遥感典型地物提取综述.docx

考虑地物光谱多样性的遥感影像典型地物提取方法综述摘要光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在 遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于 地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难 以实现高精度的地物识别例如对于水体而言，海洋水体和内陆水体会由于水体 成分的不同而使得其具有不同的光谱特征植被由于其具有物候特征，光谱往往 会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑 物阴影使得地物光谱之间具有较大的差异这些由于空间或时间引起的地物光谱 多样性特征会随着研究范围的增大而变得更加突出本文从基于像元级与基于亚 像元级两个方面对地物提取研究进行综述，系统的介绍了当前国内外在考虑地物 光谱多样性典型地物提取的研究进展，为后续的研究提供参考关键词：遥感，光谱多样性，水体，植被，建筑物，像元级，亚像元级1. 引言：光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在 遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于 地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难 以实现高精度的地物识别。

例如对于水体而言，海洋水体和内陆水体会由于水体 成分的不同而使得其具有不同的光谱特征植被由于其具有物候特征，光谱往往 会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑 物阴影使得地物光谱之间具有较大的差异这些由于空间或时间引起的地物光谱 多样性特征会随着研究范围的增大而变得更加突出制约遥感影像上地物信息准确提取的最主要因素之一便是遥感影像上广泛 存在的“同物异谱”现象，该现象产生的原因主要有：（1）地物自身属性随着空间 -时间的变化而发生变化，即是该课题所研究的地物光谱多样性特征；（2）地物 由于临近效应，大气散射等使得遥感影像上地物所表现出来的光谱特征相对于其 原有光谱特征发生变化原因（1）是导致“同物异谱”现象最主要的原因，因此 在对遥感影像进行处理中如果能够解决地物光谱多样性问题，其实也就很大程度 上解决了遥感影像上的“同物异谱”问题地物光谱多样性并不是毫无规律的，以落叶植被为例，在一年的周期里，落 叶植被的叶绿素含量呈现出先增加后减少的自然规律，反映在遥感影像上为植被 在绿光波段的反射率会先增加后减小对于水体而言，无论是清澈水体还是浑浊 水体，其在中红外波段区间的反射率都趋近于0。

除此之外，对于不同地物的光 谱多样性特征还有很多有待探索的规律随着空间科学技术，信息技术以及传感 器技术的发展，现已经能够获取到一些具有三高特性（高空间分辨率、高光谱分 辨率和高时间分辨率）的遥感影像这为我们深入分析地物光谱多样性特征随着 地物时空分布的不同所呈现出来的变与不变的内在规律提供基础同时，由于光谱可变会严重影响混合像元分解中地物丰度估计的结果，因此 关于光谱多样性问题在软分类领域已有较多研究，如近年来提出的 CoB、EAR、 IES 等最有代表性端元光谱选取方法，能够从地物光谱库中找到地物光谱在某些 波段区间的不变规律，以此筛选出最具有地物代表性的端元光谱除此之外，软 分类领域涉及解决地物光谱多样性问题的具体方法还有很多，这都为遥感影像上 地物光谱多样性问题的解决提供了思路和参考2. 典型地物光谱规律探索地物光谱多样性特征是指同一种地物在时空中往往呈现出多样化的光谱特征 地物光谱多样性体现在遥感影像上即为 “ 同物异谱 ”、 “端元可变 （endmembervariability）”、“光谱可变（spectral variability）”等现象地物光谱的多样化并不是毫 无规律的，其与时间、空间之间一定存在着某些变与不变规律。

对于水体而言，传感器接受到的水体辐射包括了水面反射、水体底部物质反 射和悬浮物反射，因此光谱吸收和透射特性不仅与水体本身性质有关，还受到水 中各类有机物和无机物的影响(Davis等,1978; Palmer等,2015; Villa等2015)浑 浊水体随着水中悬浮泥沙浓度及粒径的增加，反射率也逐渐增加，反射峰向长波 方向移动，成为“红移”，至0.8um附近，由于水体对红外辐射的强烈吸收，反射 率急剧衰减， “红移”现象终止(王伟武， 2006; 邢小罡等,2007;王繁,2008)植被的光谱反射特性由其化学和生态学特征决定，健康的植被有着明显的光 谱特征：在可见光蓝波段0.45um和红光波段0.67um附近各有一吸收谷值，绿光 波段0.55um附近有反射率为10-20%的一个峰值：在红光波段0.7um附近反射率 值迅速升高，并且在近红外0.8-1.0um间有一个反射率为50-60%的较宽反射坪； 之后在1.4um、1.9um和2.7um出现三个强烈的水吸收波段(Lillesand等,2014; Das 等,2013)对于不透水层，城市道路的铺面材料一般可分为水泥路和柏油路两大类，其 反射光谱曲线形状大体相似，在 0.4-0.6um 区间缓慢上升，后趋于平缓，至 0.9-1.1um 区间逐渐下降。

一般而言，水泥路面的反射率较柏油路反射要高(刘 建贵， 1999)建筑物在遥感影像上通常只能表达出建筑物屋顶信息，反映在遥 感影像上即不同材料建筑物屋顶的波谱特征研究表明灰色水泥瓦在所有波段范 围上反射率中等，且变化平缓，而青瓦在可见光短波波段反射率高，在红光波段 下降趋势也最明显；白色涂料的屋顶反射率要显著高于其他类型屋顶，可以达到 80%(童庆喜等， 2006)在对典型地物水体、植被以及不透水层进行提取时，采用归一化光谱指数的 方法即是通过分析地物光谱多样性中的光谱不变规律，利用地物光谱相对稳定的 波段区间来对地物进行提取(Deering,1978; McFeeters,1996; Feyis 等,2014; Deng 等,2015; Sun 等,2014,Liu 等,2013; Bolton 等,2013; Mahlein 等,2013; Delegido 等,2013; Schuster 等,2012; Veraverbeke 等,2012; Tanaka 等,2015)3. 遥感影像像元级地物提取中光谱多样性问题的解决方法当地物在光谱上的不变规律无法解决地物光谱多样性问题时，尤其是在复杂 景观条件下,光谱特征的变异性增大,“同物异谱”现象严重, 传统的基于像元级的 遥感图像分析和处理方法仅靠光谱特征是不足以表达目标或类别的，因而其分析 结果的可靠性常常不尽人意。

虽然近年在基于像元级的遥感影像分析和处理上引 入的方法，如模糊集(Fuzzy set)、神经网络分类器(Neural Net Classifer)、分层 聚类(Hierarchical Clustering)、空间逐步寻优模型(Stepwise optimization)等 (Comber 等,2012; Ghosh 等,2011; Ghaffarian 等,2014; Kussul 等,2014; Zhong 等,2015;Garcia-Pineda 等,2013; Senthilnath 等,2012; Ta^demir 等,2011; Bijamov 等,2014; Zhao等,2013; Yuan等,2015)，在影像分类精度等方面有了很大的改进， 但是由于这些方法从本质上还是基于光谱特征的分类，因而无法从根本上摆脱方 法的局限性因此要想进一步提升地物识别与分类精度，则必须联合高光谱影像 的光谱与空间信息(Fauvel 等,2013;Plaza 等,2009; Lu and Weng,2007; Fauvel 等,2012 ;Gray 等， 2012)空谱特征提取与分类方法在利用地物光谱信息的同时， 考虑了像素与其周围像素的空间上下文信息，有效的降低“同物异谱”与“异物同 谱”对识别精度的影响。

探索联合影像上地物空间信息与光谱信息的特征提取与 识别方法也是当前多 /高光谱遥感领域研究的焦点 (许将军,2007,陈进,2010,黄 昕,2009)在空间信息的利用上，最常用的是地物的空间纹理信息(Casa等,2013; Yuan 等,2014 ;Wood 等,2012; Regniers 等,2013)，在最新的研究中，Osaku 等(2015)和 Falco 等(2015)通过将地物光谱信息与地物空间纹理信息结合，实现了土地覆盖 的高精度分类此外，空间关系，空间形状等也被用于地物光谱多样性问题的解 决之中Qiao(2014)提出了最大空间邻接MSA和定向空间邻接MDA两种空间 关系，通过地物与地物之间的空间关系建立规则，在高分辨率遥感影像上实现了 地物的更准确分类随着遥感影像数据源的丰富，我们能够获取到多时相的时间序列影像，这使 得我们在基于遥感影像的地物提取和分类应用中能够更多的结合地物的时间信 息Begue(2014)讨论了不同植被在时间上的不同物候特征，并探索出植被光谱 与时间、气候之间的关系，为植被地物的识别提供了参考Dudley(2015)考虑了 植被光谱由物候特征所引起的差异，建立了多时相光谱库，用类似于光谱匹配的 方法对植被物种进行分类，在对具有明显物候特征的植被物种进行分类时取得了 比单时相光谱库更好的结果。

Mannel和Price(2012)利用决策树分类法结合两个 季节(春/秋)的Landsat TM遥感影像对树种进行分类，分类结果优于仅用单个 季节遥感影像获得的分类结果实验结果表明了植被光谱在时间上季节性的变化 是影响遥感影像上地物类型识别的重要因素除此之外， GIS 辅助数据的结合也为地物光谱多样性问题的解决提供思路 李德仁(2004)院士曾经说过，从 GIS 空间数据库中挖掘和发现的知识也可以有效 的支持遥感图像解译，以解决“同物异谱”和“异物同谱”的问题邸凯昌等( 2000) 利用 GIS 水域数据库进行归纳学习，获得了水体的形状特征，并将其应用于水 域的细分，获得了显著提高的分类精度Juel(2015)结DEM数据，利用基于目标 的图像分析和机器学习方法，实现了海岸植被90%的提取精度Asare-Kyei(2015) 结合GIS数据和水文资料，利用统计模型提出了洪水灾害指数PHI，实现了洪水 区域的高精度制图4. 遥感影像亚像元级地物信息提取中光谱多样性问题的解决方在遥感影像软分类中，认为影像上的每个像元都是以包含不同地物信息的混 合像元形式存在的，而构成混合像元中的每一类地物则被称为端元。

端元光谱只 包含一种地物信息，由于地物光谱多样性特征，用于软分类中丰度估计的端元光 谱也一定不是恒定不变的针对端元光谱在空间上的多样性特征，现有研究中主 要有以下几类方法：4.1考虑端元可变的迭代混合分析方法在迭代混合分析方法中，应用最多的是Roberts ( 1998 )等提出的多端元光 谱混合分析模型(MESMA)，MESMA是基于线性光谱混合分析的端元可变混合 像元分解方法，通过建立地物光谱库，逐像元调整端元的数量与端元组合动态进 行混合像元分解，是比固定端元线性光谱混合模型更加合理且分解精度更高的混 合像元分解方法(Powell 等,2007;Rashed 等,2003;Wu,2004; Franke 等,2009; Tits 等,2012)近年来MESMA方法广泛应用于植被，土壤，不透水层等地物的提取 (Fand and Deng, 2014; Thorp 等 ,2013; Zhang 等 ,2014;Deng 和 Wu,2013;Nunez-Casillas 等,2012; Peterson 等,2015;Thorp 等,2013; Michishita 等,2012),以及 土地覆盖/利用分类等领域(Powell 等,2007; Rashed 等,2003; D。