一種利用 NDVI輔助提取植被信息的改進(jìn)方法

任志明,李永樹,蔡國林

(西南交通大學(xué)地理信息工程中心,四川成都 610031)

一種利用 NDVI輔助提取植被信息的改進(jìn)方法

任志明,李永樹,蔡國林

(西南交通大學(xué)地理信息工程中心,四川成都 610031)

為提高遙感影像中不同覆蓋度植被信息由柵格到矢量的轉(zhuǎn)化效率和準(zhǔn)確度,改進(jìn)了常用的NDV I輔助提取植被信息方法,即根據(jù)NDV I與植被覆蓋度之間的關(guān)系自動(dòng)提取不同覆蓋度的植被信息。為檢驗(yàn)該方法的效果,利用試驗(yàn)區(qū)一組 T M影像進(jìn)行植被信息的提取試驗(yàn)。結(jié)果表明,該方法與常用方法相比能有效地增強(qiáng)不同覆蓋度植被邊緣信息,提高了植被邊緣信息柵格矢量化的效率和準(zhǔn)確度。

NDVI;遙感影像;植被信息;自動(dòng)提取;邊緣增強(qiáng)

一、引 言

植被解譯的目的是在遙感影像上確定植被的分布、類型、長勢等信息,為環(huán)境監(jiān)測、生物多樣性保護(hù)和農(nóng)業(yè)、林業(yè)等有關(guān)部門提供信息服務(wù)[1]。植被指數(shù)則是對(duì)地表植被活動(dòng)的簡單、有效和經(jīng)驗(yàn)的度量,在一定程度上反映著植被的演化信息[2]。因此,在進(jìn)行植被遙感解譯時(shí),輔以植被指數(shù),有助于增強(qiáng)遙感影像的解譯力,提高植被解譯的準(zhǔn)確度和可靠度。

目前,利用歸一化差異植被指數(shù) (normalized difference vegetation index,NDV I)提取遙感植被信息的方法已有多種,大致分為兩類:①為了獲取植被邊界的矢量圖采用的 NDV I輔助勾繪植被信息方法;②在植被覆蓋度分級(jí)研究時(shí)為了獲取植被專題圖采用的監(jiān)督分類和非監(jiān)督分類方法。但這兩類方法均存在一定的缺陷,第一類方法主要為手工勾繪方式(植被指數(shù)只是簡單地用來輔助判別),雖然可以直接獲得植被的矢量邊界,然而多個(gè)波段組合得到的圖像的色彩是漸變的,地類邊界不清晰,這就使得人工勾繪植被邊界時(shí),不僅效率低,且易出現(xiàn)地類判別錯(cuò)誤;第二類方法通過監(jiān)督分類和非監(jiān)督分類實(shí)現(xiàn)了植被自動(dòng)分類,但監(jiān)督分類和非監(jiān)督分類的精度不高(一般都低于 80%[3]),且植被模板的建立和植被的識(shí)別仍需人工判斷,此外,該方法不能自動(dòng)獲得植被的矢量邊界。

針對(duì)第一類手工勾繪方法效率低、地類判別誤差大等問題,本文將對(duì)常用 NDV I輔助提取植被信息方法進(jìn)行改進(jìn),即利用NDV I增強(qiáng)植被邊緣,實(shí)現(xiàn)植被矢量邊界的自動(dòng)提取,以提高植被專題圖的制作效率。為檢驗(yàn)該方法的可行性,利用試驗(yàn)區(qū)的一組 T M影像進(jìn)行信息提取,并與常用方法進(jìn)行對(duì)比分析。

二、NDVI及常用植被信息提取方法

1.歸一化差值植被指數(shù)(NDVI)

植被指數(shù)是遙感監(jiān)測中反映植被在可見光、近紅外波段與土壤背景之間光學(xué)差異的指標(biāo),是對(duì)地表植被活動(dòng)的簡單、有效和經(jīng)驗(yàn)的度量。研究表明植被在紅光波段(0.55～0.68μm)有一個(gè)強(qiáng)烈的吸收帶,在近紅外波段 (0.725～1.1μm)則有一個(gè)較高反射峰。因此,可使用紅色可見光通道 (0.6～0.7μm)和近紅外光譜通道 (0.7～1.1μm)的組合設(shè)計(jì)植被指數(shù)。

基于此,Rouse等于 1974年提出了NDV I,并將其應(yīng)用于植被生長狀態(tài)檢測、植被覆蓋度分析、輻射誤差消除等。對(duì)于 T M遙感影像,根據(jù) Rouse等人對(duì)NDV I的定義,其計(jì)算公式可表達(dá)為[1]

式中,TM3(波長 0.63～0.69μm)是紅外波譜段,為葉綠素主要吸收波段;TM4(波長 0.76～0.90μm)是近紅外波譜段,對(duì)綠色植被的差異敏感,為植被通用波段。

求取的NDV I值的理論范圍是[-1,1],其中,負(fù)值表示地面覆蓋為云、水、雪等,對(duì)可見光高反射;零值表示巖石、裸土等,對(duì)近紅外波段和紅光波段反射近似相等;正值則表示有植被覆蓋,且隨覆蓋度增大而增大[3]。

2.常用植被提取與勾繪方法

常用植被提取與勾繪方法中,NDV I僅起到輔助地類判別作用,即對(duì)于人工勾繪后的地塊,參照NDV I值,手工輸入屬性值以確定其覆蓋度。以 T M影像為例,實(shí)際生產(chǎn)流程 (以 ERDAS軟件為例)見圖1。

圖1 植被信息輔助提取流程圖

由圖 1可知,首先在 ERDAS軟件中,將衛(wèi)星獲得的二進(jìn)制單波段數(shù)據(jù)進(jìn)行波段組合與配準(zhǔn),如對(duì)于Landsat T M遙感影像,常組合 T M4、T M3、T M2三波段來提取植被信息;然后在 GIS軟件中根據(jù)色彩進(jìn)行手工矢量化得到植被的塊狀 (面)信息;最后輔以NDV I(計(jì)算見式(1))和野外調(diào)查得到的解譯標(biāo)志進(jìn)行植被信息的手工分類。

該方法具有一定的可靠性和實(shí)用性,在實(shí)際生產(chǎn)中得到了廣泛應(yīng)用。但其還存在以下問題:①工作效率不高,人工勾繪將花費(fèi)大量的時(shí)間、人力及物力;②勾繪誤差較大,由于遙感影像上地類邊界顏色不是突變的,導(dǎo)致勾繪邊界的準(zhǔn)確度降低。

三、改進(jìn)的 NDVI輔助提取植被信息方法

1.改進(jìn)的 NDVI輔助提取植被信息方法

為減小地類判別和人工勾繪誤差,并提高矢量化效率,本文對(duì)常用植被提取與勾繪方法進(jìn)行了改進(jìn)。即利用NDV I編程提取不同覆蓋度的植被,然后在此基礎(chǔ)上實(shí)現(xiàn)邊緣信息的自動(dòng)矢量化。具體過程如下:

1)在獲取NDV I后,利用 NDV I與植被覆蓋度之間的對(duì)應(yīng)關(guān)系(見表 1所示),通過編程依次提取NDV I圖像中對(duì)應(yīng)不同覆蓋度的數(shù)據(jù),且暫時(shí)將處于同種覆蓋度范圍的數(shù)據(jù)用一種數(shù)字代替,突出不同覆蓋度植被間的邊緣,便于自動(dòng)矢量化的實(shí)現(xiàn)。

表 1 植被覆蓋度與 NDVI的對(duì)應(yīng)關(guān)系[4]

2)將提取的不同覆蓋度的圖像疊加,每種覆蓋度對(duì)應(yīng)一種顏色,顯化植被不同覆蓋度的邊緣,然后在 GIS軟件中,通過自動(dòng)矢量化 (也可進(jìn)行手工快速勾繪,其效率和準(zhǔn)確度明顯高于手工勾繪),完成柵格到矢量的轉(zhuǎn)化。

3)將矢量化結(jié)果與組合影像 (如 T M4、T M3和T M2的組合)疊加、配準(zhǔn),輔以野外調(diào)查得到的解譯標(biāo)志細(xì)化植被類別(如草地、森林等)。具體流程見圖2所示。

圖2 本文的NDV I輔助提取植被信息流程圖

2.試驗(yàn)結(jié)果

為更好地說明并驗(yàn)證本文改進(jìn)的植被信息提取方法,本文利用試驗(yàn)區(qū) (2008年 7月 Landsat T M影像,大小為 33 840像素 ×35 880像素)的部分遙感影像(T M4、T M3、T M2三個(gè)波段,分辨率為 30 m)作為原始數(shù)據(jù),從中截取一塊進(jìn)行試驗(yàn) (圖像為1 128像素 ×1 196像素)。圖 3為在 ERDAS軟件中組合 TM4、TM3、TM2三個(gè)波段得到的圖像;圖 4為利用 TM4和 TM3根據(jù)式 (1)計(jì)算得到的 NDV I圖像。

圖3 432波段組合影像

圖4 某地區(qū)的NDV I影像

獲得NDV I后,可以利用NDV I與植被覆蓋度之間的對(duì)應(yīng)關(guān)系,通過編程依次提取 NDV I圖像中對(duì)應(yīng)不同覆蓋度的數(shù)據(jù)。對(duì)于每種覆蓋度圖像,均進(jìn)行二值化處理,即將處于同種覆蓋度范圍的數(shù)據(jù)用同一個(gè)數(shù)字表示,其他的則用另一個(gè)數(shù)字表示,突出此覆蓋度植被的邊緣信息。圖 5為利用NDV I圖像提取的三種覆蓋植被的二值圖。接下來就可在GIS軟件中進(jìn)行邊緣提取,通過自動(dòng)矢量化或跟蹤矢量方式,快速完成柵格到矢量的轉(zhuǎn)化。圖 6為利用ArcScan對(duì)圖 5三種覆蓋度植被的自動(dòng)矢量化結(jié)果,即自動(dòng)矢量化得到的矢量邊界 (在黑白兩色顯示的圖 6中無法看清,請(qǐng)讀者諒解)。

此外,我們還可以將三種覆蓋植被的二值圖進(jìn)行疊加,每種覆蓋度對(duì)應(yīng)一種顏色 (類似于 GIS的專題圖制作),顯化植被不同覆蓋度的邊緣,并在GIS軟件中,通過手工勾繪方式,完成柵格到矢量的轉(zhuǎn)化。圖 7為三種覆蓋植被的組合圖。

對(duì)比圖3、圖5、圖7、圖8可知,本文的改進(jìn)植被提取方案優(yōu)于第二章第2節(jié)的方案。因?yàn)椴煌采w度植被間的邊界很模糊,很難通過眼睛辨別,直接對(duì)其(見圖3)進(jìn)行矢量化,勢必出現(xiàn)很多的勾繪誤差,難以分辨出不同覆蓋度的植被。若用本文改進(jìn)方法可以提高矢量化的效率和準(zhǔn)確率,并區(qū)分出不同覆蓋度的植被邊界,自動(dòng)生成植被區(qū)域的專題圖,自動(dòng)進(jìn)行矢量化。

圖 5 利用NDV I圖像提取的三種覆蓋度植被的二值圖

圖 6 利用ArcScan自動(dòng)矢量化的三種覆蓋度植被圖

圖7 三種植被覆蓋度組合圖

傳統(tǒng)分類方法的精度一般都低于 80%,利用T M圖像手工矢量本文 T M影像的植被覆蓋率為36.571%,調(diào)查數(shù)據(jù)為 48.132%,準(zhǔn)確率為75.980%。進(jìn)一步將本文方法與調(diào)查數(shù)據(jù)相比,結(jié)果見表 2,準(zhǔn)確率為 83.655%,在植被提取的準(zhǔn)確率上也有了提高。綜上分析,相對(duì)于常用生產(chǎn)方法,本文的改進(jìn)算法不論在生產(chǎn)效率方面,還是在準(zhǔn)確度和可靠性方面,均能取得更好的效果。

表 2 常用方法與本文方法獲得的不同覆蓋度植被所占比例 (%)

四、結(jié)束語

本文對(duì)常用NDV I輔助提取植被信息的方法進(jìn)行了改進(jìn),并利用 NDV I與植被覆蓋度之間的關(guān)系編程實(shí)現(xiàn)了不同覆蓋度植被信息的自動(dòng)提取。為驗(yàn)證改進(jìn)方法的實(shí)用性,利用實(shí)際的 Landsat T M遙感影像進(jìn)行試驗(yàn),結(jié)果表明,與常用生產(chǎn)方法相比,本文方法能夠增強(qiáng)不同覆蓋度植被的邊緣信息,提高了植被邊緣信息由柵格到矢量的轉(zhuǎn)換效率和準(zhǔn)確度。在生產(chǎn)實(shí)踐中,遙感影像矢量化工作也可以按照分類、提取、平滑、邊緣提取、二值化等過程進(jìn)行,這樣能夠有效地提高矢量化效率。

[1] 梅安新,彭望王錄,秦其明,等.遙感導(dǎo)論[M].北京:高等教育出版社,2001.

[2] 田慶久,閔祥軍.植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展,1998,13(4):327-333.

[3] 陳君穎,田慶久.高分辨率遙感植被分類研究 [J].遙感學(xué)報(bào),2007,11(2):221-227.

[4] 劉淑珍,周麟,仇崇善,等.草地退化沙化研究[M].西藏:西藏人民出版社,1999.

[5] SCANLON TM,ALBERTSON J D,CAYLOR K.Determining Land Surface Fractional Cover from NDV I and Rainfall Time Series for a Savanna Ecosystem [J]. Remote Sensing of Environment,2002,82(2):376-388.

[6] 卓寶熙.工程地質(zhì)遙感判釋與應(yīng)用[M].北京:中國鐵道出版社,2002.

[7] 溫興平,胡光道,楊曉峰.從高光譜遙感影像提取植被信息[J].測繪科學(xué),2008,33(3):66-68.

[8] 劉同海.T M數(shù)據(jù)草原沙漠化信息提取研究[D].北京:中國農(nóng)業(yè)科學(xué)院,2005.

[9] VAN IEEUWEN W J D,ORR B J,MARSH S E,et al. Multi-sensor NDV I Data Continuity:Uncertainties and Implications forVegetation Monitoring Applications[J]. Remote Sensing of Environment,2006,100(1):67-81.

An I mprovedM ethod for Assisted Extraction of Vegetation by Use of NDVI

REN Zhiming,L I Yongshu,CA I Guolin

0494-0911(2010)07-0040-04

P237

B

2009-11-05

“十一五”國家科技支撐計(jì)劃重大項(xiàng)目課題基金資助項(xiàng)目(2006BAJ05A13)

任志明(1986—),男,安徽六安人,碩士生,主要研究方向?yàn)檫b感理論與應(yīng)用。