基于遥感数据的植被信息提取

基于遥感数据的植被信息提取

李刚

合肥市测绘设计研究院，合肥 230001

摘要：植被具有保障土壤水分、巩固土壤硬度、防止沙尘暴、保存地下水等功能，所以研究植被是个非常重要的课题。本文研究遥感影像中植被信息的提取，以池州市Lanstand8遥感影像为主要数据源，通过ENVI波段运算对池州市遥感影像利用NDVI，SAVI，FV植被覆盖度进行植被指数的提取，在NDVI方法中阈值为0.3时提取信息最完整的，在SAVI方法中阈值为5.69时提取信息最完整的，在FV植被覆盖度阈值方法为0.4时提取信息最完整的，可以得出SAVI方法与监督分类结果最为吻合。

关键字：植被；NDVI；SAVI；监督分类

1引言

植被在生态系统中发挥着非常重要的作用，是生态系统的重要组成部分。研究植被覆盖情况可以得到生态系统中重要基础数据，在建立监测模型中和实际运用中往往都需要提取植被信息，植被不仅在实际生产生活发挥着非常重要的作用，而且在地理科学研究中起到不可或缺的作用，因此提取研究植被信息是十分重要的课题。

2遥感数据植被信息提取基本理论

2.1 植被及其相关地物的光谱特性

（1）植被与土壤反射光谱

影响土壤光谱曲线的变化主要的是土壤中的颗粒大小情况，基本上都是从5%或10%增加到40%，在一定波长范围内反射率值一直增加，植被的反射率值是先增加后减少，土壤光谱曲线和植被存在明显的区别。

（2）植被与水体的反射光谱

在一般看来水体的反射率值比较低，基本上在10%左右，而且反射率值随着波长的增加逐渐减小，最后趋于0。

2.2 遥感数据植被提取方法

(1)基于NDVI植被信息提取

Rouse在1974年使用了归一化差异植被指数，这种方法可以应用在研究植被生长状态和提取影像中需要的信息（如植被）等方面，NDVI计算公式可表达为：

NDVI =(R近-R红 )/(R近+R红)                       

式中R近表示原始影像中的近红外波段即band5，R红表示原始影像中的红波段即band4，NDVI的取值在-1到1之间。

(2)基于植被覆盖度的植被信息提取

植被在地面的垂直投影面积占统计区总面积的百分比是植被覆盖度的意思，植被覆盖度主要应用于气候、植被变化、水土保持等方面，植被覆盖度的公式表示为：FV= (NDVI – NDVI小)/ ( NDVI大– NDVI小)    

式中NDVI表示NDVI图像，NDVI小表示NDVI图像中的最小值，NDVI大表示NDVI图像中的最大值。

(3)基于SAVI植被信息提取

SAVI在NDVI的基础上根据实际情况添加了土壤调节系数，消除了NDVI由于对土壤背景敏感而出现的偏差，可以得到更加精确的植被信息。L﹦0时，表示植被覆盖度为零；L﹦1时，表示土壤背景的影响为零，即植被覆盖度非常高。我们一般取L=0.5，这样得到的结果精度较高，因为基本上消除了土壤反射所带来的误差。SAVI计算公式可表达为：SAVI=(R近-R红)(1+L)/(R近+R红+L)                   

式中式中R近表示原始影像中的近红外波段即band5，R红表示原始影像中的红波段即band4，其中L为土壤调节系数，一般取值范围0~1。

3植被信息提取

3.1基于NDVI植被提取

（1）利用NDVI公式进行实验，在band math中设置编写公式((float(b1)-b2)/(b1+b2))，在原始影像中选择波段，令b1=band5(近红外波段)，b2=band4(红波段)。

（2）在band math中设置公式为b1 gt 0.3（提取出Data数据大于0.3的信息），在得到的图像里植被信息Data=1，图像内其他的Data=0，得到的图像中提取植被信息比较清晰完整，基本上都提取出来了。

（3）在band math中设置公式为b1 gt 0.4（提取出Data数据大于0.4的信息），在得到的图像里植被信息Data=1，图像内其他的Data=0。

当阈值为0.2时有些不是植被信息的被提取出来了，阈值0.4时有些是植被信息没有被提取出来，阈值0.3提取的植被信息比较完整。

3.2 基于植被覆盖度的植被信息提取

（1）基于植被覆盖度的植被信息提取，首先用NDVI公式对原始数据进行实验，然后在利用FV公式，在Statistics Results中可以得到NDVI小=-0.192111，NDVI大=0.955388。接下来在band math中设置编写公式(b1+0.192388)/(0.955388+0.192111)，令b1为NDVI影像图。

（2）在band math中设置公式为b1 gt 0.3（提取出Data数据大于0.3的信息），在得到的图像里植被信息Data=1，图像内其他的Data=0。

（3）在band math中设置公式为b1 gt 0.45（提取出Data数据大于0.45

的信息），在得到图像里植被信息Data=1，图像内其他的Data=0，得到图像中有许多植被信息没有被提取出来。

当阈值0.3时有些不是植被信息的被提取出来了，阈值0.45时有些是植被信息没有被提取出来，阈值0.4提取的植被信息比较完整。

3.3 基于SAVI植被信息提取

(1)根据实际情况暂定L﹦0.5，植被信息提取的实验利用SAVI公式，接下来在band math中设置编写公式1.5*（b1-b2）/(b1+b2)，在原始影像中令b1=band5(近红外波段)，b2=band4(红波段)。

（2）在band math中设置公式为b1 lt 0.61（提取出Data数据大于0.61的信息），在得到的图像里植被信息Data=1，图像内其它Data=0，得到的图像提取植被信息比较清晰完整，基本上都提取出来了。

（3）在band math中设置公式为b1 lt 0.56（提取出Data数据大于0.56的信息），在得到的图像里植被信息Data=1，图像内其它Data=0，得到图像中有许多植被信息没有被提取出来。

当阈值0.61时有些不是植被信息的被提取出来了，阈值0.56时有些是植被信息没有被提取出来，阈值0.7提取的植被信息比较完整。

4质量评价

4.1 监督分类

对影像进行监督分类，在主视图窗口下选择工具ROI TOL，将观察到的地物类别在ROI name中写出来依次为：为水体，植被，裸地，再利用ROI-TYPE中的polygon画出分类的训练区。在ROI TOL中保存好监督分类的结果，在主菜单里打开监督分类结果，绿色部分为植被部分,蓝色部分为裸地，红色为水体。

图1监督分类图像

4.2评价

利用NDVI，SAVI，FV植被覆盖度这三种方法在最佳阈值时提取的结果与监督分类的结果比较，可以得出NDVI方法精度为81%，FV植被覆盖度方法精度为84%，SAVI方法精度为92%。由此可以得出其中最好的提取方法为SAVI方法。

5结论

本文以池州市的landsat8遥感影像为数据源，通过ENVI软件对池州市遥感影像图进行植被指数的提取以及计算，得出池州市的植被图像。利用三种方法对实验处理得到，通过设置不同阈值从而得到不同程度清晰度的结果，与监督分类方法相比较，可以判断出运用三种方法得出运用SAVI方法时提取精度提取结果符合度最高，在以后的提取植被研究中可以直接采取这种方法，可以得到精度较高的图像。