基于混合线性模型的城市植被覆盖度提取方法

基于混合线性模型的城市植被覆盖度提取方法[摘要]混合像元问题是影像遥感解译精度的重要因素之一。

目前国内外建立
大量的混合像元分解模型，其中线性模型以其简单的理论基础广泛地得到了应用。

本文研究的是基于混合像元线性分解模型的城市植被覆盖度提取方法，重点在于线性分解模型的端元提取。

采用1995年Ridd提出的V（植被）-I（不透水面）-S（土壤）模型确定最终的端元类型，使用倒叉树的思想，先将三类端元进行细化，之后分别按细化后的次端元选择样本，逐步集成V-I-S三端元，完成端元选择。

这种端元提取方法不仅能提高端元获取的精度，而且增大了端元类别间差异，改善了端元提取效果。

本文将线性分解得到的植被丰度图，与多种方法进行对比分析后，表明基于V-I-S模型进行线性分解提取植被覆盖度是可行且可靠的。

【关键词】V-I-S；端元选择；线性分解；植被覆盖度
引言
遥感影像以像元为基本单位获取地物信息。

一个像元仅仅包含某一类地物的信息称为纯像元，包含两种以上地物的像元称为混合像元，混合像元主要出现在多类地物交界处或纹理区域内。

城市地物具有种类多样、变化急剧、分布破碎以及空间分布非线性等特点，造成了大量混合像元的存在，使得地物信息提取的难度加大。

如何有效地识别解译混合像元，是定量遥感要解决的关键问题之一，也是遥感应用研究的难点和热点问题。

在众多的混合像元分解模型中，混合像元线性分解模型是理论比较简单、使用最广泛的一种。

端元的类型和数量的选择以及端元光谱值的确定是其技术关键。

本文旨在研究线性分解模型的端元提取的方法,并验证其可行性。

1、混合像元分解与端元提取
近年来，提出了许多有效的混合像元分解的模型和方法。

将其归结为五种类型：线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型。

线性混合模型假定像元的反射率是其端元组分的反射率的线性组成。

在线性
混合模型中，每一个光谱波段中单一像元的反射率表示为它的端元组分反射率与其丰度的线性组合。

线性模型是建立在像元内的相同地物都有相同的光谱特征以及光谱线性可加基础上的，构造简单、理论科学、物理含义明确，用于混合像元分解效果比较理想。

本文将利用混合线性分解模型获取植被丰度。

此外，人们对端元提取技术做了很多研究，提出了许多基于线性混合模型的端元提取方法。

如光谱纯化指数(PPI)方法、MEST、N—FINDR方法、ORASIS、IEA以及基于数学形态学的AMEE等混合像元分解算法。

本文将使用等距线法从MNF散点图上提取高照度次端元，利用PPI指数交互选择其他次端元，进行筛选合并成为所需的植被、不透水面和土壤三大端元，完成端元的选择。

2、技术路线
混合像元的线性分解，关键在于端元的提取。

端元的类型和数量的选择以及最后光谱值的确定等，都直接影响到混合像元分解的精度。

本文的主要技术路线为：首先对影像进行MNF变换，在散点图上选择高照度的端元（建筑物、植被和水体），然后利用PPI算法和N维可视化工具选择其他端元，将所选的端元进行筛选合并成为V-I-S三端元进行线性分解，最后利用植被丰度图进行植被覆盖度的提取。

3、研究区与数据
本文所采用的数据是2005年6月的南京市区及周边ASTER（LEVEL1B级）影像，包括15个波段数，已进行过几何校正和辐射校正，其投影系统的参数为：UTM，zone 50 North，WGS-84。

由于南京主城区里植被相对较少，对选择端元有一定负面影响，因此将范围扩大到南京主城区及周边作为研究区。

影像截取窗口大小为1300×1300。

经纬度范围为：北纬31°56′44.61″-32°8′51.26″，东经118°43′16.04″-118°53′21.84″。

4、南京市主城区植被覆盖度估算
植被覆盖度指的是植被(包括叶、茎、枝)在地面的垂直投影面积与统计区域总面积的比值。

植被覆盖度是衡量地表植被状况的重要指标之一，也是研究气候变化、水土流失、地质灾害时的必要参数之一。

植被覆盖度的获取方法分为地面实测法和遥感估算法。

地面实测法包括目估法、采样法和模型法；遥感估算法包括回归模型法、植被指数法和像元分解模型法。

其中像元分解模型中又以像元二分模型最为简单，应用最为广泛。

本文将使用像元二分模型，利用NDVI和线性分解的植被丰度影像以及Quickbird影像计算植被覆盖度，并对两种方法进行对比分析。

4.1 基于混合像元线性分解的植被覆盖度参数确定
为了得到精确的效果，直接采用混合线性分解所得的植被丰度图进行计算。

从图像统计来看，当丰度值为0.15时，像元完全由非植被成分组成，植被覆盖基本为0，所以确定So为0.15。

对于完全覆盖植被的区域，由于计算的植被丰度方差较大，为了减少误差，设置了置信区间（即到达某个值时，累计的像元数占像元总数的百分数）。

将上限设为99.5%，Sveg的值为1.226105。

4.2 基于NDVI的植被覆盖度参数确定
对NDVI来说，同样采取图像统计来确定阈值，So为0.1。

由于NDVI方差较小，对于完全覆盖植被的区域，直接取其最大值，即Sveg的值为0.645753。

4.3 植被覆盖度提取对比分析
用Quickbird影像对植被覆盖度进行粗糙验证，通过统计确定参数So为0.05，Sveg采用最大值0.603491。

从图中的对比效果来看，基于混合线性模型提取的植被覆盖度与Quickbird 影像提取的植被覆盖度相似程度，在总体上要强于NDVI所计算的植被覆盖度与Quickbird影像提取的植被覆盖度的相似程度，说明基于V-I-S模型进行混合像元线性分解提取植被是可行且可靠的，最终植被覆盖度的计算结果也较为精确。

植被覆盖度在计算时，参数基本上是通过图像统计得出，因此会存在较大误差。

从对比图可以看出，基于NDVI和IKONOS影像的植被信息提取相对来说更为丰富，这是由在计算植被覆盖度时所选择的参数不同所造成的。

另外，由于混合像元是线性分解的，会导致在某个像元内，当某几类端元的丰度值都差不多时，所有端元的丰度值都会表现得比较低，因此会漏掉一部份植被信息。

5、结语
混合线性模型是现有的基础最简单应用最广泛地混合像元分解模型，其关键在于端元类型和数量的选择。

本文建立的模型不仅能有效地提高端元的选择效率，而且符合端元数不超过波段数这个标准。

V-I-S模型是目前国内外提取城市植被和不透水面使用最为广泛的模型之一，本文选择其作为选择端元的基础可靠且可行。

采用向上集成的方法合成需要的端元，在一定程度上增加了端元间的差异，提高选择端元的精度。

然而，此模型并没有从根本上解决端元的选择难问题，例如，在选择低照度次端元时，仍然只能是人工监督占多。

机器自动识别选区端元将是未来的发展方向之一。

参考文献
[1]卫建军,李新平,赵东波,梁伟.混合像元分离的研究进展[J].水土保持研究,2006,13(5).
[2]潘竟虎,李晓雪,冯兆东.基于V-I-AP模型的兰州市不透水面与植被盖度时空格局分析.北资源科学,2010,3.
[3]吕长春,王忠武,钱少猛.遥感混合像元分解综述[J].遥感信息,2003.3.
[4]薛绮,匡纲要,李智勇.基于线性混合模型的高光谱图像端元提取[J].遥感技术与应用,2004.6,19(3).
[5] Theijer J,Lavenier D,Harvey N,et al．Using Blocks of Skewers for Faster Computation of Pixel Purity Index[Z].SPIE Int Conf Optical Science and Technology,2000.
[6]李苗苗.植被覆盖度的遥感估算方法研究[D].北京:中国科学院遥感应用研究所,2004.。