宜昌地区植被信息提取与变化检测研究

2014-03-10袁静文

交通科技与经济 2014年4期

袁静文

（武汉大学遥感信息工程学院，湖北武汉430079）

1 植被信息提取原理介绍

1.1 植被信息提取

根据植被的光谱响应特性，叶绿素在可见光的红波段却具有较强的吸收特性，而在近红外波段却具有较强的反射特性。在0.5～0.7μm光谱段内的反射率普遍小于20%，但在0.7～1.3μm范围内反射率可达60%。植被指数是利用卫星不同波段探测数据组合而成的，可以增强土壤和植被之间的反差，方便植被信息的提取。植被指数运用较多的是比值植被指数（RVI）和差值植被指数（DVI）。

比值植被指数又称为绿度，其表达式为RVI＝NIR／R，能较好地反映植被覆盖度和生长状况的差异，当植被覆盖度较高时，RVI对植被十分敏感，因此，特别适用于植被生长旺盛、具有高覆盖度地区的植被监测。

差值植被指数又称为农业植被指数，其表达式为DVI＝NIR－R，它对土壤背景变化敏感，能较好地识别植被和水体。这两种植被指数对不同地区植被的识别效果并不相同，因此，对宜昌地区综合采用这两种植被指数的信息提取方法，并对两种方法进行比较。

待处理数据为湖北省宜昌地区1996年和2006年两期TM影像的红波段和近红外波段数据，空间分辨率为30m。投影采用UTM的投影方式，主要针对红波段与近红外波段的TM影像进行计算处理。反射率反映在影像上即为该像素的像素值，对于两个波段反射率的计算可以转换为对应像素点的像素值计算。在编程的过程中先搜索两张影像并对应其像素值，再代入到植被指数的计算公式中，重新采样并输出新的影像，最终得到增强土壤与植被反差的植被信息。

1.2 植被信息变化检测

对遥感数据的时间序列分析，有助于观测植被覆盖的季节变化与年变化趋势。植被变化体现在影像上，对应像素点的像素值就会发生变化。编程的过程也就是搜索对应像素点的过程，将对应像素点的像素值进行相减运算，获得两幅影像对应点的差值。如果影像发生了变化，在重新采样的影像中就会显示出变化信息；如果影像未发生变化，在重新采样的影像中则会显示出黑色，以此得到植被的变化信息。

2 算法设计与方法实现

在USGS上下载湖北省宜昌地区1996年和2006年同一时间段内的两组Landsat5的TM影像数据，要求云雾覆盖率尽量少。先进行相应的影像叠合、辐射纠正、影像裁剪等预处理过程，再选取影像数据中的红波段和红外波段进行植被指数处理操作。依照路径读取文件，并提取变量，定义新图幅空间，植被指数公式可分为比值植被指数RVI＝NIR／R和差值植被指数DVI＝NIR－R，再进行相应的编程处理和实现。

以上为植被指数处理过程，将比值植被指数和差值植被指数处理后的图像进行变化检测处理，即进行像素差值的变化检测操作，行列进行循环嵌套，对应的像素相减，显示变化区域的图像信息。

对变化监测的结果进行对比分析，比较两种植被指数影响下的植被变化检测差别，为后续植被指数的算法选择提供参考。

研究农业机械化的相关立法问题，通过对农业机械化相关立法概况进行规范分析[2]，依循立法价值、立法体制和立法内容三个维度探讨农业机械化相关立法的完善路径，能够构建起较为完整的农业机械化的立法体系，解决其价值目标褊狭、立法体制之高位阶的立法滞后与低位阶的立法不完善、立法内容过于零散等主要问题，也能进一步优化农业法律体系结构，提升生产力的同时加快推进我国农业现代化进程。农业机械化立法问题需要通过具体的立足于文本的研究，找寻关于农业机械化立法的不足，就我国推进农业机械化进程实现类型化[3]、规范化指引。

3 植被信息提取实验与分析

3.1 植被指数数据获取

1）获取Landsat5TM影像数据中的红波段和近红外波段数据，以便进行植被指数处理（见图1、图2）。

图1 TM影像红波段数据

图2 TM影像近红外波段数据

2）对两个波段分别进行比值植被指数处理和差值植被指数处理，处理后的结果如图3、图4所示，并对两种变化进行对比分析。

3.2 植被指数变化检测

将经过植被指数处理后的数据进行变化检测处理，即用1996年的数据与2006年的数据进行比较，分别得出两种植被指数处理后的变化检测结果，并进行分析比较（见图5、图6）。

3.3 植被指数变化分析

3.3.1 植被指数部分

由于两种植被指数的计算公式不相同，因此，生成的新图像也存在着明显差异。

比值植被指数对于绿色植物叶绿素所产生的红光具有吸收功能，并对由叶肉组织引起的近红外强光具有反射功能，因此，其红波段与红外波段值具有较大的差异，比值植被指数的值明显较高。但对于无植被的地面，包括裸土、人工特征物、水体以及枯死或受胁迫的植被，不显示这种特殊的光谱响应，其RVI值较低。因此，比值植被指数能增强植被与土壤背景间的辐射差异。由于植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度＜50%时，敏感性明显降低。因此，植被覆盖率高的地区显现出来的更加明显，如沿江绿色植被茂盛地区植被指数显示明显，而且比值植被指数影像为灰度图像。

图3 比值植被指数

图4 差值植被指数

图5 RVI变化检测结果

图6 DVI变化检测结果

差值植被指数采取的是运用红外影像与红波段相减的方法，所以，存在一种考虑:当红外波段的某些像素值小于对应的红波段像素值，就会出现负数，而这一结果会直接影响植被指数的呈现效果。如果采用出现负数则按等于0计算的方式，能够更加清晰地体现植被的分布信息。由于DVI对土壤背景的变化极为敏感，有利于对植被生态环境进行监测。另外，当植被覆盖浓密≥80%时，它对植被的灵敏度下降，适用于植被发育早期－中期或者植被覆盖度为低－中的植被区域中检测。

为得到更加准确的植被信息，还需要进行实地考察，来确定以上两种提取方法不能统一使用区域的地理信息。植被覆盖率高的地区，更推荐比值植被指数变换方法；而对于土壤植被对比明显，植被发育为中期左右的地区可考虑使用差值植被指数变换方法。

3.3.2 变化检测部分

变化检测是基于两幅影像的像素值差异原理进行编程。在图5、图6中，有灰度值变化的是发生变化的区域，剩余部分为没有发生变化的区域，通过对比可以看出，两种方法获得的变化基本相同，都可以检测出植被变化的区域，只是在有些部分存在细微差别。由于植被指数的算法不同，使得在进行植被指数运算时对植被的检测效果以及显示效果存在差别。通过相同的像素差值法的变化检测后，经过RVI植被指数处理的数据显示的变化效果不如经过DVI处理的变化效果细致，这是由于使用了不同的植被指数算法。出现变化检测的区域说明这些区域的植被发生了很大变化，而造成的原因是多方面的，例如森林砍伐造成的植被变化、水土流失造成的植被变化或者是耕地和工业用地的转化等原因。

该种变化检测的方法比较简单，限定要求也较高。它要求未发生变化的区域不论是绝对位置，还是像素值都要绝对吻合。所以，在进行变化检测之前，需要对影像进行十分严格的几何纠正和亮度调整，否则，未发生变化的区域也会显现在最终的成果图中。

4 改进方法及发展趋势

通过两种植被指数植被信息提取与变化的检测，获得了植被信息与变化信息，得到使用不同的植被检测方法其结果的侧重点不同，使研究分析的方向有所差异。

1）植被指数变换后为灰度图像，通过监督分类进行进一步的植被提取，并与自动植被提取变化检测后的图像进行比对，对不统一的地区进行实地考察。

2）不同的植被提取方法侧重点不同，实际情况下可以根据植被特点进行方法选择。

3）变化检测对两幅影像的几何纠正和亮度调整的要求较高，几何纠正后的影像彼此间也会存在差异，亮度调整后相同绝对位置的像素点也会有所不同，因此，在图幅中设置产生随机对应点，取变化平均值对整幅图进行像素值的线性拉伸，并在对应像素相减后设定一个阈值，大于此阈值的像素值在新图幅中显示，小于或等于该阈值的像素则应忽略不计。

4）由于对整幅图进行像素值的线性拉伸会导致某些对应较准确的点变得并不准确，因此，对于变化检测应进行小幅检测，即将整幅图分成若干小块，分块进行亮度的线性拉伸、变化检测。