孙小芳

(闽江学院 地理科学系，福州 350121)

1 引 言

植被在陆地遥感观测和记录的信息中占有很大的比重，是陆地遥感研究不可缺失的第一表层因子。作为人们研究的主要对象，获取植被的光谱信息是一种重要的数据源。上世纪60年代末至70年代初期，美国国家航空和航天局(ational Aeronautics and Space Administration，NASA)建立了地物光谱特征数据库，包括四大类地物：水体、土壤、岩石矿物和植被。上世纪80年代末期，美国地质调查局(United States Geological Survey，USGS)以植被和矿物为研究对象，描绘出500多条光谱范围在0.2μm～3.0μm地物光谱曲线。上世纪90年代，美国Johns Hopkins大学采取半球反射测量方法，在0.3μm～15μm波段范围内建立岩石、土壤、雪冰、植被、人工材料光谱数据库，同时采用双向反射光谱测量，在2.08μm～25μm光谱范围内建立矿物和陨石光谱数据库。上世纪80年代，我国在宁芜地区建立了遥感定标试验场，由中国科学院空间科学技术中心制定了地物光谱测试规范，获得了该地区岩矿、土壤、水体、植被及农作物的1000多条光谱曲线，出版了《中国地球资源光谱信息资料汇编》。1990年中国科学院遥感应用研究所出版的《中国典型地物光谱及其特征分析》，绘制植被、土壤、水体、岩石和污染植物共277种中国典型地物光谱的特性并分析研究。

虽然对典型地物光谱测量已有一定历史，但所测量的数据基本上是植被样本光谱，对实际卫星遥感数据应用缺乏有力的支持。上世纪90年代末期，各国尝试在多平台基础上同步进行地物光谱测量，这样在不同尺度上建立地物光谱测量数据的对应关系，尝试在遥感像元和地面观测的不同尺度上建立地物光谱测量数据的对应关系，这一时期对定量遥感的建模与反演提出了大量的理论与改进思想。

目前所有大型的和有影响的遥感综合实验中都有地物光谱的观测项目。2001年，在北京顺义由北京师范大学主持的国家重点基础研究发展规划项目，以冬小麦为研究对象，进行地面-机载-星载3个平台同步遥感数据测量，获取了冬小麦地面光谱测量参数、飞行影像和配套的结构参数、农学参数、农田小气候参数以及气象参数等全面系统的实验数据。2002年光谱知识库项目是“十五”期间国家“863”重点建设项目。由北京师范大学王锦地教授主持，参与单位包括中科院遥感所、上海技物所、国家农业信息化工程中心和国土资源航遥中心等，该项目于2005年通过了项目验收。2007年王锦地对中国典型地物标准光谱数据库中5种农作物，在主要生育期的参数，如叶面积指数、全氮含量进行了统计，构造了这些参数的时空分布知识[1-3]。

2 多尺度植被光谱数据

我国典型地物光谱数据库是一个科学的、完备的、能够涵盖和表达多种地面目标光谱特征的光谱知识库，共计收集与实测光谱条数超过3万多条，地物类型有农作物(包括冬小麦、玉米、棉花)、岩石矿物、水体。观测平台由实验室-野外实验场-航空-航天4个层次组成，填补地面测量数据和遥感观测、遥感基础研究成果和遥感应用需求之间缺口。在规范、整理、收集和采集典型地物光谱数据的基础上，提出3个尺度光谱测量即材料光谱测量、端元光谱测量、像元光谱测量。以农作物为例测量多尺度光谱数据，包括作物组分和冠层的光谱(反射、透射、发射与偏振)，描述单株植被之生长阶段和形态结构及群体植被空间分布模式，测量植被组分(根、茎、叶、果)的结构和生化理化参数。构建应用模型库，叶片光谱模型考察叶片内部结构、水分和叶绿素对叶片光谱的影响。冠层生成模型能根据植被物候和空间模式生成统计真实和结构真实的植物冠层，探讨与改进光与植被的相互作用模型：冠层辐射传输模型、几何光学模型，计算机模拟模型实现植被不同生长期结构形态的模拟[4-6]。光谱数据库以遥感物理解析模型和计算机仿真模型相结合的方式，从材料—端元—像元3个尺度上收集、整理和集成来实现外推和内插遥感像元的可见光到热红外波段的光谱，实现不同观测尺度下的光谱数据收集，为反演地表时空多变要素提供先验知识数据。

根据我国光谱知识库建立的要求，地物的光谱分成3种：材料光谱、端元光谱、像元光谱3个尺度。只有在明白获得的光谱是在什么尺度上，才能选用适用的模型进行问题的求解。这就要求在获取地物光谱信息时必需要明确：在光谱观测方法、光谱测量精度和测量环境参数这3个方面，尤其要注意光谱测量精度即光谱尺度问题。

2.1 材料光谱

光谱数据库是通过采集地物样本，在实验室非常严格的条件下量测地物光谱，通常称之为材料光谱。所建立的光谱库包括：光谱数据、观测样本名称、检测的环境参数、部分样本的化验数据。由于这些光谱信息的采集是在严格实验条件下完成的，与野外自然条件下所采集的光谱存在一定的差异，特别与航空航天平台所采集的地物光谱有很大的差异，所以材料光谱对于了解野外观测目标的真实状况、对于理解野外光谱曲线产生的原因，无法提供有力的支持。对于定量遥感中所需要的建模与反演，仅仅依靠材料光谱数据，所建立的模型用于实际地物解译存在着较大的误差，所反演的参数也需要进行较大的调整。

材料光谱在实际操作中也可以在野外条件下测量样本，材料光谱一般指植被的某种组织，如叶片光谱，茎光谱。所测量的仪测可以是光谱仪、积分球装置。材料光谱通常用于光谱库的建设，也可以作为几何光学模型或冠层辐射传输模型的输入参数，生成模拟的冠层光谱。

在植被的材料光谱中，叶片的光谱可以用辐射传输模型进行模拟生成。代表性的叶片模型主要包括平板模型、针叶模型 、光线跟踪模型、随机模型和混沌介质模型。平板模型代表以PROSPECT模型为主，该模型最初是针对阔叶冠层的。针叶模型代表以LIBERTY模型为主，该模型描述针叶的光谱特性。PROSPECT模型是1990年Jacquemoud和Baret在平板模型的基础上构建的，模型的研究范围在可见光到中红外波段之间，构建了叶片的微观结构参数及生化参数与叶片的反射率和透射率之间的关系。柳钦火构建的EPROSPECT模型考虑到叶片正反两面光学特性不对称性，计算结果得到叶片正反两面的反射率和透射率。黄敬峰利用PROSPECT模型模拟1999年水稻不同生育期及2000年同一生育期不同氮素水平的水稻叶片反射率[7-9]。

2.2 端元光谱

端元光谱指在野外测量得到的相对均一目标的光谱，如植被冠层光谱。除了实测外，端元光谱可利用基于描述地物目标二向性反射和目标特征参数之间关系的模型来模拟生成。上世纪70年代，学者将经典的数学物理理论与遥感实践相结合，发展二向性反射物理模型。该模型具有明确的物理意义，主要包括：辐射传输模型、几何光学模型、混合模型[7]。1984年Verhoef所提出的SAIL模型是适用于农田作物冠层，其作为辐射传输模型的代表模型。Kuusk在SAIL模型的基础上，考虑了热点效应和冠层中的多次散身现象发展得到SAILH模型，是农作物冠层模拟中比较常用的模型之一。柳钦火在考虑了叶片正反两面反射率和透射率的差异性，将SAILH模型改进生成SAILE模型。几何光学模型将植被简化为立方体、圆锥、椭球或圆柱等离散的几何实体，GOMS模型和Jump模型是典型的几何光学模型。学者借用几何光学模型通过TM和SPOT影像对树木尺寸与密度制图，可以用于木材估算和其他资源管理。1995年Li等提出GO-RT混合模型，将几何光学模型和辐射传输模型结合起来，使得模拟的结果更接近真实结果[7]。典型的混合模型包括Norman等的BIGAR模型及Kimes等的3DRT模型，它们适用于具有任意给定曲面形状、任意分布的植被[9]。几何光学模型和混合模型近年来用于确定森林类型和估算生物物理参数，从TM影像中检测森林结构变化，确定森林冠层的孔隙率，以及利用多角度观测估算草原木本植物的覆盖度和背景反射率[9]。2012年陈瀚阅基于4-scale模型反演高空间分辨率人工林冠层LAI，模型反演结果与实测LAI一致性良好[10]。

对于遥感影像而言，端元指像元或亚像元级基本纯像元，常用的端元提取算法有：纯像元指数法PPI、N-FINDR算法、迭代误差分析IEA、顶点成分分析VCA、最大距离法、单形体体积法。端元光谱作为中间尺度的光谱，可以做为模型输入用于计算植被LAI、NDVI和冠层含氮量等植被生物学指标，也可用于检测几何光学模型或冠层辐射传输模型的有效性及误差检测，在遥感影像中，地物的异质性影响端元光谱提取，对混合像元的解混精度影响较大。

2.3 像元光谱

像元光谱通常是指航空航天平台获取的遥感影像，以遥感像元尺度为观测目标的光谱，当地物均质时，端元光谱和像元光谱的存在着交叉，一般情况下，由于地表存在着异质性，像元光谱通常是包含多种端元的混合光谱。由于遥感影像是遥感各应用领域主要的数据源，像元光谱通常用于各种景观生态、城市亮温、地物分类及监测研究，在这些领域提出了基于像元空间分辨率的尺度问题，在景观学中尺度上推是通过降低小尺度影像的高空间分辨率，模拟大尺度低空间分辨率影像，尺度上推则意味着对客观的认识更为全面，趋向宏观。尺度下推即数据融合，将大尺度、低空间分辨率影像转换为小尺度高空间分辨率的影像的过程，尺度下推意味着对客观的认识更为详细，趋向微观[11]。这些基于不同像元空间分辨率的多尺度光谱，都是属于像元光谱范畴。研究表明当地物均质时，利用多尺度像元光谱所计算得植被LAI与NDVI值差异性较小，反之地表异质性越大，不同尺度像元光谱计算植被LAI与NDVI值差异性较大[12]。2012年麻庆苗探讨高分辨率遥感影像混合像元由于植被覆盖度、端元聚集指数和叶倾角分布所引起的尺度差异[13]。

3 植被光谱尺度转换

在尺度转换理论指导下，这3个尺度光谱也可以通过模型进行尺度数据转换，构造出多尺度光谱数据模型，解决地物光谱数据与遥感影像信息相对应的问题，提供不同尺度光谱信息也符合各领域对遥感应用的要求。以植被光谱，尤其以农作物为例，就目前植被多尺度光谱数据转换模型进行归纳总结[4-5]。

3.1 材料光谱与端元光谱

在不同的遥感观测尺度下所量测到同一地物的光谱存在着差异，例如植被叶片与植被冠层光谱间存在着差异性，如果将植被叶片光谱当成材料光谱，植被冠层光谱当成端元光谱，那么两者之间存在着什么联系？经过研究，可以用植被光学遥感领域的几何光学模型和辐射传输模型来描述两者之间的关系。1993年Jacquemoud首先从理论上评估了使用AVIRIS数据用PROSPECT叶片模型耦合SAIL模型联合反演冠层的生化理化特性的可行性。1995年Jacquemoud等以TM和AVIRIS数据为例，从应用的角度研究了将PROSPECT+SAIL模型联合用于反演甜菜冠层的生化理化参数[7]。2008年万华伟以冬小麦为例，采用积分球装置测得的冬小麦叶片光谱作为材料光谱，将所得到的材料光谱作为参数输入耦合冠层SALH模型，计算得到模拟的冠层光谱[14]。黄敬峰利用椭圆模型、PROSPECT模型和FCR模型，建立冠层二向反射率模拟模型[8]。柳钦火将EPROSPECT模型和SAILE模型耦合，改进的模型对叶片内叶绿素和水分的垂直不均匀分布进行了定量描述[7]。2012年闫彬彦将叶片作为计算四分量的出发点，将行播作物视为叶片在冠层尺度上群聚的结果，建立行播作物的一体化BRDF模型[15]。

3.2 端元光谱与像元光谱

端元光谱作为中间尺度的光谱主要有两种来源，一种来源是将野外测量得到的相对均一目标的光谱作为端元光谱，另一种来源是将遥感影像上提取像元或亚像元级基本纯像元作为端元光谱，这两种不同来源决定了尺度推演的两种不同方向。采用解析模型和计算机模拟模型，将野外测量得到的相对均一目标的端元光谱向上尺度转化到航空、航天遥感尺度上的像元光谱数据。2010年张婷利用光谱仪实测裸土、植被两种地物端元光谱，通过传感器光谱响应函数将所测的实测端元光谱拟合生成AVNIR-2影像中植被和土壤的纯像元光谱，通过计算实测端元光谱与拟合纯像元光谱的红边参数，证明两种光谱相似性较好。在AVNIR-2影像上通过端元提取方法选择这两种地物真实纯像元光谱，并在对应点进行实测端元数据采集，利用传感器光谱响应函数计算出拟合纯像元光谱，计算证明了真实纯像元光谱与拟合纯像元光谱相似性较好。通过实验证明可以通过传感器光谱响应函数将实测端元光谱向上尺度转换成像元光谱。如果能在地理空间数据库和光谱数据库的支持下，获得实际地物分布状况及地形地貌因素，再根据遥感影像的成像条件，如大气条件、太阳位置和观测方向，就可生成模拟的遥感影像，合成混合像元光谱[19]。2010年朱长明采用光谱角匹配模型(SAM)，在地物光谱中查找与对应地物最为相似的红、绿、近红外、短波红外地物光谱，最后对积分计算出该条地物光谱曲线，算出该像素点的反射率[20]。2010年程熙以地物光谱库作为先验知识，通过支持向量机拟合地物在不同观测波段范围内反射率之间的复杂非线性关系，通过模拟TM红波段影像来验证方法的可行性[21]。2012年张飞通过TM传感器光谱响应函数，实现实测端元光谱拟合成多光谱离散光谱，拟合的多光谱与TM像元光谱具有很好的相关性[22]。

从遥感影像中提取端元光谱可以认为是端元提取及像元解混的问题，是从像元光谱向下尺度转化到端元光谱。以混合光谱的物理学描述、代数学描述、几何学描述为理论出发点，采用端元提取技术提取端元光谱，通过线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型模型分解混合像元，这可以看成像元光谱向下尺度转化到端元光谱。端元提取与光谱分解是高光谱研究中的一个热点问题，2008年万华伟以冬小麦为例，利用ENVI软件在MODIS影像中找较纯的冬小麦像元作为端元光谱，进行线性混合解混分解像元，利用线性混合解混模型来描述端元光谱与像元光谱的关系。2011年赵莲提出基于格网的变端元线性混合像元分解(Dynamic Endmember LSU，DELSU)方法，得到了TM影像上冬小麦种植面积[23]。2012年乔程通过计算ETM图像像元纯净度指数获取影像本身的端元，以光谱角和距离为参数计算像元与端元光谱的匹配度[24]。2012年廖春华通过纯净像元指数和端元平均均方根误差相结合的方法提取端元光谱，基于多端元混合像元分解模型反演植被覆盖度[25]。

3.3 多尺度像元光谱

在对同一地区获取遥感影像时，由于传感器成像的空间分辨率不同，研究的地物存在着复杂性、异质性，这些因素造成同一地区像元光谱表达存在着较大差异。研究表明，对遥感影像用影像处理的综合，以简单的模型产生的混合像元在进一步解释植被的理化性状存在着较大的偏差，例如将1000米像元分辨率的AVHRR数据光谱响应聚合为20000米像元分辨率，用于全球植被指数反演，结果显示产生严重的偏差。对这一问题的解决方法是，通过比较像元重采样光谱与对应分辨率遥感影像光谱，以及作物生长模型或植被统计模型推测的像元LAI等理化学参数与对应分辨率遥感影像直接反演的生物学参数，发现两种光谱和两种理化参数之间存在着一定的差异。依据比较结果调整作物生长模型和植被统计模型的参数，使之在符合地面现状的基础上运行，并给出参数的精度和可行度评价[26-27]。

在遥感中为了数据同化的需要，以方便遥感服务各应用领域，需要进行像元空间分辨率重采样，这直接造成了像元光谱内部尺度转换，可以将重采样方法当成像元光谱内尺度转换的实现方法。2009年吴骅介绍了两种普适性的尺度转换模型，普适性思想的出发点是从广泛意义上进行数学探讨，采用逼近的思想进行误差处理。即泰勒级数展开模型和计算几何模型，并对这两个模型的适用性进行了分析[28]。金字塔重采样技术是遥感影像多尺度数据生成的经典算法，2010年朱小华对Hyperion数据进行线性聚合生成多尺度遥感影像[29]。滤波法重采样技术是通过影像滤波处理，压缩高频信息，尽可能保留低频信息，达到降低影像空间分辨率，重采样影像的目的。2007年李军采用Dau-bechies小波系列的db4作为母函数，对两个经典的高光谱数据AVIRIS数据和HYDICE数据进行多尺度小波分解[33]。遥感影像尺度向上转换可以理解为将高空间分辨影像重采样生成低空间分辨率影像。遥感影像中包括高频信息和低频信息，理想的影像尺度转换应把内在的高频和低频信息保留到低分辨率影像上。上面介绍的3种向上尺度综合技术是压缩影像高频信息，尽可能保留影像低频信息，结果造成重采样后影像像元趋于产生更同质。

图1 光谱来源、尺度转换与应用

3 结束语

植被是遥感研究中的重要对象，本文从植被研究的尺度方向对现有的植被研究进行归纳，重点讲明3种尺度的植被光谱来源及尺度间的转换方法。通过研究发现：

(1)光谱库的建立由原先实验量测转变成多平台光谱量测。学者在研究中不仅利用光谱库，而且根据研究需要进行相应的地面光谱量测，或从遥感图像上提取研究对象的端元光谱。将光谱与图像信息相合，提高遥感的解译水平。

(2)植被光谱及尺度间转换模型的建模条件，由原先假定的理想条件向现实的多样性转变。例如在对农作物冠层模拟，原先SAIL模型，考虑了热点效应和冠层中的多次散身现象发展得到SAILH模型，考虑叶片正反两面反射率和透射率的差异性，将SAILH模型改进生成SAILE模型。

(3)遥感尺度应用的领域广泛，利用遥感进行尺度性探讨主要有：多尺度景观、植被多样性、植被LAI与NDVI、城市热岛、水文尺度、地质地貌尺度等研究领域，越来越多的应用领域借用遥感的多尺度数据进行研究。

目前在对光谱数据的应用中对光谱尺度适宜性研究较少，尤其在高光谱数据中存在着大量地物光谱信息，可以进一步研究地物光谱特征，选择合适的光谱尺度来表达地物的特征，减少光谱数据冗余，提高光谱识别的效率。以植被为例，由于植被多样性及生长特殊性，植被光谱数据库的应用存在着一定的困难。应进一步研究植被光谱尺度的适宜性，建立合理的植被特征参数，建立合适的植被光谱尺度转换模型及理化参数反演模型，提高植被识别与反演精度。

参考文献：

[1] 苏理宏，李小文，王锦地，等.典型地物光谱知识库建库与光谱服务的若干问题[J].地球科学进展，2003，18(2)：185-191.

[2] 童庆禧，田国良.中国典型地物光谱及其特征分析[M].北京：科学出版社，1990.

[3] 苏理宏，李小文，梁顺林，等.典型地物光谱库的数据体系与光谱模拟[J].地球信息科学，2002，12(4)：7-15.

[4] 杨国鹏，余旭初，冯伍法，等.高光谱遥感技术的发展与应用现状[J].测绘通报，2008，10：1-4.

[5] 李小文，王锦地.植被光学遥感模型与植被参数结构化[M].北京：科学出版社，1995.

[6] 王锦地，张戈，肖月庭，等.基于地物光谱库构造农作物生长参数的时空分布先验知识[J].北京师范大学学报(自然科学版)，2007，43(3)：284-291.

[7] 柳钦火，辛晓洲，唐娉，等.定量遥感模型、应用及不确定性研究[M].北京：科学出版社，2010.

[8] 黄敬峰，王福民，王秀珍.水稻高光谱遥感实验研究[M].浙江：浙江大学出版社，2010.

[9] 梁顺林.定量遥感[M].北京：科学出版社，2009.

[10] 陈瀚阅，黄文江，牛铮，等.基于几何光学模型的人工林叶面积指数遥感反演[J].地球信息科学学报，2012，14(3)：358-365.

[11] 张娜.生态学中的尺度问题：内涵与分析方法[J].生态学报，2006，26(7)：2340-2355.

[12] 张万昌，钟山，胡少英.黑河流域叶面积指数(LAI)空间尺度转换[J].生态学报，2008，28(6)：2495-2503.

[13] 麻庆苗，李静，刘强，等.混合像元聚集指数研究及尺度分析[J].遥感学报，2012，16(5)：895-908.

[14] 万华伟，王锦地，屈永华，等.植被光谱空间尺度效应及尺度转换方法初步研究[J].遥感学报，2008，12(4)：538-545.

[15] 闫彬彦，徐希孺，范闻捷.行播作物二向性反射(BRDF)的一体化模型[J].中国科学：地球科学，2012，42(3)：411-423.

[16] LEPRIEUR C，MASTORCHIO S，MEUNIER J C，et al.Monitoring vegetation cover across semi arid regions：comparison of remote observations from various scales[J].International Journal of Remote Sensing，2000，21(2)：281-300.

[17] Asner G P，WESSMAN C A.Scaling PAR Absorption from the Leaf to Landscape Level in Spatially Heterogeneous Ecosystems[J].Ecological Modelling，1997(103)：81-97.

[18] ICHOKU C，KARNIELIA.A review of mixture modeling techniques for sub2 pixel land cover estimation[J].Remote Sensing Reviews，1996，13：161-186.

[19] 张婷，丁建丽，王飞.基于实测端元光谱的多光谱图像光谱模拟研究[J].光谱学与光谱分析，2010，30(11)：2889-2893.

[20] 朱长明，骆剑承，沈占锋，等.地物光谱数据辅助的SPOT影像模拟真彩色方法研究[J].测绘学报，2010，39(2)：169-174.

[21] 程熙，沈占锋，骆剑承，等.利用地物光谱学习的遥感影像波段模拟方法[J].红外与毫米波学报，2010，29(1)：45-62.

[22] 张飞，塔西甫拉提·特依拜，丁建丽，等.实测端元光谱和多光谱图像之间的模拟与细分[J].光电工程，2012，39(6)：62-70.

[23] 赵莲，张锦水，胡潭高，等.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，2011，88(1)：66-72.

[24] 乔程，骆剑承，沈占锋，等.端元匹配的遥感影像地物自适应光谱表征[J].红外与毫米波学报，2012，31(5)：449-454.

[25] 廖春华，张显峰，刘羽.基于多端元光谱分解的干旱区植被覆盖度遥感反演[J].应用生态学报，2012，23(12)：3243-3249.

[26] RAFFY A M.Change of scale in models of remote sensing：A generalmethod for spatialization of models[J].Remote Sensing of Environment，1992(40)：101-112.

[27] ZHANG R H，SUM X M，SU H B，et al.Remote sensing and scale transferring of levity parameters on earth surface[J].Remote Sensing for Land and Resources，1999，(3)：51-59.

[28] 吴骅，姜小光，习晓环，等.两种普适性尺度转换方法比较与分析研究[J].遥感学报，2009，13(2)：183-189.

[29] 朱小华，冯晓明，赵英时，等.作物LAI的遥感尺度效应与误差分析[J].遥感学报，2010，14(3)：586-592.

[30] FENG X M，ZHAO Y S.A spectral-directional reflectance remote sensing model of the semiarid landscape[J].Journal of Remote Sensing，2005，9(4)：337-342.

[31] TIAN Y H，WOODCOCK C E，WANG Y J.Multi-scale analysis and validation of the MODIS LAI product uncertainty assessment[J].Remote Sensing of Environment，2002(83)：414-430.

[32] YAO Y J，LIU Q，Liu Q H，et al.LAI inversion uncertainties in heterogeneous surface[J].Journal of Remote Sensing，2007，11(6)：763-770.

[33] 李军，李培军，郭建聪.基于离散小波变换的高光谱特征提取中分解尺度的确定方法[J].自然科学进展，2007，17(11)：1500-1508.

[34] NUNEZ J，OTAZY X，MERINO M T.A multiresolution-based method for the determination of the relative resolution between images：First application to remote sensing and medical images[J].International Journal of Imageing Systems and Technology，2005，15(5)：225-235.