论文部分内容阅读
摘要：在遥感影像处理中，植被指数提取广泛应用于评价植被覆盖，长势，面积等植被信息。本文主要利用ERDAS IMAGINE遥感图像处理软件对遥感影像进行归一化植被指数NDVI的提取，对植被指数图像进行非监督分类处理，结合目视解译等方法，对信阳地区的植被信息进行提取。
关键词：植被指数；ERDSA；遥感；NDVI
引言
植被主要包括林地（有林地、灌木地和疏林地）、草地（高覆盖度草地、中覆盖地草地和低覆盖度草地）和农作物[1]。植被在维护生态平衡中起着重要的作用，用一种切实有效地技术和方法对植被的情况进行掌控又成为时代所需。随着遥感技术的应用和发展，它为植被指数的提取和植被覆盖度的测算提供了一种新的方法。相较于传统的地面测算，遥感方法在很大程度上减少了外业测算工作，同时解决了时效性和测算范围等方面的问题。
1 研究区植被概况
信阳位于河南省南部，东经114°01′-114。06′，北纬31°46′-31°52′。信阳地势南高北低，是岗川相间、形态多样的阶梯地貌。西部和南部是由桐柏山、大别山构成的豫南山地。中部是丘陵岗，北部是平原和洼地，信阳地跨淮河，位于秦淮分界上，属亚热带向暖温带过渡区。信阳市一座绿色茶城，城区主要植物种类是茶树及绿化植物。
2 数据来源及数据预处理
2.1 数据来源
实验数据采用的是2002年7月9日的LANDSAT7 ETM+影像数据。ETM+影像有8个光谱波段，空间分辨率是30m（1、2、3、4、5、7波段）、60m（6波段）和15m（全色波段）。
2.2 植被指数及数据预处理
2.2.1 植被指数
植被指数（vegetation index）是遥感监测地面植物生长和分布的一种方法，是不同遥感光谱波段间的线性或非线性组合，是植被长势的一种指示，通常可反映90%以上的植被信息，并能消除外在因素的影响，从而较好地反映绿色植物的空间分布和生长状况，并能宏观地反映绿色植物的生物量和盖度等生物的物理特征，所以被广泛应用于土地利用覆盖探测、植被覆盖密度评价和作物识别等方面[3]。
归一化植被指数是反映农作物长势和营养信息的重要参数之一，它能反映出植被冠层的背景影响，与植被覆盖度有关，可以用来检测植被生长状态、植被覆盖度和消除部分辐射误差等。同一种植被，NDVI越大，表明地表植被的覆盖度越高，植被的长势越好，相反NDVI越小表明植被的覆盖度越低[5]。基于这种经验统计关系，根据NDVI求取植被覆盖度的方法已被广泛广泛。植被指数法是提取植被信息的最理想方法，经过该方法处理后，图像明暗的界线清晰，植被的亮度值大，数量小，而其它地物的亮度小，数量多。
要计算NDVI，就是在遥感处理软件中，计算近红外波段与红波段之差，再除以两个波段之和。其计算公式如下所示：
归一化植被指数NDVI的定义是：
NDVI= （NIR – RED）/（ NIR + RED） （1）
在波段中的定义公式为：
NDVI=（Channel2 – Channel1）/（Channel2 + Channel1） （2）
归一化差值植被指数NDVI，将比值限定在（-1，1）范围内。可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力。
2.2.2 数据预处理
植被信息提取之前需要对遥感数据进行预处理，首先是利用ERDAS IMAGINE软件进行几何校正，这样不会改变地物的波谱信息，给图像加上地理坐标，正射校正加上地理坐标的同时再通过一些测量高程点和DEM来消除地形起伏引起的图像变形。后者的测量高程点很难获得，需要外定向数据点。
图像配准是地面上的目标在各图像上所对应像点具有相同平面坐标的处理过程，也称几何精纠正[6]。它是保证图像几何精度的主要手段，也是提取地面信息的前提。在实践中，根据需要选取足够的控制点，一般是理论控制的6倍左右，并且应注意控制点分布随地形的复杂程度而定，地形越复杂，控制点应越多。
选取控制店误差控制在1个像元以内，其过程可归纳为4个步骤：①建立原始图像与校正后图像的坐标系；②确定GCP，即在原始畸变图像空间与标准空间寻找控制点对；③选择畸变数学模型，并利用GCP数据求出畸变模型的未知参数，然后利用此畸变模型对原始畸变图像进行几
何精校正；④几何精校正的精度分析。
3 植被指数提取
3.1 模型的生成
图形模型的形成过程實质上就是解决问题的过程。在借助模型生成器的形成模型时，通常需要经过6个基本的步骤：①明确问题，②放置对象图形，③连接各个对象，④定义对象，⑤定义函数操作，⑥运行模型。
如果前面的定义符合空间模型语言规则，所建立的图形模型就可以运行了。运行结果的正确与否，则取决于输入对象的确定和函数操作的定义。如果不理想的话，可以进一步调整对象图形及其定义，修改模型结构，直到满意为止。
3.2 NDVI影像的提取
利用ERDAS遥感软件的图像处理中的条件判断功能，对影像各运算波段中的值采取逻辑判断处理，即对植被指数波段运算公式中分母值为零的情况特殊处理，以避免运算结果产生溢出的情况。
在ERDAS IMAGINE的Modeler的波段运算中，采用以下语句：
EITHERIF（）OROTHER-WISE此语句的语法描述是：如果测试条件成立，则返回的值。如果条件不成立，则返回的值[7]。
在ERDAS中提取信阳地区植被指数时，处理过程如下： ①打开模块编辑器（Modeler Maker）进行图像模块编辑。启动Modeler Maker有两种途径，一是：在EARDAS图标面板菜单条，单击Main|Spatial Modeler命令，打开Spatial Modeler对话框。单击Modeler按钮，打开Medel Maker窗口与工具面板。二是：在ERDAS图标面板工具条，单击Model图标，打开Spatial Modeler对话框。单击Model Maker按钮，打开Model Maker窗口与工具面板。
根据所示的模块，点击模块工具栏绘制流程图。
②在功能框中分别计算出NIR-RED和NIR+RED，并分别保存在两个内存影像文件中。
③通过ERDAS的函数定义（Function Definition）中的条件选项中的Either条件判断语句对合并的功能框进行条件判断处理：
EITHER 0 IF（$n3_nir = = 0.0）OR（$n2_nir/$n3_nir）OTHERWISE （其中，$n3_nir：近红外波段+红外波段生成的内存影像文件；$n2_nir：近红外波段-红外波段生成的内存影像文件）。
此语句执行的功能为：如果近红外波段+红外波段的值为零，则生成的图像文件此点的值为零；否则（近红外波段+红外波段的值不为零），进行$n2_nir/$n3_nir。
④将运算结果输出成NDVI影像磁盘文件。
4 图像分类及面积信息的提取
4.1 图像分类
非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验类别标准的图像分类，它也是以集群为理论基础通过计算机对图像进行集聚统计分析的方法。根据待分类特征参数的统计特征，建立决策规则进行分类，不需要事先知道类别特征。把各样本的空间分布按其相似性分割或者合并成一群集[8]。将NDVI影像作为图像分类的数据，运用非监督分类方法（统计的角度）对研究区域的图像进行分类，共分为4类，迭代了6次，收敛系数为0.95，最后对分类的结果进行实地核对检查，反复修改，直到满意为止。
4.2 植被面积信息的提取
本次研究中采用图像屏幕解译、自动分类、根据像素自动测算面积的方法，得到植被面积信息（表1）。
5 结论与讨论
（1）论文通过分类，计算得出信阳市各种植被的分布、面积及所占百分比，可以为信阳市进一步规划提供基本依据，还可以为土地调查、作物估产做出贡献。
（2）图像配准是保证图像精度的主要手段，也是提取地面信息的前提。在实践中，根据需要选取足够的控制点，一般是理论控制的6倍左右，并且应注意控制点分布随地形的复杂程度而定，地形越复杂，控制点应越多。选取控制点误差控制在1个像元以内。
（3）在计算归一化植被指数NDVI时，若采用NDVI公式直接进行波段计算，当NIR+RED（近红外+红波段）的值为零时，对这些点的计算结果就会溢出。在计算其它诸如RVI、SAVI等植被指数时，同时也存在这个问题。
尽管NDVI得到广泛的应用，但是许多研究也表明，NDVI也受到定标和仪器特性、云和云影、大气双向反射率、土壤及叶冠背景，高生物量区饱和等因素影响，使其应用受到限制。植被指数的全球应用要求不仅计算方式一致，其结果也需具有空间和时间的可比性。
（4）在建立NDVI指数模型时，影像文件的数据类型要选择Float类型，而不要选择默认的Unsigned 8-bit，否则就会出现分母为零的错误。
参考文献：
[1] 丁贤荣，王文种，等.基于MODIS影像的植被覆盖度的提取[J].遥感应用，2009，2.
[2] 党安荣，王晓栋，等.ERDAS IMAGINE遥感图像处理方法[M].北京：清华大学出版社，2003.
[3] 张远东，徐应涛，等.荒漠绿洲NDVI与气候、水文因子的相关分析[J].生态学报，2003，27（6）： 816-821.
[4] 梅安新，彭望禄，等.遥感导论[M].北京：高等教育出版社，2006.
[5] 徐兴奎，林朝晖，薛峰，等.气象因子与地表植被生长相关性分析[J].生态学报，2003，23（2）：221-230.
[6] 赵鹏祥，刘建军，等.基于RS的绿地信息提取方法的研究.西北林学院学报，2003，18（2）：91-94.
[7] Dajima T，Kajiwara K，Tateishi R.Global land cover classification by NOAA AVHRR data[A].In：Proceedings 11th ACRE[C].Guangzhou：[s，n]，1990.S-3-1-S-3-6.
[8] 梅安新，彭望祿，等.遥感导论[M].北京：高等教育出版社，2006.
关键词：植被指数；ERDSA；遥感；NDVI
引言
植被主要包括林地（有林地、灌木地和疏林地）、草地（高覆盖度草地、中覆盖地草地和低覆盖度草地）和农作物[1]。植被在维护生态平衡中起着重要的作用，用一种切实有效地技术和方法对植被的情况进行掌控又成为时代所需。随着遥感技术的应用和发展，它为植被指数的提取和植被覆盖度的测算提供了一种新的方法。相较于传统的地面测算，遥感方法在很大程度上减少了外业测算工作，同时解决了时效性和测算范围等方面的问题。
1 研究区植被概况
信阳位于河南省南部，东经114°01′-114。06′，北纬31°46′-31°52′。信阳地势南高北低，是岗川相间、形态多样的阶梯地貌。西部和南部是由桐柏山、大别山构成的豫南山地。中部是丘陵岗，北部是平原和洼地，信阳地跨淮河，位于秦淮分界上，属亚热带向暖温带过渡区。信阳市一座绿色茶城，城区主要植物种类是茶树及绿化植物。
2 数据来源及数据预处理
2.1 数据来源
实验数据采用的是2002年7月9日的LANDSAT7 ETM+影像数据。ETM+影像有8个光谱波段，空间分辨率是30m（1、2、3、4、5、7波段）、60m（6波段）和15m（全色波段）。
2.2 植被指数及数据预处理
2.2.1 植被指数
植被指数（vegetation index）是遥感监测地面植物生长和分布的一种方法，是不同遥感光谱波段间的线性或非线性组合，是植被长势的一种指示，通常可反映90%以上的植被信息，并能消除外在因素的影响，从而较好地反映绿色植物的空间分布和生长状况，并能宏观地反映绿色植物的生物量和盖度等生物的物理特征，所以被广泛应用于土地利用覆盖探测、植被覆盖密度评价和作物识别等方面[3]。
归一化植被指数是反映农作物长势和营养信息的重要参数之一，它能反映出植被冠层的背景影响，与植被覆盖度有关，可以用来检测植被生长状态、植被覆盖度和消除部分辐射误差等。同一种植被，NDVI越大，表明地表植被的覆盖度越高，植被的长势越好，相反NDVI越小表明植被的覆盖度越低[5]。基于这种经验统计关系，根据NDVI求取植被覆盖度的方法已被广泛广泛。植被指数法是提取植被信息的最理想方法，经过该方法处理后，图像明暗的界线清晰，植被的亮度值大，数量小，而其它地物的亮度小，数量多。
要计算NDVI，就是在遥感处理软件中，计算近红外波段与红波段之差，再除以两个波段之和。其计算公式如下所示：
归一化植被指数NDVI的定义是：
NDVI= （NIR – RED）/（ NIR + RED） （1）
在波段中的定义公式为：
NDVI=（Channel2 – Channel1）/（Channel2 + Channel1） （2）
归一化差值植被指数NDVI，将比值限定在（-1，1）范围内。可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力。
2.2.2 数据预处理
植被信息提取之前需要对遥感数据进行预处理，首先是利用ERDAS IMAGINE软件进行几何校正，这样不会改变地物的波谱信息，给图像加上地理坐标，正射校正加上地理坐标的同时再通过一些测量高程点和DEM来消除地形起伏引起的图像变形。后者的测量高程点很难获得，需要外定向数据点。
图像配准是地面上的目标在各图像上所对应像点具有相同平面坐标的处理过程，也称几何精纠正[6]。它是保证图像几何精度的主要手段，也是提取地面信息的前提。在实践中，根据需要选取足够的控制点，一般是理论控制的6倍左右，并且应注意控制点分布随地形的复杂程度而定，地形越复杂，控制点应越多。
选取控制店误差控制在1个像元以内，其过程可归纳为4个步骤：①建立原始图像与校正后图像的坐标系；②确定GCP，即在原始畸变图像空间与标准空间寻找控制点对；③选择畸变数学模型，并利用GCP数据求出畸变模型的未知参数，然后利用此畸变模型对原始畸变图像进行几
何精校正；④几何精校正的精度分析。
3 植被指数提取
3.1 模型的生成
图形模型的形成过程實质上就是解决问题的过程。在借助模型生成器的形成模型时，通常需要经过6个基本的步骤：①明确问题，②放置对象图形，③连接各个对象，④定义对象，⑤定义函数操作，⑥运行模型。
如果前面的定义符合空间模型语言规则，所建立的图形模型就可以运行了。运行结果的正确与否，则取决于输入对象的确定和函数操作的定义。如果不理想的话，可以进一步调整对象图形及其定义，修改模型结构，直到满意为止。
3.2 NDVI影像的提取
利用ERDAS遥感软件的图像处理中的条件判断功能，对影像各运算波段中的值采取逻辑判断处理，即对植被指数波段运算公式中分母值为零的情况特殊处理，以避免运算结果产生溢出的情况。
在ERDAS IMAGINE的Modeler的波段运算中，采用以下语句：
EITHER
在ERDAS中提取信阳地区植被指数时，处理过程如下： ①打开模块编辑器（Modeler Maker）进行图像模块编辑。启动Modeler Maker有两种途径，一是：在EARDAS图标面板菜单条，单击Main|Spatial Modeler命令，打开Spatial Modeler对话框。单击Modeler按钮，打开Medel Maker窗口与工具面板。二是：在ERDAS图标面板工具条，单击Model图标，打开Spatial Modeler对话框。单击Model Maker按钮，打开Model Maker窗口与工具面板。
根据所示的模块，点击模块工具栏绘制流程图。
②在功能框中分别计算出NIR-RED和NIR+RED，并分别保存在两个内存影像文件中。
③通过ERDAS的函数定义（Function Definition）中的条件选项中的Either条件判断语句对合并的功能框进行条件判断处理：
EITHER 0 IF（$n3_nir = = 0.0）OR（$n2_nir/$n3_nir）OTHERWISE （其中，$n3_nir：近红外波段+红外波段生成的内存影像文件；$n2_nir：近红外波段-红外波段生成的内存影像文件）。
此语句执行的功能为：如果近红外波段+红外波段的值为零，则生成的图像文件此点的值为零；否则（近红外波段+红外波段的值不为零），进行$n2_nir/$n3_nir。
④将运算结果输出成NDVI影像磁盘文件。
4 图像分类及面积信息的提取
4.1 图像分类
非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验类别标准的图像分类，它也是以集群为理论基础通过计算机对图像进行集聚统计分析的方法。根据待分类特征参数的统计特征，建立决策规则进行分类，不需要事先知道类别特征。把各样本的空间分布按其相似性分割或者合并成一群集[8]。将NDVI影像作为图像分类的数据，运用非监督分类方法（统计的角度）对研究区域的图像进行分类，共分为4类，迭代了6次，收敛系数为0.95，最后对分类的结果进行实地核对检查，反复修改，直到满意为止。
4.2 植被面积信息的提取
本次研究中采用图像屏幕解译、自动分类、根据像素自动测算面积的方法，得到植被面积信息（表1）。
5 结论与讨论
（1）论文通过分类，计算得出信阳市各种植被的分布、面积及所占百分比，可以为信阳市进一步规划提供基本依据，还可以为土地调查、作物估产做出贡献。
（2）图像配准是保证图像精度的主要手段，也是提取地面信息的前提。在实践中，根据需要选取足够的控制点，一般是理论控制的6倍左右，并且应注意控制点分布随地形的复杂程度而定，地形越复杂，控制点应越多。选取控制点误差控制在1个像元以内。
（3）在计算归一化植被指数NDVI时，若采用NDVI公式直接进行波段计算，当NIR+RED（近红外+红波段）的值为零时，对这些点的计算结果就会溢出。在计算其它诸如RVI、SAVI等植被指数时，同时也存在这个问题。
尽管NDVI得到广泛的应用，但是许多研究也表明，NDVI也受到定标和仪器特性、云和云影、大气双向反射率、土壤及叶冠背景，高生物量区饱和等因素影响，使其应用受到限制。植被指数的全球应用要求不仅计算方式一致，其结果也需具有空间和时间的可比性。
（4）在建立NDVI指数模型时，影像文件的数据类型要选择Float类型，而不要选择默认的Unsigned 8-bit，否则就会出现分母为零的错误。
参考文献：
[1] 丁贤荣，王文种，等.基于MODIS影像的植被覆盖度的提取[J].遥感应用，2009，2.
[2] 党安荣，王晓栋，等.ERDAS IMAGINE遥感图像处理方法[M].北京：清华大学出版社，2003.
[3] 张远东，徐应涛，等.荒漠绿洲NDVI与气候、水文因子的相关分析[J].生态学报，2003，27（6）： 816-821.
[4] 梅安新，彭望禄，等.遥感导论[M].北京：高等教育出版社，2006.
[5] 徐兴奎，林朝晖，薛峰，等.气象因子与地表植被生长相关性分析[J].生态学报，2003，23（2）：221-230.
[6] 赵鹏祥，刘建军，等.基于RS的绿地信息提取方法的研究.西北林学院学报，2003，18（2）：91-94.
[7] Dajima T，Kajiwara K，Tateishi R.Global land cover classification by NOAA AVHRR data[A].In：Proceedings 11th ACRE[C].Guangzhou：[s，n]，1990.S-3-1-S-3-6.
[8] 梅安新，彭望祿，等.遥感导论[M].北京：高等教育出版社，2006.