基于Hyperion高光谱数据的植被污染
信息识别技术研究
张杰林
（核工业北京地质研究院遥感中心，北京 １０００２９）
摘 要：以鄂尔多斯盆地黄陵煤田为试验区，采用地面光谱测量（ＡＳＤ地物光谱仪）、煤矿区受
污染植被光谱参数建模及Ｈｙｐｅｒｉｏｎ卫星高光谱数据处理等方法技术，提取了受污染植被的可诊
断光谱信息和光谱变异参数，开展了植被光谱变异参量制图技术研究，及时、快速查明了煤矿区
植被污染空间分布状况，为煤矿区环境评价和污染治理提供技术保障。研究表明，高光谱遥感技
术在识别煤矿区污染物光谱变异特征，精确圈定污染物空间位置等方面，具有独特的技术优势，
独立主格结构是煤矿区环境污染监测的理想技术手段。
关键词：高光谱遥感；煤矿区；植被红边参数
0 引言
煤矿区环境治理与土地复垦问题是煤炭经济可持续发展中的重要环节。近年来，我国在该领域开展了大量的研究工作，取得较好的科研成果。但同时，由于煤矿开采造成的污染点多、面广且分散，监测和治理速度缓慢。因此，利用先进的对地观测技术手段，快速查明煤矿区污染状况及发展趋势成为当前环境治理工作的首要任务。作为当代光学遥感前沿之一的高光谱遥感技术，具有高分辨率、图谱合一及覆盖面广的技术优势，是开展煤矿区环境监测与评价研究的理想技术手段。
本文以鄂尔多斯盆地黄陵煤田为试验区，在地面高光谱测量和煤矿区植被光谱参数建模研究的基础上，利用Hyperion卫星高光谱数据提取受污染植被的可诊断光谱信息和光谱变异参数，快速查明了研究区植被污染空间分布状况，为矿区环境评价和土地复垦提供技术保障。
1 矿区环境监测中的高光谱遥感技术
高光谱遥感具有图谱合一的特征，即将确定地物性质的光谱特征和能确定地物空间位置及几何关系的图像革命性地结合在一起，为自然灾害防治、矿产资源勘探、环境地学研究、生态调查及军事应用等诸多领域研究提供了丰富的光谱、辐射及空间信息［１－３］。近年来，随着高光谱遥感理论的不断完善以及机载和星载高光谱传感器的日益成熟，高光谱遥感技术在资源勘查、环境评价以及军事研究等领域得到广泛应用。其中，在矿区环境监测研究领域，美国、德国、比利时等国家利用本国先进的
高光谱测量系统及信息处理技术，进行了广泛的研究，成果显著。
孔子英文1999年，在宾夕法尼亚州Chesapeak Bay煤矿区，美国环保局（EPA）联合美国地质调查所（USGS）利用航空成像光谱仪，通过研究矸石山酸性析出液的光谱反射率特征，确定污染物的主要成分，初步圈定了受污染水域的空间分布范围，为该地区水质评价和土地复垦提供了基础[4]。2000年，在美国著名的Appalachian煤矿区，USGS的C.Balain, Cecill和Sugan
等人，通过系统分析污染水成分，结合空间地质模型的开发，开展矿区环境评价及尾矿治理新技术研究。研究表明：该地区酸性水的主要成分—Fe2s及重金属元素主要来自煤层顶板[5]。再者，密西西比大学的Smith, B.D.和A.E. McCafferty利用航空电磁、放射性测量和地面光谱测量技术[6]，结合室内在不同污染程度的土壤的植物栽培试验，研究生长于重金属（Zn、Cd）和核辐射污染环境中的植被的生态变异特征。研究表明，植物体内重金属的大量聚集，将造成植被叶面反射光谱特征在特定波段范围内的规律性变化，这就为利用高光谱遥感技术研究植被受污染状况提供了理论支持。
另外，由德国汉诺威大学测量工程学院与Clausthal工业大学矿产勘查学院的共同承担的欧共体资助项目—MINEO，主要是采用航空高光谱遥感技术，监测德国鲁尔煤矿区由于采矿造成的植被光谱变异特征。由于该煤矿的开采方式为无回填长臂开采，造成地表沉陷严重，影响了矿区及周边地区的地下水循环，导致生态环境的改变，植被的生长状态受到胁迫，从而造成植被叶面吸收光谱特征的变异[7]。
该项目主要利用三次样条函数拟合植被在450－680nm范围内光谱特征，提取受污染植被光谱变异参量信息。
国内研究方面。山东科技大学利用TM多光谱图像研究肥城煤矿区的污染状况，初步圈定了受污染区域的范围；国土资源部航测遥感中心利用高光谱遥感技术研究由于铜矿开采造成的水体、土壤、植被等污染的分布情况，取得理想效果。另外，在鄂尔多斯盆地，核工业北京地质研究院利用地面光谱测量技术，研究铀矿区与非铀矿区同类植被的光谱变异特征，初步发现生长于铀矿区的植被与正常植被相比存在“红边蓝移”现象，并结合室内放射性核素分析技术进一步研究分析其形成机理。
综上所述，利用高光谱遥感技术开展煤矿区污染状况监测与评价，已由实验室研究阶段逐步发展到实际应用阶段。基于污染物吸收光谱特征，开发受污染植被高光谱填图技术和植光谱变异参量制图技术，将大大促进矿区环境监测与评价研究工作，为快速圈定污染区域提供了有效的技术手段，具有良好的应用前景
2 植被红边参数模型
revell
上海化妆学校在煤矿区植被污染信息提取技术研究中，地面高光谱测量与相应的数据挖掘技术是系统获取及分析受污染植被红边参数变异的重要手段，其为Ｈｙｐｅｒｉｏｎ卫星高光谱数据处理与分析、植被光谱变异参量制图等研究奠定了坚实的基础。本次工作中，地面光谱测量主要采用美国ＡＳＤ公司的Ｆｉｅ
ｌｄＳｐｅｃ Ｐｒｏ ＦＲ便携式地面光谱仪获取４００－２５００ｎｍ波长范围内植被的光谱反射率。
２．１ 植被光谱特征分析
植被的光谱特征主要是由其叶子内含的色素（以叶绿素为主）和液态水引起的。在可见光波段（４００～７００ｎｍ），表现为“绿峰”（５５０ｎｍ）和“红谷”（６８０～７００ｎｍ）两大可诊断光谱特征。在红外区（７００～２５００μｍ）主要表现为：在７００～８００ｎｍ波段内反射率迅速增大，曲线呈直线状且斜率较大，俗称“红边”，是研究植被生长状态变异的主要参数；７５０～１３００ｎｍ是植被细胞结构的强反射区，具有很高的反射率数值。植被的上述光谱特征与其生长发育阶段、健康状况和物候现象等密切相关。一般认为，植被光谱反射率曲线的“红边”参数（波长位移量）是描述植被色素状态和健康状况的重要指示波段。
２．２ 红边参数模型与实例分析
违约金英语
研究表明（Ｈａｒｅ等，１９８４；Ｍｉｌｌｅｒ等，１９８５），“红边”反射光谱曲线（６７０～８００ｎｍ）可用一条半反高斯曲线来逼近［８，９］。即：
]2)()
shante
1exp[()()(2200σλλλ−−−−=R R R R s s （１）
式（１）中，s R ：近红外区肩反射率（最大值）；0R ：红光区叶绿素吸收反射率（最小值）；0λ：与0R 对应的波长；s ：高斯模型标准差系数；s 0p +=λλ即“红边”位置，是曲线陡坡拐点对应的波长。上式通过变换，可以采用线性拟合方法来求得未知红边参数λｐ。
利用上述模型，基于大量的野外实测植被光谱数据，计算与系统分析了鄂尔多斯盆地黄陵煤田某矿区与周边非矿区的植被红边参数变异特征。数据处理结果表明，矿区和非矿区的同种植被红边参数存在差异，即矿区植被光谱参数与非矿区相比红边波长位置蓝移８．９ｎｍ±（表１），而生长于两个非矿区的植被红边参数变化不大，仅相差０．９４ｎｍ。初步分析认为是由于煤矿开采形成的矸石山经雨水和地下水的淋滤，矸石山富含的重金属离子渗入周边土壤，影响了该地区植被的正常生长，造成了本区植被光谱特征的显著变异。
表１ 矿区与非矿区同类植被红边参数对比表
3 Hyperion 卫星高光谱数据处理技术
Hyperion 高光谱成像仪是美国NASA 研制的新一代遥感传感器，于2000年11月，由Earth Obrving －1（EO —1）地球观测卫星搭载升空，其轨道高度705km ，倾角98.7°，并与太阳轨道同步[10,11]。
在中国境内，其成像时间为北京时间上午10点左右。Hyperion 高光谱数据的分发由美国地质调查所EROS 数据中心负责，用户可以根据需求，自行设计测线地理位置、数据采集时间以及传感器定位模式。本次工作中，在研究区共设计四条测线，相邻测线间数据重叠率>20％，传感器定位模式为Nadir Only （机下点图像）。
３．１ 辐射校正技术
利用高光谱数据直接识别地物的前提条件是光谱信息的准确性，而辐射校正技术则是实现高精度光谱信息恢复的关键技术之一。辐射校正技术主要研究大气辐射传输问题，即通过传感器的辐射定标、大气校正模型计算等，反演地物真实反射率。现阶段，大气校正技术主要分为经验法和模型法两大类。其中经验法主要包括经验线性法、影像内部平均法和平场域法等。模型法主要是基于辐射传输理论建立的大气校正模型，包括Ｍｏｄｔｒａｎ、Ｌｏｗｔｒａｎ、５Ｓ、６Ｓ、ＡＴＲＥＭ及ＡＣＯＲＮ等。实际工作中，首先利用Ｈｙｐｅｒｉｏｎ数据提供的传感器辐射校正参数，将１６位编码的影像灰度值转换为卫星高度传感器入瞳辐亮度数据。然后，根据研究区地质、地理及大气环境等实际状况，选取气溶胶模式和大气校正模型，进行大气辐射校正。最后，结合地面实测的高分辨率的地物光谱数据，计算高光谱影像中每个像元的反射率值。 ３．２ 植被光谱变异参量制图技术
基于Ｈｙｐｅｒｉｏｎ高光谱数据，利用前述的植被光谱红边参数模型提取高光谱影像中植被像元点
的红边参数，通过彩色编码和多维空间数据复合技术，将其与经过地理编码的正射投影图像叠合，编制研究区植被光谱红边变异程度图，分析煤矿区区域性的植被污染效应，并进一步圈定了受污染植被的空间分布范围（图１）。上述研究表明，高光谱遥感技术在识别红边 测量区域 波长/nm 反射率/％ 矿区 703.795 13.389 非矿区 712.738 27.16
煤矿区污染物光谱变异特征，精确圈定污染物空间位置等方面，具有独特的技术优势，是煤矿区环境污染监测的理想技术手段。
图１ 矿区地表景观（左）与植被红边参数变异程度图（右）
4 结论asdfghjkl
综合评述了高光谱遥感技术在煤矿区环境监测研究中的应用现状和发展趋势。利用高光谱遥感技术，研究了煤矿区受污染植被的吸收光谱特征及其红边参数变异规律。通过光谱建模和卫星高光谱数据挖掘技术研究，提取了污染物诊断光谱信息和植被光谱变异参数。在此基础上，开展了植被光谱变异参量制图技术研究，查明了煤矿区污染源空间分布状况，为煤矿区环境评价和污染治理提供依据。
参考文献
[1] 王晋年，张兵，刘建贵，等. 以地物识别和分类为目标的高光谱数据挖掘[J]. 中国图象图形学报，1
999，4A（11）：957-964
人教版初一英语教材[2] 浦瑞良，宫鹏. 高光谱遥感及其应用[M]，北京：高等教育出版社，2000. 12
[3] 张杰林，岑长华，牛铮，等. 成像光谱数据建模与分类识别技术研究[J]. 地质与勘探，2003，39（2）：52-55
[4] Eleanora Iberall Robbins. Microbial and Spectral Reflectance Techniques to Distinguish Neutral and Acidic Drainage. USGS Fact
Sheet FS-118-99, June 1999
[5] C.Balain Cecill, Sugan. Coal Extraction—Environmental Prediction, U.S.Geological Survey Fact Sheet 073-02, Sep. 2002
[6] Smith, B.D.; A.E. McCafferty. Utilization of Airborne Magnetic, Electromagnetic, and Radiometric Data in Abandoned Mine Land
Investigations[C], Fifth International Conference on Acid Rock Drainage, 2000, Vol 2,p 1525-1530
[7] Reinhaeckel, G. , B. Zhukov; D. Oertel; A. Mueller. Unmixing of Simulated ASTER D ata with Applications for the Asssment of
Mining Impacts in Central GERMANY[C], Imaging Spectrometry IV Proceedings of SPIE, 1998, Vol 3438, p 345-354十二月英文缩写
[8] Hare E W. Studies of the Vegetation Red Reflectance Edge in Geobotanical Remote Sensing in Eeastern Canada, the 9th Canadian
Symposium on Remote Sensing, 1984,p 433~440.
[9] Miller J R, Hare E W, Wu J. Quantitative Characterization of the Vegetation Red Edge Reflectance, Int.J.Remote Sensing,
1990,11(10):1775~1795.
[10] Liao, Jarecke P, Gleichauf D, Hedman T. Performance Characterization of the Hyperion Imaging Spectrometer Instrument [J].
Proceedings. of SPIE, Vol.4135, 2000:264~275
调频耳机[11] Campbell S, Lovell J, Jupp D L B, et al. The Lake Frome Field Campaign in Support of Hyperion Instrument Calibration and Validation [C]. IEEE 2001 International Geoscience and Remote Sensing Symposium, 2001
