結(jié)合DEM的紅邊-近紅外植被指數(shù)提取城市植被信息

王梟軒，盧小平*，李國(guó)清，王 俊，楊澤楠，周雨石，馮志立

1. 河南理工大學(xué)自然資源部礦山時(shí)空信息與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室，河南 焦作 454000 2. 河南省遙感測(cè)繪院，河南 鄭州 450000

引 言

隨著城市化進(jìn)程和水平不斷提高，城市面臨著較多的環(huán)境問(wèn)題，如空氣污染、 城市熱島效應(yīng)、 生態(tài)破壞等。 因此，改善環(huán)境質(zhì)量和生態(tài)條件是目前的重要的問(wèn)題。 城市植被作為城市生態(tài)系統(tǒng)的重要組成部分，在改善空氣質(zhì)量、 降低城市熱島效應(yīng)、 降低CO2排放、 降低街道噪聲、 調(diào)節(jié)氣候、 維持城市生態(tài)平衡和保護(hù)生物多樣性等方面具有重要的生態(tài)功能[1]。 城市植被信息的有效提取，對(duì)城市生態(tài)文明建設(shè)和環(huán)境質(zhì)量具有重要意義。

遙感技術(shù)作為一種新型探測(cè)技術(shù)，可重復(fù)對(duì)城市植被進(jìn)行監(jiān)測(cè)，得到植被細(xì)節(jié)信息，可有效用于城市植被提取[2]。 城市植被提取方法主要包括基于像元的提取方法、 基于面向?qū)ο蟮奶崛》椒ê突诠庾V指數(shù)的提取方法[3-5]。 前兩種方法需要大量的訓(xùn)練樣本和分類(lèi)器篩選，光譜指數(shù)的提取方法是根據(jù)植被的光譜特征，提出具有高分離度的光譜指數(shù)能夠有效區(qū)分植被和非植被區(qū)域，該方法是一種直接、 高效的方法。 Gim等采用歸一化差值植被指數(shù)(normalized difference vegetable index，NDVI)長(zhǎng)期對(duì)植被時(shí)序監(jiān)測(cè)，但容易受到光譜飽和的影響[6]； 陳學(xué)兄等通過(guò)歸一化差值山地植被指數(shù)(NDMVI)與NDVI對(duì)比分析，證明了他們的模型受地形影響較小，有利于估算植被覆蓋度[7]； 李耀輝等證明了增強(qiáng)型植被指數(shù)(enhance vegetable index，EVI)結(jié)合SG濾波較傳統(tǒng)方法提取植被面積的優(yōu)越性[8]。 但是，上述方法提取城市植被易受到建筑物陰影的影響，主要是因?yàn)榻ㄖ镪幱跋裨炼戎递^低，混雜在植被像元中。 因此，如何消除建筑物陰影的影響，準(zhǔn)確提取植被成為當(dāng)下研究的重點(diǎn)。 Jing等提出了一種陰影植被指數(shù)(SEVI)，彌補(bǔ)了因地形校正產(chǎn)生的問(wèn)題[9]； 柳曉農(nóng)等基于SEVI構(gòu)建植被區(qū)分陰影消除植被指數(shù)(VDSEVI)，解決了植被像元信息和陰影像元信息混淆的問(wèn)題[10]； 江洪等采用SVI與RVI組合，并結(jié)合地形因子提取植被，有效減弱了了因地形產(chǎn)生的誤差[11]。 上述方法，注重了監(jiān)測(cè)和消除陰影，但缺乏對(duì)植被的濃密狀及和與其他地物光譜差異的分析。

綜上所述，針對(duì)植被提取的兩個(gè)問(wèn)題： 一是城市植被覆蓋種類(lèi)和地域差異大，植被指數(shù)地域性不明顯； 二是建筑物和地形陰影像元容易和植被像元混淆，提出了一種結(jié)合數(shù)字高程模型(digital elevation model, DEM)的紅邊-近紅外植被指數(shù)。 首先，采用DEM結(jié)合紅邊波段信息去除陰影。 然后，以可見(jiàn)光中的紅邊波段和近紅外波段的光譜特性，構(gòu)建了一種紅邊-近紅外植被指數(shù)(RedEdge-NIR vegetable index，RENVI)提取城市植被，同時(shí)與NDVI和EVI指數(shù)的城市植被提取結(jié)果做對(duì)比，驗(yàn)證了該模型的有效性。 該方法既解決了陰影與植被信息混淆問(wèn)題，又準(zhǔn)確的提取了城市植被。

1 實(shí)驗(yàn)部分

1.1 影像數(shù)據(jù)

為驗(yàn)證本方法的有效性，選取了3景輻射定標(biāo)和大氣校正后的Worldview-3遙感影像，空間分辨率為0.4 m，三景分別為a1、 a2和a3，均包含海岸帶、 藍(lán)、 綠、 黃、 紅色、 紅邊和2個(gè)近紅外8個(gè)波段。 a1大小為164×152像素，a2為205×179像素，a3為179×204像素。

由圖1所示，3景城市影像中主要包含道路、 植被和建筑物等地物，a1和a3植被較為集中，紋理信息豐富，有少部分植被混雜在道路中； a2植被較為分散，大部分植被混雜在建筑物和道路中。

圖1 worldview-3遙感影像Fig.1 Remote Sensing Images of worldview-3

1.2 建筑物陰影剔除與RENVI模型構(gòu)建

1.2.1 建筑物陰影剔除

由實(shí)驗(yàn)數(shù)據(jù)可知，該地區(qū)的陰影主要是地形和建筑物引起的，因此，為了準(zhǔn)確提取城市植被，采用了DEM結(jié)合紅邊波段的方法去除陰影。 首先，采用DEM數(shù)據(jù)進(jìn)行地形建模，剔除影像中由地形產(chǎn)生的陰影。 然后，基于紅邊波段，對(duì)比陰影像元均值和植被像元均值差異剔除由建筑產(chǎn)生的陰影，如圖2所示。 由圖2可知，3景中陰影像元均值整體低于植被像元均值，綜上所述，DEM結(jié)合紅邊波段能有效去除山體陰影。

圖2 紅邊波段分析圖Fig.2 Red-edge band analysis diagram

1.2.2 RENVI模型構(gòu)建

根據(jù)學(xué)者前期的結(jié)論[12]和植被的光譜曲線(xiàn)可知，紅邊波段和近紅外波段對(duì)于植被具有較高的敏感性，且紅邊范圍內(nèi)的光譜數(shù)據(jù)與反映植被生長(zhǎng)狀況的參數(shù)有較好的相關(guān)關(guān)系。 因此，利用紅邊波段和近紅外波段構(gòu)建特征空間，可以增加植被和非植被的差別。 為了進(jìn)一步研究猜想的有效性，把3景影像的地物分為植被、 道路和建筑物，繪制三種地物的近紅外和紅邊波段的散點(diǎn)擬合圖，如圖3所示。

由圖3可知，擬合線(xiàn)的左下方為植被，右上方為道路和建筑物。 為了準(zhǔn)確解釋模型的構(gòu)造過(guò)程，繪制了模型解釋圖4。l為植被、 建筑物和道路的總擬合線(xiàn)，l1為植被擬合線(xiàn)，l2為道路建筑物擬合線(xiàn)，l3和l4分別為為l和l2的垂線(xiàn)。

設(shè)該構(gòu)造線(xiàn)的方程為l=kx+b，l1=k1x+b1，l2=k2x+b2，該三個(gè)方程是通過(guò)最小二乘擬合而得。 根據(jù)式(1)和圖5計(jì)算點(diǎn)(a,c)，且l與l3垂直，得l3=-1/kx+(c+a/k)。 根據(jù)式(2)計(jì)算點(diǎn)(e,f)，且且l4與l2垂直，得l4=-1/k2x+(e+f/k)。

(1)

(2)

圖3 地物擬合圖Fig.3 Ground feature fitting maps

圖4 模型解釋圖Fig.4 Model interpretation diagram

式(1)中，(a,c)為l和l3的交點(diǎn)，xi和yi為植被點(diǎn)的橫坐標(biāo)和縱坐標(biāo)，xj和yj為道路建筑物點(diǎn)的橫坐標(biāo)和縱坐標(biāo)。l和l3為植被線(xiàn)和l的垂直線(xiàn)，k1和k分別為l1和l斜率，b1為l1與x軸交點(diǎn)。

圖5 a和c計(jì)算解釋圖Fig.5 Interpretation diagram of a and c calculations

根據(jù)圖6可知，任意像元點(diǎn)到直線(xiàn)l3的距離為式(3)。

(3)

式(3)中，D等于任意像元點(diǎn)到直線(xiàn)l3的距離，k為l斜率，(a,c)為l和l3的交點(diǎn)。 當(dāng)D=0時(shí)，則像元在直線(xiàn)l3上，D>0時(shí)在植被為像元，D<0時(shí)為道路和建筑物像元。 因此，可知RENVI為式(4)所示。

(4)

式(4)中，RENVI為紅邊-近紅外植被指數(shù)模型，x為紅邊波段像元值，y為近紅外波段像元值。

圖6 樣本點(diǎn)到l3距離圖Fig.6 Graph of distance from sample point to l3

2 結(jié)果與討論

2.1 定性分析

Worldview-3遙感影像根據(jù)1.2.1剔除陰影后，根據(jù)1.2.2選取等量的城市植被像元，建筑物像元和道路像元，以可見(jiàn)光中的紅邊波段為x軸和近紅外波段為y軸繪制散點(diǎn)圖，進(jìn)行最小二乘擬合。 3景擬合線(xiàn)方程分別為y=0.632 2x+2 572.8，y=0.497x+3 101.1和y=0.488 4x+3 161.8，根據(jù)式(1)計(jì)算出a分別為4 596.35，4 587.69和4 581.32，c分別為4 953.62，4 986.32和4 959.63； 根據(jù)式(4)計(jì)算分別得到RENVI=-1.582 0x-y+12 225.38，RENVI=-0.398 5x-y+2 815.816和RENVI=-0.394 2x-y+6 284.50。

為驗(yàn)證本模型的可靠性，以NDVI，EVI和RENVI 3種指數(shù)進(jìn)行城市植被提取的定性分析驗(yàn)證。 圖7為參考影像、 NDVI提取影像、 EVI提取影像和RENVI提取影像，其中，參考圖是根據(jù)空間分辨率為0.4 m的Worldview-3遙感影像目視解譯得到的。

由圖7可知，NDVI和EVI是剔除陰影后才進(jìn)行的運(yùn)算，雖去除了陰影對(duì)植被的影響，但有部分建筑和道路像元混淆在植被中被提取，產(chǎn)生了錯(cuò)分和漏分的問(wèn)題。 RENVI較好地消除了陰影像元與植被像元混淆問(wèn)題，能準(zhǔn)確的提取城市植被，增加了植被指數(shù)的信息量。

2.2 定量分析

在上述影像中隨機(jī)生成500個(gè)樣本點(diǎn)建立混淆矩陣，判斷三種方法的提取精度。 總體精度和Kappa系數(shù)除了上述方法，同時(shí)采用式(5)和式(6)進(jìn)行分析，驗(yàn)證方法的準(zhǔn)確性。

表1，表2和表3為三景影像提取城市植被的混淆矩陣和精度評(píng)價(jià)。

(5)

式(5)中，n為像元總個(gè)數(shù)；xi+和x+i分別為為混淆矩陣各行、 個(gè)列之和；xii為淆矩陣對(duì)角線(xiàn)元素。

Kappa系數(shù)

Kappa=(P0-Pe)/(1-Pe)

(6)

總體精度

(7)

圖7 不同指數(shù)提取城市植被結(jié)果(a), (e), (i): 參考影像； (b), (f), (j): NDVI; (c), (g), (k): EVI; (d), (h), (l): RENVIFig.7 Urban vegetations extracted by different indexes(a), (e), (i): reference diagram； (b), (f), (j): NDVI; (c), (g), (k): EVI; (d), (h), (l): RENVI

表1 第一景植被提取精度評(píng)價(jià)Table 1 Evaluation of vegetation extraction accuracy for the first scene

式(6)和式(7)中：P0是分類(lèi)的總體精度(overall accuracy)，表示對(duì)每一個(gè)隨機(jī)樣本，分類(lèi)結(jié)果與地面調(diào)查數(shù)據(jù)類(lèi)型一致的概率；Pe表示由于偶然機(jī)會(huì)造成的分類(lèi)結(jié)果與地面調(diào)查數(shù)據(jù)類(lèi)型相一致的古率；n為分類(lèi)的類(lèi)型數(shù)量；N為樣本總數(shù)；Pii為第i類(lèi)型的被正確分類(lèi)的樣本數(shù)目。 當(dāng)分類(lèi)結(jié)果與實(shí)際類(lèi)型完全吻合時(shí)，Kappa系數(shù)的值即為1。

表2 第二景植被提取精度評(píng)價(jià)Table 2 Evaluation of vegetation extraction accuracy for the second scene

表3 第三景植被提取精度評(píng)價(jià)Table 3 Evaluation of vegetation extraction accuracy for the third scene

由表1，表2和表3可知，由于去除了陰影，本文提出的RENVI模型得到的用戶(hù)精度、 生產(chǎn)者精度、 總體精度和Kappa系數(shù)大于其他兩種提取結(jié)果，說(shuō)明本方法在植被提取方面展示出較高優(yōu)越性。 其中，第二景影像本方法提取精度低于第一景和第三景，主要是因?yàn)橛跋裰兄脖慌c其他地物輪廓勾雜，邊界模糊。

3 結(jié) 論

針對(duì)城市植被提取的兩大問(wèn)題，即，陰影與植被像元容易混淆和光譜植被指數(shù)地域性不明顯，提出了一種DEM結(jié)合RENVI模型的提取方法，同與NDVI和RVI提取結(jié)果對(duì)比分析，得出以下結(jié)論：

(1) DEM模型結(jié)合陰影與植被的紅邊波段差異信息，能夠有效解決陰影和植被像元混淆的問(wèn)題。

(2)RENVI模型較NDVI和RVI能夠準(zhǔn)確提取城市植被，3景影像總體精度分別為89%、 81.4%和91.8%，Kappa系數(shù)分別為0.852 8，0.791 3和0.905 2。

(3)DEM結(jié)合RENVI模型具有較強(qiáng)的適應(yīng)性，不僅能夠適應(yīng)地形和建筑物的影響，又能適應(yīng)區(qū)域植被分布的影響。

研究表明，提出的模型在去除陰影的前提下，有效的提取城市植被，同時(shí)能更多的應(yīng)用于具有紅邊波段的遙感影像。 然而，也具有不足之處。 (1)當(dāng)城市地形復(fù)雜時(shí)，去除建筑物陰影不穩(wěn)定； (2)該模型只能運(yùn)用于具有紅邊波段的遙感影像。 因此，下一步研究需考慮模型的穩(wěn)定性和普適應(yīng)用性，極大發(fā)揮模型的城市植被提取能力。