EO-1 Hyperion 植被分析教程

本教程使用 EO-1 Hyperion 高光谱图像来识别因昆虫损害而导致的垂死针叶树区域。将学习如何预处理图像以及如何创建利用特定波长范围来突出受压植被区域的植被指数。

完成本教程的预计时间为两个小时。

请参阅以下部分：

• 本教程中使用的文件

• 预处理

• 植被指数

• 参考

本教程中使用的文件

教程文件可从ENVI 教程网页或 ENVI 资源 DVD 的高光谱目录中获得。将文件复制到本地驱动器。

下图中的灰色多边形显示了图像的大致覆盖区域。它覆盖了美国爱达荷州东部的一小片圣乔和克利尔沃特国家森林。

本教程选择了这个特殊的 Hyperion 场景，因为它显示了山松甲虫和西方香脂树皮甲虫广泛存在昆虫危害的证据。

预处理

在进行任何科学图像分析之前，请遵循这些预处理步骤。

打开并显示图像

1. 从 ENVI 菜单栏中，选择File > Open。

2. 选择文件HyperionForest.dat。单击打开。

该图像是更大的 Hyperion 图像的空间子集，该图像是从 USGS EarthExplorer 网站以 HDF4 (Level-1R) 格式下载的。我们定义了一个空间子集并将其保存为 ENVI 栅格格式，以便为本教程创建一个较小的文件。我们还缩短了相关头文件中的波段名称。

如果多光谱文件的自动显示方法首选项设置为真彩色，则使用波段 29（红色）、20（绿色）和 12（蓝色）显示图像以产生近似的真彩色表示：

• 按键盘上的F12键可全屏查看图像。

• 使用工具栏中的导航工具更详细地浏览图像。在真彩色显示器中，死亡和受压的植被为灰色或红灰色。甲虫的损害可能是该地区垂死的针叶树的原因。健康的植被是绿色的。

查看元数据

1. 在图层管理器​​中，右键单击文件名HyperionForest.dat并选择查看元数据。

2. 单击元数据查看器左侧的光谱类别。

3. 向右滚动，直到看到Radiance Gains和Radiance Offsets字段。波段 1-70 是可见/近红外 (VNIR) 波段。稍后当您校准数据时，ENVI 辐射校准工具会将该波段范围内的每个像素乘以 0.025 的增益值，这与将每个像素除以 40 相同。波段 71-242 是短波红外 (SWIR)乐队。辐射校准工具会将该波段范围内的每个像素乘以 0.0125 的增益值，这与将每个像素值除以 80 相同。

注意：此特定文件来自 2013 年，用于 ENVI 5.2。ENVI 5.3 及更高版本中的波段顺序将有所不同。Hyperion HDF4 文件将具有以下波段顺序：波段 1-59 和 71-81 的增益值为 0.025，而波段 60-70 和 82-242 的增益值为 0.0125。

• 单击元数据查看器左侧的时间类别，并记下采集时间。应该是2013-07-20T17:36:52Z。稍后在 FLAASH 中将需要此日期和时间。

• 单击坐标系，然后单击地理点类别。图像的坐标系是 Geographic Lat/Lon WGS-84，但这并不意味着图像的地理参考正确。Geo Points 类别表明只有图像的四个角点是已知的。ENVI 将其视为伪投影。它基于四个角点和 Kx/Ky 系数应用仿射映射变换来扭曲图像。它尝试计算每个像素的地理坐标。这种类型的投影包含高度的可变性，并且在地理上不准确。ENVI 没有用于正射校正 Hyperion 数据的工具。一种选择是使用Image to Map Registration为图像到地图配准创建地面控制点的工具。您将不会在本教程中执行这些步骤。

• 关闭元数据查看器。

为乐队制作动画

您可以对所有 242 个波段进行动画处理，以查看哪些波段有错误数据。稍后您将删除这些频段。

1. 在图层管理器​​中，右键单击文件HyperionForest.dat并选择Band Animation。乐队动画对话框出现，动画突然开始。

2. 播放视频时，单击无延迟下拉菜单并选择0.5 秒的延迟时间以减慢动画速度。

• 将滑块指针移回动画的开头（向左），然后单击“播放”按钮。“波段动画”对话框列出了当前在每一帧中显示的波段编号。

Hyperion 可见近红外 (VNIR) 传感器有 70 个波段，短波红外 (SWIR) 传感器有 172 个波段。以下波段已设置为零值（Barry，2001）：

• 1-7

• 58-76

• 225-242

该图像中的其他波段具有严重的噪声，对应于强烈的水蒸气吸收；这些波段通常从处理中移除（Dat et al., 2003）：

• 121-126

• 167-180

• 222-224

• 关闭波段动画对话框。

指定坏带

1. 在工具箱中，键入edit。双击出现的Edit ENVI Header工具名称。

2. 在输入文件选择对话框中，选择HyperionForest.dat并单击OK。

3. 在编辑栅格元数据对话框中，滚动到坏波段列表字段。

4. 单击全选按钮。

5. 滚动到乐队列表的顶部。

6. 按住键盘上的Ctrl键。

7. 单击以取消选择以下波段范围（因此它们是白色的）。当您取消选择组中的最后一个波段时，松开Ctrl键。如果需要，向下滚动乐队列表。然后再次按住Ctrl键并取消选择下一组坏带。

   • 1-7

   • 58-76

   • 121-126

   • 167-180

   • 222-242

以下屏幕截图显示了取消选择坏带的示例：

所选项目的数量（好的乐队，蓝色）应该是 175。

1. 在 Edit Bad Bands List values 对话框中单击OK，然后在 Header Info 对话框中再次单击。文件关闭并从显示中删除。

2. 从菜单栏中选择File > Open，然后重新打开HyperionForest.dat。

一些剩余的波段具有垂直条纹效应，这是一个已知问题，原因是 Hyperion 推扫式扫描仪上的检测器校准不佳。遥感文献中提供并描述了各种去条化算法。在本教程中，我们不会纠正这些垂直条纹。

下一步是将图像校准为光谱辐射度。

校准图像

1. 在工具箱中，键入radio。双击出现的辐射校准工具名称。

2. 在文件选择对话框中，文件HyperionForest.dat已被选中。Spectral Subset 字段显示 242 个波段中的 175 个，这证实了坏波段已被识别。单击确定。

3. 在“辐射校准”对话框中，单击“应用 FLAASH 设置”。这将创建一个波段交错 (BIL) 辐射图像，其浮点值采用 FLAASH 大气校正工具所需的正确单位。注意：不要修改比例因子字段。HyperionForest.dat的像素值以W/(m2* sr * µm) 为单位。辐射校准工具将应用查看元数据”部分中提到的增益值，然后将像素值乘以 0.1，以便它们的单位为 µW/(cm2* sr * nm)，这是输入所必需的到闪存。

4. 单击浏览按钮，然后导航到要保存输出的目录。

5. 输入Radiance.dat的输出文件名。

6. 禁用显示结果选项。

7. 单击确定。校准过程可能需要几分钟，因为这是一个需要处理 175 个波段的大文件。

校正大气效应

使用光谱指数时，将图像进一步校准到表观表面反射率会产生最准确的结果。这对于 AVIRIS 和 EO-1 Hyperion 等高光谱传感器尤其重要。将图像校准到表面反射率还可以确保在比较不同传感器的指数随时间变化时的一致性。

在这些步骤中，您将使用 FLAASH 从图像中去除大气影响并创建明显的表面反射率图像。

FLAASH 是由 Spectral Sciences, Inc. 开发的基于模型的辐射传输程序。它使用 MODTRAN4 辐射传输代码来校正大气水蒸气、氧气、二氧化碳、甲烷、臭氧吸收以及分子和气溶胶散射的图像。要运行 FLAASH，您必须为大气校正模块购买单独的许可证：FLAASH 和 QUAC。

按着这些次序：

1. 在工具箱中，键入flash。双击出现的FLAASH Atmospheric Correction工具名称。

2. 单击输入辐射图像按钮。

3. 在 FLAASH Input File 对话框中，选择Radiance.dat并单击OK。

4. 在“辐射比例因子”对话框中，选择“对所有波段使用单一比例因子”选项，并为“单一比例因子”保留默认值1.0。辐射校准工具已经应用了正确的增益值和比例因子，因此这里不需要进一步调整。

5. 单击确定。

定义输出文件

1. 在输出反射率文件字段中，输入要写入输出反射率文件的目录的完整路径。对于文件名，键入SurfaceReflectance.dat。

2. 在“ FLAASH 文件的输出目录”字段中，输入要在其中写入所有其他 FLAASH 输出文件的目录的完整路径。其中包括柱状水汽图像、云分类图、日志文件和（可选）模板文件。

3. 在FLAASH 文件的根名称字段中，键入将作为 FLAASH 输出文件前缀的根名称。

选择场景和传感器选项

1. FLAASH 自动确定场景的中心地理坐标，因此您无需输入这些值。

2. 从传感器类型下拉按钮中，选择高光谱 > Hyperion。

3. 填写其他字段如下：

   • 传感器高度（km）：EO-1 航天器为705

   • 地面高程 (km)：1，使用 Google Earth™ 地图服务估计的平均场景高程

   • 像素尺寸（米）：30

   • 航班日期：参考您之前在查看元数据步骤中记下的日期。输入2013 年 7 月 20 日。

   • 飞行时间 (GMT)：参考您之前在查看元数据步骤中记下的时间。输入17:36:52。

选择大气模型选项

高光谱传感器通常包含估计大气中的水蒸气和气溶胶所需的足够信息。因此，您将在以下步骤中检索水蒸气和气溶胶。

1. 从大气模型下拉按钮中，选择美国标准。

2. 单击取水切换按钮以选择是。

3. 接受Water Absorption Feature的默认值1135 nm。如果您选择 1135 nm 或 940 nm，并且该特征由于极端潮湿的气氛而饱和（此位置不太可能），则将使用 820 nm 特征代替它。

4. 接受气溶胶模型的默认值Rural。对于我们场景的位置，这是一个不错的选择，其中气溶胶不受城市或工业来源的强烈影响。在这种情况下，模型的选择实际上并不重要，因为能见度通常大于 40 公里。

5. 接受所有剩余字段的默认值。

6. 只有在使用未被广泛认可的高光谱传感器时，才需要 FLAASH 对话框底部的高光谱设置按钮下的可用设置。您将使用这些设置来选择如何为水蒸气和/或气溶胶回收选择波段。由于我们的数据来自命名传感器 (Hyperion)，因此您无需定义这些设置。

7. 单击应用。FLAASH 处理可能需要几分钟。处理完成后，会出现 FLAASH Atmospheric Correction Results 对话框，其中包含处理结果的摘要。FLAASH 在您定义的目录中创建多个输出文件：云遮罩图像、水蒸气图像、带有处理结果的日志文件、带有您定义的参数的模板文件和反射率文件。

8. 关闭两个 FLAASH 对话框。

显示反射图像

• 打开数据管理器并向下滚动到SurfaceReflectance.dat。右键单击其文件名并选择Load CIR。图像以假色组合显示。下图显示了图像北部的一个示例：

• 单击工具栏中的光谱配置文件按钮。

• 在工具栏中的Go To字段中，输入以下像素坐标：10, 762。该像素代表健康的植被，在伪彩色显示中呈现亮粉色。注意反射率曲线的形状，反射率从 680 到 730 nm（称为红色边缘）突然增加。在研究影响植被的因素时，通常会更详细地分析这个波长区域。代表植被含水量的两个强吸收特征在 1450 nm 和 1950 nm 处很明显。您还可以在 550 nm 附近的绿色波长区域看到一个峰值。

在工具栏中的转到字段中，输入以下像素坐标：227, 342。此位置包含不健康的针叶树。注意反射曲线的形状。总的来说，红边的斜率明显减小，1450nm的吸水特征不那么突出，说明水分含量较低。

• 关闭 Spectral Profile 为下一个练习做准备。

虽然光谱剖面可以帮助定位具有不健康植被的像素，但光谱指数可以让我们更准确地评估受压植被。

植被指数

光谱指数是两个或多个波长的表面反射率的组合，表示感兴趣特征的相对丰度。从卫星图像中得出的植被指数是监测植被状况的主要信息来源之一。通过遥感技术检测植被压力是基于这样的假设，即压力因素会干扰光合作用或植被的物理结构，影响光能的吸收，从而改变植被的反射光谱（Riley，1989；Pinter 和 Hatfield， 2003）。

Hyperion 图像的光谱分辨率允许您更详细地检查红色 NIR 光谱，这有助于识别受压植被的区域。ENVI 提供了几个窄带植被指数，这些指数表明植被中光合物质的总量和质量以及水分含量。

按照以下步骤创建不同的植被指数：

1. 在工具箱中，展开波段代数文件夹。

2. 双击光谱索引工具。

3. Input Raster 字段应该已经列出SurfaceReflectance.dat。如果没有，请单击“浏览”按钮并找到该文件。

4. 从 Index 下拉列表中，选择Moisture Stress Index。

5. 在输出栅格字段中，将输出文件命名为MSI.dat。

6. 启用显示结果选项，然后单击确定以创建水分压力指数图像。

7. 处理完成后，更详细地探索水分压力指数图像。光谱指数不提供光谱特性的精确、定量测量；它们只提供了相对丰富的感兴趣的特征。较亮的像素值表示更多缺水。水分胁迫指数是一种对增加叶片含水量敏感的反射测量。随着植被含水量的增加，1599 nm 附近的吸收强度增加。819 nm 处的吸收几乎不受含水量变化的影响，因此它被用作参考波长（Hunt, Jr. and Rock, 1989）：

White 等人 (2007) 发现水分胁迫指数值与松甲虫损害程度之间存在显着相关性。

接下来，您将创建一个光栅颜色切片，以突出显示 MSI 图像中的最高像素值。

彩色切片

1. 右键单击图层管理器​​中的MSI.dat图层并选择New Raster Color Slice。

2. 在“文件选择”对话框中选择“水分应力指数”波段名称，然后单击“确定” 。

3. 单击“编辑光栅颜色切片”对话框中的四个叉号“清除颜色切片”按钮。您将创建一个新的光栅颜色切片。

4. 单击绿色加号添加颜色切片按钮。添加了一个新的颜色切片，覆盖了整个像素值范围（-245 到 14.08）。您将突出显示最高像素值，这对应于所显示的窄直方图的末端。

5. 保持Slice Max值不变，并为Slice Min输入值1。按Enter键接受该值。高于 1.0 的水分压力指数值以红色突出显示：

1. 右键单击图层管理器​​中的切片文件夹，然后选择导出颜色切片 > 形状文件。

2. 输入HighMSI.shp的输出文件名，然后单击确定。

3. 在 Process Manager 中等待 ExportVector 过程完成，然后单击OK退出 Edit Raster Color Slices 对话框。

4. 在图层管理器​​中取消选中MSI.dat图层以隐藏该图层。红色光栅彩色切片显示在原始表面反射率图像的顶部。

5. 突出显示图层管理器​​中的光栅颜色切片图层，然后调整工具栏中的透明度滑块以通过颜色切片查看下面的表面反射率图像。

6. 取消选中Raster Color Slice图层以隐藏它。

接下来，您将使用 Forest Health 工具查找具有高压力条件的区域。

森林健康工具

森林健康植被分析工具将创建一个空间地图，显示森林地区的整体健康状况和活力。它擅长检测森林中的害虫和枯萎病状况以及评估木材采伐区域。处于高压力条件下的森林显示出植物材料干燥或垂死、树冠非常密集或非常稀疏以及光利用效率低下的迹象。该工具使用以下植被指数类别：

• 宽窄带绿度，显示绿色植被的分布。

• 叶色素，显示类胡萝卜素和花青素色素的浓度，用于压力水平。

• 冠层含水量，以显示水的浓度。

• 光的利用效率，以显示森林的生长速度。

按照以下步骤创建森林健康地图：

1. 在工具箱的搜索窗口中，输入forest。

2. 双击出现的Forest Health Vegetation Analysis工具名称。

3. 在 Input File 对话框中，选择SurfaceReflectance.dat并单击OK。

4. 从 Forest Health Parameters 对话框的Greenness Index下拉列表中，选择Modified Red Edge Normalized Difference Vegetation Index。

5. 从叶色素指数下拉列表中，选择类胡萝卜素反射指数 2。

6. 从Canopy Water or Light Use Efficiency Index下拉列表中，选择Structure Insensitive Pigment Index。

7. 输入Forest Health.dat的输出文件名，然后单击确定。

8. 生成的图像不会自动显示。打开数据管理器，滚动到文件列表的底部，然后选择Forest Health区域。单击加载数据以显示图像。

森林健康图像不提供任何植被压力的定量测量；相反，它显示了从 1（不健康）到 9（健康）的森林植被健康相对量。您可以从 Hyperion 传感器看到垂直条纹伪影。

9. 在图层管理器​​中，关闭除 1 和 2 之外的所有类：

这些像素代表植被受压的区域。将此与您之前创建的植被指数图像进行比较。

还需要进行实地研究和航空调查，以验证这些区域是否与昆虫损害相对应。但是，您在本教程中学到的方法表明，遥感和高光谱图像是指示森林中不健康和垂死植被的有效工具。

参考

Barry, P. EO-1/Hyperion Science Data User’s Guide. Redondo Beach, CA: TRW Space, Defense & Informations Systems (2001).

Ceccato, P. et al. "Detecting vegetation leaf water content using reflectance in the optical domain." Remote Sensing of Environment 77 (2001): 22-33.

Datt, B. et al. "Preprocessing EO-1 Hyperion hyperspectral data to support the application of agricultural indexes." IEEE Transactions on Geoscience and Remote Sensing 41, No. 6 (2003): 1246-1259.

Datt, B. "A new reflectance index for remote sensing of chlorophyll content in higher plants: tests using Eucalyptus leaves." Journal of Plant Physiology 154 (1999): 30-36.

Hunt Jr., E., and B. Rock. "Detection of changes in leaf water content using near- and middle-infrared reflectances." Remote Sensing of Environment 30 (1989): 43-54.

Merzlyak, J. et al. "Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening." Physiologia Plantarum 106 (1999): 135-141.

Pinter, P., and J. Hatfield. "Remote sensing for crop management." Photogrammetric Engineering & Remote Sensing 69, Vol. 6 (2003): 647-664.

Riley, J. "Remote sensing in entomology." Annual Review of Entomology 34 (1989): 247-271.

Sims, D., and J. Gamon. "Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages." Remote Sensing of Environment 81 (2002): 337-354.

White, J. et al. "Detecting mountain pine beetle red attack damage with EO-1 Hyperion moisture indices." International Journal of Remote Sensing 28, Issue 10 (2007): 2111-2121.