適于ALOS圖像植被信息提取的新植被指數

高閃閃，陳仁喜

(1.河海大學地球科學與工程學院，南京 210098;2.華南理工大學亞熱帶建筑科學國家重點實驗室，廣州 510640)

0 引言

ALOS(advanced land observation satellite)衛星是日本國家空間發展局(NASDA)2006年發射的一顆陸地觀測衛星[1]，用于快速獲取高精度的地面數據[2]。ALOS衛星攜帶了3種傳感器:全色立體測圖傳感器、新型可見光和近紅外輻射計AVNIR-2及相陣型L-波段合成孔徑雷達。在波段設置和空間分辨率上，ALOS AVNIR-2與SPOT5 CCD有很大的相似性。何宇華等[3]針對ALOS數據圖像質量分析了影像紋理特征，評定了平面點位、影像分類和圖斑面積精度，并將其與 SPOT5數據對比，發現ALOS數據在紋理特征及面積精度方面均明顯優于SPOT5數據。這也是近年來ALOS圖像被廣泛應用于遙感領域研究的重要原因之一。

目前，關于利用ALOS衛星圖像提取植被信息的研究主要采用紋理輔助、支持向量機、決策樹和最大似然分類等方法[4-7]，而植被指數簡單實用的特點使其一直是植被遙感研究的重要內容之一[8]。隨著遙感技術的發展，為了滿足不同的應用需求，用于提取植被信息的各種植被指數應運而生，如差值植被指數(difference vegetation index，DVI)[9]、比值植被指數(ratio vegetation index，RVI)[10]、歸一化差值植被指數(normalized difference vegetation index，NDVI)[11]、土壤調節植被指數(soil adjusted vegetation index，SAVI)[12]、全球環境監測指數[13]和三波段梯度差植被指數[14]等。雖然這些植被指數具有一定消除土壤背景或大氣影響的能力，但是利用這些植被指數提取ALOS圖像植被信息時存在將建筑物錯認為是植被信息和漏提植被信息的現象，或者植被密度較低的(如農田和草地等)不易提取，而且消除土壤背景影響能力較差。

針對上述情況，本文通過分析植被樣本數據，發現植被的光譜數據間存在某種較為固定的關系，根據這種關系提出了適于ALOS圖像的基于植被樣本的植被指數(vegetation sample-based vegetation index，VSVI)，并通過植被提取實驗證明了VSVI不僅具有很好消除土壤背景影響的能力，而且植被提取效果好于其他植被指數。

1 研究區概況與技術路線

1.1 研究區概況

研究區位于南京市浦口區，地處南京市長江西北岸，E 118°20′～119°13′，N 31°14′～ 32°17′之間;中部有老山山脈，西部丘陵起伏，地貌類型多樣化，集低山、丘陵、平原、崗地、大江和大河為一體。全區總面積約913 km2(其中丘陵山區面積632.7 km2，平原區面積269.3 km2)，屬于亞熱帶季風氣候。區內水系發達，植被類型豐富，適合植被信息提取研究。

1.2 技術路線

選擇2009年10月獲取的ALOS AVNIR-2的level1B2級遙感圖像。該圖像包括紅、綠、藍和近紅外4個多光譜波段，空間分辨率為10 m。

本文技術路線為:①對圖像進行裁剪、線性拉伸及多尺度分割處理，并計算圖像對象的4個波段的光譜特征均值;②選取100個植被對象為樣本，對其4個波段光譜特征值進行數據統計與分析;③建立模型函數，根據對植被樣本的計算分析確定函數模型參數l1，l2，l3和l4的值;④通過對研究區植被信息的提取，檢驗VSVI植被指數是否可行，并通過與其他植被指數的提取結果的比較進行分析和評價。

2 VSVI及其原理

本文從分析植被光譜的特點入手，提出一種基于植被樣本光譜特征值數理統計分析的植被指數VSVI;通過數學公式推導證明該植被指數具有一定消除土壤背景影響的能力，并通過利用VSVI從ALOS圖像中提取植被信息的實驗予以驗證;最后采用其他典型植被指數，即DVI，RVI，NDVI和SAVI(表1)[9-12]，分別從ALOS圖像中提取了植被信息，并與利用VSVI提取的效果進行了比較。

表1 典型植被指數一覽表Tab.1 List of typical vegetation indexes

2.1 植被樣本選取與分析

研究發現，植被在不同波段的反射率以不同形式組合一個函數時，該函數與植被指數有著密切關系。為了研究這種關系，本文統計分析了ALOS圖像中植被在藍光B、綠光G、紅光波段R和近紅外波段NIR的光譜特征值范圍，分別為ρB∈[121，135]，ρG∈[92，115]，ρR∈[66，100]和 ρNIR∈[84，120]。當2個波段的光譜特征值存在交叉范圍時，該2個波段比值的分布范圍表現為比較零散或者差值正負交替變化。表2列出隨機選取的100個較為純凈的植被樣本的光譜特征值和比值。

表2 植被樣本光譜特征值與比值Tab.2 Ratio and spectral values of vegetation samples

由表2可以看出，可見光藍、綠和紅波段的植被光譜特征值的標準差較小，內部變化穩定;而近紅外波段的植被光譜特征值的標準差較大，與其他波段的比值較為零散，并且與綠光和紅光波段的差值運算正負交替，導致統計參數時不穩定。因此，不適合選為統計計算VSVI參數的波段。為了避免這種情況并使植被指數比較穩定，本文只對可見光藍、綠和紅波段的植被光譜特征值進行統計分析。通過對表2中植被樣本光譜特征值的計算分析發現:不同波段的植被反射率以一定形式可以組合成一個比較穩定的參數，并且這個參數與植被特性有密切關系。

2.2 VSVI理論

葉綠素在 0.55μm(綠)波長處為反射峰，在0.45μm(藍)和 0.67μm(紅)為吸收帶，在近紅外0.7μm，0.8μm，1.1μm 處為反射陡坡，4 個波段的光譜信息都能一定程度上反映植被信息。假設VSVI與不同波段呈線性關系，建立四元一次方程，即

式中l1，l2，l3和l4為待確定的參數。

通過計算分析，發現 ρR/ρG，(ρR-ρB)/ρR，(ρG-ρR)/ρG和(ρB-ρG)/ρB能夠組合成一個比較穩定的參數。因此，經多次從ALOS圖像中提取植被信息的實驗，表明 l1，l2，l3，和 l4分別為 ρR/ρG，(ρR- ρB)/ρR，(ρG- ρR)/ρG和(ρB- ρG)/ρB時，植被提取效果最佳。因此，

VSVI具有消除土壤背景影響的能力。假設在可見光藍、綠、紅和近紅外4個波段，植被和土壤面積的比值不隨波段變化(盡管該假設比較粗糙，但一些通用的植被指數在一定程度上也隱含了該假設)，像元的反射率為像元內植被和土壤的面積加權和[7]。若忽略誤差項，則4個波段的反射率分別為

式中:ρB，ρG，ρR及 ρNIR分別為藍光、綠光、紅光及近紅外波段的反射率;ρVi和ρSi分別為i波段的植被及土壤反射率(i=B，G，R，NIR);A為植被覆蓋度。

式(3)—(6)代入式(2)，化簡后得到

式中:

可見在上述假設條件下，VSVI僅與植被的光譜信息有關，與土壤背景無關。

2.3 實驗結果與分析

植被提取實驗中涉及到圖像裁剪、波段組合、多尺度分割、波段運算和構造植被提取函數模型等技術。為了證明VSVI具有消除土壤背景影響的能力，本文采用多閾值分割方法提取植被信息。圖1為利用不同植被指數提取植被的結果。

圖1 不同植被指數的植被提取結果Fig.1 Results of vegetation extracted by different vegetation indexes

實驗結果表明，利用 NDVI，DVI，RVI和 SAVI等植被指數均能將植被輪廓提取出來，但存在一定的漏提或誤提等缺點;只有利用VSVI提取植被克服了其他植被指數的上述缺點。

從圖1中可以看出:①與對原始ALOS圖像(圖1(a))的植被(紅色區域)目視解譯結果對比，圖1(b)—(e)中都存在植被信息的漏提和誤提現象(藍色橢圓內為植被信息漏提，紅色橢圓內表示建筑物錯提為植被信息，黃色橢圓內的顏色表示植被密度比較低的植被信息);②植被提取的實驗結果與閾值的選取有關，在構造模型時閾值的選取要經過多次實驗才能確定，在圖1(b)—(e)中，要么植被密度比較低的農田和草地不易被分割出來，要么植被與道路和裸地的交叉現象比較嚴重;③為了驗證VSVI指數的精度，多尺度分割后統計了植被信息的總對象數為18 769，并計算了 NDVI，DVI，RVI，SAVI和VSVI的提取精度(表3)。與其他植被指數相比，VSVI指數的分類精度大幅提高。

表3 不同植被指數分類精度Tab.3 Classification accuracy of different vegetation indexes

通過分析發現:NDVI，DVI，RVI及 SAVI雖然一定程度上能夠消除土壤背景的影響，但是在植被密度較低的情況下植被提取效果不太理想，并且DVI和RVI存在漏提和錯提、NDVI和SAVI有錯提現象;從圖1(f)來看，VSVI植被指數克服了其他植被指數的上述缺點，并且能夠較好地消除土壤背景和薄云的影響。實驗證明:本文提出的VSVI植被指數與其他植被指數相比，從ALOS圖像中提取植被的效果更為理想。

3 結論

1)從植被光譜特征出發，通過分析ALOS衛星AVNIR-2的4個多光譜波段之間植被樣本特征值之間的數學關系，提出基于植被樣本的植被指數(VSVI)，并通過公式推導證明其具有消除土壤背景影響的一定能力。

2)與其他典型植被指數相比，使用VSVI的植被信息提取效果最好。研究發現，參數l1，l2，l3和l4的值只要在一定范圍內變化，就不存在對植被信息提取效果的影響。

3)VSVI也有一定的缺陷，如由于植被樣本選取的差異會導致參數值的上下波動，但總體上并不影響植被信息的提取效果;由于本文提出植被指數僅局限于對ALOS圖像的植被提取，如何把該植被指數應用于其他衛星數據是今后研究的重點。另外，植被的提取受閾值選擇的影響，如何更準更快地確定閾值也是今后研究的問題之一。

[1]王樹根.日本ALOS衛星簡介[J].測繪信息與工程，2000(1):45-46.Wang S G.The profile of Japan′s ALOS satellite[J].Journal of Geomatics，2000(1):45-46.

[2]熊金國，王世新，周 藝.不同指數模型提取ALOS AVNIR-2影像中水體的敏感性和精度分析[J].國土資源遙感，2010，22(4):46-50.Xiong J G，Wang S X，Zhou Y.A sensitivity analysis and accuracy assessment of different water extraction index models based on ALOS AVNIR-2 data[J].Remote Sensing for Land and Resources，2010，22(4):46-50.

[3]何宇華，謝俊奇，劉順喜.ALOS衛星遙感數據影像特征分析及應用精度評價[J].地理與地理信息科學，2008，24(2):23-26.He Y H，Xie J Q，Liu S X.Image characteristics analysis and application accuracy assessment of ALOS data[J].Geography and Geo-Information Science，2008，24(2):23-26.

[4]邵曉敏，劉 勇.基于紋理的烏蘭布和沙漠地區植被信息提取[J].遙感技術與應用，2010，25(5):687-693.Shao X M，Liu Y.Deriving vegetation information in Ulan Buh desert based on texture[J].Remote Sensing Technology and Application，2010，25(5):687-693.

[5]李 玲，王 紅，劉慶生，等.基于紋理特征和支持向量機的ALOS圖像土地覆被分類[J].國土資源遙感，2011，23(4):58-63.Li L，Wang H，Liu Q S，et al.Land cover classification using ALOS image based on textural features and support vector machine[J].Remote Sensing for Land and Resources，2011，23(4):58-63.

[6]伍 藍.基于ALOS等數據的鹽城濕地植被分類及土地覆蓋時空變化研究[D].南京:南京師范大學，2008.Wu L.Fine classification of vegetation and land-cover change analysis of wetlands based on ALOS and other image data in Yancheng[D].Nanjing:Nanjing Normal University，2008.

[7]黃鐵欄，蘇 華，王云鵬.NDVI/NDWI/DEM決策樹方法在東莞ALOS影像土地利用分類中的應用[J].華南師范大學學報:自然科學版，2012，44(1):134-139.Huang T L，Su H，Wang Y P.Decision tree method on NDVI/NDWI/DEM for land use classification of ALOS image in Dongguan City[J].Journal of South China Normal University:Natural Science Edition，2012，44(1):134-139.

[8]徐 爽，沈潤平，楊曉月.利用不同植被指數估算植被覆蓋度的比較研究[J].國土資源遙感，2012，24(4):95-100.Xu S，Shen R P，Yang X Y.A comparative study of different vegetation indices for estimating vegetation coverage based on the dimidiate pixel model[J].Remote Sensing for Land and Resources，2012，24(4):95-100.

[9]Richardson A J，Wiegand C L.Distinguishing vegetation from soil background information[J].Photogrammetric Engineering and Remote Sensing，1977，43(12):1541-1552.

[10]Jordan C F.Derivation of leaf area index from quality of light on the foresr floor[J].Ecology，1969，50(4):663-666.

[11]Rouse J W，Haas R H，Schell J A，et al.Monitoring vegetation systems in the great plains with ERTS[C]//Proceedings of third earth resources technology satellite-1 symposium，Greenbelt NASASP-351，1974:310-317.

[12]Huete A R.A soil-adjusted vegetation index(SAVI)[J].Remote Sensing of Environment，1988，25(3):295-309.

[13]Pinty B，Verstraete M M.GEMI:A non-linear index to monitor global vegetation from satellites[J].Vegetation，1992，101(1):15-20.

[14]唐世浩，朱啟疆，王錦地，等.三波段梯度差植被指數的理論基礎及其應用[J].中國科學:D 緝，2003，33(11):1094-1102.Tang S H，Zhu Q J，Wang J D，et al.Theoretical basis of the triband gradient difference vegetation index and its application[J].Science in China:Series D，2003，33(11):1094-1102.