摘要：利用纓帽變換提取土壤亮度指數、綠度植被指數、濕度指數等地表參數，利用模型提取歸一化植被指數NDVI、比值植被指數RVI、修改型土壤調整指數MSAVI等植被指數和水體指數MNDWI，利用Artis單窗算法估算熱紅外波段像元尺度地表溫度，將地表溫度的影響因素作為BP神經網絡輸入估算30 m空間分辨率的亞像元地表溫度，分析1989～2006年桂林城區(qū)土地利用變化、纓帽變換特征分量變化、植被參數變化、水體指數變化對地表溫度的影響機理。

　　關鍵詞：纓帽變換；亮度指數；綠度指數；濕度指數

1K-T變換概述

　　K-T變換稱之為纓帽變換。K-T變換是由多光譜的遙感土壤、綠色植被等數據信息，在多位光譜空間中信息分布結構對圖像做的經驗性線性正交變換。K-T變換是Kauth和Thomas利用MSS圖像來反應植物的生長狀態(tài)提出的變換。其本質是一種線性變換。通過結果分析，意外地發(fā)現在MSS的特征空間中，植被光譜信息點是纓帽形狀的，所以稱為纓帽變換。

　　11轉換系數

　　KT變換本質為一種特殊的PCA變換，其轉換系數是固定的。KT變換MSS的轉換系數：

　　Y=［Y1，Y2，Y3，Y4］T

　　其中，Y1：亮度分量，主要反映土壤反射率變化的信息；Y2：綠度分量，反映地面植被的綠度；Y3：黃度分量，反映植被的枯萎程度；Y4：噪聲，無實際意義。

　　K-T變換TM的轉換系數：

　　其中，Y1：亮度分量；Y2：綠度分量；Y3：濕度分量。

　　Y=［Y1，Y2，Y3，Y4，Y5，Y7］T

　　12KT變換的基本思想

　　K-T變換的本質思想是：多波段圖像是N維空間特征。其中，每一個像元都是N維特征空間中的一個數據點。觀察前期的成果可以知道，植被特征主要由三個數據軸來反映，分別為亮度軸、綠度軸及濕度軸，確定相關的轉換系數，如上所說的三個軸的數據特征由不太復雜的線性計算或者特征空間旋轉來得到，同時，這種旋轉與傳感器的性能有關，因而還需要確定傳感器的類型［1］。

　　13變換的基本原理

　　U=RTx+r（1）

　　R代表纓帽變換系數，x代表不同波段的灰度值，r表征常數的偏移量，它的存在是為了避免在變換過程中出現負值的情況發(fā)生［2］。U表示纓帽變換后不同的波段灰度值。K-T變換后所得到的特征數據中，前三個特征數據和地物類型有著密不可分的關系。第一個分量為亮度指數，反映了地物總體反射率的綜合效果；第二個分量為綠度指數，它的特征量受綠色植被種類、植被數量、植被葉面積指數的影響非常大；第三個分量為濕度指數，它反映了地面水分的條件，特別是土壤的濕度狀態(tài)，其余分量為黃度指數及噪聲［36］。

2仿真實驗

　　KT變換完成配準、變換、直方圖匹配、替代和還原五個步驟。

　　（1）配準：配準多光譜和高分辨率全色圖像。

　　（2）變換：根據確定的變換系數R變換得到U所包含的 “亮度分量”、“綠度分量、“濕度分量”、“黃度分量及噪聲”四個特征分量。

　　（3）直方圖匹配：直方圖匹配高分辨率下的全色圖像和K-T變換后多光譜圖像所獲得的亮度分量，要求達到均值和方差一致。

　　（4）替代：用經過匹配的高分辨率全色圖像替代多光譜圖像經K-T變換后的亮度分量。

　　（5）還原：利用代替過的亮度分量與其他分量進行纓帽逆變換，還原到RGB空間，得到高空間分辨率的多光譜融合圖像。

　　在TM遙感數據圖像里包含著大量的遙感波段數據信息。在經過K-T變換后，可以從中得到土壤亮度（BI）、綠度（GVI）、濕度（WI）和黃度四個主要的分量特征。

　　BI=0290 9TM1+0249 3TM2+0480 6TM3+

　　0556 8TM4+0443 8TM5+0170 6TM7

　　GVI=-0272 8TM1-0217 4TM2-0550 8TM3+

　　0772 1TM4+0073 3TM5-0164 8TM7

　　WI=0144 6TM1+0176 1TM2+0332 2TM3+

　　0339 6TM4-0621 0TM5-0418 6TM7

　　經過K-T變換后所得到的土壤亮度（BI）、綠度（GVI）和濕度（WI）三個參量因子的效果圖，如圖1，三個參量與地表溫度的相關性如圖2。圖1變換后的分量圖

3結論

　　從圖中看出，纓帽變換特征分量變化是影響地表溫度的一個關鍵因素，其中，亮度分量與地表溫度呈正相關關系，相關系數為0717 7；綠度分量、濕度分量分別與地表溫度呈顯著的負相關關系，相關系數分別為0943 8、0829 0。

　　參考文獻

　　［1］ 陳超,江濤,劉祥磊.基于纓帽變換的遙感圖像融合方法研究［J］.測繪科學,2009,34(3):105-108.

　　［2］ 周家香,朱建軍,左延英.IKONOS圖像的纓帽變換方法［J］.礦山測量,2006,3(1):12-14.

　　［3］ 費鮮蕓,張志國,高祥偉.基于纓帽變換的IKONOS數據融合［J］.計算機工程與應用,2008,44(2):233-235.

　　［4］ 張連華,龐勇,岳彩榮，等.基于纓帽變換的景洪市時間序列Landsat影像森林擾動自動識別方法研究［J］.林業(yè)調查規(guī)劃,2013,38(2):6-12.

　　［5］ 王啟亮,田啟川.基于多尺度分塊的指紋圖像二值化算法［J］.微型機與應用,2013,32(4):33-36.

　　［6］ 王惠,汪金波,彭良玉，等.神經網絡在GRAPPA算法中的應用［J］.微型機與應用,2013,32(4):45-47.

　　［7］ MUNOZMARI J, BOVOLO F, GOMEZCHOVA L, et al. Semisupervised oneclass support vector machines for classification of remote sensing data［J］. IEEE Trans Geosci Remote Sens,2010,48(8):3188-3197.

　　［8］ Xiao Rongbo,Ouyang Zhiyun,Zheng Hua, et al.Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing,China［J］. Journal of Environmental Sciences,2007(19):250-256.