高区分度的高分六号影像可见光波段植被指数构建

2023-11-03郑舒元何孟琦王建雄

光谱学与光谱分析 2023年11期

郑舒元, 海燕, 何孟琦, 王建雄

1. 云南农业大学水利学院, 云南昆明 650201

2. 云南省高校农业遥感与精准农业工程研究中心, 云南昆明 650201

引言

随着国家对粮食安全及农业战略储备的规划, 对农作物种植区域的分布情况与种植区域的精确掌握具有重大战略意义[1-4]。长期以来, 利用遥感数据对耕地及永久基本农田所在区域进行快速、准确的提取是研究的重点及热点。目前, 利用遥感数据不同波段组合计算植被指数对农作物进行提取主流的研究方法[5-8]集中在光谱信息丰富的多光谱波段进行植被指数构建[9-11], 以及能够快速获取的可见光波段进行植被指数构建[12-15]。多光谱波段构建的植被指数以归一化植被指数(normalized difference vegetation index, NDVI)与增强型植被指数(enhanced vegetation index, EVI)等比值型植被指数为代表, 多为通过近红外波段的光谱信息丰富的特征来与其他波段一同构建指数。

可见光植被指数是指利用红、绿蓝三个波段进行组合运算, 利用三个波段间的差异来突出植被信息, 构建植被指数。高永刚[16]等在红绿蓝植被指数(red green blue vegetation index, RGBVI)的基础上增强了植被在绿波段的强反射作用提出了超绿红蓝差分指数(excess green-red-blue difference index, EGRBDI), 能够准确区分植被与其他地物, 且具有较高精度; 周涛[17]等消除了绿波段差异干扰, 构建了差异增强植被指数(difference enhanced vegetation index, DEVI), 结合无人机影像对研究区植被进行了准确提取, 并与超红指数(excess red, ExR)、过绿指数(excess green, ExG)等八种可见光植被指数提取效果进行对比, 得出DEVI提取效果均优于上述指数; 毛智慧[18]等通过将RGB彩色空间转化为HSL彩色空间, 提出了归一化色调亮度植被指数(normalized hue and lightness vegetation index, NHLVI), 并将其与归一化绿红植被指数(normalized green-red difference index, NGRDI)进行比较, 其总体精度优于NGRDI, 且在植被稀疏区域, NHLVI的提取结果优于NGRDI。

目前, 基于可见光植被指数的构建数据源多来源于无人机航摄影像[19-20], 在我国国产高分系列卫星已大范围使用的前提下, 对于可见光植被指数与卫星影像的结合应用具有重要意义。高分系列卫星宽覆盖、高时空分辨率等特点, 能够快速、大范围获取广域影像, 结合可见光植被指数更可进行大范围耕地及农作物的提取, 能够进行大规模的农田种植情况调查[21-22], 对国家粮食安全及农业战略储备、农业普查起到重要支撑作用。于2018年6月2日成功发射的高分六号是我国首颗可用于精准农业的卫星, 配置2 m全色/8 m多光谱高分辨率相机, 观测幅宽90 km, 能够获取高精度、大范围的影像, 在农业方面具有巨大的应用潜力[23-25]。

利用云南省红河州蒙自市长桥海研究区的高分六号影像, 在分析其可见光波段不同地物间光谱曲线特点的基础上, 提出了一种能够有效进行植被信息识别的高区分型红绿蓝植被指数(high discrimination red green blue vegetation index, HDRGBVI), 并与8种常用的可见光植被指数进行对比分析, 为可见光植被指数与高分六号影像的结合使用提供参考。

1 实验部分

1.1 研究区概况

研究区位于云南省红河州蒙自市长桥海, 该地区地势平坦, 周边有规则的耕地与农作物种植区域, 该区域同时具备农作物、水体、地膜、裸土、建成区五种标志性地类, 植被覆盖度适中, 适合检验可见光植被指数对植被的提取效果。

1.2 影像数据采集及预处理

本工作所用数据为高分六号卫星于2022年4月3日采集的单景影像, 包括8 m分辨率的多光谱波段影像以及2 m分辨率的全色波段影像。在进行绿色植被信息提取之前, 利用ENVI5.3软件对全色波段和多光谱波段进行辐射定标, 对多光谱波段影像进行大气校正及重采样, 将全色波段与多光谱波段进行影像融合, 得到2 m分辨率的影像, 再通过研究区边界裁剪可得到研究区2 m分辨率的多光谱影像, 如图1所示。

1.3 可见光植被指数构建

常见可见光植被指数受地物类型差异的影像较大, 且目前所用可见光植被指数大多以无人机影像为数据源提出。对卫星影像而言, 其中心波长位置和波段范围不同, 将常用可见光植被指数用于卫星影像效果会有较大差异, 精度也会有所下降[26]。为了使所构建的植被指数对卫星影像有更好的适应性, 应在构建前对不同地类的光谱特征进行分析。在选取不同地类区域时, 选取的区域应远离影像边缘, 且同种地类应分别选取高、中、低亮度区域, 且样本数基本均衡。若研究区处于农业地区与城市交界处、且种植的部分作物使用地膜或大棚覆盖, 根据以上原则, 将图1中的地物区分为植被、水体、裸土、地膜、建成区五种类型, 并对其不同波段的像元值进行差异性分析, 通过不同波段间的差异性构建来区分植被与其他地物。

在ENVI5.3软件中根据上述原则和地类, 利用目视解译与实地踏勘的方法相结合, 勾选出150个代表样区, 其中包含植被样区50个, 水体样区50个, 裸土样区50个, 地膜样区50个, 建成区样区50个, 再根据代表样区对影像进行基于SVM的监督分类以得到不同地物, 监督分类的结果如图2所示。经统计, 监督分类总体精度为: 95.74%, Kappa系数为0.915 6, 可用于进行后续的精度验证。

图2 基于SVM的研究区地物监督分类结果

可见光植被指数构建的关键在于突出植被与其他地物的像元值差异, 使得植被与非植被的差异显著化, 从而有效提取植被信息。为凸显植被与非植被的差异性, 对比不同地类红、绿蓝波段之间的差异性, 在此利用监督分类结果对研究区不同种地类所在区域进行提取, 统计各地类样本红、绿、蓝三个波段像元值的平均值, 统计结果如图3所示。

图3 研究区地类不同波段像元平均值

由图3可见, 植被的绿波段像元值同时大于红蓝两波段,且绿、红、蓝波段依次递减、符合健康绿色植被光谱特性曲线。五种地类中, 除水体绿波段像元平均值低于植被外, 裸土、地膜、建成区的绿波段像元平均值均高于植被, 说明仅用绿波段无法对五种地物进行区分, 需要对绿波段的干扰进行消除。在此借鉴对植被信息识别具有较高精度的可见光植被指数RGBVI的构建模型原理来增强绿波段, 然而当RGBVI应用于卫星影像时, 其水体与植被区分度较低, 无法做到准确提取。在结合图3对比结果的基础上, 考虑在模型中加入水体区分量以增大水体与植被的区分度以更准确获取植被覆盖区。提出高区分型红绿蓝植被指数(high discrimination red green blue vegetation index, HDRGBVI)其计算公式如式(1)所示

(1)

式(1)中,R、G、B分别为可见光影像红、绿、蓝波段像元值, 式中第一项为RGBVI, 对不同种地类区分起主要作用, 第二项为水体区分量, 其分子为非植被类信息识别范围, 为植物无强反射的蓝波段与红波段之和, 作用为突出植被与非植被间的对比度, 分母第二项使用绿波段与红波段蓝波段乘积的比值, 作用在削弱绿波段的扰动, 避免单一波段值的偶然性, 由于前两项计算结果为负值, 为方便将HDRGBVI进行阈值分割计算, 在计算结果后加上常数1, 使得计算结果保持在正数, HDRGBVI的高值区域即表示植被覆盖区。

1.4 基于阈值的的植被信息识别

利用高分影像提取植被有两个关键步骤, 首先进行可见光指数HDRGBVI的构建, 其次是确定指数的阈值, 阈值选取很大程度上决定了指数效果的优劣, 为了能够准确、客观地提取不同植被指数的目标信息, 应对指数计算结果的灰度直方图进行分析, 再选择合适的阈值提取方法。本工作利用Ostu’s阈值法与双峰直方图法来确定各植被指数的阈值。

1.4.1 基于双峰直方图的阈值分割法

若一幅灰度图像中, 目标对象与背景对象对比明显, 则该影像中的像元值应呈现双峰分布, 即需要提取的目标对象集中于一个峰、背景对象则会集中于直方图的另一个峰, 而位于双峰之间的波谷则为目标对象与背景对象的临界值, 此位置像素较少, 根据波谷位置可确定各植被指数的阈值, 从而实现植被与非植被的区分。

1.4.2 Otsu’s阈值分割法

Otsu’s阈值分割法即为大津法, 由大津展之在1980年提出, 其基本思想为设阈值将图像分割为两组, 一组灰度对应目标, 另一组灰度对应背景, 当目标和背景的类间方差越大时, 目标与背景的区分度就越高, 目标和背景的区分度在类间方差最大时达到最大值[27], 其可有效避免目标与背景之间的错分与漏分现象。

2 结果与讨论

2.1 不同可见光植被指数的计算与分析

可见光植被指数则是仅利用不同可见光波段的组合运算来构建植被指数, 以强化植被的某一特性或细节, 以增强植被与其他地物的区分度。通过分析健康绿色植被光谱特性曲线可知, 在可见光范围内, 绿色波段反射率同时大于红、蓝两个波段, 植物对绿光有较强的反射率, 同时对红光和蓝光的吸收作用较强, 根据该特征, 利用红、绿、蓝三个波段进行组合可以突出植被与其他地物的区分度。对表1中所示的8种可见光植被指数进行计算, 同时与HDRGBVI的计算结果进行对比, 其结果如图4所示。

表1 可见光植被指数及其计算方法

为更好的比对8种可见光植被指数的提取效果、统计了各植被指数在5种典型地物区域的特征值, 如表2所示。由表可见, 以高分六号影像数据计算可见光植被指数进行植被提取时, HDRGBVI与RGBVI对植被信息识别具有较好的效果, EXG、 EXR、 NGRDI、 NGBDI、 RGRI、 GBRI、 MGRVI这7种可见光植被指数的植被信息和非植被信息存在不同程度的重叠, 会造成植被区域的错分、漏分, 从而影响提取效果。综上所述, 在利用高分六号影像数据进行植被所在区域提取时, 应优先选用HDRGBVI与RGBVI。

表2 不同地类可见光植被指数统计值

2.2 植被信息识别

计算植被指数后, 利用双峰直方图分割法与Otsu’s阈值分割法对不同可见光植被指数进行阈值分割, 所得的阈值如表3所示。发现双峰直方图阈值法提取植被的效果较差, 基本无法对植被所在区域进行提取, 故此使用Otsu’s阈值分割法的植被提取结果来作为可见光植被指数植被提取结果, 不同可见光植被指数的植被提取结果如图5所示。

表3 不同分割法所得阈值结果

由图5的分割结果可以看出, EXG、 NGBDI、 NGRDI、 RGRI、 GBRI、 MGRVI与HDRGBVI对水体与其他地物能正确做出区分以外, EXR、 RGBVI、 MGRVI不能将水体与植被区分开。能正确区分水体与其他地物的指数中, EXG、 RGRI、 GBRI均明显存在对植被的过提取现象。根据表2的不同地类统计值与图5的提取结果进行比对, 可发现EXG中, 植被与裸土、地膜与建成区的统计值过于接近, 难以区分; RGRI中, 植被的统计值介于水体与其他地物之间, 无法正确区分植被与裸土、地膜、建成区; GBRI中, 植被的统计值介于裸土与其他三种地物之间, 仍无法正确提取, 而HDRGBVI中, 植被的统计值高于其他四种地类, 且有一定区分度, 从图5的提取结果也可看出, HDRGBVBI对植被与其他地物区分度良好, 可准确提取植被覆盖区域。

2.3 植被提取结果精度评价

针对上述9种可见光植被指数的植被提取, 通过混淆矩阵对分类结果进行精度评价。选择利用同幅高分六号影像监督分类所得结果为真实参考源, 并计算结果的总体分类精度与Kappa系数, 再通过Kappa系数与分类质量的对应关系来评定分类质量。

通过在影像上进行目视解译, 利用人工标注的方法选取475个随机点来提取不同植被指数及监督分类结果的点位值, 共获取471个有效值及4个无效值, 对提取结果建立混淆矩阵进行正确率评价, 其结果如表4所示, 由表4可知, HDRGBVI、 EXG、 EXR、 NGBDI、 RGRI、 GBRI、 RGBVI对植被的对植被的提取精度很高, 但除了HDRGBVI与RGBVI以外, 以上指数的非植提取正确率均处于低水平, 就总体精度来看, HDRGBVI提取精度最好, 达到了90.23%, RGBVI次之, 达到了78.76%。将表4提取结果结合表2与图5来评价, 可发现虽然EXG、 NGBDI、 NGRDI、 RGRI、 GBRI、 MGRVI对水体与其他地类做出了区分, 但其他地类的统计值相差不大, 无法体现植被与其他地类的区分度, 由此导致了植被错分现象严重。

2.4 方法可行性验证

为更好验证HDRGBVI可见光植被指数的适用性和准确性, 选择三幅不同地区不同时相的高分六号影像数据, 取每幅影像的部分区域作为研究区, 对其进行监督分类以及基于HDRGBVI可见光植被指数研究区植被提取。三个研究区地物分布均匀, 植被覆盖度适中, 分辨率为2 m; 试验区一范围内存在狭长河道以及小范围水田, 用于验证HDRGBVI在水浇地、旱地、水田三种不同耕地类型中对植被的提取能力; 试验区二左侧为大面积裸土及地膜覆盖区, 右侧为大面积水体与建成区, 植被集中于研究区中部区域, 用于检测HDRGBVI计算的植被指数计算效果是否受大规模其他地类影响; 试验区三植被覆盖区域中包含部分细小水体, 用于检测HDRGBVI对于细小水体是否具有较好的抑制作用。三个研究区监督分类结果与植被提取结果如图6所示, 在三个研究区内, 通过目视解译人工标注的方法, 各取560个验证点位, 将监督分类结果与植被提取结果构建混淆矩阵来评价三个研究区的提取效果, 结果如表5所示。

表5 不同研究区植被提取效果验证

由表5可知, 三个研究区总体分类精度均维持在90%左右, 其中研究区二的精度最高, 其总体精度为90.54%, Kappa系数为0.801 9, 研究区一总体精度为89.28%, Kappa系数为0.783 1, 研究区三总体精度为89.46%, Kappa为0.789 1, 由此可见研究区一与研究区三的植被提取精度略低于研究区二, 但差异在较小水平。分析以上结果可知, HDGRBVI对狭长水体、细小水体、大范围水体均有较好的抑制作用, 同时对裸土、地膜、建成区也有较好抑制作用, 综合以上结论, HDRGBVI总体能够于复杂类型耕地中有效进行绿色植被提取。

2.5 研究局限性

已有研究及本研究结果分析表明, 利用高分六号影像结合可见光植被指数能够对植被覆盖区域进行快速、大范围、高精度的提取。但存在一定问题与局限性, 包括: 在利用卫星影像进行复杂种植区域的植被提取时, 部分田间农作物在种植过程中需要利用地膜辅助培育, 然而根据地膜的通透性与对光照的反射程度不同, 地膜下覆盖的植被绿度特征表现有差异, 导致不能正确提取现象; 其次, 研究区内部分水体存在高度富营养化现象, 水体表面存在大量藻类覆盖, 导致水体所在区域的光谱特征接近绿色植物光谱特征, 从而产生错误提取。本工作未选取其他卫星影像数据进行可行性验证, HDRGBVI能否用于不同类型传感器还有待验证。