植被指数在北京城市园林绿化覆盖率提取中的应用*

徐慧婷，张欣，谢军飞，李新宇，戴子云，孙正海

(1.西南林业大学 园林园艺学院，云南 昆明 650224；2.河北农业大学 园林与旅游学院，河北 保定 071000；3.北京市园林科学研究院 园林绿地生态功能评价与调控技术北京市重点实验室，北京 100102 )

绿化覆盖率是指乔木、灌木、草坪(包括叶、茎、枝)、屋顶绿化和零散乔木的垂直投影面积及含水面种植绿化区域，占区域总统计区面积的比例[1-2]。城市园林绿化覆盖率除了在一定程度上反映城市园林绿化规模，也是城市园林绿地建设和生态环境质量评价中的重要考核指标，快速准确地获取城市园林绿化覆盖率具有重要的实践意义和促进城市发展作用[3]。传统的绿化覆盖率提取主要依靠人工实地调查获取[4-5]，吴明秋等运用目视解译、人工勾画和实地测量方法对绿地覆盖率和绿地率进行提取[6]，但存在人力投入较大，主观因素过多的问题[4-6]，也有研究者提出简单地的采用绿化覆盖率比绿地率高5%的经验数字来预测城市园林绿化覆盖率，计算虽简单，但没有考虑不同气候条件下园林植被应用差异，不能真实反映园林绿化覆盖状况[7]。另外，也有学者采用数码照相方法获取和解译图片，计算植被面积的占比[8]。近年还有研究者运用地面测量的模型得出绿化覆盖率的时空变化，但该方法还受限于植被覆盖率时空差异，无法大区域获取植被覆盖率[8-9]。

随着遥感技术的发展，遥感影像与也逐渐应用于森林或城市园林植被的识别[10-12]，李苗苗等[13]在计算归一化植被指数(NDVI)的基础上对像元二分法模型改进，获取北京市密云水库上游的植被，经过精度验证该模型可使用。郭伟伟等[14]于2012年利用TM遥感影像中的红波段与近红外波段，组合计算出NDVI，并在此基础获取了张家口市森林覆盖率。程素娜等[15]也利用NDVI，有效的提取了城市绿化覆盖信息，为城市规划及生态评价提供基础数据。

在此基础上，还有研究者尝试利用遥感影像可见光波段植被指数(即仅有红波段、绿波段、蓝波段)用于植被及其覆盖率提取。其中，Woebbecke等[16]提出过绿指数(EXG)对彩色图像的杂草进行数学化分析，并有效提取植被区域；相比于EXG，超绿超红差分指数(EXGR)虽然也能有效地提取植被信息，但是误差评估的稳定性较差[17-19]；而归一化绿红差异指数(NGRDI)，目前研究者主要将这一指数运用在生物量的评估上[20-21]，但在植被覆盖率提取有待进一步验证；归一化绿蓝差异指数则在甘蔗(SaccharumofficinarumL.)长势评估中，研究验证NGBDI的指数与NDVI指数高度相关[22]。红绿比指数(RGRI)在植被信息提取过程中，证实可以有效消除阴影的影响[23]，但是与水体容易混淆[24]；蓝绿比值指数(BGRI)在植被覆盖度提取中具有暗部植被指数大，亮部则相反的问题[25]，可见光波段差异植被指数(VDVI)是根据NDVI的原理和形式上提出的一种可见光指数[26]，李佳等[27]、凌成星等[28]根据VDVI指数对城市绿地信息进行了分类，Kappa值可达0.86，但对非生长状况较差的植被提取误差较大。

然而，基于高分辨率遥感影像，归一化植被指数与可见光植被指数是否适用于城市园林绿化植被覆盖率提取未见报道。本文，首先基于高分辨率遥感影像，以绿地类型多样的北京市陶然亭街道为研究对象，尝试探讨了各植被指数的城市园林绿化覆盖率提取效果，在此基础上，还应用提取精度较高的植被指数对北京2019年北京城市核心区(含东城区与西城区)的绿化覆盖率进行了分析，为北京城市园林绿化资源普查工作提供参考。

1 研究内容与方法

1.1 遥感影像数据来源及处理

在各植被指数的城市园林绿化覆盖率提取效果对比过程中，所用到的实验数据为北京陶然亭街道2019年、2020年World View遥感影像(含红、绿、蓝3个可见光波段，空间分辨率为0.5 m)、2019年、2020年北京二号遥感影像(含红、绿、蓝、与近红波段共计4个波段，空间分辨率为0.8 m)。上述遥感数据均已完成几何校正与大气辐射校正处理(图1)。北京陶然亭街道位于北京市西城区的东南部，总面积约为2.14 km2，内部绿地类型丰富多样，绿化状况较好，其中陶然亭公园占地0.59 km2[1]。

在2019年北京城市核心区的绿化覆盖率提取中，则基于2019年北京二号遥感影像(含红、绿、蓝、与近红波段共计4个波段，空间分辨率为0.8 m)进行提取。

1.2 植被指数提取绿化覆盖率的基本步骤

本文主要用7种植被指数进行计算提取(表1)，主要涉及两个步骤：①基于图像的波段信息以及各植被指数的计算公式，在ENVI 5.3中通过波段运算得到各指数的灰度图[29]。②根据像元二分法模型计算植被覆盖率，即计算图像中植被区域所占图像的像元百分比[13]，得到各植被指数下的绿化覆盖率。具体如下：首先，选取根据第一步灰度图中的直方图选取合适的阈值对各植被指数的灰度图进行二值化处理，区分植被区和非植被区域，黑为非植被区，白色为植被部分，其中二值化过程中设定合适的阈值非常关键，目前主要有2种方法：最大熵值法和双峰直方图法[30-31]。最大熵值法假设阈值为s，图像被分为背景B与目标O，当背景与目标的熵值累加最大时，即H(s)=HO(s)+HB(s)取值最大，与之对应的s值为最佳阈值[31-32]。在双峰直方图法中，认为图像的像素灰度值基本集中于2处，这2个最高点位置的灰度值对应对象内部或外部的典型灰度值，两峰之间峰谷所对应的值为对象之间边缘附近点的位置，通常选取两峰之间的坡谷所对应的值作为阈值。本文采用双峰直方图法[30]进行阈值的确定。

表1 植被指数的7种算法及公式

2 结果分析

2.1 基于归一化植被指数的绿化覆盖率提取

基于双峰直方图法进行阈值确定，峰谷处于0.1～0.3之间，所以选取5个阈值进行植被提取与绿化覆盖率的计算，得出陶然亭街道的绿化覆盖率为27.38%～39.14%，不同阈值下的绿化覆盖率的计算结果最大差值为11.76%(表2)。

表2 不同阈值下陶然亭街道的绿化覆盖率

通过目视解译，当阈值为0.239 2时，地物误分较少，提取的绿化覆盖率最接近实际值(图2)。且目视解译部分通过取点100个，验证准确率在90%左右。

0.100 0 0.168 9 0.192 2 0.239 2 0.300 0

为进一步了解绿化覆盖率出现差值的原因，选取二值化后明显差异的区域(图3)进行了重点分析，发现在该区域中，选取的NDVI阈值越小，则具有高反射率的屋顶等地物被错误识别为植被的概率越大，阈值越高，则相反。另外，建筑物等阴影下的植被反射率较低，基于NDVI无法精准识别植被，易产生错分的现象，且不同阈值下的错分程度也略有差别。

参照 0.100 0 0.168 9 0.192 2 0.239 2 0.300 0

2.2 基于可见光植被指数的绿化覆盖率提取

由图4可以看出，基于0.8 m分辨率的遥感影像，并运用双峰直方图法确定的阈值开展的VDVI、EXG、RGRI、EXGR、NGBDI、NGRDI共计6种植被指数的植被识别效果不佳，大量水体、人工操场被归入植被的范畴，建筑物在不同程度上也被识别为植被，从而一定程度影响了绿化覆盖率提取的准确度。

VDVI EXG RGRI EXGR NGRDI NGBDI

进一步的分析发现，如果将0.8 m空间分辨率提高到0.5 m，则所有可见光植被指数都可将水体与植被区分开。另外，VDVI、EXG、EXGR指数在高植被覆盖区域的植被提取效果较好，但在建筑物区域内存在一定程度的错分现象，主要原因可能是建筑物密集的区域阴影部分较多，导致各可见光指数无法准确识别植物。需要注意的是，只用两个波段计算的NGBDI、NGRDI、RDRI指数将建筑识别为植被的情况较多，植被提取效果明显差于其他3种运用三个波段计算的可见光植被指数(图5)。

VDVI EXG RGRI EXGR NGRDI NGBDI

2.3 归一化植被指数与可见光植被指数的定量对比分析

为进一步比较各植被指数的提取效果，本文还选取陶然亭公园(内部建筑高度低，其阴影的影响基本可以忽略，且绿化覆盖率已有统计)进行对比分析。可见光植被指数与NDVI指数提取的绿化覆盖率均存在低估的现象，但NDVI指数的绿化覆盖率的提取结果最接近参考值，两者差值约为4%，VDVI指数次之(表3，图6)。

参照 NDVI VDVI EXG EXGR

2.4 北京2019年北京核心城区的绿化覆盖率提取与分析

基于2019年空间分辨率0.8 m的北京二号遥感影像，本文还应用NDVI指数对2019年北京核心城区(含东城区和西城区，高层建筑相对较少)的绿化覆盖率进行了提取，在空间上，可以看出绿化覆盖率呈四周向中间递减的趋势(图7)，这可能与城市的核心区建筑密度高，城市绿化建设难度较大有关。

图7 北京东城区与西城区各街道的绿化覆盖率

另外，通过统计分析可以了解到，应用NDVI指数得到的2019年北京城市核心区总体绿化覆盖率(不含水体)为23.82%，其中东城区绿化覆盖率为26.16%，高于西城区绿化覆盖率(23.74%)。具体到各街道，东城区绿化覆盖率最高的街道为天坛街道(49.18%)，最小的是崇外街道(16.08%)；西城区绿化覆盖率最高的则为陶然亭街道(34.87%)，最低的为大栅栏街道(9.29%)。

通过北京市园林绿化局网站发布的信息还可以了解到，2019年人工普查得到的北京城市核心区总体绿化覆盖率(不含水体)约为26.62%，稍高于上述应用NDVI指数得到的绿化覆盖率(23.82%)，再一次说明基于遥感影像并运用NDVI指数获取的绿化覆盖率值，准确度较高，可作为园林绿化植物资源普查工作的重要参考。

3 讨论与结论

3.1 讨论

本文基于0.5 m和0.8 m空间分辨率的遥感影像，利用NDVI以及6种可见光植被指数分别提取了试验区域植被与城市绿化覆盖率，通过比较，首先发现基于0.8 m分辨率遥感影像的6种可见光植被指数都无法将水体与植被区分开，而基于0.5 m分辨率影像的可见光植被指数能比较好地将植被与水体区分开，遥感影像分辨率的提高，有助于减少可见光植被指数提取结果中的地物误分，马盛洲等[33]在利用遥感影像提取水体信息的过程中，也发现空间分辨率的提高有助于提高总体分类精度。

其次，本研究还发现，各可见光植被指数提取的绿化覆盖率的准确度存在一定的差异：在同样空间分辨率的情况下，只用到2个波段的RGRI、NGRDI、NGBDI指数的植被提取准确度明显低于利用到3波段的可见光植被指数，李鹏飞等[19]、卞雪等[34]等也有相似的研究结论，出现上述差异的原因在于运用3个波段的可见光植被指数可以更多地利用到光谱波段信息[35-36]。

另外，通过NDVI与可见光植被指数的定量对比分析发现，针对建筑物高度较低的陶然亭公园，虽然可见光植被指数与NDVI指数提取的绿化覆盖率均存在低估的现象，但基于NDVI指数的绿化覆盖率的提取结果误分变少，更接近实际绿化覆盖率，误差在4%左右，处于可接受的范围内。汪小钦等[37]发现健康绿色植被虽然绿光和近红外波段均有反射作用，但近红外波段则具有相对较强的反射特性，NDVI指数就是利用植被对近红外光强反射的特点所构造的，对于不包含近红外波段的可见光遥感影像，只能基于绿光波段所具有的一定反射特性进行波段组合出可见光植被指数，因裸土等土地类型在绿光波段也具有一定的反射能力，可见光植被指数很容易造成误分现象。

在实践应用上，本研究应用NDVI指数得到的2019年北京城市核心区总体绿化覆盖率(不含水体)为23.82%，稍低于人工普查得到的北京城市核心区总体绿化覆盖率(26.62%)。另外，通过与2010年、2015年北京城市核心区人工普查所得的绿化覆盖率相比，北京城市核心区的城市绿化覆盖率呈上升趋势，这与城市生态文明理念普及，大力开展绿化建设有关。需要补充说明的是，本次实验仅在北京城区中建筑高度较低的区域进行，对于具有其他空间特征的城市的绿化覆盖率提取是否仍适用NDVI指数还需进一步验证。

3.2 结论

本文基于0.5 m和0.8 m空间分辨率的遥感影像，利用NDVI以及多种可见光植被指数分别提取了城市绿化覆盖率，通过比较表明，可见光指数提取的城市绿化覆盖率误差相对较大，而基于NDVI指数所提取的北京陶然亭公园(63.88%)与城市核心区(23.82%)的绿化覆盖率，与实际人工普查的结果均相差较小，很显然，在内部建筑高度较低的区域，基于0.8 m分辨率遥感影像并运用归一化植被指数(NDVI)获取的城市绿化覆盖率，准确度较高，可作为园林绿化资源普查工作的重要参考。