全 文 ：基于实测光谱混合像元分解的苹果园地
遥感提取技术*
董摇 芳1,2 摇 赵庚星1**摇 王摇 凌1 摇 朱西存1 摇 常春艳1
( 1山东农业大学资源与环境学院, 山东泰安 271018; 2济南大学资源与环境学院, 济南 250022)
摘摇 要摇 以山东省栖霞市为研究区,对苹果花期的 TM 影像进行混合像元分解,提取苹果园
地信息.基于实测地物光谱端元,利用小波变换对线性分解模型进行改进,采用实测端元改进
后线性分解模型、实测端元线性分解模型、TM影像端元线性分解模型分别提取研究区苹果园
地信息,并以 ALOS数据进行精度评价.结果表明: 经过精确的大气及地形校正后,可以利用
实测光谱端元进行混合像元分解,面积精度>97% ,对丰度图像的归一化植被指数(NDVI)值
与 ALOS数据的平均 NDVI 值进行回归分析,R2 >0. 8;利用小波变换对线性分解模型进行改
进,可在一定程度上提高分解精度.
关键词摇 实测光谱摇 小波变换摇 混合像元分解摇 苹果园地
文章编号摇 1001-9332(2012)12-3361-08摇 中图分类号摇 S127摇 文献标识码摇 A
Remote sensing techniques of apple orchard information extraction based on linear spectral
unmixing with measured data. DONG Fang1,2, ZHAO Geng鄄xing1, WANG Ling1, ZHU Xi鄄
cun1, CHANG Chun鄄yan1 ( 1College of Resources and Environment, Shandong Agricultural Universi鄄
ty, Tai爷an 271018, Shandong, China; 2College of Resources and Environment, University of Ji爷
nan, Ji爷nan 250022, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(12): 3361-3368.
Abstract: Taking Qixia City, Shandong Province of China as the research region, and by using pix鄄
el unmixing for the TM image at apple flowering stage, the apple orchard information was extracted.
Based on the measured spectral end鄄members, wavelet transform was adopted to improve the linear
unmixing model. The improved linear spectral unmixing model, measured end鄄member based linear
spectral unmixing model, and TM image end鄄member based linear spectral unmixing model were
employed to extract the apple orchard information, and the ALOS data were used for accuracy esti鄄
mation. After the accurate atmospheric and topographic correction, it was feasible to use the meas鄄
ured spectral end鄄members for pixel unmixing, and the area precision of apple orchard information
acquisition was greater than 97% . The regression analysis on the NDVI of abundance image and the
average NDVI of ALOS data showed that the R2 was higher than 0. 8. Therefore, using wavelet
transform to improve the linear spectral unmixing model could improve the unmixing accuracy to a
certain degree.
Key words: measured spectrum; wavelet transform; pixel unmixing; apple orchard.
*高校博士点基金项目(20103702110010)、国家高技术研究发展计划
项目(2008AA10Z203)和山东省自然科学基金项目(ZR2009BL007,
BS2009HZ017)资助.
**通讯作者. E鄄mail: zhaogx@ sdau. edu. cn
2012鄄03鄄02 收稿,2012鄄08鄄21 接受.
摇 摇 渤海湾和黄土高原是我国苹果生产的两大优势
产区.渤海湾优势区包括山东 25 个苹果生产重点县
市,其中被誉为“中国苹果第一市冶的栖霞市是山东
省的重要苹果产区.对苹果优势区域进行遥感监测,
掌握苹果园地的面积和分布,对于苹果的生产管理
和苹果产业的可持续发展具有重要意义.
TM影像被广泛应用于地物信息的获取,但由
于其空间分辨率的限制,导致混合像元的存在,影响
了分类精度.近年来发展起来的混合像元分解法将
像元分解为不同类型的典型地物,可较精细地确定
不同地物的比例,从而在一定程度上提高了分类精
度.常用的混合像元分解模型主要有线性模型,概率
模型、几何光学模型、随机几何模型、模糊分析模型
等.为了提高分解精度,很多学者对分解模型进行了
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): 3361-3368
改进[1-5],并广泛应用于城区[6-9] 以及植被信
息[10-11]的提取.混合像元分解的关键技术之一是典
型地物纯净端元的选取.目前,多数研究以遥感影像
中存在纯净像元这个基本假设为基础,即在影像中
获取分解端元(图像端元);图像端元的选择方法主
要有像元纯度指数 ( PPI)算法[12-13]、N鄄FINDR 算
法[14]、顶点成分分析法(VCA) [15]等.这类从影像上
获取纯净像元的方法虽然简单易行,但受到影像地
面分辨率的限制,最大的不足是端元提取精度较低,
从而直接影响混合像元分解精度. 本研究尝试采用
野外实测地物光谱(参考端元),通过加权的方法获
得各类地物的标准曲线作为混合像元分解的端元,
并利用 DB2 小波变换改进线性分解模型,采用 3 种
方法获取苹果园地信息,最后进行精度评价,旨在探
索一种实测数据与影像数据有效结合的快速准确提
取苹果园地信息的技术方法.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
栖霞市(37毅05忆—37毅32忆 N,120毅33忆—121毅15忆
E)为山东重要的苹果产区 (图 1),总面积 2017
km2,属暖温带季风型半湿润气候,四季分明,光照
充足,雨热同期,环境条件适宜种植苹果. 栖霞市属
于山区丘陵地形,丘陵占全市总面积的 21. 8% ,山
地占 72. 1% .全市平均海拔 178. 72 m,最高海拔 814
m,被称作“胶东屋脊冶. 境内共有大小山峰 2500 多
座,以崮山、艾山、牙山最突出,其中,牙山和艾山两
大山系构成了栖霞市东南和西北走向的地形屋脊;
两侧余脉地势渐趋平缓,多呈南北走向,形成了低山
丘陵地形并夹杂少量河谷冲积平原,与突起的山丘
共同构成了栖霞市特有的深壑狭谷地貌特征.栖霞
图 1摇 研究区位置示意图
Fig. 1摇 Sketch map of location of the study area.
市苹果栽培历史悠久,是烟台苹果的集中产地.该市
果园面积大、分布集中,是探索苹果园地信息提取技
术的理想试验区域.
1郾 2摇 研究资料
1郾 2郾 1 影像资料摇 本研究选取 2009 年 4 月 26 日的
TM影像进行信息提取,利用 2009 年 5 月 5 日的
ALOS进行精度验证(表 1).根据苹果树与其他果树
的物候期差异,选择苹果花期(4 月中下旬至 5 月
初)的遥感影像. 该时段内绝大多数苹果树处于盛
花期,其他果树多数处于谢花终期或未到花期,光谱
特征差异明显,是提取苹果园地信息的最佳时相.
摇 摇 本文采用的其他地理数据为栖霞市 1 颐 2. 5 万
地形图、研究区数字高程模型(DEM). 根据栖霞市
地形图和果园分布状况,选取 36 个 GPS 点进行精
确定位,GPS点均匀分布于整个栖霞市,获得苹果园
地和其他果园的地理坐标与高程信息,作为苹果园
地信息提取和精度评价的依据.
1郾 2郾 2 野外实测光谱数据摇 本研究采用美国 ASD公
司的 Field Spec 3 便携式地物光谱仪进行地物光谱
测定. ASD FieldSpec 3 光谱仪使用 512 阵元阵列
PDA探测器和 2 个独立的 InGaAs探测器实时测量,
并观察地物的反射、透射、辐射度. 每秒最快可得到
10 个光谱曲线,并实时显示光谱曲线. 探测波长范
围在 350 ~ 2500 nm,其中,低噪声 512 阵元 PDA 探
测范围在 350 ~ 1100 nm,光谱采样间隔为 1. 4 nm,
光谱分辨率为 3 nm;2 个 InGaAs探测器单元探测范
围在 1000 ~ 1800 nm和 1700 ~ 2500 nm,光谱采样间
隔为 2 nm,光谱分辨率为 10 nm. 采样时间为 2009
年 4 月 28—30 日,选择光照条件良好,阳光几乎直
射的时段进行光谱测定. 重采样间隔为 1 nm,经过
重采样后输出波段数为 2151. 为了获取与 TM 影像
同步的实测地物光谱信息,在研究区内选择有代表
性的45个样方,根据TM影像像元尺寸,样方大小
表 1摇 本研究应用的遥感资料
Table 1摇 Remote sensing data for this study
传感器
类型
Sensor
type
图像接收日期
Image
received
date
分辨率
Resolution
(m)
光谱范围
Spectral range
(滋m)
TM 2009鄄04鄄26 30 0郾 45 ~ 0郾 52,0郾 52 ~ 0郾 60,
0郾 63 ~ 0郾 69,0郾 76 ~ 0郾 90,
1郾 55 ~ 1郾 75,2郾 08 ~ 2郾 35
AVNIR鄄2 2009鄄05鄄05 10 0郾 42 ~ 0郾 50,0郾 52 ~ 0郾 60,
0郾 61 ~ 0郾 69,0郾 76 ~ 0郾 89
2633 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
取 30 m伊30 m.分别测定苹果园地(30 个样方)、其
他果园(11 个样方)、耕地(2 个样方)和道路(2 个
样方)4 类典型地物的光谱,每个样方内测定 2 ~ 3
个样本,每个样本每次记录 10 个采样光谱.
1郾 3摇 数据预处理
1郾 3郾 1 大气与地形校正摇 在应用遥感数据获取地物
信息的研究中,遥感影像的光谱数据是进行定量遥
感的基础;光谱信息能否真实反映地物的辐射特性
直接影响定量遥感的精度. 在太阳鄄地表鄄卫星传感
器的辐射传输模式下,传感器接收到的地物辐射值
主要受 2 个因素的影响:一是大气对太阳辐射和地
物辐射的影响,二是地球表面的复杂性.准确获取地
表地物的真实辐射值能大大提高遥感研究的精确度
和有效性.
本研究通过地面探测获得研究区内各类地物的
实测光谱信息,尝试将实测数据与遥感影像数据相
结合,提取丘陵山区的苹果园地信息. 因此,需要对
遥感影像进行精确的大气及地形校正,以得到地物
的真实反射率.本文基于光学遥感辐射传输理论,综
合考虑太阳直接辐射、天空散射辐射和邻近像元反
射辐射,利用 6S模型和 DEM数据对 TM和 ALOS影
像进行大气和地形辐射校正.
6S模型是一种基于辐射传输理论的大气校正
模型,具有比较明确的物理意义,是定量遥感研究中
最常用的一种模型.该模型综合考虑了大气散射、大
气吸收和发射等因素,并能充分利用大气参数,可较
精确地消除大气的影响.学者们在利用 6S模型进行
大气校正方面的研究也取得了很大进展[16-18] .本研
究通过卫星过境时的太阳及卫星几何位置参数和
DEM数据以及中国气象科学数据共享服务网( ht鄄
tp: / / cdc. cma. gov. cn / )提供的 MODIS / Terra 气溶
胶、云、水汽、臭氧全球 1毅伊1毅格点日值数据集(C5)
数据(表 2),利用 6S模型得到各类遥感影像的辐射
校正参数.
研究区地处丘陵山区,地形对太阳辐射分布的
表 2摇 遥感影像几何参数和大气参数
Table 2 摇 Geometric parameters and atmospheric parame鄄
ters of RS image
传感器类型
Sensor type
水汽含量
Water vapor
content
(g·cm-2)
臭氧含量
Ozone
content
(cm鄄atm)
光学厚度
Optical
depth
平均海拔
Average
altitude
(m)
TM 0. 86 0. 38 0. 39 1800
AVNIR鄄2 0. 90 0. 36 0. 16 1800
影响不容忽视. 本研究将辐射定标后的 TM 影像、
ALOS影像与对应空间分辨率的 DEM 进行精确配
准,根据获取的上述大气参数进行辐照度校正.采用
Proy等[19]、闫广建等[20]、段四波等[21]的研究,分别
计算了太阳直射辐射、大气散射辐射、周围地形的反
射辐射.
Ed= EsdcosI
Ed=0
摇 摇
I<90毅(阳坡)
I>90毅(阴坡)
式中:Ed为太阳直射辐射;Esd 为到达地表的太阳
直接辐射;I为太阳入射角.
Esc =EssAicosI
Esc = 0
摇 摇
I<90毅
I>90毅
式中:Esc为环日各向异性散射辐射;Ess 为到达地表
的大气散射辐射;Ai 为各向异性指数(Ai = Esd / E0,
E0为大气顶部的太阳辐照度).
Er =移
8
p = 1
[(Ln - Lp) 伊 e子 / cosZv 伊 cosTM 伊 cosTP 伊 dSP] /
( rMP) 2
式中:Er 为周围地形的反射辐射;Ln 为辐射定标后
点 P的辐亮度;Lp为大气路径辐射;子为总的大气光
学厚度;Zv 为观测天顶角;TM、TP分别表示点 M 和
点 P坡面法线与MP连线的夹角;dSP 为像元 P的实
际面积;rMP为点 M与 P间的距离.
根据 Shepherd 和 Dymond[22]的研究,卫星传感
器所接受的某一像元的辐射量可简化为:
L1 =e-子 / cosZv[籽edEdcosS +籽ed(Es+Er)] / 仔+Lp
式中:L1 为传感器上像元的辐射量;籽ed 为垂直于出
射光线方向上的直接反射率;S 为坡面的坡度;Ed
为坡面像元接受的太阳直接辐射;Es 为坡面像元所
接受的太阳散射辐射;Er 为坡面像元所接受的临近
像元的反射辐射;子为总的垂直大气光学厚度;Zv为
观测天顶角;Lp为落到传感器上的大气路径辐射.
通常情况下,L1 用遥感影像辐射定标后的辐射
亮度值 Ln代替;地表真实反射率 籽近似等于 籽ed,由
上式得出经过大气和地形校正后的像元反射率:
籽=仔e子 / cos兹v(L1-Lp) / (EdcosS+Es+Er)
1郾 3郾 2 几何校正摇 利用栖霞市 1 颐 2. 5 万地形图对
大气和地形校正后的 TM1 ~ 5、TM7 波段进行几何
校正,选择 35 个控制点,误差小于 0. 5 个像元,并利
用栖霞市矢量边界对 TM 影像进行掩膜处理. 以几
何校正后的 TM 数据为参考影像,对 ALOS 数据进
行精确配准,误差控制在 0. 5 个像元以内.
1郾 3郾 3 实测数据整理摇 ASD地物光谱仪探测范围为
350 ~ 2500 nm,经重采样后光谱采样间隔为 1 nm.
363312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 董摇 芳等: 基于实测光谱混合像元分解的苹果园地遥感提取技术摇 摇 摇 摇 摇 摇
对每个样本的 10 个采样光谱曲线进行平均处理,得
到该样本的反射曲线,本研究共获得 4 类地物的
102 条实测光谱曲线.
由于实测光谱数据和 TM 数据采样间隔不同,
利用实测数值作为混合像元分解的端元需将窄波段
数据拟合为 TM 波段的宽波段数据. 利用 LAND鄄
SAT5 传感器波段响应函数和下式,计算每个实测样
本在 TM波段上的反射率.
籽(姿) =
乙肄
0
籽(姿)祝(姿)d姿
乙肄
0
祝(姿)d姿
式中:籽(姿)为实测反射率;祝(姿)为传感器波段响应
函数.
1郾 4摇 端元选取
典型地物纯净端元的获取是成功分解混合像元
的关键.端元的选取主要包括两方面:一是端元的数
量,二是纯净端元的光谱特征.
1郾 4郾 1 确定数目摇 合适的端元数目既能真实地表现
像元地物组成成分,又能有效地反映像元的光谱特
征[23] .有研究表明,端元的数目通常小于影像的波
段数[24],与影像对应的地面复杂程度有关,一般在
3 ~ 7 个.本研究根据实地观测发现,在研究区域内,
苹果园地多与其他果园、耕地、道路相邻,在 TM 影
像中易形成混合像元. 所用 TM 影像除去热红外波
段外共有 6 个波段,因此最终确定混合像元分解的
端元数目为 4 个,分别为苹果园地、其他果园、耕地、
道路.
1郾 4郾 2 确定光谱特征值摇 由于 TM 影像空间分辨率
相对较低,在影像中很难找到各端元的绝对纯净像
元,因此本研究利用经过拟合后的实测地物光谱数
据作为端元的纯净光谱特征,进行混合像元分解.
地物的光谱特征受到多方面因素(如地形、气
候、土壤、人类活动等)的影响,同一类地物的实测
光谱数值在特定谱段会存在一定差异,因此在利用
实测数据进行分解前,需要对同一类地物的多条光
谱曲线进行处理,形成标准曲线.本研究对获得的同
类地物的多条光谱曲线分别赋予不同的加权因子,
然后进行归一化处理,在保存各条曲线有用信息的
同时,将多条曲线综合为一条标准曲线[25],分别得
到苹果园地、其他果园、耕地和道路的综合曲线
(图 2).
1郾 5摇 混合像元分解模型
1郾 5郾 1 线性光谱分解摇 线性混合像元分解方法的基
图 2摇 四端元光谱特征曲线
Fig. 2摇 Reflection spectral curve of four endmembers.
玉:苹果园地 Apple orchard; 域:其他果园 Other orchards; 芋:耕地
Cultivated land; 郁:道路 Road.
本前提是影像中每个像元的反射率为像元中每类端
元光谱的线性组合. 线性光谱分解后得到一系列端
元波谱的丰度图像,其像元值表示该端元在这个像
元中所占比例.其计算公式如下:
籽i =移
n
j = 1
琢ij f j + 着i
式中: 籽i 为 TM影像第 i 波段的反射率;n 为端元数
目; 琢ij为第 i波段第 j端元的反射率; f j 为第 j 端元
在该像元中所占比例; 着i 为残差. 该模型还受到 2
个约束条件的限制:一是端元面积比例之和为 1,即
移
n
j = 1
f j = 1;二是所有的端元比例都非负,即 f j逸0.
1郾 5郾 2 改进后的线性分解模型摇 有效描述和量化苹
果园地与其他地物的光谱差异对混合像元分解非常
重要.由图 2 可以看出,道路与花期苹果园地、其他
果园、耕地的光谱曲线差异较大,易于区分. 但苹果
园地、其他果园和耕地同为植被,光谱特征相近,三
者之间的差别较小.作为一种多尺度分析工具,小波
变换以其独特的优势,在遥感领域的应用日益广泛.
小波分析可以更细致地表现地物之间的差异,
从而为混合像元分解提供更多的有用信息. 本研究
利用小波分析工具对苹果园地、其他果园和耕地光
谱数据分别进行小波变换,提取它们的小波特征,然
后通过这些特征分析端元面积之间的数学关系,并
将其耦合入混合像元分解模型,以提高分解精度,获
得更准确的苹果园地分布面积.
1)选择小波函数. 根据实测光谱数据,提取苹
果树的特征光谱. 分别进行 SYM1、 SYM2、 SYM3、
DB1、DB2、DB3 变换,得到 6 个小波系数矩阵,计算
各矩阵中所有元素的平均值作为总体近似系数并排
序,选取近似程度最高的小波函数,经计算,DB2 小
波的近似程度最高.
4633 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 3摇 小波特征向量
Table 3摇 Wavelet feature vector
地类
Land type
a=4,
b=5
a=4,
b=6
a=5,
b=4
a=5,
b=5
a=5,
b=6
苹果园地
Apple orchard
0. 59 0. 62 0. 54 0. 66 0. 61
其他果园
Other orchards
0. 62 0. 63 0. 67 0. 79 0. 62
耕地
Cultivated land
0. 62 0. 55 0. 54 0. 60 0. 53
a)尺度 Scale; b)偏移量 Offset.
摇 摇 2)小波特征提取.利用 DB2 小波对苹果园地进
行小波变换,将得到的小波系数按从大到小的顺序
排序,取前 5 个小波系数作为小波特征向量.对其他
果园和耕地的实测光谱数据进行 DB2 变换,然后根
据苹果园地小波特征向量中各分量对应的尺度(a)
和偏移量(b),在其他果园和耕地的小波系数矩阵
中对应选取两组小波系数,构成另外两个 5 维小波
特征向量(表 3).
3)混合像元的小波变换.对待分解的混合像元
进行 DB2 变换,按步骤 2 中的方法,提取其 5 维小
波特征向量.
4)接近度计算.分别计算混合像元小波特征向
量与表 3 中实测苹果园地、其他果园、耕地的小波向
量的欧几里德距离并排序. 将距离最接近者定义为
在混合像元中所占比例最大,在分解计算中取最大
权重.若地物 k所占权重最大,则其权重与其他地物
权重之间的关系可表示为:
mk逸mi( i=1,2,…n, i屹k)
5)建立分解模型.将小波分析得出的结果作为
约束条件加入到线性分解模型中,得到改进后的
模型:
籽i =移
n
j = 1
琢ij f j + 着i
移
n
j = 1
f j = 1
mk 逸 mi 摇 ( i = 1,2,…n, i 屹 k)
f j 逸
ì
î
í
ï
ï
ïï
ï
ï
ïï 0
2摇 结果与分析
2郾 1摇 苹果园地面积估算
研究区域内地物类型较多,除果园外,还包括耕
地、林地、建设用地(包括道路)、水体、荒草地和裸
土地等多种地物类型.实地调查发现,苹果园地多分
布于海拔 50 ~ 350 m、坡度<20毅范围内,在影像中植
被指数数值在 0. 15 ~ 0. 34. 根据上述范围确定规
则,采用决策树分类法,层层剔除其他地物. 经过掩
膜处理后的影像仅保留了苹果园地、其他果园、耕地
和道路信息,作为进行混合像元分解的区域.本研究
分别采用实测端元改进后线性分解模型(简称“实
测改进模型冶)、实测端元线性分解模型(简称“实测
线性模型冶)和 TM 影像端元线性分解模型(简称
“TM线性模型冶)对 TM 影像进行分解,比较 3 种方
法的应用效果.
利用 3 种方法获得栖霞市苹果园园地种植面积
和分布(图 3),结果表明,苹果园地在该像元中所占
比例较大.根据栖霞市总面积及 TM 影像的总像元
数计算得到单个像元的面积(903. 92 m2)以及 3 种
方法提取的栖霞市苹果园地总面积(表 4).
2郾 2摇 精度分析
2郾 2郾 1 面积精度分析 摇 由表4可以看出,采用实测
图 3摇 3 种方法获得的苹果园地端元丰度图
Fig. 3摇 Fraction of apple orchard endmembers based on measured data for the three methods.
A:实测改进模型 Improved linear spectral unmixing model based on measured data; B:实测线性模型 Linear spectral unmixing model based on meas鄄
ured data; C:TM线性模型 Linear spectral unmixing model based on TM data. 下同 The same below.
563312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 董摇 芳等: 基于实测光谱混合像元分解的苹果园地遥感提取技术摇 摇 摇 摇 摇 摇
表 4摇 3 种方法获得的苹果园地面积
Table 4摇 Apple orchard area for the three methods
方法
Method
像元数
Pixel
number
面积
Area
(km2)
统计面积
Statistical area
(km2)
A 441740. 1 399. 30 406. 67
B 459796. 5 415. 62
C 520181. 9 470. 20
A:实测改进模型 Improved linear spectral unmixing model based on
measured data; B:实测线性模型 Linear spectral unmixing model based
on measured data; C: TM 线性模型 Linear spectral unmixing model
based on TM data. 下同 The same below.
数据作为端元的混合像元分解获取的苹果园地面积
与统计面积相近,面积提取精度分别为 98. 2%和
97. 8% ;而通过 TM 影像获取端元的分解面积比统
计数据高 15. 6% ,可见利用实测地物光谱作为混合
像元分解端元能够获得较高的分解精度. 本研究采
用了苹果花期的 TM 影像,该时段内绝大多树苹果
树处于盛花期,但由于地形以及小气候的影响仍有
部分苹果树处于始花期或末花期,其光谱特征与盛
花期苹果树光谱特征存在一定差异,因此采用实测
盛花期苹果光谱数值进行混合像元分解时获取的面
积应略小于实际面积. 可见实测改进模型的结果更
接近于实际情况.
在分解结果图上均匀选择 45 个样本点,分别得
到实测改进模型和实测线性模型样本点中苹果园地
所占面积比例,并对两组数据进行显著性(琢 = 0郾 01)
差异检验.提出假设:H0:滋1 -滋2 = 0,H1:滋1 -滋2屹0.根
据假设进行双尾检验,得到 1. 16171伊10-19<0. 01,因
此拒绝 H0,即两种模型存在显著性差异.
2郾 2郾 2 模型误差分析摇 利用线性混合像元分解模型
提取苹果园地信息时,需要计算模型误差,从而验证
模型的有效性.本研究采用均方根误差对 3 种方法
分解结果进行误差分析:
Ra =Rfa·Ffa+Rfv·Ffv+Rfc·Ffc+Rfr·Ffr-Ri
RMSE = 移
n
a = 1
(Ra) 2 / n
式中:Ra为像元在第 n 波段的残差;R fa、R fv、R fc、R fr
分别为像元在第 n 波段的苹果园地、其他果园、耕
地、道路的端元反射率;F fa、F fv、F fc、F fr分别为像元
在第 n波段的苹果园地、其他果园、耕地、道路的组
分;R i为像元 i 在第 n 波段的光谱反射率;RMSE 为
像元的均方根误差.
摇 摇 由表 5 可以看出,实测改进模型、实测线性模型
和TM线性模型的均方根误差非常接近,平均值均
表 5摇 3 种方法的均方根误差(RMSE)
Table 5摇 RMSE for the three methods
方法
Method
最小值
Minimum
最大值
Maximum
平均
Mean
标准差
SD
A 0 0. 264 0. 003 0. 007
B 0 0. 263 0. 007 0. 012
C 0 0. 274 0. 007 0. 012
小于 0. 008;3 种方法中,像元均方根误差小于 0. 02
的像元数占总像元数的比例分别为 95. 2% 、84. 7%
和 83. 3% .从误差分析来看,实测改进模型的均方
根误差最小,TM线性模型最大,但三者相差不多.
2郾 2郾 3 丰度图像精度分析摇 本研究利用研究区 2009
年 5 月初的 ALOS数据验证混合像元分解的位置精
度. ALOS影像空间分辨率为 10 m,在影像中果园和
道路清晰可见,因此可用于 TM 数据混合像元的分
解验证.由于在 ALOS 影像中苹果园地的 NDVI 值
小于其他果园,而植被丰度与 NDVI 之间存在密切
关系,故本研究采用丰度图像中的 NDVI 值与 ALOS
影像中对应的 NDVI 值进行相关分析,从而检验混
合像元分解精度.
在分解后的图像上随机选取 45 个点,均匀分布
于整个研究区域.根据研究区域混合像元组成成分
特点分别选取苹果园地、其他果园、苹果园地与其他
果园混合、苹果园地与道路混合、苹果园地与耕地混
合、苹果园地与其他果园及道路混合、苹果园地与耕
地及道路混合 7 种类型的像元. 根据混合像元分解
采用的各组分标准曲线计算 4 种类型地物的 NDVI
值,并按照分解后各类型地物在像元中的比例计算
TM影像中分解后的 NDVI 值. 同时,在 ALOS 影像
上选取与对应采样点相同面积的样本,计算平均
NDVI值.对二者进行线性回归,得到 ALOS鄄NDVI值
与丰度鄄NDVI值散点图(图 4).
摇 摇 由图 4 可以看出,3 类方法的丰度图像 NDVI值
与 ALOS鄄NDVI值的散点均较均匀地分布在 1 颐 1 直
线的两侧.分别对二者进行线性回归分析,发现实测
改进模型的拟合直线与 1 颐 1 直线偏离最小,R2值达
到 0. 815,表明二者有较好的对应关系;实测线性模
型次之,R2值为 0. 805;以 TM 影像端元为基础的线
性混合像元分解的拟合直线偏离 1 颐 1 直线最远,R2
值仅 0. 728.由此可见,与实测线性模型和 TM 线性
模型相比,实测改进模型分解后的苹果园地分量和
其他果园分量均能较好地表现地面实际分布情况.
6633 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
图 4摇 基于 3 种方法的苹果园地端元丰度验证结果
Fig. 4摇 Result of apple orchard fraction estimation for the three methods.
3摇 结摇 摇 论
本研究利用实测地物光谱作为端元进行线性混
合像元分解,采用 DB2 小波变换对分解模型进行改
进,对栖霞市 TM 影像采用 3 种方法提取苹果园地
信息,并对 3 种方法进行了精度评价. 研究表明,利
用实测地物光谱数据可以对 TM 影像进行混合像元
分解,与利用影像端元分解结果相比,利用实测数据
分解得到的苹果园地面积更接近于统计数据,均方
根误差较小,与 ALOS数据的吻合程度更高.根据花
期苹果园地与非花期其他果园和耕地光谱特征差
异,利用小波变换改进的线性分解模型在一定程度
上提高了分解精度,但计算量较大. 在今后的研究
中,应进一步简化模型、提高分解的精度和效率. 利
用实测数据进行混合像元分解时,需要进行精确的
大气及地形校正,同时要保证遥感影像与 DEM数据
的精确配准.
参考文献
[1]摇 Settle JJ, Drake NA. Linear mixing and the estimation
of ground cover proportions. International Journal of Re鄄
mote Sensing, 1993, 14: 1159-1177
[2]摇 Zhang Y (张摇 彦), Shao M鄄Z (邵美珍). Mixed im鄄
age cell decomposition based on radial鄄basis function
neural networks. Journal of Remote Sensing (遥感学
报), 2002, 6(4): 285-288 (in Chinese)
[3]摇 Atkinson PM, Tatnall ARL. Introduction neural net鄄
works in remote sensing. International Journal of Remote
Sensing, 1997, 18: 699-709
[4]摇 Mei S鄄H (梅少辉), He M鄄Y (何明一). A novel
spectrum filter for fully constrained mixture analysis.
Journal of Remote Sensing (遥感学报), 2010, 14(1):
68-79 (in Chinese)
[5]摇 Wang J (王摇 杰), Yang L (杨摇 辽), Shen J鄄X (沈
金祥), et al. Two endmember extraction algorithms
with combined spatial and spectral domain TM image.
Spectroscopy and Spectral Analysis (光谱学与光谱分
析), 2011, 31(5): 1286-1290 (in Chinese)
[6]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. Interna鄄
tional Journal of Remote Sensing, 1995, 16: 2165 -
2185
[7]摇 Cong H (丛摇 浩), Zhang L鄄P (张良培), Li P鄄X (李
平湘). A method of selective endmember for pixel un鄄
mixing. Journal of Image and Graphics (中国图像图形
学报), 2006, 11(8): 1092-1096 (in Chinese)
[8]摇 Wu CS, Murray AT. Estimating impervious surface dis鄄
tribution by spectral mixture analysis. Remote Sensing of
Environment, 2003, 84: 493-505
[9]摇 Franke J, Roberts DA, Halligan K, et al. Hierarchical
multiple endmember spectral mixture analysis ( ME
SMA) of hyperspectral imagery for urban environments.
Remote Sensing of Environment, 2009, 113: 1712-1723
[10]摇 Small C. Estimation of urban vegetation abundance by
spectral mixture analysis. International Journal of Re鄄
mote Sensing, 2001, 22: 1305-1334
[11]摇 Wu K (吴摇 柯), Zhang L鄄P (张良培), Li P鄄X (李
平湘). A neural network method of selective endmem鄄
ber for pixel unmixing. Journal of Remote Sensing (遥
感学报), 2007, 11(1): 20-26 (in Chinese)
[12]摇 Chen F, Qiu QY, Guo QH, et al. The availability of
CBERS鄄02B multi鄄spectral data in estimating urban im鄄
pervious surface. Journal of Remote Sensing, 2011, 15:
621-639
[13]摇 Rashed T, Weeks JR, Roberts D, et al. Measuring the
physical composition of urban morphology using multiple
endmember spectral mixture models. Photogrammetric
Engineering & Remote Sensing, 2003, 69: 1011-1020
[14]摇 Bateson A, Curtiss B. A method for manual endmember
selection and spectral unmixing. Remote Sensing of Envi鄄
ronment, 1996, 55: 229-243
[15] 摇 Nascimento JMP, Dias JMB. Vertex component analy鄄
sis: A fast algorithm to unmix hyperspectral data. IEEE
Transactions on Geoscience and Remote Sensing, 2005,
43: 898-910
[16]摇 Vermote EF, Tanre D, Deuze JL, et al. Second simula鄄
tion of the satellite signal in the solar spectrum, 6S: An
overview. IEEE Transactions on Geoscience and Remote
Sensing, 1997, 35: 675-686
763312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 董摇 芳等: 基于实测光谱混合像元分解的苹果园地遥感提取技术摇 摇 摇 摇 摇 摇
[17]摇 Zhao C鄄J (赵春江), Song X鄄Y (宋晓宇), Wang J鄄H
(王纪华), et al. An algorithm based on 6S model for
removing atmospheric effects form satellite imagery pixel
by pixel. Optical Technique (光学技术), 2007, 33
(1): 11-15 (in Chinese)
[18]摇 Song W鄄W (宋巍巍), Guan D鄄S (管东生). Applica鄄
tion of five atmospheric correction models for Landsat
TM data in vegetation remote sensing. Chinese Journal
of Applied Ecology (应用生态学报), 2008, 19(4):
769-774 (in Chinese)
[19]摇 Proy C, Tanr佴 D, Deschamps PY. Evaluation of topo鄄
graphic effects in remotely sensed data. Remote Sensing
of Environment, 1989, 30: 21-32
[20]摇 Yan G鄄J (闫广建), Zhu C鄄G (朱重光), Guo J (郭摇
军), et al. A model based radiative transfer algorithm to
correct remotely sensed image in mountainous area.
Journal of Image and Graphics (中国图像图形学报),
2000, 5(1): 11-15 (in Chinese)
[21]摇 Duan S鄄B (段四波), Yan G鄄J (阎广建), Mu X鄄H
(穆西晗), et al. DEM based remotely sensed imagery
topographic correction method in mountainous areas.
Geography and Geo鄄Information Science (地理与地理信
息科学), 2007, 23(6): 18-22 (in Chinese)
[22] 摇 Shepherd JD, Dymond JR. Correcting satellite imagery
for the variance of reflectance and illumination with to鄄
pography. International Journal of Remote Sensing,
2003, 24: 3503-3514
[23]摇 Elmore AJ, Mustard JF, Manning SJ, et al. Quantifying
vegetation change in semiarid environments: Precision
and accuracy of spectral mixture analysis and the nor鄄
malized difference vegetation index. Remote Sensing of
Environment, 2000, 73: 87-102
[24]摇 Collado AD, Chuvieco E, Camarasa A. Satellite remote
sensing analysis to monitor desertification processes in
the crop鄄rangeland boundary of Argentina. Journal of
Arid Environments, 2002, 52: 121-133
[25]摇 Wan Y鄄M (万应明), Gao J (高摇 峻), Dong J鄄P (董
建平), et al. Integrative processing in synthesis of
multi鄄logging traces. Oil Geophysical Prospecting (石油
地球物理勘探), 2005, 40(2): 243-247(in Chinese)
作者简介摇 董摇 芳,女,1977 年生,博士研究生.主要从事生
态环境、遥感研究. E鄄mail: 2008smilefang@ 163. com
责任编辑摇 杨摇 弘
8633 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