基于HJ-1A高光譜的黃河口堿蓬和檉柳蓋度反演模型研究

任廣波，張杰，馬毅

(1.國家海洋局 第一海洋研究所 海洋物理與遙感研究室，山東 青島 266061)

基于HJ-1A高光譜的黃河口堿蓬和檉柳蓋度反演模型研究

任廣波1，張杰1，馬毅1

(1.國家海洋局 第一海洋研究所 海洋物理與遙感研究室，山東 青島 266061)

堿蓬和檉柳是黃河口濕地典型的鹽生植物類型，是多種保護(hù)珍禽的主要棲息地，具有景觀尺度較小、分布廣且多混生的特點(diǎn)。應(yīng)用覆蓋黃河口北部潮灘的HJ-1A高光譜遙感影像，基于現(xiàn)場測量的端元光譜和從遙感影像中使用順序最大角凸錐法(SAMCC)自動提取的端元光譜，應(yīng)用線性光譜分解法(LSU)、正交子空間投影法(OSP)、匹配濾波法(MF)、最小能量約束法(CEM)和自適應(yīng)一致估計法(ACE)5種不同光譜解混方法進(jìn)行混合像元光譜解混，對比兩種方法得到的端元光譜分別對堿蓬和檉柳蓋度的反演能力，并給出相應(yīng)的反演模型。結(jié)果顯示: (1)現(xiàn)場測量端元光譜取得了較好的堿蓬和檉柳蓋度反演結(jié)果，其中應(yīng)用LSU方法的光譜解混結(jié)果與現(xiàn)場測量蓋度的決定系數(shù)對于堿蓬和檉柳分別達(dá)到了0.88和0.95；(2)兩種端元獲取方式的光譜解混結(jié)果中，LSU和OSP方法均獲得了較高的相關(guān)性，ACE解混方法的相關(guān)性都最低；(3)SAMCC方法提取端元光譜對檉柳的分解結(jié)果與現(xiàn)場測量蓋度的相關(guān)性遠(yuǎn)高于堿蓬。

HJ-1A高光譜；黃河口濕地；堿蓬；檉柳；植被蓋度

1 引言

堿蓬和檉柳是黃河口濕地最主要的鹽生植物群落，是黑嘴鷗等多種珍禽的主要棲息地，同時還具有固岸促淤的功能。監(jiān)測并獲取堿蓬和檉柳的蓋度分布信息對了解其分布規(guī)律和生態(tài)狀況具有重要的意義。植被蓋度是指植被冠層垂直投影在單位面積中所占的比重，一般情況下是一個統(tǒng)計值。通過遙感技術(shù)配合少量的現(xiàn)場觀測是準(zhǔn)確、高效監(jiān)測大范圍植被蓋度的重要、有效、快捷手段。在黃河口濕地生長的堿蓬和檉柳植株對生長環(huán)境的要求相似，且群落景觀尺度都較小，故而多混生，容易在遙感影像中形成混合像元。這是基于遙感技術(shù)進(jìn)行堿蓬和檉柳監(jiān)測的難點(diǎn)。

植被蓋度遙感監(jiān)測，目前已有的工作主要集中在通過植被指數(shù)、經(jīng)驗?zāi)Ｐ?、神?jīng)網(wǎng)絡(luò)和光譜分解等方法進(jìn)行蓋度反演的研究方面。其中經(jīng)驗?zāi)Ｐ蚚1]和神經(jīng)網(wǎng)絡(luò)法[2]的本質(zhì)是通過數(shù)據(jù)統(tǒng)計和建立數(shù)學(xué)模型的方式實現(xiàn)對植被蓋度的計算；植被指數(shù)方法[3]間接利用了植物的葉綠素含量信息，但由于不同植物葉綠素含量冠層蓋度之間并無嚴(yán)格對應(yīng)關(guān)系，所以易產(chǎn)生無法估計的誤差；線性光譜分解[4]利用了端元光譜在混合像元光譜中所占的比重來估算不同植被蓋度，具有較明確的物理意義，易于方法的推廣和誤差的分析。

對于堿蓬和檉柳，在包括黃河口濕地在內(nèi)的研究區(qū)內(nèi)，已有研究者開展了大量的基于遙感技術(shù)的相關(guān)研究工作，主要集中在對堿蓬和檉柳的生物量估算和分類研究方面，包括利用光譜信息的生物量估算[5—6]、基于現(xiàn)場高光譜曲線[7]、航空高光譜影像[8—9]和多光譜圖像[10—12]的特征提取和分類等。而未檢索到應(yīng)用遙感技術(shù)對堿蓬和檉柳蓋度信息進(jìn)行提取的研究工作。

本文擬利用覆蓋黃河口濕地的HJ-1A高光譜遙感影像數(shù)據(jù)，結(jié)合同步測量的堿蓬和檉柳端元光譜數(shù)據(jù)和蓋度數(shù)據(jù)，通過LSU、OSP、MF、CEM和ACE 5種不同光譜解混方法進(jìn)行混合像元光譜解混，對比和評估現(xiàn)場測量端元光譜和應(yīng)用SAMCC方法從圖像中提取的端元光譜分別對檉柳和堿蓬蓋度的反演能力，并給出相應(yīng)的反演模型。

2 研究區(qū)域和數(shù)據(jù)

2.1 研究區(qū)域

研究區(qū)域位于黃河現(xiàn)行入?？诒卑兜某睘┥?圖1)，東西長約10 km，南北寬約6 km，潮灘廣闊而平坦，大部分區(qū)域坡度不足千分之一。該區(qū)域常受潮水影響且底質(zhì)鹽度較高，適合于耐鹽堿的堿蓬和檉柳植物群落生長。

圖1 研究區(qū)域位置示意圖Fig.1 The location of the study areaa.研究區(qū)在中國的位置，b.研究區(qū)范圍，c.研究區(qū)HJ-1A高光譜遙感影像a.Location of study area，b. study area，c. the HJ-1A hyperspectral remote sensing image of study area

2.2 數(shù)據(jù)和預(yù)處理

2.2.1 遙感影像數(shù)據(jù)

HJ-1A衛(wèi)星上的超光譜成像儀(Hyperspectral Imaging Radiometer，HSI)載荷是利用干涉方式成像的星載高光譜傳感器，具有光譜穩(wěn)定性好、線性度高的特點(diǎn)[13]，擁有115個波段，波段范圍為0.45～0.95 μm，光譜波段寬度從2.08 nm到8.92 nm不等，地面像元空間分辨率為100 m。目前針對該數(shù)據(jù)的研究工作多集中在數(shù)據(jù)處理[13—14]和特征選擇[15]等方面，較少有利用來開展植被蓋度特別是海岸帶植被蓋度反演的研究。

本文所用的HJ-1A高光譜遙感影像數(shù)據(jù)為2013年9月1日成像，圖像清晰無云。從圖像中觀察影像拍攝時刻潮水未淹沒潮灘，利于對潮灘植被的監(jiān)測。

2.2.2 遙感影像預(yù)處理

(1)幾何校正

應(yīng)用2012年7月15日獲取的Landsat 8 OLI遙感影像大氣校正后影像進(jìn)行幾何校正。雖與高光譜遙感影像成像時間相差約1年，但兩景圖像所共同覆蓋的區(qū)域并未發(fā)生明顯的變化，易于選擇同名像控點(diǎn)開展圖像幾何校正。校正后影像的定位中誤差小于0.3個像元。

(2) 大氣校正

目前遙感影像大氣校正主要有基于圖像統(tǒng)計模型、基于地面線性回歸經(jīng)驗?zāi)Ｐ秃突诖髿廨椛淅碚撃Ｐ?類[16]，其中基于大氣輻射理論模型的校正結(jié)果最為準(zhǔn)確。當(dāng)前在遙感影像大氣校正中應(yīng)用較多的有MODTRAN和6S兩種大氣校正模型。根據(jù)王彥飛等[17]的研究成果，認(rèn)為對于HJ-1A高光譜遙感影像，MODTRAN大氣校正模型校正后的像元光譜更接近實測光譜。故本研究選擇應(yīng)用使用MODTRAN大氣校正模型的FLAASH軟件模塊對HJ-1A高光譜影像開展大氣校正。

(3) 波段選擇

高光譜遙感影像因單波段成像能量不足而導(dǎo)致信噪比提高困難[18]，地物光譜特征在噪聲的影響下容易失真。HJ-1A高光譜數(shù)據(jù)因波段寬度較窄，相比傳統(tǒng)的高光譜影像，單波段所獲取的能量更少，因此對圖像的信噪比造成了很大的影響。圖2是應(yīng)用均勻區(qū)域圖像噪聲評估法[18]獲得的HJ-1A高光譜遙感影像的各波段噪聲水平，呈現(xiàn)出兩端低中間高的特點(diǎn)。最高的信噪比出現(xiàn)在第79波段(711 nm)，但也僅約33，相比EO-1 Hyperion大于50的信噪比水平是非常低的。信噪比是衡量遙感器性能的重要指標(biāo)之一，對于遙感數(shù)據(jù)的應(yīng)用也具有重要的意義[19—20]。本研究以信噪比20為閾值，去除噪聲較大的波段，將剩余的波段參與堿蓬和檉柳植物蓋度信息的反演。

根據(jù)以上原則，本文中選擇第22波段到第108波段開展研究。

2.2.3 現(xiàn)場數(shù)據(jù)

于2013年9月下旬開展了研究區(qū)的現(xiàn)場踏勘工作，實地測量了研究區(qū)堿蓬和檉柳的地物光譜數(shù)據(jù)和植被蓋度數(shù)據(jù)。在現(xiàn)場光譜測量中應(yīng)用的是ASD便攜式光譜儀，實地獲取了堿蓬、檉柳和潮灘3種主要地物類型的光譜曲線。光譜范圍為380～1 080 nm，光譜分辨率為1 nm。植被蓋度數(shù)據(jù)樣本點(diǎn)位于堿蓬和檉柳大片分布且均勻分布的區(qū)域，采用多人估測平均和照片估測綜合修正的方式獲取植被蓋度。對于兩種植被的混合區(qū)域則針對每種植被分別估測。

圖2 HJ-1A高光譜影像的各波段信噪比Fig.2 The SN ratio of HJ-1A hyperspectral remote sensing image in every band

3 端元提取與光譜分解方法

由于受到遙感器的空間分辨率限制，以及自然地物的復(fù)雜性和多樣性影響，混合像元普遍存在于遙感圖像中[21—22]。童慶禧等[16]指出，遙感影像像元的混合光譜有3個主要形成原因：(1)單個像元內(nèi)包含的多種地物光譜的混合效應(yīng)；(2)大氣傳輸過程中的混合效應(yīng)；(3)遙感儀器本身的混合效應(yīng)。其中，儀器的混合效應(yīng)不屬于圖像應(yīng)用處理范疇，而大氣的混合效應(yīng)可以用考慮大氣臨界效應(yīng)的MODTRAN大氣校正模型實現(xiàn)。

遙感影像像元的光譜混合分為線性和非線性兩種，其中，線性混合模型適用于本質(zhì)上就屬于或者基本屬于線性混合模型的地物，以及在大尺度上可以認(rèn)為是線性混合的像元內(nèi)地物[18]。對于HJ-1A高光譜圖像的100 m空間分辨率，以及根據(jù)現(xiàn)場踏勘結(jié)果影像所覆蓋區(qū)域的主要地物類型為堿蓬、檉柳和潮灘，故可以認(rèn)為圖像像元光譜是由上述3種地物的端元光譜線性混合而成的。

3.1 端元提取

一般情況下，端元獲取有兩種方法，其一，應(yīng)用真實光譜，即通現(xiàn)場測量的地物光譜，或者根據(jù)影像特征從光譜庫中選擇得到的光譜；其二，應(yīng)用端元提取方法從影像中統(tǒng)計獲得。在遙感圖像中，嚴(yán)格意義上的端元只在理想狀態(tài)下存在，故遙感影像像元光譜解混中所使用的端元只能是通過各種方法獲取的“近似端元”來替代[18]。本研究中，擬對比現(xiàn)場實測端元光譜和從圖像提取端元光譜在HJ-1A高光譜影像堿蓬和檉柳蓋度反演中的效果。

(1)現(xiàn)場測量端元光譜

根據(jù)HJ-1A高光譜數(shù)據(jù)提供的各波段中心波長和波段寬度信息，對實測的更高分辨率現(xiàn)場光譜進(jìn)行光譜積分重建，同時針對高光譜圖像根據(jù)信噪比的波段選擇結(jié)果對生成的光譜波段進(jìn)行選擇。

(2)圖像提取端元光譜

圖像端元光譜提取方法中，以純凈像元指數(shù)法(PPI)[23]、內(nèi)部最大體積法(N-FINDER)[24]、單型體投影法(SPM)[25]和順序最大角凸錐法(SAMCC)[26]等應(yīng)用的最多。本研究采用SAMCC法提取端元，該方法的優(yōu)點(diǎn)是可無監(jiān)督的提取任意數(shù)量的端元[26]，自動化程度更高、運(yùn)算速度更快。提取過程中端元的數(shù)量設(shè)置為3，分別為堿蓬、檉柳和潮灘。

3.2 光譜解混方法

遙感影像中混合像元的分解問題，本質(zhì)是混合電子信號的分解問題，研究者們提出了大量的線性和非線性的光譜解混算法，對于線性解混算法，以線性光譜分解法(Liner Spectral Unmixing，LSU)[27]、匹配濾波法(Matched Filtering，MF)[23]、最小能量約束法(Constrained Energy Minimization，CEM)[28]、自適應(yīng)一致估計法(Adaptive Coherence Estimator，ACE)[29]和正交子空間投影法(Orthogonal Subspace Projection，OSP)[30—31]在遙感影像的像元光譜解混中應(yīng)用的最多。本文擬應(yīng)用上述5種光譜解混方法，開展基于現(xiàn)場測量和圖像自動提取端元光譜的HJ-1A高光譜黃河口堿蓬和檉柳的光譜解混。

4 結(jié)果與分析

4.1 SAMCC端元光譜提取

采用統(tǒng)計的方法，通過單型體理論計算獲得的圖像中地物端元光譜，優(yōu)點(diǎn)是不需要人為干預(yù)，自動化程度高，而缺點(diǎn)是所獲得的光譜不具備明確的物理意義。圖3是堿蓬、檉柳和潮灘3種地物類型的現(xiàn)場光譜和SAMCC提取光譜的對比。現(xiàn)場測量光譜和圖像提取光譜之間差別較大，算法提取端元光譜反射率值都較大，且因圖像信噪比較低造成光譜相比于現(xiàn)場測量光譜并不平滑，同時在758 nm和770 nm附近出現(xiàn)了明顯的波動。分別利用現(xiàn)場端元光譜和圖像提取端元光譜對高光譜遙感影像進(jìn)行LSU線性光譜解混，通過分析圖1中所示研究區(qū)AB斷面的光譜解混結(jié)果，得到AB斷面像元3種地物類型的豐度分布圖(見圖4)，經(jīng)過對比分析并結(jié)合現(xiàn)場踏勘數(shù)據(jù)，綜合判斷出圖3中所獲得的圖像提取端元光譜曲線的類型歸屬。

對比分析圖3中通過不同方式獲取的端元光譜，對于檉柳和堿蓬，兩種光譜之間具有近似一致的波形，但在可見光波段的光譜反射率值相差近1倍，而在近紅外波段則較為一致；對于潮灘，二者之間差別相對較小。分析產(chǎn)生這種差別的原因，因SMACC算法提取的端元光譜并非真正意義上的純凈像元光譜，而真正意義上的純凈光譜在覆蓋研究區(qū)域的HJ-1A高光譜影像中是不存在的，表現(xiàn)在圖3中的提取光譜實際上仍是混合光譜。

圖3 堿蓬、檉柳和潮灘現(xiàn)場測量光譜與SAMCC提取光譜Fig.3 The field work end-member spectrum and the SAMCC extracted end-member spectrum

圖4 LSU現(xiàn)場光譜(a)和SAMCC提取光譜(b)分解結(jié)果Fig.4 The spectral un-mixing results of field work end-members (a) and the SAMCC extracted end-members (b)

4.2 蓋度反演模型

以LSU為例，對于圖1中的AB斷面濕地蓋度反演結(jié)果如圖4所示。對于3種濕地類型，應(yīng)用現(xiàn)場端元光譜和圖像提取端元光譜的分解結(jié)果雖值的大小不同，但具有相似的豐度分布曲線形狀，對檉柳SAMCC檢測到了更多的檉柳信息，對于堿蓬二者在反演值上處于同一量級，且曲線起伏位置基本一致，但在不同的區(qū)域大小不一。根據(jù)現(xiàn)場踏勘數(shù)據(jù)，圖4a中分解得到的檉柳在斷面像元中所占的比例更符合實際，相應(yīng)的，得到了表1中檉柳LSU光譜解混結(jié)果與蓋度現(xiàn)場觀測值之間0.95的高決定系數(shù)。

表1為5種不同光譜解混方法得到端元光譜的蓋度反演模型。通過對反演模型的分析發(fā)現(xiàn)，基于現(xiàn)場測量端元光譜的反演結(jié)果好于SAMCC提取端元光譜的結(jié)果，表現(xiàn)為決定系數(shù)R2大于0.6的分別為5個和3個，基于現(xiàn)場光譜的反演結(jié)果中，最大的決定系數(shù)達(dá)到了0.96；同時，除堿蓬的CEM光譜解混法外，圖像端元自動提取的反演結(jié)果都比應(yīng)用實測地物端元的反演結(jié)果差。這種差別是SAMCC端元提取法本身的局限性導(dǎo)致的。SAMCC方法在從圖像中計算提取端元時，根據(jù)人們對端元數(shù)量的設(shè)定，自動的從圖像像元中逐一判斷提取，但提取出的端元像元并不一定是圖像中的純像元，特別是對于覆蓋本文研究區(qū)域的遙感影像，較低的空間分辨率決定了SAMCC方法提取的端元像元并不純凈。但如果圖像中確實存在純凈像元，自動化程度高的SAMCC方法不失為一種有效的選擇。

LSU和OSP光譜解混方法在應(yīng)用兩種端元光譜的植被蓋度反演中均取得了最好的結(jié)果，可見兩種方法對于HJ-1A高光譜遙感影像堿蓬和檉柳的蓋度反演是適合的。以應(yīng)用現(xiàn)場光譜的LSU光譜分解結(jié)果為例，圖5給出了堿蓬和檉柳的光譜分解結(jié)果與現(xiàn)場實測蓋度之間的相關(guān)性散點(diǎn)圖，二者之間具有較好的一致相關(guān)性。ACE光譜解混方法對兩種光譜均出現(xiàn)了最低的相關(guān)性，最低的決定系數(shù)為0.001。另外，對于MF和CEM解混方法，在應(yīng)用兩種方式獲取端元光譜的蓋度反演中均取得了較好的效果，但僅限于檉柳。

表1 兩種端元獲取方法的端元光譜在5種線性分解方法下的反演值與現(xiàn)場豐度觀測值之間的相關(guān)性分析Tab.1 The correlation analysis results of 5 spectral un-mixing algorithms with 2 kinds of end-members

圖5 應(yīng)用現(xiàn)場測量端元光譜的LSU光譜分解結(jié)果和現(xiàn)場測量植被蓋度相關(guān)性散點(diǎn)圖Fig.5 The corralation scatter plots of the vegetation fractional cover field measurements and the field spectral measurements based LSU spectral un-mixing results

相比于堿蓬，應(yīng)用SAMCC自動提取的端元的檉柳蓋度反演結(jié)果從決定系數(shù)上觀察并未在反演效果上顯著降低。分析其原因，觀測圖3中兩種不同方法得到的端元，發(fā)現(xiàn)檉柳的端元光譜差別相對于堿蓬較小，且在近紅外波段范圍兩種方法的端元光譜較為一致。

5 討論

HJ-1A高光譜遙感影像是目前光譜分辨率最高的星載高光譜傳感器，較高的光譜分辨率提高了其對細(xì)微光譜特征的分辨能力，但卻限制了其空間分辨率。較低的空間分辨率勢必造成單個像元中地物光譜的混合，這是一般星載高光譜遙感數(shù)據(jù)的特點(diǎn)。但較嚴(yán)重的混合像元效應(yīng)降低了在影像研究區(qū)域獲取到純凈像元的幾率，進(jìn)而影響到基于SAMCC方法提取端元的純度。如本文研究區(qū)域中堿蓬和檉柳的分布稀疏，在100 m×100 m的空間中多是與植被裸灘的混合，導(dǎo)致了本文基于圖像提取的端元進(jìn)行植被蓋度反演的效果較差。

本文所選擇的5種線性光譜分解方法，嚴(yán)格來說主要是從數(shù)學(xué)分析的角度對像元光譜中的不同端元光譜組分的比率進(jìn)行求解，并不能直接對應(yīng)物理上的各端元所占像元面積的比率。故各種光譜分解方法得到的結(jié)果不能作為端元豐度的絕對量值，本文采用將之作為中間量值的方法，建立光譜解混豐度結(jié)果和實測蓋度之間的線性回歸模型，通過比較決定系數(shù)的大小來評價其對豐度表達(dá)的準(zhǔn)確性。

6 結(jié)論

應(yīng)用現(xiàn)場測量的堿蓬和檉柳的端元光譜和通過SAMCC方法計算機(jī)自動提取的端元光譜，利用5種遙感影像像元光譜線性分解方法，結(jié)合現(xiàn)場實測植被蓋度數(shù)據(jù)，開展了HJ-1A高光譜影像黃河口濕地堿蓬和檉柳的蓋度反演模型研究，得到如下主要結(jié)論：總體上，基于現(xiàn)場端元光譜的蓋度反演結(jié)果要優(yōu)于SAMCC方法提取端元的結(jié)果；對于兩類不同來源的端元光譜，LSU和OSP線性光譜解混方法均得到了較好的蓋度反演結(jié)果，且二者的表現(xiàn)相近；對于檉柳，來自兩種不同方法獲取的端元光譜在除ACE外的4種線性光譜解混方法中都取得了優(yōu)于堿蓬的蓋度反演；開展基于HJ-1A高光譜遙感影像的黃河口植被蓋度反演，對于堿蓬其端元光譜應(yīng)選擇實測光譜，光譜解混方法首選LSU，對于檉柳其端元光譜可來自實測或圖像提取，光譜分解方法首選LSU和OSP。

[1] Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002，80(1): 76-87．

[2] Boyd D S，F(xiàn)oody G M，Ripple W J. Evaluation of approaches for forest covers estimation in the Pacific North west USA，using remote sensing[J]. Applied Geography，2002，22 (4): 375-392．

[3] Choudhury B J，Ahmed N U，Idso S B，et al. Relations between evaporation coefficients and vegetation indices studied by model simulations[J]. Remote Sensing of Environment，1994，50(1): 12-17．

[4] Gutman G，Ignalov 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．

[5] 任廣波，張杰，汪偉奇，等. 基于HJ-1高光譜影像的黃河口蘆葦和堿蓬生物量估測模型研究[J]. 海洋學(xué)研究，2014，32(4): 8-15．

Ren Guangbo，Zhang Jie，Wang Weiqi，et al. Reeds and suaeda biomass estimation model based on HJ-1 hyperspectral image in the Yellow River Estuary[J]. Journal of Marine Sciences，2014，32(4):8-15．

[6] 傅新，劉高煥，黃翀，等. 濕地翅堿蓬生物量遙感估算模型[J]. 生態(tài)學(xué)報， 2012，32(17): 5355-5362．

Fu Xin，Liu Gaohuan，Huang Chong，et al. Remote sensing estimation models of suaeda biomass in the coastal wetland[J]. Acta Ecologica Sinica，2012，32(17): 5355-5362．

[7] Schmidt K S，Skidmore A K. Spectral discrimination of vegetation types in a coastal wetland[J]. Remote Sensing of Environment，2003，85(1): 92-108．

[8] Silvestri S，Marani M，Marani A. Hyperspectral remote sensing of salt marsh vegetation，morphology and soil topography[J]. Physics and Chemistry of the Earth，Parts A/B/C，2003，28(1/3): 15-25．

[9] Hamada Y，Stow D A，Coulter L L，et al. Detecting tamarisk species in riparian habitats of southern California using high spatial resolution hyperspectral imagery[J]. Remote Sensing of Environment，2007，109(2): 237-248．

[10] Thomson A G，F(xiàn)uller R M，Yates M G，et al. The use of airborne remote sensing for extensive mapping of intertidal sediments and saltmarshes in eastern England[J]. International Journal of Remote Sensing，2003，24(13): 2717-2737．

[11] Smith G M，Spencer T，Murray A L，et al. Assessing seasonal vegetation change in coastal wetlands with airborne remote sensing: an outline methodology[J]. Mangroves and Salt Marshes，1998，2(1): 15-28．

[12] Thomson J S，Jeffrey T M，Sunil K. Mapping invasive tamarix: a comparison of single-scene and time series analyses of remotely sensed data[J]. Remote Sensing，2009(1): 519-533．

[13] 高海亮，顧行發(fā)，余濤，等. 基于參考波段的去處HJ-1A HSI圖像中條帶噪聲的方法[J]. 紅外，2013，34(3): 7-11．

Gao Hailiang，Gu Xingfa，Yu Tao，et al. A reference band based method for removing stripe noise from HJ-1A HIS images[J]. Infrared，2013，34(3): 7-11．

[14] 賈德偉，鐘仕全，陳燕麗，等. HJ-1A高光譜數(shù)據(jù)預(yù)處理方法研究[J]. 河北遙感，2010(2): 13-15．

Jia Dewei，Zhong Shiquan，Chen Yanli，et al. The processing method of HJ-1A hyperspectral remote sensing image[J]. Hebei Remote Sensing，2010(2):13-15．

[15] 李俊明，邢秋燕，楊超. 基于森林類型光譜特征的最佳波段選擇研究——以HJ-1A高光譜影像為例[J]. 森林工程，2013，29(4): 42-46．

Li Junming，Xing Qiuyan，Yang Chao. Study on optical bands selection based on spectral feature of forest types: A case study of HJ-1A hyperspectral image[J]. Forest Engineering，2013，29(4): 42-46．

[16] 童慶禧，張兵，鄭蘭芬. 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．

Tong Qingxi，Zhang Bing，Zheng Lanfen. Hyperspectral Remote Sensing——Theory，Technology and Application[M]. Beijing: High Education Press，2006．

[17] 王彥飛，李云梅，呂恒，等. 環(huán)境一號衛(wèi)星高光譜遙感數(shù)據(jù)的內(nèi)陸水質(zhì)監(jiān)測適宜性——以巢湖為例[J]. 湖泊科學(xué)，2011，23(5): 789-795．

Wang Yanfei，Li Yunmei，Lv Heng，et al. Suitability assessment of lake water quality on water body images acquired by HJ-1A hyperspectral imager: A case study of lake Chaohu[J]. Journal of Lake Science，2011，23(5): 789-795.

[18] 張兵，高連如. 高光譜圖像分類與目標(biāo)探測[M]. 北京:科學(xué)出版社，2011．

Zhang Bing，Gao Lianru. Hyperspectral Image Classification and Target Detection[M]. Beijing: Science Press，2011．

[19] Iosif L，Elizaveta L，Gary G，et al. Role of sensor noise in hyperspectral remote sensing of natural waters: Application to retrieval of phytoplankton pigments[J]. Remote Sensing of Environment，2005，95(2): 264-271．

[20] Van Der Meer F. The effectiveness of spectral similarity measures for the analysis of hyperspectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation，2006，8(1): 3-17．

[21] Gillespie A R. Spectral mixture analysis of multispectral thermal infrared images[J]. Remote Sensing of Environment，1992，42(2): 137-145．

[22] Foody G M，Cox D P. Sub-pixel land cover composition estimation using a linear mixture model and fuzzy membership function[J]. International Journal of Remote Sensing，1994，15(3): 619-631．

[23] Boardman J W，Kruse F A，Green R O. Mapping target signatures via partial unmixing of AVIRIS data[C]//In Summaries，F(xiàn)ifth JPL Airborne Earth Science Workshop，JPL Publication 95-1，1995，1: 23-26．

[24] Winter M E. N-finder: An algorithm for fast autonomous spectral end-member determination in hyperspectral data[C]//Proceedings of SPIE，Image Spectrometry. SPIE，1999：266-275．

[25] Bajorski P. Simplex projection methods for selection of end-members in hyperspectral imagery[C]//IEEE International Geoscience and Remote Sensing Symposium， Anchorage Alaska，2004. USA: IEEE Press，2004，5: 3207-3210．

[26] Gruninger J，Ratkowski A，Hoke M. The sequential maximum angle convex cone (SAMCC) end-member model[C]//Proceeding of SPIE，Algorithm for Multi-spectral，Hyper-spectral and Ultra-spectral Imagery. SPIE，2004，5425: 1-14．

[27] Boardman J W. Inversion of imaging spectrometry data using singular value decomposition[C]//Proceedings，IGARSS’89，12th Canadian Symposium on Remote Sensing. 1989，4: 2069-2072．

[28] Harsanyi J C. Detection and classification of sub-pixel spectral signatures in hyperspectral image sequences[D]. Baltimore: Department of Electrical Engineering，University of Maryland Baltimore County，1993．

[29] Stéphanie B，Olivier B，Tourneret J-Y. The adaptive coherence estimator is the generalized likelihood ratio test for a class of heterogeneous environments[J]. Ieee Signal Processing Letters，2008，15：281-284．

[30] Chang C I. Hyperspectral Imaging Techniques for Spectral Detection and Classification[M]. New York：Kluwer Acardemic/Plenum Publishers，2003: 73-88．

[31] Joseph C，Chang C I . Hyperspectral image classification and dimensionality reduction: An orthogonal subspace projection approach[J]. IEEE Transactions on Geoscience and Remote Sensing，1994，32(4): 779-785．

Suaeda-salsa and tamarisk fractional cover inversion models by HJ-1A hyperspectral remote sensing image in Yellow River Estuary

Ren Guangbo1，Zhang Jie1，Ma Yi1

(1.LaboratoryofMarinePhysicsandRemoteSensing，F(xiàn)irstInstituteofOceanography，StateOceanicAdministration，Qingdao266061，China)

Suaeda salsa and tamarisk are the typical vegetation in Yellow River Estuary，and also a key habitat for many kinds of rare birds. Suaeda salsa and tamarix，whose landscape scale usually small，widely distributed and often mixed with each other or other vegetation or bare soil in remote sensing images，are difficult to obtain the vegetation fractional cover efficiently，thereby affecting biomass monitoring and ecological assessment. In this study，we acquired the end-members in two ways，the first is measure the vegetation spectrum through field work，and the second way is extract them from the hyperspectral remote sensing image with the SAMCC method. Then we use the two kinds of end-members in the pixel spectral un-mixing process with 5 different algorithms，which are: LUS，OSP，MF，CEM and ACE. At last we evaluate the two kinds of end-members coverage inversion capability of the salsa and Tamarix through correlation analysis with the real coverage which measured in the field work.

HJ-1A hyperspectral remote sensing; Yellow River Estuary wetlands; Suaeda salsa; tamarisk;vegetation fractional cover inversion

2014-11-04；

2015-02-17。

國家自然科學(xué)基金青年基金項目(41206172)；國家海洋局基本科研業(yè)務(wù)費(fèi)項目(GY02-2012G12)。

任廣波(1983—)，男，山東省濟(jì)寧市人，助理研究員，主要從事海島海岸帶高分遙感研究。E-mail：renguangbo@fio.org.cn

10.3969/j.issn.0253-4193.2015.09.006

P237

A

0253-4193(2015)09-0051-08

任廣波，張杰，馬毅. 基于HJ-1A高光譜的黃河口堿蓬和檉柳蓋度反演模型研究[J]. 海洋學(xué)報，2015，37(9):51-58，

Ren Guangbo，Zhang Jie，Ma Yi. Suaeda-salsa and tamarisk fractional cover inversion models by HJ-1A hyperspectral remote sensing image in Yellow River Estuary[J]. Haiyang Xuebao，2015，37(9): 51-58，doi：10.3969/j.issn.0253-4193.2015.09.006