鲍新雪 ，王晓红 ，吴 丛，杨 松，刘芳诚
(1.贵州大学 矿业学院，贵州 贵阳 550025；2.贵州大学 林学院，贵州 贵阳 550025)
基于ETM+影像的绿地信息提取方法研究
鲍新雪1，王晓红2，吴丛1，杨松1，刘芳诚1
(1.贵州大学矿业学院，贵州 贵阳 550025；2.贵州大学林学院，贵州 贵阳 550025)
摘要：文中以ETM+影像为数据源实现对贵阳市某城区的绿地信息提取。对获取的影像进行预处理，分别通过不同的方法：原始波段组合法、主成分分析法(PCA)、独立分量分析法(ICA)、归一化植被指数法(NDVI)及基于第一独立分量的实验室波段组合法，获取研究区的假彩色合成影像。将以上方法得到的影像数据进行对比分析，表明植被景观目视效果最好的是原始波段组合法。将得到的影像数据进行监督分类，通过目视解译的方法进行精度评价，结果表明，基于第一独立分量的实验室波段组合法绿地信息提取精度最高，是一种有效的绿地信息提取方法。
关键词：绿地提取 ；波段组合；独立分量分析；主成分分析；归一化植被指数
城市绿地是指城市中被自然的或是人工的植被所覆盖的场地，它的表现形态是复杂而多样的。城市绿地起着改善城市的生态环境、城市的外观风貌和旅游栖息条件的作用，同时还是衡量城市现代化水平的重要标志之一[1]。因此，能够实时了解当前城市绿化状况，不仅可以对当前的城市生活环境质量进行评估，而且还能对以后的绿化进行指导和规范。传统的测量方法很难及时提供绿地的现状信息，而现有的遥感技术则可以很好地解决这一问题，鉴于中低分辨率影像数据的便捷获取及易于推广，不少专家学者对绿地信息实时动态提取的实现进行了研究。
李宝华、孟华基于TM影像，通过提取归一化植被指数实现了开封市的绿地信息提取[2]；曹晓晨等基于遥感影像，通过波段组合实现了徐州市的绿地信息提取及现状分析[3]。王细元等以TM影像为依据，通过NDVI、子象元和神经网络方法实现了淮安市建成区的绿地信息提取[4]。秦及茹、徐天蜀基于TM影像，以最大似然分类方法和最小距离分类方法实现了香格里拉地区的绿地信息提取[5]。本文基于TM影像，以贵阳市主城区的某一区域为例，对该山区城市的绿地信息提取研究进行探讨。
1研究区概况及数据源
1.1研究区概况
贵阳市位于贵州省中部偏北，东经106°07′～107°17′，北纬26°11′～26°55′之间，地处云贵高原的东斜坡上，是全国东部向西部高原过渡地带。地形、地貌走势大致呈东西向延展，地势起伏较大，南北高，中部低。奇特的喀斯特地貌大量分布，既有高原山地和丘陵，又有盆地和河谷、台地，海拔872～1 659m。山城贵阳，已建设成一座美丽的城市，称誉为“祖国第二个春城”，现在被称为“林城”，即“森林之城”。
1.2数据源
由于贵阳市四季常青，所以遥感影像数据采用的是2014-03-16经过贵阳市的Landsat7ETMSLC-off卫星数字产品，条带号127，航编号47,太阳高度角51.78°，太阳方位角135.75°。该影像数据包括9个波段，其中第6波段为红外波段，分为低增益数据和高增益数据两个波段，分辨率均为120m；第8波段为全色波段，分辨率为15m，便于识别地物的几何特征。其他波段的分辨均为30m。本文采用的波段主要为1、2、3、4、5、7。
2数据预处理
由于贵阳市处于费雷尔环流圈，属于亚热带湿润温和型气候，年平均相对湿度为78%，年平均总降水量为1 129.5mm，年平均阴天天数为235.1d，所以很难获取不含云层遮挡的贵阳市影像数据，因此，首先要对获取的影像进行去云处理。由于Landsat7在2003年出现技术故障，之后获取的数据均具有条带遮挡，因此，要对获取的影像进行去条带处理。以1∶50 000的贵阳市地形图为基础进行几何校正，采用双线性内插法实现影像的重采样。随后进行辐射校正、边缘增强、拉伸处理等一系列预处理操作，最后截取部分贵阳市主城区的影像数据作为研究区域。本文采用的技术路线如图1所示。
图1 技术路线
3研究方法及实验结果
3.1原始波段组合法
由于影像的各波段间存在一定的相关性，所以基于遥感图像的专题信息提取有必要选择合适的波段或是波段组合，以减少不必要的计算。同样的，ETM+影像各波段间具有较高的相关性，波段间存在大量的冗余信息。为了尽量降低干扰，减少不必要的工作，在进行信息提取时要选择波段间相关性小，且包含信息量较大的波段组合。由于波段6(1)和6(2)属于热红外波段，分辨率较低，波段8是全色波段只为突出地表几何形态，所以本次试验均不把它们作为实验波段。通过ERDAS的图层信息查询工具(Layerinfo)及空间建模工具(MakeModel)仅实现对波段1～5和7的光谱信息统计及波段间相关系数计算，其统计计算结果如表1、表2所示。
表1 ETM+六波段光谱信息统计
标准差反映了影像灰度值的离散程度，是衡量影像信息量的重要指标[6]，值越大波段所含信息量就越大。由表1可知波段5的标准差最大，波段5包含的影像信息量最大。
表2 ETM+六波段相关系数
由表2的相关系数矩阵可以看出，均为可见光波段的1、2、3波段具有极高的相关性，波段间信息量冗余度较大；同为中红外波段的5、7波段相关性较高，冗余度也较大；处于中红外波段的4波段与其它波段相关系数较小，具有一定的独立性。
最佳波段的选择应遵循如下两个原则[7]：①波段或组合波段包含的信息量尽可能最大；②波段间相关性要尽可能小。所以本研究最佳波段组合应该选取波段1、2、3中的一个，波段4，波段5、7中的一个。本文采取常用的最佳指数(OIF)来选取最佳波段组合，OIF计算公式如下：
(1)
其中：Si代表第i个波段的标准差，Rij代表第i个波段和第j个波段间的相关系数。OIF值越大，代表波段包含的影像信息量越大。
几个最具可能性的波段组合的OIF值统计结果如表3所示。
表3 备选波段组合的OIF值统计结果
由表3统计结果可知，波段组合345的最佳指数(OIF)最大，表明该波段组合包含影像信息量较大，该组合波段间相关系数较小。由波段组合345合成的假彩色影像如图2所示。
图2 345波段假彩色影像
3.2主成分分析法(PCA)
主成分分析法(又称K-L变换)是建立在统计特征基础上的多维正交线性变换，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使得图像数据更易于解译，是当前遥感影像处理常用的数据压缩方法之一。对于ETM+影像，由于波段间的高度相关性，对全部波段进行分析是没有必要的，为了在尽可能保留信息的同时减少数据计算量，对影像进行主成分变换。经主成分变换后，95%以上的影像信息会包含在3个主分量PC1、PC2、PC3中，后面的主成分大多是噪声，不能提供有效的影像数据信息。由于主成分变换是在保留有效的影像信息前提下进行的处理，因此，诸多影像分类、特征提取等工作可以在主成分变换后的影像上进行处理。本文影像数据，经主成分变换后的3个主分量假彩色合成图如图3所示。
图3 PC1、PC2、PC3假彩色合成影像图
3.3独立分量分析法(ICA)
独立分量分析法是一种高效的影像数据压缩技术，是从盲信号分离技术发展起来的一种新方法，从观测信号出发，对已知信息量很少的源信号进行估计，获得相互独立的原始信号的近似值[8]。独立分量分析不同于主成分分析，主成分分析是基于二阶统计量的协方差矩阵，独立分量分析是基于高阶的统计量，所以独立分量分析不仅能够实现主成分分析的去相关特性，而且能够获得分量之间相互独立的特性，因此，独立分量分析能够获得较主成分分析更好的效果。影像数据经过独立分量分析可以获得较好的解译效果，本实验研究的影像数据，只生成包含影像有效信息的3个独立分量的波段影像，ICA1、ICA2、ICA3，3个独立分量的假彩色合成影像如图4所示。
图4 ICA1、ICA2、ICA3假彩色合成影像图
3.4归一化植被指数法(NDVI)
植被指数是多光谱遥感应用领域对植被进行研究的主要技术手段，植被光谱表现为植被、土壤、阴影、环境等的复杂混合反应，而且还受大气空间时相变化等的影响，因此，植被指数不是一个固定的值，是一个变化的量[9]。植被指数的种类有很多，包括归一化植被指数(NDVI)、差值植被指数(DVI)、全球环境监测植被指数(GEMI)、比值植被指数(RVI)等[10]。最为常用的是归一化植被指数，经比值处理的NDVI不仅能够削弱与大气条件相关的负影响而且也可减轻云层、角度等的影响；在裸露的地表NDVI为负数有植被覆盖的情况下NDVI值大于零，且随着植被覆盖度的增大而增大[11]。
本文实验研究采用归一化植被指数(NDVI)实现绿地信息的提取，NDVI是通过近红外波段和可见光波段进行比值运算的结果，计算式如下:
(2)
通过ERDAS中的空间建模工具(Spatial Modeler)建立植被指数计算模型,获取影像的NDVI提取结果，如图5所示。
图5 NDVI提取结果图
3.5实验室波段组合法
为了更好地进行影像信息的提取，有时仅仅只考虑影像的原始波段数据是不够的，应该把主成分分析、植被指数等衍生的波段数据考虑在内。目前常用的方法是首先把选中的进行原始波段组合的各波段、第一主成分波段及植被指数波段进行波段间相关性分析，然后选择波段间相关性较小的波段进行组合。本文在前人研究的基础之上，提出用第一独立分量波段数据代替第一主成分波段数据和ETM+3，4，5波段及NDVI波段数据进行相关性分析，分析结果如表4所示。
表4 ETM+3，4，5，ICA1，NDVI波段间相关系数矩阵
由表4分析可知,波段4、ICA1、NDVI间相关性最差，用这3个代表着不同性质的差值影像计算波段进行组合，其假彩色合成影像如图6所示。
图6 实验室波段组合影像图
3.6 结果分析与评价
把上述通过不同方法获得的影像根据研究区实际情况和目视效果，反复对比表明，基于原始波段组合的方法能够获取最好的植被景观目视效果，通过该方法得到的合成影像可以看出，该研究区处于树木葱郁的山林之中。为了获取不同方法植被信息的提取精度，需要在对影像实现分类的基础上进行精度评定。本实验研究采用监督分类的方法实现对不同方法获取的影像进行分类，借助Erdas软件的精度评价功能，随机生成200个点，通过目视解译及实地考察的方法对研究区影像的分类结果进行精度评定。结果表明：虽然原始波段组合法的植被目视景观效果最好，但是容易把草皮和裸地误分，而且很难区别开乔木丛和灌木丛；主成分分析法能够突出体现道路和房屋区域；独立分量法获取的影像较主成分分析法获取的影像层次更加鲜明，地物分类更为细致；归一化植被指数法获取的影像可以很好地区分植被和非植被，但是容易出现植被多判的情况；基于第一独立分量的实验室波段合成法能够较好地区分开草皮和裸地、乔木丛和灌木丛，精度较高。不同研究方法的结果分类精度如表5所示。
表5 不同实验方法分类精度
由表5数据分析可知，5种方法均能在某种程度上满足人们分类信息提取精度的要求，但是基于第一独立分量的实验室波段组合方法的绿地信息提取精度最高，是一种可行的绿地信息提取方法，基于该方法的研究区地物分类图如图7所示。
图7 研究区分类专题图
4结束语
本文利用遥感技术，对研究区遥感影像各波段进行相关性分析并通过计算最佳指数(OIF)，选取相关性最小且包含影像信息量最大的波段ETM+3，4，5，实现3个波段影像的组合。同时对影像进行独立分量分析、植被指数分析等，并实现了5个波段的相关性分析，选取分别代表不同性质的3个波段完成实验波段组合，结果表明，基于独立分量的实验室波段组合法是一种便捷、有效的植被信息提取方法，能够满足当前对城市绿地信息获取的要求。本实验研究的创新之处在于首次提出将第一独立分量波段参与到其他波段的组合分析中，结果表明是一种可行的绿地信息提取方法。但是本次试验没有顾忌到研究区的山区阴影问题及混合象元的问题，有待进一步探究。
参考文献
[1]王庆日.城市绿地的价值及其评估研究[D].杭州:浙江大学,2003.
[2]李宝华,孟华.基于TM影像的开封市绿地信息提取研究分析[J].泰山学院学报,2005,27(6):94-98.
[3]曹晓晨,景海涛,赵明福.基于TM影像的徐州市的城市绿地信息提取及现状分析[J].苏州科技学院学报(自然科学版),2009,26(3):72-75.
[4]王细元,孟君陶,程杨.基于TM影像的城市建成区绿地提取方法研究[J].测绘与空间地理信息,2014,37(12):53-55.
[5]秦及茹,徐天蜀.基于TM数据的遥感分类方法对比研究[J].绿色科技,2015(1):272-273.
[6]郭娜,刘剑秋.TM遥感影像植被信息提取的最佳波段组合选择——以福建省松溪至建瓯高速公路为例[J].福建师范大学学报(自然科学版),2012,28(1):103-107.
[7]许泉立,易俊华.一种基于最佳指数模型的TM遥感影像最佳波段组合计算方法[J].测绘与空间地理信息,2014,37(4):32-35.
[8]党安荣.ERDAS IMAGINE遥感图像处理教程[M].北京:清华大学出版社,2013.
[9]姚静,武文波,康停军.基于TM影像的城市绿地信息提取方法研究[J].测绘科学,2010,35(1):113-115.
[10] BRUZZONE L. Detection of Changes in Remotely-sensed Images by the Selective Use of Multispectral information [J]. Int J Remote Sensing,1997,18(18):3883-3888.
[11] 白兰东,苟叶培,邵文文,等.基于多角度的植被指数与叶面积知识的线性关系研究[J].测绘工程,2016,25(1):1-4.
[责任编辑：刘文霞]
DOI:10.19349/j.cnki.issn1006-7949.2016.10.006
收稿日期：2016-03-29
基金项目：贵州省科技计划课题(黔科合LH字[2014]7649)；贵州省自然科学基金资助项目(黔科合J字[2014]2070号)
作者简介：鲍新雪(1991-),女,硕士研究生.
中图分类号：TP75
文献标识码：A
文章编号：1006-7949(2016)10-0026-05
Research on information extraction method of green space basedon ETM+remote sensing image
BAO Xinxue1, WANG Xiaohong2, WU Cong1,YANG Song1, LIU Fangcheng1
(1.CollegeofMining,GuizhouUniversity,Guiyang550025,China; 2.CollegeofForestry,GuizhouUniversity,Guiyang550025,China)
Abstract：Using the TM image as data source, this paper accomplishes the green land information extraction of Guiyang City with the original bands combination method, independent components analysis method(ICA), normalized difference vegetation index(NDVI), laboratory band combination method and the first time independent component(ICA1) band. Comparing and analyzing the images data obtained from the above methods it indicates that the vegetation landscape of the original band combination method has the best visual effects, and the laboratory band combination method based on first independent component has the highest accuracy, which is a good method of city green space information extraction.
Key words：green space extraction; band combination; independent components analysis; principal component analysis; normalized difference vegetation index
