基于哨兵2可见光波段的喀斯特地区植被提取方法

段纪维,钟九生,江 丽,代仁丽,何志远,林双双,何 鑫

(贵州师范大学 地理与环境科学学院,贵阳 550025)

植被作为陆地表面主要的组成成分,其覆盖度通常是衡量生态环境健康状态的重要参数。能准确快速地提取地表植被,对环境监测和自然灾害的防御有着很重要的意义。以遥感数据提取植被一直以来都是热点研究内容,学者们对此展开大量研究并提出很多不同方法,大体上可分多光谱和可见光的波段组合运算,其中,多光谱遥感的植被指数,主要根据植被在可见光和近红外波段的吸收与反射规律进行组合得出的公式,如Tucker等[1]提出归一化差异植被指数(NDVI),NDVI消除大部分由地形和大气产生的相关影响,却易受土壤及阴影等因素干扰[2]。对此Huete等[3]提出的土壤调节植被指数(SAVI)能很好地消除土壤干扰,高志海等[4]应用归一化植被指数(NDVI)和土壤调节指数(SAVI)及修正后的土壤调节指数(MSAVI),对TM影像植被提取的结果,验证了土壤调节指数(SAVI)消除土壤背景影像和适应植被密度变化的能力更强。随着遥感技术的快速兴起,众多的植被指数被相继提出,如再归一化植被指数 (Renormalized Differnce vegetation Index,RDVI)[5],转换型植被指数 (Transferrd Normalized Differnce vegetation Index,TNDVI)[6],转换型土壤调整植被指数 (Transfered Soil-Adjusted vegetation index,TSAVI)[6],新抗大气影响植被指数 (Infection Atmospherically Vegetation Index,IAVI)[7],陆地植被指数 (vegetation Index based on Universal Pattern Decomposition,VIUPD)[8]等。

可见光范围内的植被指数仅仅是利用红、绿、蓝3个波段组合运算的方法,如Gitelson等[9]利用可见光绿波段反射率峰值和红波段反射率下降特征,提出归一化绿红差异指数(Normalized green-red difference inde-x,NGRDI)对小麦冠层的光谱特性分析。Meyer等[10]提出归一化绿蓝差异指数(Normalized gre-en-blue difference index,NGBDI)识别植物生物量与土壤和残留背景的关系。Woebbecke等[11]为了区分非植物背景中的植物材料,对可见光波段坐标的几个指标进行了研究提出超绿指数(Excess green index,EXG),成功分离了杂草和背景土壤等。

可见光波段及其容易得到,遥感卫星在获取地面信息时,可见光的分辨率通常要高于其他波段,因此利用可见光波段提取地表地物可以弥补多光谱波段的不足。针对各种可见光波段提取植被的方法,有关学者作了相应的对比研究和验证分析,得出不同植被指数实际应用中受土壤、大气、光照、地形和应用对象等外在因素的影响程度各有不同,各种植被指数在都存着自身的优势和局限性[12]。本文通过分析可见光红、蓝、绿波谱空间特性,发现植被在可见光范围内的反射率较其他地物低,因此设置各个波段植被DN值范围作为植被阈值,并取3个波段植被阈值的交集,可以粗略地剔除非植被信息。而针对3个波段植被阈值内包含的非植被信息,经过建立的绿-蓝与红-绿波段的空间比值线性关系予以分离,实现植被的精确提取。最后对提取的植被结果与归一化差异植被指数(NDVI)、过绿指数(EXG)、超绿超红差异指数(EXGR)、植被指数(VEG)、可见光波段差异指数(VDVI)、归一化绿红差异指数(NGRDI)和归一化绿蓝差异指数(NGBDI)等7种典型植被指数作对比,以验证本文方法对喀斯特地貌植被提取的适用性。

1 研究区概况

我国西南部喀斯特地貌以云贵高原为中心,拥有丰富典型的喀斯特地形地貌,喀斯特地貌是由于具有溶蚀力的水对可溶性岩石溶蚀作用形成地表和地下形态的总称,地表受流水冲蚀、化学溶蚀、潜蚀等自然作用,致使大量岩石以千奇百怪的姿态裸露于地表,形成千沟万壑独特的自然地貌[13]。卫星在获取其复杂的地形地貌时,受裸露岩石和地形的影响,使得遥感分析的复杂度和难度大于其他非喀斯特地区。本文以贵阳市为研究区域,贵阳处于云贵高原东部,贵州省中部(26°11′～26°55′ N,106°07′～107°17′ E),喀斯特地貌中心腹地,黔中隆起与黔南凹陷的过渡带,海拔约1 100m[14],位于长江与珠江分水岭地带,乌江支流南明河上游,属于亚热带湿润季风气候[15],年均气温15.3℃[16],年均降水量1 174.7mm[17],城市森林覆盖率达37.4%[18]。

2 研究方法

2.1 数据来源

所使用的哨兵2号影像数据从欧洲航天局(https://scihub.copernicus.eu/)网站下载得到,哨兵2号是高分辨率多光谱成像卫星,高度为786km,宽幅为290 km,覆盖13个光谱段,含盖了可见光波段、近红外和中红外波段,在红边范围内拥有3个波段数据,地面分辨率有10,20,60m共3个等级,单颗卫星重访周期为10 d,2颗卫星互补周期为5 d[19]。本文使用了2020年5月18号哨兵2A卫星获取的贵阳影像数据,5月份正是植被生长较为茂盛期,在影像上辨识度较高。影像数据中的乌当区和白云区云量较大,所以选取云岩区、南明区和花溪区作为研究区域。

2.2 方法原理

通过对哨兵2号影像数据的可见光波段建立波谱空间特征分析,发现植被在可见光红、绿、蓝范围内的反射率较其他地类偏低,而且集中到1个阈值内,以各波段植被DN值的范围作为阈值,截取3个波段植被阈值内信息,得到的3幅图层结果中,除植被外还包含着其他低反射率非植被信息,由于不同波段的植被阈值内,非植被信息存在差异,取三者交集即剔除了部分信息不一致的非植被。然后分别建立红-绿、红-蓝和蓝-绿3种可见光比值散点图,并构建地物的线性拟合方程,根据点到线的距离求得拟合线附近的地物信息,在相同光谱比值中,植被拟合线求得的植被信息减去混淆地物拟合线求取的地物信息,再取不同光谱比值中得到结果的交集,即可剔除剩余的非植被地物。很好地区分植被阈值内的植被与非植被地物。

2.3 实验数据选取

哨兵2号影像是公开免费数据,而且在所有公开影像数据中其空间分辨率最高,使得该数据的应用具有极大的便利性。下载哨兵2号L2A级遥感影像,该影像已经过大气校正反应地表反光率,无需再进行校正处理,影像10,20,60m这3个等级的空间分辨率都包含可见光波段,详细波段数据如表1 所示。NDVI作为一种经典的植被指数已被广泛应用与不同影像场景中,其适用性和精确度也得到了广泛的认可,本文以哨兵2号,10m空间分辨率NDVI提取的植被作为真实值,选取20m空间分辨率的可见光波段作为实验数据进行波段空间特性研究。

表1 哨兵2A数据波谱信息

2.4 地类样本选取

把地物分为植被与非植被,根据影像上的地物,把非植被划分为火烧迹地、水体、裸地、高速路面、红色人工建筑、蓝色人工建筑和其他城市建筑等8种地类,以每种地类在影像上亮度、色彩和方位的差异,分别选取380个样本,以波段DN值升序排列,分别建立红、绿、蓝光谱特征图进行分析,横轴代表样本排列序号,纵轴代表波谱DN值,反映不同地物在3种可见光波内段DN值分布情况。

3 结果与分析

3.1 光谱分析

根据红、绿、蓝可见光波段建立的地物样本光谱曲线图,以植被光谱DN值的最大值和最小值作植被阈值线,如图1所示。如果某地物光谱曲线落入植被阈值线内的线段越长,说明该地物与植被在此波段内光谱混淆程度越大,在图1(a)中,除裸土光谱曲线在植被阈值线之外,其他地物光谱曲线均在植被阈线内有不同分布,其中水体和火烧迹地光谱曲线几乎完全被包括。在图1(b)中,裸土同样没有落入植被阈值线内,相比图1(a)中植被阈值线内的地物光谱曲线分布情况,水体和火烧迹地有所减少,而其他地物分布明显增多。在图1(c)中,蓝色建筑和裸土在植被阈值线之外,相比图1(a)中植被阈值线内的地物光谱曲线分布情况,红色建筑增多,高速和其他城市建筑减少,水体和火烧迹地的分布量相当。

图1 不同地物光谱空间特征曲线图

对地物样本统计(表2),植被的红、绿、蓝波段DN均值分别为450.7,709.79,402.56,最大值分别为852,1 016,651,最小值分别为300,469,288,均值和其他地物在同光谱内差异比较大,红波段和蓝波段的标准差均小于100,反应这2个波段植被DN分布比较集中。

表2 不同地物样本红绿蓝波段DN值表

3.2 植被阈值分析

使用ENVI软件提取红、绿、蓝波段植被阈值内信息,所得到的红、绿、蓝3幅植被阈值图层记作A1,B1,C1,3幅图层内除植被外都混淆有其他地物,已知各地物在不同光谱的植被阈值内分布存在差异,因此,对A1,B1,C1取交集,得到D1图层就剔除了3种植被阈值内存在差异信息的地物。截取影像内1个小区域对比分析,如图2(a)原始影像所示,其左侧色彩较亮的湖泊水面、右下方的红色建群、中偏上的裸土、右侧和下侧及中间的高速路面、中偏下的蓝色建筑、中下方和左上方的其他城市建筑在10m分辨率的NDVI中都被较为完整地被分离出去(图2(b))。在红波段中,其他城市建筑、蓝色建筑、红色建筑和裸土都被较为完整地剔除,而高速路面和水体混淆严重(图2(d))。在绿波段中,蓝色建筑、水体和裸土较好地被剔除,而城市其他建筑、红色建筑与高速路面混淆严重(图2(e))。在蓝光波段中,水体、其他城市建筑、蓝色建筑、裸土和高速都被较好地剔除,而红色建筑存在混淆(图2(f))。经过取3个波点的交集得到的结果较为完整地剔除了水体、高速路面和红色建筑(图2(c))。

注:彩色为提取植被,白色为非植被背景。

3.3 光谱比值分析

有些颜色偏暗的地物在3种光谱植被阈值内都存在,无法通过取交集剔除,如图3(a)红枫湖片区原始影像中央的湖泊水面和左上角的火烧迹地,在10m分辨率NDVI图3(b)中完全被剔除掉,而在红、绿、蓝3波段的植被阈值交集图图3(c)中,湖泊水面和火烧迹地都被保留了下来。图3(d)建筑片区原始影像中左侧和中央有许多高层建筑和建筑形成的阴影,及中偏右的一条河流,在10m分辨率NDVI图3(e)中高层建筑与其形成的阴影,以及河流都被完全剔除掉了,而在红、绿、蓝3波段的植被阈值交集图图3(f)中，高层建筑被剔除掉,高层建筑形成的阴影和河流混淆在图层里。

3.3.1地物光谱散点对比分析

为了进一步得到精确的植被信息,对红、绿、蓝波段植被阈值内的光谱曲线进行分析,分别建立红-绿、红-蓝、绿-蓝3种光谱比值散点图(图4)。在图4(a)中,植被散点与红色建筑散点有交集,植被散点与水体、火烧迹地散点距离非常近。图4(b)中,植被散点分布在火烧迹地与水体光散点之间,且与水体、火烧迹地、高速、其他城市建筑散点边缘都存在相交。图4(c)中,植被散点与水体散点交叉相错,与蓝色建筑和其他城市建筑散点也有素零星的重叠现象,但是与火烧迹地光谱点有很明显的差距。

注:彩色为提取植被,白色为非植被背景。

图4 各地物光谱比值散点图

3.3.2方程构建

构建各地物线性拟合方程线,根据点到直线的距离求得拟合线附近的散点,对于植被拟合线附近的非植被散点,可采取相减和取交集剔除。根据地物在不同光谱比值中的分布情况,绿-蓝和红-绿2种波谱比值相结合能够有效剔除非植被信息。作图4(a)中植被与水体、图4(c)中植被与火烧迹地的拟合线方程,得到的方程参数,如表3所示。设方程式为y=kx+b,点到直线的距离公式:

(1)

式中:d为点到拟合线的距离；k为拟合线的斜率；b为拟合线的截距；x表示横纵数值；y表示纵轴数值。以图4(a)植被拟合线为例,绿-蓝比值散点图横纵为蓝波段DN值,纵轴为绿波段DN值,将(1)式中x和y分别用对应波段DN值替换可写成(2)式[20]:

(2)

式中:ρblue为植被的蓝波段DN值；ρgreen为植被的绿波段DN值；k为植被拟合线的斜率；b为植被拟合线的截距。当d=0时,表示像素点在拟合线上；当d>0时,表示空间的像素点在拟合线的右侧；当d<0时,表示空间像素点在拟合线的左侧。

以植被散点到植被拟合线中,最远的距离作为植被点线阈值,以植被散点到非植被拟合线中,最近的距离作为非植被点线阈值,对应的结果和点线阈值如表3所示,通过A2-B2和C2-D2,剔除了相同光谱比值里,与植被混淆的部分地物,再取A2-B2和C2-D2的交集记为E2,E2剔除了相同光谱比值里与植被混淆,而不同光谱比值间存在差异的非植被地物,得到更精确的植被覆盖信息。

表3 地物光谱比值的拟合线方程

3.4 提取结果分析

根据实验得到最终结果,截取1个区域分析。如图5(a)原始影像左下角有1块火烧迹地,中偏左是湖泊水面,中间分布有高层建筑及其形成的阴影,中偏右有1条河流,右上方是城市集中建筑区。在图5(b)的10m分辨率NDVI提取结果里,火烧迹地、湖泊水面、河流、高层建筑阴影、城市集中建筑都完整的剔除掉了。图5(c)为植被阈值分析结果和最终提取植被结果组合的图层,红色图斑为植被阈值分析结果里,混淆的非植被地物,绿色图斑为光谱比值分析结果与植被阈值分析结果的交集,也是实验最终提取的植被信息,通过对比图5(b)与图5(c)绿色图斑,两者图层吻合度非常高,说明本方法对喀斯特地区植被提取的精度高。

注:彩色为提取植被,白色为非植被背景。

3.5 不同植被指数分析

为了验证本文方法对植被提取的有效性,将本文得到的结果与归一化差异植被指数(NDVI)、过绿指数(EXG)、超绿超红差异指数(EXGR)等7种典型植被指数作对比,7种植被指数公式如表4所示。对不同指数提取的结果分析发现,20m分辨率NDVI把小部分蓝色建筑错分成了植被,其他6个植被指数方法都难以区分水体,其中BGBDI把裸土和红色建筑错分为植被概率比较高。截取1小区域分析,如图6所示,除了本文方法和NDVI植被指数分离了图6(a)影像原图中的水体,其他方法提取结果都存在水体被错分成植被情况,虽然图6(j)中水体被剔除了一部分,但是依然存留大量水体信息,而且裸土被大量错分成植被。

对以上植被指数方法分类结果做精度评价,结果如表5所示,本文方法提取植被总体精度达92.67%,Kappa系数为0.853 5,相同分辨率下,精度仅次于NDVI提取方法。在可见光波段内提取植被的方法中,精度最高。

表4 植被指数公式示

注:红色为提取植被,白色为非植被背景

表5 不同方法提取结果精度评价

4 讨论与结论

利用哨兵2影像的可见光波段对喀斯特地区的植被提取,植被精度比NDVI植被指数略低,但精度优于其他可见光植被指数,该方法仅仅只用到可见光红、绿、蓝3个波段,而且可见光波段容易获取到,在大多数遥感卫星获取的信息中,可见光的空间分辨率通常高于其他波段,所以本文方法应用范围相对于多光谱植被指数更加广阔。本文真实数据采用哨兵2影像,10 m分辨的NDVI提取结果,实验数据采用哨兵2影像,20m分辨率波段,不同方法提取的植被结果中,20m分辨率NDVI精度最高,总体精度为94.13%,误差原因是由于分辨率低造成的。本文提取植被结果的生产精度和用户精度都与NDVI相近,说明在分辨率相同的情况下,本文方法的精度会更加靠近真实值。

1) 本文方法应用的数据仅为可见光,数据易获取,因此对数据的要求低,应用范围更为广阔,为植被提取新添一种可行的方法参考。

2) 在可见光波段的植被指数提取的结果中精度最高,相比与NDVI方法不易区分蓝色建筑,本文方法对蓝色建筑分离对很好,得到的数据更接近真实值。

3) 本文方法对水体的分离性高,而其他几种可见光植被指数极其容易混淆水体和植被,在水域范围广阔地区,使用本文方法更加合适。

4) 相比与其他几种可见光植被指数,本文方法的生产精度和用户精度更加接近,说明漏分误差和错分误差都比较平稳,不易受个别因素影响而引起精度有较大浮动。

5) 其他植被提取方法大多都是利用2个波段信息,本文方法操作过程利用波段信息多,更适用于喀斯特地貌之类的复杂地形地貌区域。

6) 在同一遥感数据下,可见光的空间分辨率往往高于其他波段分辨率,利用高分辨率的可见光提取植被,得到的精度会更高。

7) 每种方法在实际应用中都会受不同因素的影响而导致其适用性范围受限,本文方法也存在不足之处,就是在应用过程中较其他植被指数繁琐,阈值的设定范围对精度影响较大。综合来看,本文方法对植被信息的提取有一定的应用价值。

8) 不同可见光传感器,其RGB波段的光谱响应函数也不尽相同,本文方法应用于不同卫星影像、不同分辨率以及不同地区植被提取的有效性还有待验证。