适于ALOS图像植被信息提取的新植被指数

高闪闪，陈仁喜

(1.河海大学地球科学与工程学院，南京 210098;2.华南理工大学亚热带建筑科学国家重点实验室，广州 510640)

0 引言

ALOS(advanced land observation satellite)卫星是日本国家空间发展局(NASDA)2006年发射的一颗陆地观测卫星[1]，用于快速获取高精度的地面数据[2]。ALOS卫星携带了3种传感器:全色立体测图传感器、新型可见光和近红外辐射计AVNIR-2及相阵型L-波段合成孔径雷达。在波段设置和空间分辨率上，ALOS AVNIR-2与SPOT5 CCD有很大的相似性。何宇华等[3]针对ALOS数据图像质量分析了影像纹理特征，评定了平面点位、影像分类和图斑面积精度，并将其与 SPOT5数据对比，发现ALOS数据在纹理特征及面积精度方面均明显优于SPOT5数据。这也是近年来ALOS图像被广泛应用于遥感领域研究的重要原因之一。

目前，关于利用ALOS卫星图像提取植被信息的研究主要采用纹理辅助、支持向量机、决策树和最大似然分类等方法[4-7]，而植被指数简单实用的特点使其一直是植被遥感研究的重要内容之一[8]。随着遥感技术的发展，为了满足不同的应用需求，用于提取植被信息的各种植被指数应运而生，如差值植被指数(difference vegetation index，DVI)[9]、比值植被指数(ratio vegetation index，RVI)[10]、归一化差值植被指数(normalized difference vegetation index，NDVI)[11]、土壤调节植被指数(soil adjusted vegetation index，SAVI)[12]、全球环境监测指数[13]和三波段梯度差植被指数[14]等。虽然这些植被指数具有一定消除土壤背景或大气影响的能力，但是利用这些植被指数提取ALOS图像植被信息时存在将建筑物错认为是植被信息和漏提植被信息的现象，或者植被密度较低的(如农田和草地等)不易提取，而且消除土壤背景影响能力较差。

针对上述情况，本文通过分析植被样本数据，发现植被的光谱数据间存在某种较为固定的关系，根据这种关系提出了适于ALOS图像的基于植被样本的植被指数(vegetation sample-based vegetation index，VSVI)，并通过植被提取实验证明了VSVI不仅具有很好消除土壤背景影响的能力，而且植被提取效果好于其他植被指数。

1 研究区概况与技术路线

1.1 研究区概况

研究区位于南京市浦口区，地处南京市长江西北岸，E 118°20′～119°13′，N 31°14′～ 32°17′之间;中部有老山山脉，西部丘陵起伏，地貌类型多样化，集低山、丘陵、平原、岗地、大江和大河为一体。全区总面积约913 km2(其中丘陵山区面积632.7 km2，平原区面积269.3 km2)，属于亚热带季风气候。区内水系发达，植被类型丰富，适合植被信息提取研究。

1.2 技术路线

选择2009年10月获取的ALOS AVNIR-2的level1B2级遥感图像。该图像包括红、绿、蓝和近红外4个多光谱波段，空间分辨率为10 m。

本文技术路线为:①对图像进行裁剪、线性拉伸及多尺度分割处理，并计算图像对象的4个波段的光谱特征均值;②选取100个植被对象为样本，对其4个波段光谱特征值进行数据统计与分析;③建立模型函数，根据对植被样本的计算分析确定函数模型参数l1，l2，l3和l4的值;④通过对研究区植被信息的提取，检验VSVI植被指数是否可行，并通过与其他植被指数的提取结果的比较进行分析和评价。

2 VSVI及其原理

本文从分析植被光谱的特点入手，提出一种基于植被样本光谱特征值数理统计分析的植被指数VSVI;通过数学公式推导证明该植被指数具有一定消除土壤背景影响的能力，并通过利用VSVI从ALOS图像中提取植被信息的实验予以验证;最后采用其他典型植被指数，即DVI，RVI，NDVI和SAVI(表1)[9-12]，分别从ALOS图像中提取了植被信息，并与利用VSVI提取的效果进行了比较。

表1 典型植被指数一览表Tab.1 List of typical vegetation indexes

2.1 植被样本选取与分析

研究发现，植被在不同波段的反射率以不同形式组合一个函数时，该函数与植被指数有着密切关系。为了研究这种关系，本文统计分析了ALOS图像中植被在蓝光B、绿光G、红光波段R和近红外波段NIR的光谱特征值范围，分别为ρB∈[121，135]，ρG∈[92，115]，ρR∈[66，100]和 ρNIR∈[84，120]。当2个波段的光谱特征值存在交叉范围时，该2个波段比值的分布范围表现为比较零散或者差值正负交替变化。表2列出随机选取的100个较为纯净的植被样本的光谱特征值和比值。

表2 植被样本光谱特征值与比值Tab.2 Ratio and spectral values of vegetation samples

由表2可以看出，可见光蓝、绿和红波段的植被光谱特征值的标准差较小，内部变化稳定;而近红外波段的植被光谱特征值的标准差较大，与其他波段的比值较为零散，并且与绿光和红光波段的差值运算正负交替，导致统计参数时不稳定。因此，不适合选为统计计算VSVI参数的波段。为了避免这种情况并使植被指数比较稳定，本文只对可见光蓝、绿和红波段的植被光谱特征值进行统计分析。通过对表2中植被样本光谱特征值的计算分析发现:不同波段的植被反射率以一定形式可以组合成一个比较稳定的参数，并且这个参数与植被特性有密切关系。

2.2 VSVI理论

叶绿素在 0.55μm(绿)波长处为反射峰，在0.45μm(蓝)和 0.67μm(红)为吸收带，在近红外0.7μm，0.8μm，1.1μm 处为反射陡坡，4 个波段的光谱信息都能一定程度上反映植被信息。假设VSVI与不同波段呈线性关系，建立四元一次方程，即

式中l1，l2，l3和l4为待确定的参数。

通过计算分析，发现 ρR/ρG，(ρR-ρB)/ρR，(ρG-ρR)/ρG和(ρB-ρG)/ρB能够组合成一个比较稳定的参数。因此，经多次从ALOS图像中提取植被信息的实验，表明 l1，l2，l3，和 l4分别为 ρR/ρG，(ρR- ρB)/ρR，(ρG- ρR)/ρG和(ρB- ρG)/ρB时，植被提取效果最佳。因此，

VSVI具有消除土壤背景影响的能力。假设在可见光蓝、绿、红和近红外4个波段，植被和土壤面积的比值不随波段变化(尽管该假设比较粗糙，但一些通用的植被指数在一定程度上也隐含了该假设)，像元的反射率为像元内植被和土壤的面积加权和[7]。若忽略误差项，则4个波段的反射率分别为

式中:ρB，ρG，ρR及 ρNIR分别为蓝光、绿光、红光及近红外波段的反射率;ρVi和ρSi分别为i波段的植被及土壤反射率(i=B，G，R，NIR);A为植被覆盖度。

式(3)—(6)代入式(2)，化简后得到

式中:

可见在上述假设条件下，VSVI仅与植被的光谱信息有关，与土壤背景无关。

2.3 实验结果与分析

植被提取实验中涉及到图像裁剪、波段组合、多尺度分割、波段运算和构造植被提取函数模型等技术。为了证明VSVI具有消除土壤背景影响的能力，本文采用多阈值分割方法提取植被信息。图1为利用不同植被指数提取植被的结果。

图1 不同植被指数的植被提取结果Fig.1 Results of vegetation extracted by different vegetation indexes

实验结果表明，利用 NDVI，DVI，RVI和 SAVI等植被指数均能将植被轮廓提取出来，但存在一定的漏提或误提等缺点;只有利用VSVI提取植被克服了其他植被指数的上述缺点。

从图1中可以看出:①与对原始ALOS图像(图1(a))的植被(红色区域)目视解译结果对比，图1(b)—(e)中都存在植被信息的漏提和误提现象(蓝色椭圆内为植被信息漏提，红色椭圆内表示建筑物错提为植被信息，黄色椭圆内的颜色表示植被密度比较低的植被信息);②植被提取的实验结果与阈值的选取有关，在构造模型时阈值的选取要经过多次实验才能确定，在图1(b)—(e)中，要么植被密度比较低的农田和草地不易被分割出来，要么植被与道路和裸地的交叉现象比较严重;③为了验证VSVI指数的精度，多尺度分割后统计了植被信息的总对象数为18 769，并计算了 NDVI，DVI，RVI，SAVI和VSVI的提取精度(表3)。与其他植被指数相比，VSVI指数的分类精度大幅提高。

表3 不同植被指数分类精度Tab.3 Classification accuracy of different vegetation indexes

通过分析发现:NDVI，DVI，RVI及 SAVI虽然一定程度上能够消除土壤背景的影响，但是在植被密度较低的情况下植被提取效果不太理想，并且DVI和RVI存在漏提和错提、NDVI和SAVI有错提现象;从图1(f)来看，VSVI植被指数克服了其他植被指数的上述缺点，并且能够较好地消除土壤背景和薄云的影响。实验证明:本文提出的VSVI植被指数与其他植被指数相比，从ALOS图像中提取植被的效果更为理想。

3 结论

1)从植被光谱特征出发，通过分析ALOS卫星AVNIR-2的4个多光谱波段之间植被样本特征值之间的数学关系，提出基于植被样本的植被指数(VSVI)，并通过公式推导证明其具有消除土壤背景影响的一定能力。

2)与其他典型植被指数相比，使用VSVI的植被信息提取效果最好。研究发现，参数l1，l2，l3和l4的值只要在一定范围内变化，就不存在对植被信息提取效果的影响。

3)VSVI也有一定的缺陷，如由于植被样本选取的差异会导致参数值的上下波动，但总体上并不影响植被信息的提取效果;由于本文提出植被指数仅局限于对ALOS图像的植被提取，如何把该植被指数应用于其他卫星数据是今后研究的重点。另外，植被的提取受阈值选择的影响，如何更准更快地确定阈值也是今后研究的问题之一。

[1]王树根.日本ALOS卫星简介[J].测绘信息与工程，2000(1):45-46.Wang S G.The profile of Japan′s ALOS satellite[J].Journal of Geomatics，2000(1):45-46.

[2]熊金国，王世新，周 艺.不同指数模型提取ALOS AVNIR-2影像中水体的敏感性和精度分析[J].国土资源遥感，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]何宇华，谢俊奇，刘顺喜.ALOS卫星遥感数据影像特征分析及应用精度评价[J].地理与地理信息科学，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]邵晓敏，刘 勇.基于纹理的乌兰布和沙漠地区植被信息提取[J].遥感技术与应用，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 红，刘庆生，等.基于纹理特征和支持向量机的ALOS图像土地覆被分类[J].国土资源遥感，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 蓝.基于ALOS等数据的盐城湿地植被分类及土地覆盖时空变化研究[D].南京:南京师范大学，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]黄铁栏，苏 华，王云鹏.NDVI/NDWI/DEM决策树方法在东莞ALOS影像土地利用分类中的应用[J].华南师范大学学报:自然科学版，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，沈润平，杨晓月.利用不同植被指数估算植被覆盖度的比较研究[J].国土资源遥感，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，朱启疆，王锦地，等.三波段梯度差植被指数的理论基础及其应用[J].中国科学:D 缉，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.