2.3 地物光谱特征与指纹库
2.3 地物光谱特征与指纹库
本节摘要：地物反射率随波长变化的曲线称为光谱特征，它是遥感识别与反演的信息源头：植被有红边与近红外高台，水体在近红外近乎全黑，土壤呈平缓上升曲线。本节讲清各曲线背后的物理机理，介绍光谱库的用途，并用代码演示从光谱差到植被指数的推导。
每种地物都有自己的签名
把观测过程想象成指纹采集：太阳光扫过地表，每种地物按自己的材质在不同波长上留下深浅不一的"指纹"，传感器把指纹带回来。指纹学名叫光谱反射曲线——横轴波长、纵轴反射率。看懂几条主要曲线，等于掌握了这本学科的识字表。
植被的曲线形状最有戏剧性。可见光段因叶绿素强吸收蓝光与红光，只在上绿光段留一个小反射峰，所以健康叶子看上去是绿的；七百纳米附近反射率陡然爬升，形成著名的"红边"；近红外段因叶片内部海绵状叶肉与细胞壁的多次散射，反射率高台到百分之四十以上；进入短波红外后，叶片水分的吸收把曲线再度压低。红边的存在是生命信号的直接证据——枯草、水泥、绿漆无论颜色多像植物，都画不出这条陡坡。水体的曲线几乎单调递减：可见光段尚有些许反射（清水偏蓝、浑水偏绿），近红外起近乎全吸收，因此任何近红外影像上水体都是最暗的地物，提取水体边界的第一招就是近红外阈值。土壤曲线平缓单调，含水量高时整体下压、有机质高时变暗变平，缺少尖锐特征，土壤信息更多依赖多时相与上下文推断。人工目标各有性格：沥青路面低平、混凝土在可见光段高亮、金属屋顶在近红外依然高亮且有方向性， SAR 影像里金属结构则以强角反射著称。
光谱库：解译的字典
既然每种材质有相对稳定的曲线，把大量实测曲线按材质、状态、观测几何归档成库，就得到光谱库——解译与算法开发的字典。用法有两类。一是匹配识别：把影像像元光谱与库内曲线比对，找最相似的类别；高光谱遥感几乎全靠这条路，因为它的连续窄波段能把曲线形状采全，区分"同属植被的不同树种"这种精细任务。二是波段设计：设计新传感器或新指数前，先在库里做波段仿真，找出目标类别分离度最高的波段组合——本节末尾的演算就是这个动作的迷你版。需要清醒的是：库里存的是实验室或野外实测的"纯净曲线"，而影像像元往往是混合像元——中分辨率下一个像元可能同时装着树冠、草地与屋顶，加上观测角度、生长期、光照条件的扰动，影像光谱总比库曲线"脏"。做匹配前通常要做连续统去除等归一化，或干脆只用曲线的形状特征而不是绝对值。
光谱还有一个容易被低估的维度：时间。同一种作物从出苗、封垄到成熟，光谱曲线几乎逐周变形——叶绿素起落改变可见光段，冠层结构改变近红外高台，成熟期水分流失又抬高短波红外。换句话说，地物的指纹是随物候漂移的，拿某一时点的库曲线去匹配全年影像，季节错位就会变成识别错误。成熟的业务做法是把"光谱 + 物候"一起入档：用年内时间序列的形状（什么时候绿起来、什么时候衰落）参与分类，这正是第 7 章时序分析的思想伏笔。土壤与水体相对稳定，但土壤湿度、悬浮物浓度同样让曲线在状态间滑动——把指纹理解为"一族曲线"而不是"一条曲线"，是与真实数据打交道的正确姿势。
图 2-3：典型地物反射光谱曲线
从曲线差到指数：一段推导演算
光谱差如何变成可计算的指数？用植被与土壤在红光、近红外两波段的差异推导 NDVI，看"指纹差"如何折叠成"数值差"：
# 从光谱曲线到 NDVI：为什么除法比减法好用 bands = {"red": 0.66, "nir": 0.86} # 波段中心波长（微米） samples = { "密植农田": {"red": 0.04, "nir": 0.50}, "稀疏草地": {"red": 0.10, "nir": 0.28}, "干燥裸土": {"red": 0.20, "nir": 0.28}, "湿地土壤": {"red": 0.12, "nir": 0.17}, } print(f"{'样地':<6}{'差值D':>8}{'比值R':>8}{'NDVI':>8}") for name, s in samples.items(): D = s["nir"] - s["red"] # 简单差值 R = s["nir"] / s["red"] if s["red"] else float('inf') # 简单比值 ndvi = (s["nir"] - s["red"]) / (s["nir"] + s["red"]) # 归一化差值 print(f"{name:<6}{D:>8.2f}{R:>8.2f}{ndvi:>8.2f}") # 观察一：裸土差值与稀疏草地差值接近(0.08 vs 0.18)，但 NDVI 差异明显(约0.17 vs 0.47) # 观察二：湿地土壤反射率整体偏暗时，差值法会低估，NDVI 因归一化而稳健 # 结论：除法消掉了整体亮度的公共因子（光照、地形），只留形状信息—— # 这正是第4章不做绝对定标也能快速估计植被状态的原理
演算揭示了指数设计的核心思想：好指数应当对目标属性敏感、对干扰（整体亮度、光照差异）钝感。NDVI 是这一思想最成功的实现，但别神化它——土壤背景亮时它会偏高、植被茂密时它会饱和，第 6 章会给出改进版的适用边界。
混合像元：指纹的模糊地带
库曲线是纯净的，影像像元却常常是混合的——这是光谱方法在业务中最常见的翻车点，值得单独立账。中分辨率传感器的一个像元在地面上铺开几十米见方，可能同时罩住树冠、草丛、土路与屋顶，传感器记到的是它们按面积比例加权的光谱总和。线性混合模型把这个关系写成一行：像元光谱约等于各端元（纯类别光谱）按丰度加权和。它给了两件武器。正向用：已知端元光谱，解出每个像元里各端元的占比，得到"植被覆盖度"这类连续量而非硬类别，城市不透水面制图与植被覆盖度估算常走这条路。反向用：已知丰度矩阵，从混合数据中提炼端元光谱本身。用一段小演算建立手感：
# 线性混合像元演算：一个像元里 60% 植被 + 30% 土壤 + 10% 水体 endmember = { # 端元光谱（红光, 近红外）反射率 "植被": (0.04, 0.50), "土壤": (0.20, 0.28), "水体": (0.05, 0.01), } frac = {"植被": 0.6, "土壤": 0.3, "水体": 0.1} mixed = [sum(endmember[k][i] * frac[k] for k in frac) for i in range(2)] print("混合像元光谱 红光={:.3f} 近红外={:.3f}".format(*mixed)) ndvi = (mixed[1] - mixed[0]) / (mixed[1] + mixed[0]) print(f"混合像元 NDVI={ndvi:.3f} 纯植被 NDVI=0.85") # 混合像元 NDVI 掉到 0.4 量级——它既不是森林也不是裸土 # 结论：中分辨率上 NDVI 低未必是植被差，可能只是混合比例变化
演算的教训直接指向业务纪律：拿 NDVI 做长势比较时，像元混合比例的变化（例如田块边缘、破碎地块）会伪装成植被变化；破碎地表上的定量结论，要么换更高分辨率数据，要么老老实实做混合分解。除了线性混合，还有光谱角制图这类只比形状不比长度的匹配方法——把像元光谱与库曲线视为高维向量，夹角越小越相似，它对亮度差异天然免疫，是高光谱分类的常用招式。指纹是清晰的，指纹的取样框未必干净，这是本节想留下的辩证认知。
光谱应用三则：从指标到行业动作
把指纹思想落到三个高频行业动作上，检验你是否真的会用这本字典。水体浑浊度监测：清水与浑水的差异在可见光段的反射抬升——悬浮颗粒把绿光红光都抬起来，所以浑水在红光段比清水亮；业务上用红绿波段组合的浑浊指数做面状水质巡查，省掉了上百个采样点的大半工作量，但定标仍需同步采水样。矿产与岩石识别：矿物在短波红外有一组尖锐的吸收峰（羟基、碳酸根、铝氧基各占不同位置），宽波段跨过峰就什么也看不见，只有高光谱的窄波段能采到峰形——找矿任务为此专门上天高光谱载荷。雪与云的区分：可见光下雪和云都亮得难以区分，但雪在短波红外强吸收、云仍亮，"可见光加短波红外"一对就分家——这是冬季业务影像里最经典的双波段应用，也是"波段设计解决识别难题"的范例。
常见问答
问：实验室光谱能直接当分类样本用吗？ 不能直接用。实验室测的是纯净、垂直照明、近距离的理想条件，与卫星的观测几何、大气路径、像元混合完全不同；正确用法是把库曲线当先验形状参考，或用辐射传输模型把库曲线"模拟成"星上条件后再参与训练。
问：两种地物光谱曲线完全一样怎么办？ 先扩大波长范围找差异，再引入结构信息——纹理、形状、高度（激光或雷达）、时序物候；"同谱异物"的最终解法几乎都不在光谱内部，而在特征维度扩展上。这也是第 5 章特征体系存在的理由。
问：物候漂移会让植被指数跨季比较失效吗？ 跨季比较本来就该比"同时期相对历史基线"，而不是比绝对值。做法是把当年某旬的指数与近多年同期均值做标准化，偏离量才是"长势信号"——农业遥感的标准姿势，本质是把时间维当作归一化因子。
要点回顾：光谱曲线是地物的电磁指纹，植被的红边、水体的近红外吸收、土壤的平缓基调各有明确机理；光谱库是匹配识别与波段设计的字典，影像像元却是混合与扰动状态，用形状胜过用绝对值；线性混合模型既能算丰度也能提端元，破碎地表的定量结论必须正视混合效应；同谱异物的出路在特征维度扩展而不在光谱内部。下一节补齐观测家族的"发热成员"——不靠太阳照明的热红外。