基于加權(quán)高光譜植被指數(shù)的植被分類(lèi)提取方法

秦進(jìn)春,張　麗,吳萬(wàn)全

1.西安測(cè)繪研究所，陜西 西安，710054；2.地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安，710054;3.第三測(cè)繪導(dǎo)航基地，新疆 烏魯木齊，830002

?

基于加權(quán)高光譜植被指數(shù)的植被分類(lèi)提取方法

秦進(jìn)春1,2,張麗1,2,吳萬(wàn)全3

1.西安測(cè)繪研究所，陜西 西安，710054；2.地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安，710054;3.第三測(cè)繪導(dǎo)航基地，新疆 烏魯木齊，830002

針對(duì)常見(jiàn)植被指數(shù)不能很好地降低非植被地物對(duì)植被分類(lèi)提取的影響，設(shè)計(jì)了一種基于植被光譜特征的加權(quán)高光譜植被指數(shù)，并提出了一種基于加權(quán)高光譜植被指數(shù)的植被分類(lèi)提取方案。先利用加權(quán)高光譜植被指數(shù)對(duì)植被信息進(jìn)行提取，得到較為完整的植被分布信息，再利用典型分類(lèi)算法進(jìn)行植被分類(lèi)，實(shí)驗(yàn)結(jié)果表明，本文提出的方案能夠有效降低非植被地物的影響，提高植被分類(lèi)提取的精度。

高光譜影像；光譜特征；加權(quán)高光譜植被指數(shù)；植被分類(lèi)提取

1　引　言

植被研究的重要性不僅僅體現(xiàn)于它在地球生態(tài)系統(tǒng)中，甚至物質(zhì)與能量交換過(guò)程里所扮演的重要角色[1]，而且，它更是農(nóng)業(yè)、生態(tài)學(xué)以及氣象等領(lǐng)域的重要研究對(duì)象。因此，對(duì)植被的生物和物理特性進(jìn)行準(zhǔn)確估計(jì)是十分必要的。典型高光譜影像分類(lèi)方法在植被分類(lèi)提取時(shí)，分類(lèi)提取結(jié)果容易受到土壤等非植被地物的影響，分類(lèi)提取精度不高，不利于對(duì)植被信息的進(jìn)一步研究。因此，設(shè)計(jì)一種能夠降低甚至消除非植被地物對(duì)植被信息提取影響的分類(lèi)提取方法變得非常必要。

植被指數(shù)以其計(jì)算簡(jiǎn)單、效果明顯的優(yōu)勢(shì)在遙感影像植被信息提取中得到了廣泛應(yīng)用[2]。隨著高光譜遙感技術(shù)在植被研究領(lǐng)域應(yīng)用的不斷深化，常規(guī)植被指數(shù)因其不能充分利用高光譜數(shù)據(jù)的光譜優(yōu)勢(shì)，對(duì)光譜相似性較高的植被類(lèi)型難以區(qū)分提取，已經(jīng)適應(yīng)不了高光譜植被分類(lèi)提取的要求，因此，發(fā)展能夠充分利用高光譜數(shù)據(jù)優(yōu)勢(shì)的高光譜植被指數(shù)，能夠解決這一問(wèn)題。

本文以植被光譜特征分析為切入點(diǎn)，設(shè)計(jì)了一種能夠結(jié)合多個(gè)植被光譜特征波段的加權(quán)高光譜植被指數(shù)，并將該植被指數(shù)應(yīng)用到高光譜影像植被信息提取中；在此基礎(chǔ)上，提出了基于加權(quán)高光譜植被指數(shù)的植被分類(lèi)提取方法，即在加權(quán)高光譜植被指數(shù)提取植被信息后，再使用支持向量機(jī)(support vector machine，SVM)等典型分類(lèi)方法對(duì)植被進(jìn)行分類(lèi)，從而最大限度地降低植被分類(lèi)提取過(guò)程中非植被信息的影響。最后，通過(guò)對(duì)同一高光譜影像中植被信息的不同分類(lèi)提取方法實(shí)驗(yàn)，對(duì)比了典型分類(lèi)提取方法與本文提出方法的提取效果差異。

2　加權(quán)高光譜植被指數(shù)原理

2.1植被典型光譜特征分析

高光譜影像數(shù)據(jù)能夠獲取植被近乎連續(xù)的光譜曲線[3]，其中就包含了能夠表達(dá)植被診斷性光譜特征的特征波段，結(jié)合植被理化特征和光譜曲線的幾何特點(diǎn)就能夠較好地確定植被典型光譜特征波段的位置，為建立各典型光譜特征波段之間的聯(lián)系打下基礎(chǔ)。

植被光譜曲線在不同的生長(zhǎng)周期和環(huán)境下具有不同的光譜特征曲線，這里以綠色植被為例，對(duì)植被光譜曲線中的典型特征進(jìn)行簡(jiǎn)單分析。圖1展示的是美國(guó)宇航局建立的USGS典型地物光譜數(shù)據(jù)庫(kù)中的核桃樹(shù)光譜曲線。

從圖中曲線可以看出，在紅光波段到近紅外波段(0.68～0.75μm)范圍內(nèi)，綠色植被葉面反射率由低到高形成一個(gè)反射“陡坡”，這是植被獨(dú)有的光譜反射特征，稱(chēng)為“紅邊”特征，也是識(shí)別植被類(lèi)型的重要依據(jù)[4]。通過(guò)植被光譜微分變換等光譜增強(qiáng)方法處理后[5]，可以看到植被除了具有“紅邊”特征外，在藍(lán)光、綠光和紅光波段都有典型的特征變化，因此將這些特征抽象化到一條光譜曲線中，如圖1所示。A特征點(diǎn)為藍(lán)光吸收谷，是綠色植被在藍(lán)光波段的反射率最小值；B特征點(diǎn)為綠峰，是綠色植被光譜在綠波段的反射率最大值；C特征點(diǎn)是紅光吸收谷，是綠色植被光譜在紅光波段的反射率最小值；D特征點(diǎn)為近紅外波段高反射平臺(tái)起點(diǎn)。從圖中四個(gè)特征點(diǎn)的分布可以看出其基本代表了植被在可見(jiàn)光-近紅外波段范圍內(nèi)的典型特征，能夠較為準(zhǔn)確地描述植被光譜特征變化走向，并且不同植被在這四個(gè)點(diǎn)的位置關(guān)系比較穩(wěn)定[6]。

圖1　核桃樹(shù)葉光譜曲線

2.2加權(quán)高光譜植被指數(shù)構(gòu)建

通過(guò)對(duì)植被典型光譜特征的分析可知，高光譜影像數(shù)據(jù)中包含診斷性植被光譜特征的波段較多；而常規(guī)的寬波段植被指數(shù)只能對(duì)少數(shù)波段作簡(jiǎn)單的線性關(guān)系處理，不能充分地利用高光譜數(shù)據(jù)中蘊(yùn)含的植被診斷性光譜特征波段。通過(guò)分析寬波段植被指數(shù)的構(gòu)建原理[7]，可以發(fā)現(xiàn)植被指數(shù)都是建立在近紅外波段與紅光波段的反射率差異基礎(chǔ)上的，換言之就是在植被“紅邊”特征的基礎(chǔ)上做文章。而“紅邊”特征表現(xiàn)了植被獨(dú)特的內(nèi)部結(jié)構(gòu)所造成的光譜變化，同理可以將植被“藍(lán)邊”、“綠邊”等特征引入到高光譜植被指數(shù)中。

高光譜影像數(shù)據(jù)中每一個(gè)地物像元都可以提取出一條近乎連續(xù)的光譜曲線，上述四個(gè)植被光譜特征點(diǎn)就可以認(rèn)為是植被光譜曲線上的四個(gè)離散點(diǎn)，因此假設(shè)高光譜植被指數(shù)與四個(gè)光譜點(diǎn)的光譜反射率呈線性關(guān)系，可以將植被指數(shù)表示為式(1)的形式，稱(chēng)之為加權(quán)高光譜植被指數(shù)(Weighted Hyperspectral Vegetation Index，WHVI)。

WHVI=l1ρB+l2ρG+l3ρR+l4ρNIR

(1)

式中，ρB、ρG、ρR、ρNIR分別為藍(lán)光波段吸收谷、綠光波段反射峰、紅光波段吸收谷、近紅外波段高反射平臺(tái)起點(diǎn)處的光譜反射率。為了驗(yàn)證提出的假設(shè)，需要尋找四個(gè)參數(shù)l1、l2、l3、l4與高光譜數(shù)據(jù)之間存在的定量關(guān)系，并且求解出這四個(gè)參數(shù)。對(duì)四個(gè)參數(shù)的確定原則應(yīng)該是能夠突出植被在四個(gè)點(diǎn)位的光譜特征，擴(kuò)大植被與土壤等非植被地物光譜的差異性。據(jù)此，結(jié)合原始光譜特征增強(qiáng)變換的相關(guān)知識(shí)，從變換特征中去尋找參數(shù)使得植被與非植被光譜差異擴(kuò)大。

圖2　二階導(dǎo)數(shù)值與四個(gè)光譜位置的關(guān)系

在對(duì)植被微分光譜進(jìn)行分析的過(guò)程中發(fā)現(xiàn)，圖2中的四個(gè)光譜位置點(diǎn)的二階導(dǎo)數(shù)與其吸收峰谷具有相關(guān)性。利用數(shù)據(jù)統(tǒng)計(jì)分析方法可以發(fā)現(xiàn)植被指數(shù)二階導(dǎo)數(shù)值與植被在四個(gè)點(diǎn)位的光譜特征呈正相關(guān)或者負(fù)相關(guān)關(guān)系。根據(jù)二階導(dǎo)數(shù)的性質(zhì)，它能夠反映函數(shù)的凹凸性，在植被光譜曲線上就是反應(yīng)其吸收谷和吸收峰。本文所選擇的四個(gè)光譜特征點(diǎn)所對(duì)應(yīng)的二階導(dǎo)數(shù)值與其所處光譜曲線位置的關(guān)系為：在A和C點(diǎn)上二階導(dǎo)數(shù)值與其呈正相關(guān)關(guān)系，在B和D點(diǎn)上二階導(dǎo)數(shù)值與其呈負(fù)相關(guān)關(guān)系，并且這些相關(guān)性在一幅影像中是穩(wěn)定的。

結(jié)合光譜微分知識(shí)，土壤的光譜曲線“峰”、“谷”特性較少，因此其導(dǎo)數(shù)曲線上的值均不大。而植被具有明顯的“峰”、“谷”特征，尤其是在紅邊位置附近其導(dǎo)數(shù)值為一個(gè)高峰，說(shuō)明二階導(dǎo)數(shù)對(duì)土壤背景光譜具有較好的抑制效果，并且將A、B、C、D四個(gè)點(diǎn)位處二階導(dǎo)數(shù)的正負(fù)關(guān)系以權(quán)的形式賦給四個(gè)點(diǎn)的反射率值后，能進(jìn)一步增大植被與非植被的光譜差異。因此，WHVI中四個(gè)參數(shù)可能與四個(gè)光譜位置點(diǎn)的二階導(dǎo)數(shù)值有近似的線性聯(lián)系，并且能夠增大植被光譜與土壤光譜之間的差異。經(jīng)過(guò)多次試驗(yàn)表明，以四個(gè)光譜位置點(diǎn)的二階導(dǎo)數(shù)值ρ″B、ρ″R、ρ″G、ρ″NIR代替相應(yīng)參數(shù)進(jìn)行植被提取，能夠取得較好的提取效果。可以得出WHVI的表達(dá)式為：

(2)

3　方法描述

土壤等非植被地物對(duì)植被的分類(lèi)提取會(huì)產(chǎn)生一定的影響[8]，而WHVI能夠較好地從影像中提取出植被信息，從而最大限度地降低非植被地物對(duì)植被分類(lèi)提取的影響?；诖?，本文提出利用WHVI對(duì)高光譜影像數(shù)據(jù)中的植被信息進(jìn)行提取，在得到比較完整的植被分布信息后，利用SVM等典型分類(lèi)方法進(jìn)行植被再分類(lèi)提取，期望能夠最大限度地降低非植被信息對(duì)植被分類(lèi)提取精度的影響?；赪HVI的植被分類(lèi)提取方法流程如下圖所示。

圖3　基于WHVI的植被分類(lèi)提取試驗(yàn)流程

4　實(shí)驗(yàn)與分析

實(shí)驗(yàn)中為了體現(xiàn)實(shí)驗(yàn)效果，作如下設(shè)定和說(shuō)明。首先，利用WHVI對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理后，將非植被信息對(duì)應(yīng)的高光譜像元的光譜值均設(shè)置為一個(gè)相等的值(實(shí)驗(yàn)結(jié)果中顯示為黑色)，這樣就大大簡(jiǎn)化了非植被地物在分類(lèi)提取中的數(shù)據(jù)量。其次，實(shí)驗(yàn)只對(duì)算法整體分類(lèi)提取精度和Kappa系數(shù)進(jìn)行了計(jì)算，沒(méi)有計(jì)算每個(gè)類(lèi)別的用戶(hù)分類(lèi)精度。一方面是因?yàn)閷?shí)驗(yàn)中的高光譜影像數(shù)據(jù)沒(méi)有地面實(shí)測(cè)數(shù)據(jù)，而是以影像上采集的測(cè)試樣本作為比對(duì)標(biāo)準(zhǔn)；另一方面是因?yàn)樵诶碚撋侠弥脖恢笖?shù)提取前后植被測(cè)試樣本是沒(méi)有變化的，只有非植被地物在植被指數(shù)提取過(guò)后被歸屬到一個(gè)類(lèi)別中，因此，計(jì)算每個(gè)植被類(lèi)別的用戶(hù)分類(lèi)提取精度并不能反映本文提出的植被分類(lèi)提取方法的優(yōu)越性，但是總體分類(lèi)精度卻能很好地反映算法的性能以及對(duì)數(shù)據(jù)的適應(yīng)性。最后，試驗(yàn)結(jié)果中以“R”表示原始高光譜數(shù)據(jù)，“R-分類(lèi)方法”表示直接利用原始高光譜數(shù)據(jù)進(jìn)行植被分類(lèi)提取的結(jié)果，“R-WHVI”表示原始高光譜數(shù)據(jù)經(jīng)過(guò)加權(quán)高光譜植被指數(shù)提取的結(jié)果，“R-WHVI-分類(lèi)方法”表示基于加權(quán)高光譜植被指數(shù)的植被分類(lèi)提取的結(jié)果。

4.1實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)獲取區(qū)域?yàn)槊绹?guó)貝爾茨維爾地區(qū)(Beltsville，USA)的一片植被與農(nóng)業(yè)交界處，影像拍攝于2010年6月，影像內(nèi)主要的覆蓋物是植被與農(nóng)作物[9]。根據(jù)Spec TIR公司在網(wǎng)站上提供的信息可以看出，該數(shù)據(jù)地面空間分辨率約為2.2m，獲取光譜范圍為390～2450nm，光譜分辨率為5nm。高光譜數(shù)據(jù)的大小為320像素×600像素，數(shù)據(jù)原始波段數(shù)為360個(gè)。該數(shù)據(jù)的假彩色圖像(R:101，G:57，B:35)和樣本分布如圖4所示，其樣本數(shù)量信息如表1所示。

(a)假彩色圖像 (b)樣本分布圖4　貝爾茨維爾高光譜數(shù)據(jù)假彩色圖像及樣本分布圖

表1貝爾茨維爾高光譜數(shù)據(jù)樣本信息

標(biāo)號(hào)名稱(chēng)數(shù)量標(biāo)號(hào)名稱(chēng)數(shù)量1森林3522密集農(nóng)作物3023長(zhǎng)勢(shì)農(nóng)作物3594初生農(nóng)作物3115裸土地2746陰影343

4.2基于WHVI的植被信息提取實(shí)驗(yàn)

為了驗(yàn)證本文提出的WHVI對(duì)高光譜植被提取的有效性，試驗(yàn)選擇了目前使用比較廣泛的NDVI[10]、NDVI705[11]作為WHVI的對(duì)比試驗(yàn)組。首先利用Landsat TM5濾波函數(shù)對(duì)高光譜數(shù)據(jù)進(jìn)行卷積運(yùn)算，得到具有6個(gè)波段的Landsat TM5多光譜數(shù)據(jù)，并且以第四個(gè)波段作為近紅外波段NIR，第三個(gè)波段作為紅光波段R構(gòu)建NDVI。然后根據(jù)NDVI705的計(jì)算公式，找到高光譜數(shù)據(jù)里與波長(zhǎng)0.705μm和0.750μm相對(duì)應(yīng)的波段，根據(jù)實(shí)際波段情況構(gòu)建NDVI705。利用上述三種植被指數(shù)對(duì)貝爾茨維爾高光譜數(shù)據(jù)進(jìn)行植被提取試驗(yàn)，得到提取結(jié)果如圖5所示。

從結(jié)果中可以看出，NDVI、NDVI705在一定程度上能夠消除土壤背景對(duì)植被的影響，但是在植被覆蓋密度較低時(shí)，植被信息提取效果就不理想，而WHVI能夠較好地克服土壤背景對(duì)植被的影響，對(duì)數(shù)據(jù)中橢圓標(biāo)示的稀疏植被提取效果較好。此外，三種植被指數(shù)均能較好地將農(nóng)田中的陰影提取出來(lái)，但是NDVI和NDVI705對(duì)森林中的部分陰影提取較差，WHVI的提取結(jié)果則更接近實(shí)際情況。因此，本文設(shè)計(jì)的WHVI能夠更好地適應(yīng)高光譜數(shù)據(jù)，對(duì)高光譜數(shù)據(jù)的波段信息利用更加充分，提取結(jié)果也優(yōu)于常規(guī)植被指數(shù)。通過(guò)實(shí)驗(yàn)也發(fā)現(xiàn)幾個(gè)需要進(jìn)一步研究的問(wèn)題，首先，WHVI屬于經(jīng)驗(yàn)型植被指數(shù)，其建立過(guò)程是基于試驗(yàn)分析與假設(shè)基礎(chǔ)上的，正確提取植被樣本光譜特征對(duì)WHVI的計(jì)算至關(guān)重要；其次，WHVI中四個(gè)二階導(dǎo)數(shù)加權(quán)值不是固定的，對(duì)不同的影像進(jìn)行植被提取時(shí)，都需要計(jì)算每個(gè)像元光譜的二階導(dǎo)數(shù)值，使得WHVI的計(jì)算量比常規(guī)高光譜植被指數(shù)要大；最后，植被微分光譜對(duì)光譜噪聲較為敏感，因此在使用WHVI提取前需要對(duì)高光譜數(shù)據(jù)進(jìn)行平滑去噪處理。

圖5　貝爾茨維爾高光譜數(shù)據(jù)植被提取結(jié)果

4.3基于WHVI的植被分類(lèi)提取實(shí)驗(yàn)

圖6　貝爾茨維爾高光譜數(shù)據(jù)植被分類(lèi)提取結(jié)果

表2貝爾茨維爾高光譜數(shù)據(jù)植被分類(lèi)提取精度比較

名稱(chēng)SVM分類(lèi)Fisher分類(lèi)SAM分類(lèi)R-總體分類(lèi)精度(%)88.9191.8777.25R-Kappa系數(shù)0.87500.90260.7272R-WHVI-總體分類(lèi)精度(%)92.2596.0382.77R-WHVI-Kappa系數(shù)0.90710.95830.7937

利用SVM、Fisher和SAM分類(lèi)[12]等方法對(duì)原始高光譜數(shù)據(jù)和經(jīng)過(guò)加權(quán)高光譜植被指數(shù)預(yù)處理后的數(shù)據(jù)進(jìn)行植被分類(lèi)提取，實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)植被指數(shù)預(yù)處理后三種方法的總體分類(lèi)精度均比未使用植被指數(shù)處理的分類(lèi)精度高，分別提高了3.34%、4.16%和5.52%。從Kappa系數(shù)的分布可以看出，經(jīng)過(guò)植被指數(shù)預(yù)處理后的分類(lèi)提取效果要比未處理的分類(lèi)提取效果要更加貼合實(shí)際。經(jīng)過(guò)加權(quán)高光譜植被指數(shù)預(yù)處理后，植被邊緣更加清晰，對(duì)初生農(nóng)作物、長(zhǎng)勢(shì)農(nóng)作物和密集農(nóng)作物的區(qū)分也更加準(zhǔn)確。

5　結(jié)　論

對(duì)植被信息進(jìn)行準(zhǔn)確的分類(lèi)提取是植被研究的重要內(nèi)容之一。本文在分析植被光譜特征的基礎(chǔ)上，設(shè)計(jì)了一種能夠更好地適應(yīng)高光譜數(shù)據(jù)的加權(quán)高光譜植被指數(shù)。為了降低非植被地物對(duì)植被分類(lèi)提取的影響，提出先利用植被指數(shù)對(duì)高光譜影像中植被要素進(jìn)行提取，而后在提取基礎(chǔ)上利用SVM、Fisher和SAM等典型分類(lèi)方法對(duì)植被進(jìn)行再分類(lèi)。該方法能夠降低非植被地物的影響，提高了植被分類(lèi)提取精度。

[1]李小文．遙感原理與應(yīng)用[M]．北京：科學(xué)出版社，2008．

[2]田慶久，閡樣軍．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]余旭初，馮伍法，楊國(guó)鵬等．高光譜影像分析與應(yīng)用[M]．北京：科學(xué)出版社，2013．

[4]聞兵工．地物光譜特征分析技術(shù)研究[D]．鄭州：信息工程大學(xué)，2009．

[5]劉偉．基于光譜特征分析的匹配與分類(lèi)技術(shù)研究[D]．鄭州：信息工程大學(xué)，2008．

[6]譚倩，趙永超，童慶禧等．植被光譜維特征提取模型[J]．遙感信息，2001(1)：14-18．

[7]羅亞，徐建華，岳文澤．基于遙感影像的植被指數(shù)研究方法述評(píng)[J]．生態(tài)科學(xué)，2005，24(1)：75-79．

[8]Kauth R，Thomas G．The TasselledCap—a Graphic Description of the Spectral-temporal Development of Agricultural Crops as seen by Landsat[C].LARS Symposia, 1976：159．

[9]Beltsville[EB/OL].[2013-05-20].http://www.Spectir.com/free-data-samples．

[10]TuckerC．Red and Photographic Infrared Linear Combinations for Monitoring Vegetation[J]．Remote Sensing of the Environment, 1979(8)：127-150．

[11]Elvidge C， Chen Z．Comparison of Broad-band and Narrow-band Red and Near-infrared Vegetation Indices[J]．Remote Sensing of Environment， 1995，54(1)：38-48．

[12]童慶禧，張兵，鄭蘭芬．高光譜遙感——原理、技術(shù)與應(yīng)用[M]．北京：高等教育出版社，2006．

Vegetation Classification and Extraction Method Based on Weighted Hyperspectral Vegetation Index

Qin Jinchun1,2, Zhang Li1,2, Wu Wanquan3

1.Xi’an Research Institute of Surveying and Mapping, Xi'an 710054,China 2.State Key Laboratory of Geo-information Engineering, Xi’an 710054,China 3.The Third Surveying, Mapping & Navigation Base, Urumqi 830002,China

As the common vegetation index is not effective in reducing the impact of non-vegetation feature on vegetation classification and extraction, a weighted hyperspectral vegetation index is designed based on vegetation spectral characteristics. A vegetation classification and extraction method based on weighted hyperspectral vegetation index is proposed to reduce the impact of non-vegetation in the processing of vegetation classification. With this method, the index is used to extract vegetation from hyperspectral image at first, and then SVM classification algorithm is employed to classify vegetation. The results show that the method can effectively reduce the impact of non-vegetation on vegetation classification, and improve the overall classification and extraction accuracy.

hyperspectral image；spectral characteristic；weighted hyperspectral vegetation index(WHVI)；vegetation classification and extraction

2015-08-18。

秦進(jìn)春(1989—)，男，研究實(shí)習(xí)員，主要從事高光譜影像應(yīng)用技術(shù)研究。

P231

A