变端元混合像元分解冬小麦种植面积测量方法

引用本文

赵莲, 张锦水, 胡潭高, 陈联裙, 李乐. 变端元混合像元分解冬小麦种植面积测量方法[J]. 国土资源遥感, 2011,23(1): 66-72
ZHAO Lian, ZHANG Jin-shui, HU Tan-gao, CHEN Lian-qun, LI Le. The Application of the Dynamic Endmember Linear Spectral Unmixing Model to Winter Wheat Area Estimation[J]. REMOTE SENSING FOR LAND & RESOURCES,2011,23(1): 66-72 复制到剪切板

Permissions

《国土资源遥感》编辑部

变端元混合像元分解冬小麦种植面积测量方法

赵莲², 张锦水^1,², 胡潭高², 陈联裙², 李乐²

1.农业部资源遥感与数字农业重点开放实验室,北京 100081

2.北京师范大学资源学院,北京 100875

第一作者简介: 赵莲(1987-),女,地图制图学与地理信息工程专业在读硕士研究生,主要从事统计遥感方面的研究。

收稿日期: 2010-04-15

基金: 农业部资源遥感与数字农业重点实验室开放基金项目(编号: RDA0807)和国家高技术研究发展计划资助项目(编号: 2006AA120103、2006AA120101)共同资助

摘要

针对线性混合像元分解(Linear Spectral Unmixing,LSU)在端元(Endmember)个数不变情况下常会出现端元分解过剩现象导致分解结果精度不高的问题,以地物分布的聚集性特征为基础,提出了基于格网的变端元线性混合像元分解(Dynamic Endmember LSU,DELSU)方法。以冬小麦为研究目标,采用Landsat TM图像为实验数据、高分QuickBird图像目视解译冬小麦结果为真值精度评价数据,利用本文提出的DELSU方法进行冬小麦提取。实验结果表明: 该方法比最大似然方法、LSU方法更能准确地获取冬小麦面积,在一定程度上吸收了传统分类方法的优点,提高了目标地物的测量精度; 同时作为一种改进的LSU方法也适用于其他土地利用/覆盖类型的测量。

关键词: DELSU; LSU; 格网; 冬小麦; 遥感

中图分类号:TP751.1 文献标志码:A 文章编号:1001-070X(2011)01-0066-07

The Application of the Dynamic Endmember Linear Spectral Unmixing Model to Winter Wheat Area Estimation

ZHAO Lian², ZHANG Jin-shui^1,², HU Tan-gao², CHEN Lian-qun², LI Le²

1.State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing 100081, China

2.College of Resources Science and Technology, Beijing Normal University, Beijing 100875, China

Abstract

Linear spectral unmixing(LSU)is the most common method for solving mixed pixel problem; nevertheless, if the number of the pixels’ endmember is regarded as unchangeable, the traditional pixel unmixing algorithm cannot attain a good result. In the light of the characteristic that pixels usually have the same composition as their neighboring pixels, the authors proposed a grid-based dynamic endmember linear spectral unmixing(DELSU) model. The land cover classification experiment was conducted with the adoption of the Landsat TM image as the experimental data. The abundance map of winter wheat derived from the visual interpretation of the QuickBird image was used for accuracy evaluation. The experimental results show that the use of the DELSU model could extract the area of winter wheat at a precision higher than that of the traditional maximum likelihood method and the LSU model. This model absorbs the traditional classification advantages and improves the measurement accuracy of the target features. As an improved method of LSU,DELSU is also applicable to the measurement of other land use/cover types.

Keyword: DELSU; LSU; Grid; Winter wheat; Remote sensing

Show Figures

0 引言

利用遥感图像进行土地利用/覆盖监测中, 混合像元现象不可避免, 尤其是中分辨率遥感图像中混合像元问题十分严重^{[1, 2, 3]}。通过一定的方法计算出混合像元的典型地物组成比例, 可解决混合像元问题, 提高定性和定量遥感测量精度, 在农作物种植面积监测中有着重要的应用价值^{[4, 5]}。混合像元分解(Spectral Unmixing, SU)是提取植被覆盖度的主要方法^[6], 其测量结果为各种地物的丰度, 其模型可归结为5类^[7]: 线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型。

线性混合像元分解(Linear Spectral Unmixing, LSU)模型因其简单实用而被广泛应用^{[8, 9]}, 特别是在图像波段数目较少、光谱分辨率不高的情况下^[10]。在像元分解中, 用传统的LSU模型从图像上选取所有端元进行分解, 但实际上大多数图像区域或混合像元只是由特定几种端元组成。许多学者采用可变的端元模式^{[11, 12, 13]}以提高测量精度, 如Roberts等^[14]提出了多端元混合像元分析(Multiple Endmember Spectral Mixture Analysis, MESMA)方法, 将各种地物的光谱值组成一系列的候选模型(Candidate Model), 用每个候选模型分别对图像进行分解, 通过比较均方根误差(RMS)来确定何种模型入选, 有效地提高了分解精度; 但在全区范围内选择候选模型, 采用穷举方法确定端元, 计算量较大, 影响其应用效果。丛浩等^[10]提出了基于混合像元的光谱响应特征和地物分布的集聚性来实现端元可变的方法, 可以保证光谱矢量最接近的端元入选并参与运算, 并考虑到地物分布的聚集性, 计算以像元为中心的3像元× 3像元模板内的像元的端元加权和, 通过设定阈值确定入选端元; 但由于遥感图像光谱的不确定性, 3像元× 3像元模板并不一定适合。

本文针对LSU的不足, 提出变端元线性混合像元分解(Dynamic Endmember LSU, DELSU)方法。以冬小麦为研究目标, 根据地物分布具有一定空间聚集性的特征, 采用基于格网的DELSU, 以格网为单元利用局部端元类型和数目进行变端元方式的混合像元分解, 消除混合像元分解端元数目“ 过剩” 造成的影响; 分析格网大小对测量精度的影响, 以实现在最优格网尺寸下进行DELSU, 提高测量精度。

1 变端元线性混合像元分解模型

1.1 LSU模型

LSU模型是混合像元分解常用方法, 该模型假设像元的辐射值(或反射率)可以表示成像元内各端元的光谱特征及其所占面积百分比的线性函数^{[15, 16]}, 模型定义为

R_b= $\begin{matrix} \overset{N}{\sum_{i = 1}} \end{matrix}$ f_iR_ib+e_b(1)

式中, R_b为被处理像元在第b波段的反射率; N为端元数目; f_i为端元i的面积组成百分比; R_ib为端元i在第b波段的反射率; e_b为该像元在第b波段的分解残差。其中

f=(S^TS)^-¹S^TR(2)

式中, S是m行× n列的矩阵, 列是n个端元的光谱矢量; f是n行× 1列的矩阵, 列是n个端元在混合像元R中的百分含量。考虑到f_i非负约束的复杂性, 本文采用简化方法将f_i中的负值归零并对其余f_i简单地线性压缩使其重新归一化。

1.2 DELSU模型

在LSU中常遇见的情况是: 整幅图像中存在若干类型的端元, 但作为某一个混合像元, 其端元的组成类型是特定的。LSU采用图像上所有端元进行混合像元分解, 即S不变, 这容易造成端元分解过剩, 导致分解精度降低。在图1中, 分别标示出冬小麦、水体、建筑用地和裸地4种地物类型。混合像元多存在于不同地物覆盖类型的边界处(如图1中A、B、C和D处)。LSU在分解图1的像元时, 采用全区端元进行分解, 如像元A仅由建筑用地和冬小麦组成, 而LSU却要采用4种端元分解, 于是就产生了端元过剩的问题。

	Figure Option View Download New Window
	图1 变端元混合像元分解方法示意图Fig.1 Sketch map of DELSU method

为此, 本文提出DELSU模型, 采用格网的形式将图像分成若干个子区, 在每个子区内确定端元的类型和数目(根据参考图像的分类结果确定)。分解原则为: 若格网内的分类结果中仅含一种地物类型则不进行线性分解, 直接赋值为1, 其他类型赋0; 若格网内分类结果类型为n种, 则确定端元数目为n, 用其含有的端元类型组成端元矩阵S_N, 并用S_N对混合像元进行线性分解(N为图像上总的地物类型个数)。于是式(2)变为

f=( $\begin{matrix} S_{n}^{T} \end{matrix}$ S_n)^-1 $\begin{matrix} {S_{n}}^{T} \end{matrix}$ R (1≤ n≤ N)(3)

这样将能有效地去除不相关端元, 如图1中像元A所处的3× 3格网中只含有冬小麦和建筑用地2种地物类型, 因而像元A用冬小麦和建筑用地2种端元组成的矩阵S₂进行线性分解; 同理, 像元B直接赋值为冬小麦; 像元C用冬小麦、裸地和建筑用地3种端元组成的矩阵S₃进行分解; 像元D则用冬小麦、裸地、建筑用地和水体4种端元组成的矩阵S₄进行分解。

2 研究区与数据概况

研究区位于北京市通州区东北角与河北省的交界处。该区地形平坦, 主要地物类型为冬小麦、裸地、建筑用地和水体。该区农业发达, 冬小麦一般在4月份进入抽穗期, 其光谱特征明显地从土壤背景中突显出来, 有利于进行冬小麦种植面积遥感估测。

本研究从123/032的Landsat TM图像(获取时间为2006年4月7号, 覆盖范围为10 km× 10 km, 空间分辨率为30 m, 含有6个波段)上选取质量较好、无云的子区作为研究区(图2(左))。

利用与研究区范围相同、时相相近的QuickBird多光谱图像(获取时间为2006年5月2号, 空间分辨率为2.4 m)验证本文方法的实验结果(图2(右))。由图2可见, 4种地物特征明显, 能够清晰获得冬小麦的分布信息。

	Figure Option View Download New Window
	图2 研究区TM(左)和QuickBird(右)图像Fig.2 TM(left)and QuickBird(right)images of the study area

3 实验

3.1 流程设计

本文实验流程主要包括图像处理、端元选取、监督分类、DELSU和结果分析(图3)。

	Figure Option View Download New Window
	图3 实验技术流程Fig.3 Flow chart of the test

3.2 数据预处理

首先, 将遥感器获得的辐射亮度DN值转换为反射率值^{[17, 18]}, 得到反射率值的TM图像, 并对其进行大气辐射校正和几何纠正。将处理后的TM图像与QuickBird图像进行几何配准, 误差控制在一个像元之内。对QuickBird图像进行人机交互解译, 并将解译结果数字化, 得到研究区冬小麦分布的矢量地块数据; 将矢量地块数据转化成与TM数据相同分辨率的丰度图, 用作真值对最大似然分类、LSU和DELSU方法进行精度评价。

3.3 端元选择

端元选择是本研究的关键所在, 包括端元值和端元类型的确定。端元值通过在整个图像中选择纯净端元并计算其各波段的反射率得到; 端元类型则通过监督分类、根据格网内统计分类结果类型确定。

3.3.1 端元值的确定

最小噪声分离变换(Minimum Noise Fraction, MNF)技术是对高光谱遥感图像进行降维的有效方法, 目的是将噪音与有用信息分离^[19]。利用MNF变换对TM图像进行去噪处理; 对图像经MNF变换后生成的二维散点图(图4(a))进行分析, 确定最终要选择的端元。选取散点图犄角处的点, 在TM影像上分别为冬小麦、建筑用地、亮裸地和水体。经过对实验数据所覆盖地物类型(图2(右))的光谱特征分析, 原始图像的亮裸地覆盖范围较小, 在图像上手动选择较暗处的裸地作为端元之一, 并命名为裸地; 最终选择冬小麦、建筑用地、裸地和水体4种典型地物作为端元类型^[20], 获得TM的6个波段图像上每种端元组分的反射率(图4(b))。

	Figure Option View Download New Window
	图4 端元光谱反射率Fig.4 Spectral reflectance of the endmembers

由图4(b)可以看出, 冬小麦与其他3种端元的反射率分离性较好, 可供较高精度地提取冬小麦的种植面积; 建筑用地和裸地在5、7波段的反射率值有交叉, 这会在一定程度上造成2类地物的提取误差, 但均与冬小麦有较大的分离性, 对冬小麦提取丰度的影响不大, 故上述端元选择较合理。

3.3.2 端元类型的确定

端元类型的确定是通过在格网内统计最大似然分类结果得到的, 监督分类结果对端元选择的正确性有很大影响, 因此必须将监督分类结果与真值数据进行比较, 对分类精度进行评估。

针对分类结果, 采用随机评价方法, 用分层随机抽样(Stratified Random)方法在研究区布置256个随机点^[21]。以QuickBird数据为参考, 确定每个样本点的真实地类(分类误差矩阵见表1)。

表1 最大似然分类误差矩阵 Tab.1 Error matrix of the maximum likelihood classification

由表1可以看出, 研究目标冬小麦的分类精度达到91%(70/78), 比较理想; 建筑用地和裸地的反射率较接近而导致这2类地物的错分率偏大, 但是总分类精度达到了88%, 精度较高。总之, 用最大似然分类的结果作为窗口内端元类型选择的依据是可行的。

3.4 最优格网尺寸分析

DELSU模式是在每个格网内确定端元的类型和数目, 显然, 格网大小对保证端元类型和数目的正确性有重要的作用。

由于通过地面实际测量得到混合像元的比例非常困难^[22], 本文采用QuickBird图像分类结果作为真值与TM图像分类结果进行比较。采用均方根误差(RMSE)作为精度评价指标, 其定义为^[23]

RMSE= $\begin{matrix} \sqrt[]{\frac{1}{n} \overset{n}{\sum_{i = 1}} [x (i) - y {(i)]}^{2}} \end{matrix}$ (3)

式中, x(i)为TM图像单个像元中冬小麦所占比例; y(i)为与TM图像对应分辨率的QuickBird图像单个像元中冬小麦所占比例; n为TM图像中像元的总数。RMSE值越小, 表示与真值越接近, 说明混合像元分解精度越高。

为有效地进行精度评价, 将评价区域划分为4种情况: 全区、冬小麦区、冬小麦纯净区和冬小麦混合区。其中, 全区为整个研究区; 其余3种情况是以QuickBird影像目视解译得到的冬小麦丰度图为参考标准, 定义QuickBird提取的冬小麦丰度图中不等于0的地区为冬小麦区, 大于0小于100%的地区为冬小麦混合区, 等于100%的地区为冬小麦纯净区。

鉴于本文研究目标是冬小麦, 由于地物在空间分布上表现出一定的聚集性以及遥感本身的不确定性, 分别选取3像元× 3像元、5像元× 5像元、7像元× 7像元、9像元× 9像元和11像元× 11像元大小的格网划分研究区; 当格网尺寸大于11像元× 11像元时, 多数格网内端元数目为4种, 格网过大设置就失去了意义。采用以上几种格网在全区、冬小麦区、冬小麦纯净区和冬小麦混合区进行冬小麦面积提取, 其RMSE如表2所示。

表2 不同尺寸格网的RMSE Tab.2 RMSE computed in serial grid scales

图5(a)~(d)分别为QuickBird图像及其3像元× 3像元、5像元× 5像元、7像元× 7像元格网分类结果的局部放大图。

	Figure Option View Download New Window
	图5 冬小麦空间分布局部放大图Fig.5 Spatial distribution of the winter wheat

分析表2和图5可以看出: ①冬小麦纯净区的RMSE值随格网尺寸的变大逐渐升高。这是由于格网变大后, 格网内部的端元类型变多, 纯净的像元被分解, 使精度降低(图5(a)的A处明显为纯净的冬小麦区, 而5(d)的A处却被分解); ②冬小麦混合区的RMSE值与格网尺寸没有明显的比例关系, 这是由于网格过大或过小均会对混合区分类精度造成影响; 其中3像元× 3像元格网的RMSE值最高, 原因是格网选择过小, 最大似然分类结果在格网内部以含有一种地物的情况居多, 导致混合像元不被分解, 而被当作纯净像元处理(如图5(a)的B处明显为道路, 而图5(b)的B处却被分类为冬小麦)。由此可知, 格网尺寸过大会导致端元数目选择“ 过剩” , 而尺寸过小又会出现混合像元不被分解的情况, 因此选择最优格网尺寸十分必要。

综上所述, 以5像元× 5像元格网划分所选研究区域, 全区和冬小麦区的RMSE值均为最小, 冬小麦纯净区和混合区的误差都相对合理(如图5(c))。3像元× 3像元格网虽然在冬小麦纯净区RMSE值比较小, 但全区和冬小麦混合区RMSE值均偏大。格网大于5像元× 5像元以后, 由于端元过剩, RMSE值均有增大的趋势; 但冬小麦混合区精度略微变高, 这是由于研究区中的冬小麦混合区多集中于地块边界像元比例相对较低的道路处, 监督分类时此部分往往被误分为冬小麦, 导致在小尺寸格网内选择端元时出现误选现象。因此, 本文确定最优格网尺寸为5像元× 5像元。

4 结果分析

4.1 精度分析

以5像元× 5像元为格网, 采用以下3种方法对研究区TM影像进行分类: ①最大似然方法; ②LSU; ③DELSU。分别在全区、冬小麦区, 冬小麦纯净区和冬小麦混合区进行冬小麦面积提取并进行不同分类方法的精度比较(表3)。

表3 不同分类方法的RMSE值 Tab.3 RMSE computed in serial classification methods

从表3可以看出: ①DELSU在全区规模上的测量精度高于最大似然分类和LSU; ②DELSU在冬小麦区的测量精度高于最大似然分类和LSU; ③DELSU在冬小麦纯净区的测量精度明显高于LSU; ④DELSU在冬小麦混合区的测量精度优于最大似然分类方法; ⑤DELSU在冬小麦混合区的测量精度要略低于LSU, 主要原因是监督分类的误分现象而导致在格网内选择端元类型和数目时出现误选的现象。但是在端元选择正确地方(如图5(c))的冬小麦面积提取精度是要比LSU精度高的。故用此方法进行冬小麦面积测量会取得比较好的结果。

4.2 空间分布特征分析

下面从空间分布特征方面, 评价LSU和DELSU分类结果(图6、7)。

	Figure Option View Download New Window
	图6 LSU分类结果Fig.6 The result of LSU classification

	Figure Option View Download New Window
	图7 DELSU分类结果Fig.7 The result of DELSU classification

从图6、7中可以清晰地看出, DELSU的分类结果图像上不含该类端元的区域值为0, 但是LSU的分类结果几乎覆盖整个图像, 明显受到端元过剩的影响。图6(b)表现尤为明显, 在QuickBird图像(图2(右))上可看出, 水体的覆盖范围很小, 但是在LSU的分类结果图像上却存在大范围不为0的区域, 这显然与实际情况不符。另外, 对于组成分图像上近似认为是纯净像元的区域(比如纯净的冬小麦和水体部分)在图7上的亮度明显高于图6, 而边缘带混合像元被分解, 这正好与图像特征相符合。

图8为冬小麦区局部放大图。从图8中的A区可以看出, 最大似然分类方法扩大了冬小麦的光谱信息, 道路被误分为冬小麦, 扩大了冬小麦面积的提取结果; 而DELSU和LSU进行混合像元分解可以体现道路的光谱特征。B区为长势好且大面积分布的冬小麦生长区, 从QuickBird图像看出, 该区冬小麦丰度为100%; LSU对所有像元进行无区别分解, 在该区得到冬小麦丰度在40%~80%, 显然与实际情况不符; DELSU在局部确定端元, 因其内部只有一种端元, 该区提取结果为100%, 与实际相符, 此方法在该区域吸收了大片种植特征, 从而在一定程度上抵制了光谱不稳定性对混合像元分解造成的影响, 分解结果与最大似然分类方法相同。C区为冬小麦零星分布区域, 直接计算C区冬小麦真值平均丰度为0.10, DELSU对此区的提取丰度是0.12, LSU为0.06, 显然DELSU精度高于LSU, 这是因为此区的最大似然分类结果中只有冬小麦和裸地2种地物, DELSU用这2种端元进行线性分解, 有效地去除了不相干端元的影响, 提高了冬小麦提取精度。

	Figure Option View Download New Window
	图8 不同方法提取的冬小麦区分布对比图(局部放大)Fig.8 Spatial distribution of the winter wheat extraced by different methods

由空间分布特征分析可以看出, DELSU在混合区的冬小麦提取精度大于最大似然分类, 在纯净区的提取精度优于LSU, 在端元提取准确的情况下混合区提取精度也优于LSU分类结果。因此, DELSU兼顾了传统分类方法的优点, 既能够使冬小麦纯净区在一定程度上避免了光谱不稳定的影响, 又能够在冬小麦混合区利用光谱的混合特性进行分解, 达到了提高冬小麦面积测量精度的目的。

5 结论

(1)本文提出的DELSU, 利用端元在空间分布上具有一定的形状和聚集性的特点, 动态调整端元矩阵, 有效地去除了不相干端元, 提高了冬小麦种植面积测量的精度。该方法不但适合冬小麦, 对其他地物类型的提取也有一定的借鉴意义。

(2)从全区覆盖来看, DELSU优化了冬小麦面积测量结果。与冬小麦真值丰度图相比, DELSU的RMSE=0.20, 优于最大似然分类(RMSE=0.25)和LSU(RMSE=0.27)。

(3)DELSU综合了传统分类方法的优点, 在不同的区域采用不同的分类方法, 提高了测量精度。DELUS在冬小麦混合区的提取精度(RMSE=0.36)优于最大似然分类(RMSE=0.50); 在冬小麦纯净区的提取精度(RMSE=0.25)优于LSU(RMSE=0.40); 在端元选择准确的情况下对冬小麦混合区的提取精度也优于LSU; DELSU对冬小麦区的提取精度(RMSE=0.31)优于最大似然分类(RMSE=0.38)和LSU(RMSE=0.37)。

(4)本文方法仅是利用变端元进行混合像元分解的一种尝试, 仍存在一些问题有待进一步深入探讨: ①本文只解决了端元类型和数目的选择问题, 但是全区共用一套平均端元光谱值进行线性分解, 还不能有效地解决格网内部的“ 同物异谱” 问题; ②最大似然分类的结果作为窗口内端元选择的依据, 其测量精度受监督分类结果的影响较大; ③以格网为单元确定端元类型和数目的方法会导致各网格结果的不连续问题, 今后的研究中可考虑从研究像元为中心的周围像元中获得端元类型和数目的方法来解决此类问题。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	胡健波, 陈玮, 李小玉, 等. 基于线性混合像元分解的沈阳市三环内城市植被覆盖变化[J]. 应用生态学报, 2009, 20(5): 1140-1146. [本文引用:1]
[2]	许文波, 张国平, 范锦龙, 等. 利用MODIS遥感数据检测冬小麦种植面积[J]. 农业工程学报, 2007, 23(12): 144-149. [本文引用:1]
[3]	李霞, 王飞, 徐德斌, 等. 基于混合像元分解提取大豆种植面积的应用探讨[J]. 农业工程学报, 2008, 24(1): 213-217. [本文引用:1]
[4]	邹金秋, 陈佑启, Uchida S, 等. 利用Terra/MODIS数据提取冬小麦面积及精度分析[J]. 农业工程学报, 2007, 23(11): 195-200. [本文引用:1]
[5]	武永利, 王云峰, 张建新, 等. 应用线性混合模型遥感监测遥感监测冬小麦种植面积[J]. 农业工程学报, 2009, 25(2): 136-140. [本文引用:1]
[6]	田静, 阎雨, 陈圣波. 植被覆盖率的遥感研究进展[J]. 国土资源遥感, 2004(1): 1-5. [本文引用:1]
[7]	Ichoku C, Kamieli A. A Review of Modeling Technique for Sub-pixel Lland Cover Estimation[J]. Remote Sensing Reviews, 1996, 13(3): 161-186. [本文引用:1]
[8]	Chabrillat S, Pinet P C, Ceuleneer G, et al. Ronda Peridotite Massif: Methodology for Its Geological Mapping and Lithological Discrimination from Airborne Hyper-spectral Data[J]. International Journal of Remote Sensing, 2000, 21: 2363-2388. [本文引用:1]
[9]	李惠, 陈健飞, 余明. 线性光谱混合模型的ASTER影像植被应用分析[J]. 地球信息科学, 2005, 7(1): 103-106. [本文引用:1]
[10]	丛浩, 张良培, 李平湘. 一种端元可变的混合像元分解方法[J]. 中国图象图形学报, 2006, 11(8): 1092-1096. [本文引用:2]
[11]	Asner G P, Heidebrecht K B. Spectral Unmixing of Vegetation, Soil and Dry Carbon Cover in Arid Regions: Comparing Multispectral and Hyper-spectral Observations[J]. International Journal of Remote Sensing, 2002, 23: 3939-3958. [本文引用:1]
[12]	Song C H. Spectral Mixture Analysis for Subpixel Vegetation Fractions in the Urban Environment: How To Incorporate Endmember Variability?[J]. Remote Sensing of Environment, 2005, 95: 248-263. [本文引用:1] [JCR: 4.769]
[13]	Bateson C A, Asner G P, Wessman C A. Endmember Bundles: A New Approach to Incorporating Endmember Variability into Spectral Mixture Analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38: 1083-1094. [本文引用:1] [JCR: 2.933]
[14]	Roberts D A, Gardner M, Church R, et al. Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models. Remote Sensing of Environment[J]. 1998, 65: 267-279. [本文引用:1]
[15]	Joseph M, Piwowar. Temporal Mixture Analysis of Arcticsea Ice Imagery: A New Approach for Monitoring Environmental Change. Remote Sensing of Environment[J]. 1998, 63: 195-207. [本文引用:1]
[16]	Zhou X T, Folving S. Application of Spectral Mixture Modeling to the Regional Assessment and Degradation: A Case Study from Basilicata Italy[J]. Land Degradation&Rehabilitation, 1994, 5: 215-222. [本文引用:1]
[17]	刘建贵, 吴长山, 张兵, 等. PHI成像光谱图像反射率转换[J]. 遥感学报, 1999, 3(4): 290-294. [本文引用:1]
[18]	韦玉春, 黄家柱. Land sat5图像的增益、偏置取值及其对行星反射率计算分析[J]. 地球信息科学, 2006(1): 110-113. [本文引用:1]
[19]	杨可明, 陈云浩, 郭达志, 等. 基于端元提取的高光谱影像特定目标识别[J]. 金属矿山, 2006(6): 48-52. [本文引用:1]
[20]	Ridd M K. Exploring V-I-S (Vegetation-Impervious Surface-Soil)Model for Urban Ecosystem Analysis through Remote Sensing: Comparative Anatomy for Cities[J]. International Journal of Remote sensing, 1995, 16: 2165-2185. [本文引用:1]
[21]	刘咏梅, 杨勤科, 汤国安. 陕北黄土丘陵地区坡耕地遥感分类方法研究[J]. 水土保持通报, 2004, 24(4): 51-54. [本文引用:1]
[22]	吴波, 张良培, 李平湘. 基于支撑向量机概率输出的高光谱影像混合像元分解[J]. 武汉大学学报(信息科学版), 2006(1): 51-54. [本文引用:1]
[23]	胡潭高, 张锦水, 贾斌, 等. 不同分辨率遥感图像混合像元线性分解方法研究[J]. 地理与地理信息科学, 2008, 24(3): 20-24. [本文引用:1]

2009

0.0

胡健波, 陈玮, 李小玉, 等. 基于线性混合像元分解的沈阳市三环内城市植被覆盖变化[J]. 应用生态学报, 2009, 20(5): 1140-1146.

Based on the Landsat TM images of 2001 and 2006, and by using linear spectral unmixing (LSU) technique, the information of urban vegetation coverage inside the Third-Ring Road of Shenyang City was extracted, and the dynamic change of the vegetation coverage in 2001〖KG-*2〗-〖KG-*7〗2006 was analyzed, in combining with a land use map derived from the visual interpretation of a QuickBird image of 2006. The results showed that in 2001〖KG-*2〗-〖KG-*7〗2006, the urban vegetation coverage in study area changed drastically. Urban greening and the cropland encroachment caused by urban sprawl coexisted, and the vegetation gain from urban greening was larger than the vegetation loss from cropland encroachment. The vegetation coverage of road, residence, public facilities, and park and square increased with varying degrees (5%〖KG-*2〗-〖KG-*7〗9%), while industrial land changed little. The spatial distribution of urban greening was relatively reasonable. Though the polarization of vegetation coverage between central city and suburban still existed, this polarization had been mitigated to some extent. With the increase of the distance from city center, the vegetation coverage increased in sequence of park and square (08％·km-1)

1 Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang 110016, China; 2 Graduate University of Chinese Academy of Sciences, Beijing 100049, China

基于2001和2006年Landsat TM影像，通过线性混合像元分解（linear spectral unmixing, LSU）方法提取沈阳市三环内的植被盖度信息，结合目视解译2006年QuickBird影像得到的研究区土地利用类型图，分析了2001—2006年研究区植被盖度的动态.结果表明：2001—2006年，研究区植被盖度变化剧烈，绿化建设和由城市扩张导致的农田占用现象并存，且前者的植被增加超过后者的植被损失;研究区道路、居住区、公共设施用地、公共绿地及广场的植被盖度均有不同程度的增加（5%～9%），工业用地几乎没有变化;研究区绿化建设格局比较合理，城区内外植被盖度的两极分化现象虽依然存在，但已得到缓解;研究期间，该区主要地类植被盖度随距市中心距离而递增的顺序为公共绿地及广场（0.8%·km -1 ） -1 ） -1 ） -1 ） -1 ）;公共设施用地和道路植被盖度两极分化现象依然较严重，需加强绿化建设并严格管理.

... 0 引言利用遥感图像进行土地利用/覆盖监测中,混合像元现象不可避免,尤其是中分辨率遥感图像中混合像元问题十分严重^[1,2,3] ...

2007

0.0

许文波, 张国平, 范锦龙, 等. 利用MODIS遥感数据检测冬小麦种植面积[J]. 农业工程学报, 2007, 23(12): 144-149.

Winter wheat is one of main food crops in China. Its planting acreage monitoring is basic information for wise management of plant natural resources. The Moderate Resolution Imaging Spectroradiometer(MODIS) is one detector board on Terra's (EOS-AM1), which was lunched on December 18, 1999 by NASA. It offers a unique combination of spectral, temporal, and spatial resolution compared with previous global sensors, making it a good candidate for large-scale winter wheat planting area monitoring. However, because of subpixel heterogeneity, the application of traditional hard classification approaches to MODIS data may result in significant errors in planting area estimation. The authors developed and tested a linear unmixing approach with MODIS data that estimates subpixel fractions of crop area based on the temporal signature of reflectance throughout the growing season. This method is based on multi-source data. First, the authors use IKONOS data classification result to instruct field work. Second, high accuracy classification results can be obtained in research areas from LANDSAT data. Finally, based on time-series data of TERRA /MODIS surface reflectance daily L2G global 250 m sin grid v004, using linear decomposition of mixed pixels for monitoring winter wheat planting area in Henan Province of China. Comparing with national statistic data, the relative error of wheat planting area is 5.25% in Henan Province in 2002. The accuracy of result can meet the requirements of agricultural monitoring. This research provides an operational approach for remote sensing monitoring of winter wheat acreage in China.

冬小麦是中国最主要的粮食作物之一，利用遥感技术进行冬小麦种植面积监测是粮食安全的核心内容之一。美国1999年发射的TERRA卫星上携带的中分辨率成像光谱仪(MODIS)具有独特的光谱、时相和空间分辨率，为大范围的冬小麦种植面积监测提供了可靠的数据源。但中国耕地破碎，即使是250 m分辨率的MODIS数据，采用传统的信息提取方法依然无法取得高的精度。因此结合多源遥感数据和GIS数据，建立了基于TERRA/MODIS数据的冬小麦种植面积遥感监测体系结构。首先利用IKONOS米级高分辨率遥感影像提取试验样区的地块图，用以指导野外采样工作；其次，在采样工作基础上，利用LANDSAT进行区域冬小麦种植面积提取；最后利用2002年TERRA/MODIS时间序列数据的混合像元线性分解模型进行河南省冬小麦种植面积的遥感监测，监测结果与国家统计数据相比，相对误差为5.25%，精度能满足农情监测的需要。研究结果为中国冬小麦种植面积遥感监测提供了一种业务化工作方法。

... 0 引言利用遥感图像进行土地利用/覆盖监测中,混合像元现象不可避免,尤其是中分辨率遥感图像中混合像元问题十分严重^[1,2,3] ...

2008

0.0

李霞, 王飞, 徐德斌, 等. 基于混合像元分解提取大豆种植面积的应用探讨[J]. 农业工程学报, 2008, 24(1): 213-217.

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度.以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%.同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%.结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度.

... 0 引言利用遥感图像进行土地利用/覆盖监测中,混合像元现象不可避免,尤其是中分辨率遥感图像中混合像元问题十分严重^[1,2,3] ...

2007

0.0

邹金秋, 陈佑启, Uchida

, 等. 利用Terra/MODIS数据提取冬小麦面积及精度分析[J]. 农业工程学报, 2007, 23(11): 195-200.

Agricultural crop area extraction using remote sensing technology has been proved to be a practical and feasible method, thus numerous researches and studies have been done by many scientific institutions worldwide. This paper, a new method for extracting winter wheat area of Gaocheng County, Hebei Province, using multi-temporal Terra/MODIS images is presented. At first, based on the analysis of spectral features of MODIS data and biological characteristics of winter wheat, four bands(Red, Blue, NIR, ESWIR bands) of MODIS data were selected as the basic processing bands, and the impact of VI images on accuracy of acreage detection was also taken into considerations during this stage. Then four different methods were applied to the MODIS images for sown area extraction at a town level in 2004. The accuracy assessment results by using 2004 statistical data and land use map product indicated that the acreage derived from MODIS data using four methods coincided well with the real conditions, with both a total and average error less than 5%. Therefore, it is concluded that the coarse resolution MODIS image can be utilized in agricultural crop sown area extraction, the most appropriate MODIS temporal data for such applications are the combination of Red, Blue, NIR, ESWIR bands at tasseling stage and EVI image at emerging stages of winter wheat.

利用遥感技术提取作物播种面积是农情监测研究中一种实用而可行的方法。以河北省藁城市为研究区域，研究利用多时相Terra/MODIS数据提取2004年冬小麦播种面积的技术方法。在分析MODIS波谱特性与冬小麦生物学特征，并考虑了有关植被指数图像对面积提取精度的影响基础上，选择将MODIS数据的Red、Blue、NIR和ESWIR波段作为基础工作波段。利用4种方法提取了2004年藁城市各乡镇的冬小麦播种面积，并利用2004年各乡镇统计数据及土地利用数据进行了精度评价。结果表明：4种方法提取的冬小麦播种面积总体上都与参考值比较吻合，总体误差和平均误差均小于5%。可见，利用Terra/MODIS数据提取冬小麦播种面积是完全可行的。研究还发现，最佳的MODIS数据是冬小麦抽穗期的Red、Blue、NIR、ESWIR波段图像和冬小麦播种期与抽穗期EVI差值图像的组合。

... 通过一定的方法计算出混合像元的典型地物组成比例,可解决混合像元问题,提高定性和定量遥感测量精度,在农作物种植面积监测中有着重要的应用价值^[4,5] ...

2009

0.0

武永利, 王云峰, 张建新, 等. 应用线性混合模型遥感监测遥感监测冬小麦种植面积[J]. 农业工程学报, 2009, 25(2): 136-140.

Moderate Resolution Imaging Spectroradiometer (MODIS) has advantages in the following aspects: multi-spectra, multi-temporal and freely obtained. Using traditional classification methods, super-classification and vegetation index thresholds, based on MODIS data during the winter wheat regreening stage, the distribution of winter wheat area was investigated in this study. Meanwhile, aiming at the characteristics that most remote sensing pixels are mixed pixels, application of linear mixture modeling to unmixing the planting area of winter wheat was mainly studied. Comparing the precision of different classification methods for the planting area of winter wheat, using linear mixture modeling, the major part (98.45%) of the root-mean-square error is smaller than 0.01, the relative error is approximately 3% compared with the actual winter wheat field data, obviously superior to the precision of traditional remote sensing classification method.

中分辨率成像光谱仪（MODIS）具有多光谱、多时相以及免费接收使用的优势。该文利用冬小麦返青期间的MODIS多光谱数据，采用传统的监督分类和阈值方法研究冬小麦种植区域的分布情况，同时针对遥感像元多为混合像元的特点，重点将线性混合像元分解技术应用于冬小麦种植面积的分解计算研究。比较不同分类方法对冬小麦种植面积估算的精度分析表明，采用线性混合分解模型，绝大部分（98.45%）的均方根误差都小于0.01，对比实际冬小麦种植面积数据，相对误差约3%，明显优于传统遥感分类方法的精度。

2004

0.0

田静, 阎雨, 陈圣波. 植被覆盖率的遥感研究进展[J]. 国土资源遥感, 2004(1): 1-5.

This paper has made a review on the method of estimating Vegetation Fractional Cover (VFC) based on remote sensing data and discussed a few parameters that affect the estimation of VFC. The future trend of VFC study has also been analyzed.

综述了应用遥感技术估算植被覆盖率的方法,分析了各种方法的优缺点,探讨了植被覆盖率估算中的几个影响因素,给出了未来研究植被覆盖率的新方向。

... 混合像元分解(Spectral Unmixing,SU)是提取植被覆盖度的主要方法^[6],其测量结果为各种地物的丰度,其模型可归结为5类^[7]: 线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型 ...

1996

0.0

2000

0.0

... 线性混合像元分解(Linear Spectral Unmixing,LSU)模型因其简单实用而被广泛应用^[8,9],特别是在图像波段数目较少、光谱分辨率不高的情况下^[10] ...

2005

0.0

李惠, 陈健飞, 余明. 线性光谱混合模型的ASTER影像植被应用分析[J]. 地球信息科学, 2005, 7(1): 103-106.

摘　要：本文利用线性光谱模型分解混合像元方法,从ASTER多光谱遥感数据提取福州地区植被覆盖丰度的定量信息,与归一化差值植被指数进行了回归分析,结果相关系数高达95%;通过对植被景观格局分析,表明研究区以中等丰度植被占据主要地位,生态系统较为稳定.

... 线性混合像元分解(Linear Spectral Unmixing,LSU)模型因其简单实用而被广泛应用^[8,9],特别是在图像波段数目较少、光谱分辨率不高的情况下^[10] ...

2006

0.0

丛浩, 张良培, 李平湘. 一种端元可变的混合像元分解方法[J]. 中国图象图形学报, 2006, 11(8): 1092-1096.

Linear pixel unmixing is a straightforward and efficient approach to the spectral decomposition of hyperspectral remotely sensed scenes,which involves only a single pixel with the same mixing proportions.In this paper we develop a method of selective endmembers for pixel unmixing.The proposed algorithm compares pixel spectral with endmember spectral and take the neighboring pixel into account when selecting the endmember matrix(EM).Experimental results show that the selective endmember algorithm achieves improvement over conventional linear algorithms.

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。

... 线性混合像元分解(Linear Spectral Unmixing,LSU)模型因其简单实用而被广泛应用^[8,9],特别是在图像波段数目较少、光谱分辨率不高的情况下^[10] ...

... 丛浩等^[10]提出了基于混合像元的光谱响应特征和地物分布的集聚性来实现端元可变的方法,可以保证光谱矢量最接近的端元入选并参与运算,并考虑到地物分布的聚集性,计算以像元为中心的3像元#cod#x000D7 ...

2002

0.0

... 许多学者采用可变的端元模式^[11,12,13]以提高测量精度,如Roberts等^[14]提出了多端元混合像元分析(Multiple Endmember Spectral Mixture Analysis,MESMA)方法,将各种地物的光谱值组成一系列的候选模型(Candidate Model),用每个候选模型分别对图像进行分解,通过比较均方根误差(RMS)来确定何种模型入选,有效地提高了分解精度 ...

2005

4.769

0.0

2000

2.933

0.0

1998

0.0

1998

0.0

... 1 LSU模型LSU模型是混合像元分解常用方法,该模型假设像元的辐射值(或反射率)可以表示成像元内各端元的光谱特征及其所占面积百分比的线性函数^[15,16],模型定义为 ...

1994

0.0

1999

0.0

刘建贵, 吴长山, 张兵, 等. PHI成像光谱图像反射率转换[J]. 遥感学报, 1999, 3(4): 290-294.

The reflectance retrievalofremote sensing data can be classified intothree kinds.The first one use radiative transfer model.The second oneis base upon imageitselfto getrelative reflectance.Thethird methodisto getempirical relationship between image DNvalues and reflectance ofthe objects by using thereflectance and radiation ofthe known objects.This paperfirstanalysesthese methods, andthentransform the data ofairborneimagingspectrometer PHItore flectance using the empiricalline method.The accuracy oftheresultis also presented.

遥感数据的反射率转换基本上可以分为3 种:第1 类方法利用辐射传输方程建立大气传输模型;第2 类基于图像本身,求出相对反射率;第3 类是参照已知地物的反射率及反射辐射,求出图像DN 值与反射率之间的经验关系。通过对几种遥感数据反射率转换方法的分析,采用经验线性法对机载成像光谱仪PHI数据进行了反射率转换,并对转换结果进行了分析。

... 2 数据预处理首先,将遥感器获得的辐射亮度DN值转换为反射率值^[17,18],得到反射率值的TM图像,并对其进行大气辐射校正和几何纠正 ...

2006

0.0

韦玉春, 黄家柱. Land sat5图像的增益、偏置取值及其对行星反射率计算分析[J]. 地球信息科学, 2006(1): 110-113.

摘　要：在对比不同时相的数据或建立遥感反演模犁时．往往需要将图像的灰度值转换为反射率。增益和偏置是计算反射率时使用的两个基本参数。如果这两个参数发生偏差，反射率的计算结果就有问题．大气校正和其他相关工作的结果也是不可靠的。根据USGS文档和1995年以来的Landsat5遥感图像．对图像头文件中的增益和偏置参数的取值进行了分析，并按照标准单位将增益和偏置进行了转换。为了分析不同增益和偏置取值对反射率计算结果的影响，对比计算了植被和水体的行星反射率值。对2004年7月26日的太湖地区的TM图像．取值分为4种方案：（1）使用遥感软件ENVI4．0计算；（2）使用图像头文件中的参数；（3）使用USGS提供的同期参数；（4）使用USGS提供的2003年前的参数。结果表明，不同增益和偏置取值导致计算结果变化较大。如果以方案3的USGS参数计算的结果为标准，那么．其他方案的相对误差值可从0．2％到20％以上．从各个波段的误差分布看．以第3波段的相对误差最小。从工作成果的可比性角度出发，建议统一使用USGS的增益和偏置参数计算Landsat5图像的反射率。

... 2 数据预处理首先,将遥感器获得的辐射亮度DN值转换为反射率值^[17,18],得到反射率值的TM图像,并对其进行大气辐射校正和几何纠正 ...

2006

0.0

杨可明, 陈云浩, 郭达志, 等. 基于端元提取的高光谱影像特定目标识别[J]. 金属矿山, 2006(6): 48-52.

高光谱遥感影像中特定目标的识别与提取实际上是从背景图像中有效提取所需目标的过程."纯净"波谱终端单元(端元,Endmember)选择的结果能有效地描述只含有单一纯粹物质的像元点.高光谱处理技术能够基于真实的物理模型进行波谱提取、比较分析、识别目标.结合AVIRIS高光谱影像实例,分析了高光谱遥感影像n维空间里的单形体理论,运用影像灰度值定标可为反射率、最小噪声分离(MNF)、纯净像元指数(PPI)、终端单元选择、n维散度分析、波谱角度度制图(SAM)等高光谱数据处理技术实现对特定目标的识别与提取.

... 最小噪声分离变换(Minimum Noise Fraction,MNF)技术是对高光谱遥感图像进行降维的有效方法,目的是将噪音与有用信息分离^[19] ...

1995

0.0

... 最终选择冬小麦、建筑用地、裸地和水体4种典型地物作为端元类型^[20],获得TM的6个波段图像上每种端元组分的反射率(图4(b)) ...

2004

0.0

刘咏梅, 杨勤科, 汤国安. 陕北黄土丘陵地区坡耕地遥感分类方法研究[J]. 水土保持通报, 2004, 24(4): 51-54.

陡坡开垦使坡耕地面积扩大是造成黄土高原水土流失严重、生态恶化的根本原因.应用遥感技术,及时准确地掌握坡耕地的分布特征及面积数据,对合理实施退耕还林还草工程意义重大.以陕北黄土丘陵沟壑区为实验样区,以TM图像为主要信息源,采用非监督分类与监督分类相结合的混合分类方法提取坡耕地信息.通过改进采样方法,在非监督分类生成的初始训练样本的基础上,进行删除、增补、合并等样本调整,使训练样本的选取精度大大提高,明显提高了分类精度.研究证明,在黄土丘陵沟壑区,采用混合分类方法进行坡耕地分类,较好地解决了大量存在的坡耕地同物异谱的现象,是进行坡耕地调查与监测的理想方法.

... 针对分类结果,采用随机评价方法,用分层随机抽样(Stratified Random)方法在研究区布置256个随机点^[21] ...

2006

0.0

吴波, 张良培, 李平湘. 基于支撑向量机概率输出的高光谱影像混合像元分解[J]. 武汉大学学报(信息科学版), 2006(1): 51-54.

This paper proposes to estimate abundances from hyperspectral image using probability outputs of support vector machines(SVMs),trains a SVM with a gauss kernel function,and trains the parameters of an additional sigmoid function to map the SVM outputs into probabilities.An experiment of real hyperspectral image is conducted to validate the procedure.The abundances estimated by SVM comparison with those of the linear spectral unmixing are also given.The experiment results show that the method can provide effective result of abundance estimation for hyperspectral image.

提出利用支撑向量机(SVM)后验概率来分解高光谱影像的混合像元,通过支撑向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,并以像元所属类别的后验概率作为地物的组分信息。实验结果表明,该方法能较好地估计出混合像元的组分比。

... 由于通过地面实际测量得到混合像元的比例非常困难^[22],本文采用QuickBird图像分类结果作为真值与TM图像分类结果进行比较 ...

2008

0.0

胡潭高, 张锦水, 贾斌, 等. 不同分辨率遥感图像混合像元线性分解方法研究[J]. 地理与地理信息科学, 2008, 24(3): 20-24.

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题.传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响.实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解,以分辨率更高的Quiekbird图像分类结果作为真值进行精度评价.实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低.

... 采用均方根误差(RMSE)作为精度评价指标,其定义为^[23] ...