段紀(jì)維,鐘九生,江 麗,代仁麗,何志遠(yuǎn),林雙雙,何 鑫

(貴州師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院,貴陽 550025)

植被作為陸地表面主要的組成成分,其覆蓋度通常是衡量生態(tài)環(huán)境健康狀態(tài)的重要參數(shù)。能準(zhǔn)確快速地提取地表植被,對環(huán)境監(jiān)測和自然災(zāi)害的防御有著很重要的意義。以遙感數(shù)據(jù)提取植被一直以來都是熱點(diǎn)研究內(nèi)容,學(xué)者們對此展開大量研究并提出很多不同方法,大體上可分多光譜和可見光的波段組合運(yùn)算,其中,多光譜遙感的植被指數(shù),主要根據(jù)植被在可見光和近紅外波段的吸收與反射規(guī)律進(jìn)行組合得出的公式,如Tucker等[1]提出歸一化差異植被指數(shù)(NDVI),NDVI消除大部分由地形和大氣產(chǎn)生的相關(guān)影響,卻易受土壤及陰影等因素干擾[2]。對此Huete等[3]提出的土壤調(diào)節(jié)植被指數(shù)(SAVI)能很好地消除土壤干擾,高志海等[4]應(yīng)用歸一化植被指數(shù)(NDVI)和土壤調(diào)節(jié)指數(shù)(SAVI)及修正后的土壤調(diào)節(jié)指數(shù)(MSAVI),對TM影像植被提取的結(jié)果,驗(yàn)證了土壤調(diào)節(jié)指數(shù)(SAVI)消除土壤背景影像和適應(yīng)植被密度變化的能力更強(qiáng)。隨著遙感技術(shù)的快速興起,眾多的植被指數(shù)被相繼提出,如再歸一化植被指數(shù) (Renormalized Differnce vegetation Index,RDVI)[5],轉(zhuǎn)換型植被指數(shù) (Transferrd Normalized Differnce vegetation Index,TNDVI)[6],轉(zhuǎn)換型土壤調(diào)整植被指數(shù) (Transfered Soil-Adjusted vegetation index,TSAVI)[6],新抗大氣影響植被指數(shù) (Infection Atmospherically Vegetation Index,IAVI)[7],陸地植被指數(shù) (vegetation Index based on Universal Pattern Decomposition,VIUPD)[8]等。

可見光范圍內(nèi)的植被指數(shù)僅僅是利用紅、綠、藍(lán)3個(gè)波段組合運(yùn)算的方法,如Gitelson等[9]利用可見光綠波段反射率峰值和紅波段反射率下降特征,提出歸一化綠紅差異指數(shù)(Normalized green-red difference inde-x,NGRDI)對小麥冠層的光譜特性分析。Meyer等[10]提出歸一化綠藍(lán)差異指數(shù)(Normalized gre-en-blue difference index,NGBDI)識別植物生物量與土壤和殘留背景的關(guān)系。Woebbecke等[11]為了區(qū)分非植物背景中的植物材料,對可見光波段坐標(biāo)的幾個(gè)指標(biāo)進(jìn)行了研究提出超綠指數(shù)(Excess green index,EXG),成功分離了雜草和背景土壤等。

可見光波段及其容易得到,遙感衛(wèi)星在獲取地面信息時(shí),可見光的分辨率通常要高于其他波段,因此利用可見光波段提取地表地物可以彌補(bǔ)多光譜波段的不足。針對各種可見光波段提取植被的方法,有關(guān)學(xué)者作了相應(yīng)的對比研究和驗(yàn)證分析,得出不同植被指數(shù)實(shí)際應(yīng)用中受土壤、大氣、光照、地形和應(yīng)用對象等外在因素的影響程度各有不同,各種植被指數(shù)在都存著自身的優(yōu)勢和局限性[12]。本文通過分析可見光紅、藍(lán)、綠波譜空間特性,發(fā)現(xiàn)植被在可見光范圍內(nèi)的反射率較其他地物低,因此設(shè)置各個(gè)波段植被DN值范圍作為植被閾值,并取3個(gè)波段植被閾值的交集,可以粗略地剔除非植被信息。而針對3個(gè)波段植被閾值內(nèi)包含的非植被信息,經(jīng)過建立的綠-藍(lán)與紅-綠波段的空間比值線性關(guān)系予以分離,實(shí)現(xiàn)植被的精確提取。最后對提取的植被結(jié)果與歸一化差異植被指數(shù)(NDVI)、過綠指數(shù)(EXG)、超綠超紅差異指數(shù)(EXGR)、植被指數(shù)(VEG)、可見光波段差異指數(shù)(VDVI)、歸一化綠紅差異指數(shù)(NGRDI)和歸一化綠藍(lán)差異指數(shù)(NGBDI)等7種典型植被指數(shù)作對比,以驗(yàn)證本文方法對喀斯特地貌植被提取的適用性。

1 研究區(qū)概況

我國西南部喀斯特地貌以云貴高原為中心,擁有豐富典型的喀斯特地形地貌,喀斯特地貌是由于具有溶蝕力的水對可溶性巖石溶蝕作用形成地表和地下形態(tài)的總稱,地表受流水沖蝕、化學(xué)溶蝕、潛蝕等自然作用,致使大量巖石以千奇百怪的姿態(tài)裸露于地表,形成千溝萬壑獨(dú)特的自然地貌[13]。衛(wèi)星在獲取其復(fù)雜的地形地貌時(shí),受裸露巖石和地形的影響,使得遙感分析的復(fù)雜度和難度大于其他非喀斯特地區(qū)。本文以貴陽市為研究區(qū)域,貴陽處于云貴高原東部,貴州省中部(26°11′～26°55′ N,106°07′～107°17′ E),喀斯特地貌中心腹地,黔中隆起與黔南凹陷的過渡帶,海拔約1 100m[14],位于長江與珠江分水嶺地帶,烏江支流南明河上游,屬于亞熱帶濕潤季風(fēng)氣候[15],年均氣溫15.3℃[16],年均降水量1 174.7mm[17],城市森林覆蓋率達(dá)37.4%[18]。

2 研究方法

2.1 數(shù)據(jù)來源

所使用的哨兵2號影像數(shù)據(jù)從歐洲航天局(https://scihub.copernicus.eu/)網(wǎng)站下載得到,哨兵2號是高分辨率多光譜成像衛(wèi)星,高度為786km,寬幅為290 km,覆蓋13個(gè)光譜段,含蓋了可見光波段、近紅外和中紅外波段,在紅邊范圍內(nèi)擁有3個(gè)波段數(shù)據(jù),地面分辨率有10,20,60m共3個(gè)等級,單顆衛(wèi)星重訪周期為10 d,2顆衛(wèi)星互補(bǔ)周期為5 d[19]。本文使用了2020年5月18號哨兵2A衛(wèi)星獲取的貴陽影像數(shù)據(jù),5月份正是植被生長較為茂盛期,在影像上辨識度較高。影像數(shù)據(jù)中的烏當(dāng)區(qū)和白云區(qū)云量較大,所以選取云巖區(qū)、南明區(qū)和花溪區(qū)作為研究區(qū)域。

2.2 方法原理

通過對哨兵2號影像數(shù)據(jù)的可見光波段建立波譜空間特征分析,發(fā)現(xiàn)植被在可見光紅、綠、藍(lán)范圍內(nèi)的反射率較其他地類偏低,而且集中到1個(gè)閾值內(nèi),以各波段植被DN值的范圍作為閾值,截取3個(gè)波段植被閾值內(nèi)信息,得到的3幅圖層結(jié)果中,除植被外還包含著其他低反射率非植被信息,由于不同波段的植被閾值內(nèi),非植被信息存在差異,取三者交集即剔除了部分信息不一致的非植被。然后分別建立紅-綠、紅-藍(lán)和藍(lán)-綠3種可見光比值散點(diǎn)圖,并構(gòu)建地物的線性擬合方程,根據(jù)點(diǎn)到線的距離求得擬合線附近的地物信息,在相同光譜比值中,植被擬合線求得的植被信息減去混淆地物擬合線求取的地物信息,再取不同光譜比值中得到結(jié)果的交集,即可剔除剩余的非植被地物。很好地區(qū)分植被閾值內(nèi)的植被與非植被地物。

2.3 實(shí)驗(yàn)數(shù)據(jù)選取

哨兵2號影像是公開免費(fèi)數(shù)據(jù),而且在所有公開影像數(shù)據(jù)中其空間分辨率最高,使得該數(shù)據(jù)的應(yīng)用具有極大的便利性。下載哨兵2號L2A級遙感影像,該影像已經(jīng)過大氣校正反應(yīng)地表反光率,無需再進(jìn)行校正處理,影像10,20,60m這3個(gè)等級的空間分辨率都包含可見光波段,詳細(xì)波段數(shù)據(jù)如表1 所示。NDVI作為一種經(jīng)典的植被指數(shù)已被廣泛應(yīng)用與不同影像場景中,其適用性和精確度也得到了廣泛的認(rèn)可,本文以哨兵2號,10m空間分辨率NDVI提取的植被作為真實(shí)值,選取20m空間分辨率的可見光波段作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行波段空間特性研究。

表1 哨兵2A數(shù)據(jù)波譜信息

2.4 地類樣本選取

把地物分為植被與非植被,根據(jù)影像上的地物,把非植被劃分為火燒跡地、水體、裸地、高速路面、紅色人工建筑、藍(lán)色人工建筑和其他城市建筑等8種地類,以每種地類在影像上亮度、色彩和方位的差異,分別選取380個(gè)樣本,以波段DN值升序排列,分別建立紅、綠、藍(lán)光譜特征圖進(jìn)行分析,橫軸代表樣本排列序號,縱軸代表波譜DN值,反映不同地物在3種可見光波內(nèi)段DN值分布情況。

3 結(jié)果與分析

3.1 光譜分析

根據(jù)紅、綠、藍(lán)可見光波段建立的地物樣本光譜曲線圖,以植被光譜DN值的最大值和最小值作植被閾值線,如圖1所示。如果某地物光譜曲線落入植被閾值線內(nèi)的線段越長,說明該地物與植被在此波段內(nèi)光譜混淆程度越大,在圖1(a)中,除裸土光譜曲線在植被閾值線之外,其他地物光譜曲線均在植被閾線內(nèi)有不同分布,其中水體和火燒跡地光譜曲線幾乎完全被包括。在圖1(b)中,裸土同樣沒有落入植被閾值線內(nèi),相比圖1(a)中植被閾值線內(nèi)的地物光譜曲線分布情況,水體和火燒跡地有所減少,而其他地物分布明顯增多。在圖1(c)中,藍(lán)色建筑和裸土在植被閾值線之外,相比圖1(a)中植被閾值線內(nèi)的地物光譜曲線分布情況,紅色建筑增多,高速和其他城市建筑減少,水體和火燒跡地的分布量相當(dāng)。

圖1 不同地物光譜空間特征曲線圖

對地物樣本統(tǒng)計(jì)(表2),植被的紅、綠、藍(lán)波段DN均值分別為450.7,709.79,402.56,最大值分別為852,1 016,651,最小值分別為300,469,288,均值和其他地物在同光譜內(nèi)差異比較大,紅波段和藍(lán)波段的標(biāo)準(zhǔn)差均小于100,反應(yīng)這2個(gè)波段植被DN分布比較集中。

表2 不同地物樣本紅綠藍(lán)波段DN值表

3.2 植被閾值分析

使用ENVI軟件提取紅、綠、藍(lán)波段植被閾值內(nèi)信息,所得到的紅、綠、藍(lán)3幅植被閾值圖層記作A1,B1,C1,3幅圖層內(nèi)除植被外都混淆有其他地物,已知各地物在不同光譜的植被閾值內(nèi)分布存在差異,因此,對A1,B1,C1取交集,得到D1圖層就剔除了3種植被閾值內(nèi)存在差異信息的地物。截取影像內(nèi)1個(gè)小區(qū)域?qū)Ρ确治?如圖2(a)原始影像所示,其左側(cè)色彩較亮的湖泊水面、右下方的紅色建群、中偏上的裸土、右側(cè)和下側(cè)及中間的高速路面、中偏下的藍(lán)色建筑、中下方和左上方的其他城市建筑在10m分辨率的NDVI中都被較為完整地被分離出去(圖2(b))。在紅波段中,其他城市建筑、藍(lán)色建筑、紅色建筑和裸土都被較為完整地剔除,而高速路面和水體混淆嚴(yán)重(圖2(d))。在綠波段中,藍(lán)色建筑、水體和裸土較好地被剔除,而城市其他建筑、紅色建筑與高速路面混淆嚴(yán)重(圖2(e))。在藍(lán)光波段中,水體、其他城市建筑、藍(lán)色建筑、裸土和高速都被較好地剔除,而紅色建筑存在混淆(圖2(f))。經(jīng)過取3個(gè)波點(diǎn)的交集得到的結(jié)果較為完整地剔除了水體、高速路面和紅色建筑(圖2(c))。

注:彩色為提取植被,白色為非植被背景。

3.3 光譜比值分析

有些顏色偏暗的地物在3種光譜植被閾值內(nèi)都存在,無法通過取交集剔除,如圖3(a)紅楓湖片區(qū)原始影像中央的湖泊水面和左上角的火燒跡地,在10m分辨率NDVI圖3(b)中完全被剔除掉,而在紅、綠、藍(lán)3波段的植被閾值交集圖圖3(c)中,湖泊水面和火燒跡地都被保留了下來。圖3(d)建筑片區(qū)原始影像中左側(cè)和中央有許多高層建筑和建筑形成的陰影,及中偏右的一條河流,在10m分辨率NDVI圖3(e)中高層建筑與其形成的陰影,以及河流都被完全剔除掉了,而在紅、綠、藍(lán)3波段的植被閾值交集圖圖3(f)中，高層建筑被剔除掉,高層建筑形成的陰影和河流混淆在圖層里。

3.3.1地物光譜散點(diǎn)對比分析

為了進(jìn)一步得到精確的植被信息,對紅、綠、藍(lán)波段植被閾值內(nèi)的光譜曲線進(jìn)行分析,分別建立紅-綠、紅-藍(lán)、綠-藍(lán)3種光譜比值散點(diǎn)圖(圖4)。在圖4(a)中,植被散點(diǎn)與紅色建筑散點(diǎn)有交集,植被散點(diǎn)與水體、火燒跡地散點(diǎn)距離非常近。圖4(b)中,植被散點(diǎn)分布在火燒跡地與水體光散點(diǎn)之間,且與水體、火燒跡地、高速、其他城市建筑散點(diǎn)邊緣都存在相交。圖4(c)中,植被散點(diǎn)與水體散點(diǎn)交叉相錯(cuò),與藍(lán)色建筑和其他城市建筑散點(diǎn)也有素零星的重疊現(xiàn)象,但是與火燒跡地光譜點(diǎn)有很明顯的差距。

注:彩色為提取植被,白色為非植被背景。

圖4 各地物光譜比值散點(diǎn)圖

3.3.2方程構(gòu)建

構(gòu)建各地物線性擬合方程線,根據(jù)點(diǎn)到直線的距離求得擬合線附近的散點(diǎn),對于植被擬合線附近的非植被散點(diǎn),可采取相減和取交集剔除。根據(jù)地物在不同光譜比值中的分布情況,綠-藍(lán)和紅-綠2種波譜比值相結(jié)合能夠有效剔除非植被信息。作圖4(a)中植被與水體、圖4(c)中植被與火燒跡地的擬合線方程,得到的方程參數(shù),如表3所示。設(shè)方程式為y=kx+b,點(diǎn)到直線的距離公式:

(1)

式中:d為點(diǎn)到擬合線的距離；k為擬合線的斜率；b為擬合線的截距；x表示橫縱數(shù)值；y表示縱軸數(shù)值。以圖4(a)植被擬合線為例,綠-藍(lán)比值散點(diǎn)圖橫縱為藍(lán)波段DN值,縱軸為綠波段DN值,將(1)式中x和y分別用對應(yīng)波段DN值替換可寫成(2)式[20]:

(2)

式中:ρblue為植被的藍(lán)波段DN值；ρgreen為植被的綠波段DN值；k為植被擬合線的斜率；b為植被擬合線的截距。當(dāng)d=0時(shí),表示像素點(diǎn)在擬合線上；當(dāng)d>0時(shí),表示空間的像素點(diǎn)在擬合線的右側(cè)；當(dāng)d<0時(shí),表示空間像素點(diǎn)在擬合線的左側(cè)。

以植被散點(diǎn)到植被擬合線中,最遠(yuǎn)的距離作為植被點(diǎn)線閾值,以植被散點(diǎn)到非植被擬合線中,最近的距離作為非植被點(diǎn)線閾值,對應(yīng)的結(jié)果和點(diǎn)線閾值如表3所示,通過A2-B2和C2-D2,剔除了相同光譜比值里,與植被混淆的部分地物,再取A2-B2和C2-D2的交集記為E2,E2剔除了相同光譜比值里與植被混淆,而不同光譜比值間存在差異的非植被地物,得到更精確的植被覆蓋信息。

表3 地物光譜比值的擬合線方程

3.4 提取結(jié)果分析

根據(jù)實(shí)驗(yàn)得到最終結(jié)果,截取1個(gè)區(qū)域分析。如圖5(a)原始影像左下角有1塊火燒跡地,中偏左是湖泊水面,中間分布有高層建筑及其形成的陰影,中偏右有1條河流,右上方是城市集中建筑區(qū)。在圖5(b)的10m分辨率NDVI提取結(jié)果里,火燒跡地、湖泊水面、河流、高層建筑陰影、城市集中建筑都完整的剔除掉了。圖5(c)為植被閾值分析結(jié)果和最終提取植被結(jié)果組合的圖層,紅色圖斑為植被閾值分析結(jié)果里,混淆的非植被地物,綠色圖斑為光譜比值分析結(jié)果與植被閾值分析結(jié)果的交集,也是實(shí)驗(yàn)最終提取的植被信息,通過對比圖5(b)與圖5(c)綠色圖斑,兩者圖層吻合度非常高,說明本方法對喀斯特地區(qū)植被提取的精度高。

注:彩色為提取植被,白色為非植被背景。

3.5 不同植被指數(shù)分析

為了驗(yàn)證本文方法對植被提取的有效性,將本文得到的結(jié)果與歸一化差異植被指數(shù)(NDVI)、過綠指數(shù)(EXG)、超綠超紅差異指數(shù)(EXGR)等7種典型植被指數(shù)作對比,7種植被指數(shù)公式如表4所示。對不同指數(shù)提取的結(jié)果分析發(fā)現(xiàn),20m分辨率NDVI把小部分藍(lán)色建筑錯(cuò)分成了植被,其他6個(gè)植被指數(shù)方法都難以區(qū)分水體,其中BGBDI把裸土和紅色建筑錯(cuò)分為植被概率比較高。截取1小區(qū)域分析,如圖6所示,除了本文方法和NDVI植被指數(shù)分離了圖6(a)影像原圖中的水體,其他方法提取結(jié)果都存在水體被錯(cuò)分成植被情況,雖然圖6(j)中水體被剔除了一部分,但是依然存留大量水體信息,而且裸土被大量錯(cuò)分成植被。

對以上植被指數(shù)方法分類結(jié)果做精度評價(jià),結(jié)果如表5所示,本文方法提取植被總體精度達(dá)92.67%,Kappa系數(shù)為0.853 5,相同分辨率下,精度僅次于NDVI提取方法。在可見光波段內(nèi)提取植被的方法中,精度最高。

表4 植被指數(shù)公式示

注:紅色為提取植被,白色為非植被背景

表5 不同方法提取結(jié)果精度評價(jià)

4 討論與結(jié)論

利用哨兵2影像的可見光波段對喀斯特地區(qū)的植被提取,植被精度比NDVI植被指數(shù)略低,但精度優(yōu)于其他可見光植被指數(shù),該方法僅僅只用到可見光紅、綠、藍(lán)3個(gè)波段,而且可見光波段容易獲取到,在大多數(shù)遙感衛(wèi)星獲取的信息中,可見光的空間分辨率通常高于其他波段,所以本文方法應(yīng)用范圍相對于多光譜植被指數(shù)更加廣闊。本文真實(shí)數(shù)據(jù)采用哨兵2影像,10 m分辨的NDVI提取結(jié)果,實(shí)驗(yàn)數(shù)據(jù)采用哨兵2影像,20m分辨率波段,不同方法提取的植被結(jié)果中,20m分辨率NDVI精度最高,總體精度為94.13%,誤差原因是由于分辨率低造成的。本文提取植被結(jié)果的生產(chǎn)精度和用戶精度都與NDVI相近,說明在分辨率相同的情況下,本文方法的精度會(huì)更加靠近真實(shí)值。

1) 本文方法應(yīng)用的數(shù)據(jù)僅為可見光,數(shù)據(jù)易獲取,因此對數(shù)據(jù)的要求低,應(yīng)用范圍更為廣闊,為植被提取新添一種可行的方法參考。

2) 在可見光波段的植被指數(shù)提取的結(jié)果中精度最高,相比與NDVI方法不易區(qū)分藍(lán)色建筑,本文方法對藍(lán)色建筑分離對很好,得到的數(shù)據(jù)更接近真實(shí)值。

3) 本文方法對水體的分離性高,而其他幾種可見光植被指數(shù)極其容易混淆水體和植被,在水域范圍廣闊地區(qū),使用本文方法更加合適。

4) 相比與其他幾種可見光植被指數(shù),本文方法的生產(chǎn)精度和用戶精度更加接近,說明漏分誤差和錯(cuò)分誤差都比較平穩(wěn),不易受個(gè)別因素影響而引起精度有較大浮動(dòng)。

5) 其他植被提取方法大多都是利用2個(gè)波段信息,本文方法操作過程利用波段信息多,更適用于喀斯特地貌之類的復(fù)雜地形地貌區(qū)域。

6) 在同一遙感數(shù)據(jù)下,可見光的空間分辨率往往高于其他波段分辨率,利用高分辨率的可見光提取植被,得到的精度會(huì)更高。

7) 每種方法在實(shí)際應(yīng)用中都會(huì)受不同因素的影響而導(dǎo)致其適用性范圍受限,本文方法也存在不足之處,就是在應(yīng)用過程中較其他植被指數(shù)繁瑣,閾值的設(shè)定范圍對精度影響較大。綜合來看,本文方法對植被信息的提取有一定的應(yīng)用價(jià)值。

8) 不同可見光傳感器,其RGB波段的光譜響應(yīng)函數(shù)也不盡相同,本文方法應(yīng)用于不同衛(wèi)星影像、不同分辨率以及不同地區(qū)植被提取的有效性還有待驗(yàn)證。