植被指数在面向对象的森林植被提取中的应用
2021-03-16熊静
熊 静
(辽宁省林业调查规划监测院,辽宁 沈阳 110122)
植被既是陆地生态系统的主体，也是人类重要的环境资源和物质资源。遥感技术逐渐成为植被监测的主要手段。用遥感技术来分析植被需要了解植被结构特征与植被波谱特征的关系。植被跟太阳辐射的相互关系有别于其他物质(如土壤、水体等)，如植被的“红边”现象，即在小于700 nm附近(红光)强吸收，在大于700 nm(近红外)高反射。很多因素影响植被对太阳辐射的吸收和反射，包括波长、含水量、色素、养分、碳等。因此，可以结合不同波长范围的反射率来增强植被特征，如植被指数的计算。植被指数是两个或多个波长范围内的地物反射率的组合运算，以增强植被某一特性或者细节。目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数经过系统的实践检验。因此本文采用众所周知的归一化植被指数来提取森林植被。
1 归一化植被指数
归一化植被指数是可见光红波段反射强度值和近红外波段反射强度值之差与两者之和的比值，用来增强在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的差异，这样可以较好地区分植被区域与其他地物区域。其计算公式表示如下：
植被指数NDVI=Bnir-Br∕Bnir+ Br
式中：Bnir为近红外波段，Br为红色波段。NDVI的取值范围在[-1,1]。负值表示地面覆盖为云、水、雪等，对可见光反射高；0表示有岩石或者土壤，NIR和R近似相等；正值表示有植被覆盖，值越大，地表植被覆盖越大。一般绿色植被的取值范围在0.2～0.8。
2 面向对象的基于规则的植被提取
选取一部分区域作为实验区，获取训练样本，构建分类规则，包括对象分割和合并阈值、对象提取规则，然后将实验区的分类规则应用到整个图像中。
2.1 面向对象信息处理技术
面向对象信息处理中，处理单元不再是基于像元，而是以多边形实体作为最小单元，通过原始影像的分割来创建最小单元。影像分割的主要思路就是利用区域合并算法分割影像，即以某个像元为起点，计算该像元与其相邻像元合并后的异质性指数，若异质性指数小于设置的阈值，将其合并，否则不合并。影像分割完毕后，初始影像由众多大小不一的多边形区域构成，各多边形实体都有相应的属性特征。多边形实体中不仅有像素的光谱信息，还拥有形状信息、空间信息和纹理信息。后续影像的分析、处理、提取都针对多边形实体进行。
2.2 阈值的确定
阈值又叫临界值，是指一个效应能够产生的最低值或最高值。这里指植被指数的最小值，即植被指数大于这个最小值的区域为植被覆盖区，否则为非植被覆盖区。通过样本统计的方法来确定。
(1)根据林地一张图结果和目视解译判读，在试验区分别选取植被覆盖区与非植被覆盖区的若干个样本，计算各类样本之间的样本分离性，用Jeffries-Matusita,Transformed Divergence 参数表示。这两个参数值在0～2，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本，小于1考虑将两类样本合成一类样本。
(2)对选取的样本进行统计处理，得到的统计结果结合样本光谱曲线，最终确定阈值。
2.3 规 则
提取森林植被的关键是确定规则。规则由属性和阈值组成，用到的对象属性是NDVI，阈值根据2.2的方法进行确定。植被指数大于阈值的为森林植被，否则为非森林植被。
3 实例应用
3.1 植被提取
应用本文提到的方法进行反复试验，将该区域的分割阈值设为35，合并阈值设定为80，NDVI阈值设定为0.4。提取结果如图1所示。
图1 植被提取结果
3.2 叠加分析
将提取结果与林地一张图的林地范围(不包括无林地)进行叠加分析，结果如图2所示，其中黑色表示植被提取结果，灰色表示林地一张图中的林地(不包括无林地)。
图2 植被提取结果与林地一张图叠加结果
3.3 精度评定
将林地一张图的林地范围(不包括无林地)筛选出来作为验证样本，利用混淆矩阵对分类结果进行评价，混淆矩阵结果如图3所示，精度为89.77%，提取结果是可行的。
图3 混淆矩阵
4 小 结
按照本文提出的方法提取出来的森林植被与林地一张图的林地范围(不包括无林地)进行比较，其正确率是可行的，但也存在一些差异。产生这些差异的原因主要有以下几方面：
(1)影像获取时间在农作物生长期时，仅仅依靠光谱特征是无法区别林地和农田的，因此需要进一步研究，如利用纹理特征和空间特征来区分林地和农田。
(2)城市建筑内的绿化园林地也被提取出来，这部分相当于森林资源中的非林地造林。
(3)存在明显的区划错误，同时经过外业实地调查，某些地区确实存在区划错误，因此提取结果可以纠正和辅助判断林地区划结果的正确性。
(4)部分无林地如采伐迹地和宜林沙荒沙地被提取为有林地，是因为地表有矮木灌草植被覆盖，且密度很大。因此如何区分这一步也是下一步研究内容之一。
