基于高光譜影像的植被指數

背景

城市綠地（Urban green space, UGS）是城市環境*重要的組成部分之一，可以顯著緩解許多城市問題，如調節城市氣候，緩解城市熱島效應，吸收顆粒空氣污染物。植被數量和質量是UGS的兩個重要屬性。植被數量的提取可以采用多種方法，如深度學習、特征提取、波段選擇、指數法等。植被數量和質量的準確估計至關重要。植被指數（Vegetation indices， VIs）可以為植被密度、葉面積指數和植被健康狀況的研究提供基礎支持。

植被指數通過波段運算增強植被信息，抑制背景信息。多年來，研究人員提出了幾種植被指數，如DVI、NDVI。然而，在高密度植被覆蓋區域，DVI、NDVI等常見VIs存在數值飽和問題。Huete等人發現了植被與土壤之間的相互作用，提出了表征植被密度的土壤調節植被指數（SAVI）。在SAVI的基礎上，建立了優化土壤調整植被指數（OSAVI）。基于角度與基于比值的植被指數和基于正式統計框架的線性化植被指數也有助于減少飽和問題。這些被廣泛使用的指標，可以有效解決城市生態研究的傳統問題。

上述VIs主要適用于多光譜圖像，提供的光譜信息不足，無法用于精細尺度的城市生態研究。如今獲得的高光譜圖像（HSI），具有從可見光到紅外的數百個連續光譜帶。每個像素點的光譜曲線可以作為指紋，用于識別和區分不同的材料。在城市地區，高層建筑產生的陰影占據了遙感圖像的很大一部分。然而，由于陰影中的光學信息非常少，因此很難提取陰影植被。城市中新材料的出現，如體育場館的人造運動表面和藍色屋頂，也給植被提取技術帶來了重大障礙。由于大多數城市植被分布在密集的區域中，這使得VIs往往是飽和的，使植被密度評估進一步復雜化。

為了解決上述問題，我們設計了基于高光譜影像的植被指數（HSVI），從高光譜影像上對城市植被進行簡單有效的監測。為了利用HSI所包含的豐富的光譜信息，我們將HSVI的構建過程分為三個步驟：（1）構建增強植被指數（EVI）;（2）構建優化增強植被指數（OEVI）;（3）確定HSVI。然后評估了HSVI用于植被提取的準確性。

試驗設計

中國石油大學孫根云教授團隊選擇了三個HSI數據集來檢驗試驗結果。**個HSI是休斯頓大學的數據集，圖像尺寸為594 × 599像素，覆蓋380 - 1050 nm光譜范圍，共48個波段。另外兩個HSI數據集均由搭載有GaiaSky-mini2-VN高光譜相機（江蘇雙利合譜公司）的無人機平臺捕獲，波長范圍覆蓋393 - 1012 nm光譜范圍，數據集有360個波段。

為了構建EVI，首先需要從HSI中選擇具有代表性的光譜波段。我們選擇了許多來自土地覆蓋類型的純樣本，包括陰影植被、稀疏植被、陰影不透水表面、藍色屋頂、綠色合成庭院。每種地物都選取了2000多個純樣本。

從760 nm處的綠色箭頭可以看出（圖1），760 nm和689 nm兩個波段的植被光譜值變化明顯。相比之下，非植被地物的光譜值變化較小。植被在陰影下的光譜值在889 - 861 nm波段呈上升趨勢（861 nm處綠色箭頭）。然而，非植被地物有相反的趨勢。因此，通過四波段組合構建EVI來增強陰影下的植被信息。由于861 nm和889 nm兩個波段的差值太小，我們設置增強系數α。公式如下所示。

圖1 地物光譜曲線

為了找出VIs飽和的原因，我們分析了不同密度植被覆蓋區域的光譜特征（圖2）。紅邊（760 nm）在高植被覆蓋區域容易飽和。公式2是0-1范圍內的單調函數，不通過非線性變換改變原值范圍。這些優點保持了各種物體經過非線性變換后的光譜曲線的原始順序和數值范圍。因此，采用指數函數對易飽和波段（760 nm）進行非線性變換。將公式2加入公式1之后，優化增強植被指數（OEVI）如公式3所示。

當植被密度過高時，歸一化差值植被指數（NDVI）容易飽和。因此我們將指數的分母替換為與植被密度呈強線性相關的紅邊（ρ689）和綠邊（ρ520）之和，對歸一化差進行了修正（公式4）。

為了證明所提出方法的有效性，我們在三個數據集上進行了三組試驗。**組確定a參數。**組是研究算法在真實圖像上的可行性。第三組比較不同VIs的可靠性。在**組和第三組的試驗中，我們選擇了DVI、NDVI、SR、OSAVI、MTVI2、WDRVI等六種指數作為比較。

從前兩個數據集中確定參數a。參數a從0開始遞增，步長為2。隨著參數a從0增大到4，植被提取結果的OA和Kappa不斷增大。參數a達到4后，植被提取的OA和Kappa趨于穩定。因此，將HSVI的參數a設為4。

圖2 不同相對植被覆蓋密度的光譜曲線

結論

對于表1中的上海戲劇學院數據集，DVI、MTVI2和OSAVI的OA和Kappa*低。它們的EO值非常高，說明遺漏了一些植被。NDVI、SR和WDRVI精度*高。他們的EC和EO更高。這表明他們將非植被表面錯誤地標記為植被。相比之下，HSVI的植被提取精度*高。HSVI具有*低的EC和EO，顯示了其在減少陰影和新材料對分類結果干擾方面的優勢。對于休斯頓大學數據集，只有HSVI獲得了*好的植被提取精度。相反，其余6種VIs獲得了較高的EO值，表明它們在陰影條件下的性能較差。因此，我們可以得出結論，HSVI改善了復雜條件下的植被提取。

表1 指數的*優閾值及植被提取精度

圖3a表明，橢圓區域有大量的陰影植被。然而，在圖3b、e、f中，該區域DVI、MTVI2和OSAVI的植被提取結果是不完整的。如圖3c、d、g所示，利用NDVI、SR、WDRVI進行植被提取效果更好，植被提取更完整。在圖3h中，HSVI的植被提取*為完整。

圖4進一步驗證了HSVI在復雜環境下提取植被的優勢。橢圓區域表示植被被遮蔽的地方，矩形區域包含容易被誤分類為植被的合成表面。從圖4c、f和g可以看出，由于陰影的干擾，NDVI、SR和WDRVI的植被提取結果較差。在圖4d、e和h中，NDVI、SR和WDRVI能夠從陰影中提取植被。然而，他們很容易將其他特征誤認為植被。相比之下，HSVI的植被提取效果*好。結果表明，HSVI中的EVI有效增強了陰影植被，避免了與合成材料的光譜混淆。

圖5c - i為7個VIs的植被提取結果。從圖5a和b中可以看出，在橢圓虛線框中，大面積植被被陰影覆蓋。從圖5c - h可以看出，其他方法提取橢圓區域的植被效果較差。然而，HSVI*大程度地提取了陰影下的植被（圖5i）。這說明HSVI中的EVI能有效增強陰影植被信息，有利于植被提取。與其他指數相比，HSVI在航空HSI數據上表現良好。

圖3 上海戲劇學院植被提取結果：（a）偽彩色*像，（b）DVI，（c）NDVI，（d）SR，（e）MTVI2，（f）OSAVI，（g）WDRVI，（h）HSVI

圖4 上海戲劇學院植被提取結果：（a）偽彩色*像，（b）真實值，（c）DVI，（d）NDVI，（e）SR，（f）MTVI2，（g）OSAVI，（h）WDRVI，（i）HSVI

圖5 休斯頓大學的植被提取結果：（a）RGB圖像，（b）真實值，（c）DVI，（d）NDVI，（e）SR，（f）MTVI2，（g）OSAVI，（h）WDRVI，（i）HSVI

為了驗證HSVI的不敏感性，我們比較了其他VIs與NDVI的相關性。從圖6a、c、d的散點圖分布可以看出，DVI、MTVI2、OSAVI與NDVI的相關性非常低，分布不均勻。結果表明，它們的不敏感性弱于NDVI。由圖6b、e、f可知，SR、WDRVI、HSVI與NDVI具有較高的相關性，擬合函數為曲線分布。結果表明，它們的不敏感性大于NDVI。同時，從圖6g可以看出，HSVI可以達到與當前*佳指數相同的水平。

圖6 大珠山不同指數與NDVI的回歸分析

為了更直觀地比較各VI的不敏感性，我們在大珠山數據集上獲得了不敏感性結果（圖7）。從圖7a可以看出，橢圓區多為裸巖，稀疏植被。但NDVI、MTVI2、OSAVI值均在0.5以上，如圖7c、e、f所示，屬于高估。從圖7b中的矩形區域可以看出，DVI中的紋理特征是由陰影引起的。從圖7d可以看出，SR低估了整體植被分布。相比之下，圖7g和h中的WDRVI和HSVI效果更好，可以在植被覆蓋飽和的矩形區域有較好區分結果。因此，在無人機HSI上，HSVI對植被的表征不敏感性較高。

圖7 大珠山指數不敏感性結果

綜上所述，本研究提出了一種新的植被指數HSVI，可以用于城市植被覆蓋度計算。該方法重新定義了VI的結構，充分利用了四個波段的高光譜信息，從而可以用于陰影條件下復雜環境中的植被提取，克服了高密度植被覆蓋地區的飽和問題。不同研究點的HSVI圖像分析表明，它明顯優于其他VIs。HSVI的局限性主要在于其組成波段相對獨特。這些波段很難在多光譜圖像中找到，通常只能在高光譜圖像中找到。

作者信息

孫根云，博士，中國石油大學海洋與空間信息學院教授，博士生導師。

主要研究方向：遙感大數據智能處理及應用、深度學習模型設計、熱帶亞熱帶遙感、多源遙感資源環境監測。

參考文獻：

Sun, G., Jiao, Z., Zhang, A., Li, F., Fu, H., & Li, Z. (2021). Hyperspectral image-based vegetation index (HSVI): A new vegetation index for urban ecological research. International Journal of Applied Earth Observation and Geoinformation, 103.

https://doi.org/10.1016/j.jag.2021.102529