高光谱遥感技术现状范文

关键词:土壤侵蚀遥感监测目视解译遥感光谱

中图分类号:P2文献标识码:A文章编号:1672-3791(2012)09(c)-0030-02

遥感技术的发展为人类提供了从多维和宏观角度进行陆地生态环境监测的可能。遥感的优势在于能以不同的时空尺度不断地提供多种地表特征信息,这对于传统的以稀疏离散点为基础的对地观测手段是一场革命性的变化(赵英时,2003)。自从有了航空摄影以来,航空像片就在土壤侵蚀监测中发挥着重要的作用(陈述彭,1992),而航天遥感的出现,更为土壤侵蚀的监测提供了丰富的信息和广阔的空间,使得土壤侵蚀监测从定位监测拓展到区域或更大范围,从而将水土保持监测推向更深广的层次。国内外目前发展的土壤侵蚀遥感监测方法,主要有目视解译方法和计算机自动分类方法。

1目视解译分析方法

目视解译方法根据操作手段和辅助工具的不同,主要有两种方式,目视解译和计算机人机交互解译。但两者只是由于硬件设施的差异所导致的操作手段和方式的不同,其实质是一样的。该方法着重于根据土壤侵蚀环境因子特征在遥感影上的客观反映来进行分析解译和光谱特征识别。首先需要确定分类分级系统,其次建立解译标志,然后进行图像的判读、绘制专题图等流程。早期的目视解译方式,是“通过直接观察或借助判读仪器(放大镜、立体镜、密度分割仪和彩色合成仪等)研究地物在遥感图像上的各种影像特征(如形状、大小、灰度、阴影、图形结构),并通过地物间的相互关系的推理、分析,达到识别地物目标的过程”(陈述彭,1990)。而人机交互解译是以计算机为平台,借助GIS软件,以数字遥感影像为信息源,依据野外验证过程中所建立的解译标志,建立遥感影像特征与地物原型之间的直接和间接关系,并综合地物波谱知识、植被指数、地学空间分布规律和物候知识等,来识别地物的过程。

随着遥感和计算机信息技术的发展,由水利部水土保持监测中心为项目主持单位,由中国院遥感应用研究所为项目技术主持单位,采用人机交互解译方式,于1999年3月正式实施全国第二次土壤侵蚀遥感调查,并于2002年了成果公告。2000年水利部又组织开展了全国第三次土壤侵蚀遥感调查。近期水利部陆续在黄河、长江中上游地区、黑河、塔里木河流域等重点水土保持生态建设区开展了水土保持监测(许峰,2004)。到20世纪90年代,随着遥感技术的快速发展,人机交互解译方法已广泛应用于土壤侵蚀监测(赵忠海,2003,曾琪明,1996)。土壤侵蚀目视解译除了应用于全国土壤侵蚀调查外,目前基本上呈现出应用范围广、手段单一,以区域性研究为主、零散分散、缺乏系统性,研究结果也只反映了“一家之言”,缺乏实地验证。同时受监测手段的限制,效率低、非定量化、监测结果易忽视细节信息,受主观因素影响较大。但在大尺度土壤侵蚀遥感调查中,尤其是对我国这样地域广、地形复杂的现实条件,在新的技术未突破之前,人机交互解译是目前主要的监测手段。

国外学者也有采用目视解译方法进行土壤侵蚀监测,Bococ(1988)利用SPOT立体影像图,用目视解译的方法绘制了Mxeioc的土壤侵蚀图。Raina(1993)通过TM假彩色合成影像进行重度、中度和轻度土壤侵蚀图的绘制。

2基于遥感光谱反射值自动监测

该方法是依据遥感影像中地物光谱反射值进行定量分析,以提取土壤侵蚀的信息。即将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或其他信息,按照某种规则或算法划分为不同的类别。最简单的分类是只利用不同波段的光谱亮度值进行单像元自动分类;另一种不仅考虑像元的光谱亮度值,还利用像元和其周围像元之间的空间关系,如图像纹理、特征大小、形状、方向性、复杂性和结构,对像元进行分类。

图像分类中最常用的即监督分类和非监督分类,其中监督分类的算法有平行算法、最小距离法、最大似然法和基于概率分布的贝叶斯(Byaes)分类器等,非监督分类也称为聚类分析或点群分析,即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。其算法主要有重复自组织数据分析技术。除以上图像分类方法外,还发展了模糊分类、空间结构纹理分类和人工智能神经元网络方法等。

Evnas(1990)认为,真正反映土壤侵蚀的信息通常是土壤表层微观的色调、质地和光谱特征,然而这些微观信息差异由于地表覆盖物或其它信息干扰,很难被遥感探测器感知,所以单纯地利用遥感方法进行土壤侵蚀研究十分困难。所以基于遥感影像光谱值监测土壤侵蚀,主要原理是基于土壤侵蚀所导致的地形地貌或植被因子的变化,如地表的冲沟、细沟,植被枯竭等效应信息在光谱影像上的客观反映。

除了采用遥感影像分类方法提取侵蚀信息,模糊分类方法、混合像元分解方法的发展,己不仅仅应用于土地覆盖、农作物分类中,同时也应用于土地退化监测,这些方法在欧洲地中海地区土地退化监测中应用最多。由于土壤侵蚀,造成地形地貌或植被因子的变化,如冲沟、植被枯竭等信息在光谱影像上会被客观地反映,从而利用植被指数或混合像元光谱分解方法可获得植被或土壤信息。尽管光谱指数对估算植被覆盖率效果不错,但对于衰老植被则效果不太理想,但衰老植被对土壤侵蚀有着抑制作用,因此在土地退化监测中相关学者采用像元光谱分解一线性光谱分解法监测了地中海地区意大利Sicliy的植被覆盖度(deJnog,1999)。分解方法的基本假设则是每个像元的光谱反射值是每个纯组分光谱反射值与其所占权重的线性组合。同样,Mettemihct(1998)采用线性光谱分解方法,提取了玻利维亚的Sacbaa流域的土壤侵蚀信息与制图。他利用LnadsatTM的六个波段的信息,选择了五个端元,而从影像中选择端元是其中的关键。研究结果表明,线性光谱分解模型可以有效地应用于区域土壤侵蚀信息提取及制图。同样,在地中海地区土地退化监测中,有学者采用了光谱分解方法和波谱形状指数来监测土地退化。结果表明,采用上述方法可以进行区域土地退化的制图,而采用光谱分解方法从光学遥感影像中提取土壤侵蚀性状特征有更大的潜力。同时景观单元分析表明,结合DEM变量与光谱信息对土地退化评价十分有用。在地中海区域土地退化评价监测中,基于线性光谱分解方法计算植被丰度、提取土地退化特征信息研究很多。除上述方法外,部分学者分析了由于土壤侵蚀而导致的环境要素的改变,从而尝试建立这些变化与植被指数的相关关系。Sinhg(2004)认为由于土地退化、如土壤侵蚀,会导致表土丧失、有机质减少、土壤物理化学性质的改变,最终表现于土壤颜色的改变,在颜色上表现较高的Munesll值。他们通过长时间序列的NOAA/AVHRR影像来监测土壤亮度值,最终达到监测土壤侵蚀的过程。首先通过NOAAAVHRR影像研究土壤颜色(Munesll)与NDVI之间相关关系,结果表明Hue与NDVI、Chorma与NDVI之间的相关性很好,从而基于NDVI与土壤颜色之间的相关关系来评价土壤颜色,最终用于土壤侵蚀监测。通过理论模型建立了土壤颜色、植被指数、表面温度和发射率(emissiviyt)之间的回归方程,结果表明通过多种植被指数(NDVI、MSAVI、PAVI等)来监测土壤颜色是有效的,从而可以监测土壤侵蚀或其它自然灾害导致的土壤变化(singh,2005)。无论是目视解译还是遥感光谱反射值自动监测,两者基于遥感技术进行土壤侵蚀监测决定了它们的本质依据相似,只是手段和方式不同。遥感影像所携带的信息是地表特征的客观反映,而土壤侵蚀是复杂地理系统负向效应运动的结果,它不同于土地覆盖或其它地物,它是一种效应的结果,无法从影像光谱特征信息上直接提取土壤侵蚀信息的量度值。只能通过这种结果造成地表环境因子的改变而获取,如冲沟、植被枯竭或土壤特性的改变等信息在光谱影像上的客观地反映而获得土壤侵蚀信息。因此,将两者手段相结合,可以称为基于指标规则的土壤侵蚀遥感监测方法,也可用于土壤侵蚀监测。即采用目视解译的原理和依据,但处理过程中结合了影像光谱反射值自动运算等。遥感影像目视解译过程根据分类、分级系统,参考分级指标,在非遥感信息源(如土地利用、土壤图和地形图等)支持下,由判读者综合遥感影像光谱特征所携带的各项指标特征,判断得出图斑单元所代表的土壤侵蚀类型及强度。

在黄土高原土壤侵蚀强度遥感监测中,选用降雨、地面物质抗蚀性、植被覆盖度和地形因子,采用变权模糊数学模型进行水蚀定量评判。边多等(2003)采用该方式,以1∶2.5万彩红外航片和TM影像为主要信息源,对“一江两河”地区进行了土壤侵蚀监测。黄诗峰等(2001)建立了基于栅格地理信息系统的流域土壤侵蚀量估算的指标模型,结合嘉陵江上游西汉水流域具体情况,以降雨、地形、沟谷密度、植被盖度、成土母质等为主要指标,对流域土壤侵蚀量进行了估算。同样是基于判别规则和逻辑综合分析的过程,并且参考指标与土壤侵蚀目视解译过程一致,但是在基于遥感提取单因子方法上略有不同的还有,通过特定算法自动提取植被信息,进行综合判别土壤侵蚀强度。国外也有相关方法的应用研究。

3遥感监测方法总结

综上所述,基于遥感方法进行土壤侵蚀监测尽管随着航空航天遥感的发展很早就开展起来,但目前存在着如下状况和问题。基于遥感方法,尤其是通过影像光谱特征进行分析、直接获取土壤侵蚀监测的研究在国内外研究还较少,并且国外研究主要集中于地中海地区土地退化监测研究中。

我国的土壤侵蚀遥感监测手段以目视解译为主,是区域土壤侵蚀遥感监测的主流手段。从己发表文献统计,研究监测范围从全国土壤侵蚀调查到各个省级、流域或更小地域单元。应用范围广、手段单一,以区域性研究为主、零散分散、缺乏系统性,研究结果也只反映了“一家之言”,缺乏实地验证。同时受目视解译的限制,工作量大、效率低、非定量化、监测结果易忽视细节信息,受主观因素影响较大。20世纪80年代初的全国土壤侵蚀遥感调查开始以目视解译方法为主,现在经历了航天遥感技术的快速发展的20多年,尤其是定量遥感分析技术的发展,但新的土壤侵蚀监测的研究方法较少。

参考文献

高光谱遥感技术现状范文

遥感技术具有宏观性和现势性强、综合信息丰富等优势，为矿区土壤重金属污染评价提供了可行的方法。本文综述了遥感技术在矿区土壤重金属污染评价方面的研究，并对其进行了展望。

关键词：

遥感；土壤；重金属

1.引言

矿产资源是生产资料和生活资料的重要来源，人类社会的发展进步与矿产的开发利用密不可分。矿产的开采、冶炼、加工过程中大量的铅、锌、铬、镉、钴、铜、镍等重金属以及类金属砷等进入大气、水、土壤引起严重的环境污染。根据2014年4月17日环境保护部、国土资源部的《全国土壤污染调查公报》，“全国土壤环境状况总体不容乐观，部分地区土壤污染较重，总的超标率达16.1%”、“在调查的70个矿区的1672个土壤点位中，超标点位占33.4%，主要污染物为镉、铅、砷和多环芳烃”。资源、环境是制约社会经济发展的两大瓶颈，如何克服这个瓶颈问题同时又能实现矿山开发的可持续发展，是我国社会必须面对和解决的紧迫的社会问题［1］。传统的土壤重金属污染监测方法有实验室监测、现场快速监测等方法。实验室监测方法虽然测量精度高，但是存在劳动强度大、采样分析费时，适用范围小的缺点；现场快速监测法虽然具有大面积、连续、高密度获取信息的特点，但是还大多处于定性或半定量的试验阶段，易受周围因素影响［2］。各种岩石、土壤、植被及水体等均有各自独特的光谱特征。地物光谱特征的差异，是遥感技术识别各类地物的主要依据，也是应用遥感技术开展土壤重金属污染评价的理论基础。遥感技术以其宏观性和现势性强、综合信息丰富等优势，在矿区土壤重金属污染评价中起到了积极的先导作用，并取得了良好的应用效果。一般情况下，土壤中的有机质、水分、铁氧化物、重金属等对土壤光谱反射率有一定影响。国外相关研究起步较早，始自20世纪六十年代土壤光谱研究［3］。国外有研究中表明，当土壤有机质含量超过2％，铁氧化物、重金属等光谱信息有可能被土壤中的有机质的光谱信息所掩盖，进一步加大了光谱信息提取的难度；同时土壤的反射率会因铁氧化物的存在而在整个波谱范围内有明显的下降趋势，土壤的光谱反射率都朝着蓝波方向下降，并且这种下降趋势可以扩展到紫外区域［4］，相关研究陆续拓展至矿区重金属污染中来［5］；国内自20世纪八十年代在云南腾冲系统地开展土壤光谱与理化性状关系的研究［6~7］，并于九十年代末开展遥感技术在矿区重金属污染监测的探索。目前遥感技术对矿区土壤重金属污染评价研究主要有两个方向：一是植被反演。根据地表植被覆盖以及重金属在植被根茎、叶片中富集，植被在重金属胁迫下叶绿素等光谱特征发生变化的特点，通过植被光谱数据反演土壤中的重金属含量，间接评价重金属污染。二是土壤监测。利用重金属对土壤波谱特性的影响，通过土壤光谱数据监测重金属含量［8-10］。

2.植被反演方法

植被在生长发育的过程中，矿区土壤中的重金属被吸收和富集，对植物的产生的影响主要体现在长势方面产生了生物地球化学效应，如色素含量、水含量、叶面温度的变化，进而影响植被的光谱反射率，植被光谱的变化能够在遥感光谱信息中有所体现。基于以上认识，可以通过植被光谱信息、波谱曲线变化的分析提取污染信息［11］。不同植物对重金属敏感性不同，重金属胁迫导致植物体内生物化学成分发生改变，使电磁波谱反射特性不同。植被反演方法的原理是，运用遥感技术研究重金属污染条件下植被光谱特征变化，建立植被光谱特征与重金属污染条件下植被生长状态参数变化之间的关系［7］；研究叶绿素含量与重金属污染之间的关系，分析叶绿素变化敏感的光谱指数及其响应规律，并进行了区域应用与验证［11-13］。研究表明，随着土壤中重金属含量增加，植被近红外、可见光反射光谱特征发生显著变化，表现为可见光光谱反射增强，近红外光谱减少，红边移动范围减少［14-15］。此方法适用于矿区植被覆盖较茂密的区域。王杰等（2005年）以江西德兴铜矿去为实验区，采用美国陆地卫星（Landsat）ETM+数据，采用比值分析、彩色合成、影像融合等方法增强影像视觉效果，对污染区的植被的波谱曲线与正常区的同种植被的光谱特征作对比，总结出受毒化植物叶冠的波谱形态与正常植物叶冠的波谱形态相比发生的形态变异的特征，总结对照区和污染区植被的波谱特征差异和各污染区的受污染程度，分析出不同污染区植物的受毒害程度［16］。雷国静等（2006年）在南方植被茂密区离子型稀土矿区采用高分辨率QuickBird遥感数据采取坐标换的方式，消除土壤信息干扰，获取了较真实的植被受污染影响程度的信息，运用了归一化植被指数密度分割方法和通过旋转二维散点图获得植被绿度方法来提取植被污染信息，取得了较好的效果［17］。李新芝等（2010年）以肥城煤矿区为实验区，将SPOT-5数据2.5米分辨率的全色波段进行小波变换、主成分分析等融合方法提高图像的空间信息量，综合运用缨帽变换、植被与土壤相关性分析、支持向量机分类等方法提取矿区植被信息，并制作了植被等级分布图，确定了不同污染程度的植被覆盖面积，与矿区污染分布的规律具有较好的一致性［11］。黄铁兰等（2014年）以广东大宝山矿区及周边10公里范围作为研究区，分别以ASTER及QuickBird为数据源，采用植被指数法和植被绿度法对植被污染信息进行识别，对获取的植被绿度信息图像进行密度分割，获得植被污染程度及分布情况。同时建议大范围的矿山植被污染信息的识别，考虑到项目综合成本等因素，采用ASTER等低分辨率的数据源，选择植被绿度指数法进行识别。对于小范围的典型矿区，可选用QuickBird等高分辨率的数据源，用植被指数法进行识别［18］。由于混合像元、大气效应的存在，植被信息提取过程中容易出现错分、漏分现象；相关系数的设置易受经验的影响。同时信息提取易受云层、山体阴影和人类生产活动的影响，均存在一定的误提现象。未来应加强信息提取技术、多源遥感数据在植被反演中的应用研究，以解决上述问题。

3.土壤监测方法

土壤是由多种物理化学特性不同的物质的组成的混合体，例如有机质、重金属、水、其他矿物质等。各种物质均有发射、反射、吸收光谱的特性，都会对土壤光谱特征产生影响，同时植被覆盖也对土壤光谱的监测有较大影响，因此对于通过土壤光谱数据直接监测土壤重金属含量的研究，尚处于探索阶段。土壤监测方法的原理是，利用光谱分析方法室内测定土壤发射光谱数据，经线性回归分析或指数回归分析、标准化比值计算、特征光谱宽化处理后，利用回归分析方法建立重金属元素含量与发射率变量之间的土壤重金属反演模型，定量反演出矿区土壤重金属含量［19-23］。此类方法适用于植被覆盖率较低的地区。ThomasKemper等（1998年）在西班牙Aznalcóllar尾矿库溃坝事件土壤重金属污染监测中，基于多元线性回归分析（MLR）和人工神经网络（ANN）方法分别通过化学分析、特征光谱--近红外反射光谱（0.35−0.35μm）手段监测土壤重金属含量，两种手段对As、Fe、Hg、Pb、S、Sb等六种元素监测有较高的相似度。为相似矿区环境的监测提供了较好的借鉴意义［13］。李淑敏等（2010年）以北京为研究区，研究土壤中8种重金属（Cr、Ni、Cu、Zn、As、Cd、Pb、Hg）的含量与热红外发射率的关系，分析了土壤重金属的特征光谱，并模拟预测了重金属含量的回归模型，为基于遥感光谱的土壤重金属含量监测奠定了基础［24］。宋练等（2014年）以重庆市万盛采矿区为研究区，通过光谱特征物质之间的自相关性来分析土壤中光谱特征物质，在回归分析的基础上建立As、Cd、Zn重金属含量的遥感定量反演模型，监测三种重金属含量，结果表明土壤在近红外波段和可见光波段的反射值比值与土壤中As、Cd、Zn含量存在较好相关性［25］。部分研究对波段选择和光谱分辨率的重要性认识不高，影响了重金属元素光谱信息识别、重金属污染预测精度；土壤中绝大部分重金属，如铅、锌、铬、砷等在可见光—近红外波段区间的光谱特征较弱，易被植被、土壤波谱信息掩盖，对直接利用土壤重金属光谱特征来提取污染信息带来了难度。研究发现，铁氧化物的波谱特征较明显，今后需加强土壤中重金属与铁氧化物相关性的研究，以提高污染信息提取的准确性。

4.未来展望

近年来，遥感技术用于矿区土壤重金属评价取得了一定进展，今后要在以下几个方面寻求突破：

（1）研究遥感信息提取新技术新方法。地物波谱特性易受土壤成分、大气效应、植被等环境噪音的影响，需进一步加强波谱信息提取技术的研究，以提高遥感信息提取的准确性。

（2）加强田间光谱测量研究。目前对土壤重金属监测仅局限于实验室级别的光谱监测，需要进一步探讨其他因素对重金属吸附的影响以建立准确的土壤重金属含量光谱估算模型，并进行大量而精确的实验室与田间的光谱测量工作。

（3）由定性监测向定量监测转变。遥感技术在矿区土壤重金属污染评价方面的研究大多是定性或半定量评价，尚达不到定量评价。需在遥感反演土壤污染信息模型与理论方法、土壤重金属含量与光谱变量的相关关系等方面加强研究，以接近或达到定量评价污染的水平，进而利用遥感技术评价大面积土壤污染及修复。

（4）研制高性能的卫星，提高遥感信息获取能力。作为中国16个重大科技专项（2006年~2022年）之一的高分辨率对地观测系统已进入全面建设阶段，其中2014年8月发射升空的高分二号卫星空间分辨优于1m，这必将改变遥感数据普遍采用国外遥感数据（SPOT、Landsat、QuickBrid等）的局面。

参考文献：

［1］贾志强．甘肃省白银市矿山环境遥感调查与评价研究［D］．桂林：桂林工学院，2009．

［2］龚海明，马瑞峻，等.农田土壤重金属污染监测技术发展趋势［J］.中国农学通报，2013，29（2）：140-147．

［4］张甘霖，赵玉国，杨金玲，等.城市土壤的环境问题及其研究进展［J］.土壤学报，2006，44（55）：925-933．

［6］戴昌达.中国主要土壤光谱反射特性分类与数据处理的初步研究［M］.见：遥感文选，北京：科学出版社，1981.

［7］丰茂森.遥感图像数字处理［M］.北京：地质出版社，1992：3~3．

［8］甘甫平，刘圣伟，等.德兴铜矿矿山污染高光谱遥感直接识别研究［J］.地球科学—中国地质大学学报，2004，29（1）：119-126．

［9］朱叶青，屈永华，刘素红，等.重金属铜污染植被光谱响应特征研究［J］.遥感学报，2014，18（2）：335-352．

［10］李婷，刘湘南，刘美玲.水稻重金属污染胁迫光谱分析模型的区域应用与验证［J］.农业工程学报，2012，28（12）：176-182．

［11］李新芝.基于多源遥感数据的矿区植被信息监测方法研究［D］.济南：山东科技大学，2010．

［12］王秀珍，王人潮，黄敬峰.微分光谱遥感及其在水稻农学参数测定上的应用研究［J］.农业工程学报，2002，18（1）：9-13．

［14］徐加宽，杨连新，王余龙，等.水稻对重金属元素的吸收与分配机理的研究进展［J］.植物学通报，2005，22（5）：614-622．

［16］王杰，等.遥感技术在江西德兴铜矿矿区污染研究中的应用［J］.山东科技大学学报（自然科学版）2005，24（4）：66-69．

［17］雷国静等.遥感在稀土矿区植被污染信息提取中的应用［J］.江西有色金属，2006，20（2）：1-5．

［18］黄铁兰，等.广东大宝山矿区植被污染信息的遥感识别方法研［J］.地质学刊，2014，38（02）：284-288．

［24］李淑敏，李红，孙丹峰，等.基于热红外特征光谱的土壤重金属含量估算模型研究［J］.2010，31（7）：33-38．

高光谱遥感技术现状范文篇3

（1.江西省遥感信息系统中心，南昌330046；2.江西省水利科学研究院，南昌330029）

摘要：选择夏季、秋季两个时期对江西中药资源蔓荆子（VitextrifoliaLinn．var．trifolia）进行定点抽样调查和光谱采集，开展了不同时期的蔓荆子及周边共生地物光谱特征研究，建立了蔓荆子光谱数据库。在此基础上选择国产资源一号02C和资源三号卫星及其他辅助资料，经数据融合后，结合遥感分类提取技术实现对蔓荆子的空间分布监测，估算了其面积及产量，监测精度达到89．5％。

关键词：中药资源；蔓荆子（VitextrifoliaLinn．var．trifolia）；遥感；监测

中图分类号：X52；X703．2文献标识码：A文章编号：0439－8114（2015）16－3923-05

DOI：10．14088／j．cnki．issn0439－8114．2015．16.023

收稿日期：2014－10－20

基金项目：江西省对外科技合作项目（2009BHA18600）；江西省科技重大专项（20114ABG01100）

作者简介：黄灵光（1981－），男，江西南昌人，工程师，硕士，主要从事3s技术在资源与环境监测方面的应用研究，（电话）18170866925（电子信箱）hlg358696＠tom．com。

20世纪中期以来，随着人口剧增和中药工业的快速发展，中药资源消耗巨大，一些重要资源的衰竭、丧失和生态的失调，致使中药的供需矛盾日益加剧。保持中药资源发展的可持续性刻不容缓。

遥感的广泛应用，使替代耗时、耗力、耗财的传统中药资源普查模式成为可能，也使中药资源的调查、监测方法有了更易操作的新途径。遥感在中药资源上的应用必将成为今后中药研究热点之一［1－4］。目前，国内外针对中草药遥感监测的研究还处于初级阶段，在中草药的光谱特性、信息提取方法以及动态监测技术等方面还有待深入研究。

蔓荆子（VitextrifoliaLinn．var．trifolia）是江西的道地或主特产药材，具有很高的药用及经济价值。不仅在江西有悠久的生产历史，而且其产量和品质均居全国前列。另外，蔓荆子固沙能力强，还是保护生态环境的重要植物［5，6］。因此，选择蔓荆子为监测对象，通过野外实测不同生境条件下蔓荆子及周围环境共生地物的光谱，确定蔓荆子与其他植被种类及生态环境因子的光谱特征差异，进而推算蔓荆子的空间分布、面积及产量，达到对其资源现状进行动态监测的目的，对中药资源的可持续利用和生态环境的保护具有重要的借鉴意义［7］。

1研究区概况

研究区位于都昌县西北部，鄱阳湖畔。地处北纬29°15′－29°31′、东经116°02′－116°09′，长约11km、宽4km。地形多为丘陵沙山，成半岛状，伸入湖中，三面环水，海拔50～250m，属亚热带潮湿性季风气候，年均温17．2℃，年平均降水量1393mm。区域内植被覆盖率低，主要有泡桐（PaulowniaSieb．etZucc．）、杉树（Taxodiaceae）等10多种经济林木和蔓荆子、生地（RehmanniaglutinosaLibosch）、黄栀子（GardeniajasminoidesEllis）、金银花（LonicerajaponicaThunb．）等20多种药材。

2数据与处理方法

2．1遥感数据和现场调查数据

采用遥感影像为主要数据源，配合野外调查和光谱测量。考虑到监测的精度要求和经济适用性，项目采用国产资源一号02C卫星（ZY02C）分辨率2．36m的全色（HR）和资源三号5．8m的多光谱数据。影像获取时间分别为2012年4月2日和2012年1月25日。

野外调查结果为遥感影像中参数的提取和验证。本次野外光谱采样仪器选用ASDFieldSpec?誖3便携式地物波谱仪，获取地物的反射率。采集日期为2011年7月25和2011年11月3日，光谱采集时间10：30～13：30，与ZY02C卫星过境时间基本一致。采集部位为冠层，每个地物采集10条光谱。同时选取典型样方，每个样方大小为2m×2m，采集蔓荆子、沙地、苔草等典型地物类型的光谱数据。采集时，仪器的视场角25°，探头倾角90°，离样本高度0．2～1．0m；参考板的放置与扫描探头测量方向垂直，测定过程中用BaSO4白板进行校正。采集同时详细记录观测目标性质（植物的名称、健康程度、覆盖度、周围植被）、仪器型号、天气状况、测量时间、观测和记录人员、光谱命名及记录编号、地理坐标和高程、实地照片编号等辅助参数。

2．2数据处理方法

遥感数据处理包括预处理、蔓荆子叶片波谱特征分析和蔓荆子信息提取三部分。

2．2．1遥感数据预处理ZY02CHR数据为2C级产品，通常经过数据解析、均一化辐射校正、去噪、MTFC、CCD拼接、波段配准、精校正等处理，可直接使用裁切和冲投影。处理的影像参与下一步的影像校正和融合。研究区的ZY02CHR遥感影像裁切结果如图2所示，分别为裁切后的研究区ZY02CHR全色影像（图2a）、资源三号卫星多光谱影像（图2b）和经GS算法融合后的影像（图2c）。

资源三号卫星的多光谱（MUX）影像数据为1C级产品，经数据解析、均一化辐射校正、去噪、MTFC、CCD拼接、波段配准等预处理，未经几何校正。本次几何校正共选择19个控制点，均匀分布在影像上，控制点计算均方根误差（RMS）为0．8435个像元。

为提高目视解译效果及光谱分析能力，在假彩色波段组合中选择使用R：b3，G：（b2×3＋b4）／4，B：b2分别对应红、绿、蓝三个波段。后经影像裁切得到研究区域影像。

经裁切和几何校正的ZY02CHR数据和资源三号卫星影像，再经数据融合可保持HR数据高的空间分辨率，同时具有资源三号卫星影像的多光谱特征，可增强图像信息量。本研究采用基于Gram－schmidt算法的图像融合方法。该方法具有融合影像保真度较好和计算简便等优点［7－10］。

2．2．2野外光谱数据预处理受大气、入射角与探测角、地形、目标物等因素影响，野外实测地物光谱数据既包括了地物光谱数据，也包含了噪音光谱数据，需要通过预处理与转换来消除各种噪音的影响因素，以突出地物光谱的某些细微差异。因此，研究中通过剔除异常光谱、光谱平滑去噪、光谱数据增强等工具对野外光谱数据进行了预处理。

通过增强处理后，得到的原始反射率数据难以获得光谱特征信息。本研究又选择了导数、归一化、包络线去除法等进行光谱增强。再用归一化方法对植物光谱曲线进行增强，突出植被的形态信息，从而将不同类型的植物加以区分，提高对植物的识别精度。光谱数据库的建立对于地物光谱研究以及光谱遥感数据的应用来说十分重要。光谱数据库一旦建立，可方便的从图像像元中提取的光谱曲线与光谱库中检索到的类似的光谱进行匹配，找到最接近的光谱，达到像元分类的目的。研究利用ENVI软件的光谱建库工具，建立以文件格式为ASCII格式的蔓荆子光谱库。

3蔓荆子资源提取方法与分析

3．1蔓荆子叶片波谱特征分析

对高光谱遥感而言，理解电磁波辐射与蔓荆子叶片及冠层的相互作用是开展植被健康状况监测的基础。经过异常波谱剔除、剔除水汽吸收波段、平滑和去噪处理后，得到了蔓荆子冠层反射率光谱（图3）。利用夏季野外采集的健康态的蔓荆子和共生典型地物的光谱（苔草、沙地、混丛），经过相关处理之后，得出它们的原光谱特征和一阶导数光谱曲线对比图。由图3a可知，不同植物或地物的反射光谱各异，尤其是沙地，与其他植被光谱反差很大，由于夏天天气炎热，沙地表面颗粒小和含水量少，致使在350～2500nm波段里，反射率从近0．4一直向上缓慢增大。而属于植物的蔓荆子和苔草，由于叶绿素吸收和水分波段的影响，它们的光谱有很大差异，表现在植被光谱“红边”位置以及近红外和中红外波段的反射率比蔓荆子大一倍以上。

为了进一步分析消除大气效应和土壤环境背景对蔓荆子光谱的抑制影响，对波谱数据进行导数光谱分析。图3b为图3a中蔓荆子和上述共生地物的导数光谱形式。由图3b可知，在600～800nm波段，经一阶导数处理的沙地光谱值接近为0，可有效地抑制土壤背景对植物提取的影响。蔓荆子、苔草在725nm处红边斜率分别达到峰值0．01039和0．00308，有较强的可区分性。

在植物的不同生育期、健康状态、不同生境，其光谱存在一定的差异，信息的分类提取应根据其差异选择相应的数据，研究不同生育期、健康状态、不同生境蔓荆子的光谱特性是正确分类提取的前提。本研究就上述三种情况分别进行了波谱分析。

夏季和秋季是蔓荆子动态监测一年四季的黄金季节。因此，本研究光谱测量选取夏季和秋季进行，并进行一阶导数处理（图4）。图4a和图4b分别显示了蔓荆子在夏、秋两个季节的反射光谱曲线和一阶导数曲线。经分析，在550nm波段附近，反射率夏季大于秋季，且在750～1000nm波段范围内，两季的反射率曲线波动较大。由一阶导数曲线图可以看出，蔓荆子夏季和秋季的红边斜率差异较大，夏季红边位置大约在702nm附近，秋季红边位置大约在693nm附近，有微弱的点蓝移现象。

经同期同地点采集的健康和非健康的蔓荆子光谱数据对比（图5），局部叶子发黄的蔓荆子的反射率整体低于健康的蔓荆子，但仍具有明显的植被的波谱特征。通过选择生长在阳坡和阴坡的蔓荆子光谱数据分析（图6），在可见光和近红外的反射率阳坡的略高于阴坡值。

3．2蔓荆子信息提取

选用计算机非监督分类和监督分类、目视解译和野外核实相结合的方法从遥感影像中提取蔓荆子信息。目视解译过程如下：首先，结合非遥感信息源，进行室内外的判读训练。其次，依据地形图、土地利用图在遥感影像上选取2条调查、抽样线路，沿不同路线在不同地区选取观察点。利用亚米级手持GPS在野外对各选择点进行定位，确定蔓荆子分布情况、地面景观状况，再结合已处理的遥感影像，对地物进行判读，建立包括色调、灰度、斑块形状和纹理特征在内的研究区不同地物影像解译标志，结果见表1。

4结果与分析

4．1精度分析

先对遥感影像数据进行非监督分类，通过人工解译确定其类别属性，然后将人工解译后的非监督分类的分类属性表经光谱聚类处理转化成适用于监督分类的分类模板文件，再执行监督分类的作业方法以提高计算机自动分类的精度。

本研究中选择50为初始分类数进行非监督分类。非监督分类的最大循环次数定义为24，循环收敛阈值设置为0．95。然后进行各个类别的专题判别、色彩确定、分类合并等处理，形成下一步监督分类的分类模板。最终将该模板初始分类中的50类合并为4类地物类型，即蔓荆子、沙地、林地以及道路。为了得到理想的分类效果，计算机分类后的结果需要进行分类后处理，主要是小图斑的处理操作。图像分类后，获得蔓荆子的分布图，还需要对可能错分、漏分的图斑进行野外调查，通过两条考察路线实地野外调查验证，并在室内进行修正。考察线路图斑验证情况见表2。由表2可知，分类精度达到89．5％以上。

4．2蔓荆子资源监测结果

选择了高空间分辨率影像数据，即资源一号02C和资源三号的多源数据来对蔓荆子的信息进行提取，进而估算出蔓荆子的面积，然后结合地面抽样调查数据，估算出蔓荆子的果实产量。

经过计算机分类和后期验证、修正得到的蔓荆子空间分布如图7所示，蔓荆子的分布面积为6．682km2。

蔓荆子产量估算等于单位面积产量乘以总面积。总面积已经通过遥感监测得到。对于单位面积产量，结合研究区实际情况，通过野外抽样调查来获得。通过选择两条具有一定代表性的抽样路线，抽样路线设置主要考虑地形（坡向、坡度）、分布（生长特征、种类）等因子，在抽样路线上设置2m×2m样方调查，每条抽样路线抽取10个样方。在样方内采摘蔓荆子果实，然后同时称每一个样方的质量，最后以20个样方质量的平均值除以4为单位面积的产量。最终计算得到单位面积的产量约为41．2g/m2，研究区蔓荆子总产量约为2．75×105kg。

5小结

针对同一年份不同季节（2011年7月25日和2011年11月3日）蔓荆子及其周边共生地物的光谱特征研究表明，蔓荆子与其他植被类型具有可区分性，较为理想的波段为500～600nm的可见光波段和670～800nm的近红外波段，而尤其以530nm和700nm处区分效果最优。在蔓荆子信息提取的遥感信息源选择方面，原本以高光谱数据最优，但是目前所选卫星的高光谱的空间分辨率较低，而且难获取。故选择国产的高分辨率影像为遥感监测源。对于遥感数据时间选择，以秋季的换叶期前后的时相为佳，其次为夏季、冬季。

资源三号多光谱的b3（R）、（b2×3＋b4）／4（G）、b2（B）波段组合能，并与HR全色数据融合，能较好地实现针对蔓荆子信息的目视解译和计算机分类。

通过利用非监督分类法（ISODATA法）和监督分类、目视解译和野外核实相结合的方法，能成功实现蔓荆子的空间分布监测和面积、产量的估算。

参考文献：

［1］谭业华，包建华，陈珍，等．中药材蔓荆子研究现状与展望［J］．海南师范学院学报（自然科学版），2007，20（4）：361－364．

［2］郭兰萍，黄璐琦，蒋有绪，等．“3S”技术在中药资源可持续利用中的应用［J］．中国中药杂志，2005，30（18）：1397－1400．

［3］陈士林，张本刚，张金胜，等．人参资源储藏量调查中的遥感技术方法研究［J］．世界科学技术—中医药现代化，2005，7（4）：37－43，36．

［4］江利明，杨武年，房世波．遥感技术在新一轮国土资源大调查中的进展与作用［J］．物探化探计算技术，2002，24（2）：151－156

［5］杨洁，左长清．蔓荆在鄱阳湖风沙区的适应性及防风作用研究［J］．水土保持研究，2004，11（1）：47－49．

［6］左长清，杨洁，李相玺．江西省鄱阳湖湖滨沙地蔓荆的固沙效益［J］．中国水土保持科学，2003，1（2）：38－41．

［7］王桥，王文杰，郑丙辉，等．中国西部地区生态环境现状遥感调查［J］．遥感学报，2003，7（6）：490－497．

［8］李存军，刘良云，王纪华，等．两种高保真遥感影像融合方法比较［J］．中国图象图形学报，2004，9（11）：1376－1385．