任志明,李永樹,蔡國林

(西南交通大學地理信息工程中心,四川成都 610031)

一種利用 NDVI輔助提取植被信息的改進方法

任志明,李永樹,蔡國林

(西南交通大學地理信息工程中心,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化效率和準確度,改進了常用的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系自動提取不同覆蓋度的植被信息。為檢驗該方法的效果,利用試驗區(qū)一組 T M影像進行植被信息的提取試驗。結果表明,該方法與常用方法相比能有效地增強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確度。

NDVI;遙感影像;植被信息;自動提取;邊緣增強

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、生物多樣性保護和農業(yè)、林業(yè)等有關部門提供信息服務[1]。植被指數(shù)則是對地表植被活動的簡單、有效和經驗的度量,在一定程度上反映著植被的演化信息[2]。因此,在進行植被遙感解譯時,輔以植被指數(shù),有助于增強遙感影像的解譯力,提高植被解譯的準確度和可靠度。

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在植被覆蓋度分級研究時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,不僅效率低,且易出現(xiàn)地類判別錯誤;第二類方法通過監(jiān)督分類和非監(jiān)督分類實現(xiàn)了植被自動分類,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別仍需人工判斷,此外,該方法不能自動獲得植被的矢量邊界。

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

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差異的指標,是對地表植被活動的簡單、有效和經驗的度量。研究表明植被在紅光波段(0.55～0.68μm)有一個強烈的吸收帶,在近紅外波段 (0.725～1.1μm)則有一個較高反射峰。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)的組合設計植被指數(shù)。

基于此,Rouse等于 1974年提出了NDV I,并將其應用于植被生長狀態(tài)檢測、植被覆蓋度分析、輻射誤差消除等。對于 T M遙感影像,根據(jù) Rouse等人對NDV I的定義,其計算公式可表達為[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,負值表示地面覆蓋為云、水、雪等,對可見光高反射;零值表示巖石、裸土等,對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,實際生產流程 (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)星獲得的二進制單波段數(shù)據(jù)進行波段組合與配準,如對于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)色彩進行手工矢量化得到植被的塊狀 (面)信息;最后輔以NDV I(計算見式(1))和野外調查得到的解譯標志進行植被信息的手工分類。

該方法具有一定的可靠性和實用性,在實際生產中得到了廣泛應用。但其還存在以下問題:①工作效率不高,人工勾繪將花費大量的時間、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,導致勾繪邊界的準確度降低。

三、改進的 NDVI輔助提取植被信息方法

1.改進的 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,本文對常用植被提取與勾繪方法進行了改進。即利用NDV I編程提取不同覆蓋度的植被,然后在此基礎上實現(xiàn)邊緣信息的自動矢量化。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應關系(見表 1所示),通過編程依次提取NDV I圖像中對應不同覆蓋度的數(shù)據(jù),且暫時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,便于自動矢量化的實現(xiàn)。

表 1 植被覆蓋度與 NDVI的對應關系[4]

2)將提取的不同覆蓋度的圖像疊加,每種覆蓋度對應一種顏色,顯化植被不同覆蓋度的邊緣,然后在 GIS軟件中,通過自動矢量化 (也可進行手工快速勾繪,其效率和準確度明顯高于手工勾繪),完成柵格到矢量的轉化。

3)將矢量化結果與組合影像 (如 T M4、T M3和T M2的組合)疊加、配準,輔以野外調查得到的解譯標志細化植被類別(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.試驗結果

為更好地說明并驗證本文改進的植被信息提取方法,本文利用試驗區(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 M2三個波段,分辨率為 30 m)作為原始數(shù)據(jù),從中截取一塊進行試驗 (圖像為1 128像素 ×1 196像素)。圖 3為在 ERDAS軟件中組合 TM4、TM3、TM2三個波段得到的圖像;圖 4為利用 TM4和 TM3根據(jù)式 (1)計算得到的 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應關系,通過編程依次提取 NDV I圖像中對應不同覆蓋度的數(shù)據(jù)。對于每種覆蓋度圖像,均進行二值化處理,即將處于同種覆蓋度范圍的數(shù)據(jù)用同一個數(shù)字表示,其他的則用另一個數(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軟件中進行邊緣提取,通過自動矢量化或跟蹤矢量方式,快速完成柵格到矢量的轉化。圖 6為利用ArcScan對圖 5三種覆蓋度植被的自動矢量化結果,即自動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,請讀者諒解)。

此外,我們還可以將三種覆蓋植被的二值圖進行疊加,每種覆蓋度對應一種顏色 (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化。圖 7為三種覆蓋植被的組合圖。

對比圖3、圖5、圖7、圖8可知,本文的改進植被提取方案優(yōu)于第二章第2節(jié)的方案。因為不同覆蓋度植被間的邊界很模糊,很難通過眼睛辨別,直接對其(見圖3)進行矢量化,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。若用本文改進方法可以提高矢量化的效率和準確率,并區(qū)分出不同覆蓋度的植被邊界,自動生成植被區(qū)域的專題圖,自動進行矢量化。

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%,調查數(shù)據(jù)為 48.132%,準確率為75.980%。進一步將本文方法與調查數(shù)據(jù)相比,結果見表 2,準確率為 83.655%,在植被提取的準確率上也有了提高。綜上分析,相對于常用生產方法,本文的改進算法不論在生產效率方面,還是在準確度和可靠性方面,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、結束語

本文對常用NDV I輔助提取植被信息的方法進行了改進,并利用 NDV I與植被覆蓋度之間的關系編程實現(xiàn)了不同覆蓋度植被信息的自動提取。為驗證改進方法的實用性,利用實際的 Landsat T M遙感影像進行試驗,結果表明,與常用生產方法相比,本文方法能夠增強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換效率和準確度。在生產實踐中,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)研究進展[J].地球科學進展,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].遙感學報,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.工程地質遙感判釋與應用[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,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:中國農業(yè)科學院,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”國家科技支撐計劃重大項目課題基金資助項目(2006BAJ05A13)

任志明(1986—),男,安徽六安人,碩士生,主要研究方向為遙感理論與應用。