植被高光谱遥感技术及应用

(南京农业大学土地管理学院 江苏 南京 210095)

植被作为地球陆地覆盖面积最大、对人类生存环境和生存质量影响最显著的因子，一直是生态学研究的核心内容，20世纪80年代以来出现的具有高光谱分辨率超多波段的成像光谱数据，极大地改善了植被特征识别和分类精度，在植被信息反演的深度和广度方面也有了很大地提高，成为地表植被观测最新的强有力工具。高光谱遥感可以为每个像元提供包含数十乃至数百个窄波段光谱信息的连续光谱曲线，是其与宽波遥感数据的主要区别[1]，也是其被广泛用于植被特征识别的技术基础[2]。高光谱遥感技术超多波段信息使得根据混合光谱模型进行混合象元分解获取“子象元”或“最终光谱单元”信息的能力得到提高，从而使得遥感应用着重于在光谱维上进行空间信息展开，定量分析地球表层生物物理化学过程和参数[3]。由于高光谱遥感能提供更多的精细光谱信息，它除了应用于矿物识别并实现单矿物识别和填图外，已广泛地应用于植被遥感中，并已成为地表植被地学过程对地观测的强有力工具[4]。植被高光谱遥感数据，按获取方式的不同，采用相应的高光谱遥感信息处理技术处理后，为更准确地探测植被的精细光谱信息，定量反演植被各组分含量及叶面积指数LAI等植被结构参数，精确估算植物所吸收的光合有效辐射APAR，植物的初级生产力NPP等指标提供了可能，从而推进了遥感定量化的进程[4]。

一、植被高光谱遥感信息的处理方法

高光谱遥感信息易受诸如遥感器老化、地物二向性反射、大气效应、地形因子等外部因素的影响,这些因子都会削弱高光谱遥感数据赖以区分地物的敏感性。因而，高光谱遥感信息的光谱图象转换，必须进行定标和大气辐射校正，以消除这些因子的影响，这是遥感定量化研究的一个关键环节。常规的还有光谱图象增强处理，一方面是为了消除噪声，突出目标地物；另一方面也是为了将来进一步的导数运算。鉴于植被高光谱遥感图象的特殊性，对所获得的图象还需进行一些必要的处理。

(一)降维运算

为了将高光谱遥感数据与常用的宽波段数据进行对比分析，有必要对它进行降维处理。主要的降维方法都是通过卷积运算得到低光谱分辨率数据。如AV IRIS通过卷积运算可减少到 Landsat TM 的对应光谱段，以便于两者进行对比分析。

(二)导数光谱技术[5]

导数光谱技术是分析高光谱遥感信息较为常用和有效的一种技术。因为二阶或更高阶导数对于由于太阳角、云的覆盖、地形因素等引起的图象亮度明暗度的变化相对不敏感,对于太阳光、天空光的光谱变化也几乎不敏感。比如，淡水湖组成成分浓度的检测，大气校正，波段分解等。此外，导数光谱主要反映了由于植物中叶绿素等吸收光产生的波形变化并能揭示光谱峰值的内在特性。因此，导数光谱可用在高光谱遥感中对植被指数进行估算和分析。

(三)红边效应分析技术

由于植物体内叶绿素吸收作用的影响，植被反射光谱在红到近红外区出现一个陡峭的爬山脊，称为“红边”。通常采用红边斜率和红边位置两个因子来描述红边的特性。红边斜率主要与植被覆盖度或叶面积指数有关，覆盖度越高或叶面积指数越大，红边斜率越大。红边位置主要与叶片叶绿素含量有关，当植被中叶绿素 b含量减少时，红边位置将向短波方向偏移，通常称之为“蓝移”。当植被因缺水而发生叶子枯萎时，红边位置将向长波方向偏移(红移)。而用宽波段数据几乎不可能得到与叶绿素含量密切相关的“红边”光学参数[4]。

二、植被高光谱遥感的应用

(一)植被信息的提取

根据植被的反射光谱特征，通常是用植被红光，近红外波段的反射率和其它因子及其组合所获得的植被指数VI来提取植被信息，并在区域和全球尺度上从高空监测植被。Ts.Purevdorj用地面实测的反射光谱数据结合气象卫星AV HRR 数据，比较分析结果表明，用TSAVI和NDVI估计面积大、植被密度高区域的植被覆盖度效果更佳。利用高光谱遥感数据可以消除土壤信号在NDVI中的作用，结合双向反射模型的应用，可以提取更精确的植被信息。最优化土壤调节植被指数 OSAVI=(NIR-R)/(NIR+R+0.16)，其中土壤调节系数 0.16 是减小土壤背景影响的最优值。J.Qiu等人也通过反演植被的双向反射模型来估算植被的表面特性。利用混合光谱分解技术可以提高定量监测植被丰度随时间变化的精确性与准确性[7]。

(二)植被长势监测和估产

高光谱遥感的超多波段、光谱分辨率高(3～20nm)的特点，使其可探测植被的精细光谱信息(特别是植被各种生化组分的吸收光谱信息),反演各组分含量,监测植被生长状况。王延颐用美制的EXOTECH100A四通道光谱仪在试验田分析了水稻各生育期、光谱波段、反射波谱特征。结论是:稻田光谱与水稻长势的相关性较好，在水稻灌浆期，稻田光谱与水稻理论产量的相关性也较好，尤其是 800nm的反射光谱值[8]。Malthus考察了大豆受蚕豆斑点葡萄孢感染后的光谱反射率变化情况。但红边位置与受感染的程度并不相关，二阶导数的相关性也比较差[7]。运用高光谱遥感还能监测植被受空气污染的状况。Holer等发现受空气污染地区多年的叶簇的红边位置比正常叶子向短波方向偏移了5(蓝移)[6]。在某些植被类型中，蓝移还与重金属含量偏高有关。

(三)光能利用和蒸散

理论和实验都证明植物冠层的光合有效辐射与反射率有联系。高光谱遥感所得的 APAR比 LAI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合背景物质—— 土壤光谱信号的特点,认为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。研究表明,可直接反演二向反射模型,用卫星和地面测量的光谱数据估算叶子的生物物理参数 LAI和 FAPAR。

(四)植物病虫害监测

植物病虫害的监测通过监测叶子的生物化学成分来进行。植物光谱的导数实质上反映了植物内部物质(叶绿素及其它生物化学成分)的吸收波形的变化。Malthus考察了大豆受蚕豆斑点葡萄孢感染后的光谱反射率66遥感技术与应用第13卷变化情况。受感染后,大豆反射率在可见光区变平坦，在近红外的 800 nm处反射率降低。受感染的程度与可见光的反射率的相关性，一阶导数比原始的反射率要高，可以用它来监测病虫害的感染情况。Holer等发现受空气污染地区多年的叶簇的红边位置比正常叶子向短波方向偏移了 5 nm(蓝移)。在某些植被类型中，蓝移还与重金属含量偏高有关。实验表明蓝移是林地受污染后在光谱上表现的细微变化。

(五)其他方面

利用植被高光谱遥感还可进行陆地生态学等领域的研究，用的较多的是森林分类型的识别以及其它森林生长参数的监测。李德成等模拟酸雨对水稻叶片反射光谱特性的影响，结果表明:酸雨会引起水稻叶片反射光谱可见光区和中红外区的反射率升高，近红外区的反射率降低。Sandmeier进行了影响 BRDF各因子的敏感性分析。将地面实测高光谱数据和二向反射模型相结合，可提高森林生长参数反演的精度。MickJ建立了由红光和近红外窄波段反射率转换为宽波段半球反照率的方程，研究表明，森林冠层的反射类似于粗糙表面，其在用此方程进行转换时如假设冠层的反射为朗伯反射将会使计算误差增大到 35%。所以有人用NOAAAVHRR图象，结合考虑大气散射和时间参量在内的 BRDF计算森林和牧场的NDVI。W.Gao将地面实测高光谱数据和二向反射模型相结合，反演草地的生物物理参数，计算值和实测值的相对误差分别为12.6%，6.9%，7.6%。

三、植被高光谱遥感应用的深化

遥感为在区域和全球尺度上研究生态系统的能量流动提供了一个可靠工具，并已取得了许多成果。今后，将进一步加强对不同生态系统特别是全球变化敏感的生态系统的能量利用和生产力等的研究。人类活动和各种自然因子均会引起生物多样性在各个水平上(物种、生态系统和景观)的变化。因此在区域和全球尺度上。在对研究区分类以后，利用遥感数据进行生态系统多样性和景观性的研究是完全可行的。在上述研究的基础上，利用植被光谱数据，还可进行生态系统光能利用率、水分利用率、生物量，生产力和生物多样性以及与气候变化的关系的研究，进一步研究他们对全球变化的响应，并预测其变化发展的趋势。

总之，植被光谱遥感数据以其特有的优势已经在区域和全球尺度上从高空对植被资源，植物长势，农业估产和生态环境的监测以及地质找矿，植被覆盖空间结构的分析和监测以及地下深部油气的探测等领域得到了广泛应用。为了充分利用植被光谱遥感数据，应加强遥感的实验研究，快速获取更多更准确的植被光谱数据；深化理论研究，揭示植被光谱中内在的隐含特征以提高各种参数的估算精度；拓宽拓广应用研究，挖掘植被光谱数据的最大潜力。