基于哨兵2可见光波段的喀斯特地区植被提取方法

1、基于哨兵2可见光波段的喀斯特地区植被提取方法摘要：为了从可见光波段准确的提取植被信息，研究喀斯特地貌植被在可见光范围内的相关特征，利用哨兵2影 像可见光波段，建立红、绿、蓝3个波段的波谱空间特征。结果表明：植被光谱在蓝-绿的空间比值特征与其 他地物存在可分离性，而且植被的亮度值在3个可见光内都相对较低。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）对比，其精度达到92.67%，优于其他可见光 提取方法，表明该方法在可见光波

2、段对喀斯特地区植被提取的有效性。关键词：可见光波段;植被提取;喀斯特地貌;植被指数;哨兵2影像Study on Vegetation Extraction Method in KarstAreas Based on Visible Light Band of Sentinel 2Abstract: In order to accurately extract vegetation information from visible band, study the characteristics of Karst vegetation in the visible light range and

3、use the visible light band of the Sentinel 2 image, the spatial characteristics of the three bands of red, green and blue are created. The results showed that the spatial ratio characteristics of vegetation spectrum in blue-green are separable from other ground features and the brightness value of t

4、he vegetation is relatively low in the three visible lights. Comparing the extracted vegetation results with the normalized difference vegetation index, over-green index, ultra-green and ultra-red difference index, vegetation index, visible light band difference index, normalized greened difference

5、index, and normalized green-blue difference index, the study finds its precision is 92. 67% , which is superior to other visible light extraction methods. It shows that the method is effective for the extraction of vegetation in Karst areas in the visible light band.Key words： visible band , vegetat

6、ion extraction , Karst landform, vegetation index, Sentinel 2 image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等提出归 一化差异植被指数(NDVI) ,NDVI消除大部分由地

7、形和大气产生的相关影响，却易受土壤及阴影等因 素干扰。对此Huete等提出的土壤调节植被指 数(SAVI)能很好地消除土壤干扰，高志海等血应用 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 Diffemce vegetation Index，RDVI)，转换型植被指数(Transferrd Normalized Differnce vegetat

8、ion Index，TNDVI)，转换 型土壤调整植被指数(Transfered Soil-Adjusted vegetation index，TSAVI)，新抗大气影响植被指数 (Infection Atmospherically Vegetation Index，IAVI)， 陆地植被指数(vegetation Index based on Universal Pattern Decomposition，VIUPD)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7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(No

9、rmalized green - red difference inde-c，NGRDI)对小麦冠层的光谱特 性分析。Meyer等如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

10、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M。 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(N

11、DVI)、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mi。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

12、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 100m14，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15.30眼, 年均降水量1 174. 7mmm,城市森林覆盖率 达37.4%班。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. copemicus. 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

13、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 d19o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D

14、N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

15、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Tab. 1 The spatial information of Sentinel 2A波段中心波长/nm波段宽度

16、/nm空间分辨率/m备注2492. 4983559. 845104664. 6388832. 81455704. 1196740. 51820窄波段红边7782. 8288a864. 733111616. 714320122202. 42421442. 7279945. 12660101373. 575A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

17、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

18、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。0000o o o o o 52 1爰a噩毒151101 151 201 251 301 351151101 151 201 251 301 351 像元序号(b)绿波光谱151 101151 201 251 像元序号(C)蓝波光谱301 351像元序号(a)红波光谱植被水体其他城市建筑裸土蓝色建筑 火烧迹地红色建筑高速 _ -阚值线图1不同地物光谱空间特征曲线图Fig. 1 Spectral spatia

19、l characteristic curves of different ground objects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Tab. 2 DN values of different ground object samples in red, green and blue bands地物名称红

20、波段绿波段蓝波段均值标准差植被阈值内 像素比/%均值标准差植被阈值内 像素比/%均值标准差植被阈值内 像素比/%植被450. 7294. 87100. 00709. 79134. 97100. 00402. 5676. 68100. 00水体427. 74205. 6072. 63580. 57247. 2229. 21487. 56207. 9872. 10其他城市建筑1156.81354. 3619. 211358. 98435. 6833. 151156. 81354. 369. 73裸土2293. 95463. 4101871. 77437. 2801413. 10409. 541.

21、57蓝色建筑1296. 93277. 435. 521407. 75322. 8811. 052274. 54298. 770. 26火燎迹地616. 6972. 6199. 47504. 6861. 68072. 1389. 6558. 9098. 15红色建筑2088. 54714. 920. 261089. 97301. 9152. 89915. 82295. 2018. 42高速1052. 31174. 699. 211038. 19142. 6543. 42888. 84132. 882. 363.2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

22、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) ) %

23、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)。(d)红波段(e)绿波段(。蓝波段注:彩色为提取植被，白色为非植被背景图2各波段植被阈值结果对比分析图Fig. 2 Comparison and analysis of vegetation threshold in different wave bands3. 3 光谱比值分析有

24、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

25、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。(a)红枫湖片区原始影像(b)红枫湖片区10m分辨率NDVI(c)红枫湖片区植被阈值交集(d)建筑片区原始影

26、像(e)建筑片区10m分辨率NDVI(f)建筑片区植被阈值交集均=1.0763计75.293&2=0.71382=1.0125x4-51.588均=1.0763计75.293&2=0.71382=1.0125x4-51.5880L010002000蓝波段DN值 高速 .红色建筑.(a)绿-蓝波段蓝波段DN值裸土(b)红-蓝波段注:彩色为提取植被，白色为非植被背景。图3未分离地物对比图Fig. 3 Contrast map of unseparated terrain*2=0,6493x-5.2242=0.6799200030004000绿波段DN值被一地物拟合线(O红-绿波段图4各地物光谱比值

27、散点图Fig. 4 Distribution of spectral dispersions3.3.2 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=+ J,点到直线的距离公式：(1) 式中：$为点到拟合线的距离;Y为拟合线的斜率;J为拟合线的截距;=表示横纵数值;表示纵轴 数值。以图4( a)植被拟合线为例，绿

28、-蓝比值散点图横纵为蓝波段DN值，纵轴为绿波段DN值，将式中=和分别用对应波段DN值替换可写成式邸：P green(2)P green式中:Pblue为植被的蓝波段DN值;Pgreen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$ =0时,表示像素点在拟合线 上;当$ 0时，表示空间的像素点在拟合线的右侧; 当$ 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

29、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Tab. 3 QuasiPine equation of spectral ratio of ground objects光谱比值地类斜率k值截距b值A值点线阈值计算结果绿比蓝植被1. 4676101.030. 834(-138.3195,105. 8213)A2绿比蓝水体1. 012551.5880. 8455(-39. 4251,67. 3981)B2红比绿植被0. 6493.5.2240. 6799(-271.

30、 1123,171. 7994)C2红比绿火烧迹地1. 076375. 2930. 7138(-97.6862,110. 3322)D23.4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

31、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。(a)影像原图(b) 10m分辨率NDVI(c)植被阈值与光谱比值结果组合注:彩色为提取植被，白色为非植被背景！图5实验结果分析Fig. 5 Analysis of experimental results3.5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

32、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

33、被的方法 中，精度最高。表4植被指数公式示Tab. 4 Vegetation index formula植被指数植被指数提取公式文献提取方法方法中文全称NDVI归一化差异植被指数(NIR - A) /( NIR + A3EXG过绿指数2g - + - J11EXGR超绿超红差异指数EXG -1.4+ - g21VEG植被指数g/+0-67 J0-3322VDVI可见光波段差异指数(2G - R - 7) /(2G + R + 723 NGRDI归一化绿红差异指数(G - R) /( G + R)24 NGBDI归一化绿蓝差异指数(G - 7) /( G + 725注:A为红光波段;G为绿光波段

34、;7为蓝光波段技为红光标准化 结果;4为绿光标准化结果;J为蓝光标准化结果;D.A为近红 外波段-(f) EXGR(g) VEG(h) VDVI(i) NGRDI(j) NGBDI注:红色为提取植被，白色为非植被背景图6不同植被指数方法提取结果对比Fig. 6 Comparison of different vegetation index extraction methods表5不同方法提取结果精度评价Tab. 5 Precision evaluation of different extraction methods植被指数提取方法总体精度/%生产精度/%用户精度/%Kappa系数植被非植被植被非植被NDVI94. 1394. 5993.6793. 6394. 630. 8826EXG90.9996. 9385. 1486. 5196. 580. 8200EXGR92