整合ITRES CASI和SASI机载高光谱数据的北方森林树种填图研究

整合ITRES CASI和SASI机载高光谱数据的北方森林树种填图研究

关键词：ITRES，机载，高光谱，CASI，SASI，整合，包络线去除，Savit zky-Golay 滤波

摘要：将机载CASI和SASI高光谱数据整合, 既可以获取可见光——近红外——短波红外区间连续的窄波段地物光谱, 又能得到很高的空间分辨率, 为高覆盖度的森林树种识别又增加了一种新方法。但是由于两种传感器的光谱响应不同, 接收到的辐射值差异较大, 如何将两种数据有效整合目前仍是一个难题。CASI和SASI覆盖谱段不同, 受大气影响程度也不同, 根据植被反射和吸收光谱特性, 首先用基于统计模型的经验线性法和基于辐射传输的MODT RAN 模型分别对CASI和SASI大气校正, 复原地物光谱真实的反射率。然后去除反射率光谱包络线, 用Savit zky-Golay 滤波函数对归一化后的光谱曲线进行平滑, 以去除噪声及异常点, 实现CA SI 和SASI 数据( CASI+ SASI)的整合。与实测光谱曲线对比发现, 整合后的CASI+SASI光谱曲线与实测光谱曲线匹配度较高, 并且比单一传感器的光谱信息更丰富, 有利于不同树种的区分识别。最后应用光谱微分及曲线匹配技术, 选取SVM 分类器实现了研究区的树种填图, 总体精度达到86. 21%, Kappa 系数为0. 8297, 该方法有效可行, 为后续的相关研究提供了参考。

1  引  言

高光谱成像光谱仪为每个像元提供数十至数百个窄波段, 能产生一条完整而连续的光谱曲线[ 1] 。超高的光谱分辨率使得高光谱遥感技术能够区分出具有诊断性光谱特征的地表物质, 探测到许多宽波段遥感不可探测的信息。因此高光谱在生态、地质、大气、海洋、冰雪、灾害环境监测[ 2??4] 等很多领域都突显优势。

不同植被的细胞组织结构、叶绿素和液态水含量等不同, 其光谱曲线特征也不同。近年来, 利用植被独特的光谱曲线特征( "峰和谷") , 高光谱数据在林业方面有一个重要的应用就是树种分类研究[ 5] 。Buddenbaum 等[ 6] 对HyMap 数据, 选用光谱角填图及最大似然两种分类方法, 对德国西部的针叶林区进行树种及林龄的划分; Goodenough 等[ 7] 利用Hy perion、ALI 和ET M+ 3 种遥感数据对加拿大维多利亚地区的5 种森林类型进行了分类; 宫鹏等[ 8 ] 利用高分辨率光谱仪实地测得光谱数据识别美国加州的6 种主要针叶树种, 采用相邻窄波段逐步加宽的办法, 测试不同波段宽度对树种识别精度的影响。但是目前应用的高光谱数据多是星载传感器获取的, 受大气和边缘效应影响较大, 并且波谱和空间分辨率相对较低, 难以实现对地物信息的精确提取。机载平台高光谱传感器的出现, 使得对局部小区域的精细研究成为可能。商用小型机载CASI( Compact Airborne Spectro graphic Imager ) / SASI( Shortw ave infrared Airborne Spect rogr aphic Imager) 成像光谱仪采用推扫式成像方式, 在可见光——短波红外波谱段成像。它有两种工作模式: 空间和光谱模式。空间模式允许用户自行编程设置感兴趣光谱段的波段宽度和波段数; 而光谱模式最高可获取288 个连续光谱波段, 为地物信息提取提供了详细的光谱信息。目前国内外已经对CA SI 数据开展了一些植被方面的研究[ 9] , 但由于SASI 覆盖的短波红外谱段对植被区分同样有一定的指示作用, 并且加入SA SI 后的光谱可以与光谱仪的测量光谱相互比较验证, 因此研究CASI 和SASI 的整合很有意义。本文采用包络线去除及曲线平滑技术, 实现CASI 和SASI 的有效整合, 应用一阶微分变换及光谱匹配技术实现对整合后光谱训练样本的自动提取, 并将整合后光谱用于研究区的树种填图。