基于哨兵2可見光波段的喀斯特地區(qū)植被提取方法

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(duì)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(duì)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(duì)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(duì)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(duì)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(shí)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(duì)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(duì)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(duì)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(duì)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(duì)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(duì)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(duì)比,以驗(yàn)證本文方法對(duì)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(duì)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(hào)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(hào)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(jí),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(hào)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(shí)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(duì)哨兵2號(hào)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(hào)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(hào)L2A級(jí)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(jí)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(hào),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(hào),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(duì)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(duì)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(duì)比分析

為了進(jìn)一步得到精確的植被信息,對(duì)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(duì)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(duì)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(duì)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(duì)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(duì)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(duì)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(duì)比,7種植被指數(shù)公式如表4所示。對(duì)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(duì)以上植被指數(shù)方法分類結(jié)果做精度評(píng)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(píng)價(jià)

4 討論與結(jié)論

利用哨兵2影像的可見光波段對(duì)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(duì)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(duì)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(duì)藍(lán)色建筑分離對(duì)很好,得到的數(shù)據(jù)更接近真實(shí)值。

3) 本文方法對(duì)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(duì)精度影響較大。綜合來看,本文方法對(duì)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。