论文部分内容阅读
摘 要：本文基于SPOT5影像，以连云港市为实验区，研究了城市植被信息遥感提取的方法和技术。通过对研究区SPOT5影像的近红外波段、红光波段和绿光波段典型地物光谱信息的统计分析和对比研究，发现NDVI植被指数法用于增强绿色植被的效果最好。研究成果对于连云港地区绿化结构，优化植被空间结构，使城市植被充分、高效地发挥其生态效益和使用功能具有重要的理论意义和实践价值。
关键词：遥感；城市植被；SPOT5；植被指数；信息提取
1 概述
城市植被作为城市生态系统的重要组成部分，对于改善城市环境质量，提高居民生活水平具有重要作用。因此，城市植被的研究是人们对城市发展预测至关重要的任务。随着遥感技术的不断发展，遥感技术已经广泛运用于各个领域。在城市规划方面，遥感技术可以实现土地动态监测，空气质量的监督控制和城市环境的规划建设等。近几年国内许多城市将遥感技术应用于植被覆盖度信息提取中，动态掌握植被覆盖的区域，优化植被空间结构，提高城市可持续发展潜能，实现植被的整体规划。利用遥感影像进行城市植被覆盖度信息提取，比传统方式更加优越。它具有视域范围广、信息量多、重复周期短、图像清晰、资料收集方便等优点。城市植被遥感主要研究城市绿化系统分析及规划，是遥感技术应用的重要领域之一， 利用遥感技术不仅能够准确判定和量测绿化覆盖面积， 且对于判别植被的类型、结构乃至识别植物种类等都显得十分有效。随着遥感影像分辨率的不断提高， 国内大部分城市己经采用如TM、SPOT、ETM+等影像数据来进行城市植被的调查及生态规划，从而为城市生态规划及城市建设提供方案及依据。
因此， 本文基于SPOT5遥感影像对连云港某地区的城市植被进行提取。首先，对原始遥感影像进行裁剪得到连云港地区的影像图。其次，运用多种植被指数法对研究区图像进行增强处理，并通过比较得出NDVI（归一化植被指数）对植被的增强效果最好。最后，在NDVI指数图像上通过统计阈值，提取研究区的植被信息。
2 城市植被在SPOT5影像中的特征
2.1 城市植被及其地理特征
2.1.1 城市植被
城市植被指城市范围内的全部植被，包括自然生长的和人工栽培的各种植被类型。城市植被的定义分为广义城市植被和狭义城市植被。广义城市植被指城市规划区范围内的各种植被。包括六大类型：公共植被，即各种公园、休憩林荫带；居住区植被；交通植被；附属植被；生产防护植被；位于市内或城郊的风景区植被，即风景游览区、休养区、疗养区等。狭义城市植被指面积较小、设施较少或没有设施的绿化地段，区别于面积较大、设施较为完善的“公园”，主要包括公共植被、生产和防护植被两类。
本文中所说的城市植被指广义城市植被。城市植被不仅为城市环境增添了色彩，改善了城市气候，也是一个区域发展的重要影响因素。
2.1.2 研究区植被的地理特征
连云港全区位于东经118°24′～119°48′和北纬34°～35°07′之间，东西长129公里，南北宽约132公里，水域面积1759.4平方公里。东临黄海，与朝鲜、韩国、日本隔海相望；西与徐州新沂市、宿迁市沭阳县毗邻；南与淮安市涟水、盐城市响水2县相连；北与山东郯城、临沭、莒南、日照等县市接壤。连云港市位于鲁中南丘陵与淮北平原的结合处，地势由西北向东南倾斜，形如一只飞向海洋的彩蝶。境内以平原为主，兼有丘陵、山地、湖泊、滩涂等。有大小山峰214座，云台山主峰玉女峰海拔624.4米，为江苏省的最高峰。境内河网稠密，连云港市有标准海岸线162公里，21个岛屿，其中东西连岛为江苏第一大岛，面积7.57平方公里，基岩海岸是江苏省独有。
2.2 城市植被的遥感影像特征
遥感影像特征主要有光谱特征和空间特征，我们了解遥感影像特征的目的是为了更好的解译遥感影像中的各类地物，为军事、农业、环境、地学和各类决策提供有效的技术支撑。因此研究遥感影像的特征就是一项非常重要而且困难的工作[1]。
2.2.1 光谱特征
图像上的波谱信息表现为已经量化的辐射值，即图像的亮度/灰度值/像元值，它是一种相对的量度。像元值间接反映了地物的波谱特征，不同的地物有着不同的像元值，当然把同谱异物排除。遥感图像解译中识别不同地物的一个重要标志就是图像的像元值差异。光谱特征可具体为提取目标物的颜色、灰度或波谱间的亮度比等。
SPOT5影像是由SPOT5卫星搭载3种传感器——除了前几颗卫星上的高分辨率几何装置（HRVIR）和植被探测器（VEGETATION）外，还有一个高分辨率立体成像（HRS）装置获取的遥感影像，包括以下5个波段[2]。
PA：0.51～0.73um，全色波段。地面分辨率较高，为2.5m，可用于农林调查和规划，城市规划和较大比例尺专题制图。
B1：0.50～0.59um，为绿波段。波段中心位于叶绿素反射曲线最大值，即0.55um处，处于水蒸气衰减最小值的长波端，对于水体混浊度评价以及水深10～20m以内的干净水体的调查是十分有用的。
B2：0.61～0.68um，为红波段。位于叶绿素吸收带，受大气散射的影响较小，为可见光最佳波段，用于识别裸露的地表、植被、土壤、岩性地层、地貌现象等。
B3：0.78～0.89um，为近红外波段。能够很好地穿透大气层。在该波段，植被表现的特别明亮，水体表现的特别黑。
B4：1.58～1.75um，为短红外波段。用于探测植物含水量及土壤湿度，区别云与雪。
由于城市植被信息在B1、B2和B3波段的光谱特征明显，所以本文选择这三个波段的数据进行城市植被信息的提取研究。
在不同植物的光谱曲线中， 反射率涨落最大的是近红外区。不同的植物种类，如阔叶乔、灌木和草地在该波段具有较高的反射率，而针叶树的反射率也会有10%～20%的涨落，一般春末夏初反射较高，而秋季较低。此外植物的健康程度也会在近红外波段有所显示，对于同一种植物而言，受环境污染及病虫害影响的反射率较低，健康植物的反射率较高。植被指数有助于增强遥感影像的解译能力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。 费鲜芸[3]在研究山东省泰安市城区60km2范围内的城市植被时，运用SPOT5 2.5m全色波段和10米多光谱波段，对该城区的各种城市植被、耕地、居民区和水域等地物进行光谱特征分析，对各波段的灰度值范围及灰度平均值进行统计，统计结果如图1所示。
图1 几种典型地物的光谱曲线
各种植被、耕地和水域在红色（red）波段（第二波段），近红外（near infrared）波段（第三波段）与道路和居民区能较好区分，同时裸地与不同植被类型在各波段有不同程度的光谱重叠，利用单一波段难以区分。水域在第一波段和第四波段反射率都较低，可以与其他各类别较好地区分，个别水域在水泥筑底的浅水区域存在少量的与道路有较少的重叠现象，会影响分类精度。
本文通过对连云港某地区遥感图像的亮度值进行统计，得到几类典型地物的光谱信息，如图2所示。
图2 典型地物的光谱曲线
从图中可以看出四类地物的光谱曲线变化相似，纵向比较时发现，植被的亮度值与其他类别有较多的交集，与河流也存在部分交集。故在信息提取时会导致信息的误提。
2.2.2 空间特征
空间特征是通过图像的像元值在空间上的变化反映出来的，包括图像上有实际意义的点、线、面或区域的空间位置、纹理、形状、大小、边缘和线性构造等，这些都属于空间特征。
①纹理特征
纹理又称质地，是遥感影像上重要的信息，是由于像片比例尺的限制，物体的形状不能以个体的形式明显的在影像上表现出来，而是以群体的色调、形状重复所构成的、个体无法辨认的影像特征。不同物体的表面结构特点和光滑程度是不一致的，在遥感影像上形成不同的纹理质地。纹理具有如下特征：
a纹理具有局部的随机性和整体上的统计规律性；
b复杂纹理是简单纹理的组合；
c纹理是图像中某个区域共同的特征，对于单一的像元没有纹理可言；
d不同的分辨率下纹理也是不同的。
城市植被的纹理特征提取主要运用灰度共生矩阵、自相关法和小波变换等方法，常用的纹理特征值是熵。申广荣[2]等利用SPOT影像，以福建省泉州市鲤城区为例，在详细分析研究区植被不同类别纹理差异的基础上，利用统计和小波分析方法提取纹理信息，并将其引入基于光谱分类的最大似然法进行植被信息的提取分类，结果分类精度比监督分类提高了4个百分点。
②边缘特征
边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，存在于对象和背景、对象和对象、区域和区域之间。边缘总是存在于两个有不同灰度的区域之间，这是由于两个区域之间的灰度是不连续的。地物的轮廓又叫地物的边缘列表，或一条边缘列表的曲线模型。边缘特征可以分割图像，不同的图像对象灰度不同，边界处一般有明显的边缘特征。边缘特征也是纹理分析等其他图像分析的重要信息源和形状特征基础。
城市植被的边缘特征是指图像上植被周围与其他地物灰度变化的分界，基本上体现了城市植被的轮廓。
③形状特征
形状是地物外貌轮廓在影像上的相似记录，任何物体都具有一定的外貌轮廓，在遥感影像上表现出不同的形状，如：游泳池是长方形，足球场则是两端为弧形的长方形，水渠为长条形，公路为蜿蜒的曲线型等。物体在影像上的形状细节显示能力与比例尺有很大关系，比例尺愈大，其细节显示愈清楚；比例尺愈小，其细节就愈不清楚，即地物形状根据比例尺在影像上的表现不同。但应当注意，遥感影像上所表现的形状与我们平常在地面所见的地物形状有所差异：a遥感影像所显示的主要是地物顶部或平面形状，是俯视图；b遥感影像是中心投影，物体形状在影像边缘会发生变形。城市植被在形态上比较规则，有矩形、环形、带状和零星点状等特点，如街道绿化带呈矩形或带状分布。
3 基于SPOT5影像的城市植被信息遥感提取
3.1 遥感图像的预处理
本文研究的是城市植被覆盖度信息提取的方法，由于原始图像范围过大，包含的其他信息较多，故需要对原始图像进行裁剪，确定研究区范围。原始图像如图3所示，裁剪后图像如图4所示。
图3 原始图像 图4 裁剪图像
裁剪后的图像是连云港城区的某一区域，从图中可以看出城市植被、道路、河流、建筑物和其他地类。其中，城市植被的分布较规则，多在建筑物周围、广场和道路两旁等地。
3.2 传统的植被覆盖度信息提取方法
传统的植被覆盖度信息提取方法包括监督分类、非监督分类法、计算机分类新算法和目视解译等方法。目视解译法要求解译者运用遥感影像上不同地物所表现出的颜色、色调、形状、大小及纹理特征来判读影像，费时费力且精度不高。下面就只介绍监督分类、非监督分类和计算机分类新算法。
3.2.1 监督分类与非监督分类
监督分类需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本，通过选取特征参数（如像元亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。通过对监督分类的结果图与原图像的对比，可以看出植被信息误提严重，对河流的分类较好，道路提取有一定的信息缺失。
非监督分类指在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的归为一类）的方法。常用方法有K-均值聚类法（K-mean）和动态聚类法（ISODATA）。
通过非监督分类结果图与原图像的对比，可以看出植被、建筑物等信息提取的精度都不高，比监督分类的结果还要差一些。由于遥感图像普遍存在的“同物异谱”及“异物同谱”现象，使得非监督分类的精度很有限，而监督分类对训练场的选择存在很大主观 因素，对于训练者不知或因数量太少未被定义的类别，监督分类也不能识别。所以无论监督分类还是非监督分类都存在很大的局限性。
3.2.2 植被指数法
植被指数提取是遥感监测地面植物生长和分布的一种方法。它通过植被的光谱特征来说明植被的生长状况和覆盖范围。由于不同绿色植物对不同波长光的吸收率不同，光线照射在植物上时，近红外波段的光大部分被植物反射，而可见光波段的光大部分被植物吸收。通过对近红外和红光波段反射率进行线性或非线性组合，可以消除地物光谱产生的影响，得到的特征指数就是植被指数。目前，在科学文献中发布了超过150种植被指数模型，在这些植被指数中只有极少数经过系统的实验检验。
植被指数虽然有好多种，但常用的植被指数有：归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）、正交植被指数（PVI）和土壤调节植被指数（SAVI）等。
①归一化植被指数
归一化植被指数（NDVI）增加在近红外波段范围内绿叶的散射与红色波段范围内叶绿素吸收的差异，增强了植被信息。它是检测植被生长状态、植被覆盖度、消除部分辐射误差等的一种重要指标。
针对SPOT5影像，NDVI的计算公式为：
NDVI=（NIR-Red）/（NIR+Red） （1）
式中，NIR代表近红外波段，Red代表红光波段。通过计算得到NDVI植被指数图像，在图像中白色、灰白色图斑代表植被覆盖率高或比较高。
②比值植被指数
比值植被指数（RVI）是指在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的比值。比值植被指数主要用于研究植物的长势和作物估产。
针对SPOT5影像， RVI的计算公式为：
RVI=NIR/Red （2）
通过计算得到图像，在图像中白色、灰白色图斑代表植被覆盖率高或比较高。
③差值植被指数
差值植被指数是近红外波段和红色波段的差值，对土壤背景的变化极为敏感，有利于对植被生态环境的监测。
针对SPOT5影像， DVI的计算公式为：
DVI=NIR-Red （3）
通过计算得到图像，在图中白色、灰白色图斑代表植被覆盖率高或比较高。但对于建筑物周围，花园中的零星植被增强较差。
④正交植被指数
正交植被指数（PVI）是指在R-NIR的二维坐标系内，植被像元到土壤亮度线的垂直距离。PVI能较好地消除了土壤背景的影响，多用于农作物的估产。
针对SPOT5影像， PVI的计算公式为：
PVI=1.6225（NIR）-2.2978（R）+11.0656 （4）
通过计算得到，在图中白色、灰白色图斑代表植被覆盖率高或比较高。但河流的亮度值与建筑物等其他地物接近，不好区分。
总之，植被指数的类型多、影响因子多、应用领域也很广，那么使用者需要根据国内实际情况，选择合适的模型达到增强的效果最优。
3.2.3 城市植被覆盖度信息提取实验与分析
①城市植被覆盖度信息提取
经过上述各种植被指数法的增强处理图像与原图像的对比研究，得出NDVI植被指数法增强效果最好。为更好的提取植被信息，必须对研究区分类画出感兴趣区域，统计研究区内各地类的光谱特征，分析各地物在每个波段的相关性。通过对研究区亮度值的统计，确定植被覆盖度信息提取的阈值。
首先，运用ENVI4.7图像处理软件分类画出感兴趣区域，并统计出各类地物的光谱值，如表1所示。
表1 典型地物样区亮度值统计表
[波段＼&统计值＼&植被＼&河流＼&道路＼&其他＼&B1＼&最小值
最大值
均值
方差＼&63
130
108.169492
14.039541＼&55
76
64.694444
5.290528＼&193
233
215.400000
11.428260＼&112
255
160.894737
33.453958＼&B2＼&最小值
最大值
均值
方差＼&73
148
119.593220
17.600077＼&63
88
75.916667
6.469158＼&179
215
199.775000
9.341080＼&100
233
138.000000
30.090340＼&B3＼&最小值
最大值
均值
方差＼&63
123
99.406780
13.457620＼&72
99
87.055556
7.082955＼&173
217
201.275000
11.466758＼&93
233
130.771930
29.937445＼&]
从表1不难看出植被在B2波段亮度值最高，说明植被在该波段的反射率最高，而在B3波段亮度最低，说明植被在该波段的吸收最强。
其次，将通过NDVI植被指数法增强的研究区图像打开，右击图像附加刚绘制的感兴趣区域，统计各地物的灰度值，如图5所示。其他各类地物也如法炮制，经过汇总得到NDVI图上的各地物亮度值，如表2所示。
图5 ROI在NDVI图上的统计结果
表2 各类地物样区特征波段值统计表
[波段＼&统计值＼&植被＼&河流＼&道路＼&其他＼&NDVI＼&最小值
最大值
均值
方差＼&0.018018
0.152542
0.091107
0.032397＼&-0.078947
-0.058824
-0.068501
0.005504＼&-0.013193
0.030812
-0.003468
0.008971＼&0.000000
0.050505
0.028243
0.013946＼&]
再次，结合上表中各地物在NDVI图像上的灰度值，可以看出植被在NDVI波段的亮度值与河流、道路差异显著，与其他地类会有一定的混淆，经过多次实验得到统计阈值为（0.03-0.152542），提取的植被信息结果图如图6所示。其中白色为植被信息，黑色是除植被以外的河流、道路等其他信息。将提取图像与原图像叠加对比，可以看出图中箭头所指地方信息非植被覆盖度信息提取过多、存在误提现象。
图6 第一次设定阈值提取的结果
最后，优化结果。经过多次模型改进试验，得出将NDVI图与NDVI下提取的结果（阈值为0.03～0.152542）进行减运算，然后在此图的基础上进一步提取植被信息得到的结果较前面提取的结果更好。两幅图像做减法运算的结果图如图7所示，统计亮度值如表3所示。
图7 NDVI波段与在NDVI上提取的结果做减运算的结果
表3 各地物的亮度值统计表
[波段＼&统计值＼&植被＼&河流＼&道路＼&其他＼&Band＼&最小值
最大值
均值
方差＼&-0.958678
0.152542
-0.858045
0.217909＼&-0.078947
-0.058824
-0.068501
0.005504＼&-0.969188
0.014164
-0.028468
0.152717＼&-0.969697
0.030000
-0.518927
0.490408＼&]
通过对上表各地物亮度值的统计，经过多次实验的到提取效果最好的阈值范围（-0.96～-0.085），提取的最终结果如图8所示。
图8 第二次统计阈值（-0.96～-0.085）提取的结果
②结果分析
通过以上植被覆盖度信息提取的比较，可以看出，单纯从NDVI图像上通过统计阈值提取的植被信息要么将非植被提取出来，要么就将建筑区周围的绿化带提取不全，存在很大的缺陷。
比如，在ENVI4.7遥感处理软件下的Basic Tool菜单下选择Band Manth工具，输入波段计算的公式：b1 gt X and b1 lt Y
其中，X、Y就是阈值。当阈值分别设置为（0.05～0.152542）和（0.03～0.152542）时，得到提取结果分别如图9、10所示。
图9 阈值为0.05～0.152542 图10 阈值为0.03～0.152542
时的提取结果 时的提取结果
从两幅图上可以明显看出，图9中一些地方在图10提取效果较好，将建筑物周围的绿化带提取较全，如框线部分。而图10中一些地方图9中提取较好，没有将非植被地区误提为植被。所以说单纯的通过统计阈值来提取植被，存在很多的信息误提和漏提。所以对现有的模型进行了改进，将NDVI植被指数图像与在NDVI图像上取阈值为（0.03～0.152542）得到的图像做减法运算得到一个灰度图像，然后在此图像的基础上再次统计阈值（-0.96～-0.085）得到图8。从图8上我们可以看出图10和图9中框线所指的两个区域，植被覆盖度信息提取都得到明显的改善，提取精度远远高于改进前的结果。
4 结论
本文基于SPOT5遥感影像，结合ENVI4.7软件对连云港地区的城市植被信息进行提取。首先利用传统的植被覆盖度信息提取方法对研究区进行了实验，实验方法主要是监督分类和非监督分类法，得到的分类结果均不理想，误提信息较多。所以本文选择了植被指数法对研究区植被信息进行增强处理，通过对比研究得出NDVI植被指数法更适合该地区城市植被信息的提取。虽然图像中的植被信息被增强了，但是提取精度仍然不高。故对本模型进行了改进。
改进模型是将NDVI植被指数图像与该图像的提取结果（阈值为0.03～0.152542），做减法运算，并通过对计算后图像中植被灰度值的统计分析，利用最佳阈值将植被信息从影像中提取出来，该方法具有较好的提取精度。
参考文献：
[1]卢玉东，尹黎明，等.利用TM影像在土地利用/覆盖遥感解译中波段选取研究[J].西南农业大学学报，2005，27（4）：480-486.
[2]申广荣，等.基于纹理特征的SPOT植被覆盖度信息提取研究[J].上海交通大学学报（农业科学版），2007，25（5）：1-5.
[3]费鲜芸.高分辨率遥感影像在城市植被覆盖度信息提取中的应用研究[D].山东农业大学，2006.
作者简介：
李文慧，女，1984年9月，河南濮阳人，汉族，实验师，中级，研究方向：地图学与地理信息系统。
关键词：遥感；城市植被；SPOT5；植被指数；信息提取
1 概述
城市植被作为城市生态系统的重要组成部分，对于改善城市环境质量，提高居民生活水平具有重要作用。因此，城市植被的研究是人们对城市发展预测至关重要的任务。随着遥感技术的不断发展，遥感技术已经广泛运用于各个领域。在城市规划方面，遥感技术可以实现土地动态监测，空气质量的监督控制和城市环境的规划建设等。近几年国内许多城市将遥感技术应用于植被覆盖度信息提取中，动态掌握植被覆盖的区域，优化植被空间结构，提高城市可持续发展潜能，实现植被的整体规划。利用遥感影像进行城市植被覆盖度信息提取，比传统方式更加优越。它具有视域范围广、信息量多、重复周期短、图像清晰、资料收集方便等优点。城市植被遥感主要研究城市绿化系统分析及规划，是遥感技术应用的重要领域之一， 利用遥感技术不仅能够准确判定和量测绿化覆盖面积， 且对于判别植被的类型、结构乃至识别植物种类等都显得十分有效。随着遥感影像分辨率的不断提高， 国内大部分城市己经采用如TM、SPOT、ETM+等影像数据来进行城市植被的调查及生态规划，从而为城市生态规划及城市建设提供方案及依据。
因此， 本文基于SPOT5遥感影像对连云港某地区的城市植被进行提取。首先，对原始遥感影像进行裁剪得到连云港地区的影像图。其次，运用多种植被指数法对研究区图像进行增强处理，并通过比较得出NDVI（归一化植被指数）对植被的增强效果最好。最后，在NDVI指数图像上通过统计阈值，提取研究区的植被信息。
2 城市植被在SPOT5影像中的特征
2.1 城市植被及其地理特征
2.1.1 城市植被
城市植被指城市范围内的全部植被，包括自然生长的和人工栽培的各种植被类型。城市植被的定义分为广义城市植被和狭义城市植被。广义城市植被指城市规划区范围内的各种植被。包括六大类型：公共植被，即各种公园、休憩林荫带；居住区植被；交通植被；附属植被；生产防护植被；位于市内或城郊的风景区植被，即风景游览区、休养区、疗养区等。狭义城市植被指面积较小、设施较少或没有设施的绿化地段，区别于面积较大、设施较为完善的“公园”，主要包括公共植被、生产和防护植被两类。
本文中所说的城市植被指广义城市植被。城市植被不仅为城市环境增添了色彩，改善了城市气候，也是一个区域发展的重要影响因素。
2.1.2 研究区植被的地理特征
连云港全区位于东经118°24′～119°48′和北纬34°～35°07′之间，东西长129公里，南北宽约132公里，水域面积1759.4平方公里。东临黄海，与朝鲜、韩国、日本隔海相望；西与徐州新沂市、宿迁市沭阳县毗邻；南与淮安市涟水、盐城市响水2县相连；北与山东郯城、临沭、莒南、日照等县市接壤。连云港市位于鲁中南丘陵与淮北平原的结合处，地势由西北向东南倾斜，形如一只飞向海洋的彩蝶。境内以平原为主，兼有丘陵、山地、湖泊、滩涂等。有大小山峰214座，云台山主峰玉女峰海拔624.4米，为江苏省的最高峰。境内河网稠密，连云港市有标准海岸线162公里，21个岛屿，其中东西连岛为江苏第一大岛，面积7.57平方公里，基岩海岸是江苏省独有。
2.2 城市植被的遥感影像特征
遥感影像特征主要有光谱特征和空间特征，我们了解遥感影像特征的目的是为了更好的解译遥感影像中的各类地物，为军事、农业、环境、地学和各类决策提供有效的技术支撑。因此研究遥感影像的特征就是一项非常重要而且困难的工作[1]。
2.2.1 光谱特征
图像上的波谱信息表现为已经量化的辐射值，即图像的亮度/灰度值/像元值，它是一种相对的量度。像元值间接反映了地物的波谱特征，不同的地物有着不同的像元值，当然把同谱异物排除。遥感图像解译中识别不同地物的一个重要标志就是图像的像元值差异。光谱特征可具体为提取目标物的颜色、灰度或波谱间的亮度比等。
SPOT5影像是由SPOT5卫星搭载3种传感器——除了前几颗卫星上的高分辨率几何装置（HRVIR）和植被探测器（VEGETATION）外，还有一个高分辨率立体成像（HRS）装置获取的遥感影像，包括以下5个波段[2]。
PA：0.51～0.73um，全色波段。地面分辨率较高，为2.5m，可用于农林调查和规划，城市规划和较大比例尺专题制图。
B1：0.50～0.59um，为绿波段。波段中心位于叶绿素反射曲线最大值，即0.55um处，处于水蒸气衰减最小值的长波端，对于水体混浊度评价以及水深10～20m以内的干净水体的调查是十分有用的。
B2：0.61～0.68um，为红波段。位于叶绿素吸收带，受大气散射的影响较小，为可见光最佳波段，用于识别裸露的地表、植被、土壤、岩性地层、地貌现象等。
B3：0.78～0.89um，为近红外波段。能够很好地穿透大气层。在该波段，植被表现的特别明亮，水体表现的特别黑。
B4：1.58～1.75um，为短红外波段。用于探测植物含水量及土壤湿度，区别云与雪。
由于城市植被信息在B1、B2和B3波段的光谱特征明显，所以本文选择这三个波段的数据进行城市植被信息的提取研究。
在不同植物的光谱曲线中， 反射率涨落最大的是近红外区。不同的植物种类，如阔叶乔、灌木和草地在该波段具有较高的反射率，而针叶树的反射率也会有10%～20%的涨落，一般春末夏初反射较高，而秋季较低。此外植物的健康程度也会在近红外波段有所显示，对于同一种植物而言，受环境污染及病虫害影响的反射率较低，健康植物的反射率较高。植被指数有助于增强遥感影像的解译能力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。 费鲜芸[3]在研究山东省泰安市城区60km2范围内的城市植被时，运用SPOT5 2.5m全色波段和10米多光谱波段，对该城区的各种城市植被、耕地、居民区和水域等地物进行光谱特征分析，对各波段的灰度值范围及灰度平均值进行统计，统计结果如图1所示。
图1 几种典型地物的光谱曲线
各种植被、耕地和水域在红色（red）波段（第二波段），近红外（near infrared）波段（第三波段）与道路和居民区能较好区分，同时裸地与不同植被类型在各波段有不同程度的光谱重叠，利用单一波段难以区分。水域在第一波段和第四波段反射率都较低，可以与其他各类别较好地区分，个别水域在水泥筑底的浅水区域存在少量的与道路有较少的重叠现象，会影响分类精度。
本文通过对连云港某地区遥感图像的亮度值进行统计，得到几类典型地物的光谱信息，如图2所示。
图2 典型地物的光谱曲线
从图中可以看出四类地物的光谱曲线变化相似，纵向比较时发现，植被的亮度值与其他类别有较多的交集，与河流也存在部分交集。故在信息提取时会导致信息的误提。
2.2.2 空间特征
空间特征是通过图像的像元值在空间上的变化反映出来的，包括图像上有实际意义的点、线、面或区域的空间位置、纹理、形状、大小、边缘和线性构造等，这些都属于空间特征。
①纹理特征
纹理又称质地，是遥感影像上重要的信息，是由于像片比例尺的限制，物体的形状不能以个体的形式明显的在影像上表现出来，而是以群体的色调、形状重复所构成的、个体无法辨认的影像特征。不同物体的表面结构特点和光滑程度是不一致的，在遥感影像上形成不同的纹理质地。纹理具有如下特征：
a纹理具有局部的随机性和整体上的统计规律性；
b复杂纹理是简单纹理的组合；
c纹理是图像中某个区域共同的特征，对于单一的像元没有纹理可言；
d不同的分辨率下纹理也是不同的。
城市植被的纹理特征提取主要运用灰度共生矩阵、自相关法和小波变换等方法，常用的纹理特征值是熵。申广荣[2]等利用SPOT影像，以福建省泉州市鲤城区为例，在详细分析研究区植被不同类别纹理差异的基础上，利用统计和小波分析方法提取纹理信息，并将其引入基于光谱分类的最大似然法进行植被信息的提取分类，结果分类精度比监督分类提高了4个百分点。
②边缘特征
边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，存在于对象和背景、对象和对象、区域和区域之间。边缘总是存在于两个有不同灰度的区域之间，这是由于两个区域之间的灰度是不连续的。地物的轮廓又叫地物的边缘列表，或一条边缘列表的曲线模型。边缘特征可以分割图像，不同的图像对象灰度不同，边界处一般有明显的边缘特征。边缘特征也是纹理分析等其他图像分析的重要信息源和形状特征基础。
城市植被的边缘特征是指图像上植被周围与其他地物灰度变化的分界，基本上体现了城市植被的轮廓。
③形状特征
形状是地物外貌轮廓在影像上的相似记录，任何物体都具有一定的外貌轮廓，在遥感影像上表现出不同的形状，如：游泳池是长方形，足球场则是两端为弧形的长方形，水渠为长条形，公路为蜿蜒的曲线型等。物体在影像上的形状细节显示能力与比例尺有很大关系，比例尺愈大，其细节显示愈清楚；比例尺愈小，其细节就愈不清楚，即地物形状根据比例尺在影像上的表现不同。但应当注意，遥感影像上所表现的形状与我们平常在地面所见的地物形状有所差异：a遥感影像所显示的主要是地物顶部或平面形状，是俯视图；b遥感影像是中心投影，物体形状在影像边缘会发生变形。城市植被在形态上比较规则，有矩形、环形、带状和零星点状等特点，如街道绿化带呈矩形或带状分布。
3 基于SPOT5影像的城市植被信息遥感提取
3.1 遥感图像的预处理
本文研究的是城市植被覆盖度信息提取的方法，由于原始图像范围过大，包含的其他信息较多，故需要对原始图像进行裁剪，确定研究区范围。原始图像如图3所示，裁剪后图像如图4所示。
图3 原始图像 图4 裁剪图像
裁剪后的图像是连云港城区的某一区域，从图中可以看出城市植被、道路、河流、建筑物和其他地类。其中，城市植被的分布较规则，多在建筑物周围、广场和道路两旁等地。
3.2 传统的植被覆盖度信息提取方法
传统的植被覆盖度信息提取方法包括监督分类、非监督分类法、计算机分类新算法和目视解译等方法。目视解译法要求解译者运用遥感影像上不同地物所表现出的颜色、色调、形状、大小及纹理特征来判读影像，费时费力且精度不高。下面就只介绍监督分类、非监督分类和计算机分类新算法。
3.2.1 监督分类与非监督分类
监督分类需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本，通过选取特征参数（如像元亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。通过对监督分类的结果图与原图像的对比，可以看出植被信息误提严重，对河流的分类较好，道路提取有一定的信息缺失。
非监督分类指在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的归为一类）的方法。常用方法有K-均值聚类法（K-mean）和动态聚类法（ISODATA）。
通过非监督分类结果图与原图像的对比，可以看出植被、建筑物等信息提取的精度都不高，比监督分类的结果还要差一些。由于遥感图像普遍存在的“同物异谱”及“异物同谱”现象，使得非监督分类的精度很有限，而监督分类对训练场的选择存在很大主观 因素，对于训练者不知或因数量太少未被定义的类别，监督分类也不能识别。所以无论监督分类还是非监督分类都存在很大的局限性。
3.2.2 植被指数法
植被指数提取是遥感监测地面植物生长和分布的一种方法。它通过植被的光谱特征来说明植被的生长状况和覆盖范围。由于不同绿色植物对不同波长光的吸收率不同，光线照射在植物上时，近红外波段的光大部分被植物反射，而可见光波段的光大部分被植物吸收。通过对近红外和红光波段反射率进行线性或非线性组合，可以消除地物光谱产生的影响，得到的特征指数就是植被指数。目前，在科学文献中发布了超过150种植被指数模型，在这些植被指数中只有极少数经过系统的实验检验。
植被指数虽然有好多种，但常用的植被指数有：归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）、正交植被指数（PVI）和土壤调节植被指数（SAVI）等。
①归一化植被指数
归一化植被指数（NDVI）增加在近红外波段范围内绿叶的散射与红色波段范围内叶绿素吸收的差异，增强了植被信息。它是检测植被生长状态、植被覆盖度、消除部分辐射误差等的一种重要指标。
针对SPOT5影像，NDVI的计算公式为：
NDVI=（NIR-Red）/（NIR+Red） （1）
式中，NIR代表近红外波段，Red代表红光波段。通过计算得到NDVI植被指数图像，在图像中白色、灰白色图斑代表植被覆盖率高或比较高。
②比值植被指数
比值植被指数（RVI）是指在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的比值。比值植被指数主要用于研究植物的长势和作物估产。
针对SPOT5影像， RVI的计算公式为：
RVI=NIR/Red （2）
通过计算得到图像，在图像中白色、灰白色图斑代表植被覆盖率高或比较高。
③差值植被指数
差值植被指数是近红外波段和红色波段的差值，对土壤背景的变化极为敏感，有利于对植被生态环境的监测。
针对SPOT5影像， DVI的计算公式为：
DVI=NIR-Red （3）
通过计算得到图像，在图中白色、灰白色图斑代表植被覆盖率高或比较高。但对于建筑物周围，花园中的零星植被增强较差。
④正交植被指数
正交植被指数（PVI）是指在R-NIR的二维坐标系内，植被像元到土壤亮度线的垂直距离。PVI能较好地消除了土壤背景的影响，多用于农作物的估产。
针对SPOT5影像， PVI的计算公式为：
PVI=1.6225（NIR）-2.2978（R）+11.0656 （4）
通过计算得到，在图中白色、灰白色图斑代表植被覆盖率高或比较高。但河流的亮度值与建筑物等其他地物接近，不好区分。
总之，植被指数的类型多、影响因子多、应用领域也很广，那么使用者需要根据国内实际情况，选择合适的模型达到增强的效果最优。
3.2.3 城市植被覆盖度信息提取实验与分析
①城市植被覆盖度信息提取
经过上述各种植被指数法的增强处理图像与原图像的对比研究，得出NDVI植被指数法增强效果最好。为更好的提取植被信息，必须对研究区分类画出感兴趣区域，统计研究区内各地类的光谱特征，分析各地物在每个波段的相关性。通过对研究区亮度值的统计，确定植被覆盖度信息提取的阈值。
首先，运用ENVI4.7图像处理软件分类画出感兴趣区域，并统计出各类地物的光谱值，如表1所示。
表1 典型地物样区亮度值统计表
[波段＼&统计值＼&植被＼&河流＼&道路＼&其他＼&B1＼&最小值
最大值
均值
方差＼&63
130
108.169492
14.039541＼&55
76
64.694444
5.290528＼&193
233
215.400000
11.428260＼&112
255
160.894737
33.453958＼&B2＼&最小值
最大值
均值
方差＼&73
148
119.593220
17.600077＼&63
88
75.916667
6.469158＼&179
215
199.775000
9.341080＼&100
233
138.000000
30.090340＼&B3＼&最小值
最大值
均值
方差＼&63
123
99.406780
13.457620＼&72
99
87.055556
7.082955＼&173
217
201.275000
11.466758＼&93
233
130.771930
29.937445＼&]
从表1不难看出植被在B2波段亮度值最高，说明植被在该波段的反射率最高，而在B3波段亮度最低，说明植被在该波段的吸收最强。
其次，将通过NDVI植被指数法增强的研究区图像打开，右击图像附加刚绘制的感兴趣区域，统计各地物的灰度值，如图5所示。其他各类地物也如法炮制，经过汇总得到NDVI图上的各地物亮度值，如表2所示。
图5 ROI在NDVI图上的统计结果
表2 各类地物样区特征波段值统计表
[波段＼&统计值＼&植被＼&河流＼&道路＼&其他＼&NDVI＼&最小值
最大值
均值
方差＼&0.018018
0.152542
0.091107
0.032397＼&-0.078947
-0.058824
-0.068501
0.005504＼&-0.013193
0.030812
-0.003468
0.008971＼&0.000000
0.050505
0.028243
0.013946＼&]
再次，结合上表中各地物在NDVI图像上的灰度值，可以看出植被在NDVI波段的亮度值与河流、道路差异显著，与其他地类会有一定的混淆，经过多次实验得到统计阈值为（0.03-0.152542），提取的植被信息结果图如图6所示。其中白色为植被信息，黑色是除植被以外的河流、道路等其他信息。将提取图像与原图像叠加对比，可以看出图中箭头所指地方信息非植被覆盖度信息提取过多、存在误提现象。
图6 第一次设定阈值提取的结果
最后，优化结果。经过多次模型改进试验，得出将NDVI图与NDVI下提取的结果（阈值为0.03～0.152542）进行减运算，然后在此图的基础上进一步提取植被信息得到的结果较前面提取的结果更好。两幅图像做减法运算的结果图如图7所示，统计亮度值如表3所示。
图7 NDVI波段与在NDVI上提取的结果做减运算的结果
表3 各地物的亮度值统计表
[波段＼&统计值＼&植被＼&河流＼&道路＼&其他＼&Band＼&最小值
最大值
均值
方差＼&-0.958678
0.152542
-0.858045
0.217909＼&-0.078947
-0.058824
-0.068501
0.005504＼&-0.969188
0.014164
-0.028468
0.152717＼&-0.969697
0.030000
-0.518927
0.490408＼&]
通过对上表各地物亮度值的统计，经过多次实验的到提取效果最好的阈值范围（-0.96～-0.085），提取的最终结果如图8所示。
图8 第二次统计阈值（-0.96～-0.085）提取的结果
②结果分析
通过以上植被覆盖度信息提取的比较，可以看出，单纯从NDVI图像上通过统计阈值提取的植被信息要么将非植被提取出来，要么就将建筑区周围的绿化带提取不全，存在很大的缺陷。
比如，在ENVI4.7遥感处理软件下的Basic Tool菜单下选择Band Manth工具，输入波段计算的公式：b1 gt X and b1 lt Y
其中，X、Y就是阈值。当阈值分别设置为（0.05～0.152542）和（0.03～0.152542）时，得到提取结果分别如图9、10所示。
图9 阈值为0.05～0.152542 图10 阈值为0.03～0.152542
时的提取结果 时的提取结果
从两幅图上可以明显看出，图9中一些地方在图10提取效果较好，将建筑物周围的绿化带提取较全，如框线部分。而图10中一些地方图9中提取较好，没有将非植被地区误提为植被。所以说单纯的通过统计阈值来提取植被，存在很多的信息误提和漏提。所以对现有的模型进行了改进，将NDVI植被指数图像与在NDVI图像上取阈值为（0.03～0.152542）得到的图像做减法运算得到一个灰度图像，然后在此图像的基础上再次统计阈值（-0.96～-0.085）得到图8。从图8上我们可以看出图10和图9中框线所指的两个区域，植被覆盖度信息提取都得到明显的改善，提取精度远远高于改进前的结果。
4 结论
本文基于SPOT5遥感影像，结合ENVI4.7软件对连云港地区的城市植被信息进行提取。首先利用传统的植被覆盖度信息提取方法对研究区进行了实验，实验方法主要是监督分类和非监督分类法，得到的分类结果均不理想，误提信息较多。所以本文选择了植被指数法对研究区植被信息进行增强处理，通过对比研究得出NDVI植被指数法更适合该地区城市植被信息的提取。虽然图像中的植被信息被增强了，但是提取精度仍然不高。故对本模型进行了改进。
改进模型是将NDVI植被指数图像与该图像的提取结果（阈值为0.03～0.152542），做减法运算，并通过对计算后图像中植被灰度值的统计分析，利用最佳阈值将植被信息从影像中提取出来，该方法具有较好的提取精度。
参考文献：
[1]卢玉东，尹黎明，等.利用TM影像在土地利用/覆盖遥感解译中波段选取研究[J].西南农业大学学报，2005，27（4）：480-486.
[2]申广荣，等.基于纹理特征的SPOT植被覆盖度信息提取研究[J].上海交通大学学报（农业科学版），2007，25（5）：1-5.
[3]费鲜芸.高分辨率遥感影像在城市植被覆盖度信息提取中的应用研究[D].山东农业大学，2006.
作者简介：
李文慧，女，1984年9月，河南濮阳人，汉族，实验师，中级，研究方向：地图学与地理信息系统。