鮑新雪 ，王曉紅 ，吳　叢，楊　松，劉芳誠(chéng)

(1.貴州大學(xué)　礦業(yè)學(xué)院，貴州 貴陽(yáng) 550025；2.貴州大學(xué)　林學(xué)院，貴州 貴陽(yáng) 550025)

?

基于ETM+影像的綠地信息提取方法研究

鮑新雪1，王曉紅2，吳叢1，楊松1，劉芳誠(chéng)1

(1.貴州大學(xué)礦業(yè)學(xué)院，貴州 貴陽(yáng) 550025；2.貴州大學(xué)林學(xué)院，貴州 貴陽(yáng) 550025)

摘要：文中以ETM+影像為數(shù)據(jù)源實(shí)現(xiàn)對(duì)貴陽(yáng)市某城區(qū)的綠地信息提取。對(duì)獲取的影像進(jìn)行預(yù)處理，分別通過不同的方法：原始波段組合法、主成分分析法(PCA)、獨(dú)立分量分析法(ICA)、歸一化植被指數(shù)法(NDVI)及基于第一獨(dú)立分量的實(shí)驗(yàn)室波段組合法，獲取研究區(qū)的假彩色合成影像。將以上方法得到的影像數(shù)據(jù)進(jìn)行對(duì)比分析，表明植被景觀目視效果最好的是原始波段組合法。將得到的影像數(shù)據(jù)進(jìn)行監(jiān)督分類，通過目視解譯的方法進(jìn)行精度評(píng)價(jià)，結(jié)果表明，基于第一獨(dú)立分量的實(shí)驗(yàn)室波段組合法綠地信息提取精度最高，是一種有效的綠地信息提取方法。

關(guān)鍵詞：綠地提取 ；波段組合；獨(dú)立分量分析；主成分分析；歸一化植被指數(shù)

城市綠地是指城市中被自然的或是人工的植被所覆蓋的場(chǎng)地，它的表現(xiàn)形態(tài)是復(fù)雜而多樣的。城市綠地起著改善城市的生態(tài)環(huán)境、城市的外觀風(fēng)貌和旅游棲息條件的作用，同時(shí)還是衡量城市現(xiàn)代化水平的重要標(biāo)志之一[1]。因此，能夠?qū)崟r(shí)了解當(dāng)前城市綠化狀況，不僅可以對(duì)當(dāng)前的城市生活環(huán)境質(zhì)量進(jìn)行評(píng)估，而且還能對(duì)以后的綠化進(jìn)行指導(dǎo)和規(guī)范。傳統(tǒng)的測(cè)量方法很難及時(shí)提供綠地的現(xiàn)狀信息，而現(xiàn)有的遙感技術(shù)則可以很好地解決這一問題，鑒于中低分辨率影像數(shù)據(jù)的便捷獲取及易于推廣，不少專家學(xué)者對(duì)綠地信息實(shí)時(shí)動(dòng)態(tài)提取的實(shí)現(xiàn)進(jìn)行了研究。

李寶華、孟華基于TM影像，通過提取歸一化植被指數(shù)實(shí)現(xiàn)了開封市的綠地信息提取[2]；曹曉晨等基于遙感影像，通過波段組合實(shí)現(xiàn)了徐州市的綠地信息提取及現(xiàn)狀分析[3]。王細(xì)元等以TM影像為依據(jù)，通過NDVI、子象元和神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了淮安市建成區(qū)的綠地信息提取[4]。秦及茹、徐天蜀基于TM影像，以最大似然分類方法和最小距離分類方法實(shí)現(xiàn)了香格里拉地區(qū)的綠地信息提取[5]。本文基于TM影像，以貴陽(yáng)市主城區(qū)的某一區(qū)域?yàn)槔?，?duì)該山區(qū)城市的綠地信息提取研究進(jìn)行探討。

1研究區(qū)概況及數(shù)據(jù)源

1.1研究區(qū)概況

貴陽(yáng)市位于貴州省中部偏北，東經(jīng)106°07′～107°17′，北緯26°11′～26°55′之間，地處云貴高原的東斜坡上，是全國(guó)東部向西部高原過渡地帶。地形、地貌走勢(shì)大致呈東西向延展，地勢(shì)起伏較大，南北高，中部低。奇特的喀斯特地貌大量分布，既有高原山地和丘陵，又有盆地和河谷、臺(tái)地，海拔872～1 659m。山城貴陽(yáng)，已建設(shè)成一座美麗的城市，稱譽(yù)為“祖國(guó)第二個(gè)春城”，現(xiàn)在被稱為“林城”，即“森林之城”。

1.2數(shù)據(jù)源

由于貴陽(yáng)市四季常青，所以遙感影像數(shù)據(jù)采用的是2014-03-16經(jīng)過貴陽(yáng)市的Landsat7ETMSLC-off衛(wèi)星數(shù)字產(chǎn)品，條帶號(hào)127，航編號(hào)47,太陽(yáng)高度角51.78°，太陽(yáng)方位角135.75°。該影像數(shù)據(jù)包括9個(gè)波段，其中第6波段為紅外波段，分為低增益數(shù)據(jù)和高增益數(shù)據(jù)兩個(gè)波段，分辨率均為120m；第8波段為全色波段，分辨率為15m，便于識(shí)別地物的幾何特征。其他波段的分辨均為30m。本文采用的波段主要為1、2、3、4、5、7。

2數(shù)據(jù)預(yù)處理

由于貴陽(yáng)市處于費(fèi)雷爾環(huán)流圈，屬于亞熱帶濕潤(rùn)溫和型氣候，年平均相對(duì)濕度為78%，年平均總降水量為1 129.5mm，年平均陰天天數(shù)為235.1d，所以很難獲取不含云層遮擋的貴陽(yáng)市影像數(shù)據(jù)，因此，首先要對(duì)獲取的影像進(jìn)行去云處理。由于Landsat7在2003年出現(xiàn)技術(shù)故障，之后獲取的數(shù)據(jù)均具有條帶遮擋，因此，要對(duì)獲取的影像進(jìn)行去條帶處理。以1∶50 000的貴陽(yáng)市地形圖為基礎(chǔ)進(jìn)行幾何校正，采用雙線性內(nèi)插法實(shí)現(xiàn)影像的重采樣。隨后進(jìn)行輻射校正、邊緣增強(qiáng)、拉伸處理等一系列預(yù)處理操作，最后截取部分貴陽(yáng)市主城區(qū)的影像數(shù)據(jù)作為研究區(qū)域。本文采用的技術(shù)路線如圖1所示。

圖1　技術(shù)路線

3研究方法及實(shí)驗(yàn)結(jié)果

3.1原始波段組合法

由于影像的各波段間存在一定的相關(guān)性，所以基于遙感圖像的專題信息提取有必要選擇合適的波段或是波段組合，以減少不必要的計(jì)算。同樣的，ETM+影像各波段間具有較高的相關(guān)性，波段間存在大量的冗余信息。為了盡量降低干擾，減少不必要的工作，在進(jìn)行信息提取時(shí)要選擇波段間相關(guān)性小，且包含信息量較大的波段組合。由于波段6(1)和6(2)屬于熱紅外波段，分辨率較低，波段8是全色波段只為突出地表幾何形態(tài)，所以本次試驗(yàn)均不把它們作為實(shí)驗(yàn)波段。通過ERDAS的圖層信息查詢工具(Layerinfo)及空間建模工具(MakeModel)僅實(shí)現(xiàn)對(duì)波段1～5和7的光譜信息統(tǒng)計(jì)及波段間相關(guān)系數(shù)計(jì)算，其統(tǒng)計(jì)計(jì)算結(jié)果如表1、表2所示。

表1　ETM+六波段光譜信息統(tǒng)計(jì)

標(biāo)準(zhǔn)差反映了影像灰度值的離散程度，是衡量影像信息量的重要指標(biāo)[6]，值越大波段所含信息量就越大。由表1可知波段5的標(biāo)準(zhǔn)差最大，波段5包含的影像信息量最大。

表2　ETM+六波段相關(guān)系數(shù)

由表2的相關(guān)系數(shù)矩陣可以看出，均為可見光波段的1、2、3波段具有極高的相關(guān)性，波段間信息量冗余度較大；同為中紅外波段的5、7波段相關(guān)性較高，冗余度也較大；處于中紅外波段的4波段與其它波段相關(guān)系數(shù)較小，具有一定的獨(dú)立性。

最佳波段的選擇應(yīng)遵循如下兩個(gè)原則[7]：①波段或組合波段包含的信息量盡可能最大；②波段間相關(guān)性要盡可能小。所以本研究最佳波段組合應(yīng)該選取波段1、2、3中的一個(gè)，波段4，波段5、7中的一個(gè)。本文采取常用的最佳指數(shù)(OIF)來(lái)選取最佳波段組合，OIF計(jì)算公式如下：

(1)

其中：Si代表第i個(gè)波段的標(biāo)準(zhǔn)差，Rij代表第i個(gè)波段和第j個(gè)波段間的相關(guān)系數(shù)。OIF值越大，代表波段包含的影像信息量越大。

幾個(gè)最具可能性的波段組合的OIF值統(tǒng)計(jì)結(jié)果如表3所示。

表3　備選波段組合的OIF值統(tǒng)計(jì)結(jié)果

由表3統(tǒng)計(jì)結(jié)果可知，波段組合345的最佳指數(shù)(OIF)最大，表明該波段組合包含影像信息量較大，該組合波段間相關(guān)系數(shù)較小。由波段組合345合成的假彩色影像如圖2所示。

圖2　345波段假彩色影像

3.2主成分分析法(PCA)

主成分分析法(又稱K-L變換)是建立在統(tǒng)計(jì)特征基礎(chǔ)上的多維正交線性變換，它可以將具有相關(guān)性的多波段數(shù)據(jù)壓縮到完全獨(dú)立的較少的幾個(gè)波段上，使得圖像數(shù)據(jù)更易于解譯，是當(dāng)前遙感影像處理常用的數(shù)據(jù)壓縮方法之一。對(duì)于ETM+影像，由于波段間的高度相關(guān)性，對(duì)全部波段進(jìn)行分析是沒有必要的，為了在盡可能保留信息的同時(shí)減少數(shù)據(jù)計(jì)算量，對(duì)影像進(jìn)行主成分變換。經(jīng)主成分變換后，95%以上的影像信息會(huì)包含在3個(gè)主分量PC1、PC2、PC3中，后面的主成分大多是噪聲，不能提供有效的影像數(shù)據(jù)信息。由于主成分變換是在保留有效的影像信息前提下進(jìn)行的處理，因此，諸多影像分類、特征提取等工作可以在主成分變換后的影像上進(jìn)行處理。本文影像數(shù)據(jù)，經(jīng)主成分變換后的3個(gè)主分量假彩色合成圖如圖3所示。

圖3　PC1、PC2、PC3假彩色合成影像圖

3.3獨(dú)立分量分析法(ICA)

獨(dú)立分量分析法是一種高效的影像數(shù)據(jù)壓縮技術(shù)，是從盲信號(hào)分離技術(shù)發(fā)展起來(lái)的一種新方法，從觀測(cè)信號(hào)出發(fā)，對(duì)已知信息量很少的源信號(hào)進(jìn)行估計(jì)，獲得相互獨(dú)立的原始信號(hào)的近似值[8]。獨(dú)立分量分析不同于主成分分析，主成分分析是基于二階統(tǒng)計(jì)量的協(xié)方差矩陣，獨(dú)立分量分析是基于高階的統(tǒng)計(jì)量，所以獨(dú)立分量分析不僅能夠?qū)崿F(xiàn)主成分分析的去相關(guān)特性，而且能夠獲得分量之間相互獨(dú)立的特性，因此，獨(dú)立分量分析能夠獲得較主成分分析更好的效果。影像數(shù)據(jù)經(jīng)過獨(dú)立分量分析可以獲得較好的解譯效果，本實(shí)驗(yàn)研究的影像數(shù)據(jù)，只生成包含影像有效信息的3個(gè)獨(dú)立分量的波段影像，ICA1、ICA2、ICA3，3個(gè)獨(dú)立分量的假彩色合成影像如圖4所示。

圖4　ICA1、ICA2、ICA3假彩色合成影像圖

3.4歸一化植被指數(shù)法(NDVI)

植被指數(shù)是多光譜遙感應(yīng)用領(lǐng)域?qū)χ脖贿M(jìn)行研究的主要技術(shù)手段，植被光譜表現(xiàn)為植被、土壤、陰影、環(huán)境等的復(fù)雜混合反應(yīng)，而且還受大氣空間時(shí)相變化等的影響，因此，植被指數(shù)不是一個(gè)固定的值，是一個(gè)變化的量[9]。植被指數(shù)的種類有很多，包括歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、全球環(huán)境監(jiān)測(cè)植被指數(shù)(GEMI)、比值植被指數(shù)(RVI)等[10]。最為常用的是歸一化植被指數(shù)，經(jīng)比值處理的NDVI不僅能夠削弱與大氣條件相關(guān)的負(fù)影響而且也可減輕云層、角度等的影響；在裸露的地表NDVI為負(fù)數(shù)有植被覆蓋的情況下NDVI值大于零，且隨著植被覆蓋度的增大而增大[11]。

本文實(shí)驗(yàn)研究采用歸一化植被指數(shù)(NDVI)實(shí)現(xiàn)綠地信息的提取，NDVI是通過近紅外波段和可見光波段進(jìn)行比值運(yùn)算的結(jié)果，計(jì)算式如下:

(2)

通過ERDAS中的空間建模工具(Spatial Modeler)建立植被指數(shù)計(jì)算模型,獲取影像的NDVI提取結(jié)果，如圖5所示。

圖5　NDVI提取結(jié)果圖

3.5實(shí)驗(yàn)室波段組合法

為了更好地進(jìn)行影像信息的提取，有時(shí)僅僅只考慮影像的原始波段數(shù)據(jù)是不夠的，應(yīng)該把主成分分析、植被指數(shù)等衍生的波段數(shù)據(jù)考慮在內(nèi)。目前常用的方法是首先把選中的進(jìn)行原始波段組合的各波段、第一主成分波段及植被指數(shù)波段進(jìn)行波段間相關(guān)性分析，然后選擇波段間相關(guān)性較小的波段進(jìn)行組合。本文在前人研究的基礎(chǔ)之上，提出用第一獨(dú)立分量波段數(shù)據(jù)代替第一主成分波段數(shù)據(jù)和ETM+3，4，5波段及NDVI波段數(shù)據(jù)進(jìn)行相關(guān)性分析，分析結(jié)果如表4所示。

表4　ETM+3，4，5，ICA1，NDVI波段間相關(guān)系數(shù)矩陣

由表4分析可知,波段4、ICA1、NDVI間相關(guān)性最差，用這3個(gè)代表著不同性質(zhì)的差值影像計(jì)算波段進(jìn)行組合，其假彩色合成影像如圖6所示。

圖6　實(shí)驗(yàn)室波段組合影像圖

3.6 結(jié)果分析與評(píng)價(jià)

把上述通過不同方法獲得的影像根據(jù)研究區(qū)實(shí)際情況和目視效果，反復(fù)對(duì)比表明，基于原始波段組合的方法能夠獲取最好的植被景觀目視效果，通過該方法得到的合成影像可以看出，該研究區(qū)處于樹木蔥郁的山林之中。為了獲取不同方法植被信息的提取精度，需要在對(duì)影像實(shí)現(xiàn)分類的基礎(chǔ)上進(jìn)行精度評(píng)定。本實(shí)驗(yàn)研究采用監(jiān)督分類的方法實(shí)現(xiàn)對(duì)不同方法獲取的影像進(jìn)行分類，借助Erdas軟件的精度評(píng)價(jià)功能，隨機(jī)生成200個(gè)點(diǎn)，通過目視解譯及實(shí)地考察的方法對(duì)研究區(qū)影像的分類結(jié)果進(jìn)行精度評(píng)定。結(jié)果表明：雖然原始波段組合法的植被目視景觀效果最好，但是容易把草皮和裸地誤分，而且很難區(qū)別開喬木叢和灌木叢；主成分分析法能夠突出體現(xiàn)道路和房屋區(qū)域；獨(dú)立分量法獲取的影像較主成分分析法獲取的影像層次更加鮮明，地物分類更為細(xì)致；歸一化植被指數(shù)法獲取的影像可以很好地區(qū)分植被和非植被，但是容易出現(xiàn)植被多判的情況；基于第一獨(dú)立分量的實(shí)驗(yàn)室波段合成法能夠較好地區(qū)分開草皮和裸地、喬木叢和灌木叢，精度較高。不同研究方法的結(jié)果分類精度如表5所示。

表5　不同實(shí)驗(yàn)方法分類精度

由表5數(shù)據(jù)分析可知，5種方法均能在某種程度上滿足人們分類信息提取精度的要求，但是基于第一獨(dú)立分量的實(shí)驗(yàn)室波段組合方法的綠地信息提取精度最高，是一種可行的綠地信息提取方法，基于該方法的研究區(qū)地物分類圖如圖7所示。

圖7　研究區(qū)分類專題圖

4結(jié)束語(yǔ)

本文利用遙感技術(shù)，對(duì)研究區(qū)遙感影像各波段進(jìn)行相關(guān)性分析并通過計(jì)算最佳指數(shù)(OIF)，選取相關(guān)性最小且包含影像信息量最大的波段ETM+3，4，5，實(shí)現(xiàn)3個(gè)波段影像的組合。同時(shí)對(duì)影像進(jìn)行獨(dú)立分量分析、植被指數(shù)分析等，并實(shí)現(xiàn)了5個(gè)波段的相關(guān)性分析，選取分別代表不同性質(zhì)的3個(gè)波段完成實(shí)驗(yàn)波段組合，結(jié)果表明，基于獨(dú)立分量的實(shí)驗(yàn)室波段組合法是一種便捷、有效的植被信息提取方法，能夠滿足當(dāng)前對(duì)城市綠地信息獲取的要求。本實(shí)驗(yàn)研究的創(chuàng)新之處在于首次提出將第一獨(dú)立分量波段參與到其他波段的組合分析中，結(jié)果表明是一種可行的綠地信息提取方法。但是本次試驗(yàn)沒有顧忌到研究區(qū)的山區(qū)陰影問題及混合象元的問題，有待進(jìn)一步探究。

參考文獻(xiàn)

[1]王慶日.城市綠地的價(jià)值及其評(píng)估研究[D].杭州:浙江大學(xué),2003.

[2]李寶華,孟華.基于TM影像的開封市綠地信息提取研究分析[J].泰山學(xué)院學(xué)報(bào),2005,27(6):94-98.

[3]曹曉晨,景海濤,趙明福.基于TM影像的徐州市的城市綠地信息提取及現(xiàn)狀分析[J].蘇州科技學(xué)院學(xué)報(bào)(自然科學(xué)版),2009,26(3):72-75.

[4]王細(xì)元,孟君陶,程楊.基于TM影像的城市建成區(qū)綠地提取方法研究[J].測(cè)繪與空間地理信息,2014,37(12):53-55.

[5]秦及茹,徐天蜀.基于TM數(shù)據(jù)的遙感分類方法對(duì)比研究[J].綠色科技,2015(1):272-273.

[6]郭娜,劉劍秋.TM遙感影像植被信息提取的最佳波段組合選擇——以福建省松溪至建甌高速公路為例[J].福建師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,28(1):103-107.

[7]許泉立,易俊華.一種基于最佳指數(shù)模型的TM遙感影像最佳波段組合計(jì)算方法[J].測(cè)繪與空間地理信息,2014,37(4):32-35.

[8]黨安榮.ERDAS IMAGINE遙感圖像處理教程[M].北京:清華大學(xué)出版社,2013.

[9]姚靜,武文波,康停軍.基于TM影像的城市綠地信息提取方法研究[J].測(cè)繪科學(xué),2010,35(1):113-115.

[10] BRUZZONE L. Detection of Changes in Remotely-sensed Images by the Selective Use of Multispectral information [J]. Int J Remote Sensing,1997,18(18):3883-3888.

[11] 白蘭東,茍葉培,邵文文,等.基于多角度的植被指數(shù)與葉面積知識(shí)的線性關(guān)系研究[J].測(cè)繪工程,2016,25(1):1-4.

[責(zé)任編輯：劉文霞]

DOI:10.19349/j.cnki.issn1006-7949.2016.10.006

收稿日期：2016-03-29

基金項(xiàng)目：貴州省科技計(jì)劃課題(黔科合LH字[2014]7649)；貴州省自然科學(xué)基金資助項(xiàng)目(黔科合J字[2014]2070號(hào))

作者簡(jiǎn)介：鮑新雪(1991-),女,碩士研究生.

中圖分類號(hào)：TP75

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1006-7949(2016)10-0026-05

Research on information extraction method of green space basedon ETM+remote sensing image

BAO Xinxue1, WANG Xiaohong2, WU Cong1,YANG Song1, LIU Fangcheng1

(1.CollegeofMining,GuizhouUniversity,Guiyang550025,China; 2.CollegeofForestry,GuizhouUniversity,Guiyang550025,China)

Abstract：Using the TM image as data source, this paper accomplishes the green land information extraction of Guiyang City with the original bands combination method, independent components analysis method(ICA), normalized difference vegetation index(NDVI), laboratory band combination method and the first time independent component(ICA1) band. Comparing and analyzing the images data obtained from the above methods it indicates that the vegetation landscape of the original band combination method has the best visual effects, and the laboratory band combination method based on first independent component has the highest accuracy, which is a good method of city green space information extraction.

Key words：green space extraction; band combination; independent components analysis; principal component analysis; normalized difference vegetation index