通用光谱模式分解算法及植被指数的建立
【摘要】:多时相、多传感器卫星数据为我们在区域乃至全球尺度的环境变化监测提供了丰富的信息。Landsat/TM(ETM+)、Terra(Aqua)/MODIS、ADEOS-Ⅱ/GLI以及其他一些传感器为我们提供了大量多/高光谱数据。由于不同传感器在波段数、波长范围以及中心波长位置等方面存在差异,数据分析结果依赖于传感器,尤其是受波段数和波长的影响。因此,不同传感器得到的分析结果很难进行比较。
本文发展了一种通用光谱模式分解算法(UPDM)。UPDM是一种与传感器无关的多/高光谱遥感数据分析算法。“与传感器无关”是指对同一样本的数据分析结果不受传感器的限制。许多分析方法是依赖于传感器的。例如,主成分分析方法是一种多元统计方法,通过剔除冗余数据来压缩多光谱数据。虽然PCA可以应用于各种传感器,但其结果依赖于传感器。模式分解方法(PDM)是一种线性光谱混合分析方法,它把原始遥感数据每个像素的光谱分解为固定的标准模式(水体、植被、土壤)。虽然PDM方法可以应用于不同的传感器,但PDM系数随传感器而变,即使分析的是同一个目标。
本文第三章介绍了作者发展的通用光谱模式分解算法(UPDM)。卫星传感器记录的每像素的光谱数据,可以通过标准UPDM转换矩阵,转换成用三个(或四个)UPDM特征分量表示。标准模式定义的光谱范围为350~2500nm,即太阳辐射能量波长范围。当应用于不同的传感器时,从标准模式中选择出与传感器波段对应的数值组成转换矩阵即可。一般情况下,使用三种标准模式时,地表反射信息的95.5%可以用转换后的三个UPDM成分表示。每自由度的光谱重构误差为4.2%。但是,对于某些目标,如黄叶,光谱重构误差较大。根据具体的研究目的,可以选择一种附加模式,标准模式数量增加到4个。如果研究目的是植被变化,需要增加黄叶作为附加模式。本研究选择它作为附加模式。
实验选择了652种地面样本的光谱测量数据来研究UPDM。样本包括植被绿叶、黄叶、枯叶,各种土壤,各种水体,建筑材料,等等。利用这些地面测量光谱数据模拟了不同的传感器数据并比较他们的UPDM分析结果,卫星传感器包括Landsat/MSS、ALOS/AVNIR-2、Landsat/ETM+、Terra/MODIS和ADEOS-Ⅱ/GLI等。实验结果证明,UPDM特征转换产生的新特征具有“与传感器无关”的特性。即不同传感器得到的UPDM系数几乎相同。
针对不同的研究目的,人们设计出了各种植被指数。NDVI是一种被普遍采用的植被指数。但NDVI只利用了近红外和红色两个波段。EVI不仅利用了近红外和红色两个波段,还增加了蓝色波段用于纠正气溶胶对红色波段的影响,以及其他几个纠正因子来抵抗气溶胶的影响。基于PDM的植被指数VIPD在反映植被植土覆盖百分比、植被垂直密度和植被类型方面比NDVI和EVI有优势。但PDM含有依赖于传感器的参数。同样不能直接比较不同传感器得到的结果。