全 文 ：第３７卷　第９期 海　　洋　　学　　报 Ｖｏｌ．３７，Ｎｏ．９
２０１５年９月 Ｈａｉｙａｎｇ　Ｘｕｅｂａｏ　 Ｓｅｐｔｅｍｂｅｒ　２０１５
任广波，张杰，马毅．基于 ＨＪ－１Ａ高光谱的黄河口碱蓬和柽柳盖度反演模型研究［Ｊ］．海洋学报，２０１５，３７（９）：５１－５８，ｄｏｉ：
１０．３９６９／ｊ．ｉｓｓｎ．０２５３－４１９３．２０１５．０９．００６
Ｒｅｎ　Ｇｕａｎｇｂｏ，Ｚｈａｎｇ　Ｊｉｅ，Ｍａ　Ｙｉ．Ｓｕａｅｄａ－ｓａｌｓａ　ａｎｄ　ｔａｍａｒｉｓｋ　ｆｒａｃｔｉｏｎａｌ　ｃｏｖｅｒ　ｉｎｖｅｒｓｉｏｎ　ｍｏｄｅｌｓ　ｂｙ　ＨＪ－１Ａｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ
ｉｍａｇｅ　ｉｎ　Ｙｅｌｏｗ　Ｒｉｖｅｒ　Ｅｓｔｕａｒｙ［Ｊ］．Ｈａｉｙａｎｇ　Ｘｕｅｂａｏ，２０１５，３７（９）：５１－５８，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３－４１９３．２０１５．０９．００６
基于ＨＪ－１Ａ高光谱的黄河口碱蓬和柽柳
盖度反演模型研究
任广波１，张杰１，马毅１
（１．国家海洋局 第一海洋研究所 海洋物理与遥感研究室，山东 青岛２６６０６１）
收稿日期：２０１４－１１－０４；修订日期：２０１５－０２－１７。
基金项目：国家自然科学基金青年基金项目（４１２０６１７２）；国家海洋局基本科研业务费项目（ＧＹ０２－２０１２Ｇ１２）。
作者简介：任广波（１９８３—），男，山东省济宁市人，助理研究员，主要从事海岛海岸带高分遥感研究。Ｅ－ｍａｉｌ：ｒｅｎｇｕａｎｇｂｏ＠ｆｉｏ．ｏｒｇ．ｃｎ
摘要：碱蓬和柽柳是黄河口湿地典型的盐生植物类型，是多种保护珍禽的主要栖息地，具有景观尺度
较小、分布广且多混生的特点。应用覆盖黄河口北部潮滩的ＨＪ－１Ａ高光谱遥感影像，基于现场测量
的端元光谱和从遥感影像中使用顺序最大角凸锥法（ＳＡＭＣＣ）自动提取的端元光谱，应用线性光谱分
解法（ＬＳＵ）、正交子空间投影法（ＯＳＰ）、匹配滤波法（ＭＦ）、最小能量约束法（ＣＥＭ）和自适应一致估计
法（ＡＣＥ）５种不同光谱解混方法进行混合像元光谱解混，对比两种方法得到的端元光谱分别对碱蓬和
柽柳盖度的反演能力，并给出相应的反演模型。结果显示：（１）现场测量端元光谱取得了较好的碱蓬
和柽柳盖度反演结果，其中应用ＬＳＵ方法的光谱解混结果与现场测量盖度的决定系数对于碱蓬和柽
柳分别达到了０．８８和０．９５；（２）两种端元获取方式的光谱解混结果中，ＬＳＵ和ＯＳＰ方法均获得了较
高的相关性，ＡＣＥ解混方法的相关性都最低；（３）ＳＡＭＣＣ方法提取端元光谱对柽柳的分解结果与现
场测量盖度的相关性远高于碱蓬。
关键词：ＨＪ－１Ａ高光谱；黄河口湿地；碱蓬；柽柳；植被盖度
中图分类号：Ｐ２３７ 文献标志码：Ａ 文章编号：０２５３－４１９３（２０１５）０９－００５１－０８
１　引言
碱蓬和柽柳是黄河口湿地最主要的盐生植物群
落，是黑嘴鸥等多种珍禽的主要栖息地，同时还具有
固岸促淤的功能。监测并获取碱蓬和柽柳的盖度分
布信息对了解其分布规律和生态状况具有重要的意
义。植被盖度是指植被冠层垂直投影在单位面积中
所占的比重，一般情况下是一个统计值。通过遥感技
术配合少量的现场观测是准确、高效监测大范围植被
盖度的重要、有效、快捷手段。在黄河口湿地生长的
碱蓬和柽柳植株对生长环境的要求相似，且群落景观
尺度都较小，故而多混生，容易在遥感影像中形成混
合像元。这是基于遥感技术进行碱蓬和柽柳监测的
难点。
植被盖度遥感监测，目前已有的工作主要集中在
通过植被指数、经验模型、神经网络和光谱分解等方
法进行盖度反演的研究方面。其中经验模型［１］和神
经网络法［２］的本质是通过数据统计和建立数学模型
的方式实现对植被盖度的计算；植被指数方法［３］间接
利用了植物的叶绿素含量信息，但由于不同植物叶绿
素含量冠层盖度之间并无严格对应关系，所以易产生
无法估计的误差；线性光谱分解［４］利用了端元光谱在
混合像元光谱中所占的比重来估算不同植被盖度，具
有较明确的物理意义，易于方法的推广和误差的
分析。
对于碱蓬和柽柳，在包括黄河口湿地在内的研究
区内，已有研究者开展了大量的基于遥感技术的相关
研究工作，主要集中在对碱蓬和柽柳的生物量估算和
分类研究方面，包括利用光谱信息的生物量估
算［５—６］、基于现场高光谱曲线［７］、航空高光谱影像［８—９］
和多光谱图像［１０—１２］的特征提取和分类等。而未检索
到应用遥感技术对碱蓬和柽柳盖度信息进行提取的
研究工作。
本文拟利用覆盖黄河口湿地的 ＨＪ－１Ａ高光谱
遥感影像数据，结合同步测量的碱蓬和柽柳端元光谱
数据和盖度数据，通过ＬＳＵ、ＯＳＰ、ＭＦ、ＣＥＭ和ＡＣＥ
５种不同光谱解混方法进行混合像元光谱解混，对比
和评估现场测量端元光谱和应用ＳＡＭＣＣ方法从图
像中提取的端元光谱分别对柽柳和碱蓬盖度的反演
能力，并给出相应的反演模型。
２　研究区域和数据
２．１　研究区域
研究区域位于黄河现行入海口北岸的潮滩上（图
１），东西长约１０ｋｍ，南北宽约６ｋｍ，潮滩广阔而平
坦，大部分区域坡度不足千分之一。该区域常受潮水
影响且底质盐度较高，适合于耐盐碱的碱蓬和柽柳植
物群落生长。
图１　研究区域位置示意图
Ｆｉｇ．１　Ｔｈｅ　ｌｏｃａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｔｕｄｙ　ａｒｅａ
ａ．研究区在中国的位置，ｂ．研究区范围，ｃ．研究区ＨＪ－１Ａ高光谱遥感影像
ａ．Ｌｏｃａｔｉｏｎ　ｏｆ　ｓｔｕｄｙ　ａｒｅａ，ｂ．ｓｔｕｄｙ　ａｒｅａ，ｃ．ｔｈｅ　ＨＪ－１Ａｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｏｆ　ｓｔｕｄｙ　ａｒｅａ
２．２　数据和预处理
２．２．１　遥感影像数据
ＨＪ－１Ａ卫星上的超光谱成像仪（Ｈｙｐｅｒｓｐｅｃｔｒａｌ
Ｉｍａｇｉｎｇ　Ｒａｄｉｏｍｅｔｅｒ，ＨＳＩ）载荷是利用干涉方式成像
的星载高光谱传感器，具有光谱稳定性好、线性度高
的特点［１３］，拥有１１５个波段，波段范围为０．４５～０．９５
μｍ，光谱波段宽度从２．０８ｎｍ到８．９２ｎｍ不等，地面
像元空间分辨率为１００ｍ。目前针对该数据的研究
工作多集中在数据处理［１３—１４］和特征选择［１５］等方面，
较少有利用来开展植被盖度特别是海岸带植被盖度
反演的研究。
本文所用的 ＨＪ－１Ａ高光谱遥感影像数据为
２０１３年９月１日成像，图像清晰无云。从图像中观察
影像拍摄时刻潮水未淹没潮滩，利于对潮滩植被的
２５ 海洋学报　３７卷
监测。
２．２．２　遥感影像预处理
（１）几何校正
应用２０１２年７月１５日获取的Ｌａｎｄｓａｔ　８ＯＬＩ遥
感影像大气校正后影像进行几何校正。虽与高光谱
遥感影像成像时间相差约１年，但两景图像所共同覆
盖的区域并未发生明显的变化，易于选择同名像控点
开展图像几何校正。校正后影像的定位中误差小于
０．３个像元。
（２）大气校正
目前遥感影像大气校正主要有基于图像统计模
型、基于地面线性回归经验模型和基于大气辐射理论
模型３类［１６］，其中基于大气辐射理论模型的校正结
果最为准确。当前在遥感影像大气校正中应用较多
的有 ＭＯＤＴＲＡＮ和６Ｓ两种大气校正模型。根据王
彦飞等［１７］的研究成果，认为对于 ＨＪ－１Ａ高光谱遥
感影像，ＭＯＤＴＲＡＮ大气校正模型校正后的像元光
谱更接近实测光谱。故本研究选择应用使用ＭＯＤＴ－
ＲＡＮ大气校正模型的ＦＬＡＡＳＨ软件模块对ＨＪ－１Ａ
高光谱影像开展大气校正。
（３）波段选择
高光谱遥感影像因单波段成像能量不足而导致
信噪比提高困难［１８］，地物光谱特征在噪声的影响下
容易失真。ＨＪ－１Ａ高光谱数据因波段宽度较窄，相
比传统的高光谱影像，单波段所获取的能量更少，因
此对图像的信噪比造成了很大的影响。图２是应用
均匀区域图像噪声评估法［１８］获得的 ＨＪ－１Ａ高光谱
遥感影像的各波段噪声水平，呈现出两端低中间高的
特点。最高的信噪比出现在第７９波段（７１１ｎｍ），但
也仅约３３，相比ＥＯ－１Ｈｙｐｅｒｉｏｎ大于５０的信噪比水
平是非常低的。信噪比是衡量遥感器性能的重要指
标之一，对于遥感数据的应用也具有重要的意
义［１９—２０］。本研究以信噪比２０为阈值，去除噪声较大
的波段，将剩余的波段参与碱蓬和柽柳植物盖度信息
的反演。
根据以上原则，本文中选择第２２波段到第１０８
波段开展研究。
２．２．３　现场数据
于２０１３年９月下旬开展了研究区的现场踏勘工
作，实地测量了研究区碱蓬和柽柳的地物光谱数据和
植被盖度数据。在现场光谱测量中应用的是ＡＳＤ便
携式光谱仪，实地获取了碱蓬、柽柳和潮滩３种主要
地物类型的光谱曲线。光谱范围为３８０～１　０８０ｎｍ，
光谱分辨率为１ｎｍ。植被盖度数据样本点位于碱蓬
和柽柳大片分布且均匀分布的区域，采用多人估测平
均和照片估测综合修正的方式获取植被盖度。对于
两种植被的混合区域则针对每种植被分别估测。
图２　ＨＪ－１Ａ高光谱影像的各波段信噪比
Ｆｉｇ．２　Ｔｈｅ　ＳＮ　ｒａｔｉｏ　ｏｆ　ＨＪ－１Ａｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｉｎ　ｅｖｅｒｙ　ｂａｎｄ
３　端元提取与光谱分解方法
由于受到遥感器的空间分辨率限制，以及自然地
物的复杂性和多样性影响，混合像元普遍存在于遥感
图像中［２１—２２］。童庆禧等［１６］指出，遥感影像像元的混
合光谱有３个主要形成原因：（１）单个像元内包含的
多种地物光谱的混合效应；（２）大气传输过程中的混
合效应；（３）遥感仪器本身的混合效应。其中，仪器的
混合效应不属于图像应用处理范畴，而大气的混合效
应可以用考虑大气临界效应的 ＭＯＤＴＲＡＮ大气校正
模型实现。
遥感影像像元的光谱混合分为线性和非线性两
种，其中，线性混合模型适用于本质上就属于或者基
本属于线性混合模型的地物，以及在大尺度上可以认
为是线性混合的像元内地物［１８］。对于 ＨＪ－１Ａ高光
谱图像的１００ｍ空间分辨率，以及根据现场踏勘结果
影像所覆盖区域的主要地物类型为碱蓬、柽柳和潮
滩，故可以认为图像像元光谱是由上述３种地物的端
元光谱线性混合而成的。
３．１　端元提取
一般情况下，端元获取有两种方法，其一，应用真
实光谱，即通现场测量的地物光谱，或者根据影像特
征从光谱库中选择得到的光谱；其二，应用端元提取
方法从影像中统计获得。在遥感图像中，严格意义上
的端元只在理想状态下存在，故遥感影像像元光谱解
混中所使用的端元只能是通过各种方法获取的“近似
３５９期　任广波等：基于ＨＪ－１Ａ高光谱的黄河口碱蓬和柽柳盖度反演模型研究
端元”来替代［１８］。本研究中，拟对比现场实测端元光
谱和从图像提取端元光谱在 ＨＪ－１Ａ高光谱影像碱
蓬和柽柳盖度反演中的效果。
（１）现场测量端元光谱
根据ＨＪ－１Ａ高光谱数据提供的各波段中心波
长和波段宽度信息，对实测的更高分辨率现场光谱进
行光谱积分重建，同时针对高光谱图像根据信噪比的
波段选择结果对生成的光谱波段进行选择。
（２）图像提取端元光谱
图像端元光谱提取方法中，以纯净像元指数法
（ＰＰＩ）［２３］、内部最大体积法（Ｎ－ＦＩＮＤＥＲ）［２４］、单型体
投影法（ＳＰＭ）［２５］和顺序最大角凸锥法（ＳＡＭＣＣ）［２６］
等应用的最多。本研究采用ＳＡＭＣＣ法提取端元，该
方法的优点是可无监督的提取任意数量的端元［２６］，
自动化程度更高、运算速度更快。提取过程中端元的
数量设置为３，分别为碱蓬、柽柳和潮滩。
３．２　光谱解混方法
遥感影像中混合像元的分解问题，本质是混合电
子信号的分解问题，研究者们提出了大量的线性和非
线性的光谱解混算法，对于线性解混算法，以线性光
谱分解法（Ｌｉｎｅｒ　Ｓｐｅｃｔｒａｌ　Ｕｎｍｉｘｉｎｇ，ＬＳＵ）［２７］、匹配滤
波法（Ｍａｔｃｈｅｄ　Ｆｉｌｔｅｒｉｎｇ，ＭＦ）［２３］、最小能量约束法
（Ｃｏｎｓｔｒａｉｎｅｄ　Ｅｎｅｒｇｙ　Ｍｉｎｉｍｉｚａｔｉｏｎ，ＣＥＭ）［２８］、自适应
一致估计法（Ａｄａｐｔｉｖｅ　Ｃｏｈｅｒｅｎｃｅ　Ｅｓｔｉｍａｔｏｒ，ＡＣＥ）［２９］
和正交子空间投影法（Ｏｒｔｈｏｇｏｎａｌ　Ｓｕｂｓｐａｃｅ　Ｐｒｏｊｅｃ－
ｔｉｏｎ，ＯＳＰ）［３０—３１］在遥感影像的像元光谱解混中应用
的最多。本文拟应用上述５种光谱解混方法，开展基
于现场测量和图像自动提取端元光谱的 ＨＪ－１Ａ高
光谱黄河口碱蓬和柽柳的光谱解混。
４　结果与分析
４．１　ＳＡＭＣＣ端元光谱提取
采用统计的方法，通过单型体理论计算获得的图
像中地物端元光谱，优点是不需要人为干预，自动化
程度高，而缺点是所获得的光谱不具备明确的物理意
义。图３是碱蓬、柽柳和潮滩３种地物类型的现场光
谱和ＳＡＭＣＣ提取光谱的对比。现场测量光谱和图
像提取光谱之间差别较大，算法提取端元光谱反射率
值都较大，且因图像信噪比较低造成光谱相比于现场
测量光谱并不平滑，同时在７５８ｎｍ和７７０ｎｍ附近出
现了明显的波动。分别利用现场端元光谱和图像提
取端元光谱对高光谱遥感影像进行ＬＳＵ线性光谱解
混，通过分析图１中所示研究区ＡＢ断面的光谱解混
结果，得到ＡＢ断面像元３种地物类型的丰度分布图
（见图４），经过对比分析并结合现场踏勘数据，综合判
断出图３中所获得的图像提取端元光谱曲线的类型
归属。
对比分析图３中通过不同方式获取的端元光谱，
对于柽柳和碱蓬，两种光谱之间具有近似一致的波
形，但在可见光波段的光谱反射率值相差近１倍，而
在近红外波段则较为一致；对于潮滩，二者之间差别
相对较小。分析产生这种差别的原因，因ＳＭＡＣＣ算
法提取的端元光谱并非真正意义上的纯净像元光谱，
而真正意义上的纯净光谱在覆盖研究区域的 ＨＪ－
１Ａ高光谱影像中是不存在的，表现在图３中的提取
光谱实际上仍是混合光谱。
图３　碱蓬、柽柳和潮滩现场测量光谱与ＳＡＭＣＣ提取光谱
Ｆｉｇ．３　Ｔｈｅ　ｆｉｅｌｄ　ｗｏｒｋ　ｅｎｄ－ｍｅｍｂｅｒ　ｓｐｅｃｔｒｕｍ　ａｎｄ　ｔｈｅ　ＳＡＭＣＣ　ｅｘｔｒａｃｔｅｄ　ｅｎｄ－ｍｅｍｂｅｒ　ｓｐｅｃｔｒｕｍ
４５ 海洋学报　３７卷
图４　ＬＳＵ现场光谱（ａ）和ＳＡＭＣＣ提取光谱（ｂ）分解结果
Ｆｉｇ．４　Ｔｈｅ　ｓｐｅｃｔｒａｌ　ｕｎ－ｍｉｘｉｎｇ　ｒｅｓｕｌｔｓ　ｏｆ　ｆｉｅｌｄ　ｗｏｒｋ　ｅｎｄ－ｍｅｍｂｅｒｓ（ａ）ａｎｄ　ｔｈｅ　ＳＡＭＣＣ　ｅｘｔｒａｃｔｅｄ　ｅｎｄ－ｍｅｍｂｅｒｓ（ｂ）
４．２　盖度反演模型
以ＬＳＵ为例，对于图１中的ＡＢ断面湿地盖度
反演结果如图４所示。对于３种湿地类型，应用现场
端元光谱和图像提取端元光谱的分解结果虽值的大
小不同，但具有相似的丰度分布曲线形状，对柽柳
ＳＡＭＣＣ检测到了更多的柽柳信息，对于碱蓬二者在
反演值上处于同一量级，且曲线起伏位置基本一致，
但在不同的区域大小不一。根据现场踏勘数据，图４ａ
中分解得到的柽柳在断面像元中所占的比例更符合
实际，相应的，得到了表１中柽柳ＬＳＵ光谱解混结果
与盖度现场观测值之间０．９５的高决定系数。
表１为５种不同光谱解混方法得到端元光谱的
盖度反演模型。通过对反演模型的分析发现，基于现
场测量端元光谱的反演结果好于ＳＡＭＣＣ提取端元
光谱的结果，表现为决定系数Ｒ２ 大于０．６的分别为５
个和３个，基于现场光谱的反演结果中，最大的决定
系数达到了０．９６；同时，除碱蓬的ＣＥＭ光谱解混法
外，图像端元自动提取的反演结果都比应用实测地物
端元的反演结果差。这种差别是ＳＡＭＣＣ端元提取
法本身的局限性导致的。ＳＡＭＣＣ方法在从图像中计
算提取端元时，根据人们对端元数量的设定，自动的
从图像像元中逐一判断提取，但提取出的端元像元并
不一定是图像中的纯像元，特别是对于覆盖本文研究
区域的遥感影像，较低的空间分辨率决定了ＳＡＭＣＣ
方法提取的端元像元并不纯净。但如果图像中确实
存在纯净像元，自动化程度高的ＳＡＭＣＣ方法不失为
一种有效的选择。
ＬＳＵ和ＯＳＰ光谱解混方法在应用两种端元光谱
的植被盖度反演中均取得了最好的结果，可见两种方
法对于ＨＪ－１Ａ高光谱遥感影像碱蓬和柽柳的盖度
反演是适合的。以应用现场光谱的ＬＳＵ光谱分解结
果为例，图５给出了碱蓬和柽柳的光谱分解结果与现
场实测盖度之间的相关性散点图，二者之间具有较好
的一致相关性。ＡＣＥ光谱解混方法对两种光谱均出
５５９期　任广波等：基于ＨＪ－１Ａ高光谱的黄河口碱蓬和柽柳盖度反演模型研究
现了最低的相关性，最低的决定系数为０．００１。另外，
对于 ＭＦ和ＣＥＭ解混方法，在应用两种方式获取端
元光谱的盖度反演中均取得了较好的效果，但仅限于
柽柳。
表１　两种端元获取方法的端元光谱在５种线性分解方法下的反演值与现场丰度观测值之间的相关性分析
Ｔａｂ．１　Ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ａｎａｌｙｓｉｓ　ｒｅｓｕｌｔｓ　ｏｆ　５ｓｐｅｃｔｒａｌ　ｕｎ－ｍｉｘｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　ｗｉｔｈ　２ｋｉｎｄｓ　ｏｆ　ｅｎｄ－ｍｅｍｂｅｒｓ
端元类型 基于现场光谱端元 基于ＳＡＭＣＣ提取光谱端元
地物类型 光谱分解方法 模型 Ｒ２　 ｐ 模型 Ｒ２　 ｐ
碱蓬 ＬＳＵ　 １．１３＊ＬＳＵ＋０．０３　 ０．８８　 ０．００ －０．６４＊ＬＳＵ＋０．３８　 ０．２７　 ０．０７
ＯＳＰ　 １．０３＊ＯＳＰ＋０．６２　 ０．６９　 ０．００ －０．６４＊ＯＳＰ＋０．３８　 ０．２７　 ０．０７
ＭＦ　 ８．３４＊ＭＦ＋０．１８　 ０．１５　 ０．４４ －０．３４＊ＭＦ＋０．２３　 ０．０２　 ０．６４
ＣＥＭ －０．０３＊ＣＥＭ＋０．３３　 ０．０２　 ０．６８ －０．４３＊ＣＥＭ＋０．５６　 ０．０５　 ０．４４
ＡＣＥ　 ４．７８＊ＡＣＥ＋０．１１　 ０．２５　 ０．０９ －２．４８＊ＡＣＥ＋０．２５　 ０．０７　 ０．３７
柽柳 ＬＳＵ　 ０．８６＊ＬＳＵ＋０．１１　 ０．９５　 ０．００　 ０．６０＊ＬＳＵ－０．０２　 ０．８４　 ０．００
ＯＳＰ　 ０．９６＊ＯＳＰ＋０．１１　 ０．９６　 ０．００　 ０．６０＊ＯＳＰ－０．０２　 ０．８４　 ０．００
ＭＦ　 ７．８５＊ＭＦ＋０．０７　 ０．１７　 ０．３８　 ２．８１＊ＭＦ＋０．０２　 ０．７３　 ０．００
ＣＥＭ　 ０．１９＊ＣＥＭ－０．１０　 ０．７５　 ０．００　 ０．６４＊ＣＥＭ－０．３７　 ０．３８　 ０．０２
ＡＣＥ　 １．５３＊ＡＣＥ＋０．０６　 ０．０５　 ０．４７　 ０．５４＊ＡＣＥ＋０．０９　 ０．００１　 ０．８９
图５　应用现场测量端元光谱的ＬＳＵ光谱分解结果和现场测量植被盖度相关性散点图
Ｆｉｇ．５　Ｔｈｅ　ｃｏｒｒａｌａｔｉｏｎ　ｓｃａｔｔｅｒ　ｐｌｏｔｓ　ｏｆ　ｔｈｅ　ｖｅｇｅｔａｔｉｏｎ　ｆｒａｃｔｉｏｎａｌ　ｃｏｖｅｒ　ｆｉｅｌｄ　ｍｅａｓｕｒｅｍｅｎｔｓ　ａｎｄ　ｔｈｅ　ｆｉｅｌｄ　ｓｐｅｃｔｒａｌ
ｍｅａｓｕｒｅｍｅｎｔｓ　ｂａｓｅｄ　ＬＳＵ　ｓｐｅｃｔｒａｌ　ｕｎ－ｍｉｘｉｎｇ　ｒｅｓｕｌｔｓ
　　相比于碱蓬，应用ＳＡＭＣＣ自动提取的端元的柽
柳盖度反演结果从决定系数上观察并未在反演效果
上显著降低。分析其原因，观测图３中两种不同方法
得到的端元，发现柽柳的端元光谱差别相对于碱蓬较
小，且在近红外波段范围两种方法的端元光谱较为
一致。
５　讨论
ＨＪ－１Ａ高光谱遥感影像是目前光谱分辨率最
高的星载高光谱传感器，较高的光谱分辨率提高了其
对细微光谱特征的分辨能力，但却限制了其空间分辨
率。较低的空间分辨率势必造成单个像元中地物光
谱的混合，这是一般星载高光谱遥感数据的特点。但
较严重的混合像元效应降低了在影像研究区域获取
到纯净像元的几率，进而影响到基于ＳＡＭＣＣ方法提
取端元的纯度。如本文研究区域中碱蓬和柽柳的分
布稀疏，在１００ｍ×１００ｍ的空间中多是与植被裸滩
的混合，导致了本文基于图像提取的端元进行植被盖
度反演的效果较差。
本文所选择的５种线性光谱分解方法，严格来说
主要是从数学分析的角度对像元光谱中的不同端元
光谱组分的比率进行求解，并不能直接对应物理上的
６５ 海洋学报　３７卷
各端元所占像元面积的比率。故各种光谱分解方法
得到的结果不能作为端元丰度的绝对量值，本文采用
将之作为中间量值的方法，建立光谱解混丰度结果和
实测盖度之间的线性回归模型，通过比较决定系数的
大小来评价其对丰度表达的准确性。
６　结论
应用现场测量的碱蓬和柽柳的端元光谱和通过
ＳＡＭＣＣ方法计算机自动提取的端元光谱，利用５种
遥感影像像元光谱线性分解方法，结合现场实测植被
盖度数据，开展了ＨＪ－１Ａ高光谱影像黄河口湿地碱
蓬和柽柳的盖度反演模型研究，得到如下主要结论：
总体上，基于现场端元光谱的盖度反演结果要优于
ＳＡＭＣＣ方法提取端元的结果；对于两类不同来源的
端元光谱，ＬＳＵ和ＯＳＰ线性光谱解混方法均得到了
较好的盖度反演结果，且二者的表现相近；对于柽柳，
来自两种不同方法获取的端元光谱在除ＡＣＥ外的４
种线性光谱解混方法中都取得了优于碱蓬的盖度反
演；开展基于ＨＪ－１Ａ高光谱遥感影像的黄河口植被
盖度反演，对于碱蓬其端元光谱应选择实测光谱，光
谱解混方法首选ＬＳＵ，对于柽柳其端元光谱可来自实
测或图像提取，光谱分解方法首选ＬＳＵ和ＯＳＰ。
参考文献：
［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，Ｆｏｏｄｙ　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］．Ｒｅ－
ｍｏｔｅ　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］　任广波，张杰，汪伟奇，等．基于ＨＪ－１高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究［Ｊ］．海洋学研究，２０１４，３２（４）：８－１５．
Ｒｅｎ　Ｇｕａｎｇｂｏ，Ｚｈａｎｇ　Ｊｉｅ，Ｗａｎｇ　Ｗｅｉｑｉ，ｅｔ　ａｌ．Ｒｅｅｄｓ　ａｎｄ　ｓｕａｅｄａ　ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ＨＪ－１ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ　ｉｎ　ｔｈｅ　Ｙｅｌｏｗ　Ｒｉｖｅｒ
Ｅｓｔｕａｒｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｍａｒｉｎｅ　Ｓｃｉｅｎｃｅｓ，２０１４，３２（４）：８－１５．
［６］　傅新，刘高焕，黄翀，等．湿地翅碱蓬生物量遥感估算模型［Ｊ］．生态学报，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　Ｃｈｅｍｉｓ－
ｔｒｙ　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　ｈｙｐｅｒ－
ｓｐｅｃｔｒａｌ　ｉｍａｇｅｒｙ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００７，１０９（２）：２３７－２４８．
［１０］　Ｔｈｏｍｓｏｎ　Ａ　Ｇ，Ｆｕｌｅｒ　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，顾行发，余涛，等．基于参考波段的去处ＨＪ－１ＡＨＳＩ图像中条带噪声的方法［Ｊ］．红外，２０１３，３４（３）：７－１１．
Ｇａｏ　Ｈａｉｌｉａｎｇ，Ｇｕ　Ｘｉｎｇｆａ，Ｙｕ　Ｔａｏ，ｅｔ　ａｌ．Ａ　ｒｅｆｅｒｅｎｃｅ　ｂａｎｄ　ｂａｓｅｄ　ｍｅｔｈｏｄ　ｆｏｒ　ｒｅｍｏｖｉｎｇ　ｓｔｒｉｐｅ　ｎｏｉｓｅ　ｆｒｏｍ　ＨＪ－１ＡＨＩＳ　ｉｍａｇｅｓ［Ｊ］．Ｉｎｆｒａｒｅｄ，２０１３，
３４（３）：７－１１．
［１４］　贾德伟，钟仕全，陈燕丽，等．ＨＪ－１Ａ高光谱数据预处理方法研究［Ｊ］．河北遥感，２０１０（２）：１３－１５．
Ｊｉａ　Ｄｅｗｅｉ，Ｚｈｏｎｇ　Ｓｈｉｑｕａｎ，Ｃｈｅｎ　Ｙａｎｌｉ，ｅｔ　ａｌ．Ｔｈｅ　ｐｒｏｃｅｓｓｉｎｇ　ｍｅｔｈｏｄ　ｏｆ　ＨＪ－１Ａｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ［Ｊ］．Ｈｅｂｅｉ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，
２０１０（２）：１３－１５．
［１５］　李俊明，邢秋燕，杨超．基于森林类型光谱特征的最佳波段选择研究———以ＨＪ－１Ａ高光谱影像为例［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－１Ａｈｙｐｅｒ－
ｓｐｅｃｔｒａｌ　ｉｍａｇｅ［Ｊ］．Ｆｏｒｅｓｔ　Ｅｎｇｉｎｅｅｒｉｎｇ，２０１３，２９（４）：４２－４６．
［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．
Ｔｏｎｇ　Ｑｉｎｇｘｉ，Ｚｈａｎｇ　Ｂｉｎｇ，Ｚｈｅｎｇ　Ｌａｎｆｅｎ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ———Ｔｈｅｏｒｙ，Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｈｉｇｈ　Ｅｄｕｃａｔｉｏｎ
Ｐｒｅｓｓ，２００６．
［１７］　王彦飞，李云梅，吕恒，等．环境一号卫星高光谱遥感数据的内陆水质监测适宜性———以巢湖为例［Ｊ］．湖泊科学，２０１１，２３（５）：７８９－７９５．
７５９期　任广波等：基于ＨＪ－１Ａ高光谱的黄河口碱蓬和柽柳盖度反演模型研究
Ｗａｎｇ　Ｙａｎｆｅｉ，Ｌｉ　Ｙｕｎｍｅｉ，Ｌｖ　Ｈｅｎｇ，ｅｔ　ａｌ．Ｓｕｉｔａｂｉｌｉｔｙ　ａｓｓｅｓｓｍｅｎｔ　ｏｆ　ｌａｋｅ　ｗａｔｅｒ　ｑｕａｌｉｔｙ　ｏｎ　ｗａｔｅｒ　ｂｏｄｙ　ｉｍａｇｅｓ　ａｃｑｕｉｒｅｄ　ｂｙ　ＨＪ－１Ａｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍ－
ａｇｅｒ：Ａ　ｃａｓｅ　ｓｔｕｄｙ　ｏｆ　ｌａｋｅ　Ｃｈａｏｈｕ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｌａｋｅ　Ｓｃｉｅｎｃｅ，２０１１，２３（５）：７８９－７９５．
［１８］　张兵，高连如．高光谱图像分类与目标探测［Ｍ］．北京：科学出版社，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］　Ｇｉｌｅｓｐｉｅ　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，Ｆｉｆｔｈ　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，Ｉｍ－
ａｇｅ　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，Ａｌｇｏ－
ｒｉｔｈｍ　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　Ｓｙｍｐｏｓｉ－
ｕｍ　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　Ｅｌｅｃｔｒｉ－
ｃａｌ　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　ｅｎｖｉｒｏｎ－
ｍｅｎｔｓ［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　Ｙｅｌｏｗ　Ｒｉｖｅｒ　Ｅｓｔｕａｒｙ
Ｒｅｎ　Ｇｕａｎｇｂｏ１，Ｚｈａｎｇ　Ｊｉｅ１，Ｍａ　Ｙｉ　１
（１．Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｍａｒｉｎｅ　Ｐｈｙｓｉｃｓ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，Ｆｉｒｓｔ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｏｃｅａｎｏｇｒａｐｈｙ，Ｓｔａｔｅ　Ｏｃｅａｎｉｃ　Ａｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｑｉｎｇｄａｏ
２６６０６１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｓｕａｅｄａ　ｓａｌｓａ　ａｎｄ　ｔａｍａｒｉｓｋ　ａｒｅ　ｔｈｅ　ｔｙｐｉｃａｌ　ｖｅｇｅｔａｔｉｏｎ　ｉｎ　Ｙｅｌｏｗ　Ｒｉｖｅｒ　Ｅｓｔｕａｒｙ，ａｎｄ　ａｌｓｏ　ａ　ｋｅｙ　ｈａｂｉｔａｔ　ｆｏｒ
ｍａｎｙ　ｋｉｎｄｓ　ｏｆ　ｒａｒｅ　ｂｉｒｄｓ．Ｓｕａｅｄａ　ｓａｌｓａ　ａｎｄ　ｔａｍａｒｉｘ，ｗｈｏｓｅ　ｌａｎｄｓｃａｐｅ　ｓｃａｌｅ　ｕｓｕａｌｙ　ｓｍａｌ，ｗｉｄｅｌｙ　ｄｉｓｔｒｉｂｕｔｅｄ　ａｎｄ　ｏｆ－
ｔｅｎ　ｍｉｘｅｄ　ｗｉｔｈ　ｅａｃｈ　ｏｔｈｅｒ　ｏｒ　ｏｔｈｅｒ　ｖｅｇｅｔａｔｉｏｎ　ｏｒ　ｂａｒｅ　ｓｏｉｌ　ｉｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ，ａｒｅ　ｄｉｆｉｃｕｌｔ　ｔｏ　ｏｂｔａｉｎ　ｔｈｅ　ｖｅｇｅ－
ｔａｔｉｏｎ　ｆｒａｃｔｉｏｎａｌ　ｃｏｖｅｒ　ｅｆｉｃｉｅｎｔｌｙ，ｔｈｅｒｅｂｙ　ａｆｅｃｔｉｎｇ　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　５ｄｉｆｅｒｅｎｔ　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．
Ｋｅｙ　ｗｏｒｄｓ：ＨＪ－１Ａｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ；Ｙｅｌｏｗ　Ｒｉｖｅｒ　Ｅｓｔｕａｒｙ　ｗｅｔｌａｎｄｓ；Ｓｕａｅｄａ　ｓａｌｓａ；ｔａｍａｒｉｓｋ；ｖｅｇｅ－
ｔａｔｉｏｎ　ｆｒａｃｔｉｏｎａｌ　ｃｏｖｅｒ　ｉｎｖｅｒｓｉｏｎ
８５ 海洋学报　３７卷