基于小波变换的EO-1高光谱数据在森林叶面积指数和林冠郁闭度制图中应用.docVIP

基于小波变换的EO-1高光谱数据在森林叶面积指数和林冠郁闭度制图中的应用 Ruiliang Pu*, Peng Gong International Institute for Earth System Science, Nanjing University 210093, PR China Center for Assessment and Monitoring of Forest and Environmental Resources (CAMFER), 151 Hilgard Hall, University of California, Berkeley, CA 94720-3110, USA 摘要：通过对三种特征提取方法的特点的比较有利于用EO-1高光谱数据绘制林冠郁闭度（CC）和叶面积指数（LAI）。这三种方法包括波段选取，主成分分析和小波变换。本文使用的高光谱数据是2001年10月9日获取的。2001年8月10-11日在美国伯克利加利福尼亚大学的Blodgett森林研究站对38个采样点进行现场测量、收集CC和LAI数据。分析方法包括（1）用高精度大气校正法对高光谱数据进行大气校正以反演表面反射系数，（2）用以下三种方法提取特征信息：SB，PCA和WT，（3）建立多元回归预测模型，（4）预测并绘制基于像素的CC和LAI值，（5）用图像解译的CC和LAI值证明CC和LAI的绘图结果。实验结果显示通过小波变换提取的能量特征对绘制森林的CC和LAI图最有效（CC的图像精度为84.90%，LAI的图像精度为75.39%），其次是主成分分析法（CCMA=77.42%，LAIMA=52.36%），波段选取方法的效果最差（CCMA=57.77%，LAIMA=50.87%）。 关键词：高光谱传感器；叶面积指数；林冠郁闭度；小波变换；特征提取 1.引言 林冠郁闭度和叶面积指数这两个生物物理学参数是对诸如光合作用，呼吸作用，蒸腾作用，碳和营养物质的循环以及降雨量等陆地生态系统的物质和能量交换特征进行定量的重要结构参数[4][5][9][12][15][20][39](Chen Cihlar, 1996; Chen 等,1999; Fassnacht 等, 1997; Gobron等, 1997; Gong等, 1995; Hu等, 2000; White等, 1997)。LAI是对每单位土地面积上林冠层现存绿色叶片物质的数量的定量描述。它定义为在一定区域内林冠层中所有叶片的单侧面积之和[4](Chen Cihlar, 1996)。CC可定义为树冠在垂直投影面上覆盖的土地面积的百分数。直接测量林冠郁闭度和叶面积指数的工作量很大，因此，在有限（范围内）的试验标地内进行测量是最实际的。因此，估计大面积的CC和LAI存在一定的问题[12](Gobron等, 1997)。遥感技术特别是卫星图像的使用可以提供在景观尺度甚至是全球尺度范围内实际测量CC和LAI的一种手段[34](Running等, 1989)。随着遥感技术的发展，科学家们已经在遥感数据与森林生态系统区域多样性估计之间建立联系方面取得了进步，包括CC，LAI，光合有效辐射的吸收量份额，林冠温度和群落类型。 自1980s( 二十世纪八十年代起)，高光谱传感器已经发展成为可提供多达220个非常窄的连续波段，覆盖了从0.4到2.5μm的全部光谱范围，如航空可见光/红外影像光谱仪（AVIRIS）[17](Green等, 1998)和世界上第一个卫星高光谱图像Hyperion，它是美国地球观察卫星EO-1搭载的三种传感器之一[38](Ungar等, in press)。与传统的多光谱传感器只能收集不到20个不连续的光谱波段相比，高光谱传感器可以提高我们观测地球表面的能力[14](Goetz等, 1985)，如增强土地利用/土地覆盖的分类精度和提高植物生长情况的评价能力。然而，实际上，到目前为止多光谱数据的数据处理的一些成功方法对高光谱数据的处理不一定有效。主要问题在于高光谱影像的维度较高，为满足统计学要求就需要提高训练样本的数量。否则，训练样本数量不足会使统计参数估计不够精确可靠。此外，这些高光谱波段中含有大量的相关信息，而且，并不是所有的光谱波段都能有效地应用到生物参数的分类或估计。所有这些因素都强调了降低维数或在使用有效参数的分类或估计的数据前进行高光谱数据的特征提取的重要性。当前，主要有两种方法可以进行维数缩减处理。第一种方法是依据特征对因变量的影响或依据种类的可分离性或分类标准直接从原始特征空间选取一个特征子集。这种维数缩减处理方法被称为特征选择或波段选择。第二种方法被称为特征提取，它使用所有的原始特征空间数据，并将有效的特征和有用的信息转化成低维子空间数据[19](Hsu