第七章 象元信息分解.ppt

地学遥感第七章 象元信息分解 邓孺孺副教授 中山大学地理学院 遥感与地理信息工程系 第七章 像元信息分解 第一节 绪言 第二节 混合象元的信息特征 第三节 混合像元分解 第四节 像元信息分解 第一节 绪言 混合像元及其影响 象元解研究概况 像元信息分解的方法 混合像元及其影响 遥感图像上多数像所对应的地面不是单一的物体，而常常在若干种地物的混合，所以其光谱实际上是这此地物光谱的混合。 造成的所谓的异物同谱和同物同谱的现象。 多数同物异谱是混合像元的结果 混合像元使得常规方法的遥感精度降低 象元解研究概况 在一般情况下，传感器接收并记录的地面光谱能量的DN值是基本地物光谱的线性组合。基于以上分析，John B. Adam 等(1986,1995) 提出了混合光谱分析法（Spectral Mixing Analysis）, Ito and Fujimurl (1987)提出了象元分解分类法。 该类方法从图像中提取若干“端元组分像元”，一般像元可看作这些端元像元以不同比例的线性给合。 该类方法计算模型和各参数具有清楚的物理意义，且对组分认识提高到定量的程度。故在土地利用分类监测等方面获得了很大成功。但目前该方法仍存在两方面的明显不足。 像元信息分解的方法 混合像元分解法 混合像元组分信息分解法： 线性模型 物理模型 第二节 混合象元的信息特征 混合像元造就了像元光谱的多样性 混合像元是有限元素光谱的组合 像元信息构成的层次 象元组分光谱组合的方法分析 混合像元造就了像元光谱的多样性 在遥感数据中，各个象元对应地面上一定面积的地物。这些地物通常是由若干基本成分组成，如土壤、植被、水分等。象元光谱也正是这些基本地物成份所发射或反射的光谱的混合并为传感器接受的部分 地物的混合造成了同种地物光谱的“变异 ”，以及不同地物间光谱的过渡类型，使得像元光谱千差万别 如随覆盖率的减小，像元光谱由植被光谱向土壤光谱过度。 混合像元是有限元素光谱的组合 但在一定的层次（尺度）上，组成混合像元的基本组分的种类是有限的： 不考虑大气影响时 乡村地区：土壤、植被、水体 城镇地区：土壤、植被、水体、水泥建筑 这就给更精确的信息提取提供了必要的基础。 遥感像元信息构成的层次 象元之间的关系，即遥感影象上的纹理特征；地貌单元级 象元光谱，如根据象元光谱特征，进行分类；像元级 端元象元光谱，单一覆盖类型地表的光谱；亚像元级 材料（组分）波谱，单一的基本地物光谱，是目前遥感研究最基体的单元，如叶子、清洁水、干土壤等。厘米级。 成分光谱，构成材料的基本成分，如叶片内部各组分如叶绿素、叶红素、纤维素；土壤的各种矿物成分的光谱等。细胞、矿物、分子化合物级 象元组分光谱组合的方法分析 亚象元、端元组分层次： 线性组合 亚象元、端元组分层次 象元可近似看作平面，为二维结构 各端元组分光谱在传输过程中并无相互影响，进入传感器的辐射是各端无组分的叠加，如不考虑大气影响，传感器接收并记录的地面光谱能量的DN值是基本地物光谱的线性组合 非线性组合 小尺度、材料、材料成分层次：非线性关系 1 组分之间的光谱可能相互影响，如土壤与其中的水分。 2 像元已不能看作平面，而是三维曲面，组分之间会发生散射、透射、吸收等作用而便光谱之间的关系复杂化 第三节 混合像元分解 第四节 像元信息分解 像元信息分解法特点 组分的划分 线性模型 非线性模型讨论 像元信息分解法特点 在遥感数据中，各个象元对应地面上一定面积的地物。这些地物通常是由若干基本成分组成，如土壤、植被、水分等 与像元分解法不同，像元信息分解法认为这些基组分的在空间上是可以相互重叠的，如土壤与水分，空间上是重合的。因而各组分所占面积之和不一定等于像元面积。 像元信息分解可以反映各种纯像元，即端元组分的光谱变异，因而具有更高的精度 各组分的光谱需要事先测量好,遥感数据需进行较精确的大气纠正并转化为反射率图像 组分的划分 尺度越小，层次越低，基本组分的光谱越稳定，提供的信息越精确，越能解决复杂的变异情况，研究程度越高，但组分之间的关系更复杂 采用何种层次的组分作为基本组分应考虑两方面的部题： 1 组分要有稳定的光谱 2 遥感数据的波段数要≥基本组分种类数，以保证模型的可解性 目前的研究是以端元象元或材料光谱作为基本组分。随高光谱遥感的出现，以组分光谱作为基本组分已成为可能 乡村地区：土壤、植被、水体 城镇地区：土壤、植被、水体、水泥建筑 线性模型 当精度要求不是很高时，空间可重叠组分含量（主要是土壤、植被含水量）有限时，可以近似认为各组分光谱之间是线性关系，故可建立光谱模型为： 线性模型的求解：对于N种组分的模型需要有N个波段的数据建立的由相同数量方程组成