基于高光谱影像融合的湿地植被类型信息提取技术研究

林业科学研究Ｆｏｒｅｓｔ　Ｒｅｓｅａｒｃｈ　２０１１，２４（３）：３００～３０６　文章编号：ｌＯＯｔ一１４９８（２０１１）０３４）３００－０７　基　－Ｔ－宣　Ｊ　Ｉ叫　光谱影像融合的湿地植被类型　信息提取技术研究　韦　玮，李增元　（中国林业科学研究院资源信息研究所，北京１０００９１）　摘要：对一３６。和０。的多角度高光谱ＣＨＲＩＳ遥感影像数据进行植被指数计算及影像融合，提出归一化植被指数（ＮＤ・　ＶＩ）与高光谱影像融合后，采用波谱角填图（ＳＡＭ）的方法提取湿地植被类型信息。该方法首先对一３６。影像进行　ＮＤＶＩ植被指数计算，然后与Ｏ。影像融合，再采用ＳＡＭ方法提取湿地植被类型。结果显示，利用该方法对青海省隆　宝滩湿地植被类型的提取精度可达到９２．２３％；而利用ＳＡＭ方法对０。影像直接进行湿地植被类型提取，其精度只　有６６％。由此可见，利用不同角度信息影像融合的方法，大大提高了高光谱影像进行湿地植被类型信息提取的精　度，为湿地植被类型信息提取又提供了一个有效可行的方法。　关键词：遥感；高光谱；多角度；植被指数；融合；湿地；光谱角填图　中图分类号：ｓ７７１．８　文献标识码：Ａ　Ａ　Ｓｔｕｄｙ　ｏｎ　Ｅｘｔｒａｃｔｉｎｇ　Ｖｅｇｅｔａｔｉｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｔｈｅ　Ｈｙｐｅｒｓｐｅｃｔｒａｌ　Ｆｕｓｉｏｎ　Ｉｍａｇｅｓ　ｏｆ　ＣＨＲＩＳ／ＰＲＯＢＡ　ＷＥＩ　Ｗｅｉ　，ＬＩ　Ｚｅｎｇ—ｙｕａｎ　（Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｆｏｒｅｓｔ　Ｒｅｓｏｕｒｃｅ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｉｑｕｅｓ，Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆ　Ｆｏｒｅｓｔｒｙ，Ｂｅｉｊｉｎｇ　１０００９１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　Ｇｒａｍ—Ｓｃｈｍｉｄｔ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ａｎｄ　ｆｕｓｉｏｎ　ｍｅｔｈｏｄ，ｔｈｅ　ｐａｐｅｒ　ｐｒｏｖｉｄｅｓ　ａ　ｉｍｐｒｏｖｅｄ　ｍｅｔｈｏｄ　ｏｆ　ｅｘ—　ｔｒａｃｔｉｎｇ　ｗｅｔｌａｎｄ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｎ　Ｌｏｎｇ　Ｂａｏｔａｎ　ａｒｅａ　ｉｎ　Ｑｉｎｇｈａｉ　Ｐｒｏｖｉｎｃｅ　ｆｒｏｍ　ｔｈｅ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｆｕｓｉｏｎ　ｉｍａｇｅ．　Ｆｉｒｓｔｌｙ　ｔｏ　ｃａｃｕｌａｔｅ　ｔｈｅ　ＮＤＶＩ　ｏｆ一３６。ｉｍａｇｅ，ａｎｄ　ｔｏ　ｆｕｓｅ　ｗｉｔｈ　０。ｉｍａｇｅ．Ｔｈｅｎ，ｔｈｅ　Ｓｐｅｃｔｒａｌ　Ａｎｇｌｅ　Ｍａｐｐｅｒ，ＳＡＭ，ａ　ｓｕｐｅｒｖｉｓｅｄ　ｃｌａｓｓｉｉｃａｔｉｆｏｎ　ｍｅｔｈｏｄ　ｗａｓ　ｃａｒｒｉｅｄ　ｏｕｔ　ｏｎ　ｔｈｅ　ｎｅｗ　ｆｕｓｉｏｎ　ｉｍａｇｅ．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｅｄ　ｔｈａｔ　ｔｈｅ　ｅｘｔｒａｃｔｉｏｎ　ａｃｃｕ－　ｒａｃｙ　ｏｆ　ｔｈｅ　ｖｅｇｅｔａｉｏｎ　ｉｎｆｏｒｍａｔｉｏｎ　ａｐｐｒｏａｃｈ　ｔｏ　９２．２３％，ｗｈｉｌｅ　ｉｔ　ｗａｓ　ｏｎｌｙ　６６％ｉｆ　ｔｈｅ　ＳＡＭ　ｗａｓ　ｕｓｅｄ　ｄｉｒｅｃｔｌｙ　ｔｏ　ｔｈｅ　０。ＣＨＲＩＳ　ｉｍａｇｅ．Ｔｈｅ　ｒｅｓｕｌｔ　ａｌｓｏ　ｉｎｄｉｃａｔｅｄ　ｔｈａｔ　ｍｕｌｔｉ—ａｎｇｌｅ　ａｎｄ　ｈｙｐｅｒｓｐｅｃｔｒｌ　ｒａｅｍｏｔｅｌｙ　ｓｅｎｓｅｄ　ｄａｔａ　ｈａｄ　ｉｍｐｏｒｔａｎｔ　ａｐｐｌｉｃａｔｉｏｎ　ｐｏｔｅｎｔｉａｌｉｔｙ　ｉｎ　ｅｘｔｒａｃｔｉｏｎ　ｏｆ　ｗｅｔｌａｎｄ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｆｏｒｍａｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ；ｈｙｐｅｒｓｐｅｃｔｒａｌ；ｍｕｌｔｉ—ａｎｇｌｅ；ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ；ｆｕｓｉｏｎ；ｗｅｔｌａｎｄ；ＳＡＭ　绿色植物具有明显的光谱反射特征，而这种特　征与植被的发育、健康状况以及生长条件密切相关。　估算能获得较为理想的植被生态学信息，并在提取　植被信息中得到大量的应用和研究　。高光谱　遥感器的出现为改进现有的分类算法，进一步提高　传统的宽波段、多光谱遥感数据对于植被的研究仅　限于一般性的红光吸收特征和近红外的反射特　植被分类精度提供了可能。高光谱遥感技术已经应　用于湿地分类、边界、水体、湿地植被和湿地生境因　征¨　，以及中红外的水吸收特征　』。高光谱遥　感通过对不同类型植被的生物物理化学成分含量的　子等遥感信息提取中　卜¨Ｊ，但利用高光谱影像数据　收稿日期：２０１１－０１—１０　基金项目：中央级公益性科研院所基本科研业务费专项资金“（ＩＦＲ１Ｔ２００９０６）”　作者简介：韦玮（１９７２一），女，湖北武汉人，博士生，研究方向：高光谱遥感，Ｅ．ｍａｉｌ：ｗｅｉｗｅｉ＠ｃａｒ．ａｃ，ｃｎ　｝通讯作者：Ｅ－ｍａｉｌ：ｌｉｚｙ＠ｃａｆ．ａｃ．ａｎ　第３期　韦玮等：基于高光谱影像融合的湿地植被类型信息提取技术研究　表１　隆宝滩湿地主要植被类型　主要湿地植被区域　草本沼泽区　３０１　的多角度信息进行湿地植被类型划分的研究还较　少。本文获取了青海省隆宝滩湿地区域的５个不同　角度的高光谱ＣＨＲＩＳ遥感影像，利用ＣＨＲＩＳ影像的　不同角度信息，采用影像融合及植被波谱匹配等手　主要植物组成　华扁穗一藏嵩草沼泽，水边伴生苔草，塔头顶　端主要是矮嵩草　藏嵩草一斑唇马苋蒿沼泽，水边伴生华扁穗　段，提取该区域湿地植被类型，获得了较好的结果。　ｌ　数据获取及预处理　１．１遥感数据源　ＣＨＲＩＳ／ＰＲＯＢＡ是可以同时获取高光谱和多角　度数据的星载传感器。本文采用２０１０年８月２７　１３　获取的青海玉树隆宝滩湿地区域的多角度高光谱　ＣＨＲＩＳ影像数据，分别从一５５。、一３６。、０。、＋３６。、＋　５５。共５个角度进行成像，获取影像的中心点坐标为　３３。ｌ２　２７　Ｎ；９６。３１　２１　Ｅ，海拔为４　２１９　ｍ。该套影　像的光谱范围为可见光至近红外（０．４～１．０７５　ｍ），共有６２个波段，光谱分辨率为６．５～２０．４　１１１１１；　扫描带宽为１３　ｋｍ，空问分辨率为３４　ｉｎ。　１．２地面数据采集　２０１０年８月９—１２日，地面调查小组在隆宝滩　湿地进行了野外调查。采用美国ＡＳＤ公司生产的　ＶｉｅｗＳｐｅｃ（３２５～２　５００　ｎｍ）型光谱辐射计，对隆宝滩　地区主要湿地植被和沼泽区典型湿地植被进行了波　谱测量。其光谱采样间隔约为１　ｎｍ，波长范围为　３２５—２　５００　ｎｍ，光谱分辨率为３　ｎｍ＠７００　ｒｉｍ。　隆宝滩湿地区域东西长约２５　ｋｍ，是一个狭长　的山间盆地，四周高山环抱，海拔４　１００～５　５００　Ｉｌｌ。　主要由水生、沼生和湿生的植物为优势种群形成丰　富的湿地植被。光谱测量主要获取了草本沼泽湿地　典型植被、沼泽化草甸优势植物的光谱辐射。草本　沼泽的典型植被种类有华扁穗草（Ｂｌｙｓｍｕｓ　ｓｉｎｏｃｏｍ．　ｐｒｅｓｓｕｓ　Ｔａｎｇ　ｅｔ　Ｗａｎｇ）、斑唇马先蒿（Ｐｅｄｉｃｕｌａｒｉｓ　ｌｏｎｇｉ—　ｌｆｏｒａ　ｖａｒ．ｔｕｂｉｆｏｒｍｉｓ（Ｋｌｏｔｚ．）Ｔｃｏｏｎｇ）、嵩草（Ｋｏｂｒｅｓｉａ　ｍｙｏｓｕｒｏｉｄｅｓ（Ｖｉｌｌａｒｓ）Ｆｏｉｒｉ）等。在草本沼泽的周围　形成了沼泽化草甸，由于水湿条件的逐渐减弱，向山　脚逐渐过度到高山草地。根据不同植物的优势形成　了不同的优势植被草甸区域，有苔草（Ｃａｒｅｘ　ｓｔｅｎｏｐｈ，　ｌｆｏｉｄｅｓ　Ｋ／＇ｅｅｚ．；Ｃ．ｅｒｌ，ｅｉ＇ｕｉｓ　Ｃ．Ａ．Ｍｅｙ．；Ｃ．ｍｉｃｒｏｇｌｏ—　ｃｈｉｎ）草甸、针茅（Ｓｔｉｐａ　ｃａｐｉｌｌａｔａ　Ｌｉｎｎ．）草甸以及高　山嵩草一苔草草甸等。　调查期间，共获取了湿地植被不同形态、不同生　长条件下的高光谱数据８Ｏ组，每组高光谱数据有３０　次光谱重复。表１是本次调查隆宝滩湿地主要植被　类型。　少量苔草　沼泽化草甸区　华扁穗沼泽化草甸，伴生矮嵩草、小嵩草、藏嵩　草等　藏嵩草沼泽化草甸，伴生水茅根、斑唇马先蒿、　垂头菊、苔草等　高山草甸区　苔草草甸，伴生植物主要是小嵩草　针茅草甸，伴生苔草、西伯利亚蓼、垂穗披碱　草、鹅绒委凌菜等　小嵩草草甸，伴生苔草、针茅、二裂委凌菜等　１．３遥感数据预处理　获取的原始ＣＨＲＩＳ影像存在条带噪声，需要进　行大气校正和几何校正。采用欧空局提供的ＨＤＦ—　ｃｌｅａｎ软件去除ＣＨＲＩＳ图像的噪声，主要是对图像进　行缺失像元填充和条带去除。然后采用ＥＮＶＩ软件　中的ＦＬＡＡＳＨ模块对影像进行大气校正，大气校正　时所需要的卫星及影像参数、光谱标定信息均可以　从ＣＨＲＩＳ影像的头文件中获取。最后利用地面控　制点（ＧＣＰ）数据对原始图像的几何畸变过程进行数　字模拟，建立原始畸变图像空问与制图用坐标空间　之间的某种对应关系，再利用这种对应关系把畸变　空间中的全部元素变换到校正图像中进行ＣＨＲＩＳ　影像的几何校正，几何校正后的ＣＨＲＩＳ高光谱影像　每个像元点都带有坐标值。　由于一５５。、＋３６。和＋５５。的影像分别都存在较　为严重的图像畸变，并且影像画面模糊不清，因此本　文只选择了０。和一３６。影像进行湿地植被类型提取　的方法研究。影像经过大气纠正后，光谱曲线更符　合植被的光谱特性，获得了较为真实的地面反射率　数据。为了方便研究以及提高植被分类的准确性，　去除了ＣＲＨＩＳ影像上的云区和阴影覆盖区，截取影　像效果较好的部分作为研究区域，如图１所示。　图ｌ　校正后的隆宝滩湿地研究区影像　林业科学研究　第２４卷　僻藤　２　湿地植被光谱特征及光谱库的建立　２．１湿地植被光谱特征　植被反射光谱曲线主要由叶面所含叶绿素、水　分、氮等其他生物化学成分对光谱的吸收形成的，所　以不同种类的植被有明显不同的光谱特征，据此可　以通过光谱特征将不同植被信息区分。在外业调查　中，选取不同植被类型的典型植被进行了光谱测量，　如藏嵩草（Ｋｏｂｒｅｓｉａ　ｓｃｈｏｅｎｏｉｄｅｓ　Ｓｔｅｕｄ．Ｓｙｎ．Ｃｙｐｅｒ—　ａｅ）、水毛茛（Ｂａｔｒａｃｈｉｕｍ　ｂｕｎｇｅｉ（Ｓｔｅｕｄ．）Ｌ．Ｌｉｏｕ）、　华扁穗、苔草、针茅、斑唇马苋蒿、褐毛垂头菊（Ｃｒｅｍ—　ａｎｔｈｏｄｉｕｍ　ｂｒｕｎｎｅｏ—ｐｉｌｏｓｕｍ　Ｓ．Ｎ．Ｌｉｕ）、西伯利亚蓼　（Ｐｏｌｙｇｏｎｕｍ　ｓｉｂｉｒｉｃｕｍ　Ｌａｘｍａｎｎ）、垂穗披碱草（Ｅｌｙｍｕｓ　ｎｕｔａｎ￥Ｇｒｉｓｅｂ．）等，以及它们在不同生境中生长时的　花、根、叶等不同部位的光谱。　光谱仪在采集光谱时会受到许多因素的干扰，　如光照条件、光谱仪与目标物的距离、光谱仪测量角　度、周边环境等诸多因素。为了使测量数据尽量接　近真实的植被光谱反射特征，测量时选择的测试环　境条件为：晴天、空气湿度小、微风，平均气温为　１３ｏＣ；光谱测试时间为１０：００—１４：３０之问。将测得　的８０组不同的光谱辐射值，经过整理、比较、分组和　匹配后，提出了湿地典型植被的光谱反射率曲线，图　２是一些植被的光谱曲线图。　４ＯＯ　４５０　５００　５５０　６００　６５０　７００　７５０　８００　８５０　９０Ｏ　９５０　１　０００　波ｔｆ．／ｎｍ　一矮嵩草一水毛茛—★一嵩草　＋斑唇马苋嵩　一。一苔草—＊～委凌菜—　一藏嵩草一＋～针茅草　图２湿地植被的光谱曲线　２．２建立典型湿地植被光谱库　将野外测量所得到的隆宝滩地区湿地植被的光　谱曲线，经过ＶｉｅｗＳｐｅｃＰｒｏ软件的处理，进行反射率　计算，并添加植被名称标识后，再应用ＥＮＶＩ软件中　的建立光谱库模块，构建了隆宝滩区域典型湿地植　被的光谱库。　ｍ　们嘶　在该光谱库中，将野外测量所得的湿地植被光　谱曲线重采样，取波长范围为４００—１　０７５　ｎｍ的曲　线绘制成图，该光谱库应用于湿地植被类型的信息　提取。　３　湿地植被类型的信息提取　３．１分类方法　波谱角填图（ＳＡＭ）方法是一个基于自身波谱的　分类方法，它是在ｎ维空间将像元与参照波谱进行　匹配，通过计算波谱问的角度，判定两个波谱间的相　似度¨　。本文对隆宝滩地区０。的ＣＨＲＩＳ影像进行　了波谱角分类。分类过程中导入上述构建的隆宝滩　湿地植被光谱库的数据，对所有类别使用同一个阈　值，输入的弧度值为０．１弧度，这是端元波谱矢量与　像元矢量之间的最大可接收的角度，角度大于该值　的像元将不被分入该类，符合所选阈值标准的区域　将被作为已分类区域输入到分类后的图像中。植被　类型的提取结果如图３所示。　图３　ＳＡＭ对０。的ＣＨＲＩＳ影像中植被类型的分类结果　利用遥感软件的精度评估工具，采用分层随机　产生２　０３５个样点，采用混淆矩阵对该植被类型提　取结果进行评价，其提取精度为６５．９９％。得到的　植被类型提取结果评价报告，如表２所示。　根据分类精度评价混淆矩阵的结果显示，用　ＳＡＭ方法直接对０。影像进行湿地植被类型信息提　取，其精度较低。从分类结果图上看出，沼泽地区和　沼泽化草甸区域有混分和误分情况存在。这是由于　原始的影像经过大气校正和几何校正后，虽然较为　真实的获得了地面植被的光谱反射率，但是由于传　感器本身的永久性误差、天气、光照条件、水汽、地面　植被混杂生长等因素的影响，使得同类植被在不同　的区域，其光谱辐射有较大的差别，在角度匹配时，　有可能被错分。为了消除上述的误分现象，提高　ＳＡＭ对高光谱影像中湿地植被类型的提取精度，本　第３期　韦　玮等：基于高光谱影像融合的湿地植被类型信息提取技术研究　３０３　文提出了“基于植被指数与高光谱影像融合的波谱　角分类”方法，这种方法利用不同角度的影像信息进　０。影像与一３６。影像的增强型植被指数（ＥＶＩ）　融合后，植被波谱曲线较规则。但就影像视觉效果　比较，ＮＤＶＩ融合影像的视觉特征更为明显，地物轮　廓更为突出，如图５所示。　０。影像与一３６。影像的绿度指数（ＳＧＩ）相融合　行植被指数计算及影像融合，再运用ＳＡＭ方法进行　植被类型信息提取。　３．２基于植被指数的影像融合　基于植被指数与高光谱影像融合的波谱角分　类方法，首先将一３６。的ＣＨＲＩＳ影像进行植被指数　计算，将计算后的影像与０。影像进行融合。本文　计算了一３６。影像的归一化植被指数（ＮＤＶＩ）、增强　型植被指数（ＥＶＩ）、红边归一化植被指数（ＲＥＮＤ—　ＶＩ）及绿度指数（ＳＧＩ），然后将这４种植被指数的　后，影像中心区域的波谱曲线较为规则，接近植被波　谱特征，但在ＳＧＩ融合影像的边缘，植被波谱曲线出　现异常，无法正确反映边缘区域的植被波谱反射；而　ＮＤＶＩ融合影像的边缘，具有正确的植被波谱曲线特　征，如图６所示。　由图４～６的比较，可以看出０。影像与一３６。影　影像分别与０。影像进行融合。如图４所示，０。影　像分别与一３６。影像的归一化植被指数（ＮＤＶＩ）和　红边归一化植被指数（ＲＥＮＤＶＩ）影像融合后，沼泽　区植被波谱曲线在ＮＤＶＩ融合影像上较为规则，符　合植被曲线特征。　像的ＮＤＶＩ融合后，其光谱特征更接近植被波谱特　征，其影像视觉效果特征更明显，其影像边缘的植被　波谱特征保持不变，因此，０。影像与一３６。影像的　ＮＤＶＩ融合影像比其它３种融合效果更好，本文选择　了ＮＤＶＩ融合影像进行湿地植被类型信息提取。　５ｏｏ　６００　７００　８ｏｏ　９ｏｏ　波长／ｎｍ　图４　Ｏ。影像与一３６。影像的ＮＤＶＩ融合（上）和ＲＥＮＤＶＩ融合（下）沼泽区植被波谱曲线比较　林业科学研究　第２４卷　图５　０。影像与一３６。影像的ＮＤＶＩ融合（左）和ＥＶＩ融合（右）后高山草甸区影像比较　５０ｏ　６ｏｏ　７ｏｏ　８０ｏ　９０ｏ　波长／ｎｍ　图６　Ｏ。影像与一３６。影像的ＮＤＶＩ融合（上）和ＳＧＩ融合（下）影像边缘植被光谱比较　归一化植被指数（ＮＤＶＩ）是可见光红外和近红　被的光谱曲线更加准确圆滑，如图７所示，影像融合　前后波谱曲线有所变化，其中，植被１和植被３都是　沼泽区域的植被，植被２是高山草甸区域的植被，这　些植被光谱在融合后的影像上，其光谱曲线更规则，　更接近植被的特征。　外两波段的归一化比值，它既能够反映植被光合作　用的有效辐射吸收情况，又能够反映作物长势、叶面　积指数等，是目前应用最为广泛的植被指数。ＮＤＶＩ　值指示着像元中绿色植被的数量，较高的ＮＤＶＩ值　预示着包含较多的绿色植被。ＮＤＶＩ的标准算法为：　ＮＤＶＩ＝（ＮＩＲ～Ｒｅｄ）／（ＮＩＲ＋Ｒｅｄ）　（１）　４　ＳＡＭ提取湿地植被类型　选择了一３６。影像的ＮＤＶＩ与０。影像融合的结　果图进行湿地植被类型的提取。采用波谱角填图的　方法将Ｊ７ｖ个波段的光谱响应作为Ⅳ维空间的矢量，　对于本文应用的一３６。ＣＨＲＩＳ影像，其ＮＤＶＩ计　算公式为：　ＮＤＶＩ３６。＝（ＣＨＲＩＳ４０一ＣＨＲＩＳ２２）／　（ＣＨＲＩＳ４ｏ＋ＣＨＲＩＳ２２）　（２）　通过计算它与最终光谱单元的光谱之间的夹角来表　征其匹配程度：夹角越小，相似度越好¨　。两矢量　其中：ＣＨＲＩＳ４ｏ是一３６。影像的第４０波段，为近红外　波段（０．７６８　Ｉｘｍ）；ＣＨＲＩＳ２２是一３６。影像的第２２波　段，为红光波段（０．６４　Ｉｘｍ）。计算后的ＣＨＲＩＳ影像　的每一个波段都是一个单独的图像波段，显示了植　被的分布。　夹角用反余弦表示为¨　：０＝ａｒｃｃｏｓ（７’－Ｒ）／（Ｊ　Ｉ　Ｉ尺１），式中，０值越小，　和　的相似性越大。　在用实验测量光谱与图像光谱比较时，将测量光谱　按照图像光谱的波长进行重采样，使得两个光谱具　ＮＤＶＩ融合影像与０。影像比较，地物轮廓更为　清晰，植被信息更加突出，从光谱曲线上看，沼泽植　有相同的维数。本文使用的ＣＨＲＩＳ多角度高光谱　影像的波长范围在０．４～１．０７５　ｔｘｍ之间，因此，将测　第３期　韦　玮等：基于高光谱影像融合的湿地植被类型信息提取技术研究　２　５００　２　０ｏｏ　墼１ｔＲ　　５００　１　０００　５ｏｏ　５００　６００　７００　８００　９００　波长，ｎｍ　——植被１…．．植被２…一植被３　１　２ｏ０　１　０ｏ０　静８００　朵６００　４００　２ｏｏ　Ｏ　波长／ｉｒｍ　——植被１…．．植被２…一植被３　图７　０。与一３６。影像的ＮＤＶＩ融合（上）和０。影像（下）的植被光谱曲线比较　量所得的植被光谱反射的波段区间按照影像的波　匹配计算完成后对分类精度进行了评价。光谱　段区问进行了重采样。０值与光谱向量的模是无　仪在采集光谱的同时对采集目标进行了实地拍照，　关的，也就是与图像的增益系数无关。为了便于比　并用ＧＰＳ定位仪记录了采集地点的经纬度。结合　较，对融合后影像的ＳＡＭ植被信息提取依然采用　遥感影像上像元点的波谱曲线与目视解译在图上选　对所有类别使用同一个阈值，输入的弧度值为０．１　取出参考样本数据，而后生成混淆矩阵，计算出了总　弧度。　体精度和Ｋａｐｐａ系数，得到精度评价报告，见表３。　表３湿地植被类型提取结果评价报告　项目　小嵩草草甸　马先蒿沼泽　华扁穗沼泽化草甸　苔草草甸　华扁穗沼泽针茅草甸藏嵩草沼泽　小嵩草草甸　１３８　０　ｏ　、　２　ｏ　９　ｏ　马先蒿沼泽　ｏ　１６４　ｏ　ｏ　ｌＯ　ｏ　３　华扁穗沼泽化草甸　２　ｏ　６２　３　ｏ　ｏ　ｏ　苔草草甸ｌＯ　ｏ　ｏ　４４　ｏ　ｏ　ｏ　肺一　ｍ　华扁穗沼泽　ｏ　８　ｏ　ｏ　８７　ｏ　２　针茅草甸　３　ｏ　ｏ　５　ｏ　１８９　ｏ　藏嵩草沼泽　ｏ　５　ｏ　ｏ　ｏ　ｏ　５２　总和　１５３　１７７　６２　５４　９７　１９８　５７　总体分类精度＝９２．２３％；总Ｋａｐｐａ系数＝０．９２０　４　由表３可见，采用ＳＡＭ方法对ＮＤＶＩ与０。影像　及融合后影像的选择和确定。其次是构建波谱库的　融合后的影像进行植被信息提取，其精度达到　植被种类选择及植被光谱辐射的计算和处理。外业　９２．２３％，比直接提取０。影像植被信息的精度大大提　光谱采集时，为减少干扰因素，对同一目标在不同光　高。将提取结果进行矢量化，根据矢量划分出不同　照条件、距离、采集角度、地点等进行多次采样，而后　湿地植被类型，并制作了湿地植被类型分布图，如图　对植被光谱进行分类并选取出不同种类植被的参考　８所示。　光谱构建成光谱库。影像经过融合后，光谱曲线更　５结论与讨论　加接近参考光谱，在进行ＳＡＭ匹配提取出植被信　息，经过与实地调查资料比较并得到较高的总体精　本文研究了基于高光谱遥感数据融合，并用　度（９２．２３％）和ｋａｐｐａ系数（０．９２０　４），将分类结果　ＳＡＭ方法对湿地植被类型信息进行提取的方法与　转为矢量数据，导人ＡＲＣＧＩＳ进行坐标转换，最后制　步骤。比较关键的是选择所需植被指数的种类，以　作出隆宝滩湿地植被类型分布图。　卯　林业科学研究　第２４卷　口——。ｌｏ＿【∞　ｎ　０００　ｎ—营￡，　ｎ—口—＾）０ｎ　ｎ口—吕ｎ　ｎ　２６３０００　２６５０００　２６７０ｏＯ　２６９ｏｏ０　２７ｌｏｏ０　２７３Ｏ０ｏ　２７５０００　２７７０００　纂小嵩草草甸—■马先蒿沼泽　华扁穗沼泽化草甸　■一藏蒿草沼泽　■　针茅草甸　鬟　苔草草甸　—一华扁穗沼泽图８隆宝滩湿地植被类型分布图　在研究中发现，通过植被指数影像与高光谱影　像融合后，可以大大提高遥感影像阴影区下的植被　信息提取精度，部分阴影区的植被信息被准确提出。　因此，可以通过对植被指数计算方法的改进，以及不　同影像融合技术的提高，来进一步提高阴影区域、混　合区域、复杂地形区域下植被信息的提取精度。　ｂｒｏａｄｂａｎｄ　ａｎｄ　ｈｙｐｅｒｓｐｅｅｔｒａｌ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ　ｆｏｒ　ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｇｒｅｅｎ　ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ　ａｎｄ　ｃａｎｏｐｙ　ｃｈｌｏｒｏｐｈｙｌｌ　ｄｅｎｓｉｔｙ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００１，７６（２）：１５６—１７２　［６］Ｐｅｎｕｅｌａｓ　Ｊ，Ｐｉｎｏｌ　Ｊ，Ｏｇａｙａ　Ｒ　Ｒ，ｅｔ　ａ１．Ｅｓｔｉｍａｔｉｏｎ　ｏｆｐｌｎｔａ　ｗａｔｅｒ　ｅｏｎ—　ｅｅｎｔｒａｔｉｏｎ　ｂｙｔｈｅ　ｒｅｆｌｅｃｔａｎｃｅ　ｗａｔｅｒｉｎｄｅｘＷＩ（Ｒ９００／Ｒ９７０）［Ｊ］．Ｉｎ—　ｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９７，１８：２８６９—２８７５　［７］Ｓａｇａｌｏｖｉｅｈ　Ｖ　Ｎ，Ｆａｌｋｏｖ　Ｅ　Ｙ，Ｔｓａｒｅｖａ　Ｔ　Ｉ．Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｃｈｌｏｍｐｈｙＵ　ｃｏｎｔｅｎｔ　ｉｎ　ｐｌｎｔａ　ｌｅａｖｅｓ　ａｎｄ　ｃａｎｏｐｙ　ｆｒｏｍ　ｈｙｐｅｒｓｐｅｅｔｒａｌ　ｖｅｇｅｔａｔｉｏｎ　ｉｎ・　鉴于高光谱遥感数据中多角度信息的研究和使　用较少，本文尝试了采用一３６。的高光谱ＣＨＲＩＳ影　像进行植被指数的计算，并与０。的ＣＨＲＩＳ影像进行　ｄｅｘｅｓ［Ｊ］，Ｉｓｓｌｅｄｏｖａｎｉｅ　Ｚｅｍｌｉｉｚ　Ｋｏｓｍｏｓａ，２００２（６）：８１—８５　［８］Ｓａｇａｌｏｖｉｃｈ　Ｖ　Ｎ，Ｆａｌｋｏｖ　Ｅ　Ｙ，Ｔｚａｒｅｖａ　Ｔ　Ｉ．Ｅｓｔｉｍａｔｉｏｎ　ｏｆｗａｔｅｒ　ｃｏｎ・　ｔｅｎｔ　ｉｎ　ｖｅｇｅｔａｔｉｏｎ　ｆｒｏｍ　ｈｙｐｅｒｓｐｅｅｔｒａｌ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ［Ｊ］．Ｉｓｓｌｅｄｏ—　ｖａｎｉｅ　Ｚｅｍｌｉｉｚ　Ｋｏｓｍｏｓａ，２００４（１）：６３—６７　融合，并取得了较好的融合效果。由此，可以尝试用　不同角度的影像进行植被指数的计算和影像的融　［９］Ｋｅｍｐｅｎｅｅｒｓ　Ｐ，Ｂａｃｋｅｒ　Ｓ　Ｄｅ，Ｃｏｐｐｉｎ　Ｐ，ｅｔ　ａ１．Ｇｅｎｅｒｉｃ　ｗａｖｅｌｅｔ＋　ｂａｓｅｄ　ｈｙｐｅｒｓｐｅｅｔｒａｌ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ａｐｐｌｉｅｄ　ｔｏ　ｖｅｇｅｔａｔｉｏｎ　ｓｔｒｅｓｓ　ｄｅｔｅｃ—　合，以期选择出更加清晰、光谱更加接近植被特征的　融合影像，来用于不同的分类方法，达到植被精细分　类的程度。由此可见，多角度信息的使用、波段组　ｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｅｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，　２００５，４３（３）：６１０—６１４　［１Ｏ］廖克，成夕芳，吴健生．高分辨率卫星遥感影像在土地利用变　化动态监测中的应用［Ｊ］．测绘科学，２００６，３１（６）：５３—５６　合、影像融合等遥感技术的发展在湿地植被信息提　取研究中具有良好的应用前景。　参考文献：　［１］Ｈｏｒｌｅｒ　Ｄ　Ｎ　Ｈ，Ｄｏｃｋｒａｙ　Ｍ，Ｂａｒｂｅｒ　Ｊ．Ｔｈｅ　ｒｅｄ　ｅｄｇｅ　ｏｆ　ｐｌａｎｔ　ｌｅａｆ　ｒｅ—　ｌｆｅｃｔａｎｃｅ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９８３，４：２７３　—［Ｉ１］牛明香，赵庚星．南四湖区湿地信息遥感提取技术研究［Ｊ］．国　土与自然资源研究，２００４（１）：５１—５３　［１２］Ｆｕｎｇ　Ｇ，Ｍａｎｇａｓａｒｉａｎ　Ｏ　Ｌ．Ｐｒｏｘｉｍａｌ　ｓｕｐｐｏ￣ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ　ｃｌａｓｓｉ—　ｉｔｅｒｓ［Ｃ］／／Ｌｅｅ　Ｄ，Ｐｒｏｖｏｓｔ　Ｆ，Ｓｒｉｋａｎｔ　Ｒ．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＫＤＤ　一２００１：Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｎｅｗ　Ｙｏｒｋ：ＡＣＭ　Ｐｒｅｓｓ．２００１：７７—８６　［１３］张志锋，赵文吉，贾萍，等．北京湿地分析与监测［Ｊ］．地球信　２８８　息科学，２００４，６（１）：５３—５７　［２］Ｕｓｔｉｎ　Ｓ　Ｌ，Ｒｏｂｅｒｔｓ　Ｄ　Ａ，Ｇｒｅｅｎ　Ｒ　０，ｅｔ　ａ１．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｍｅｔｈｏｄｓ　ｍｏｎｉｔｏｒ　ｎａｔｕｒａｌ　ｒｅｓｏｕｒｃｅｓ［Ｊ］．Ｐｈｏｔｏｎｉｃｓ　Ｓｐｅｃｔｒａ，１９９９，３３：１０８—１１３　［３］江樟焰．基于红光、近红外反射率的遥感光谱植被指数的线性　性好土壤背景影像分析［Ｄ］．北京：北京师范大学，２００６　［１４］浦瑞良，宫版社，２０００　鹏．高光谱遥感及其应用［Ｍ］．北京：高等教育出　［１５］Ｋｉｕｓｅ　Ｆ　Ａ，Ｋｉｅｒｅｉｎ—Ｙｏｕｎｇ　Ｋ　Ｓ，Ｂｏａｒｄｍａｎ　Ｊ　Ｗ．Ｍｉｎｅｒａｌ　ｍａｐｐｉｎｇ　ａｔ　Ｃｕｐｒｉｔｅ．Ｎｅｖａｄａ　ｗｉｔｈ　ａ　６３　ｃｈａｎｎｅｌ　ｉｍａｇｉｎｇ　ｓｐｅｃｔｒｏｍｅｔｅｒ．［Ｊ］　Ｐｈｏｔｏｇｒａｍｍｅｔｉｃ　Ｅｎｇｉｒｎｅｅｒｉｎｇ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９０，５６：８３　—［４］Ｂａｒｅｔ　Ｆ，Ｊａｅｑｕｅｒｍｏｕｄ　Ｓ，Ｇｕｙｏｔ　Ｇ，ｅｔ　ａ１．Ｍｏｄｅｌｅｄ　ａｎａｌｙｓｉｓ　ｏｆ　ｔｈｅ　ｂｉｏｐｈｙｓｉｃａｌ　ｎａｔｕｒｅ　ｏｆ　ｓｐｅｃｔｒａｌ　ｓｈｉｆｔｓ　ａｎｄ　ｃｏｍｐａｒｉｓｏｎ　ｗｉｔｈ　ｉｎｆｏｒｍａｔｉｏｎ　９２　ｃｏｎｔｅｎｔ　ｏｆ　ｂｒｏａｄ　ｂａｎｄｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，１９９２，　４１：１３３—１４２　［１６］童庆禧，张兵，郑兰芬．高光谱遥感原理、技术与应用［Ｍ］．　北京：高等教育出版社，２００６　［５］Ｂｒｏｇ￣Ｎ　Ｈ，Ｌｅｂｌａｎｃｈ　Ｅ．Ｃｏｍｐａｒｉｎｇ　ｐｒｅｄｉｃｔｉｏｎ　ｐｏｗｅｒ　ｎｄ　ａｓｔａｂｉｌｉｔｙ　ｏｆ