首页 学术研究∶新技术 自然资源学报 (第14卷 第4期)

遥感生态测量学进展


宫鹏

(美国伯克利加州大学 环境科学、政策与管理系 教育部 环境演变与自然灾害开放研究实验室,北京100875)

提 要 综述了当前遥感生态测量学的最新进展,重点讨论了数字相机在生态测量中的应用。其中对树冠盖度和树高测量的结果取得了显著的进展,进一步讨论了未来发展的方向。

关键词 遥感生态测量学;数字摄影测量

中图分类号 TP79; S718.45

文献标识码 A

文章编号 1000-3037(1999)04-0313-05

1 引言

  生态学家研究资源管理和环境保护迫切需要准确的生态测量数据。这类数据包括植被类型、土壤含水量和纹理特性以及植被盖度、叶面积指数、生物量和净初级生产力等生物物理参数。准确获得这类数据仅能靠费时费力的野外测量来完成[1]。人们早就认识到通过遥感技术在较大的空间尺度上获得这类数据的必要性。然而,这里指的是遥感未包括摄影测量而仅限于多光谱分析技术、图像空间特征分析技术和辐射传输模拟技术。Peterson 等[2、3]应用陆地卫星专题制图仪和机载模拟专题制图仪数据估算林地覆盖、叶面积指数和叶生物化学成分。他们使用的分析方法主要是建立生态参数与多光谱数据及其变换值之间的统计回归关系。这类技术在应用机载高光谱数据中得到进一步的发展。浦瑞良等 (1993)[4]、Gong 等 (1994)[5]、宫鹏等 (1996)[6]、张良培等 (1997)[7] 报告了微分光谱、多元回归、子象元分解技术在林地覆盖、叶面指数、叶生物量等参数估算方面的应用。在图像空间特征方面,有人利用从图像上提取的纹理[8、9]和空间自相关方差 (Semivariagram) 特征[10]与植冠郁闭度和叶面积指数等生态参数建立关系。上述两类研究主要通过建立经验性的统计关系来实现对生态参数的估算。它们随着研究地区和所用遥感数据的变化而改变。辐射传输模拟技术试图通过对电磁波与地表物体交互作用过程中的各种物理过程的模拟与模型反演来达到生态参数估算的目的[11]

  从上面的介绍可以看出,利用遥感数据进行生态测量虽然有许多不同的途径,但它们是基于二维图像空间的信息提取方法。植物高度、树木的胸高直径以及植冠大小与形态等三维几何信息的测算仅仅靠在二维图像空间获得的其他特征值推算而来。其实我们可以根据摄影测量学的原理对植物三维形态进行直接测量。因此,近年来我们提出建立摄影生态测量学 (Photo ecometrics)的概念[6]。建议相关学科的同行们重视摄影测量技术对准确测量生态参数的潜力。事实上,有必要建立生态测量学 (Ecometrics)——关于准确可靠地获得生态参数的科学技术。生物学家很大程度上忽视了生态测量学,因为需要遥感、摄影测量、统计和生物统计这些学科的知识。生态测量学这一领域的建立和发展可以为野生生物学家、生态学家、林学家和地理学家等提供监测景观生态过程和土地利用变化的重要工具。摄影生态测量学作为生态测量学的子学科,又是遥感技术应用于生态测量的一个特殊方面。应该有遥感生态测量学这一介于生态测量学和摄影生态测量学之间的学科。图 1 列出了目前用于生态测量的主要遥感方法和数据。本文以遥感生态测量学为题,介绍我们应用数字摄影测量进行森林量测和利用高光谱数据进行树种识别的工作。旨在丰富图 1 的内容。

nr990404-1.gif

图 1 遥感生态测量学的主要组成部分及应用状况
Fig.1 The main component and the application ofRS-economics

2 利用数字摄影测量进行林地测量和变化探测

  数字摄影测量是从多角度摄影图像进行自动化三维量测与制图的技术。数字摄影测量的两个主要应用是自动产生数字地形模型 (DEM) 和正射影像图。DEM 一般由地形高程按一定格网构成的二维数组。地形高程不包含诸如树、建筑物等地表景观的高度。然而,对林地量测来说,树的植冠高度恰恰是需要的。所以我们在应用数字摄影测量时要产生包含植冠表面高度的数字表面模型 (DSM)。正射影像是消除了由于摄影倾斜和地表起伏等产生的图像变形而得到的整幅图像比例尺恒定的地表影像。摄影测量学原理告诉我们从非正射影像上所量测的面积的误差随着地形起伏的增高而增大。只有从正射图像上量测到的地物面积才最准确。然而,在生态学界人们往往直接从未经纠正的航空照片上量算植被盖度而忽视地形起伏所带来的误差。植被高度则通过树种和植冠大小估计到。

  我们采集了加州 Marine 县 Gallinas 河谷 1970 年和 1995 年 1∶12000 黑白航空照片立体像对。两年度航片均为垂直摄影。将照片透明正片经 Vexel3000 扫描仪按 1000DPI(每英寸 1000 点)分辨率进行扫描。然后,输入 SocetSet 和 VirtuoZo 数字摄影测量软件自动提取 DSM 并生成正射影像(图 2)。图 2 所示的区域为橡树草原。图像分辨率大约为 30cm。图 2 上半部分别为 1970 年和 1995 年照片的正射影像;下半部为数字地表模型 DSM。在正射影像上橡树呈暗色。在 DSM 上树冠较周围亮。这是因为 DSM 是地表高度的测量值。树冠高度比周围要高。从图 2 中不难看出,树冠高度可从 DSM 中测定,而树冠覆盖可以对正射影像设阈值处理得到。这样便可以比较橡树的长势。

nr990404-2.gif

图 2 数字摄影测量用于测量树冠盖度、高度和监测变化
Fig.2 Digital photo-ecometrics use for measuring cover degree of canopy and tree height and monitoring changes

  如果我们按取阈值的方法从原始航片上提取植被盖度,将所得结果与从正射影像上所得结果进行比较,可以得到图 3。图 3 中白线代表从正射影像上获得的树冠边界,而黑线为从原始影像上提取的树冠边界投影在正射影像坐标系中。该区域地形起伏仅 60cm,却产生如此大的边界位移。统计所得面积显示原始图像上计算的面积比正射影像上计算的面积高 9.9%。由此可见,从原始航片上估算植被盖度可能造成的误差。

nr990404-3.gif

图 3 阈值法提取的树冠边界(白线为从正射影像上提取的结果,黑线为从原始影像上所得结果)
Fig.3 Canopy borderline extracted by threshold method (The white lines are the result extracted from the orthography and the black lines are the results extracted from the originalimage)

3 针叶树种高光谱识别

  传统遥感多光谱分析很难正确区分不同的针叶树种。我们尝试使用野外实测的高光谱数据对 6 种常见的加州针叶树种进行识别。野外高光谱数据采自美国加州大学设在赛拉内华达山区的实验站。使用 OceanOptic 便携光谱仪对 4~7 年幼树从垂直方向采集树冠阴阳两侧的高光谱反射数据。在春、夏、秋三季,在两个立地上按每种树种至少对 5 株幼树从阴阳两侧采集高光谱数据。我们曾在 1995-10-20 从 6 个立地上采集高光谱反射数据。每个立地都对 6 个树种进行采样。使用神经元网络对树种进行分类,得到高于 80% 分类精度[12]

  对三季高光谱反射数据进行平滑处理以减少高频噪音,然后对数据 (R) 进行了 5 种简单变化,它们是取对数 LOG (R)、一阶微分 D(R)、对 LOG (R)微分 D (LOG(R))、对 R 归一化 N (R)、对 N (R)微分 LOG (N (R))、对 N (R)取对数 LOG (N (R))。按每季在不同立地采集数据,对阴阳两侧高光谱反射数据分别进行神经元网络分类[12]。先取采样数据的 1/3 用于训练神经元网络的识别能力。用另外 2/3 的数据验证网络的分类精度。所得结果列入表 1。从阴阳两侧所得分类精度的平均列于表一右侧。

表 1 美国加州 6 种常见针叶树高光谱识别结果
Table1 High resolution spectrum identification result of six kinds of familiar conifer of California

变换 G 立地10/95 F 立地10/95 G 立地6/96 F 立地6/96 G 立地11/96 F 立地11/96 平均
类型 总平均
R 70.8 59.2 58.3 35.0 75.8 65.3 81.9 90.3 74.2 60.8 75.0 73.3 72.7 64.0 68.3
D(R) 85.0 95.8 65.0 40.0 9.08 81.7 93.1 89.6 95.8 97.6 94.2 90.0 87.3 83.3 85.3
LOG(R) 60.8 55.8 50.8 41.7 78.3 60.0 77.8 89.6 60.1 65.7 60.8 70.8 64.8 63.9 64.4
N(R) 65.8 64.2 51.7 42.5 72.5 66.7 84.0 91.7 79.8 78.4 76.7 80.8 71.8 70.7 71.2
D(LOG(R)) 91.7 94.2 79.2 64.2 93.3 92.5 97.2 97.9 96.6 99.2 93.3 96.7 91.9 90.8 91.3
LOG(N(R)) 63.3 60.0 48.3 43.3 71.7 65.0 85.4 93.8 76.5 71.8 75.0 79.2 70.0 68.8 69.4
D(N(R)) 93.3 93.3 80.8 56.7 91.7 85.0 95.1 95.1 98.3 97.6 97.5 96.7 92.8 87.4 90.1

  从表 1 可见,对高光谱数据进行微分变换可以大大提高树种识别精度。对光谱反射数据对数或归一化后再微分效果最佳。3 个季节数据的总平均分类精度高达 90% 以上。尽管对光谱反射数据来说,阳面测得数据可得到较高识别精度。对两种最佳变换来说,阴阳两侧数据均可得到高识别精度;并且识别精度基本不受季节影响。这意味着对这两种变换而言,太阳高度角的变化不会对树种识别精度造成较大的变化。

4 结论

  尽管航空摄影或数字摄影缺乏较多的光谱信息,数字摄影测量可以为图像分析提供较准确的三维空间数据。这是大多数遥感应用所忽视的。本文通过实例展示数字摄影测量技术对测量树冠盖度和树高的优势。这两个生态参数都是传统遥感所测不准的。实例也展示出高光谱反射数据对树种识别的潜力。这也是传统遥感所难以做到的。我们下一步的目标是对高光谱树种识别的结果进行分析,寻找少数有效波段。建立基于少数波段的树种识别算法。将这些波段用于数字照相机摄影,从而达到将数字摄影技术与多光谱分析技术结合的目的。这样,我们可以利用地物有效的多光谱信息和较准确的三维形态信息进行更准确的生态测量。

参考文献

1Bonham C D. Measurements for Terrestrial Vegetation [M]. New York: John Wiley&Sons, 1989.
2Peterson D L, et al. Relationship of Thematic Mapper Simulator data to leaf area index of temperate coniferous forests [J]. Remote Sensing of Environment, 1987,22:323~341.
3Peterson D L, et al. Remote sensing of forest canopy and leaf biochemical contents [J]. Remote Sensing of Environment, 1988,24:85~108.
4蒲瑞良,宫鹏,J R Miller.应用图像数据估计横跨美国俄勒冈州针叶林叶面积指数[J].南京林业大学学报,1993,17:41~48.
5Gong P, et al. Forest canopy closure from classification and spectral unmixing: a multi-sensor evaluation of application to open canopy [J]. IEEE Trans. on Geoscience and Remote Sensing, 1994,32(5):1067~1080.
6宫鹏,史培军,蒲瑞良,等.对地观测技术与地球系统科学[M].北京:科学出版社,1996.
7张良培,郑兰芬,童庆禧.利用高光谱对生物变量进行估计[J].遥感学报,1997,(1):111~114.
8Marceau D J, et al. Remote sensing and the measurement of geographical entities in a forested environment. 1. the scale and spatial aggregation problem [J]. Remote Sensing of Environment, 1994,49:93~104.
9Wulder M A, et al. Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI) [J]. Remote Sensing of Environment, 1998,64:64~76.
10Cohen W B, Spies T A, Bradshaw G A. Semivariograms of digital imagery for analysis of conifer canopy structure [J]. Remote Sensing of Environment, 1990,34:167~178.
11李小文,王锦地.植被光学遥感模型与植被结构参数化[M].北京:科学出版社,1995.
12Gong P. Conifer species recognition: an exploratory analysis of in situ hyperspectral data [J]. Remote Sensing of Environment, 1997,61:189~200.

作者简介

宫鹏 (1964-),男,山东人,加拿大滑铁卢大学博士,研究员,主要从事遥感与地理信息系统方面的研究,曾任第二界 CPGI 协会主席。

本工作的参加者还有 Gerg Biging、蒲瑞良、梅雪良、盛永伟。所使用的 Virtuozo 软件由武汉测绘科技大学张祖勋教授提供。

基金项目:“九五”国家重大基础研究预选项目 (227218001) 资助;国家自然科学基金重大项目 (39899374) 资助。


本篇文章还收录在以下主题中:学术研究∶GIS和遥感技术
关闭窗口