全 文 ：基于多端元光谱分解的干旱区植被覆盖度遥感反演*
廖春华摇 张显峰**摇 刘摇 羽
(北京大学地理信息与遥感研究所, 北京 100871)
摘摇 要摇 植被覆盖度是评价陆地生态系统状况与土地荒漠化程度的重要指标.利用环境一号
(HJ鄄1)小卫星上搭载的新型高光谱传感器 HSI获取的数据,通过纯净像元指数和端元平均均
方根误差相结合的方法提取合适的端元光谱,然后基于多端元混合像元分解(MESMA)模型,
反演了新疆石河子地区的植被覆盖度(FVC) .通过与线性光谱分解(LSMA)模型反演结果以
及地面样方数据进行比较,对 HJ鄄1 / HSI 数据反演结果进行精度评价与光谱验证. 结果表明:
MESMA模型能对不同的像元选取不同端元组合,更接近实际情况,比 LSMA 模型能更好地提
取植被覆盖度信息;与 LSMA模型相比,MESMA模型反演的 FVC值与地面实测数据的相关系
数从 0. 766 提高到 0. 838,均方根误差从 0. 375 减少到 0. 196.
关键词摇 混合光谱分析摇 高光谱遥感摇 端元平均均方根误差摇 环境一号小卫星摇 石河子
文章编号摇 1001-9332(2012)12-3243-07摇 中图分类号摇 S561摇 文献标识码摇 A
Remote sensing retrieval of vegetation coverage in arid areas based on multiple endmember
spectral unmixing. LIAO Chun鄄hua, ZHANG Xian鄄feng, LIU Yu (Institute of Remote Sensing and
GIS, Peking University, Beijing 100871, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(12): 3243-3249.
Abstract: Vegetation coverage is an important indicator in the assessment of terrestrial ecosystem
and land desertification. By using the data acquired from the novel hyperspectral sensor HIS in Chi鄄
nese HJ鄄1 small satellite, the suitable endmember spectrum was extracted by the combination of
pixel purity index and endmember average root mean square error. Then, the vegetation coverage
(FVC) in Shihezi area of Xinjiang, Northwest China was retrieved by the model of multiple end鄄
member spectral mixture analysis (MESMA). With the comparison of the FVCs retrieved from the
linear spectral analysis (LSMA) model and the measurement results, the FVCs retrieved from the
MESMA model were evaluated. The results showed that the MESMA model enabled the use of dif鄄
ferent endmember combinations for different image pixels, and thus, could perform better than the
LSMA model in the estimation of regional FVCs. As compared with the LSMA model, the correla鄄
tion coefficient between the FVCs retrieved from the MESMA model and the measured FVCs in鄄
creased from 0. 766 to 0. 838, while the root mean square error decreased from 0. 375 to 0. 196.
Key words: spectral unmixing analysis; hyperspectral remote sensing; endmember average root
mean square error; HJ鄄1 small satellite, Shihezi of Xinjiang.
*国家自然科学基金项目(41071257)和“十二五冶国家科技支撑计
划项目(2012BAH27B03)资助.
**通讯作者. E鄄mail: xfzhang@ pku. edu. cn
2012鄄03鄄14 收稿,2012鄄09鄄24 接受.
摇 摇 植被覆盖度是刻画地表植被覆盖状况的一个重
要参数,也是描述陆地生态系统的重要基础数据.获
取地面植被覆盖度的方法通常有地面测量、遥感测
量及二者相结合的方法[1-3] .遥感技术的发展,使及
时、动态地获取大范围植被覆盖的定量信息成为可
能.当前,通过遥感反演植被覆盖度的方法主要有 3
种,分别为经验模型法、植被指数法和混合像元分解
法[4-6] .其中,混合像元分解是近年来被广泛使用的
方法.这是因为受空间分辨率的限制,一个遥感像元
实际上可能由多个组分构成,对于中低分辨率遥感
影像来说这种现象尤为明显[7] . 混合像元分解模型
大致可区分为线性模型和非线性模型,前者包括像
元二分模型、线性光谱分解模型,后者包括概率统计
模型、随机几何模型、几何光学模型及模糊模型
等[8] .线性光谱分解(LSMA)具有一定的局限性[9] .
多端元混合像元分解技术(MESMA)是对 LSMA 模
型的改进[10],目前广泛运用于不同植被和地理环境
应 用 生 态 学 报摇 2012 年 12 月摇 第 23 卷摇 第 12 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Dec. 2012,23(12): 3243-3249
分析,包括地表物质组成信息提取和土地覆盖分类
等,并且取得了较好的效果. 如 Dennison 等[11]用
MESMA方法对美国南卡罗莱纳州的阔叶林进行植
被种类和土地覆盖的制图;Painter 等[12]用 MESMA
方法对加利福利亚内华达山脉雪的晶粒大小进行制
图;Franke等[13]利用层次多端元混合像元光谱分解
法对德国波恩市的 HyMap影像进行亚像元分析,获
得了城市地表精细的物理组成信息;Dennison 和
Roberts[14]在 MESMA方法基础上,利用端元平均均
方根误差( endmember average root mean square er鄄
ror,EAR)指数选取最优端元,对美国加利福尼亚
Santa Barbara市地表进行了很好的土地覆盖分类;
Youngentob 等[15]基于 HyMap 影像运用 MESMA 对
两种桉树品种进行分类和制图,并对比光谱包络线
去除前后的分类精度,发现对高光谱影像去除包络
线之后的分类精度明显提高. MESMA 还被运用于
月球表面物质制图[16]以及加利福利亚州半干旱环
境下的植被制图[17] .
干旱半干旱地区的植被覆盖变化以及土壤含水
量、土壤类型、土壤结构等的差异都非常大,导致土
壤、植被的光谱存在明显差异[18],用 LSMA 模型或
像元二分模型难以得到较准确的植被覆盖度估算结
果.因此,本文利用纯净像元指数(PPI)和 EAR相结
合的方法选取不同覆盖类型中最有代表性的端元光
谱,运用 MESMA模型建立植被覆盖度估算方法,以
地面样方数据为参照,通过与 LSMA相比较,对本文
提出方法的精度和适用性进行评价与分析.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
研究区(43毅15忆—45毅23忆 N,84毅40忆—86毅43忆 E)
地处天山北麓中段、准格尔盆地南缘,北临古尔班通
古特沙漠(图 1),其地势由东南向西北倾斜,海拔差
异较大,地貌主要包括山地、黄土丘陵、平原和沙漠.
土壤类型多为灌耕灰漠土、潮土、盐碱土、风沙土、棕
钙土、灰棕漠土和石质土等. 该区属典型的干旱气
候,干燥少雨,蒸发量大,昼夜温差大,年均气温
7. 5 ~ 8. 2 益,年降水量 110 ~ 200 mm,包括高山雪
盖、高山草甸、高山森林等山地生态系统和山前丘陵
草地生态系统、绿洲农业生态系统以及位于盆地中
心的荒漠生态系统. 研究区土地利用类型主要包括
旱地、林地、草地、沙地、水域、城镇和农村居民地及
其他一些未利用地.自然植被受降雨影响显著,存在
一定的年际波动.
图 1摇 研究区位置示意图
Fig. 1摇 Sketch map of the location of the study area.
1郾 2摇 数据来源及预处理
将 2009 年 7 月新疆石河子地区的 4 景 HJ鄄1 /
HSI影像数据(源于中国资源卫星应用中心[19] )拼
接成研究区遥感影像. 利用 ENVI 的 FLAASH 模块
对数据进行大气校正,并以土地利用图为参考进行
几何精校正,校正误差控制在 0. 5 个像元内. 由
Landsat TM / ETM遥感数据目视解译结合地面调查
得到 2008 年土地分类 /覆盖数据. 2009 年 7 月 22—
31 日,在新疆石河子及周边地区采集包括植被覆盖
度、地面光谱在内的地面实测数据[20] . 根据不同土
壤类型、植被覆盖类型等,在高山区、山前丘陵、荒漠
区、农田区分别进行样方数据测量与获取,草地样方
大小为 1 m伊1 m,共 49 个样方,灌丛样方大小为
5 m伊5 m,共 13 个样方,林地和沙漠样方大小为
30 m伊30 m,共 51 个样方,农田样方大小为 2 m 伊
2 m,共 33 个样方.对于山坡植被,所设样地沿坡度
方向由下至上每隔 5 m 测量一次;另外两种样方为
正交十字采样和双向剖面采样. 146 个样方中,89 个
样方落在本研究区内.
由于研究区属干旱半干旱地区,水体对植被覆
盖度提取的影响不大,所以首先对研究区中的水体
(水库、洼地、冰川等)进行掩膜处理.
1郾 3摇 最优端元选择
在线性光谱混合分析中,端元的选择很重要,必
须认真选取[21] . 在大气校正后的 HSI 高光谱影像
中,影像光谱与地面实测光谱存在一定差异,所以从
影像直接选取某组分纯净像元的光谱作为端元光
谱,可保证与影像的尺度一致.从高光谱影像提取端
元光谱的方法有 PPI 指数法[22]、MEST 算法[23]、
PCA方法[24-25]和 EAR方法[11] . EAR 方法常用于选
择每种土地覆盖类型的代表端元光谱,算式如下:
EARAi,A= (移
n
j = 1
RMSEAi,Aj) / (n - 1) (1)
式中:A为土地覆盖类型;n 为 A 类中端元光谱数
4423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
量;Ai为 A类中第 i条端元光谱;EARAi,A为 A 类中第
i条端元光谱的平均均方根误差;RMSEAi,Aj为 A类土
地覆盖类型中第 i 条端元光谱用 A 类中第 j 条光谱
分解的均方根误差. EAR 值越小,表明这条光谱的
代表性越好,其值越大则证明这条光谱可能是离群
点,没有代表性.因此,利用 EAR可为端元的合并或
分离提供依据,进而指导端元光谱的优化和选取.
由于某类端元可能存在光谱差异,代表该类端
元的代表光谱可能不止一条,故本文利用 EAR 和
PPI从 HSI影像选取最优端元光谱,以从多条光谱
中选择最具代表性的光谱. 具体步骤如下:首先,将
研究区的 HSI 数据进行 MNF 变换,再计算 PPI,并
且选取 PPI大于某阈值作为感兴趣区域,再结合土
地覆盖数据,从每种土地覆盖类型中选取一定数量
且 PPI大于该阈值(本文取 PPI = 15)的像元光谱
(表 1)来创建光谱库.
摇 摇 要计算 EAR,必须先计算同一土地覆盖类型中
任意一条光谱,用该土地覆盖类型中其他光谱分别
分解产生的 RMSE. 本文中计算的 RMSE 用一个矩
阵表示,该矩阵 165 行 165 列,图像中每个像元的亮
度代表 y轴端元光谱分别用 x轴端元光谱进行线性
光谱分解时产生的 RMSE(图 2). 最后计算每类中
每一个端元光谱的 EAR,具有最小 EAR的光谱被选
作该端元类的端元光谱. 本研究中,为了降低运算
量,从每种土地覆盖类型中选取 EAR最小的 3 条光
谱作为该土地覆盖类型的代表端元光谱(图 3).
摇 摇 端元选取包括确定端元数量和端元光谱. 理论
上只要端元数量小于波段数,方程组就可求解;而实
际上由于端元波段间的相关性,选取过多的端元会
导致分解结果的更大误差,尽管此时残差会减
少[26] .在能够描述一个场景内光谱的大部分方差的
前提下,越少的端元数量是最好的选择[27] . 在城市
地区,最常用的端元选取方式是由 Ridd[28]提出的植
被鄄不透水层鄄土壤端元模型;在非城市地区,一般采
用植被鄄土壤鄄阴影(或干植被)端元模型.研究区的
表 1摇 几种土地覆盖类型所选取的光谱数量
Table 1摇 Number of the spectra selected for each land cover
土地覆盖类型
Land cover type
光谱数
Spectra number
农作物 Crop 56
林地 Woodland 18
草地 Grass 37
高反射率土壤 High reflectivity soil 29
低反射率土壤 Low reflectivity soil 25
合计 Total 165
图 2摇 RMSE矩阵图像
Fig. 2摇 An image of RMSE matrix.
1)农作物 Crop; 2)林地 Woodland; 3)草地 Grass; 4)高反射率土壤
High reflectivity soil; 5)低反射率土壤 Low reflectivity soil. 下同 The
same below.
图 3摇 几种典型土地覆盖类型的端元光谱
Fig. 3摇 Endmember spectra of some typical land covers.
土壤包括高反射率土壤和低反射率土壤,包括土壤
的粒径、含水量和表面结构组成.土壤端元包含裸土
(反射率较高)和沙地(反射率较低)两种端元光谱;
植被端元组包括农作物、林地和草地 3 种端元光谱.
其中,二端元组合包括植被鄄阴影、土壤鄄阴影,三端
元组合包括植被鄄土壤鄄阴影.
1郾 4摇 多端元混合像元分解模型
线性混合像元分析方法的基本假定是,组成混
合像元的几种不同地物的光谱以线性方式组合成混
合像元的光谱[29-30] . LSMA模型如下:
籽忆姿 =移
N
i = 1
f i籽i姿 + 着姿 (2)
移
N
i = 1
f i = 1摇 (0 臆 f i 臆1,2 臆 N 臆 j) (3)
RMSE = 移
M
姿 = 1
(着姿) 2 / M (4)
式中:籽i姿为端元 i在波段 姿的反射率;f i 为端元在像
元中所占比例;N 为端元数量;着姿 为残余误差; j 为
最大的端元组分数;M为波段总数.
542312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 廖春华等: 基于多端元光谱分解的干旱区植被覆盖度遥感反演摇 摇 摇 摇 摇
多端元混合像元分解(MESMA)方法(图 4)是
LSMA方法的一种改进. LSMA对每个像元采用同一
端元组合,忽略了同物异谱现象;MESMA 将像元光
谱看作是端元光谱的线性混合,且允许端元的类型
和数量随像元的不同而变化,即同一像元可以运行
不同的模型,然后根据一定的选择准则(如比例约
束、均方根误差约束、残差约束),选择最适合每个
像元的端元组合[7] . 由于在遥感成像过程中,地物
阴影普遍存在,MESMA 将阴影作为一个端元考虑,
更符合实际情况.
1郾 5摇 基于多端元的分解方法
将农作物、林地、草地这几种覆盖类型的端元光
谱统一归为植被端元组,高反射土壤和低反射土壤
的端元光谱归为土壤端元组,运行受约束的二端元
和三端元 MESMA模型.三端元模型过程如下:将植
被端元组中的每条端元光谱与土壤端元组中的每条
光谱进行两两组合,再加上阴影端元,对每个组合进
行线性光谱分解,并计算每个像元的 RMSE,最后对
每个像元选取 RMSE最小的端元组合作为该像元的
最佳端元组合,用该组合进行光谱分解得到各组分
(植被、土壤、阴影)的丰度. 同理,进行 HSI 影像的
二端元 MESMA模型分解(图 5).
摇 摇 理论上,各组分(除去阴影)占像元的比例应该
在 0 ~ 1,但实际操作中会存在误差. Halligan[31]发
现,利用 MESMA对黄石公园进行高光谱制图时,当
端元比例约束在 1. 06 时精度最高,所以本研究分别
将除阴影外的端元的比例约束条件设为[ -0. 06,
1郾 06],阴影最大比例设为 0. 8,RMSE 和残差约束
设为 0. 025. 通过分别运行二端元和三端元的
MESMA模型发现,二端元分解成功的像元占研究区
图 4摇 MESMA方法流程图
Fig. 4摇 Flowchart for the MESMA approach.
玉:端元选择 Endmember selection; 域:用不同模型运行简单的 SMA
方法 Run SMA method with different models; 芋:每个像元选择最优模
型 Select optimal modelfor each endmember; 郁:各物质丰度 Abound鄄
ance of each substance; 吁:精度验证 Accuracy test.
全部像元的 14. 8% ,三端元分解成功的像元占研究
区全部像元的 94. 9% ,只能被二端元分解而不能被
三端元分解的像元占研究区全部像元的 0. 4% ,所
以二端元模型并不能明显提高结果的统计精度. 为
了降低处理过程的复杂性,本文最终选择三端元模
型进行像元光谱分解.然后将阴影归一化处理,去掉
阴影的影响,其他端元的比例总和为 1,最后得到植
被覆盖度分布图(图 6).由表 2 可以看出,研究区农
作物+土壤(高反射率和低反射率) +阴影模型所占
的像元比例最大(44. 9% ),与实际情况相符. 未分
解的像元大多集中在研究区南部的雪山附近. 这是
因为用于冰雪水体掩膜的土地覆盖数据是解译至
2008 年 8 月下旬的 Landsat TM数据,HJ鄄1 / HSI数据
是 2009 年 7 月获取,存在雪被范围的差异,而所使
用的土地覆盖图没有将其雪被全部掩膜,导致该区
域缺少端元光谱而未能成功分解. 还有少量未成功
分解的像元在荒漠地区,可能是缺少荒漠植被的端
图 5摇 基于 MESMA的植被覆盖度估算技术流程图
Fig. 5 摇 Technic flowchart for deriving FVC based on MESMA
method.
图 6摇 基于 MESMA方法反演的植被覆盖度图
Fig. 6 摇 Vegetation coverage ( FVC) map estimated using the
proposed MESMA models.
- 未成功分解像元 Fail unmixed EMs.
6423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
表 2摇 各模型分解成功的图像像元的比例
Table 2 摇 Proportion of the image pixels successfully un鄄
mixed by each model
不同的端元组合模型
Combined model of
different endmembers
%
草地+低反射率土壤+阴影
Grass+soil of low reflectivity+shade
17. 1
林地+低反射率土壤+阴影
Woodland+soil of low reflectivity+shade
11. 6
农作物+低反射率土壤+阴影
Crop+soil of low reflectivity+shade
20. 9
草地+高反射率土壤+阴影
Grass+soil of high reflectivity+shade
12. 6
林地+高反射率土壤+阴影
Woodland+ soil of high reflectivity+shade
8. 8
农作物+高反射率土壤+阴影
Crop+soil of high reflectivity+shade
24. 0
未能分解像元
Fail unmixed endmembers
5. 1
元光谱或沙漠结皮的颜色与高亮度沙地不一致,导
致 RMSE超出能分解的阈值范围.
研究区南部的天山北坡分布着高山草甸和云杉
等林地,由于充足的水分供给,植被覆盖度大都在
75%以上,森林边缘的草地覆盖度在50% ~75% ;农
田区域,由于农作物种类不同,植被覆盖度在
40% ~100% ;在荒漠地区,部分地区植被覆盖度在
10% ~20% ,部分地区植被覆盖度在20% ~40% ;北
部沙漠地区的植被覆盖度基本为 0,符合实际情况.
2摇 结果与分析
2郾 1摇 反演结果与地面实测数据的对比
本文中地面实测数据的获取时间是 2009 年 7
月,与遥感数据获取的时间大致相同.由于遥感影像
的分辨率与实测样方大小不一致,将落在同一个影
像像元里的实测点的植被覆盖度取平均值,这样处
理之后共有 31 个实测数据,然后分别与 MESMA 和
LSMA模型的反演结果进行对比分析.
由图 7 可以看出,MESMA比 LSMA能得到更高
精度的估算结果,MESMA 模型反演的植被覆盖度
与实测值的均方根误差为 19. 6% ,且与实测值的相
关性更高(R2 = 0. 84),而 LSMA 模型得到的结果与
实测值的均方根误差为 37. 5% ,与实测值的相关性
较低(R2 =0. 77).在高植被覆盖度区,两种方法所得
结果的差别较明显,主要表现在农田和林地区域,
MESMA方法在农田和林地区域分别选取一系列端
元,然后分别从这些端元中通过 EAR方法选取 3 条
具有代表性的光谱,每个像元选取 RMSE 最小的端
元组合,使分解精度进一步提高,是简单 LSMA模型
图 7摇 MESMA和 LSMA反演的植被覆盖度与实测值的比较
Fig. 7摇 Comparison of MESMA鄄derived FVC and LSMA鄄derived
FVC using the in situ measurements as a reference.
难以达到的,而且 MESMA方法去除了阴影的影响,
使其反演的植被覆盖度精度得到明显提高. 在荒漠
地区,由于不能直接在图上提取荒漠植被的纯净像
元,所以荒漠植被光谱用草地光谱来代替.由于实地
测量选取的样方大小和影像分辨率不一致,所以
MESMA模型反演结果仍然存在误差.
2郾 2摇 光谱验证
由图 8 可见,在荒漠地区边缘选取有较好荒漠
植被覆盖的像元,根据反演结果,该像元的植被覆盖
度是 34. 3% ,那么沙地的比例是 65. 7% . 先将实测
光谱重采样到影像的波段范围,根据线性光谱模型,
将实测的梭梭和沙地反射率光谱按比例进行线性组
合,得到该像元模拟光谱;农田地区的主要农作物有
棉花、玉米和油葵,选取棉花植株光谱与裸地光谱按
比例线性组合,在影像上,农作物的覆盖度为
89郾 4% ,裸地比例为 10. 6% ;最后得到模拟光谱与
影像上像元的实际光谱. 利用实测光谱的线性混合
得到的模拟光谱曲线与影像上的光谱曲线趋势基本
相同,反射率的误差也基本保持在一定范围内,但影
像中像元光谱(460 ~ 530 nm)与模拟光谱的趋势不
一样,前者的光谱反射率高于后者,原因主要在于传
感器和复杂的外部环境,原始数据即使经过辐射校
正,也不能使影像光谱与实测光谱完全一致.表明所
选取的端元光谱可代表研究区典型覆盖类型的光谱
特征.
742312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 廖春华等: 基于多端元光谱分解的干旱区植被覆盖度遥感反演摇 摇 摇 摇 摇
图 8摇 实测光谱模拟的像元光谱(Ss)与影像光谱(Is)的比较
Fig. 8 摇 Comparison between the simulated spectrum (Ss) and
image spectrum (Is).
a)沙漠植被(玉)、沙地(域)、农作物(芋)和裸地(郁)的实测光谱摇
In situ measured spectra of desert vegetation (玉), sand (域), crops
(芋) and soil (郁); b)对实测的沙地与梭梭光谱平均值重采样后模
拟农田像元光谱与影像像元光谱 Simulated spectrum and image spec鄄
trum of the pixel based on mean measured values after resample contai鄄
ning sand and Haloxylon ammodendron; c)对实测的棉花植株与裸地
光谱平均值重采样后模拟农田像元光谱与影像像元光谱 Simulated
spectrum and image spectrum of the pixel based on mean measured values
after resample containing bare land and cotton.
3摇 讨摇 摇 论
本文基于环境小卫星获取了 HSI 高光谱数据,
并将多端元分解方法用于干旱区植被覆盖度的反
演.其中,如何选择合适的端元是进行混合像元分解
关键的一步.本研究提出利用 PPI 和 EAR 相结合的
方法选取端元光谱,首先利用 PPI选出纯净像元,然
后从纯净像元中选取具有最小 EAR的端元,这样选
取的端元不仅是光谱较纯净的像元,而且是同一类
中最具代表性的端元. 用 MESMA 方法可以从不同
土壤和植被类型中选取端元光谱,对不同像元按照
一定的准则选取不同的端元组合,可大大提高分解
精度.通过选择三端元的 MESMA 模型对石河子及
周边地区的植被覆盖度进行估算,结果表明,MES鄄
MA适合利用中低空间分辨率、低高光谱遥感数据
进行植被覆盖度估算.
以地面实测数据作为参考,MESMA比 LSMA的
模型精度明显提高.用不同植被类型(荒漠植被、农
作物)和不同土壤类型(沙地、裸地)的实测光谱分
别按照不同像元反演的植被和土壤比例进行线性混
合,模拟混合像元的光谱,结果表明,模拟像元光谱
与影像像元光谱的形状和反射率曲线的形状基本一
致.这不仅证明用 MESMA 方法反演植被覆盖具有
较高的精度,也证明了用影像上其他类型植被端元
代替荒漠植被端元反演出来的荒漠植被覆盖度是合
理的.对于空间分辨率较低的高光谱数据,荒漠植被
很难找到纯净像元,而实测的光谱与图像光谱之间
存在差异,直接用实测荒漠植被光谱作为端元光谱
并不能得到准确结果.
未来的重点研究方向应着重于:减小 MESMA
反演结果验证的不确定性,提高反演结果评价方法
本身的精度.另外,还应考虑如何利用实测光谱校正
图像光谱,将实测光谱与影像光谱结合起来,使植被
覆盖度反演精度进一步提高,以及明确不同尺度遥
感数据对植被覆盖度反演的影响.
参考文献
[1]摇 Gutman G, Lgnatov A. The derivation of the green vege鄄
tation fraction from NOAA / AVHRR data for use in nu鄄
merical weather prediction models. International Journal
of Remote Sensing, 1998, 19: 1533-1543
[2]摇 Tammervik H, Hogda JA, Solheim I. Monitoring vege鄄
tation change in Pasvik (Noway) and Pechenga in Kola
Peninsula (Russia) using multitemnoral Landsat MSS /
TM data. Remote Sensing of Environment, 2003, 85:
370-388
[3]摇 Zhang Y鄄X (张云霞), Li X鄄B (李晓兵), Chen Y鄄H
(陈云浩). Overview of field and multi鄄scale remote
sensing measurement approaches to grassland vegetation
coverage. Advances in Earth Science (地球科学进展),
2003, 18(1): 85-93 (in Chinese)
[4]摇 Zhang Z鄄X (张志新), Deng R鄄R (邓孺孺), Li H (李
灏), et al. Remote sensing monitoring of vegetation
coverage in southern Chine based on pixel unmixing: A
case study of Guangzhou City. Remote Sensing for Land
&Resources (国土资源遥感), 2011, 22(3): 88 -94
(in Chinese)
[5]摇 Hu S鄄J (胡姝婧), Hu D鄄Y (胡德勇), Zhao W鄄J (赵
文吉). Extract urban vegetation coverage based on
LSMM and improved FCM: A case study in Haidian
District. Acta Ecologica Sinica (生态学报), 2010, 30
(4): 1018-1024 (in Chinese)
[6]摇 Niu B (牛摇 宝), Liu J鄄R (刘俊蓉), Wang Z鄄W (王
政伟). Remote sensing information extraction based on
vegetation fraction in drought and half鄄drought area.
Geomatics and Information Science of Wuhan University
(武汉大学学报·信息科学版), 2005, 30(1): 27-
8423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
30 (in Chinese)
[7]摇 Li X鄄X (李晓雪), An R (安 摇 如), Wu H (吴 摇
红), et al. Extraction of the vegetation fraction based
on an improved multiple endmember spectral mixture
analysis for the central and eastern area of source region
of Yangtze, Yellow and Lantsang rivers. Remote Sensing
Technology and Application (遥感技术与应用), 2011,
26(3): 383-391 (in Chinese)
[8] 摇 Tao Q鄄X (陶秋香), Tao H鄄X (陶华学), Zhang L鄄P
(张连蓬). Study on applying linear mixing spectral
model in vegetation classification using hyperspectral re鄄
mote sensing. Reconnaissance Science and Technology
(勘察科学技术), 2004(1): 21-24 (in Chinese)
[9]摇 Adams JB, Smith MO, Johnson PE. Spectral mixture
modeling: A new analysis of rock and soil types at the
Viking Lander I site. Journal of Geophysical Research,
1986, 91: 8098-8812
[10]摇 Roberts DA, Gardner M, Church R, et al. Mapping
chaparral in the Santa Monica Mountains using multiple
endmember spectral mixture models. Remote Sensing of
Environment, 1998, 65: 267-279
[11]摇 Dennison PE, Roberts DA, Regelbrugge J. Characteri鄄
zing chaparral fuels using combined hyperspectral and
synthetic aperture radar. Proceedings of the Ninth JPL
Airborne Earth Science Workshop, Pasadena, CA:
2000: 119-124
[12]摇 Painter TH, Dozier J, Roberts DA, et al. Retrieval of
subpixel snow鄄covered area and grain size from imaging
spectrometer data. Remote Sensing of Environment,
2003, 85: 64-77
[13]摇 Franke J, Roberts DA, Halligan K, et al. Hierarchical
multiple endmember spectral mixture analysis ( MES鄄
MA) of hyperspectral imagery for urban environments.
Remote Sensing of Environment, 2009, 113: 1712-1723
[14]摇 Dennison PE, Roberts DA. Endmember selection for
multiple endmember spectral mixture analysis using end鄄
member average RMSE. Remote Sensing of Environ鄄
ment, 2003, 87: 123-135
[15]摇 Youngentob KN, Roberts DA, Held AA, et al. Map鄄
ping two Eucalyptus subgenera using multiple endmem鄄
ber spectral mixture analysis and continuum鄄removed
imaging spectrometry data. Remote Sensing of Environ鄄
ment, 2011, 115: 1115-1128
[16]摇 Li L, Mustard JF. Highland contamination in lunar mare
soils: Improved mapping with multiple endmember spec鄄
tral mixture analysis (MESMA). Journal of Geophysical
Research, 2003, 108: 7-14
[17]摇 Okin GS, Roberts DA, Murray B, et al. Practical limits
on hyperspectral vegetation discrimination in arid and
semiarid environments. Remote Sensing of Environment,
2001, 77: 212 – 225
[18]摇 Zhang J鄄H (张军红), Wu B (吴摇 波). Research pro鄄
gress of soil moisture of arid and semi鄄arid regions. Soil
and Water Conservation in China (中国水土保持),
2012(2): 40-42 (in Chinese)
[19] 摇 China Center for Resources Satellite Data and Applica鄄
tion (中国资源卫星应用中心). Introduce of H1J鄄A,
B Satellite (2010鄄08鄄09) [2011鄄12鄄23]. http: / / www.
cresda. com / n16 / index. html (in Chinese)
[20]摇 Jiang M (江摇 淼). Remote Sensing Information Model
for Regional Land Desertification Monitoring and Assess鄄
ment. PhD Thesis. Beijing: Peking University, 2010
(in Chinese)
[21]摇 Tompkins S, Mustard JF, Pieters CM, et al. Optimiza鄄
tion of endmembers for spectral mixture analysis. Remote
Sensing of Environment, 1997, 59: 472 – 489
[22]摇 Boardman JW, Kruse FA, Green RO. Mapping target
signatures via partial unmixing of AVIRIS data. Fifth
Annual JPL Airborne Earth Science Workshop, Pasade鄄
na, CA, 1995: 96-102
[23]摇 Bateson A, Curtiss B. A method for manual endmember
selection and spectral unmixing. Remote Sensing of En鄄
vironment, 1996, 55: 229-243
[24]摇 Maselli F. Multiclass spectral decomposition of remotely
sensed scenes by selective pixel unmixing. IEEE Trans鄄
actions on Geoscience and Remote Sensing, 1998, 36:
1809-1820
[25]摇 Pinet PC, Shevchenko VV, Chevrel SD, et al. Local
and regional lunar regolith characteristics at Reiner
Gamma Formation: Optical and spectroscopic properties
from Clemen鄄tine and Earth鄄based data. Journal of Geo鄄
physical Research, 2000, 105: 9457- 9475
[26]摇 Radeloff VC, Mladenoff DJ, Boyce MS. Detecting Jack
Pine budworm defoliation using spectral mixture analy鄄
sis: Separating effects from determinants. Remote Sens鄄
ing of Environment, 1999, 69: 156-169
[27]摇 Sabol DE, Adams JB, Smith MO. Quantitative subpixel
spectral detection of targets in multispectral images.
Journal of Geophysical Research, 1992, 97: 2659-2672
[28]摇 Ridd MK. Exploring a V鄄I鄄S ( vegetation鄄impervious
surface鄄soil) model for urban ecosystem analysis through
remote sensing: Comparative anatomy for cities. Inter鄄
national Journal of Remote Sensing, 1995, 16: 2165 -
2185
[29]摇 Adams JB, Smith MO, Gillespie AR. Imaging spectrosco鄄
py: Interpretation based on spectral mixture analysis / /
Pieters CM, Englert PAJ, eds. Remote Geochemical
Analysis: Elemental and Mineralogical Composition.
Cambridge: Cambridge University Press, 1993: 145-166
[30]摇 Gillespie AR, Smith MO, Adams JB, et al. Interpreta鄄
tion of residual images: Spectral mixture analysis of
AVIRIS images, Owens Valley, California. Proceedings
of the Second Airborne Imaging Spectrometer Data Anal鄄
ysis Conference, Pasadena, CA: 1990: 243- 270
[31]摇 Halligan KQ. Multiple Endmember Spectral Mixture
Analysis of Vegetation in the Northeast Corner of Yellow鄄
stone National Park. Master Thesis. Santa Barbara:
University of California-Santa Barbara, 2002
作者简介摇 廖春华,女,1988 年生,硕士研究生.主要从事高
光谱遥感与生态遥感研究. E鄄mail: xnliaochunhua@ 163. com
责任编辑摇 杨摇 弘
942312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 廖春华等: 基于多端元光谱分解的干旱区植被覆盖度遥感反演摇 摇 摇 摇 摇