高光谱遥感技术在农林植被调查方面的应用
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
高光谱遥感技术在农林植被调查方面的应用
高光谱分辨率遥感(简称高光谱遥感),是20世纪末迅速发展起来的一项集探测器技术、精密光学机械、微弱信号检测、计算机和信息处理技术于一体的全新遥感技术。
它能够获得地物的连续光谱信息,实现地物图像信息与光谱信息的同步获取,因而在地质、林业、农业、生态环境、海洋、军事等领域具有巨大的应用价值和广阔的发展前景。
植被作为遥感观测和记录的第一表层,是遥感数据反映的最直接信息。
目前,多光谱遥感已被广泛应用于植被的长势研究、沙漠化研究、气候演变规律分析等方面,但传统的多波段遥感数据对于植被的研究和应用仍仅限于一般性的红光吸收特征与近红外的反射特征及中红外的水吸收特征波段,由于受波段宽度和波段数以及波长位置的限制,往往对植被类型不敏感,对植被长势反映不理想,而高光谱遥感在对目标的空间特征成像的同时,对每个像元可在更宽范围上,形成几十个乃至几百个窄波段连续的光谱覆盖,使更深入地考察植被光谱的响应机制和物理机制成为可能,因此成为植被和林业方面监测的强有力工具。
1. 高光谱遥感在植被调查方面的优势
高光谱遥感在光谱分辨率方面的提高,使地物目标的属性信息探测能力有所增强,因此,较之全色和多光谱遥感,高光谱遥感有以下显著优势:
(1)成像光谱仪所获取的地物连续光谱比较真实,能全面反映自然界各种植被所固有的光谱特征以及其间的细节差异性,从而大大提高地物分类的精细程度和准确性,使得高光谱图像数据与光谱仪地面实测光谱曲线数据之间的直接匹配成为可能。
(2)高光谱图像数据提高了根据混合光谱模型进行混合像元分解的能力,减少了土壤等植被生长背景地物的影响,从而能够获取最终光谱端元的真实光谱特性曲线数据。
(3)高光谱分辨率的植被图像数据将对传统的植被指数运算予以改进,大大提高了植被指数所能反演的信息量,使人们可以直接收获诸如植被叶面积指数、生物量、光合有效吸收系数等植被生物物理参量。
(4)提高遥感高定量分析的精度和可靠性,基于高光谱分辨率的光谱吸收特征信息提取可以完成部分植被生物化学成分(如植被干物质和水分含量等)定量填图。
2. 高光谱植被参量的反演
植被生理、生化参量的精确估算对于生物多样性评价、陆地覆盖表征、生物量建模以及碳通量估算都具有非常重要的意义,应用遥感技术估测叶片和冠层水平上生化参量的时空变
化规律有助于了解植物生产率、凋落物分解速率以及营养成分有效性,提高资源管理的效率。
高光谱遥感获取的连续的精细的光谱浓缩了植被冠层结构和生化参量,从而为植被的生理、生化参量的精确估测提供可能和条件。
2.1植被遥感有关的生化物理参量
生物物理参量主要指用于陆地生态系统研究的一些关键变量,包括叶面积指数(LAI)、光合有效辐射吸收率(FAPAR)、生物量、植被覆盖度等。
植被生化参量的估算主要集中于色素(主要是叶绿素)、各种营养元素(特别是氮)以及纤维素、木质素、可溶性糖、淀粉和蛋白质等。
植物的营养元素状况能影响到叶面积、冠层形态、内在生理特征,从而与光谱特征密切相关。
不仅使快速、简易地诊断植被的营养状况成为可能,而且高光谱遥感技术的发展还使得大面积监测植物的营养状况(营养胁迫)和长势也取得了极大的进展。
2.2植被参量的高光谱遥感反演
植被生物物理和生物化学参量反演的方法大致有三种类型:
(1)传统的多元统计分析方法
通常是利用逐步回归分析方法筛选出反射率光谱或其变换形式(导数光谱、对数光谱等)与某个生物物理或生物化学参量的关系密切相关的若干个波段,建立统计回归方程,然后利用该方程对未知样本的参量进行预测、估算精度。
优点:简单易行,对可控条件下测得的光谱应用时,结果较好。
缺点:应用野外测量数据或遥感图像时,由于受到大气、冠层几何条件、结构、土壤背景等因素影响,所建立的回归方程往往对所使用的数据依赖性很强,使用不同的数据集所选的波段差异性较大。
因此,先对反射率光谱去包络,然后利用吸收深度(和吸收面积)进行归一化,在此基础上建立的逐步多元回归方法对植被的氮、木质素和纤维素含量进行估测,效果较好。
(2)基于光谱特征分析方法
该方法主要是基于单个特征参量或两个(或多个)特征波段组合的光谱指数,建立它们与某个生理或生化参量的经验方程,即特征参量法和光谱指数法。
特征参量法:将光谱上某个吸收特征(谷)或反射峰特征参量化,建立关联方程。
应用最广的是植被特有的“红边”,定义为反射率光谱在680-750nm波长之间的一阶导数最大值对应的波长位置。
并且由此派生出来的红边斜率等参量,对植被的叶绿素、生物量、氮、物候等变化敏感。
光谱指数法:将两个或多个特征经线性或非线性组合,构成对某个生理生化参量敏感的光谱指数。
例如我们熟知的NDVI,可用于估算植被覆盖度、叶绿素含量、生物量等参数。
优点:简单易用,且高光谱遥感数据的诸多窄波段为发展一个对植被参量敏感,且最大程度抑制大气、土壤等影响的光谱指数提供了更多选择空间。
缺点:此种反演模型属于经验或者半经验的统计模型,对植被参量的反演缺乏普适性和可移植性,特别是针对不同的植被类型(或数据源)需要重新拟合模型参数或调整波段。
(3)物理模型方法
物理模型反演方法的基础是辐射传输理论,对于某一特定时间的植被冠层而言,一般辐射传输模型可简化为:
S=F(λ,θS,λS,ΨV,C)
其中,λ为波长,θS,λS为太阳的天顶角和方位角,观测天顶角和方位角,C关于植被的特性参数,包括叶倾角、叶面积指数、叶片层数、叶绿素含量、水和干物质含量等。
物理模型又分为叶片模型和冠层模型。
叶片模型又分为N流模型、Ray tracing模型、随机模型、平板模型和针状模型,目前应用最多的为PROSPECT模型(基于Allen等开发的平板模型的辐射传输模型)。
冠层模型可归纳为四种:辐射传输模型、几何光学模型、混合模型和计算机模拟模型。
大量研究表明,直接利用物理模型对植被参数进行反演相当困难,且就生化参量反演目前仅限于叶绿素含量和水分含量。
物理模型更多的被用于大范围的多种可能条件下的植被光谱,基于这些光谱检验现在光谱指数的精度,并发展相应的光谱指数。
3. 高光谱遥感在植被方面的具体应用
3.1高光谱遥感在农业中的应用
高光谱遥感在农业中的应用,主要表现在快速、精确地进行作物生长信息的提取、作物长势监测、作物胁迫监测、估算植被(作物)初级生产力与生物量、估算光能利用率和蒸散量以及作物品质遥感监测预报。
从而相应调整投入物资的投入量,达到减少浪费,增加产量,改善品质,保护农业资源和环境质量的目的。
高光谱遥感凭借其极高的光谱分辨率为精细农业的发展提供了技术保障和数据来源。
(1)作物的精细分类和识别
农业遥感应用中,作物精准分类与识别是进行农业灾害监测和产量评估的重要环节。
多时相高光谱数据能区分作物更细微的光谱差异,探测作物在更窄波谱范围内的变化,从而能够准确地对作物进行详细分类与信息提取。
目前最流行、应用最广的高光谱作物分类方法有
光谱角分类(SAM)、决策树分层分类等。
中科院遥感所熊桢(2000)基于PHI航空高光谱影像对常州水稻生长期进行监测,利用混合决策树法对水稻的品种进行了高光谱图像的精细分类,该决策树分为三层、五个子集,通过4次最大似然法和一次最小距离完成了11种地物,其中包括6个水稻品种的划分,其测试样本的分类精度达到94.9%。
张兵(2002)充分考虑自然界地物分布的一般性规律,针对高光谱遥感海量数据的特征,利用光谱特征优化的专家决策分类方法,用PHI航空高光谱影像对日本南牧农作物进行精细分类。
结果表明,这种分类模式一方面可以提高像元分类精度,另一方面也大大减少了分类结果图像上的误判噪声。
图1 高光谱农作物精细分类识别结果
(2)作物长势的监测与产量预测
作物长势是作物生长发育状况评价的综合参数,长势监测是对作物苗情、生长状况与变化的宏观监测。
构建时空信息辅助下的高光谱遥感信息与作物生理特性及作物长势之间的关系模型便于作物长势监测,高光谱监测作物长势可分为植被指数以及结合GIS技术动态监测等方法。
高光光谱遥感可以利用植被指数(NDVI、DVI等)进行农田地表覆盖类型分类和作物长势监测分析。
例如,可以利用高光谱数据,通过分析NDVI和DVI,建立农田区域性覆盖指数模型,反映出区域性作物覆盖分异状况和随季节变化规律。
此外,海量高光谱遥感数据,结合GIS技术、GPS技术、网络技术和计算机技术,建立服务于农业领域的农情监测系统,对作物长势实现动态的监测,对农情灾害以及粮食产量进行快速预报。
作物高光谱遥感产量预测是通过搭载在卫星上的高光谱遥感器,来获取作物各生长时期光谱特征数据,对其反映的产量进行预测。
多数研究集中于作物种植面积遥感预测和单产预测。
作物种植面积遥感预测算法分为直接算法和间接算法两种。
直接算法一般是通过建立作
物指数与面积之间回归模型进行求解,如目前单产估算应用较多的是回归分析法,其基本原理为:
y=b0+b1x1+b2x2+b3x3+…+bixi+e
式中,y为作物产量;xi为经过平滑的光谱反射率或NDVI指数。
结合水稻的生长发育规律,对水稻抽穗后冠层、叶片和穗进行了高光谱反射率测定,根据光谱曲线特征构建了新的高光谱植被指数,利用相关分析方法分析水稻理论产量和实际产量与这些植被指数及冠层红边参数的相关关系,建立了水稻高光谱单产估算模型。
而间接算法是利用绿度-麦土比模式求出麦土比值作为已知值,然后利用土地面积乘上已知值求解作物种植面积。
(3)农业干旱监测
在农作物生产中,水肥是影响作物生长的最主要因素之一,水分是作物的主要组成成分,水分亏缺将直接影响作物的生理生化过程和形态结构,从而影响作物生长。
因此,及时准确地监测作物的水分状况对提高作物水分管理水平、指导节水农业生产具有重要意义。
利用高光谱成像技术对作物矿质营养和水分胁迫进行监测,进而估算作物的营养和需水状况,从而指导施肥灌溉,是近年来发展起来的一门新技术。
常用的遥感农业干旱监测方法分为植被指数-地表温度法、热惯量法等。
植被指数-地表温度法是综合利用可见光、近红外和热红外波段信息提取表征农业干旱的生态物理参数如植被指数、地表温度等,构建这些参数组成的光谱特征空间模型监测干旱,其中Sandholt 提出的温度植被干旱指数(TVDI)就是基于此方法构建的。
刘良云、张兵等利用OMIS图像数据中8个热红外波段和归一化发射率反演地表温度(LST),以高光谱导数植被指数(DVI)表征植被覆盖度,在DVI-LST二维空间中反映了地物覆盖度和水分含量差异:土壤含水量较低、需要灌溉的旺盛小麦地和稀疏小麦地位于DVI-LST三角形右侧;而水分充足、生长旺盛的小麦位于三角形左侧。
植被指数-地表温度法虽然简单、灵活,但是经验性太强,监测精度受到一定的限制。
图2 高光谱农田地物覆盖和水分含量图
热惯量法利用不同物质之间热惯量不同的特性,以土壤水分与土壤温度变化的关系为指导思路建立干旱监测模型。
早在1986年Carlson等利用遥感数据得到热惯量计算土壤有效水分,可以方便用于干旱监测。
田国良等提出用表观热惯量(A TI)代替真实热惯量,使模型简化,得到了广泛的应用。
热惯量法虽然精度较高,但是所需参数较多,只能适用于裸土或者很低植被覆盖区域。
并且作物缺水指数(CWSI)等方法在农田干旱监测中也越来越得到重视。
利用高光谱成像技术可以对作物的营养状况和水分含量进行比较准确的分析和检测,为变量施肥和灌溉提供参考,从而节省农业资源的投入。
高光谱水分诊断模型在农业生产中具有较高的应用价值和广阔的应用前景。
(4)农业病虫害监测
通过高光谱信息监测植物病虫害。
植物病虫害监测是通过监测叶片的生物化学成分来实现的,病虫害感染导致叶片叶肉细胞的结构发生变化,进而使叶片的光谱反射率发生变化。
同种健康小麦和发生条锈病的小麦植株(包括病害处于潜伏期的植株)的光谱特征存在明显差异,而这些差异主要体现在某个或某几个光的光谱吸收带上。
通过对不同病情指数下小麦冠层的光谱进行研究,发现小麦条锈病冠层反射率随小麦病情指数的变化呈明显而有规律的变化。
不同严重度小麦白粉病冠层光谱反射率及病情指数表明,灌浆期地面光谱测量冠层光谱反射率和低空遥感数字图像反射率与小麦白粉病病情指数存在显著的相关关系。
国内外许多学者基于高光谱影像分析了作物病害光谱响应,利用红边参数、迭代自组织、二项式分析等方法开展了小麦等作物条锈病光谱信息探测与识别研究,病虫害识别效果较好。
随着海量高光谱遥感数据的获取,区域性农业病虫害监测研究也越来越完善。
(5)估算植被(作物)初级生产力NPP与生物量
冠层的理化特性在一定程度上控制着森林(或作物)的初级生产力(NPP)。
比如叶面积和氮含量通过控制光合作用和传输速率来影响NPP。
张良培利用样本NDVI和测量所得的生物量数据进行回归分析,相关系数在0.7以上,黄熟期叶绿素的损失会在可见光波段表现出来,在出穗期的R1100和R1200可用于生物量估算。
(6)估算光能利用率和蒸散量
高光谱遥感所得的APAR(光合有效辐射)比LAI(叶面积指数)能更可靠地估计作物生物量,因为作物的光合作用过程直接把APAR能量转换成干物质,因此APAR是作物初级生产力的一个较好的指标。
张良培等通过分析光通过分析光合背景物质土壤光谱信号的特点,利用对光谱信号一阶导数的运算就能对混合光谱中的土壤信号进行压缩,由此计算APAR(在波长726. 3 nm处)能更客观地反映实际。
Hall等基于反射率曲线的二阶导数与光合有效辐射APAR的相关关系,对陆地植被的APAR进行了估计。
(7)作物品质遥感监测预报
中国对优质农作物有巨大需求,部分优质农作物产品供不应求或依赖进口。
通过监测作物生长过程而进行调优栽培,优化作物分类收获、分级收购加工体制,提高作物品质监控水平是保证作物品质的重要组成部分。
遥感技术的发展为作物品质信息的监测和预报提供了快捷、低廉、无损检测的手段。
近期研究重点是区域性的遥感模型与农学模型链接,农作物品质遥感-农学监测复合模型研制。
综合考虑土壤因子、气象因子等,通过监测作物干旱、过量施氮、病虫害、倒伏等作物品质的限制性因子,监测作物的生长和营养状况,链接遥感数据和作物模型,利用光学、热红外、雷达数据相互补充,充分考虑遥感数据和非遥感数据结合,有望建成实用化和商业化的作物品质监测预报系统,以指导作物分类收获,分级收购、加工或贮藏;对农作物产品实现优质优价,为粮食期货和参与国际粮食贸易提供决策信息,大大缩短粮食加工企业的检测化验时间并降低成本。
在现阶段采用/遥感粗分级筛选+实验室精测试可能成为定单农业中质量控制和降低成本的重要模式,受到粮食收购、加工等部门和企业用户的重视和期待。
3.2 高光谱遥感在林业中的应用
高光谱遥感森林应用一直是植被遥感的主要领域,近年来,国内外相继开展了森林类型识别、郁闭度和叶面积指数估测以及森林生物化学参数提取等方面的研究。
(1)森林物种识别
植被光谱不仅具有高度相似性和高空间变异性,更具有时间动态性强的特点,充分发挥高光谱遥感的独特性能,将大大提高物种识别和分类精度。
森林物种识别是高光谱植被特征识别研究中备受瞩目的应用领域。
森林树种类型识别的主要目的是提取森林树种的专题信息,为划分森林类型、绘制林相图和清查森林资源提供基础和依据。
目前研究多集中在河湖、盐沼、海岸滩等湿地生境的植被识别及制图,即群落尺度的区分,由于受光谱数据库不健全的限制,一般要结合地面调查来提取不同物种典型的特征光谱曲线。
数据源多采用A VIRIS,CASI、Hyprion等航空航天反射光谱数据,或高分辨率光谱仪实地测得的数据,通过波段组合、Logistic回归、建立光谱信息模型等方法,实现对主要物种、森林类型乃至具体树种的识别。
也有学者借此对植被空间分布制图、植被变化监测进行研究,均取得了与地面数据相当好的一致性。
(混合决策树、专家决策树法常用于农作物的精细分类,由于农田、草原等生境物种组成相对简单,高光谱遥感与普通遥感手段相比优势并不明显。
因此在这些领域,高光谱更多应用于草原生物量估算、农作物理化信息提取等方面。
)
图3 高光谱影像(CASI和SASI)森林树种识别结果
(2)冠层结构特征识别
这方面工作的重点主要是针对混交林冠层,以及在区分藤蔓植物和树种基础上的冠层描绘。
对于混交林而言,多样化的尺度和反射特征、多层树冠结构以及冠层内、冠层间的树荫
交错都给准确描绘树冠带来重重困难。
研究者试图通过混合光谱分解、高光谱双向反射分布函数等方法获得植被冠层结构特征,并取得了一些成果。
但是,高光谱遥感对于密集的、多冠层区域的冠层结构识别,精度还不是特别理想。
在植被冠层结构识别研究中,高光谱遥感还需要进一步的研究。
(3)生理生化特征识别
高光谱遥感在植被自动识别、植被长势及其空间分布定量化、冠层植被营养诊断、植被胁迫监测与诊断等方面均得到了广泛应用。
在森林树种的生理生化特征识别中,主要涉及叶面积指数、生物量、水分含量、郁闭度、光合有效辐射、叶绿素、各种营养成分(N、P、K 等),(半)纤维、木质素、淀粉和蛋白质等。
Zaroc2Tejada等通过不同尺度下冠层光谱模拟,获得了随叶绿素含量变化的一些规律。
发现MCARI/OSA VI能有效去除土壤背景对植被叶绿素含量估测的影响,利用MCARI/OSA VI植被指数进行叶绿素(a+b)含量的估测可达到预想的效果。
Dury等的研究中,使用包络线去除HYMAP遥感数据对桉树进行监测,发现利用高光谱数据反演的氮含量估测值与同步实测冠层叶片的氮含量具有一致性。
宫鹏等利用CASI高光谱数据对美国俄勒冈州针叶树的LAI进行了估测实验。
结果发现LAI与归一化植被指数(NDVI)之间的双曲线关系是估计LAI最合适的方法。
张良培等利用进行一阶导数运算处理后的高光谱数据对生物量进行估计,其结果很好地反映了地面的实际情况。
此外,我们还可以通过森林生理生化特性的识别得到不同森林树种间的差异信息,利用这些差异信息进行树种类型识别研究,可以更为有效地提高树种类型识别的精度。
如Martin结合不同森林树种之间特有的生化特性,将高光谱数据A VIRIS(航空可见光/红外成像光谱仪)与簇叶化学成分之间建立关系,成功鉴别了10种森林类型(红枫、红栎、阔叶混交林、白松、铁杉、针叶混交林、挪威云杉、红松、云杉沼泽林及落叶阔叶沼泽林)。
4. 农林业部门对高光谱遥感的指标要求
在遥感农林业应用中,人们最关心的是遥感数据能够制作多高精度的作物/森林分布图、作物/森林植被的内容能够解析到多细的程度,以及植被参量反演的精度等。
同时人们考虑最多的是应用遥感数据的成本如何、实用化的可能性有多大?后一个问题如能解决,遥感数据才可能真正实用化。
因此,在遥感技术林业应用时存在的一个问题是遥感能够提供怎样的数据,能够满足何种水平的农林业信息需求;另一个问题则是需求与成本之间的矛盾。
在以往的研究中,各国学者针对植被生物物理信息和生物化学信息提取展开了大量的研究,得出了一些有意义的结果和结论,可为农林业高光谱传感器的研制提供科学依据和指导
作用。
4.1高光谱遥感在农业部门应用中的重要特征谱段
(1)在高光谱作物水分监测中,ShibayamaM等发现在400-1900nm之间,近红外/中红外波段反射率及其一阶微分导数变化可以探测早期水稻冠层水分胁迫影响;Michio等研究指出在波段960 nm处的光谱微分导数可以监测水稻水分亏缺状况;田庆久等研究了小麦叶片水分含量与光谱反射率在1450 nm附近水的特征吸收峰深度和面积之间的关系是正相关,得出了利用光谱反射率可以定量测定作物含水量和诊断小麦缺水状况。
Ceccato等利用1600 nm和820 nm波段的反射率比(R1600/R820)估算单位叶面积水分含量。
同时植被光谱波段特征中,1530 nm和1720 nm波段适合对植被水分的估算。
(2)在植被生化生理参量反演研究中,国外Cho等从高光谱数据中提取红边位置,研究显示在波长680,694,724 和760 nm红边特征参数与叶绿素相关性高达0.86,减少了背景光谱噪音的影响。
蒋金豹、陈云浩等建立了微分光谱与小麦全氮含量之间的回归模型。
研究表明随病情加重,小麦全氮含量逐渐降低,并与一阶微分光谱在430~518、534~608、660~762 nm以及783~893 nm区域具有极显著相关性。
Jain等利用高光谱数据和实测数据对马铃薯氮含量与特定波段比值(R750/R710)建立回归模型,两者相关系数达到0.7以上,波谱特征比值对养分变化较敏感。
(3)作物长势和估产研究中,高光谱遥感可以利用植被指数(NDVI、DVI等)进行农田地表覆盖类型分类和作物长势监测分析。
刘良云、王纪华等利用高光谱数据近红外波段890 nm反射峰、980 nm和1200 nm两个弱水汽吸收谷、短波红外1650 nm和2200 nm反射峰设计新型光谱指数与冬小麦产量进行相关分析,相关水平较为显著。
4.2高光谱遥感在林业部门应用中的重要特征谱段
(1) 在森林叶面积指数估算方面,Gong等得出的结论是:中心波长为820,1040,1200,1250, 1650,2100和2260nm 的波段估测LAI最有潜力。
(2) Matson等发现中心波长在1525~1564nm的一阶微分光谱数据可用来描述冠层中氮(N)量的变化。
(3) 对于叶绿素,最佳的R2值来自二阶微分光谱的三项式回归方程(R2=0.944),此方程包含的中心波长分别为748nm、507nm和735nm;对于全氮的最佳R2值来自一阶微分光谱的三项式方程(R2=0.933),中心波长分别为780 nm、764 nm和566 nm。
Datt等有人认为波长710nm处的反射光谱对叶绿素含量具有最高灵敏度。
Gitelson and Merzlyak (1996)。