彭彥霖，吳風華

(華北理工大學 礦業(yè)工程學院，河北 唐山 063210)

引言

衡量地表植被最重要的指標之一是植被覆蓋度，它被用作土壤侵蝕監(jiān)測和分布式水文模型的重要輸入參數[1]。陳晉等認為利用遙感數據估計植被覆蓋的主要方法有2種：經驗建模方法和植被指數轉換方法。經驗模型法基于大量的測量數據，在小范圍內具有一定的精度，但在推廣應用上存在諸多局限性[2]。2004年李苗苗等人在對像元二分模型2個重要參數推導的基礎上改進了已有模型的參數估算方法，建立了用 NDVI歸一化植被指數定量估算植被覆蓋度的模型[3]。劉海等使用歸一化植被指數NDVI對鄱陽湖植被生長覆蓋信息進行提取，利用像元二分法計算植被覆蓋度[4]。

國際上，Rahmat Zarkami等利用決策樹模型對伊朗多個高鹽濕地進行了豐度預測；Choudhury與 Gillies等通過植被指數法估算美國西北部針葉林的植被覆蓋度得出99%置信度下相關性為0.55；Leprieur等利用NDVI和像元二分模型推算了Sahelian地區(qū)SPOT衛(wèi)星影像的植被覆蓋度；Hansen等基于MODIS影像，利用決策樹法和線性回歸模型的相互結合推算了森林喬木層覆蓋度，得出基于分類決策樹估算的覆蓋度效果更好、精度更高。

1關鍵技術描述

1.1 水體指數法

水體指數法通過分析水體的光譜特征，與其他地物特征進行分析對比，發(fā)現并找出水體與這些地面特征之間的差異和變化特征，然后生成針對提取水體的水體指數模型。學者Mcfeeters創(chuàng)建了歸一化差異水體指數(NDWI)，通過將綠光波段和近紅外波段做比值運算可以在很大程度上減少植被信息，進而達到突出水體信息的目的。其表達式為：

(1)

在Mcfeeters歸一化差異水體指數的基礎上，重新組合并修改了該指數的幾個波段[5]，并對不同類型的水體數據進行處理，大都取得良好的結果，其公式為：

(2)

Gudina.Feyisa構建了自動水提取指數AWEI，將TM數據的各波段重新分配權重，然后進行運算，其精度比MNDWI與最大似然分類方法更高[6]公式為：

AWEI=4(b2-b5)-(0.25b4+2.75b7)

(3)

式中，b2、b4、b5、b7分別表示綠色、近紅外、短波紅外1、短波紅外2波段，表示影像波段反射值，此算法可以抑制植被、建筑物信息，減少噪音，使得水體和非水體的反射率值差異明顯，可以有效地提取水體。

1.2 歸一化植被指數NDVI

歸一化植被指數(NDVI)是一種重要的植被指數，其取值范圍是[-1,1] ，可以代表植被的覆蓋情況，數值越大，植被情況越好，一般綠色植被的NDVI區(qū)間為[-0.2,0.8]。

(4)

1.3 植被覆蓋度計算

現階段最為常用的通過遙感手段研究植被覆蓋的方法就是通過植被指數來估算植被覆蓋度。其中，多種植被指數中歸一化植被指數NDVI最為實用且效果最好。李苗苗等在像元二分模型的基礎上研究的模型如下：

(5)

式中，NDVISoil為完全是裸土或無植被覆蓋區(qū)域的NDVI值，NDVIVeg則代表完全被植被所覆蓋像元的NDVI值，即純植被像元的NDVI值。

1.4 決策樹法提取植被覆蓋

分類決策樹模型是一種對實例進行分類的樹形結構，決策樹由節(jié)點和有向邊組成。節(jié)點有2種類型：內部節(jié)點和葉節(jié)點。內部節(jié)點表示一個特征或屬性，葉節(jié)點表示一個類。用決策樹分類，從根節(jié)點開始，對實例的某一特征進行測試，根據測試結果，將實例分配到其子節(jié)點；每一個子節(jié)點對應著該特征的一個值。按此方式遞歸地對實例進行測試并分配，直到達到葉節(jié)點。最后將實例分到葉節(jié)點的類中。生成與訓練數據集矛盾較小的決策樹，同時具有很好的泛化能力[7]。在規(guī)則的獲取和決策樹的建立中，根據經驗和專家知識可以第一步得到適用于湖區(qū)濕地的決策樹分類規(guī)則，隨后設置節(jié)點的名稱、表達式以及子集。如果所選影像數據具有波長信息，ENVI就能夠完成自動匹配計算NDVI所需要用到的近紅外和紅光波段。如果沒有就需要進行手動指定波段。

2研究案例

1.1 研究區(qū)概況

地處江西省北部的鄱陽湖是我國面積最大的淡水湖泊，位于北緯28°22'～29°45'，東115°47'～116°45'，信江、修水、贛江、撫河和饒河等水系在鄱陽湖整合匯聚后進入長江創(chuàng)造了以鄱陽湖為中心的完整生態(tài)、水文系統(tǒng)。如圖1所示為鄱陽話矢量邊界圖。

圖1 鄱陽湖矢量邊界圖

2.2 數據來源

采用來自Landsat8、Lansat7以及高分一號衛(wèi)星的5期影像。選取鄱陽湖2020年8月21日豐水期、2019年1月23日枯水期的兩景影像；GF-1 WFV 相機可以獲取 16 m多光譜彩色圖像(藍、綠、紅、近紅外4個波段)。研究采用高分一號衛(wèi)星2020年06月16日影像。數據來源于地理空間數據云，如表1所示。

表1 影像數據信息

2.3 數據處理

所有通過遙感系統(tǒng)得到的原始影像都經過了投影變換，這個過程一定會產生不同程度的幾何形變。因此，需要進行數據預處理，對影像數據進行預處理的內容主要有：Landsat7影像的條帶修復工作、輻射定標、大氣校正、投影轉換。處理流程如圖2所示。

圖2 數據處理流程

3鄱陽湖水域面積提取

3.1 水體指數法

水體指數法通過分析水體的光譜特征，與其他地物特征進行分析對比，發(fā)現并找出水體與這些地面特征之間的差異和變化特征，然后生成針對提取水體的水體指數模型。水體指數處理結果如圖3、圖4所示，其中各圖比例尺均與圖3(a)一致。

圖3 不同模型處理結果

圖4 不同模型處理結果

3.2 NDVI提取水體

在提取水體信息、水域面積等多種方法中，歸一化植被指數是較為常見的一種方法。鄱陽湖區(qū)經過NDVI計算后，新建感興趣區(qū)選取合適的閾值來進行水陸分離。首先將閾值設置為0，提取-1～0范圍內的像元，NDVI<0時提取的像元就是水體。據此可以提取出大部分的湖區(qū)、河流等面積較大的水體。但對于湖區(qū)邊界水陸交接處、泥沙含量較多的水體、面積較小的坑洼和細小河道的提取效果不盡如人意。當閾值為0.150時，可以最為準確地將水體和非水體區(qū)別開，提取水體的效果最佳。提取結果如圖5所示。

圖5 GF-6NDVI提取水體

3.3 水域面積計算

由新建的感興趣區(qū)裁剪得到水體指數計算后的影像，進一步得到水體像元。計算出水體像元的數量，進而根據每個像元的面積計算得到水域覆蓋的總體面積。通過歸一化差異水體指數模型 NDWI 計算得到表2所示面積。

表2 NDWI模型計算面積結果

在確定水體閾值時，經過反復測試，并通過對比原始影像，最終 L8-1、L8-8、L7-7 三期圖像數據的水體閾值確定為0.05，其效果均比較準確合理。L7-2確定閾值為-0.1 時丟失水體信息較少，效果較好。通過歸一化差異水體指數的改進模型 MNDWI 計算得出的面積如表3所示。

表3 MNDWI模型計算面積結果

MNDWI 模型中，數據 L7-2 水體閾值的確定也和其他數據稍有不同。其他三期數據取值為 0.15，L7-2 閾值取為 0.05。通過自動水提取指數 AWEI 計算得出的面積如表4所示。

表4 AWEI模型計算面積結果

通過 AWEI 模型計算后，數值均比較大。除L8-8的三期影像水體像元的值均為數值較大的正數，其他像元均為負數，數值上的區(qū)別非常明顯。當圖像閾值取值數據相同時，圖像 L8-8水體信息明顯丟失較多。最后，經過對比調整確定為-650時效果最好，能夠較為全面地涵蓋水體像元。

3.4 水體提取結果分析

根據圖5不同模型的效果圖對比可知，NDWI模型漏提水體最多，其中較小的坑洼、較為細窄的河道被忽略較多，提取到的水體信息最少，其余2個水體指數模型效果較好。MNDWI和AWEI模型精度很高，水陸分離效果明顯，漏提信息較少，且二者都在很大程度上抑制了其他地物的影響。如圖6所示為不同模型提取結果細節(jié)對比，圖7為五期圖像數據、水域覆蓋專題圖通過前面的數據處理以及對比分析可以知道，該項試驗中 L8-1、L8-8、L7-2、L7-7四期影像數據使用自動提取水體指數 AWEI模型處理的結果最為準確；GF-6數據通過歸一化植被指數 NDVI進行水域面積提取，在經過 ArcMap中重分類等操作后進行專題制圖。根據以上分析可知，通過自動水提取指數 AWEI 對水體面積信息提取效果最好，故以 AWEI 模型處理結果為準進行分析，其分析結果如表5所示。

圖6 不同模型提取結果細節(jié)對比

圖7 鄱陽湖不同時期水域覆蓋專題圖

表5 水體面積提取結果

4鄱陽湖植被覆蓋信息提取

4.1 利用歸一化植被指數提取植被覆蓋度

歸一化植被指數(NDVI)可有效削弱大氣反射等不利影響，增強遙感影像中的植被影響力,精確反應植被信息是當前最常用的指標之一，利用其調查植被生長狀態(tài)、植被覆蓋度等植被相關信息時都能取得不錯效果。因此，利用歸一化植被指數公式進行計算，NDVI取值范圍在-1～+1之間，其計算結果如圖8所示。

圖8 NDVI計算結果

然后計算植被覆蓋度，根據植被覆蓋度計算模型可知NDVISoil為完全裸土或無植被覆蓋區(qū)域的NDVI值，NDVIveg則代表完全被植被所覆蓋的像元的NDVI值。根據數學統(tǒng)計原理，選取一般符合正態(tài)分布規(guī)律下的置信區(qū)間的顯著性水平α取0.05，所以置信區(qū)間取為5%～95%。所以選取計算完NDVI值，置信區(qū)間為95%左右的最大值NDVImax為NDVIveg，取置信區(qū)間為5%左右的最小值NDVImin為NDVIsoil。利用ENVI中的Band Math工具計算，得出圖像數據NDVI置信區(qū)間取值范圍如表6所示，其中L7-7圖像由于鄱陽湖正處在洪水期間，水位大幅上漲水域覆蓋極廣，影像比較特殊，所以置信區(qū)間取值比較極端。

表6 NDVI 置信區(qū)間取值范圍

圖9所示為L8-1的植被覆蓋度示例。其屬性值在[0，1]之間，調整其注記顏色。圖9為一月份枯水期影像所以水體較少大部分是裸地和有植被覆蓋的土地，其中顏色越深代表其植被覆蓋度越高，相反顯色淺接近白色就是水體。豐水期影像，其湖區(qū)水域幾乎覆蓋全部邊界，僅僅有靠近邊界部分，水陸交界處有極少植被覆蓋。

圖9 L8-1植被覆蓋度

4.2 決策樹法提取植被覆蓋

決策樹法的重點在于分類規(guī)則的制定或獲取，進行決策樹分類大致過程包含：根據知識經驗定義規(guī)則，編寫表達式，分類和分類后處理。在進行分類規(guī)則公式化時，表達式中的數學符號、特定函數和語法規(guī)則必須符合ENVIIDL的規(guī)范。第一步進行規(guī)則的獲取和決策樹的建立，第二步提取植被覆蓋度，根據經驗和專家知識構建的決策樹，分類結果的地物數僅包含5類：裸地、水體和根據NDVI值大小分出3類植被。分類結果如圖10所示。

圖10 決策樹提取植被覆蓋

4.3 2種提取植被覆蓋方法對比分析

圖11所示為歸一化植被指數計算植被覆蓋度FVC，圖12所示為決策樹分類提取植被覆蓋度?？傮w來說，基于歸一化植被指數計算的植被覆蓋度，輸出成果比較方便，可以根據需求調整分類等級梯度和不同的注記顏色，成圖更加美觀。另外，由于基于知識、專家經驗的決策樹植被覆蓋提取受到分類規(guī)則獲取、分類層次較少等因素的限制，實際應用中基于歸一化植被指數計算的植被覆蓋度效果更好。

圖11 決策樹提取植被覆蓋 圖12 植被指數計算植被覆蓋

5結論

(1)將水體信息提取的3種方法：歸一化差異水體指數模型及其改進的模型、自動水體提取指數法模型進行比對，通過細節(jié)的精度驗證，得出自動水提取指數法模型對水體信息的提取精度最高，結果最為準確。

(2)在植被覆蓋信息提取中對比了根據植被指數估算植被覆蓋度，并依據專家經驗、知識的決策樹分別對植被覆蓋信息進行提取。通過比較兩者的提取效果，得出在實際應用中根據植被指數估算植被覆蓋度更加方便實用。