基於高光譜影像的植被指數：一種新的城市生態研究植被指數

背景

城市綠地（Urban green space, UGS）是shi城cheng市shi環huan境jing最zui重zhong要yao的de組zu成cheng部bu分fen之zhi一yi，可ke以yi顯xian著zhu緩huan解jie許xu多duo城cheng市shi問wen題ti，如ru調tiao節jie城cheng市shi氣qi候hou，緩huan解jie城cheng市shi熱re島dao效xiao應ying，吸xi收shou顆ke粒li空kong氣qi汙wu染ran物wu。植zhi被bei數shu量liang和he質zhi量liang是shiUGS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、葉麵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，抑製背景信息。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）。jiyujiaoduyujiyubizhidezhibeizhishuhejiyuzhengshitongjikuangjiadexianxinghuazhibeizhishuyeyouzhuyujianshaobaohewenti。zhexiebeiguangfanshiyongdezhibiao，keyiyouxiaojiejuechengshishengtaiyanjiudechuantongwenti。

上述VIs主要適用於多光譜圖像，提供的光譜信息不足，無法用於精細尺度的城市生態研究。如今獲得的高光譜圖像（HSI），具ju有you從cong可ke見jian光guang到dao紅hong外wai的de數shu百bai個ge連lian續xu光guang譜pu帶dai。每mei個ge像xiang素su點dian的de光guang譜pu曲qu線xian可ke以yi作zuo為wei指zhi紋wen，用yong於yu識shi別bie和he區qu分fen不bu同tong的de材cai料liao。在zai城cheng市shi地di區qu，高gao層ceng建jian築zhu產chan生sheng的de陰yin影ying占zhan據ju了le遙yao感gan圖tu像xiang的de很hen大da一yi部bu分fen。然ran而er，由you於yu陰yin影ying中zhong的de光guang學xue信xin息xi非fei常chang少shao
，因yin此ci很hen難nan提ti取qu陰yin影ying植zhi被bei。城cheng市shi中zhong新xin材cai料liao的de出chu現xian，如ru體ti育yu場chang館guan的de人ren造zao運yun動dong表biao麵mian和he藍lan色se屋wu頂ding，也ye給gei植zhi被bei提ti取qu技ji術shu帶dai來lai了le重zhong大da障zhang礙ai。由you於yu大da多duo數shu城cheng市shi植zhi被bei分fen布bu在zai密mi集ji的de區qu域yu中zhong
，這zhe使shi得deVIs往往是飽和的，使植被密度評估進一步複雜化。

為了解決上述問題

，我們設計了基於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。然後評估了HSVI用於植被提取的準確性。

試驗設計

中國石油大學孫根雲教授團隊選擇了三個HSI數據集來檢驗試驗結果。第一個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光譜範圍，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）的無人機平台捕獲
，波長範圍覆蓋393 - 1012 nm光譜範圍，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、陰影不透水表麵
、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。由於861 nm和889 nm兩個波段的差值太小，我們設置增強係數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範fan圍wei內nei的de單dan調tiao函han數shu，不bu通tong過guo非fei線xian性xing變bian換huan改gai變bian原yuan值zhi範fan圍wei。這zhe些xie優you點dian保bao持chi了le各ge種zhong物wu體ti經jing過guo非fei線xian性xing變bian換huan後hou的de光guang譜pu曲qu線xian的de原yuan始shi順shun序xu和he數shu值zhi範fan圍wei。因yin此ci

，采cai用yong指zhi數shu函han數shu對dui易yi飽bao和he波bo段duan（760 nm）進行非線性變換。將公式2加入公式1之後，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。第一組確定a參數。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後，植被提取的OA和Kappa趨於穩定。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

對於表1中的上海戲劇學院數據集，DVI
、MTVI2和OSAVI的OA和Kappa最低。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麵錯誤地標記為植被。相比之下，HSVI的植被提取精度最高。HSVI具有最低的EC和EO，顯示了其在減少陰影和新材料對分類結果幹擾方麵的優勢。對於休斯頓大學數據集
，隻有HSVI獲得了*好的植被提取精度。相反，其餘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改善了複雜條件下的植被提取。

表1 指數的最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的植被提取最為完整。

圖4進一步驗證了HSVI在複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麵。從圖4c、f和g可以看出，由於陰影的幹擾，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
，大麵積植被被陰影覆蓋。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，有利於植被提取。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，它們的不敏感性弱於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，它們的不敏感性大於NDVI。同時
，從圖6g可以看出，HSVI可以達到與當前最佳指數相同的水平。

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，橢圓區多為裸岩，稀疏植被。但NDVI
、MTVI2、OSAVI值均在0.5以上
，如圖7c

、e、f所示，屬於高估。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，可以用於城市植被覆蓋度計算。該方法重新定義了VI的de結jie構gou，充chong分fen利li用yong了le四si個ge波bo段duan的de高gao光guang譜pu信xin息xi，從cong而er可ke以yi用yong於yu陰yin影ying條tiao件jian下xia複fu雜za環huan境jing中zhong的de植zhi被bei提ti取qu，克ke服fu了le高gao密mi度du植zhi被bei覆fu蓋gai地di區qu的de飽bao和he問wen題ti。不bu同tong研yan究jiu點dian的deHSVI圖像分析表明，它明顯優於其他VIs。HSVI的局限性主要在於其組成波段相對獨特。這些波段很難在多光譜圖像中找到，通常隻能在高光譜圖像中找到。

作者信息

孫根雲，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