任广波，张杰，马毅

(1.国家海洋局 第一海洋研究所 海洋物理与遥感研究室，山东 青岛 266061)

基于HJ-1A高光谱的黄河口碱蓬和柽柳盖度反演模型研究

任广波1，张杰1，马毅1

(1.国家海洋局 第一海洋研究所 海洋物理与遥感研究室，山东 青岛 266061)

碱蓬和柽柳是黄河口湿地典型的盐生植物类型，是多种保护珍禽的主要栖息地，具有景观尺度较小、分布广且多混生的特点。应用覆盖黄河口北部潮滩的HJ-1A高光谱遥感影像，基于现场测量的端元光谱和从遥感影像中使用顺序最大角凸锥法(SAMCC)自动提取的端元光谱，应用线性光谱分解法(LSU)、正交子空间投影法(OSP)、匹配滤波法(MF)、最小能量约束法(CEM)和自适应一致估计法(ACE)5种不同光谱解混方法进行混合像元光谱解混，对比两种方法得到的端元光谱分别对碱蓬和柽柳盖度的反演能力，并给出相应的反演模型。结果显示: (1)现场测量端元光谱取得了较好的碱蓬和柽柳盖度反演结果，其中应用LSU方法的光谱解混结果与现场测量盖度的决定系数对于碱蓬和柽柳分别达到了0.88和0.95；(2)两种端元获取方式的光谱解混结果中，LSU和OSP方法均获得了较高的相关性，ACE解混方法的相关性都最低；(3)SAMCC方法提取端元光谱对柽柳的分解结果与现场测量盖度的相关性远高于碱蓬。

HJ-1A高光谱；黄河口湿地；碱蓬；柽柳；植被盖度

1 引言

碱蓬和柽柳是黄河口湿地最主要的盐生植物群落，是黑嘴鸥等多种珍禽的主要栖息地，同时还具有固岸促淤的功能。监测并获取碱蓬和柽柳的盖度分布信息对了解其分布规律和生态状况具有重要的意义。植被盖度是指植被冠层垂直投影在单位面积中所占的比重，一般情况下是一个统计值。通过遥感技术配合少量的现场观测是准确、高效监测大范围植被盖度的重要、有效、快捷手段。在黄河口湿地生长的碱蓬和柽柳植株对生长环境的要求相似，且群落景观尺度都较小，故而多混生，容易在遥感影像中形成混合像元。这是基于遥感技术进行碱蓬和柽柳监测的难点。

植被盖度遥感监测，目前已有的工作主要集中在通过植被指数、经验模型、神经网络和光谱分解等方法进行盖度反演的研究方面。其中经验模型[1]和神经网络法[2]的本质是通过数据统计和建立数学模型的方式实现对植被盖度的计算；植被指数方法[3]间接利用了植物的叶绿素含量信息，但由于不同植物叶绿素含量冠层盖度之间并无严格对应关系，所以易产生无法估计的误差；线性光谱分解[4]利用了端元光谱在混合像元光谱中所占的比重来估算不同植被盖度，具有较明确的物理意义，易于方法的推广和误差的分析。

对于碱蓬和柽柳，在包括黄河口湿地在内的研究区内，已有研究者开展了大量的基于遥感技术的相关研究工作，主要集中在对碱蓬和柽柳的生物量估算和分类研究方面，包括利用光谱信息的生物量估算[5—6]、基于现场高光谱曲线[7]、航空高光谱影像[8—9]和多光谱图像[10—12]的特征提取和分类等。而未检索到应用遥感技术对碱蓬和柽柳盖度信息进行提取的研究工作。

本文拟利用覆盖黄河口湿地的HJ-1A高光谱遥感影像数据，结合同步测量的碱蓬和柽柳端元光谱数据和盖度数据，通过LSU、OSP、MF、CEM和ACE 5种不同光谱解混方法进行混合像元光谱解混，对比和评估现场测量端元光谱和应用SAMCC方法从图像中提取的端元光谱分别对柽柳和碱蓬盖度的反演能力，并给出相应的反演模型。

2 研究区域和数据

2.1 研究区域

研究区域位于黄河现行入海口北岸的潮滩上(图1)，东西长约10 km，南北宽约6 km，潮滩广阔而平坦，大部分区域坡度不足千分之一。该区域常受潮水影响且底质盐度较高，适合于耐盐碱的碱蓬和柽柳植物群落生长。

图1 研究区域位置示意图Fig.1 The location of the study areaa.研究区在中国的位置，b.研究区范围，c.研究区HJ-1A高光谱遥感影像a.Location of study area，b. study area，c. the HJ-1A hyperspectral remote sensing image of study area

2.2 数据和预处理

2.2.1 遥感影像数据

HJ-1A卫星上的超光谱成像仪(Hyperspectral Imaging Radiometer，HSI)载荷是利用干涉方式成像的星载高光谱传感器，具有光谱稳定性好、线性度高的特点[13]，拥有115个波段，波段范围为0.45～0.95 μm，光谱波段宽度从2.08 nm到8.92 nm不等，地面像元空间分辨率为100 m。目前针对该数据的研究工作多集中在数据处理[13—14]和特征选择[15]等方面，较少有利用来开展植被盖度特别是海岸带植被盖度反演的研究。

本文所用的HJ-1A高光谱遥感影像数据为2013年9月1日成像，图像清晰无云。从图像中观察影像拍摄时刻潮水未淹没潮滩，利于对潮滩植被的监测。

2.2.2 遥感影像预处理

(1)几何校正

应用2012年7月15日获取的Landsat 8 OLI遥感影像大气校正后影像进行几何校正。虽与高光谱遥感影像成像时间相差约1年，但两景图像所共同覆盖的区域并未发生明显的变化，易于选择同名像控点开展图像几何校正。校正后影像的定位中误差小于0.3个像元。

(2) 大气校正

目前遥感影像大气校正主要有基于图像统计模型、基于地面线性回归经验模型和基于大气辐射理论模型3类[16]，其中基于大气辐射理论模型的校正结果最为准确。当前在遥感影像大气校正中应用较多的有MODTRAN和6S两种大气校正模型。根据王彦飞等[17]的研究成果，认为对于HJ-1A高光谱遥感影像，MODTRAN大气校正模型校正后的像元光谱更接近实测光谱。故本研究选择应用使用MODTRAN大气校正模型的FLAASH软件模块对HJ-1A高光谱影像开展大气校正。

(3) 波段选择

高光谱遥感影像因单波段成像能量不足而导致信噪比提高困难[18]，地物光谱特征在噪声的影响下容易失真。HJ-1A高光谱数据因波段宽度较窄，相比传统的高光谱影像，单波段所获取的能量更少，因此对图像的信噪比造成了很大的影响。图2是应用均匀区域图像噪声评估法[18]获得的HJ-1A高光谱遥感影像的各波段噪声水平，呈现出两端低中间高的特点。最高的信噪比出现在第79波段(711 nm)，但也仅约33，相比EO-1 Hyperion大于50的信噪比水平是非常低的。信噪比是衡量遥感器性能的重要指标之一，对于遥感数据的应用也具有重要的意义[19—20]。本研究以信噪比20为阈值，去除噪声较大的波段，将剩余的波段参与碱蓬和柽柳植物盖度信息的反演。

根据以上原则，本文中选择第22波段到第108波段开展研究。

2.2.3 现场数据

于2013年9月下旬开展了研究区的现场踏勘工作，实地测量了研究区碱蓬和柽柳的地物光谱数据和植被盖度数据。在现场光谱测量中应用的是ASD便携式光谱仪，实地获取了碱蓬、柽柳和潮滩3种主要地物类型的光谱曲线。光谱范围为380～1 080 nm，光谱分辨率为1 nm。植被盖度数据样本点位于碱蓬和柽柳大片分布且均匀分布的区域，采用多人估测平均和照片估测综合修正的方式获取植被盖度。对于两种植被的混合区域则针对每种植被分别估测。

图2 HJ-1A高光谱影像的各波段信噪比Fig.2 The SN ratio of HJ-1A hyperspectral remote sensing image in every band

3 端元提取与光谱分解方法

由于受到遥感器的空间分辨率限制，以及自然地物的复杂性和多样性影响，混合像元普遍存在于遥感图像中[21—22]。童庆禧等[16]指出，遥感影像像元的混合光谱有3个主要形成原因：(1)单个像元内包含的多种地物光谱的混合效应；(2)大气传输过程中的混合效应；(3)遥感仪器本身的混合效应。其中，仪器的混合效应不属于图像应用处理范畴，而大气的混合效应可以用考虑大气临界效应的MODTRAN大气校正模型实现。

遥感影像像元的光谱混合分为线性和非线性两种，其中，线性混合模型适用于本质上就属于或者基本属于线性混合模型的地物，以及在大尺度上可以认为是线性混合的像元内地物[18]。对于HJ-1A高光谱图像的100 m空间分辨率，以及根据现场踏勘结果影像所覆盖区域的主要地物类型为碱蓬、柽柳和潮滩，故可以认为图像像元光谱是由上述3种地物的端元光谱线性混合而成的。

3.1 端元提取

一般情况下，端元获取有两种方法，其一，应用真实光谱，即通现场测量的地物光谱，或者根据影像特征从光谱库中选择得到的光谱；其二，应用端元提取方法从影像中统计获得。在遥感图像中，严格意义上的端元只在理想状态下存在，故遥感影像像元光谱解混中所使用的端元只能是通过各种方法获取的“近似端元”来替代[18]。本研究中，拟对比现场实测端元光谱和从图像提取端元光谱在HJ-1A高光谱影像碱蓬和柽柳盖度反演中的效果。

(1)现场测量端元光谱

根据HJ-1A高光谱数据提供的各波段中心波长和波段宽度信息，对实测的更高分辨率现场光谱进行光谱积分重建，同时针对高光谱图像根据信噪比的波段选择结果对生成的光谱波段进行选择。

(2)图像提取端元光谱

图像端元光谱提取方法中，以纯净像元指数法(PPI)[23]、内部最大体积法(N-FINDER)[24]、单型体投影法(SPM)[25]和顺序最大角凸锥法(SAMCC)[26]等应用的最多。本研究采用SAMCC法提取端元，该方法的优点是可无监督的提取任意数量的端元[26]，自动化程度更高、运算速度更快。提取过程中端元的数量设置为3，分别为碱蓬、柽柳和潮滩。

3.2 光谱解混方法

遥感影像中混合像元的分解问题，本质是混合电子信号的分解问题，研究者们提出了大量的线性和非线性的光谱解混算法，对于线性解混算法，以线性光谱分解法(Liner Spectral Unmixing，LSU)[27]、匹配滤波法(Matched Filtering，MF)[23]、最小能量约束法(Constrained Energy Minimization，CEM)[28]、自适应一致估计法(Adaptive Coherence Estimator，ACE)[29]和正交子空间投影法(Orthogonal Subspace Projection，OSP)[30—31]在遥感影像的像元光谱解混中应用的最多。本文拟应用上述5种光谱解混方法，开展基于现场测量和图像自动提取端元光谱的HJ-1A高光谱黄河口碱蓬和柽柳的光谱解混。

4 结果与分析

4.1 SAMCC端元光谱提取

采用统计的方法，通过单型体理论计算获得的图像中地物端元光谱，优点是不需要人为干预，自动化程度高，而缺点是所获得的光谱不具备明确的物理意义。图3是碱蓬、柽柳和潮滩3种地物类型的现场光谱和SAMCC提取光谱的对比。现场测量光谱和图像提取光谱之间差别较大，算法提取端元光谱反射率值都较大，且因图像信噪比较低造成光谱相比于现场测量光谱并不平滑，同时在758 nm和770 nm附近出现了明显的波动。分别利用现场端元光谱和图像提取端元光谱对高光谱遥感影像进行LSU线性光谱解混，通过分析图1中所示研究区AB断面的光谱解混结果，得到AB断面像元3种地物类型的丰度分布图(见图4)，经过对比分析并结合现场踏勘数据，综合判断出图3中所获得的图像提取端元光谱曲线的类型归属。

对比分析图3中通过不同方式获取的端元光谱，对于柽柳和碱蓬，两种光谱之间具有近似一致的波形，但在可见光波段的光谱反射率值相差近1倍，而在近红外波段则较为一致；对于潮滩，二者之间差别相对较小。分析产生这种差别的原因，因SMACC算法提取的端元光谱并非真正意义上的纯净像元光谱，而真正意义上的纯净光谱在覆盖研究区域的HJ-1A高光谱影像中是不存在的，表现在图3中的提取光谱实际上仍是混合光谱。

图3 碱蓬、柽柳和潮滩现场测量光谱与SAMCC提取光谱Fig.3 The field work end-member spectrum and the SAMCC extracted end-member spectrum

图4 LSU现场光谱(a)和SAMCC提取光谱(b)分解结果Fig.4 The spectral un-mixing results of field work end-members (a) and the SAMCC extracted end-members (b)

4.2 盖度反演模型

以LSU为例，对于图1中的AB断面湿地盖度反演结果如图4所示。对于3种湿地类型，应用现场端元光谱和图像提取端元光谱的分解结果虽值的大小不同，但具有相似的丰度分布曲线形状，对柽柳SAMCC检测到了更多的柽柳信息，对于碱蓬二者在反演值上处于同一量级，且曲线起伏位置基本一致，但在不同的区域大小不一。根据现场踏勘数据，图4a中分解得到的柽柳在断面像元中所占的比例更符合实际，相应的，得到了表1中柽柳LSU光谱解混结果与盖度现场观测值之间0.95的高决定系数。

表1为5种不同光谱解混方法得到端元光谱的盖度反演模型。通过对反演模型的分析发现，基于现场测量端元光谱的反演结果好于SAMCC提取端元光谱的结果，表现为决定系数R2大于0.6的分别为5个和3个，基于现场光谱的反演结果中，最大的决定系数达到了0.96；同时，除碱蓬的CEM光谱解混法外，图像端元自动提取的反演结果都比应用实测地物端元的反演结果差。这种差别是SAMCC端元提取法本身的局限性导致的。SAMCC方法在从图像中计算提取端元时，根据人们对端元数量的设定，自动的从图像像元中逐一判断提取，但提取出的端元像元并不一定是图像中的纯像元，特别是对于覆盖本文研究区域的遥感影像，较低的空间分辨率决定了SAMCC方法提取的端元像元并不纯净。但如果图像中确实存在纯净像元，自动化程度高的SAMCC方法不失为一种有效的选择。

LSU和OSP光谱解混方法在应用两种端元光谱的植被盖度反演中均取得了最好的结果，可见两种方法对于HJ-1A高光谱遥感影像碱蓬和柽柳的盖度反演是适合的。以应用现场光谱的LSU光谱分解结果为例，图5给出了碱蓬和柽柳的光谱分解结果与现场实测盖度之间的相关性散点图，二者之间具有较好的一致相关性。ACE光谱解混方法对两种光谱均出现了最低的相关性，最低的决定系数为0.001。另外，对于MF和CEM解混方法，在应用两种方式获取端元光谱的盖度反演中均取得了较好的效果，但仅限于柽柳。

表1 两种端元获取方法的端元光谱在5种线性分解方法下的反演值与现场丰度观测值之间的相关性分析Tab.1 The correlation analysis results of 5 spectral un-mixing algorithms with 2 kinds of end-members

图5 应用现场测量端元光谱的LSU光谱分解结果和现场测量植被盖度相关性散点图Fig.5 The corralation scatter plots of the vegetation fractional cover field measurements and the field spectral measurements based LSU spectral un-mixing results

相比于碱蓬，应用SAMCC自动提取的端元的柽柳盖度反演结果从决定系数上观察并未在反演效果上显著降低。分析其原因，观测图3中两种不同方法得到的端元，发现柽柳的端元光谱差别相对于碱蓬较小，且在近红外波段范围两种方法的端元光谱较为一致。

5 讨论

HJ-1A高光谱遥感影像是目前光谱分辨率最高的星载高光谱传感器，较高的光谱分辨率提高了其对细微光谱特征的分辨能力，但却限制了其空间分辨率。较低的空间分辨率势必造成单个像元中地物光谱的混合，这是一般星载高光谱遥感数据的特点。但较严重的混合像元效应降低了在影像研究区域获取到纯净像元的几率，进而影响到基于SAMCC方法提取端元的纯度。如本文研究区域中碱蓬和柽柳的分布稀疏，在100 m×100 m的空间中多是与植被裸滩的混合，导致了本文基于图像提取的端元进行植被盖度反演的效果较差。

本文所选择的5种线性光谱分解方法，严格来说主要是从数学分析的角度对像元光谱中的不同端元光谱组分的比率进行求解，并不能直接对应物理上的各端元所占像元面积的比率。故各种光谱分解方法得到的结果不能作为端元丰度的绝对量值，本文采用将之作为中间量值的方法，建立光谱解混丰度结果和实测盖度之间的线性回归模型，通过比较决定系数的大小来评价其对丰度表达的准确性。

6 结论

应用现场测量的碱蓬和柽柳的端元光谱和通过SAMCC方法计算机自动提取的端元光谱，利用5种遥感影像像元光谱线性分解方法，结合现场实测植被盖度数据，开展了HJ-1A高光谱影像黄河口湿地碱蓬和柽柳的盖度反演模型研究，得到如下主要结论：总体上，基于现场端元光谱的盖度反演结果要优于SAMCC方法提取端元的结果；对于两类不同来源的端元光谱，LSU和OSP线性光谱解混方法均得到了较好的盖度反演结果，且二者的表现相近；对于柽柳，来自两种不同方法获取的端元光谱在除ACE外的4种线性光谱解混方法中都取得了优于碱蓬的盖度反演；开展基于HJ-1A高光谱遥感影像的黄河口植被盖度反演，对于碱蓬其端元光谱应选择实测光谱，光谱解混方法首选LSU，对于柽柳其端元光谱可来自实测或图像提取，光谱分解方法首选LSU和OSP。

[1] Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002，80(1): 76-87．

[2] Boyd D S，Foody G M，Ripple W J. Evaluation of approaches for forest covers estimation in the Pacific North west USA，using remote sensing[J]. Applied Geography，2002，22 (4): 375-392．

[3] Choudhury B J，Ahmed N U，Idso S B，et al. Relations between evaporation coefficients and vegetation indices studied by model simulations[J]. Remote Sensing of Environment，1994，50(1): 12-17．

[4] Gutman G，Ignalov A. The derivation of the green vegetation fraction from NOAA /AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing，1998，19(8): 1533-1543．

[5] 任广波，张杰，汪伟奇，等. 基于HJ-1高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究[J]. 海洋学研究，2014，32(4): 8-15．

Ren Guangbo，Zhang Jie，Wang Weiqi，et al. Reeds and suaeda biomass estimation model based on HJ-1 hyperspectral image in the Yellow River Estuary[J]. Journal of Marine Sciences，2014，32(4):8-15．

[6] 傅新，刘高焕，黄翀，等. 湿地翅碱蓬生物量遥感估算模型[J]. 生态学报， 2012，32(17): 5355-5362．

Fu Xin，Liu Gaohuan，Huang Chong，et al. Remote sensing estimation models of suaeda biomass in the coastal wetland[J]. Acta Ecologica Sinica，2012，32(17): 5355-5362．

[7] Schmidt K S，Skidmore A K. Spectral discrimination of vegetation types in a coastal wetland[J]. Remote Sensing of Environment，2003，85(1): 92-108．

[8] Silvestri S，Marani M，Marani A. Hyperspectral remote sensing of salt marsh vegetation，morphology and soil topography[J]. Physics and Chemistry of the Earth，Parts A/B/C，2003，28(1/3): 15-25．

[9] Hamada Y，Stow D A，Coulter L L，et al. Detecting tamarisk species in riparian habitats of southern California using high spatial resolution hyperspectral imagery[J]. Remote Sensing of Environment，2007，109(2): 237-248．

[10] Thomson A G，Fuller R M，Yates M G，et al. The use of airborne remote sensing for extensive mapping of intertidal sediments and saltmarshes in eastern England[J]. International Journal of Remote Sensing，2003，24(13): 2717-2737．

[11] Smith G M，Spencer T，Murray A L，et al. Assessing seasonal vegetation change in coastal wetlands with airborne remote sensing: an outline methodology[J]. Mangroves and Salt Marshes，1998，2(1): 15-28．

[12] Thomson J S，Jeffrey T M，Sunil K. Mapping invasive tamarix: a comparison of single-scene and time series analyses of remotely sensed data[J]. Remote Sensing，2009(1): 519-533．

[13] 高海亮，顾行发，余涛，等. 基于参考波段的去处HJ-1A HSI图像中条带噪声的方法[J]. 红外，2013，34(3): 7-11．

Gao Hailiang，Gu Xingfa，Yu Tao，et al. A reference band based method for removing stripe noise from HJ-1A HIS images[J]. Infrared，2013，34(3): 7-11．

[14] 贾德伟，钟仕全，陈燕丽，等. HJ-1A高光谱数据预处理方法研究[J]. 河北遥感，2010(2): 13-15．

Jia Dewei，Zhong Shiquan，Chen Yanli，et al. The processing method of HJ-1A hyperspectral remote sensing image[J]. Hebei Remote Sensing，2010(2):13-15．

[15] 李俊明，邢秋燕，杨超. 基于森林类型光谱特征的最佳波段选择研究——以HJ-1A高光谱影像为例[J]. 森林工程，2013，29(4): 42-46．

Li Junming，Xing Qiuyan，Yang Chao. Study on optical bands selection based on spectral feature of forest types: A case study of HJ-1A hyperspectral image[J]. Forest Engineering，2013，29(4): 42-46．

[16] 童庆禧，张兵，郑兰芬. 高光谱遥感——原理、技术与应用[M]. 北京: 高等教育出版社，2006．

Tong Qingxi，Zhang Bing，Zheng Lanfen. Hyperspectral Remote Sensing——Theory，Technology and Application[M]. Beijing: High Education Press，2006．

[17] 王彦飞，李云梅，吕恒，等. 环境一号卫星高光谱遥感数据的内陆水质监测适宜性——以巢湖为例[J]. 湖泊科学，2011，23(5): 789-795．

Wang Yanfei，Li Yunmei，Lv Heng，et al. Suitability assessment of lake water quality on water body images acquired by HJ-1A hyperspectral imager: A case study of lake Chaohu[J]. Journal of Lake Science，2011，23(5): 789-795.

[18] 张兵，高连如. 高光谱图像分类与目标探测[M]. 北京:科学出版社，2011．

Zhang Bing，Gao Lianru. Hyperspectral Image Classification and Target Detection[M]. Beijing: Science Press，2011．

[19] Iosif L，Elizaveta L，Gary G，et al. Role of sensor noise in hyperspectral remote sensing of natural waters: Application to retrieval of phytoplankton pigments[J]. Remote Sensing of Environment，2005，95(2): 264-271．

[20] Van Der Meer F. The effectiveness of spectral similarity measures for the analysis of hyperspectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation，2006，8(1): 3-17．

[21] Gillespie A R. Spectral mixture analysis of multispectral thermal infrared images[J]. Remote Sensing of Environment，1992，42(2): 137-145．

[22] Foody G M，Cox D P. Sub-pixel land cover composition estimation using a linear mixture model and fuzzy membership function[J]. International Journal of Remote Sensing，1994，15(3): 619-631．

[23] Boardman J W，Kruse F A，Green R O. Mapping target signatures via partial unmixing of AVIRIS data[C]//In Summaries，Fifth JPL Airborne Earth Science Workshop，JPL Publication 95-1，1995，1: 23-26．

[24] Winter M E. N-finder: An algorithm for fast autonomous spectral end-member determination in hyperspectral data[C]//Proceedings of SPIE，Image Spectrometry. SPIE，1999：266-275．

[25] Bajorski P. Simplex projection methods for selection of end-members in hyperspectral imagery[C]//IEEE International Geoscience and Remote Sensing Symposium， Anchorage Alaska，2004. USA: IEEE Press，2004，5: 3207-3210．

[26] Gruninger J，Ratkowski A，Hoke M. The sequential maximum angle convex cone (SAMCC) end-member model[C]//Proceeding of SPIE，Algorithm for Multi-spectral，Hyper-spectral and Ultra-spectral Imagery. SPIE，2004，5425: 1-14．

[27] Boardman J W. Inversion of imaging spectrometry data using singular value decomposition[C]//Proceedings，IGARSS’89，12th Canadian Symposium on Remote Sensing. 1989，4: 2069-2072．

[28] Harsanyi J C. Detection and classification of sub-pixel spectral signatures in hyperspectral image sequences[D]. Baltimore: Department of Electrical Engineering，University of Maryland Baltimore County，1993．

[29] Stéphanie B，Olivier B，Tourneret J-Y. The adaptive coherence estimator is the generalized likelihood ratio test for a class of heterogeneous environments[J]. Ieee Signal Processing Letters，2008，15：281-284．

[30] Chang C I. Hyperspectral Imaging Techniques for Spectral Detection and Classification[M]. New York：Kluwer Acardemic/Plenum Publishers，2003: 73-88．

[31] Joseph C，Chang C I . Hyperspectral image classification and dimensionality reduction: An orthogonal subspace projection approach[J]. IEEE Transactions on Geoscience and Remote Sensing，1994，32(4): 779-785．

Suaeda-salsa and tamarisk fractional cover inversion models by HJ-1A hyperspectral remote sensing image in Yellow River Estuary

Ren Guangbo1，Zhang Jie1，Ma Yi1

(1.LaboratoryofMarinePhysicsandRemoteSensing，FirstInstituteofOceanography，StateOceanicAdministration，Qingdao266061，China)

Suaeda salsa and tamarisk are the typical vegetation in Yellow River Estuary，and also a key habitat for many kinds of rare birds. Suaeda salsa and tamarix，whose landscape scale usually small，widely distributed and often mixed with each other or other vegetation or bare soil in remote sensing images，are difficult to obtain the vegetation fractional cover efficiently，thereby affecting biomass monitoring and ecological assessment. In this study，we acquired the end-members in two ways，the first is measure the vegetation spectrum through field work，and the second way is extract them from the hyperspectral remote sensing image with the SAMCC method. Then we use the two kinds of end-members in the pixel spectral un-mixing process with 5 different algorithms，which are: LUS，OSP，MF，CEM and ACE. At last we evaluate the two kinds of end-members coverage inversion capability of the salsa and Tamarix through correlation analysis with the real coverage which measured in the field work.

HJ-1A hyperspectral remote sensing; Yellow River Estuary wetlands; Suaeda salsa; tamarisk;vegetation fractional cover inversion

2014-11-04；

2015-02-17。

国家自然科学基金青年基金项目(41206172)；国家海洋局基本科研业务费项目(GY02-2012G12)。

任广波(1983—)，男，山东省济宁市人，助理研究员，主要从事海岛海岸带高分遥感研究。E-mail：renguangbo@fio.org.cn

10.3969/j.issn.0253-4193.2015.09.006

P237

A

0253-4193(2015)09-0051-08

任广波，张杰，马毅. 基于HJ-1A高光谱的黄河口碱蓬和柽柳盖度反演模型研究[J]. 海洋学报，2015，37(9):51-58，

Ren Guangbo，Zhang Jie，Ma Yi. Suaeda-salsa and tamarisk fractional cover inversion models by HJ-1A hyperspectral remote sensing image in Yellow River Estuary[J]. Haiyang Xuebao，2015，37(9): 51-58，doi：10.3969/j.issn.0253-4193.2015.09.006