基于高光谱遥感技术的森林树种识别研究进展(2)

[21]

利

用小波变换方法处理HYDICE高光谱数据,对处理后的结果进行热带森林的树种识别研究,发现小波变换后的高光谱数据能提高热带森林树种的识别精度;陈尔学等

[22]

利用Hyperion高光谱数据和地面观

测数据,比较了几种高光谱统计模式识别方法,结果发现采用二阶统计量方法,同是结合空间上下文信息和光谱信息分类法(ECHO)可以有效地提高森林树种的识别精度;刘秀英等

[23]

利用地物光谱仪测量

了杉木、雪松、小叶樟树和桂花等4个树种光谱数据,并利用光谱微分、波段选择等技术成功地识别出这几个树种。

21112 外来入侵树种识别

外来入侵树种所导致的环境、经济问题已成为全球关注的焦点话题。高光谱识别外来入侵树种已有很多成功的案例。在北美中西部,研究者基于高

高光谱技术的相关应用

112

光谱数据,对外来入侵树种(如阔叶大戟柳

[25]

[24]

林业资源管理第5期

、撑3 存在的主要问题

高光谱遥感以其自身特有的优势,已经广泛地应用于森林树种识别及森林制图,其识别分类效果比常规遥感有了显著的提高,成为高光谱植被遥感研究的热点。然而,对于每个新兴的研究领域都存在诸多有待完善的方面。数据处理和分析算法的相对滞后,在一定程度上影响了其在行业应用中的发展,这也无疑将是今后研究中的重点。、黄蓟

[26]

等的识别和制图)开展了广泛而深入

[27]

的研究。澳大利亚学者利用高光谱数据对其境

[28]

内的黑莓入侵进行空间分布和扩散规律研究,成功地绘制出黑莓的空间分布图;台湾学者

利用星载

Hyperion高光谱数据成功地识别出台湾恒春地区境内的外来树种)))银合欢。相关研究表明,只要入侵树种覆盖率超过30%~40%时[29]

,就可以通过高

光谱数据进行有效地识别。212 森林树种生理生化特性识别

在森林树种的生理生化特征识别中,主要涉及叶面积指数、生物量、水分含量、郁闭度、光合有效辐射、叶绿素、各种营养成分(N、P、K等),(半)纤维、木质素、淀粉和蛋白质等

[30-34]

。Zaroc2Tejada等

[35]

通过不同尺度下冠层光谱模拟,获得了随叶绿素含量变化的一些规律。发现MCARI/OSAVI能有效去除土壤背景对植被叶绿素含量估测的影响,利用MCARI/OSAVI植被指数进行叶绿素(a+b)含量的估测可达到预想的效果。Dury等

[36]

的研究中,使用

包络线去除HYMAP遥感数据对桉树进行监测,发现利用高光谱数据反演的氮含量估测值与同步实测冠层叶片的氮含量具有一致性。宫鹏等

[37]

利用

CASI高光谱数据对美国俄勒冈州针叶树的LAI进行了估测实验。结果发现LAI与归一化植被指数(NDVI)之间的双曲线关系是估计LAI最合适的方法。张良培等

[38]

利用进行一阶导数运算处理后的

高光谱数据对生物量进行估计,其结果很好地反映了地面的实际情况。

此外,我们还可以通过森林生理生化特性的识别得到不同森林树种间的差异信息,利用这些差异信息进行树种类型识别研究,可以更为有效地提高树种类型识别的精度

[9]

。如Martin

[6]

结合

不同森林树种之间特有的生化特性,将高光谱数据AVIRIS(航空可见光/红外成像光谱仪)与簇叶化学成分之间建立关系,成功鉴别了10种森林类型(红枫、红栎、阔叶混交林、白松、铁杉、针叶混交林、挪威云杉、红松、云杉沼泽林及落叶阔叶沼泽林)。

311 数据质量与保障性有待提高

首先,机载高光谱传感器的高成本和覆盖范围的局限性,是机载高光谱用于更大尺度、更广范围的森林树种识别研究的主要障碍之一。随着高光谱传感器通道数的增加,其与空间平台数据传输资源之间的矛盾日益突出,也严重地阻碍了机载高光谱数据在森林树种识别中的发展。其次,星载高光谱数据受空间分辨率的限制,很难满足那些森林树种精细研究的应用要求,再加上星载高光谱数据还需要编程订购,时间周期长,数据量大,遥感作业效率较低,也在一定程度上限制了它的广泛应用。再次,高光谱用于森林树种识别还需地面辅助调查,尤其是对于森林类型复杂、森林树种混交程度较高的山区,由于缺乏垂直空间信息和训练样本的支持,大大限制了其应用的深度与广度。目前,森林树种识别研究主要集中在那些生境条件较为理想的区域,并且研究的对象也仅局限于为数不多的几种树种类型。312 缺乏有效的处理算法

人们在获取海量高光谱数据的同时,也面临着如何处理这些高光谱数据的难题,数据处理效果是影响高光谱应用的决定性因素。由于高光谱数据量大和信息的冗余性,利用高光谱数据进行森林树种识别依然任重道远。目前的遥感识别算法多是基于统计分析进行的,利用这些传统的模式识别算法进行高光谱森林树种识别具有很多难以克服的困难,如运算量太大,样本需求很多,会遇到/维数灾难0,难以获取合适的类型特征,无法得到各种类型的先验概率和概率分布,难以形成复杂的判别函数和判别决策面等。随着高光谱研究的深入,结合高光谱数据特点研究一些基于光谱和光谱模型的识别算法将是未来高光谱识别的重点。

高光谱技术的相关应用

第5期曾庆伟等:基于高光谱遥感技术的森林树种识别研究进展

113

另外,在遥感信息处理过程中主要还是依靠人机交互进行,智能化程度不高,可操作性不强,费时费力。因此,进行自动识别端元,提取端元光谱信息,自适应滤波完成混合光谱的分解,最小人工参与数据的自动处理等都是高光谱遥感森林树种识别研究中急需解决的问题。4 结论与展望

[5]谭炳香.高光谱遥感森林信息提取研究进展[J].林业科学研

究,2008,21(S):105-111.

[6]MartinME,NewmanSD,AbetJD,eta.lDeterminingforestspe2

ciescompositionusinghighspectralresolutionremotesensingdata[J].Remotesens.Environ,1998,65:249-254.

[7]谭炳香,李增元,陈尔学,等.高光谱与多光谱遥感数据的森林

类型识别[J].东北林业大学学报,2005,33(S):61-64.[8]eoflogisticregressionforvalidationofmapsofthe

spatialdistributionofvegetationspeciesderivedfromhighspatialresolutionhyperspectralremotelysenseddata[J].EcologicalMod2高光谱遥感克服了传统遥感技术无法实现精细类型识别的缺点,在森林树种识别中有着广阔的应用前景。尽管在现有的应用中还存在着诸多障碍,但其在植被研究中的巨大优势还是显露无疑。为推动高光谱遥感森林树种识别的发展,我们还需要深入开展以下的研究:

1)森林树种光谱数据库的完善。由于森林树种间的光谱具有相似性,树种和冠层之间变化复杂,加上不同树种混交产生的相互效应、环境和地形因素的影响,使得树种光谱特征变异普遍存在。因此,深入开展森林树种的标准光谱特征研究,总结树种在不同条件下的光谱变异,完善树种标准光谱数据库,为高光谱森林树种识别研究奠定科学的基础。

2)加强高光谱数据挖掘研究。混合像元普遍存在于高光谱遥感数据中,林业高光谱数据尤为如此。在高光谱多维光谱特征空间中,树种间细微变化极易体现,利用像元分解有利于提高树种识别精度。目前,绝大部分混合光谱分解都只采用了高光谱数据中很有限的光谱段信息,模型经验性强,规律性和可移植性差,阻碍了光谱信息的提取。随着数据挖掘技术的不断发展,重点开展多树种混交的森林混合光谱分解研究,充分挖掘光谱空间中的树种光谱变化将会有效地解决混合光谱分解的难 …… 此处隐藏：3617字，全部文档内容请下载后查看。喜欢就下载吧 ……