高光谱遥感植被图谱信息提取研究进展

邓守奇,李晓强,梁立恒,董炜华,程 彬,马友利,韦森超

(1.长春师范大学地理科学学院,吉林 长春 130032; 2.长春市文理高中,吉林 长春 130062)

0 引言

近年来,高光谱遥感成为地表植被研究的重要手段,植被遥感包括植被群落分类、森林草原监测、农作物长势分析、环境保护等,它关系到区域的生态评价、国家的粮食安全以及全球的气候变化[1]。早期植被信息提取主要依赖于人工实地调查,以视觉理解为主,对植被信息深层次获取存在一定的困难。高光谱遥感技术的发展为植被图谱信息提取提供了可能,高光谱数据含有丰富的物质成分信息以及图形信息,使植被信息从浅层“视觉理解(图)”深入到内在“机理透视(谱)”,从定性向定量,通过现象看到本质(从图到谱)[2]。高光谱植被图谱信息可快速获取植被理化信息,既可以有效识别物质成分,也可以在纹理、几何图形信息上加以分析识别,在植被识别、分类、监测等方面应用广泛。国内外学者一直致力于植被图谱信息提取方法的研究,早期的植被图谱信息提取主要依赖于人工目视解译,但解译精度很大程度上依赖于解译者的经验以及遥感影像质量[3]。

在光谱(高光谱)植被研究方向的工作中,有许多国内外学者做出了重要贡献。Range B. Myneni团队开展了大规模的遥感研究,特别是利用高光谱数据来监测和估计全球植被覆盖变化。Jing M. Chen的研究涵盖了植被动态、植被功能和生态系统服务等领域,并将高光谱技术应用于植被研究。 Michael Schaepman的研究聚焦于植被光谱特征、光合作用和植被生物化学特性等方面。Qiang Yu的研究广泛探讨了高光谱遥感技术在植被监测、植被物候以及植被健康评估等方面的应用。这些学者在植被研究领域都有广泛的影响力,并且对高光谱技术在植被研究中的应用进行了创新的理论研究。

随着遥感传感器的空间解析度和光谱解析度的进一步提高,遥感全覆盖、高时效性在植被图谱信息提取中的应用也得到了显著的提高。本文对高光谱植被图谱信息提取的相关理论成果进行梳理,探究当前遥感数据在植被图谱信息提取的基本原理和基本方法及未来发展方向。

1 植被的图谱信息

植被图谱信息包括植被的图像信息和植被的光谱信息,图像信息可以反映植被的形状、大小、缺陷等外部品质特征[4],而光谱信息能反映物体内部的物理结构、化学成分的差异[5]。

植被图像信息是指通过遥感技术获取的植被图像所包含的有关植被状态和生长的信息。它是通过植被对不同波段的光谱反射率来体现的[6]。人们所看到的不同植被或同一植被不同生长阶段所体现出的不同图像,就是植被对不同光谱波段反射率不同而导致的。通过植被图像信息可以了解植被的密度、类型、生长趋势和空间分布,从而为相关领域的决策制定提供科学依据和数据支持。

植被光谱信息包含大量的光谱数据,这些光谱数据由很多条近似连续的光谱曲线组成,这些光谱曲线的波段范围从紫外线、可见光到红外波段。绿色植物在不同波段的反射率有明显的差异,近红外波段的反射陡坡和小峰值是植被的独有特征。此外,植被生物量也可以通过红色波段和近红外波段之间的反差来表征[7]。通过这些信息,可以进行植被叶绿素含量、光合作用效率等定量信息的反演。

2 高光谱植被信息提取方法

2.1 高光谱的图谱特征

高光谱遥感是一种通过测量大量纳米级谱段的电磁辐射来获取地物表面的光谱特征的技术。高光谱由数百个连续窄波段组成,能够获取比传统图像更多的光谱和空间信息,提供多种物理、化学、生物学特征信息。这种能力使得高光谱技术能够提供更丰富的植被光谱信息,可广泛地应用于植被分类、植被病虫害监测、植被生长状态跟踪、环境管理和国防建设等领域[8]。

高光谱图谱的最大特征是将成像技术和光谱探测技术结合,既能对目标的空间特征进行成像,又能测定大量窄带频段的电磁辐射,从而实现对植被图谱的连续光谱覆盖,也称为“图谱合一”。除此之外,还包含能够反映目标地物反射与辐射特性等物化属性的诊断性特征[9]。高光谱图谱数据具有丰富的光谱信息、多样的特征提取能力、对微小变化敏感、支持多尺度分析以及可以与其他数据源融合等优势。这使得高光谱数据在学习方法中具有许多优势[10],为研究者提供了更广阔的空间和更精确的数据基础。

2.2 植被图谱信息提取方法

植被图谱信息的提取是植被遥感研究中的重要内容之一,其主要目的是通过对植被反射或吸收特定波长的光谱信息进行分析,以获取植被生长状况、类型、覆盖度、叶绿素含量等定量信息[11]。目前,植被图谱信息提取的研究领域涌现出许多新的方法。其中常用的方法是植被指数方法,如归一化植被指数(NDVI)、结构调整植被指数(SAVI)等[12];另外,机器学习方法也得到了广泛的应用,如人工智能深度学习、卷积神经网络(Convolutional Neural Network,CNN)等[13]。

2.2.1 传统植被指数方法

随着遥感技术的不断发展,植被光谱信息提取方法在不断创新和完善,常用的方法是通过植被指数来计算植被的生理和生态学参数[14]。其中,最广泛应用的植被指数包括归一化植被指数(NDVI)、结构调整植被指数(SAVI)、归一化差异植被指数(NDWI)和改进型归一化植被指数(EVI)等,主要用途见表1。

表1 常用的植被指数及用途

此外,还有一些新型的植被指数,如结构化植被指数(SVI)、归一化红边植被指数(NDRE)等[15],这些指数在特定的应用场景下具有更好的表现。植被指数是用于评估和监测植被生长、健康状况以及植被覆盖程度的重要工具。在这些植被指数中,归一化植被指数(NDVI)是其中最常用的方法之一。

2.2.2 深度学习与卷积神经网络

近年来,机器学习方法在植被光谱信息提取中得到了广泛应用[16],如人工智能深度学习、卷积神经网络(Convolutional Neural Network,CNN)等,可以有效地改善高光谱图谱信息的提取精度和效率[17]。

人工智能深度学习在植被高光谱信息的提取和分析方面具有巨大的潜力和应用价值。通过深度学习模型的训练,可以实现从植被高光谱数据中提取特征、进行植被分类、评估植被健康状况以及监测植被变化。深度学习能够准确地分析植物的光谱特征,可以更加准确地识别和分析植被的相关信息,对农业、生态环境保护等领域具有重要的应用价值。

卷积神经网络(CNN)能够从高光谱数据中提取特征,实现植被分类、植被健康状况评估等任务。通过卷积和池化操作,CNN能够提取高光谱数据中的空间和频域特征,实现对植被区域和非植被区域的准确区分。此外,CNN可以通过训练大规模数据集,学习复杂的植被特征,实现植被分类和识别任务的精确性和鲁棒性提升。同样,CNN还可以根据植被高光谱数据中的波段值来预测植被健康状况,如叶绿素含量、水分含量等指标,以评估植被的生长情况与健康状态。卷积神经网络对于高光谱信息提取方面的应用极为重要,为农业、生态环境保护等领域提供有力支持。

在实际应用中,每种方法都有其特定的优点和应用范围,研究者可以根据具体情况选择合适的方法或多种方法相结合进行分析和研究,以提高植被高光谱图谱信息提取的准确性和精度[18]。

2.2.3 植被高光谱图谱合一信息提取

提取植被高光谱图谱合一信息的方法包括光谱特征提取、空间特征提取、物候监测与变化检测、数据融合与多源信息整合以及深度学习方法。

光谱特征提取是通过计算光谱指数或利用光谱库比对等方法,提取植被的光谱特征,反映植被的生长状况和健康状况。同时,可以利用无监督分类方法或专门的算法识别和提取出特定植物物种的光谱特征。

空间特征提取通过对象提取、形态学运算等方法,将植被从图像中分割出来,并提取出植被的形状、大小、分布等空间信息。这有助于了解植被的空间分布和结构特征[19]。

物候监测与变化检测利用高光谱数据观察植被在不同时间点的生长变化和季节性变化。通过时间序列分析、差异图像分析等方法,可以揭示植被的物候变化和异常情况。

数据融合与多源信息整合将高光谱数据与其他数据源进行融合,如地理信息系统数据、激光雷达数据等,获取更全面的植被信息。通过数据融合算法,将多源数据整合为一体,提取出植被的综合信息。

深度学习方法,如卷积神经网络(CNN),可以从高光谱数据中自动提取特征,并进行植被分类、物候监测等任务。这种方法能够有效利用高光谱数据的丰富信息,提取出植被的合一特征[20]。

上述方法,可以提取植被高光谱图谱合一的信息,全面了解植被的光谱特征、空间特征和变化特征。这为植被研究提供了更全面的信息基础,有助于深入了解植被的生态功能、健康状态和时空变化。

3 讨论

植被图谱信息提取是一项重要的研究领域,它利用遥感技术获取的光谱和图像信息来获取有关植被状态和生长的信息,提供了丰富的空间、光谱信息。与传统的遥感方法相比,高光谱遥感技术有效地植入了大量的植被图谱信息,对植被图谱信息的探测和识别能力极大提高,所获取的植被光谱比较真实,能全面地反映各种植被所固有的光谱特性以及其间的细节差异性,从而大大提高了植被遥感分类的精细程度和准确性[21],大大提高植被指数所能反演的信息量,使人们可以直接获取诸如植被叶面积指数、生物量、光合有效辐射吸收系数等植被生物物理参量[22]。但是,在利用高光谱提取植被图谱信息的过程中仍然存在一些问题,例如,高光谱图像中噪声和杂散光的影响可能使数据失真,影响分析结果的准确度;高光谱图谱的采集和处理难度较高,需要专业的操作技术和高性能计算系统;处理方法传统,反演精度有限,应用难以有效实施等[23]。

随着高光谱遥感技术的快速发展,地物信息获取的便利性、时效性和完备性不断提高,这进一步推动了植被图谱信息提取向更加精细化、自动化和智能化的方向发展,这也成为未来的发展趋势。利用高光谱数据也可以更好地减少“同物异谱”和“同谱异物”的现象的发生[24]。高光谱植被图谱信息提取是一个涉及遥感、计算机科学和生态学等多个领域的交叉学科,目前已成为植被研究的热点之一。未来的研究方向包括利用深度学习技术提高植被分类的精度和效率,将多源遥感数据融合以获得更加详细和准确的植被信息,利用机器学习方法对植被图谱进行特征提取以识别出植被的不同特征,以及通过空间分析和模拟更好地了解植被分布和生态环境变化的情况。

随着技术的发展,出现了多种创新和完善的方法来提取植被光谱信息。这些方法各有优缺点,在实际应用中常常采取综合应用的方式,以提高植被信息提取的准确性和精度。综合方法能够更全面地捕捉植被的光谱特征,从而更好地理解和解释植被的生物和生态过程。通过光谱特征提取、空间特征提取、物候监测与变化检测、数据融合与多源信息整合以及深度学习方法等手段,可以全面了解植被的光谱特征、空间特征和变化特征,为植被研究提供更全面的信息基础,有助于深入了解植被的生态功能、健康状态和时空变化。

近些年,无人机搭载光谱仪获取植被高光谱信息越来越普遍,同时也具备一定的优势。无人机能够以低飞行高度进行光谱数据收集,获得更高的空间分辨率,从而能够更精细地观察和分析地表特征。无人机具有灵活性和可操控性,可以根据需要进行任务规划和轨迹优化,适应不同的地形和环境条件。相比于卫星和飞机,使用无人机进行植被高光谱数据采集的成本更低,对于科研机构、环境监测部门和农业管理者来说,非常具有吸引力。

4 结语

植被高光谱信息包括图像信息和光谱信息,可以提供丰富的植被属性,揭示植被的空间分布、结构特征以及物理结构和化学成分的差异。这些综合信息对于识别和分析不同植被类型、健康状况以及环境适应性非常重要。植被高光谱数据具有丰富的光谱信息,能够提取多种特征,对微小变化敏感,支持多尺度分析,可以与其他数据源融合。因此,在植被分类、病虫害监测、生长状态跟踪和环境管理等领域中,植被高光谱数据具有广泛应用的前景。高光谱技术是一种先进高效的植被图谱信息提取技术,它提供了理解和利用植被资源的机会。通过获取丰富的光谱数据,高光谱技术可以深入探究植被的物理、化学和生理特性。这项技术在农业、林业、环境监测和地质勘探等多个领域具有广泛应用的前景。在农业方面,高光谱技术可以被用来监测作物的健康状况和营养状态,实现精准施肥和水分管理。在林业方面,它可以帮助评估森林资源,监测森林生态系统的变化以及进行森林火灾监测。在环境监测方面,高光谱技术可以被用来监测水质、湿地的植被变化以及识别土壤污染等。在地质勘探方面,它能够帮助探测矿区和矿床,并识别地下资源的种类和分布。综上,高光谱技术不仅能提供丰富的植被图谱信息,在其他领域研究中也具有巨大应用潜力。