背景

城市綠地（Urban green space, UGS）是城市環(huán)境重要的組成部分之一，可以顯著緩解許多城市問題，如調(diào)節(jié)城市氣候，緩解城市熱島效應，吸收顆?？諝馕廴疚铩Ｖ脖粩?shù)量和質(zhì)量是UGS的兩個重要屬性。植被數(shù)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(shù)法等。植被數(shù)量和質(zhì)量的準確估計至關(guān)重要。植被指數(shù)（Vegetation indices， VIs）可以為植被密度、葉面積指數(shù)和植被健康狀況的研究提供基礎支持。

植被指數(shù)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(shù)，如DVI、NDVI。然而，在高密度植被覆蓋區(qū)域，DVI、NDVI等常見VIs存在數(shù)值飽和問題。Huete等人發(fā)現(xiàn)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(diào)節(jié)植被指數(shù)（SAVI）。在SAVI的基礎上，建立了優(yōu)化土壤調(diào)整植被指數(shù)（OSAVI）?；诮嵌扰c基于比值的植被指數(shù)和基于正式統(tǒng)計框架的線性化植被指數(shù)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(tài)研究的傳統(tǒng)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(tài)研究。如今獲得的高光譜圖像（HSI），具有從可見光到紅外的數(shù)百個連續(xù)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(qū)分不同的材料。在城市地區(qū)，高層建筑產(chǎn)生的陰影占據(jù)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(xiàn)，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(shù)帶來了重大障礙。由于大多數(shù)城市植被分布在密集的區(qū)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(shù)（HSVI），從高光譜影像上對城市植被進行簡單有效的監(jiān)測。為了利用HSI所包含的豐富的光譜信息，我們將HSVI的構(gòu)建過程分為三個步驟：（1）構(gòu)建增強植被指數(shù)（EVI）;（2）構(gòu)建優(yōu)化增強植被指數(shù)（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(shù)據(jù)集來檢驗試驗結(jié)果。第一個HSI是休斯頓大學的數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)集有360個波段。

為了構(gòu)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(gòu)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(shù)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(qū)域的光譜特征（圖2）。紅邊（760 nm）在高植被覆蓋區(qū)域容易飽和。公式2是0-1范圍內(nèi)的單調(diào)函數(shù)，不通過非線性變換改變原值范圍。這些優(yōu)點保持了各種物體經(jīng)過非線性變換后的光譜曲線的原始順序和數(shù)值范圍。因此，采用指數(shù)函數(shù)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(yōu)化增強植被指數(shù)（OEVI）如公式3所示。

當植被密度過高時，歸一化差值植被指數(shù)（NDVI）容易飽和。因此我們將指數(shù)的分母替換為與植被密度呈強線性相關(guān)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(shù)據(jù)集上進行了三組試驗。第一組確定a參數(shù)。第二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。在第二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(shù)作為比較。

從前兩個數(shù)據(jù)集中確定參數(shù)a。參數(shù)a從0開始遞增，步長為2。隨著參數(shù)a從0增大到4，植被提取結(jié)果的OA和Kappa不斷增大。參數(shù)a達到4后，植被提取的OA和Kappa趨于穩(wěn)定。因此，將HSVI的參數(shù)a設為4。

圖2 不同相對植被覆蓋密度的光譜曲線

結(jié)論

對于表1中的上海戲劇學院數(shù)據(jù)集，DVI、MTVI2和OSAVI的OA和Kappa最低。它們的E_O值非常高，說明遺漏了一些植被。NDVI、SR和WDRVI精度最高。他們的E_C和E_O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的植被提取精度最高。HSVI具有最低的E_C和E_O，顯示了其在減少陰影和新材料對分類結(jié)果干擾方面的優(yōu)勢。對于休斯頓大學數(shù)據(jù)集，只有HSVI獲得了最好的植被提取精度。相反，其余6種VIs獲得了較高的E_O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(jié)論，HSVI改善了復雜條件下的植被提取。

表1 指數(shù)的最優(yōu)閾值及植被提取精度

圖3a表明，橢圓區(qū)域有大量的陰影植被。然而，在圖3b、e、f中，該區(qū)域DVI、MTVI2和OSAVI的植被提取結(jié)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的植被提取最為完整。

圖4進一步驗證了HSVI在復雜環(huán)境下提取植被的優(yōu)勢。橢圓區(qū)域表示植被被遮蔽的地方，矩形區(qū)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(jié)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的植被提取效果最好。結(jié)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(jié)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(qū)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(shù)相比，HSVI在航空HSI數(shù)據(jù)上表現(xiàn)良好。

圖3 上海戲劇學院植被提取結(jié)果：（a）偽彩色圖像，（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(jié)果：（a）偽彩色圖像，（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(jié)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(guān)性。從圖6a、c、d的散點圖分布可以看出，DVI、MTVI2、OSAVI與NDVI的相關(guān)性非常低，分布不均勻。結(jié)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(guān)性，擬合函數(shù)為曲線分布。結(jié)果表明，它們的不敏感性大于NDVI。同時，從圖6g可以看出，HSVI可以達到與當前最佳指數(shù)相同的水平。

圖6 大珠山不同指數(shù)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(shù)據(jù)集上獲得了不敏感性結(jié)果（圖7）。從圖7a可以看出，橢圓區(qū)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(qū)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(qū)域有較好區(qū)分結(jié)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(shù)不敏感性結(jié)果

綜上所述，本研究提出了一種新的植被指數(shù)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(jié)構(gòu)，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(huán)境中的植被提取，克服了高密度植被覆蓋地區(qū)的飽和問題。不同研究點的HSVI圖像分析表明，它明顯優(yōu)于其他VIs。HSVI的局限性主要在于其組成波段相對特殊。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(shù)據(jù)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(huán)境監(jiān)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.