基于可见光影像分析的黄土高原小流域植被指数研究

贺仓国，佘冬立,*，张翔，杨震

（1.河海大学农业科学与工程学院，江苏 南京 211100；2. 中国科学院水利部水土保持研究所黄土高原土壤侵蚀与旱地农业国家重点实验室，陕西 杨凌 712100）

植被作为生态环境的重要组成部分，是人类不可或缺的自然资源[1]。黄土高原地区因自然和人为因素，植被破坏严重，区域生态环境一度恶化[2]。自1999 年退耕还林（草）至今，黄土高原地区植被覆盖大幅度提升，表现为持续改善状态[3-4]。小流域植被生长状况的快速、高精度和低成本监测是退耕还林还草与生态环境建设评价的重要基础工作。无人机遥感技术的发展为黄土高原地区实时动态监测植被状况提供了新手段[5-7]。

在遥感领域中，植被指数可以较好地反映植被特性，以期反演植被覆盖度、生物量、植被叶绿素含量等生物物理与化学参数[8-9]。目前国内外研究提出的植被指数较多，其中基于可见光波段信息的植被指数得到广泛关注。汪小钦等[10]利用可见光波段差异植被指数（Visible-band difference vegetation index, VDVI），结合双峰直方图阈值法和直方图熵阈值法，实现了高精度提取福建省乡镇健康绿色植被信息。周涛等[11]在研究江苏省徐州市区绿色植被信息提取中，构建了差异增强植被指数（Difference enhanced vegetation index, DEVI），结合双峰直方图阈值法和大津法，认为DEVI 可高精度提取建筑物与植被稀疏区之间的绿色植被信息。高永刚等[12]借鉴红绿蓝植被指数（Red-green-blue vegetation index, RGBVI）构建原理，提出了超绿红蓝差分指数（Excess green-red-blue difference index, EGRBDI），进一步增强植被在绿光波段的强反射效果，扩大植被信息识别范围，结果表明EGRBDI 受地物类别差异影响较小。Torres-Sánchez 等[13]提取麦田植被信息时，认为无人机可见光影像适用于小麦等窄行距作物的分析，研究表明植被指数（Vegetative index, VEG）与超 绿指数（Excess green index, ExG）提取精度大于83%。 Hunt 等[14]通过归一化绿红差异指数（Normalized green-red difference index, NGRDI）开展了玉米营养状况以及作物生物量估算研究；Meyer 和Neto[15]研究表明超绿超红差异指数（Excess green minus excess red index, ExG-ExR）能有效识别植物生物量、残留物与土壤的关系。上述研究表明，基于可见光波段的植被信息提取均取得了较佳的效果。

目前黄土高原地区主要通过归一化植被指数（Normalized difference vegetation index, NDVI）进行植被状况监测与研究[16-17]，对于可见光影像的植被信息提取鲜有报道。根据黄土高原地势复杂多样、植被分布不均等特点，本研究在小流域可见光影像基础上，通过植被与非植被像元值特性分析，构建了一种简化可见光植被指数（SVVI）；对比8 种常用可见光植被指数，并选择两个小流域进行适用性验证，以期实现黄土高原地区小流域植被生长状况快速、高精度和低成本监测。

1 研究区概况

图1 研究区位置及可见光影像Fig. 1 Location and visible light image of the study area

本文选取黄土高原朱家川流域下游后会沟小 流域无人机可见光影像进行植被指数构建，选择郜 家峪沟小流域和细岭沟小流域进行验证（图1）。 后会沟小流域位于38°59′10″～38°59′50″N，111°1′0″～ 111°1′50″E。小流域地物种类丰富，沟壑纵横，侵蚀沟明显，其植被覆盖区主要有林地、草地、灌丛、农田，非植被区主要有建筑物、裸土、道路；郜家峪沟小流域位于38°5′2″～38°5′22″N，111°35′18″～ 111°35′56″E，其植被覆盖度较高，地势相对平坦；植被覆盖区主要有林地、草地、农田，非植被区主要有道路、裸土；细岭沟小流域位于39°6′12″～ 39°6′48″N，111°55′7″～111°55′43″E；植被覆盖区以人工林、农田、草地为主，非植被区以道路、弃土场、林间空地为主。影像拍摄时间为2019 年9 月下旬，采用大疆精灵4 PRO V2.0 四旋翼无人机拍摄，拍摄高度为180 m，拍摄时天气状况良好，风力2～3 级，所受气象因素影响较小，空间分辨率为0.08～0.10 m。

2 研究方法

2.1 常用的可见光植被指数

可见光植被指数是根据不同地物在红、绿、蓝波段上反射与吸收的差异性，通过不同形式组合运算，增强植被与非植被信息之间的差异识别度，凸显植被信息，其本质是通过综合考虑可见光影像栅格中波段信息，进行数学变换，以此区分并提取植被与非植被信息[18]。本文选取了目前常用的、地物类型相近且提取效果较好的可见光植被指数进行对比分析，其计算式详见表1。

表1 选择对比的可见光植被指数Table 1 Visible light vegetation index selected for comparison

2.2 阈值确定与精度检验

常用的阈值确定方法有双峰直方图法[12]、大津法[11]和样本统计法[21]等。双峰直方图是指在研究区植被指数直方图中有2 个“山峰”，通常选取峰谷所对应的值作为植被与非植被分割阈值。大津法是由大津展之（Nobuyuki Otsu）提出的一种全局阈值确定方法，利用阈值将图像分为两类，通过类间方差提取目标信息。样本统计法是指通过目视判别和实地调查勾画一定数量的感兴趣区，绘制统计直方图，其中曲线交点处的植被指数值即为阈值。后会沟小流域因地物种类丰富且地物类型相接近，研究区植被指数统计直方图不具备双峰性质，故本文采用样本统计法确定阈值。在可见光影像上各选取110 个植被与非植被感兴趣区，统计植被指数值绘制直方图，以交点作为分割阈值。

采用支持向量机（SVM）机器学习算法进行植被指数精度检验。利用阈值将各植被指数计算结果分割为植被与非植被的二值化图，以混淆矩阵精度高于98%、Kappa 系数高于0.95 的监督分类结果作为植被信息提取参考图，与各植被指数二值化图对比分析，并以混淆矩阵进行精度检验[27-28]。

2.3 植被覆盖度计算

利用构建的简化可见光植被指数（SVVI），结合像元二分模型[29]计算植被覆盖度，公式为：

式中：FVC 为植被覆盖度，SVVI 为可见光植被指数 值，SVVIveg为完全被植被覆盖的像元SVVI 值，SVVIsoil为完全被非植被覆盖的像元SVVI 值。本文选取研究区累计频率为99%处的SVVI 值为SVVIveg，累计频率为1%处的SVVI 值为SVVIsoil[30-31]。

3 结果与分析

3.1 简化可见光植被指数（SVVI）构建

为构建可见光植被指数，需根据地物分类选择样区，统计分析样区地物在不同波段上的像元值特性。通过ENVI5.3 软件在后会沟小流域影像图中勾画样区，其中林地样区20 个、灌丛样区25 个、农田样区20 个、草地样区30 个、道路样区20 个、裸土样区25 个、建筑物样区20 个。各典型地物样区在三波段中的像元平均值以及标准差见图2。植被因在绿光波段有较强反射性，表现为绿光波段像元平均值大于红、蓝光波段像元平均值。植被样区各波段像元平均值显著低于非植被样区各波段像元平均值（p＜0.05）；但不同类型植被之间或不同类型非植被地物之间各波段像元值差异不显著（p＞0.05）。

结合健康绿色植被光谱曲线特征，以绿光波段为植被与非植被信息分割的关键波段，将绿光波段减去0.0～0.5 倍红光波段和0.5～1.0 倍蓝光波段，抑制红、蓝光波段对绿光波段的影响，可构建简化可见光植被指数。通过将各波段像元值开二次方处理缩小像元值范围，更加准确地计算植被与非植被的分割阈值。通过多次试验计算结合混淆矩阵总体精度，得到红、蓝光波段系数，构建简化可见光植被指数（SVVI）公式为：

式中：R、G、B 分别为红、绿、蓝波段像元值。

对于绿色植被而言，绿光波段像元平均值显著高于红、蓝光波段像元平均值，部分植被样区红光波段像元值略大于蓝光波段像元值，植被样区的SVVI 值为正值；而非植被样区三波段像元平均值差异不显著，红、蓝光波段系数之和略大于1，使非植被样区的SVVI 值为负值，通过SVVI 的数值差异分割植被与非植被。

图3 各植被指数计算结果Fig. 3 Calculation results of each vegetation indices

对比SVVI 与常用可见光植被指数计算结果如图3 所示。从整体来看，SVVI 和ExG-ExR 在植被与非植被区域红绿对比显著，EGRBDI 整体区分度较差；从细部结构来看，各植被指数计算的林地绿色亮度明显高于其他植被类型，且各植被指数表现差异不显著。对比草地、灌丛、农田与裸土时发现，ExG-ExR 红绿差异最为显著，其次为SVVI、CIVE和NGRDI。对比草地、灌丛、农田与建筑物、道路时发现，SVVI、ExG-ExR、CIVE 红绿对比差异显著；但在识别蓝色顶棚建筑物时，ExG-ExR 与NGRDI识别度较低，极易被错分为植被，而SVVI 和CIVE对蓝色顶棚建筑物具有较高的识别度。

3.2 植被信息提取精度分析

图4 为SVVI 和各常用植被指数值统计直方图。植被与非植被像元值频数曲线交点为其分割阈值，其中SVVI、CIVE、DEVI、EGRBDI、ExG、ExG-ExR、 NGRDI、RGBVI、VDVI 阈值依次为1.57、18.76、0.97、0.62、7.11、43.76、0.01、0.03 和0.01。根据阈值和直方图，统计感兴趣区内植被与非植被交叉部分占感兴趣区的累计频率，以此作为精度检验的参考指标。同时结合阈值将各植被指数计算结果图分割为植被与非植被二值化图像，进行混淆矩阵精度检验，结果见表2。当直方图交叉部分累计频率越小，所对应的混淆矩阵总体精度越高，Kappa 系数也越大。后会沟小流域SVVI 混淆矩阵总体精度为96.37%，Kappa 系数为0.93，同时直方图交叉部分累计频率为4.12%，植被信息提取效果最佳，表明SVVI 能最大程度地识别植被与非植被间的差异性。ExGExR 效果次之，总体精度为94.14%，Kappa 系数为0.88，直方图交叉部分累计频率为5.25%。结合植被指数计算结果分析，在植被覆盖度不高且地物种类丰富的后会沟小流域进行植被信息提取时，各植被指数对林地都有极佳的提取效果；SVVI 在植被稀疏的草地、灌丛、农田等区域植被信息提取效果较好，同时能准确地将建筑物、道路与裸土分割为非植被信息，特别是对蓝色顶棚建筑物处的识别 准确。

图4 植被指数值统计直方图Fig. 4 Statistical histogram of vegetation index values

表2 各植被指数精度检验Table 2 Accuracy test of each vegetation index

3.3 植被指数适用性评价

选择用于验证的郜家峪沟小流域和细岭沟小流域地势较为平坦，农田较多，植被覆盖度明显高于后会沟小流域。根据上述结果选取SVVI、ExGExR 和CIVE 进行适用性验证。由表3 可知，SVVI和ExG-ExR 植被信息提取效果均优于CIVE，两者的混淆矩阵总体精度均在90%以上。对比SVVI 与ExG-ExR 发现，在农田面积较大且裸土与建筑物等非植被信息较少的区域中，ExG-ExR 植被信息提取效果略优于SVVI。综合3 个小流域植被信息提取效果来看，SVVI 能更准确识别建筑物为非植被信息，具有更广泛的适应性。

表3 验证区阈值与精度检验Table 3 Verification area threshold and accuracy test

根据公式（1）计算了后会沟、郜家峪沟和细岭沟小流域植被覆盖度（图5）。从图中可以明显看出，监督分类结果仅能分割出植被与非植被两种信息，无法更进一步展示植被覆盖状况，模糊了可见光影像中植被数据信息；基于SVVI 值计算植被覆盖度时，能有效地保留植被指数信息，可以清晰地识别不同区域位置植被覆盖度状况。后会沟小流域顺侵蚀沟方向的林地分布区域植被覆盖度值最大，草地、灌丛区域植被覆盖度值较低。郜家峪沟小流域林地和耕地区域植被覆盖度较高。细岭沟小流域植被覆盖度较高区域主要分布在农田区域，人工林分布带因栽种时间不长还未发育为成片林地导致植被覆盖度值较低。3 个小流域计算的植被覆盖度空间分布情况与地表植被生长和覆盖现状基本保持一致，表明SVVI 可以实现黄土高原小流域高精度、低成本的植被信息提取与植被状况实时监测。

4 讨论

本研究结合无人机遥感技术的应用，提出了一种适宜黄土高原小流域的简化可见光植被指数SVVI 进行植被信息提取。从SVVI 计算公式来看，构建原理简洁明了，通过在绿光波段的基础上减去0.48 倍红光波段和0.67 倍蓝光波段达到抑制红、蓝光波段的效果。在健康绿色植被光谱曲线中[10]，各波段反射率表现为：绿光＞红光＞蓝光，结合本文样区中不同地物类型各波段的像元值特性，使得构建的SVVI 对红光波段的抑制效果低于蓝光波段。式中将各波段像元值开二次方处理能有效地缩小像元值范围，准确计算出植被与非植被的分割阈值。从研究区域来看，目前针对可见光植被指数的研究大多集中在城市与乡镇绿地[11,23]、农田[13-14,22]、喀斯特石漠化地区[21]和灌区[28]，不同研究区域的地物分布格局显著不同，对可见光植被指数的选择有较显著的影响。黄土高原地区地势复杂多样，植被分布不均，乡村聚落在总体上表现为数量多、规模小和分布零散等特点，增大了植被与非植被区域分割边界线长度范围，严重影响植被信息提取精度。对比8 种常用可见光植被指数，SVVI 能更为精准地识别黄土高原小流域的植被和非植被信息。研究发现SVVI 对于蓝色顶棚建筑物的识别度优于ExGExR 和NGRDI 等可见光植被指数，其中ExG-ExR对蓝光波段的抑制远低于红光波段，而NGRDI 未涉及对蓝光波段的计算，因此对蓝色顶棚建筑物识别较差，这与谢兵等[32]研究结果相一致。

图5 植被覆盖度图Fig. 5 Vegetation coverage map

5 结论

1）本文在黄土高原地区独特的地物分布格局下，通过分析植被与非植被样区像元值特性，结合健康绿色植被光谱曲线特征，构建了简化可见光植被指数SVVI，植被SVVI 值为正值，非植被SVVI值为负值。

2）SVVI 能准确识别黄土高原小流域的植被信息与道路、裸土和建筑物等非植被地物信息。在地物种类丰富的后会沟小流域植被信息提取中，混淆矩阵总体精度为96.37%，Kappa 系数为0.93。

3）SVVI 在黄土高原地区有较好的稳定性与适用性。在地物类型单一的郜家峪沟和细岭沟小流域植被信息提取中，SVVI 混淆矩阵总体精度仍高于90%。对比监督分类结果，SVVI 植被覆盖度计算在保证高精度的前提下，保留了区域植被信息。本文研究表明无人机遥感技术结合SVVI 可见光植被指数可以实现黄土高原小流域植被信息快速、低成本和高精度提取。