一种利用 NDVI辅助提取植被信息的改进方法

任志明,李永树,蔡国林

(西南交通大学地理信息工程中心,四川成都 610031)

一种利用 NDVI辅助提取植被信息的改进方法

任志明,李永树,蔡国林

(西南交通大学地理信息工程中心,四川成都 610031)

为提高遥感影像中不同覆盖度植被信息由栅格到矢量的转化效率和准确度,改进了常用的NDV I辅助提取植被信息方法,即根据NDV I与植被覆盖度之间的关系自动提取不同覆盖度的植被信息。为检验该方法的效果,利用试验区一组 T M影像进行植被信息的提取试验。结果表明,该方法与常用方法相比能有效地增强不同覆盖度植被边缘信息,提高了植被边缘信息栅格矢量化的效率和准确度。

NDVI;遥感影像;植被信息;自动提取;边缘增强

一、引 言

植被解译的目的是在遥感影像上确定植被的分布、类型、长势等信息,为环境监测、生物多样性保护和农业、林业等有关部门提供信息服务[1]。植被指数则是对地表植被活动的简单、有效和经验的度量,在一定程度上反映着植被的演化信息[2]。因此,在进行植被遥感解译时,辅以植被指数,有助于增强遥感影像的解译力,提高植被解译的准确度和可靠度。

目前,利用归一化差异植被指数 (normalized difference vegetation index,NDV I)提取遥感植被信息的方法已有多种,大致分为两类:①为了获取植被边界的矢量图采用的 NDV I辅助勾绘植被信息方法;②在植被覆盖度分级研究时为了获取植被专题图采用的监督分类和非监督分类方法。但这两类方法均存在一定的缺陷,第一类方法主要为手工勾绘方式(植被指数只是简单地用来辅助判别),虽然可以直接获得植被的矢量边界,然而多个波段组合得到的图像的色彩是渐变的,地类边界不清晰,这就使得人工勾绘植被边界时,不仅效率低,且易出现地类判别错误;第二类方法通过监督分类和非监督分类实现了植被自动分类,但监督分类和非监督分类的精度不高(一般都低于 80%[3]),且植被模板的建立和植被的识别仍需人工判断,此外,该方法不能自动获得植被的矢量边界。

针对第一类手工勾绘方法效率低、地类判别误差大等问题,本文将对常用 NDV I辅助提取植被信息方法进行改进,即利用NDV I增强植被边缘,实现植被矢量边界的自动提取,以提高植被专题图的制作效率。为检验该方法的可行性,利用试验区的一组 T M影像进行信息提取,并与常用方法进行对比分析。

二、NDVI及常用植被信息提取方法

1.归一化差值植被指数(NDVI)

植被指数是遥感监测中反映植被在可见光、近红外波段与土壤背景之间光学差异的指标,是对地表植被活动的简单、有效和经验的度量。研究表明植被在红光波段(0.55～0.68μm)有一个强烈的吸收带,在近红外波段 (0.725～1.1μm)则有一个较高反射峰。因此,可使用红色可见光通道 (0.6～0.7μm)和近红外光谱通道 (0.7～1.1μm)的组合设计植被指数。

基于此,Rouse等于 1974年提出了NDV I,并将其应用于植被生长状态检测、植被覆盖度分析、辐射误差消除等。对于 T M遥感影像,根据 Rouse等人对NDV I的定义,其计算公式可表达为[1]

式中,TM3(波长 0.63～0.69μm)是红外波谱段,为叶绿素主要吸收波段;TM4(波长 0.76～0.90μm)是近红外波谱段,对绿色植被的差异敏感,为植被通用波段。

求取的NDV I值的理论范围是[-1,1],其中,负值表示地面覆盖为云、水、雪等,对可见光高反射;零值表示岩石、裸土等,对近红外波段和红光波段反射近似相等;正值则表示有植被覆盖,且随覆盖度增大而增大[3]。

2.常用植被提取与勾绘方法

常用植被提取与勾绘方法中,NDV I仅起到辅助地类判别作用,即对于人工勾绘后的地块,参照NDV I值,手工输入属性值以确定其覆盖度。以 T M影像为例,实际生产流程 (以 ERDAS软件为例)见图1。

图1 植被信息辅助提取流程图

由图 1可知,首先在 ERDAS软件中,将卫星获得的二进制单波段数据进行波段组合与配准,如对于Landsat T M遥感影像,常组合 T M4、T M3、T M2三波段来提取植被信息;然后在 GIS软件中根据色彩进行手工矢量化得到植被的块状 (面)信息;最后辅以NDV I(计算见式(1))和野外调查得到的解译标志进行植被信息的手工分类。

该方法具有一定的可靠性和实用性,在实际生产中得到了广泛应用。但其还存在以下问题:①工作效率不高,人工勾绘将花费大量的时间、人力及物力;②勾绘误差较大,由于遥感影像上地类边界颜色不是突变的,导致勾绘边界的准确度降低。

三、改进的 NDVI辅助提取植被信息方法

1.改进的 NDVI辅助提取植被信息方法

为减小地类判别和人工勾绘误差,并提高矢量化效率,本文对常用植被提取与勾绘方法进行了改进。即利用NDV I编程提取不同覆盖度的植被,然后在此基础上实现边缘信息的自动矢量化。具体过程如下:

1)在获取NDV I后,利用 NDV I与植被覆盖度之间的对应关系(见表 1所示),通过编程依次提取NDV I图像中对应不同覆盖度的数据,且暂时将处于同种覆盖度范围的数据用一种数字代替,突出不同覆盖度植被间的边缘,便于自动矢量化的实现。

表 1 植被覆盖度与 NDVI的对应关系[4]

2)将提取的不同覆盖度的图像叠加,每种覆盖度对应一种颜色,显化植被不同覆盖度的边缘,然后在 GIS软件中,通过自动矢量化 (也可进行手工快速勾绘,其效率和准确度明显高于手工勾绘),完成栅格到矢量的转化。

3)将矢量化结果与组合影像 (如 T M4、T M3和T M2的组合)叠加、配准,辅以野外调查得到的解译标志细化植被类别(如草地、森林等)。具体流程见图2所示。

图2 本文的NDV I辅助提取植被信息流程图

2.试验结果

为更好地说明并验证本文改进的植被信息提取方法,本文利用试验区 (2008年 7月 Landsat T M影像,大小为 33 840像素 ×35 880像素)的部分遥感影像(T M4、T M3、T M2三个波段,分辨率为 30 m)作为原始数据,从中截取一块进行试验 (图像为1 128像素 ×1 196像素)。图 3为在 ERDAS软件中组合 TM4、TM3、TM2三个波段得到的图像;图 4为利用 TM4和 TM3根据式 (1)计算得到的 NDV I图像。

图3 432波段组合影像

图4 某地区的NDV I影像

获得NDV I后,可以利用NDV I与植被覆盖度之间的对应关系,通过编程依次提取 NDV I图像中对应不同覆盖度的数据。对于每种覆盖度图像,均进行二值化处理,即将处于同种覆盖度范围的数据用同一个数字表示,其他的则用另一个数字表示,突出此覆盖度植被的边缘信息。图 5为利用NDV I图像提取的三种覆盖植被的二值图。接下来就可在GIS软件中进行边缘提取,通过自动矢量化或跟踪矢量方式,快速完成栅格到矢量的转化。图 6为利用ArcScan对图 5三种覆盖度植被的自动矢量化结果,即自动矢量化得到的矢量边界 (在黑白两色显示的图 6中无法看清,请读者谅解)。

此外,我们还可以将三种覆盖植被的二值图进行叠加,每种覆盖度对应一种颜色 (类似于 GIS的专题图制作),显化植被不同覆盖度的边缘,并在GIS软件中,通过手工勾绘方式,完成栅格到矢量的转化。图 7为三种覆盖植被的组合图。

对比图3、图5、图7、图8可知,本文的改进植被提取方案优于第二章第2节的方案。因为不同覆盖度植被间的边界很模糊,很难通过眼睛辨别,直接对其(见图3)进行矢量化,势必出现很多的勾绘误差,难以分辨出不同覆盖度的植被。若用本文改进方法可以提高矢量化的效率和准确率,并区分出不同覆盖度的植被边界,自动生成植被区域的专题图,自动进行矢量化。

图 5 利用NDV I图像提取的三种覆盖度植被的二值图

图 6 利用ArcScan自动矢量化的三种覆盖度植被图

图7 三种植被覆盖度组合图

传统分类方法的精度一般都低于 80%,利用T M图像手工矢量本文 T M影像的植被覆盖率为36.571%,调查数据为 48.132%,准确率为75.980%。进一步将本文方法与调查数据相比,结果见表 2,准确率为 83.655%,在植被提取的准确率上也有了提高。综上分析,相对于常用生产方法,本文的改进算法不论在生产效率方面,还是在准确度和可靠性方面,均能取得更好的效果。

表 2 常用方法与本文方法获得的不同覆盖度植被所占比例 (%)

四、结束语

本文对常用NDV I辅助提取植被信息的方法进行了改进,并利用 NDV I与植被覆盖度之间的关系编程实现了不同覆盖度植被信息的自动提取。为验证改进方法的实用性,利用实际的 Landsat T M遥感影像进行试验,结果表明,与常用生产方法相比,本文方法能够增强不同覆盖度植被的边缘信息,提高了植被边缘信息由栅格到矢量的转换效率和准确度。在生产实践中,遥感影像矢量化工作也可以按照分类、提取、平滑、边缘提取、二值化等过程进行,这样能够有效地提高矢量化效率。

[1] 梅安新,彭望王录,秦其明,等.遥感导论[M].北京:高等教育出版社,2001.

[2] 田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1998,13(4):327-333.

[3] 陈君颖,田庆久.高分辨率遥感植被分类研究 [J].遥感学报,2007,11(2):221-227.

[4] 刘淑珍,周麟,仇崇善,等.草地退化沙化研究[M].西藏:西藏人民出版社,1999.

[5] SCANLON TM,ALBERTSON J D,CAYLOR K.Determining Land Surface Fractional Cover from NDV I and Rainfall Time Series for a Savanna Ecosystem [J]. Remote Sensing of Environment,2002,82(2):376-388.

[6] 卓宝熙.工程地质遥感判释与应用[M].北京:中国铁道出版社,2002.

[7] 温兴平,胡光道,杨晓峰.从高光谱遥感影像提取植被信息[J].测绘科学,2008,33(3):66-68.

[8] 刘同海.T M数据草原沙漠化信息提取研究[D].北京:中国农业科学院,2005.

[9] VAN IEEUWEN W J D,ORR B J,MARSH S E,et al. Multi-sensor NDV I Data Continuity:Uncertainties and Implications forVegetation Monitoring Applications[J]. Remote Sensing of Environment,2006,100(1):67-81.

An I mprovedM ethod for Assisted Extraction of Vegetation by Use of NDVI

REN Zhiming,L I Yongshu,CA I Guolin

0494-0911(2010)07-0040-04

P237

B

2009-11-05

“十一五”国家科技支撑计划重大项目课题基金资助项目(2006BAJ05A13)

任志明(1986—),男,安徽六安人,硕士生,主要研究方向为遥感理论与应用。