diào)查樣本，針對(duì)不同樹(shù)種識(shí)別進(jìn)行光譜選擇研究，并研究不同大氣校正方法對(duì)光譜選擇的影響。

】

［1］童慶禧，張 兵，鄭芬蘭.高光譜遙感——原理、技術(shù)與應(yīng)用［M］.北京:高等教育出版社，2006.

［2］楊曦光，范文義，于 穎.森林葉綠素含量的高光 遙感估算模型的建立［J］.森林工程，2010，26（2）:8 －11.

［3］HugHes G.On the mean accuracy of statistical pattern recognizers［J］.IEEE Transactions on Information Theory，1968，14（1）:55－63.

［4］尹繼豪，王義松.高光譜遙感影像中最佳譜段的快速選擇方法［J］.理論研究，2010（3）:3 －7.

［5］周淑琴，荊耀棟，吳發(fā)啟，等.LANDSAT數(shù)據(jù)在沙地動(dòng)態(tài)監(jiān)測(cè)中提取沙地信息的最佳波段組合研究［J］.山西水土保持科技，2011，2:9 －12.

［6］劉建平，趙英時(shí).高光譜遙感數(shù)據(jù)解譯的最佳波段選擇方法研究［J］.中國(guó)科學(xué)院研究生院學(xué)報(bào)，1999，16（2）:153 －161.

［7］汪繼偉，劉 剛，馬海濤，等.在宏觀監(jiān)測(cè)中的最佳波段組合研究［J］.中國(guó)科技信息，2011（16）:40 －41.

［8］Hao X，Lu J，Gong A，et al.Operational spectrum reconstruction of data from the fourier transform hyperspectral imager onboard HJ/1A satellite［J］.Chinese Science Bulletin，2010，55（17）:1808－1812.

［9］Meng J，Wu B，Niu L，et al.Validation of HJ/1 HSI red edge parameters based on spectral reflectance of hyperion［J］.Spectroscopy and Spectral Analysis，2010（8）:2205－2210.

［10］亢新剛.森林資源經(jīng)營(yíng)管理［M］.北京:中國(guó)林業(yè)出版社，2001.

［11］韋玉春，湯國(guó)安，楊 昕.遙感數(shù)字圖像處理教程［M］.北京:科學(xué)出版社，2007.

［12］韓瑞梅.環(huán)境星HSI影像處理關(guān)鍵技術(shù)的研究［D］.長(zhǎng)沙:中南大學(xué)，2010.

［13］鄧書(shū)斌.ENVI遙感圖像處理方法［M］.北京:科學(xué)出版社，2010.

［14］Sheffiel C.Selecting band combination from multispectral data［J］.Photogrammetric Engineering and Remote Sensing，1985，51（6）:681－687.

［15］Jiang X，Wang C，Wang C.Optimum band selection of hyperspectral remote sensing data［J］.Arid Land Geography，2000，23（3）:214－220.

［16］劉建平.高光譜遙感數(shù)據(jù)處理分析軟件系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［D］.合肥:中國(guó)科學(xué)技術(shù)大學(xué)，2008.