本文介紹基于ENVI與ERDAS軟件，依據(jù)Hyperion高光譜遙感影像，采用經(jīng)驗(yàn)比值法、一階微分法等，對葉綠素含量等地表參數(shù)加以反演的具體操作。

1 前期準(zhǔn)備與本文理論部分

1.1 幾句閑談

??前面幾篇博客介紹了基于Landsat這一多光譜遙感圖像數(shù)據(jù)的多種地表溫度（LST）反演方法，大家可以參考文章ENVI實(shí)現(xiàn)QUAC、簡化黑暗像元、FLAASH方法的遙感影像大氣校正，以及文章ENVI大氣校正方法反演Landsat 7地表溫度，還有文章ENVI、ERDAS計(jì)算Landsat 7地表溫度：單窗算法實(shí)現(xiàn)等；那么接下來，我們就將基于比多光譜數(shù)據(jù)可以說是更進(jìn)一步的高光譜衛(wèi)星數(shù)據(jù)——大名鼎鼎的Hyperion數(shù)據(jù)，進(jìn)行多種其他地表參數(shù)的反演。其中，在此之前有必要先了解一下國內(nèi)外主流的星載高光譜傳感器及其平臺的相關(guān)信息，大家可以參考文章全球都有哪些高光譜遙感衛(wèi)星？。

??了解相關(guān)背景之后，話不多說，我們開始本次的內(nèi)容。

1.2 背景知識

1.2.1 Hyperion數(shù)據(jù)介紹

??本文所使用的遙感影像數(shù)據(jù)不同于上述三篇博客所用的Landsat-7 ETM+影像數(shù)據(jù)，其來自地球觀測衛(wèi)星-1（Earth Observing-1，EO-1）。EO-1是美國國家航空航天局（National Aeronautics and Space Administration，NASA）新千年計(jì)劃（New Millennium Program，NMP）地球探測部分中第一顆對地觀測衛(wèi)星，其目的即為在21世紀(jì)接替Landsat-7衛(wèi)星，于2000年11月發(fā)射升空。除此之外，NMP目前還包括深空探測（Deep Space，DS）、空間技術(shù)（Space Technology，ST）兩個(gè)部分。

??EO-1衛(wèi)星軌道參數(shù)與Landsat-7較為近似，以期實(shí)現(xiàn)兩顆衛(wèi)星圖像每天具有1至4景的重疊，從而進(jìn)行二者的對比。此外，EO-1已于2017年2月停止服役。

??EO-1搭載了三種傳感器，分別為高光譜成像光譜儀（Hyperion）、高級陸地成像儀（Advanced Land Imager，ALI）與線性標(biāo)準(zhǔn)成像光譜儀陣列大氣校正器（the Linear Etalon Imaging Spectrometer Array Atmospheric Corrector，LAC）。一般地，傳統(tǒng)的陸地資源衛(wèi)星只能提供為數(shù)不多的多光譜波段，并不能很好滿足日常實(shí)際研究、運(yùn)用的需要；而借助具有242個(gè)波段、光譜范圍為356至2578納米的EO-1 Hyperion傳感器，可獲得更具價(jià)值的高光譜數(shù)據(jù)。

??EO-1遙感影像命名格式如下：

??EO1SPPPRRRYYYYDDDXXXML_GGG_VV

??其中，EO1為EO-1衛(wèi)星代號，S為所用傳感器代號（H為Hyperion傳感器，A為ALI傳感器），PPP為成像時(shí)目標(biāo)所處全球參考系統(tǒng)（Worldwide Reference System，WRS）的軌道（Path），RRR為成像時(shí)目標(biāo)所處WRS的行（Row），YYYY為成像年份，DDD為成像當(dāng)日在該年份的天數(shù)，XXX分別為Hyperion、ALI與AC三種傳感器的開關(guān)狀態(tài)（1為開啟，0為關(guān)閉），M為指向模式【（N為天底模式（Nadir），P為點(diǎn)在軌道模式（Pointed Within Path/Row），K為點(diǎn)不在軌道模式（Pointed Outside Path/Row）】，L為圖像長度【F為全景（Full Scene），P為局部景（Partial Scene），Q為次級局部景（Second Partial Scene），S為樣例（Swatch）】，GGG為影像地面接收站，VV為影像版本編號。

??一般地，遙感衛(wèi)星傳感器主要有兩大類型：擺掃式（Whisk Broom Scanners）與推掃式（Push Broom Scanners）；Hyperion屬于后者。其242個(gè)波段分為可見光近紅外波段（V-NIR）與短波紅外波段（SWIR）；其中，1至70波段屬于V-NIR通道，71至242波段屬于SWIR通道。兩個(gè)波段之間具有20個(gè)波段的波長數(shù)值相互重疊，其分別用兩套不同的敏感元件收集各自信號。

??Hyperion產(chǎn)品波段信息如下所示。

??一般地，輻射校正包括輻射定標(biāo)、大氣校正和太陽及地形校正，用來消除輻射誤差；而上述“輻射校正”包括正射校正，即使用地形數(shù)據(jù)的幾何校正，不包括大氣校正。

??Hyperion產(chǎn)品分為兩級，Level 0與Level 1。前者為原始數(shù)據(jù)，其僅用來生產(chǎn)Level 1產(chǎn)品。Level 1產(chǎn)品則可以繼續(xù)分為L1A、L1B、L1R、L1Gs與L1Gst等。其中，L1B產(chǎn)品與L1R產(chǎn)品分別由美國TRW與USGS處理生成。上述兩種產(chǎn)品與L1A產(chǎn)品的最大不同在于，前二者糾正了V-NIR波段與SWIR波段的空間錯(cuò)位問題。

??而通過圖像原始數(shù)據(jù)中“README.txt”文件可知，本文所使用的數(shù)據(jù)為L1Gst級別（大家自己操作時(shí)，也依據(jù)自己文件的實(shí)際情況判斷即可）；如以上內(nèi)容所述，其已經(jīng)過部分預(yù)處理過程，如正射校正、坐標(biāo)轉(zhuǎn)換等。

??Hyperion產(chǎn)品圖像數(shù)據(jù)的空間分辨率為30米。

??如上述內(nèi)容所提到的，Hyperion產(chǎn)品共有242個(gè)波段，波長覆蓋范圍為356至2578納米。而在這其中，由于紫色光與短波紅外兩端有些通道的響應(yīng)度較低，數(shù)據(jù)利用價(jià)值不大，因此系統(tǒng)并未對這些波段加以輻射校正——即對于正式分發(fā)的Hyperion產(chǎn)品Level 1數(shù)據(jù)，上述242個(gè)波段中，1至7波段、58至76波段、225至242波段亦稱之壞波段（Bad Bands），其數(shù)值均為0值。除此之外，121至126（或127）波段、167至178（或180）波段、224（或222至224）波段由于受到水汽吸收影響較為嚴(yán)重，亦需要作為壞波段處理。最后，通過上述篩選后剩余的波段中，還包括波長重疊的56至57波段和77至78波段；考慮到77至78波段噪聲相對前者較大，信噪比較低，因此將其同樣剔除。

??上述波段篩選結(jié)果如下所示。

??此外，除上述因未定標(biāo)和水汽吸收影響被剔除的波段外，還包括壞線、條紋與“Smile”效應(yīng)等非正常像元。其中，壞線是指一行或一列DN值為零或非常小的像元；條紋是指像元DN值不為零但較小，與周圍有明顯差異的帶狀現(xiàn)象；“Smile”效應(yīng)是指由于前期光譜定標(biāo)而產(chǎn)生的光譜差異。若對定量遙感結(jié)果精度要求較高，上述這些非正常像元或現(xiàn)象均需要在預(yù)處理階段加以解決。

??目前，針對Hyperion產(chǎn)品圖像的壞線處理主要通過均值鄰域法，即用壞線周圍的像元像素值求平均后替換壞線中的像素——這依賴于壞線像元與周圍像元的高度相關(guān)關(guān)系；若當(dāng)壞線出現(xiàn)在地形比較復(fù)雜的區(qū)域，采用這種方法則會導(dǎo)致處理結(jié)果精度較低。

??對此，有國內(nèi)學(xué)者提出了一種基于地物類型的壞線修復(fù)方法。該方法假設(shè)各波段圖像成像在一瞬間完成，或成像過程中天氣未發(fā)生變化，則不同波段圖像中同一類地物的DN值應(yīng)當(dāng)相同。當(dāng)某一波段的圖像A的地物M出現(xiàn)部分壞線時(shí)，搜索另一對應(yīng)位置無壞線的波段對應(yīng)的圖像B，確定B中M位置對應(yīng)的DN值α；隨后繼續(xù)在B中搜索，找到所有DN值為α的像元N。隨后返回A，求取A中N像元對應(yīng)位置的DN值，將其求平均后作為M位置處的DN值。這一壞線修復(fù)方法大大縮小了修復(fù)結(jié)果與真實(shí)值之間的均方根誤差，效果較好。

??條紋尤多出現(xiàn)于SWIR波段，其嚴(yán)重影響圖像質(zhì)量；因此，條紋去除同樣十分重要。針對這一問題，有學(xué)者提出了一種全局去除條紋的方法。其原理公式如下：

??其中，〖x^'〗_ijk為第k波段對應(yīng)圖像第i行，第j列像素校正后的數(shù)值，x_ijk為其原值；s_ik為第k波段對應(yīng)圖像第i列標(biāo)準(zhǔn)差，m_ik為第k波段對應(yīng)圖像第i列平均值，(s_ik ) ?與(m_ik ) ?分別為第k波段對應(yīng)圖像第i列標(biāo)準(zhǔn)差與平均值的對應(yīng)平均值。實(shí)際計(jì)算時(shí)，用整幅圖像的平均值與標(biāo)準(zhǔn)差代替每一列的平均值與標(biāo)準(zhǔn)差。

??針對條紋去除結(jié)果的檢驗(yàn)，可以利用最低噪聲分離旋轉(zhuǎn)（Minimum Noise Fraction Rotation，MNF）轉(zhuǎn)換加以實(shí)現(xiàn)。

??“Smile”效應(yīng)是指在垂直飛行方向上，像元的波長隨著圖像中心位置向兩旁移動，產(chǎn)生的偏移。其中，V-NIR波段的“Smile”效應(yīng)較為明顯，約在2.6至3.6納米范圍內(nèi)；SWIR波段的這一效應(yīng)表現(xiàn)則不如前者明顯，其約在0.40至0.97納米范圍內(nèi)。“Smile”效應(yīng)同樣可以借助光譜信息的MNF轉(zhuǎn)換加以檢測?！癝mile”效應(yīng)往往會對植被遙感產(chǎn)生影響；可以通過大氣糾正來降低“Smile”效應(yīng)的影響。

??Hyperion產(chǎn)品Level 1數(shù)據(jù)以有符號的整型數(shù)據(jù)格式記錄其信息，數(shù)值范圍為-32768至32767；而實(shí)際地物輻射數(shù)值都比較小，如V-NIR波段最大輻射約為750 W/m2/sr/Lm，而SWIR波段最大輻射僅有350 W/m2/sr/Lm。因此，在產(chǎn)品生成時(shí)，系統(tǒng)采用了擴(kuò)大因子，即分別將V-NIR與SWIR所對應(yīng)波段的數(shù)值擴(kuò)大為40和80倍。出于這個(gè)原因，在應(yīng)用Hyperion產(chǎn)品Level 1數(shù)據(jù)時(shí)，需要將像元值轉(zhuǎn)換為絕對輻射值。其中，兩通道對應(yīng)波段的計(jì)算公式有所不同：

??其中，L_?VNIR為V-NIR波段定標(biāo)后的絕對輻射值，L_?SWIR為SWIR波段定標(biāo)后的絕對輻射值。

??此外，在計(jì)算時(shí)需要注意，由于經(jīng)過波段篩選后的圖像波段不再完全連續(xù)，會出現(xiàn)一些間段區(qū)域。因此需要首先將同一通道內(nèi)波段編號相連的波段合并，再將同一通道內(nèi)全部波段合成；第二次合成后，將兩個(gè)通道對應(yīng)的波段分別帶入上述兩個(gè)公式，計(jì)算結(jié)束后再將兩個(gè)通道的176個(gè)波段最終合成為一幅圖像。

??編輯頭文件時(shí)，除需注意中心波長的修正外，還要注意半高寬（又稱半峰全寬，F(xiàn)ull Width at Half Maxima，F(xiàn)WHM）的輸入。若不進(jìn)行大氣校正或進(jìn)行大氣校正但不采取FLAASH大氣校正方法，則無需導(dǎo)入FWHM這一參數(shù)。

??需要注意的是，本文重點(diǎn)在于Hyperion的反演操作，因此上述Hyperion圖像的壞線修復(fù)、條紋去除等處理暫未寫入本文。具體操作我將在后期的博客中展現(xiàn)。

1.2.2 遙感圖像分類方法

??本文使用監(jiān)督分類（又稱訓(xùn)練分類，Supervised Classification）方法提取影像中各個(gè)不同地物部分，尤其是太湖湖面水體區(qū)域。而和前期博客一致，本文的監(jiān)督分類部分依然借助ERDAS軟件，選擇采取平行六面體規(guī)則（Parallelepied）這一非參數(shù)規(guī)則（Non-parametric Rule）與最大似然規(guī)則（Maximum Likelihood）這一參數(shù)規(guī)則（Parametric Rule）加以實(shí)現(xiàn)；并且嘗試了特征空間規(guī)則（Feature Space）的效果。

??監(jiān)督分類是指在已掌握有足夠先驗(yàn)知識（亦即訓(xùn)練場地）的情況下，根據(jù)已有訓(xùn)練場地提供的已知屬性樣本選擇特征參數(shù)，并訓(xùn)練、建立得到對應(yīng)判別函數(shù)；隨后進(jìn)而將圖像未知類別部分的像素的值代入建立得到的判別函數(shù)，依據(jù)所選擇的不同判別準(zhǔn)則，對該樣本所屬的地物類別進(jìn)行自動分類處理；即監(jiān)督分類是一種利用已知地物屬性、信息，進(jìn)而對未知屬性地物進(jìn)行分類的方法。

??正如上述內(nèi)容所提到的，常用的監(jiān)督分類判別規(guī)則包括非參數(shù)規(guī)則與參數(shù)規(guī)則兩個(gè)部分。其中，非參數(shù)規(guī)則包括特征空間規(guī)則與平行六面體規(guī)則；參數(shù)規(guī)則則包括最小距離規(guī)則（Minimum Distance）、馬氏距離規(guī)則（Mahalanobis Distance）、最大似然規(guī)則以及波普角規(guī)則（Spectral Angle Mapper）等多種。

??ERDAS IMAGINE 2015軟件中“Supervised Classification”模塊可以選擇的規(guī)則十分齊全。本次我們依然運(yùn)用這一模塊，并選擇采取平行六面體規(guī)則與最大似然規(guī)則加以實(shí)現(xiàn)。平行六面體規(guī)則是指：根據(jù)訓(xùn)練樣本的圖像亮度值，形成一個(gè)N維的平行六面體數(shù)據(jù)空間；其余像元的光譜數(shù)值如果落在平行六面體任何一個(gè)訓(xùn)練樣本所對應(yīng)的區(qū)域，其就被劃分至這一對應(yīng)的類別中。其中，平行六面體的尺度是由標(biāo)準(zhǔn)差閾值所確定的，而該標(biāo)準(zhǔn)差閾值則是根據(jù)所選類的均值求出。最大似然規(guī)則是指：假設(shè)每一個(gè)波段的每一類統(tǒng)計(jì)都呈正態(tài)分布，并計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度；隨后，像元將最終被歸并到似然度最大的一類樣本當(dāng)中。

??另一方面，遙感影像處理也可使用非監(jiān)督分類（又稱聚類分析或點(diǎn)群分類，Unsupervised Classification）加以完成。非監(jiān)督分類方法是在多光譜圖像中搜尋、定義其自然相似光譜集群的過程，其不必針對影像地物獲取先驗(yàn)知識，僅依靠影像中不同類地物的光譜（或紋理）信息進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別，從而達(dá)到分類的目的；最后對已分出各個(gè)類別的實(shí)際屬性進(jìn)行確認(rèn)。

1.2.3 大氣校正

??本次實(shí)驗(yàn)可以不進(jìn)行大氣校正；但不經(jīng)過大氣校正，由于未消除大氣影響，會使得得到的結(jié)果會有一定誤差。本實(shí)驗(yàn)中，我們首先不進(jìn)行大氣校正，對葉綠素加以反演；隨后再先后嘗試FLAASH大氣校正與QUAC快速大氣校正兩種方法，對得到的高光譜遙感影像加以處理，從而對葉綠素反演精度加以提升。

??大氣層是介于衛(wèi)星傳感器與地球表層之間的一層由多種氣體及氣溶膠組成的介質(zhì)層，其由下至上可依次分為：對流層（0至8-18千米）、平流層（8-18至50-55千米）、中間層（50-55至80-85千米）、電離層（又稱熱層，80-85至800千米）、散逸層（800至3000千米）。在太陽輻射到達(dá)地表再到達(dá)衛(wèi)星傳感器這一過程中，輻射兩次經(jīng)過大氣，故大氣對太陽輻射的作用影響較大。

??大氣校正的目的即消除大氣和光照等因素對地物反射的影響，廣義上講是獲得地物反射率、輻射率或地表亮度溫度等真實(shí)物理模型參數(shù)，狹義上講是獲取地物真實(shí)反射率數(shù)據(jù)。大氣校正可以用來消除大氣中水蒸氣、氧氣、二氧化碳、甲烷和臭氧等物質(zhì)對地物反射的影響，也可以消除大氣分子和氣溶膠散射的影響。在大多數(shù)情況下，大氣校正也是反演地物真實(shí)反射率的過程。

??有時(shí)可完全忽略遙感數(shù)據(jù)的大氣影響。對某些地物分類和變化檢測過程（如用最大似然法對單時(shí)相遙感數(shù)據(jù)進(jìn)行分類）而言，只要影像中用于分類的訓(xùn)練數(shù)據(jù)具有相對一致的尺度（即均經(jīng)過或未經(jīng)過大氣校正），大氣校正并不是必需的；而當(dāng)訓(xùn)練數(shù)據(jù)需要進(jìn)行時(shí)空拓展時(shí)，其影像分類和各種變化檢測則需進(jìn)行大氣校正。

??而對于涉及定量遙感的應(yīng)用方面，如前期博客所進(jìn)行的地表真實(shí)溫度反演運(yùn)算，大氣校正則多是必不可少的環(huán)節(jié)。有研究指出，是否進(jìn)行大氣校正過程，對植被稀少或植被被破壞地區(qū)的NDVI計(jì)算誤差影響可達(dá)50%。

??大氣校正方法整體上可以分為兩類：一是絕對大氣校正方法，即將遙感圖像的DN值轉(zhuǎn)換為地表反射率、地表輻射率、地表溫度等數(shù)值的方法；二是相對大氣校正方法，即將原始的DN值校正為不考慮地物實(shí)際反射率情況下，相同DN值代表相同地表反射率的格式的結(jié)果。在此其中，常用的絕對大氣校正方法包括基于輻射傳輸模型方法（其中包括MOR/DTRAN模型、LOWTRAN模型、ATCOR模型、5S模型、6S模型等）、基于簡化輻射傳輸模型的黑暗像元方法、基于統(tǒng)計(jì)學(xué)模型的反射率反演方法等；常用的相對大氣校正方法包括基于統(tǒng)計(jì)的不變目標(biāo)方法、直方圖匹配方法等。針對上述繁多方法的選擇，當(dāng)進(jìn)行精細(xì)的定量遙感研究時(shí)，需要采用基于輻射傳輸模型的大氣校正方法；當(dāng)進(jìn)行動態(tài)監(jiān)測研究時(shí)，可采用相對大氣校正或簡單的絕對大氣校正方法；但所知參數(shù)較少時(shí)，則只能選擇相對簡單、對參數(shù)要求較少的方法。

??本文采用FLAASH大氣校正與QUAC快速大氣校正兩種方法。

??FLAASH大氣校正是一種絕對大氣校正方法，其適用于多光譜數(shù)據(jù)與高光譜衛(wèi)星影像數(shù)據(jù)，能夠精確補(bǔ)償大氣對輻射的影響。這一方法采用 MODTRAN4+ 輻射傳輸模型，需要輸入地表反射率，通過影像像素光譜中的特征估計(jì)大氣屬性，可以有效去除水蒸氣、氣溶膠散射等效應(yīng)帶來的干擾，精度較高。而另一方面，通過博客1可知，F(xiàn)LAASH大氣校正方法同樣對待處理數(shù)據(jù)有著一定嚴(yán)格的要求，例如需要數(shù)據(jù)的存儲結(jié)構(gòu)為“BIP”或“BIL”模式，像元值類型為經(jīng)過定標(biāo)后的輻射亮度（即輻射率）數(shù)據(jù)，數(shù)據(jù)單位為(μW)/(cm2nmsr)等。這需要我們針對原始數(shù)據(jù)加以一定處理。

??QUAC快速大氣校正自動從圖像中收集不同物質(zhì)的波譜信息，獲取經(jīng)驗(yàn)值，從而完成高光譜和多光譜的快速大氣校正。這一大氣校正方法只可以對多光譜、高光譜圖像進(jìn)行處理。

??值得一提的是，F(xiàn)LAASH大氣校正與QUAC快速大氣校正兩種方法得到的結(jié)果均為擴(kuò)大了10000倍的反射率數(shù)據(jù)。

1.2.4 反演算法

??獲得太湖水體區(qū)域多個(gè)樣點(diǎn)的高光譜數(shù)據(jù)曲線后，分別對其加以一階微分處理與倒數(shù)對數(shù)處理。

??本文中，針對太湖水體葉綠素a含量的估計(jì)，首先采用常見文獻(xiàn)中已給出的模型與參數(shù)：

??其中，Chl.a為水體葉綠素a含量，單位為（mg/L）；R_1與R_2為兩個(gè)特征波段，R_1為近紅外波段的反射峰，R_2為紅光波段的吸收谷，二者需要通過光譜曲線加以求取；0.325與0.311為兩個(gè)經(jīng)驗(yàn)?zāi)Ｐ蛥?shù)。一般地，特征光譜曲線其可以依據(jù)實(shí)測水體葉綠素a含量與光譜數(shù)值，通過計(jì)算二者相關(guān)系數(shù)隨著對應(yīng)波長變化而變化的關(guān)系，從而加以確定；而經(jīng)驗(yàn)參數(shù)則是依據(jù)選擇出的特征波段，通過回歸分析等擬合手段求出。這一建立模型的正演過程本次我們不做討論。

??另一方面，由于所獲取的高光譜數(shù)據(jù)可能會受到背景噪聲影像，且相似光譜之間因存在明顯共線性而導(dǎo)致信息冗余，我們還可以對光譜數(shù)據(jù)加以一定預(yù)處理，從而消除上述噪聲，突出光譜特征。往往使用光譜一階微分、光譜倒數(shù)對數(shù)與光譜包絡(luò)線去除等方式加以處理。其中，光譜包絡(luò)線去除可以方便地在ENVI軟件中實(shí)現(xiàn)。我們本次采取光譜一階微分、光譜倒數(shù)對數(shù)方法。

??光譜一階微分可以去除部分線性或接近線性的背景，以及噪聲光譜對目標(biāo)光譜的影響。光譜一階微分計(jì)算公式如下：

??其中，R^' (λ_i )為波段λ_i對應(yīng)的一階微分?jǐn)?shù)值，R(λ_i )為波段λ_i原本數(shù)值，λ_(i+1)為對應(yīng)波段中心波長。

??在光譜定量分析中，光譜倒數(shù)對數(shù)可以十分有效地增強(qiáng)相似光譜之間的差別；計(jì)算如下：

??其中，〖R(λ_i )〗_L為波段λ_i對應(yīng)的倒數(shù)對數(shù)數(shù)值，R(λ_i )為波段λ_i原本數(shù)值，λ_i為對應(yīng)波段中心波長。

??此外，包絡(luò)線去除法亦是一種常用的光譜分析方法，其可以有效地突出光譜曲線的吸收和反射特征。但我們在此不做討論，后期我會專門寫一篇博客討論這一內(nèi)容。

??除水體葉綠素a含量反演外，利用高光譜數(shù)據(jù)反演地表沉積物顆粒度參數(shù)同樣被學(xué)者們加以廣泛研究。有學(xué)者借助Hyperion遙感影像，分別建立一個(gè)單波段因子與四個(gè)多波段組合因子；利用光譜包絡(luò)線去除方法，挑選出與顆粒度參數(shù)相關(guān)性較高的幾個(gè)特征波長，并選用穩(wěn)定性更高、整體更簡單的線性回歸模型作為最終的參數(shù)反演模型。以平均粒徑這一參數(shù)為例，具體反演計(jì)算模型如下：

??其中，d_m為平均粒徑，F(xiàn)為特征波段的運(yùn)算函數(shù)，λ_1與λ_2分別為所選擇的兩個(gè)特征波段。其中，

??同時(shí)，本次土壤有機(jī)質(zhì)含量反演模型采用如下公式：

??其中，OM為土壤有機(jī)質(zhì)含量。

2 基于經(jīng)驗(yàn)比值法、一階微分法的葉綠素a含量反演

??首先，在未進(jìn)行大氣校正的情況下，我們基于經(jīng)驗(yàn)比值法、一階微分法，對葉綠素a含量加以反演。

2.1 數(shù)據(jù)導(dǎo)入與波段合成

（1） 將數(shù)據(jù)中“EO1H1190382004095110KZ.tgz”圖像壓縮包文件解壓縮；打開ENVI Classic 5.3（64-bit）軟件，選擇“File”→“Open Image File”，在彈出的文件選擇窗口中分別選中壓縮包中后綴名包括8至57的50個(gè)“.tif”格式文件；點(diǎn)擊“打開”。

（2） 選擇→“Layer Stacking”，在彈出的文件選擇窗口中選擇打開的50個(gè)波段圖像。

（3） 選擇后，需要觀察六幅圖像在待合成文件列表中的排列順序。由于后期我們需要對合成后的圖像各個(gè)波段的信息進(jìn)行折線圖形式的分析操作，因此需要將待合成文件按照“中心波長值”由小至大的順序排列。點(diǎn)擊“Reorder Files”即可實(shí)現(xiàn)這一功能。

（4） 結(jié)合本文開頭提到的三篇博客可知，由于導(dǎo)入“Layer Stacking”模塊的波段往往是倒序排列，這使得幾十個(gè)波段的合成排序操作變得較為復(fù)雜——需要進(jìn)行排序操作百余次。因此本次嘗試再將文件導(dǎo)入ENVI軟件時(shí)就采取倒序?qū)氲姆绞?。但隨后發(fā)現(xiàn)即使這樣操作，也會使得順序列表中的波段倒序排列。

（5） 順序排列完畢后，檢查投影信息等無誤后，點(diǎn)擊“OK”即可開始合成操作。

（6） 多次重復(fù)這一過程，直至將同一通道內(nèi)全部波長編號相連的圖像各自拼接。

（7） 四個(gè)波合成后，將SWIR通道對應(yīng)的三個(gè)一次合成后的圖像再一次合成。

2.2 輻射定標(biāo)與波段合成

（1） 選擇“Basic Tools”→“Spectral Math”，在彈出的公式創(chuàng)建窗口中輸入本次實(shí)驗(yàn)的兩個(gè)輻射定標(biāo)公式；輸入單個(gè)公式完成后，點(diǎn)擊下方“Add to List”按鈕，即可將鍵入的公式存入待選擇區(qū)內(nèi)。為了減少后期不必要的工作量，可以在編輯完成每一公式后點(diǎn)擊“Save”按鈕，并將最近一次保存的同一公式文件覆蓋，以將待選擇區(qū)內(nèi)的兩條公式統(tǒng)一保存。若直接選擇“Band Math”（如下圖）會導(dǎo)致無法對各波段實(shí)現(xiàn)簡單的批量操作。

（2） 保存公式完成后，點(diǎn)擊左下角“OK”按鈕，即可開始公式的計(jì)算。在彈出的公式變量文件選擇窗口中，將這一公式的變量“S1”選擇為我們通過上述操作生成、添加的圖像文件“l(fā)ayerstacking1_8_57”，并將第二個(gè)公式的變量“S1”選擇為同樣通過上述步驟獲得、添加的圖像文件“l(fā)ayerstacking5_79_223”。隨后，配置對應(yīng)兩個(gè)定標(biāo)輸出文件地址等信息。

（3） 配置完成后，點(diǎn)擊左下角“OK”按鈕，即可開始公式的運(yùn)行。運(yùn)行結(jié)束，將所得到的研究區(qū)兩幅輻射定標(biāo)結(jié)果圖像導(dǎo)入ENVI軟件中，顯示如下。

（4） 由兩幅圖各自的光譜曲線可以看出，V-NIR波段數(shù)約為50個(gè)，SWIR波段數(shù)約為120個(gè)。這與我們通過上述波段合成得到的波段數(shù)分別為50個(gè)、126個(gè)的兩幅圖像相符合。

（5） 再次執(zhí)行上述波段合成操作，將V-NIR波段圖像與SWIR波段圖像合成。

（6） 通過本次波段合成，可以看到得到的結(jié)果圖像包含了V-NIR波段數(shù)50個(gè)，SWIR波段數(shù)126個(gè)。

2.3 編輯頭文件

（1） 由于在選擇波段合成范圍時(shí)，我們?nèi)コ艘恍皦牟ǘ巍?，因此合成后的圖像中心波長、FWHM等信息均丟失，需要重新將其導(dǎo)入?？紤]到176個(gè)波段數(shù)量較大，我們可以采取Excel數(shù)據(jù)導(dǎo)出的方式將其填入ENVI影像中。

（2） 首先在Microsoft Office Excel軟件中打開原始遙感影像數(shù)據(jù)文件夾中的“Hyperion_Spectral_Coverage.xls”文件。這一表格文件為我們列出了Hyperion產(chǎn)品Level 1數(shù)據(jù)242個(gè)波段的相關(guān)信息，包括波段編號（Hyperion Band）、平均中心波長（Average Wavelength）、FWHM等屬性數(shù)據(jù)。

（3） 將我們最終定標(biāo)、合成后的176個(gè)波段對應(yīng)的上述三種屬性數(shù)據(jù)導(dǎo)入到一張新的表格中，并導(dǎo)出為TXT文件。其中需要注意，將V-NIR波段與SWIR波段重疊部分的數(shù)據(jù)剔除。

（4） 其次在“Available Bands List”文件列表中右鍵選擇波段合成后的結(jié)果文件，選擇“Edit Header”功能。

（5） 選擇“Edit Attributes”→“Wavelengths”，將TXT文件導(dǎo)入，并注意將數(shù)據(jù)單位修改為“Micrometers”。

（6） 此時(shí)再次打開上述操作編輯頭文件完畢的176個(gè)波段的圖像，可以看到光譜曲線中橫坐標(biāo)已經(jīng)由原先的1至176轉(zhuǎn)變?yōu)閷?yīng)波段的中心波長數(shù)值范圍。

2.4 圖像格式轉(zhuǎn)換

經(jīng)過ENVI處理后，得到的結(jié)果圖像并不能直接被ERDAS軟件所識別，我們需要將其轉(zhuǎn)換為“.img”等格式文件。

（1） 選擇“File”→“Save File As”→“ERDAS IMAGINE”，在彈出的文件轉(zhuǎn)換選擇窗口中選擇經(jīng)過波段合成與頭文件編輯后的結(jié)果圖像，點(diǎn)擊左下角“OK”。

（2） 在彈出的轉(zhuǎn)換文件屬性配置窗口中設(shè)置，配置好結(jié)果圖像文件保存路徑、保存文件名等。

（3） 文件格式轉(zhuǎn)換完畢后，即可將結(jié)果文件在ERDAS軟件中打開，并在其中進(jìn)行后續(xù)操作。

2.5 EDRDAS文件導(dǎo)入與裁剪

通過上述步驟得到的“.img”格式文件范圍為太湖區(qū)域加之其西南部大面積陸地區(qū)域，水體占比并不多；而遙感圖像整體區(qū)域面積較大，文件數(shù)據(jù)量多；另一方面，我們的主要反演目標(biāo)區(qū)域?yàn)樘w。因此，我們需要借助自行劃定的AOI（Area of Interest）文件，將原本的整體面積地區(qū)裁剪為太湖占比較多的地區(qū)。

（1） 打開ERDAS IMAGINE 2015軟件，在黑色圖層窗口區(qū)域右鍵，并選擇“Open Raster Layer”，在彈出的文件打開選擇窗口中選擇經(jīng)過上述全部預(yù)處理后的“.img”結(jié)果圖像，點(diǎn)擊右上角“OK”。ERDAS軟件選擇文件時(shí)，可以借助“Recent”和“Goto”功能，選擇最近操作的文件夾路徑或文件。

（2） 在圖像中劃定一個(gè)合適的太湖AOI區(qū)域，使得全部太湖水體都包含在內(nèi)。

（3） 選擇“Raster”→“Subset & Chip”→“Create Subset Image”，在彈出的文件裁剪配置窗口中選擇上述“.img”結(jié)果圖像，配置輸出文件路徑和文件名，并選擇輸出圖像文件格式為“Float Single”，在下方“AOI”選項(xiàng)中選擇“Viewer”，點(diǎn)擊左下角“OK”選項(xiàng)。這樣即可以剛剛劃定的AOI區(qū)域?yàn)椴眉舴秶?/p>

（4） 觀察得到的結(jié)果圖像，若對其直方圖加以分析可發(fā)現(xiàn)，圖像中存在大量數(shù)值為零的像元。其實(shí)這樣并不是圖像出現(xiàn)錯(cuò)誤，而是在傾斜長方形圖像周圍區(qū)域?qū)嶋H上仍為圖像所包括的區(qū)域，這些大量黑色的像素?cái)?shù)值為0，使得直方圖出現(xiàn)零值。

2.6 監(jiān)督分類

如本文第一部分原理所述，本次實(shí)驗(yàn)我們依然利用監(jiān)督分類方式區(qū)分太湖水體、其他水體與其它土地，從而實(shí)現(xiàn)更加精確的太湖區(qū)域提取。監(jiān)督分類依然在ERDAS中實(shí)現(xiàn)。

（1） 選擇“Raster”→“Supervised”→“Supervised Editor”，在彈出的AOI區(qū)域顯示表中可以看到，此時(shí)還沒有添加進(jìn)入任何AOI，表格中處于空白狀態(tài)。

（2） 分別依據(jù)太湖水體、其他水體與其它土地，在圖像中劃定區(qū)域。每一種地表類型需要?jiǎng)澇霰M可能多的AOI，以期提高最終監(jiān)督分類的效果與精確度。

（3） 每劃定一個(gè)AOI，便添加進(jìn)入“Supervised Editor”中；同一地物類型的AOI添加完畢后，對這一類型的全部AOI加以合并，并賦以一個(gè)易于辨認(rèn)的Value值。

（4） 其中，可以借助衛(wèi)星地圖影像對具體地物類別加以具體區(qū)分。但應(yīng)注意，我們所使用的遙感影像為2004年的數(shù)據(jù)，而衛(wèi)星影像數(shù)據(jù)成像時(shí)間相對較為接近我們現(xiàn)在的時(shí)間。因此，利用衛(wèi)星影像亦只可以作為一種參考。

（5） 另一方面，亦發(fā)現(xiàn)無論是采用灰度圖像還是選擇三個(gè)波段分別作為R、G、B的值，在“Supervised Editor”中顯示的顏色都是一致的，即原有的灰度圖像。這一特點(diǎn)與前幾次的多光譜博客有所差距，或許為高光譜影像的特征之一。

（6） AOI劃分完畢后，保存。選擇“Raster”→“Supervised”→“Supervised Classification”，在彈出的監(jiān)督分類配置窗口中配置輸入文件、輸出文件與用于指定區(qū)域地表類型的AOI文件。

（7） 得到的監(jiān)督分類結(jié)果如下。其中，選擇了采取平行六面體規(guī)則這一非參數(shù)規(guī)則?？梢钥吹剑捎谌N地類分類顏色相近，具體的分類結(jié)果需要放大后才可以看清。

（8） 下圖中，左圖則是采用特征空間規(guī)則這一非參數(shù)規(guī)則加以實(shí)現(xiàn)的監(jiān)督分類結(jié)果。二者對比可以看出，右側(cè)的平行六面體規(guī)則分類效果明顯優(yōu)于左側(cè)。

2.7 水體光譜曲線提取

（1） 利用“Inquire”模塊，分別選取太湖水體中20處不同位置，并上述位置對應(yīng)的各波段光譜數(shù)值導(dǎo)入Excel表格中，作為我們觀察特征波段的基礎(chǔ)。

（2） 在進(jìn)行這一步驟時(shí)，需要注意在ERDAS軟件左下角有一個(gè)百分比顯示區(qū)域。由于176個(gè)波段數(shù)量較多，數(shù)據(jù)在復(fù)制過程中會有些卡頓；借助百分比顯示狀態(tài)即可看出復(fù)制進(jìn)度。

2.8 特征波段選取與計(jì)算

（1） 將20個(gè)采樣點(diǎn)的光譜曲線導(dǎo)入Excel軟件后，利用本文第一部分原理中的公式計(jì)算對應(yīng)光譜數(shù)值的一階微分與倒數(shù)對數(shù)。并將得到的結(jié)果制圖。以下三幅圖分別為光譜原始數(shù)值、一階微分與倒數(shù)對數(shù)對應(yīng)圖像。

（2） 依據(jù)以上三幅光譜曲線，我們可以從中選取特征波峰或波谷，并將其帶入經(jīng)驗(yàn)公式中。

（3） 如根據(jù)上述兩幅圖，我們分別選擇波長為701.5500nm波段與波長為660.8500nm波段。如本文第一部分所示，將其帶入文獻(xiàn)中所展示的經(jīng)驗(yàn)比值模型。

（4） 選擇“Toolbox”→“Model Maker”→“Model Maker”，在彈出的New_Model窗口中配置模型。

（5） 經(jīng)過上述ERDAS建模過程，我們得到依據(jù)經(jīng)驗(yàn)比值方法計(jì)算的太湖水體葉綠素a含量反演結(jié)果圖像?？梢钥吹剑瑘D像中出現(xiàn)大量負(fù)值。這是由于我們直接選用了文獻(xiàn)中的參數(shù)，且原始圖像未經(jīng)過大氣校正造成的。

（6） 此外，依據(jù)上述近似的思路，利用光譜的一階微分?jǐn)?shù)值計(jì)算太湖水體葉綠素a含量。其中，本次所選擇的一階微分處理特征波段分別為波長為691.3700nm與671.0200nm的兩個(gè)波段。

（7） 分別將以上兩幅經(jīng)驗(yàn)比值法、一階微分法計(jì)算得出的葉綠素a含量結(jié)果制作為專題地圖。上述經(jīng)驗(yàn)比值法計(jì)算得到結(jié)果存在較多負(fù)值，故此處暫不展示其專題地圖——大家繼續(xù)往后看即可。

3 大氣校正及經(jīng)驗(yàn)比值法波段調(diào)整

由以上結(jié)果可知，不進(jìn)行大氣校正，所得葉綠素a含量反演結(jié)果精度較低，甚至經(jīng)驗(yàn)比值法計(jì)算得到結(jié)果存在較多負(fù)值，肯定是不對的。因此，這一部分我們基于以下兩個(gè)方面，對葉綠素a含量反演精度加以提升：

1. 進(jìn)行大氣校正；

2. 對出了問題的經(jīng)驗(yàn)比值法所選用的波段加以調(diào)整。

3.1 轉(zhuǎn)換文件數(shù)據(jù)格式

（1） 選擇“Basic Tools”→“Convert Data (BSQ,BIL,BIP)”，在彈出的文件選擇窗口中選擇經(jīng)過波段合成、編輯頭文件操作后的結(jié)果圖像，點(diǎn)擊“OK”。

（2） 調(diào)整為“BIL”數(shù)據(jù)存儲格式后，即可使用該圖像文件進(jìn)行FLAASH大氣校正。

3.2 FLAASH大氣校正

（1） 選擇“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“FLAASH”，在彈出的轉(zhuǎn)換因子窗口中選擇第二項(xiàng)，即單一因子適用于所有波段的情況。由于我們本次所使用數(shù)據(jù)原有光譜數(shù)值為絕對輻射值的標(biāo)準(zhǔn)單位，即(μW)/(cm2nmsr)，這一單位為FLAASH方法所能利用的單位，故我們需要將轉(zhuǎn)換因子設(shè)定為1.00。

（2） 隨后彈出的配置對話框中，首先選擇輸入圖像文件、輸出圖像文件目錄及名稱，同時(shí)依據(jù)遙感影像的元數(shù)據(jù)，配置其中心點(diǎn)經(jīng)緯度、傳感器類型（傳感器類型一旦選定，系統(tǒng)將會自動匹配傳感器高度與像元大小這兩個(gè)參數(shù)）、航行時(shí)間；同時(shí)依據(jù)實(shí)際研究區(qū)的情況，配置平均海拔高度這一選項(xiàng)；其次，選擇合適的地球大氣模型和氣溶膠模型。其中，地球大氣模型需要根據(jù)一張標(biāo)準(zhǔn)查找表確定，氣溶膠模型則依據(jù)研究區(qū)域?qū)嶋H情況加以確定。設(shè)置FLAASH大氣校正參數(shù)如下。其中，Hyperion產(chǎn)品Level 1數(shù)據(jù)的航行時(shí)間、圖像經(jīng)緯度等元數(shù)據(jù)可以通過解壓縮后的文件夾中“EO1H1190382004095110KZ_SGS_01.fgdc”文件查閱。

（3） 接下來，選擇“Multispectral Settings”。當(dāng)基本設(shè)置中設(shè)置了水汽反演模型和氣溶膠模型時(shí)，我們需要相應(yīng)地將多光譜相關(guān)屬性加以配置，配置完畢后點(diǎn)擊“OK”。

（4） 全部設(shè)置完畢后，可以點(diǎn)擊右下角的“Save”按鈕，從而將本次對于FLAASH方法的全部屬性配置保存；在后期若對同樣的遙感數(shù)據(jù)進(jìn)行同樣的操作時(shí)，保存屬性配置可以免去多次重復(fù)調(diào)整相關(guān)參數(shù)的工作，從而提高效率。

（5） 點(diǎn)擊“Apply”，將會開始執(zhí)行FLAASH大氣校正。但在開始前，將會彈出一個(gè)FWHM配置窗口。這是由于，F(xiàn)LAASH若針對高光譜圖像加以執(zhí)行，需要配置這一屬性。

（6） 通過與導(dǎo)入中心波長相似的操作，我們將FWHM同樣通過Excel軟件與TXT文件導(dǎo)入。

（7） 隨后開始執(zhí)行FLAASH大氣校正。但發(fā)現(xiàn)，F(xiàn)LAASH大氣校正執(zhí)行一定時(shí)間后，總會出現(xiàn)未包含錯(cuò)誤原因的報(bào)錯(cuò)提示，并自動暫停執(zhí)行過程。

（8） 多次嘗試依據(jù)網(wǎng)絡(luò)資源對FLAASH大氣校正參數(shù)加以調(diào)整，但這一問題依然存在。針對這一問題的分析附于下文3.4的（7）部分。

3.3 QUAC快速大氣校正

（1） FLAASH大氣校正無法執(zhí)行后，嘗試使用QUAC快速大氣校正方法。選擇“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“Quick Atmospheric Correction”，在彈出的文件選擇窗口中選擇待處理圖像文件，點(diǎn)擊“OK”。

（2） 得到結(jié)果圖像文件后，在其上任意位置處右鍵，選擇“Z Profile (Spectrum)”，查看圖像中任意位置對應(yīng)波譜信息。

（3） 將得到的QUAC快速大氣校正圖像與校正前圖像光譜曲線加以對比，可以看到針對地表植被，光譜曲線走勢更加符合植被特征曲線，尤其是550nm附近的反射峰、670nm附近的吸收谷、700nm附近的吸收陡坡、900至1300nm附近的平緩趨勢等，QUAC大氣校正結(jié)果圖像均有著較好的展現(xiàn)。

3.4 經(jīng)驗(yàn)比值法調(diào)整

（1） 通過ENVI軟件QUAC快速大氣校正后，嘗試將大氣校正后的結(jié)果圖像重新帶入第一次未成功的經(jīng)驗(yàn)比值模型中，再一次計(jì)算這種方法得到的葉綠素a含量。

（2） 大氣校正后的結(jié)果圖像為包括大部分非水體的原有范圍區(qū)域圖像，因此需要對其加以重新裁剪、監(jiān)督分類。

（3） 本次監(jiān)督分類時(shí)，嘗試用不同R、G、B波段配置方式。隨后發(fā)現(xiàn)，若采用Hyperion產(chǎn)品的真彩色配色方式（29:23:16）得到的結(jié)果雖然更加符合實(shí)際情況，但其圖像像素之間變得較為難以識別，不利于監(jiān)督分類。

（4） 另一方面，在重新進(jìn)行監(jiān)督分類時(shí)，發(fā)現(xiàn)總是會報(bào)出如下錯(cuò)誤。多次嘗試，均無法避免。

（5） 因此，對輸入的QUAC大氣校正結(jié)果圖像加以光譜曲線加以復(fù)制，并導(dǎo)出到Excel軟件中驗(yàn)證。

（6） 可以看到，上述光譜曲線在波長前一部分并無問題，而在930nm左右之后，其數(shù)值均不再發(fā)生變化。經(jīng)過多次重復(fù)、嘗試，找到問題所在——由于波段合成、編輯頭文件、大氣校正等過程均在ENVI軟件中執(zhí)行，因此使得輸出的文件名越來越長（ENVI軟件每完成一步光譜處理均會在原波段名稱前增添一個(gè)操作名稱單詞）；而過長的ENVI文件名超出了ERDAS軟件的文件名識別上限，因此軟件將B57波段后的所有波段均識別為同一波段，造成錯(cuò)誤。錯(cuò)誤的圖像如上頁最后一幅圖；下圖則為一幅未經(jīng)過ENVI大氣校正而沒有產(chǎn)生這一問題的正常高光譜圖像的波段信息。

（7） Excel軟件中，可以清晰地看出由B79波段開始，所有光譜數(shù)值不再發(fā)生變化。之所以在B79波段開始出現(xiàn)這一問題，一定是因其為SWIR波段的第一個(gè)波段，而SWIR波段相較之V-NIR波段多經(jīng)過一次ENVI軟件的波段合成（因?yàn)槠漕~外需要由三組波段合成為一組）；多經(jīng)過一次ENVI操作，其名稱會多出一個(gè)英文單詞，從而出現(xiàn)這一問題。且由此分析，F(xiàn)LAASH之所以無法正常完成，亦是因?yàn)槲沂怯肊NVI進(jìn)行圖像預(yù)處理，使得波段名稱過長；而FLAASH運(yùn)行過程中會生成很多新的臨時(shí)文件，這些新文件的波段命名方式應(yīng)亦為在各波段前添加單詞，從而導(dǎo)致部分波段名稱中相互之間唯一不同的字符被“擠出”軟件可識別的名稱范圍，出現(xiàn)重名，導(dǎo)致FLAASH在運(yùn)行過程中報(bào)錯(cuò)。

（8） 因此，為解決經(jīng)驗(yàn)比值算法出現(xiàn)的葉綠素a含量為負(fù)數(shù)的問題，決定只得由第二個(gè)角度——特征波段入手。因?yàn)槲覀冎苯舆\(yùn)用文獻(xiàn)中推導(dǎo)的經(jīng)驗(yàn)比值模型參數(shù)，且特征波段的選擇具有一定主觀性；因此特征波段亦會影響最終結(jié)果取值。

（9） 多次觀察反射率光譜曲線，同時(shí)適當(dāng)結(jié)合一階微分、倒數(shù)對數(shù)光譜曲線 ，以確定出新的特征波段。

（10） 同樣利用ERDAS軟件，以期建立模型求出采用新特征波段的葉綠素a含量。最終，確定出701.5500nm與691.3700nm這兩個(gè)特征波段作為選定的波段。上述特征波段確定的葉綠素a含量數(shù)值雖仍有小于0的部分，但已有很大改觀。

（11） 修正后的經(jīng)驗(yàn)比值模型求得的太湖水體葉綠素a含量專題地圖如圖所示（經(jīng)過指正，以下這幅我的專題地圖有誤，大家所得結(jié)果可能與我的不太一樣，依據(jù)實(shí)際情況判斷即可）。同上述第一幅專題地圖一致，在制作時(shí)需要將圖像中太湖周圍（即陸地部分）的0值轉(zhuǎn)為NoData。

4 經(jīng)驗(yàn)比值法、一階微分法的葉綠素a含量反演結(jié)果對比

（1） 針對上述兩種水體葉綠素a反演算法得到的兩幅專題地圖，對比、分析如下。

（2） 其中，左側(cè)圖像為經(jīng)驗(yàn)比值模型反演結(jié)果，右側(cè)圖像為一階微分模型反演結(jié)果。

（3） 在取值范圍上，經(jīng)驗(yàn)比值結(jié)果取值分布于0至0.040mg/L左右，一階微分結(jié)果取值分布于0.020至0.065mg/L左右。依據(jù)文獻(xiàn)及實(shí)際情況，可以看到上述兩種方法得到的結(jié)果整體均偏小，尤其是缺少含量較高的數(shù)值（我國東部亞熱帶、溫帶內(nèi)陸湖泊水體葉綠素a含量最大值往往可達(dá)0.110至0.120mg/L以上）；其中，經(jīng)驗(yàn)比值得到的結(jié)果明顯小于一階微分結(jié)果，前者最大值甚至僅僅達(dá)到后者最小值左右的水平；且經(jīng)驗(yàn)比值結(jié)果中包含極少量負(fù)值像素。由此可知，在數(shù)值方面，一階微分模型精度更高一些。當(dāng)然，我們本次模型中常量參數(shù)均直接利用文獻(xiàn)給出的數(shù)值，而實(shí)際中這些參數(shù)的數(shù)值是需要依據(jù)地表水體實(shí)測葉綠素含量、各波段與葉綠素含量的相關(guān)系數(shù)等加以推導(dǎo)、驗(yàn)證得出的，即上述取值范圍有很大一部分是由于參數(shù)選取并不是很準(zhǔn)確導(dǎo)致的。

（4） 在分布趨勢上，可以看到兩種方法得出的結(jié)果均符合“岸邊含量達(dá)到最高，水體中心含量相對最低，由岸邊至水體中心含量逐漸降低”這一情況。而不同的是，經(jīng)驗(yàn)比值得到的結(jié)果隨離岸距離的變化極其明顯，呈現(xiàn)由東北至西南方向的條帶狀分布；甚至在太湖這一區(qū)域的西南部分，由于河岸向水體中心方向明顯延申，導(dǎo)致其隨亦是近岸區(qū)域，但反演得到的葉綠素a含量并沒有隨之升高——這樣的條帶狀分布過于明顯，可能是由于未經(jīng)處理的光譜曲線含有的噪聲或共線性過多，光譜的大氣影響等未很好消除而導(dǎo)致的。而一階微分得到的結(jié)果圖像相對前者而言，其葉綠素a含量隨水體向內(nèi)延伸而變化的幅度較小，并不是特別明顯。而兩幅圖中，葉綠素a含量最高和最低的區(qū)域則較為一致，均為西南圓弧狀岸邊處含量整體較高，東北部水域含量整體較低。

（5） 綜上所述，可以看出無論是在具體數(shù)值取值范圍上，還是在數(shù)值的空間分布上，一階微分得到的結(jié)果相對較為真實(shí)。

5 其他探究內(nèi)容

5.1 基于ENVI實(shí)現(xiàn)微分計(jì)算

（1） 在ENVI 5.3 (64-bit) 軟件中，可以借助“deriv”函數(shù)實(shí)現(xiàn)光譜曲線的微分計(jì)算。

（2） 與經(jīng)典版不同的是，ENVI 5.3 (64-bit) 軟件在編輯頭文件時(shí)有所變化，但整體步驟流程一致。此外，太湖區(qū)域的提取亦可以在ENVI軟件中通過剪裁實(shí)現(xiàn)。

5.2 水體表層沉積物平均粒徑反演

（1） 依據(jù)本文第一部分原理，反演計(jì)算太湖區(qū)域水體表層沉積物平均粒徑。

（2） 求出專題地圖。

（3） 由專題地圖可以看出，所求得的水體表層沉積物平均粒徑取值主要集中于6.0Ф以上；其結(jié)果圖像中高值分布區(qū)域與前期在做監(jiān)督分類時(shí)采用的假彩色圖像中太湖水體渾濁（即泛白色）位置（如下圖所示）十分一致，可見原本遙感圖像中渾濁其實(shí)為水體中表層沉積物；沉積物平均粒徑越大，水體越渾濁。而上述結(jié)果中的條紋狀現(xiàn)象可能為特征波段選取并不是很恰當(dāng)，其間具有部分共線性導(dǎo)致的。

5.3 土壤有機(jī)質(zhì)反演

（1） 依據(jù)文獻(xiàn)，利用兩個(gè)特征波段各自倒數(shù)對數(shù)的一階微分的比值與土壤有機(jī)質(zhì)含量的二次回歸方程，經(jīng)過同樣的建模、制圖過程，得出太湖周邊地區(qū)土壤有機(jī)質(zhì)反演專題地圖。

（2） 從中可以看出，土壤有機(jī)質(zhì)含量較高的區(qū)域主要集中于城鎮(zhèn)中心、道路兩旁，這可能是由于人為、交通等導(dǎo)致的碳積累；大部分地區(qū)有機(jī)質(zhì)含量處于0.5%至1.0%左右，這個(gè)值或許有些小于常見水平。圖像中的小面積空白區(qū)域多為非太湖湖泊、水田、魚塘等水體。

本文公式、反演算法等可以參考的文獻(xiàn)

文章來源地址http://www.zghlxwxcb.cn/news/detail-672898.html

到了這里，關(guān)于ENVI+ERDAS實(shí)現(xiàn)Hyperion葉綠素含量反演：經(jīng)驗(yàn)比值法、一階微分法的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！