構建植被區分陰影消除植被指數提取山地植被信息

柳曉農，江 洪，汪小欽

構建植被區分陰影消除植被指數提取山地植被信息

柳曉農，江 洪※，汪小欽

（1. 福州大學空間數據挖掘與信息共享教育部重點實驗室，福州 350108；2. 衛星空間信息技術綜合應用國家地方聯合工程研究中心，福州 350108；3.數字中國研究院（福建），福州 350108）

山地植被信息在氣候變化研究和生態環境保護等方面發揮著重要作用，遙感技術能夠快速獲取山地植被信息，但是存在山地地形陰影的影響以及山地植被信息混淆問題。該文以山地植被為研究對象，基于Landsat衛星遙感影像多光譜數據，分析山地植被的主要特點，借鑒陰影消除植被指數（shadow eliminated vegetation index，SEVI）的構造原理及形式，提出了一種適用于山地植被覆蓋遙感監測的植被指數算法—植被區分陰影消除植被指數（vegetation distinguished and shadow eliminated vegetation index，VDSEVI）。研究結果表明：相對于已有的其他植被指數，VDSEVI較好地消除了地形陰影的影響；VDSEVI的信息量大，植被覆蓋的識別能力較強，較好地解決了植被信息混淆問題，能夠更好地反映山地植被覆蓋情況。不同土地覆蓋類型的VDSEVI存在顯著差異；陰影稀疏林地和相鄰非陰影稀疏林地的相對誤差較小，為3.428%；各土地覆蓋類型樣本VDSEVI標準差均小于0.06；植被覆蓋樣本VDSEVI與太陽入射角余弦值（cos）的相關系數為?0.800。為驗證VDSEVI在其他地區的適用性，將VDSEVI應用于內蒙古阿爾山和福州市閩侯縣，結果表明VDSEVI同樣適用。新疆那拉提、內蒙古阿爾山和福州市閩侯縣3個區域基于VDSEVI閾值法的植被信息提取總體精度分別為84.136%、87.339%、86.709%，Kappa系數分別為0.799、0.788、0.791。

遙感；植被；山地；信息提取；植被區分陰影消除植被指數（VDSEVI）

0 引 言

山地是地球陸地表面地形復雜的地理單元，生態系統較為脆弱，對環境變化較為敏感[1-2]。植被是覆蓋地表的植物群落的總稱，包括森林、灌叢和草地等多種類型的植被，是地理環境中的重要組成部分，作為山地生態系統的關鍵因子，扮演著非常重要的角色[3-4]。植被覆蓋變化影響山地生態系統的服務價值[5]，因此，研究山地植被信息的有效提取，對于權衡山地生態保護與發展及土地資源的可持續利用具有重要意義[6]。遙感技術作為一種新型的綜合性探測技術，具有獲取信息速度快、周期短、可獲取大范圍數據資料等優點，能夠快速準確地獲取植被的分布特征信息[7]。遙感影像上的地形陰影在遙感影像數據上表現為像元亮度值偏低[8]。地形陰影區域地物信息量相對較少，難以判讀，在影像處理和工程應用中，影響操作進程，甚至產生錯誤結果。隨著遙感影像的廣泛應用，消除地形陰影影響的方法研究意義重大。

遙感數據中的紅光波段和近紅外波段組合對綠葉生物量敏感，可用于檢測植物冠層的光合作用活性生物量[9]。Birth等[10]提出比值植被指數（RVI），用以監測高密度植被區域的動態變化[11]，但是數值會隨植被密度無限增大，并且對低密度植被敏感性低。Rouse等[12]對比值植被指數進行非線性變換提出歸一化植被指數（NDVI），NDVI被廣泛應用于植被時序變化監測[13]，但是NDVI在密集植被區域存在飽和問題[14]，由于裸露土壤的影響，NDVI對于低覆被地區的響應也不好[15]。基于NDVI改進后的增強型植被指數（EVI2）[16]，提高了對高植被量區域的敏感性。植被指數可有效地反映植物生長狀況和生物量等，在土地覆蓋分類中具有重要作用[17]。地形對植被指數影響較大，復雜山地地形陰影對遙感信息提取的影響不容小覷[18]。

考慮到地形陰影效應對植被遙感信息提取的影響，不少學者提出新的植被指數。江洪等[19-20]構建地形調節植被指數（TAVI）組合算法，能有效解決地形影響；吳志杰等[21]提出歸一化差值山地植被指數，可有效抑制地形影響；劉健等[22-23]構建的陰影植被指數增大陰影與明亮區植被、水體間的差異，可有效檢測陰影。Wang等[24]提出基于區域灰度邊緣假設的陰影去除方法可得到高質量的無陰影圖像；Li等[25]提出考慮本影和落影的地形校正框架來提高陰影校正的精度。邊金虎等[26]提出地形陰影區光譜信息恢復方法；賴日文等[27]構建陰影檢測模型；張甜等[28]采用相似像元包絡線的陰影校正方法實現陰影亮度重建。Jiang等[29]在TAVI研究基礎上進一步提出地形陰影消除植被指數（SEVI），有效消除山區地形陰影（本影和落影）的影響，彌補傳統地形校正的不足。眾多的植被指數各有特色，有注重高密度植被信息提取、關注植被與水體的差異、致力于檢測陰影和消除陰影等，但是較少能顧及多個方面。

植被信息提取方法的研究不斷深入[7]，劉曉娜等[30]運用決策樹分類的方法提取植被信息，成林分類總精度超過90%，幼林分類總精度超過75%；沈明霞等[31]采用主成分與NDVI融合，融合后的影像有利于植被信息提取和變化檢測；Ono等[32]建立陰影指數（SI）用于植被分析；許玉鳳等[33]利用多源數據構建NDVI數據集，融合后的數據的2為0.959，可以用于不同植被類型信息提取和時間序列分析。但是由于“同物異譜”和“同譜異物”的現象存在，植被指數在植被類型的遙感解譯依然存在誤差[34-35]。

目前已有的山地植被指數仍有不足之處：一是指數模型需通過實驗統計獲取模型調節參數，在實際應用中，存在局限性和不確定性；二是由于不同地區山地植被覆蓋類型差異大，植被指數往往具有明顯的地域性；三是不同植被覆蓋類型的植被指數數值無明顯差異，導致山地植被信息混淆。解決以上問題，才能有效發揮遙感植被指數在空間覆蓋范圍廣、時間序列長、數據具有一致可比性等方面的優勢[36]。本文使用新疆那拉提山地區域的Landsat8陸地成像儀（OLI）數據，考慮地形陰影消除和植被覆蓋信息混淆問題，借鑒SEVI的構造原理和形式，構建新的指數算法，增大植被指數的信息量，用于準確提取山地植被信息。

1 研究區和數據

1.1 研究區概況

研究區選擇在新疆那拉提，地理坐標為84°4'～84°28'E，43°8'～43°24'N，面積約900 km2，平均海拔約2 200 m。研究區三面環山，西部敞開，地處大陸性暖溫帶半干旱氣候區，水量充沛。地勢東高西低，主要由平原、丘陵、山地組成。擁有草原、森林、河谷、雪峰等，尤其是云杉林和高山優質草原草場。研究區如圖1所示。

圖1 研究區示意圖

1.2 數據源和預處理

遙感數據來源于中國科學院計算機網絡信息中心地理空間數據云平臺（http://www.gscloud.cn），本文下載并使用空間分辨率30 m，行列號144030，122027和119042的Landsat8OLI多光譜影像和數字高程模型（DEM）數據。

遙感數據預處理過程涉及到遙感原始數據的輻射定標，表觀反射率的計算，地形校正和地表反射率的計算。傳統的基于DEM的地形校正模型[37]包括余弦、C、SCS。C模型在一定程度上避免了余弦校正模型在低光照區域的過校正問題，被廣泛使用，因此本研究中的地形校正采用C模型。大氣校正是獲取地表反射率的一種途徑，大氣校正方法較多，本研究采用大氣校正效果較好的FLAASH（fast line-of-sight-atmospheric analysis of spectral hypercubes）模型[38]。

太陽入射角余弦值（cos）與植被指數的相關性分析是評價地形陰影效應消除效果的經典方法[39]。由DEM數據計算研究區cos值，cos計算表達式為

cos=cos·cos+sin·sin·cos(?) （1）

式中為太陽入射角，(°)，定義為垂直于地面與太陽光線之間的角度；為坡度角，(°)；為坡向角，(°)；為太陽天頂角，(°)；為太陽方位角，(°)。、由DEM數據計算得到；、直接從遙感影像的頭文件中獲取。

為了對比分析不同植被指數在山地植被信息提取中的準確性、有效性和實用性，根據研究區的主要土地覆蓋類型，選取對比分析樣本。根據新疆那拉提的主要土地覆蓋類型選擇以下7類對比分析樣本：陰影區域的林地、陰影區域的稀疏林地、非陰影區域的稀疏林地、草地、稀疏草地、裸地和水域，每類50個樣本，共350個對比分析樣本。陰影區域的稀疏林地和非陰影區域的稀疏林地樣本用于分析植被指數在陰影區域植被信息提取的準確性和有效性；林地、稀疏林地、草地、稀疏草地、裸地和水域樣本，用于分析植被指數是否符合各類土地覆蓋的實際情況，確保植被指數在不同土地覆蓋類型間的數值差異，重點考慮林地和草地的區分情況，檢測其在整個研究區的實用性。

為了驗證山地植被信息提取的精度，根據研究區的主要植被覆蓋類型，選取驗證樣本。根據新疆那拉提的主要植被覆蓋類型選擇以下5類驗證樣本：林地、稀疏林地、草地、稀疏草地、其它。每類100個樣本，共500個驗證樣本。

對比分析樣本和驗證樣本均從高空間分辨率的谷歌影像上選取，樣本數據是帶有地理位置信息和土地覆蓋類型屬性的矢量數據，樣本數據內容包括土地覆蓋類型名稱、Landsat OLI654波段組合結果影像圖、谷歌高清影像圖和樣本描述等。

2 研究方法

2.1 構建新的植被指數

計算對比分析樣本中各類土地覆蓋類型的紅光和近紅外波段的平均地表反射率值，如表1所示。各類土地覆蓋類型的平均地表反射率值，紅光波段表現為：裸地＞水域＞稀疏草地＞草地＞非陰影稀疏林地＞陰影稀疏林地＞陰影林地；近紅外波段表現為：草地＞稀疏草地＞裸地＞非陰影稀疏林地＞陰影稀疏林地＞水域＞陰影林地。其中，非陰影區域植被的平均地表反射率在紅光波段與陰影區域植被相差不大，但在近紅外波段遠高于陰影區域植被。分析研究區各類樣本的NDVI均值可知，陰影區域植被的NDVI數值低于非陰影區域植被，地形陰影影響顯著；林地和草地的NDVI數值無明顯差異，存在植被信息混淆問題。分析各類樣本在近紅外波段的平均地表反射率，可以發現各類樣本近紅外波段的平均地表反射率的負值可以作為NDVI的校正值。當NDVI加上校正值后，陰影區域植被的信息得到校正，并且植被指數數值在不同土地覆蓋類型表現為：林地＞稀疏林地＞草地＞稀疏草地＞裸地＞水域（表1）。因此，本文借鑒SEVI的構建原理[29]，使用NDVI獲取校正前的植被信息，采用陰影植被指數（SVI）作為校正值，根據陰影消除植被指數的模型算法表達式，構建了一種新的植被指數，即植被區分陰影消除植被指數（vegetation distinguished and shadow eliminated vegetation index，VDSEVI），計算表達式為

SVI=?nir（2）

VDSEVI=NDVI+SVI （3）

VDSEVI=(nir?r)/(nir+r)?nir（4）

式中nir為近紅外波段的地表反射率，%；r為紅光波段的地表反射率，%。

表1 7類土地覆蓋類型的平均地表反射率和植被指數

2.2 植被指數對比分析

RVI、NDVI和EVI2這3個常用植被指數被廣泛應用于植被信息遙感監測，本文依次用表觀反射率數據、經C模型地形校正后的數據、經FLAASH大氣校正和C模型地形校正后的數據，按照常用植被指數計算公式，分別計算RVI、NDVI和EVI2，得到由不同處理結果的遙感數據計算的常用植被指數。此外，由經FLAASH大氣校正后的數據，分別計算SEVI和VDSEVI。對不同的植被指數結果圖像通過目視對比分析，初步判斷植被指數的優劣。

根據350個對比分析樣本矢量數據，分別計算并統計對比分析樣本的植被指數值，對數值統計結果繪制直方圖進行對比分析。為了進一步描述陰影消除的效果和植被信息混淆情況，分別計算陰影區域的林地、陰影區域的稀疏林地、非陰影區域的稀疏林地、草地、稀疏草地、裸地和水域的樣本均值、標準差；另外計算陰影區域稀疏林地和相鄰非陰影區域稀疏林地植被信息的相對誤差（）。相對誤差計算表達式為

=|VIshady?VIsunny|/VIsunny×100% （5）

式中VIshady為陰影區域稀疏林地的植被指數；VIsunny為相鄰非陰影區域稀疏林地的植被指數。

最后，用DEM數據計算坡度坡向數據，進而按照公式（1）計算cos數據，根據對比分析樣本中的陰影林地、陰影稀疏林地、非陰影稀疏林地、草地、稀疏草地5類陰陽坡上的植被覆蓋樣本矢量數據，統計陰陽坡上植被覆蓋樣本的cos值，分別繪制植被覆蓋樣本的各植被指數與cos值的散點圖，并計算植被指數與cos的相關系數。

2.3 植被信息提取與驗證

山地植被信息提取的內容為研究區域主要植被覆蓋類型，不同地區的山地植被覆蓋內容不同，根據實際情況提取相應植被信息。山地植被信息的提取采用植被指數閾值法，閾值的確定由植被指數對比分析后的植被信息區分經驗值決定，閾值的計算方法表達式為

T=(M+M)/2 （6）

式中T為區分不同植被覆蓋類型的閾值；M、M分別為2類植被覆蓋類型樣本的植被指數均值。

為了驗證山地植被信息提取的精度，根據植被信息每類100個的驗證樣本，對植被信息提取結果采用混淆矩陣方式進行精度驗證。混淆矩陣是一個用于表示植被信息提取結果與驗證樣本的比較陣列，可以非常清楚地呈現多個植被信息提取的情況。混淆矩陣中的列代表驗證樣本，行代表由遙感數據基于植被指數閾值法得到的山地植被信息類別。

3 結果與分析

3.1 植被指數圖像對比分析

圖2直觀顯示了研究區各植被指數計算結果，可以反映陰影消除的效果和植被信息混淆情況。從研究區的特點來看，遙感影像上受地形陰影影響的陰坡，土地覆蓋類型以林地為主，并且針葉林居多；而不受地形陰影影響的陽坡，土地覆蓋類型以草地為主。因此，對于植被覆蓋不均一的研究區，不能僅從植被指數圖像的平坦和起伏特征來評價地形陰影消除的效果，需要對照研究區實際土地覆蓋類型來評價植被指數。由表觀反射率直接計算的RVI、NDVI和EVI2（圖2a~2c）在陰坡數值偏低；經C模型地形校正，有一定的改善（圖2d~2f）；經FLAASH大氣校正和C模型地形校正后進一步改善（圖2g~2i）。因此，后文中采用經FLAASH大氣校正和C模型地形校正后的RVI、NDVI和EVI2進行植被信息提取分析。經FLAASH大氣校正后的SEVI在陰坡植被信息得到校正，但是SEVI（圖2j）與RVI、NDVI和EVI2在陰坡的圖像平坦，沒有體現出林地和草地的差異，均存在植被信息混淆問題；經FLAASH大氣校正后的VDSEVI呈現出陰坡數值大于陽坡，并且在陰坡表現出細節差異，可區分不同植被覆蓋（圖2k）。

注：RVIT，NDVIT和EVI2T分別是由表觀反射率數據直接計算的比值植被指數（RVI），歸一化植被指數（NDVI）和增強型植被指數（EVI2）；RVIC，NDVIC和EVI2C分別是由表觀反射率數據經C模型地形校正后計算的RVI，NDVI和EVI2；RVIF+C，NDVIF+C和EVI2F+C分別是經過FLAASH大氣校正和C模型地形校正后計算的RVI、NDVI和EVI2；SEVIF是經FLAASH大氣校正后的數據計算的陰影消除植被指數（SEVI），VDSEVIF是經FLAASH大氣校正后的數據計算的植被區分陰影消除植被指數（VDSEVI）。單幅圖像中，亮的區域植被指數數值高，暗的區域植被指數數值低。

3.2 植被指數數值對比分析

不同土地覆蓋類型的各植被指數見圖3。

圖3 不同土地覆蓋類型的植被指數

經過FLAASH大氣校正和C模型地形校正后RVI、NDVI和EVI2可以區分稀疏林地、草地和水域，但其他土地覆蓋類型無法區分，存在植被信息混淆問題（圖3a～3c）。SEVI較好地消除了地形陰影的影響，但是仍存在植被信息混淆問題（圖3d）。VDSEVI不僅較好地消除了地形陰影的影響，還解決了植被信息混淆問題，特別是林地與草地可以有效區分出來，大大增加了植被指數的信息量（圖3e）。VDSEVI達到陰影消除、不同植被信息區分，真實反映山地植被信息的理想效果。

從陰影消除效果的角度分析，經過FLAASH大氣校正和C模型地形校正后計算的RVI、NDVI和EVI2，陰影稀疏林地和非陰影稀疏林地的相對誤差分別為7.728%、1.803%和2.646%。相比之下，經FLAASH大氣校正后的數據計算SEVI，陰影林地和陰影稀疏林地植被指數均值得到有效提升，陰影區域稀疏林地和非陰影區域稀疏林地的相對誤差為6.612%；最后，經FLAASH大氣校正后的數據計算VDSEVI，陰影林地和陰影稀疏林地植被指數均值達到理想的效果，陰影稀疏林地和非陰影稀疏林地的相對誤差為3.428%（表2）。

表2 稀疏林地在陰影和非陰影的相對誤差

從不同土地覆蓋類型區分效果的角度分析，不同土地覆蓋類型植被指數數值要有區分度，并符合實際土地覆蓋情況。各類土地覆蓋樣本的植被指數標準差見表3。同一土地覆蓋類型樣本的植被指數標準差越大，則表明該類樣本植被指數數值波動較大，容易與其他土地覆蓋類型混淆。經過FLAASH大氣校正和C模型地形校正后計算的RVI、NDVI和EVI2，各類土地覆蓋樣本的植被指數標準差較小。經FLAASH大氣校正后的數據計算SEVI，各類土地覆蓋樣本的植被指數標準差較大，存在土地覆蓋信息混淆問題。經FLAASH大氣校正后的數據計算VDSEVI，各類土地覆蓋樣本的植被指數標準差最小，較好解決了土地覆蓋信息混淆問題。

表3 各類土地覆蓋類型的植被指數標準差

3.3 植被指數與cosi相關性分析

分別繪制研究區植被覆蓋樣本各植被指數與cos的散點圖，并計算植被指數與cos的相關系數，如圖4所示。

圖4 植被指數與cosi的相關性

在植被覆蓋均一的情況下，陰陽坡植被指數與cos的相關系數越小則地形陰影校正效果越好，但是當陰陽坡植被覆蓋差異大時，則要根據具體情況分析。陰坡cos值較小，陽坡cos值較大，若陰坡植被覆蓋低于陽坡，植被指數與cos應呈正相關；若陰坡植被覆蓋高于陽坡，則應呈負相關。新疆那拉提陰坡以林地為主，陽坡以草地為主，陰坡植被覆蓋高于陽坡。從植被覆蓋樣本的植被指數與cos的散點圖以及相關系數的計算結果來看，經過FLAASH大氣校正和C模型地形校正后計算的RVI、NDVI和EVI2與cos的相關系數數值分別為?0.443、?0.496和?0.491（圖4a～4c），呈較大負相關，表現為大氣校正和地形校正效果顯著，陰影區域植被指數數值增加。由FLAASH大氣校正后的數據計算的SEVI與cos的相關系數為?0.553（圖4d），表現為SEVI消除陰影影響效果顯著；由FLAASH大氣校正后的數據計算的VDSEVI與cos的相關系數為?0.800（圖4e），呈較大的負相關，表現為陰影消除效果顯著，再現了陰坡植被覆蓋信息。

3.4 VDSEVI的適用性及精度驗證

為驗證VDSEVI在其他區域的適用性，將VDSEVI應用于內蒙古阿爾山和福州市閩侯縣2個區域。內蒙古阿爾山地理坐標為119°28′～121°24′E，46°37′～47°38′N，面積約8 225.483 km2，平均海拔約1 000 m，位于內蒙古自治區興安盟西北部，橫跨大興安嶺西南山麓，擁有原始森林，植被覆蓋度高，以針葉林為主；福州市閩侯縣地理坐標為118°53′～119°25′E，25°47′～26°36'N，面積約2 114.898 km2，平均海拔約200 m，位于福建省東部，全縣山脈多呈東北至西南走向，群山連綿，山巒重疊，陰陽坡植被覆蓋均一，以闊葉林為主。

內蒙古阿爾山和福州市閩侯縣區域沒有大面積的草地，因此對比分析樣本提取結果為陰影林地、非陰影林地、稀疏林地、裸地和水域5類樣本，每類50個樣本。各個土地覆蓋類型樣本VDSEVI值如圖5所示，陰影區域的植被信息得到校正，并且不同植被覆蓋類型間的數值有一定區分度，符合實際情況。因此，VDSEVI在這2個區域具有植被區分陰影消除效果，同樣適用于山地植被信息提取。

圖5 內蒙古阿爾山和福州市閩侯縣的植被指數

從圖3e和圖5可以得出，不同植被覆蓋類型，VDSEVI數值間有一定的區分度，因此，可通過對VDSEVI設定閾值用以植被區分，實現不同植被覆蓋類型信息的提取。新疆那拉提提取植被類型有林地、稀疏林地、草地、稀疏草地和其它，其它類中包括裸地、水域等；由于內蒙古阿爾山和福州市閩侯縣草地和稀疏草地的面積小而零散，將草地和稀疏草地歸為其它類中，內蒙古阿爾山和福州市閩侯縣提取植被類型有林地、稀疏林地和其它，其它類中包括草地、稀疏草地、裸地和水域等。新疆那拉提區域植被區分提取林地、稀疏林地、草地、稀疏草地和其它的VDSEVI閾值計算結果依次為0.687、0.516、0.347和0.259。同樣，內蒙古阿爾山植被區分提取林地、稀疏林地和其它信息的VDSEVI閾值計算結果依次為0.530和0.299；福州市閩侯縣用于植被區分提取林地、稀疏林地和其它信息的VDSEVI閾值計算結果依次為0.570和0.318。3個區域的植被信息提取結果如圖6所示。

圖6 3個區域植被信息提取結果

對植被信息提取結果進行評價，確定提取結果的精度和可靠性，精度評價混淆矩陣如表4所示。從混淆矩陣數據中可以看出，相鄰2類植被信息存在誤提和漏提現象，但總體提取效果較好。新疆那拉提、內蒙古阿爾山和福州市閩侯縣3個區域，植被信息提取總體精度分別為84.136%、87.339%、86.709%；Kappa系數分別為0.799、0.788、0.791。

表4 精度評價混淆矩陣

4 討 論

對于植被覆蓋類型多樣的研究區，常用的植被指數存在植被覆蓋類型信息混淆問題，林地草地混為一體。SEVI在植被覆蓋度高、植被覆蓋較為均一的山區應用效果較好[29]，但對于植被覆蓋不均一的山區植被信息提取則效果欠佳，需要構建新的植被指數。本文構建的VDSEVI算法，得益于不同植被覆蓋類型在近紅外波段地表反射率的差異，使得不同植被覆蓋類型的VDSEVI數值差異增大，從而增加植被指數的信息量。

植被指數抗地形效果的傳統驗證方法中，運用植被指數與cos進行相關性分析來說明植被指數的優劣，相關系數低則植被指數抗地形效果好。該方法僅建立在山地陰陽坡植被覆蓋一致、植被長勢相當的基礎上。當陰陽坡植被覆蓋不一致，則陰陽坡植被覆蓋的植被指數與cos應呈正或負相關關系。不同研究區，陰陽坡的植被覆蓋類型存在不同差異，植被指數與cos的相關性應根據實際情況具體分析。

山地植被指數的優劣評價，不僅要分析地形陰影的消除效果，還需要考慮不同植被覆蓋的植被指數數值是否混淆，是否符合實際情況。經過大氣校正和地形校正的遙感數據計算的EVI2，陰影消除效果較好，但是林地和草地存在混淆情況。經過大氣校正的遙感數據計算的VDSEVI，陰影消除效果與經過地形校正和大氣校正的遙感數據計算的EVI2相差不大，并且不同植被覆蓋信息的差異增大，不同植被覆蓋的植被指數值具有區分度，確保了基于植被指數閾值法的山地植被信息提取精度。

新疆那拉提、內蒙古阿爾山和福州市閩侯縣3個區域分別位于中國西北、東北和南部，面積大小均相差較大。將VDSEVI應用于這3個不同區域的植被信息提取，均達到較好的效果，表明VDSEVI適用于不同地域、不同尺度的遙感研究，普適性較強。

VDSEVI模型算法中不包含待定參數，指數計算僅使用紅光波段和近紅外波段；用于計算VDSEVI的遙感數據不需要進行地形校正，因此不受DEM等異源數據的限制。但是VDSEVI也有不足之處，即當地形條件較為復雜時，由于不同區域崎嶇地形產生的地形陰影影響大小不同，VDSEVI地形陰影消除效果不穩定。

5 結 論

1）不同土地覆蓋類型的VDSEVI存在顯著差異；陰影稀疏林地和相鄰非陰影稀疏林地的相對誤差較小，為3.428%；各土地覆蓋類型樣本VDSEVI標準差均小于0.06；植被覆蓋樣本VDSEVI與太陽入射角余弦值（cos）的相關系數為?0.800。

2）為驗證VDSEVI在其他地區的適用性，將VDSEVI應用于內蒙古阿爾山和福州市閩侯縣，結果表明VDSEVI同樣適用。新疆那拉提、內蒙古阿爾山和福州市閩侯縣3個區域基于VDSEVI閾值法的植被信息提取總體精度分別為84.136%、87.339%、86.709%，Kappa系數分別為0.799、0.788、0.791。

[1] 張靜靜，鄭輝，朱連奇，等. 豫西山地植被NDVI及其氣候響應的多維變化[J]. 地理研究，2017，36(4)：765－778.

Zhang Jingjing, Zheng Hui, Zhu Lianqi, et al. Multi-dimensional changes of vegetation NDVI and its response to climate in Western Henan Mountains[J]. Geographical Research, 2017, 36(4): 765－778. (in Chinese with English abstract)

[2] 孫然好，陳利頂，張百平，等. 山地景觀垂直分異研究進展[J]. 應用生態學報，2009，20(7)：1617－1624.

Sun Ranhao, Chen Liding, Zhang Baiping, et al. Vertical zonation of mountain landscape: A review[J]. Chinese Journal of Applied Ecology, 2009, 20(7): 1617－1624. (in Chinese with English abstract)

[3] Kutiel P, Cohen O, Shoshany M, et al. Vegetation establishment on the southern Israeli coastal sand dunes between the years 1965 and 1999[J]. Landscape and Urban Planning, 2004, 67(1): 141－156.

[4] 張建亮，劉方正，崔國發. 長白山國家級自然保護區植被時空變化及其驅動因子[J]. 生態學報，2016，36(12)：3525－3536.

Zhang Jianliang, Liu Fangzheng, Cui Guofa. Spatio-temporal variation of vegetation and analysis of its driving factors in Changbai Mountain National Nature Reserve[J]. Acta Ecologica Sinica, 2016, 36(12): 3525－3536. (in Chinese with English abstract)

[5] García-Llamas P, Geijzendorffer I R, García-Nieto A P, et al. Impact of land cover change on ecosystem service supply in mountain systems: A case study in the Cantabrian Mountains (NW of Spain)[J]. Regional Environmental Change, 2019, 19(2): 529－542.

[6] 任涵，張靜靜，朱文博，等. 太行山淇河流域土地利用變化對生境的影響[J]. 地理科學進展，2018，37(12)：1693－1704.

Ren Han, Zhang Jingjing, Zhu Wenbo et al. Impact of land use change on habitat in the Qihe River Basin of Taihang Mountains[J]. Progress in Geography, 2018, 37(12): 1693－1704. (in Chinese with English abstract)

[7] 翟天林，金貴，鄧祥征，等. 植被信息的Landsat8衛星影像提取方法[J]. 測繪科學，2016，41(10)：126－131.

Zhai Tianlin, Jin Gui, Deng Xiangzheng, et al. Study of vegetation information extraction method based on Landsat8 satellite images[J]. Science of Surveying and Mapping, 2016, 41(10): 126－131. (in Chinese with English abstract)

[8] 虢建宏，田慶久，吳昀昭. 遙感影像陰影多波段檢測與去除理論模型研究[J]. 遙感學報，2006，10(2)：151－159.

Guo Jianhong, Tian Qingjiu, Wu Yunzhao. Study on multispectral detecting shadow areas and a theoretical model of removing shadows from remote sensing images[J]. Journalof Remote Sensing, 2006, 10(2): 151－159. (in Chinese with English abstract)

[9] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[10] Birth G S, Mcvey G R. Measuring the color of growing turf with a reflectance spectrophotometer[J]. Agronomy Journal, 1968, 60(6): 640－643.

[11] Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment, 1991, 35(2/3): 161－173.

[12] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[C]// Greenbelt, Maryland: Third Earth Resources Technology Satellite-1 Symposium,1974: 309－351.

[13] Jong R D, Bruin S D, Wit A D, et al. Analysis of monotonic greening and browning trends from global NDVI time-series[J]. Remote Sensing of Environment, 2011, 115(2): 692－702.

[14] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2): 195－213.

[15] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295－309.

[16] Kang Yanghui, ?zdoean M, Samuel Z, et al. How universal is the relationship between remotely sensed vegetation indices and crop leaf area index? A global assessment[J]. Remote Sensing, 2016, 8(7): 597.

[17] Defries R S, Townshend J R G.NDVI-derived land cover classifications at a global scale[J]. International Journal of Remote Sensing, 1994, 15(17): 3567－3586.

[18] 張慧，李平衡，周國模，等. 植被指數的地形效應研究進展[J]. 應用生態學報，2018，29(2)：669－677.

Zhang Hui, Li Pingheng, Zhou Guomo, et al. Advances in the studies on topographic effects of vegetation indices[J]. Chinese Journal of Applied Ecology, 2018, 29(2): 669－677. (in Chinese with English abstract)

[19] 江洪，汪小欽，吳波，等. 地形調節植被指數構建及在植被覆蓋度遙感監測中的應用[J]. 福州大學學報：自然科學版，2010，38(4)：527－532.

Jiang Hong, Wang Xiaoqin, Wu Bo, et al. A topography -adjusted vegetation index(TAVI) and its application in vegetation fraction monitoring[J]. Journal of Fuzhou University: Nature Science, 2010, 38(4): 527－532. (in Chinese with English abstract)

[20] 江洪，何國金，黃海明，等. 基于波段比模型的地形調節植被指數組合算法構建與驗證[J]. 農業工程學報，2017，33(5)：156－161.

Jiang Hong, He Guojin, Huang Haiming, et al. Construction and validation of combination model of topography-adjusted vegetation index based on band-ratio model[J]. Transactions of Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 156－161. (in Chinese with English abstract)

[21] 吳志杰，徐涵秋. 衛星影像數據構建山地植被指數與應用分析[J]. 地球信息科學學報，2011，13(5)：656－664.

Wu Zhijie, Xu Hanqiu. A new index for vegetation enhancements of mountainous regions based on satellite image data[J]. Journal of GEO-Information Science, 2011, 13(5): 656－664. (in Chinese with English abstract)

[22] 劉健，許章華，余坤勇，等. 山地丘陵區遙感影像陰影檢測與去除方法[J]. 農業機械學報，2013，44(10)：238－241.

Liu Jian, Xu Zhanghua, Yu Kunyong, et al. Shadow detection and removal method for remote sensing image in mountainous and hilly area[J].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 238－241. (in Chinese with English abstract)

[23] 許章華，劉健，余坤勇，等. 陰影植被指數SVI的構建及其在四種遙感影像中的應用效果[J]. 光譜學與光譜分析，2013(12)：3359－3365.

Xu Zhanghua, Liu Jian, Yu Kunyong, et al. Construction of vegetation shadow index(SVI) and application effects in four remote sensing images[J]. Spectroscopy and Spectral Analysis, 2013(12): 3359－3365. (in Chinese with English abstract)

[24] Wang Ning, Lang Congyan, Xu De. Shadows removal based on regional gray edge hypothesis[J]. Optical Engineering, 2011, 50(12): 127001.

[25] Li Huifang, Xu Liming, Shen Huanfeng, et al. A general variational framework considering cast shadows for the topographic correction of remote sensing imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016(117): 161－171.

[26] 邊金虎，李愛農，王少楠，等. 基于MODIS NDVI的Landsat TM影像地形陰影區光譜信息恢復方法研究[J]. 遙感技術與應用，2016，31(1)：12－22.

Bian Jinhu, Li Ainong, Wang Shaonan, et al. Restoration of information obscured by mountain shadows for Landsat TM images based on MODIS NDVI[J]. Remote Sensing Technology and Application, 2016, 31(1): 12－22. (in Chinese with English abstract)

[27] 賴日文，池毓鋒，張澤均. 基于亮度恢復模型的Landsat 8數據山區陰影去除[J]. 遙感技術與應用，2018(3)：563－572.

Lai Riwen, Chi Yufeng, Zhang Zejun. Landsat 8 data mountain shadow removal based on brightness recovering model[J]. Remote Sensing Technology and Application, 2018(3): 563－572. (in Chinese with English abstract)

[28] 張甜，廖和平，崔林林. 包絡線去除的丘陵地區遙感影像陰影信息重建[J]. 遙感學報，2017，21(4)：604－613.

Zhang Tian, Liao Heping, Cui Linlin. Mountainous shadow information restoration based on the continuum removed[J]. Journal of Remote Sensing, 2017, 21(4): 604－613. (in Chinese with English abstract)

[29] Jiang Hong, Wang Sen, Cao Xiaojie, et al. A shadow- eliminated vegetation index (SEVI) for removal of self and cast shadow effects on vegetation in rugged terrains[J]. International Journal of Digital Earth, 2019, 12(9): 1013－1029.

[30] 劉曉娜，封志明，姜魯光. 基于決策樹分類的橡膠林地遙感識別[J]. 農業工程學報，2013，29(24)：163－172.

Liu Xiaona, Feng Zhiming, Jiang Luguang. Application of decision tree classification to rubber plantations extraction with remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2013, 29(24): 163－172. (in Chinese with English abstract)

[31] 沈明霞，何瑞銀，叢靜華，等. 基于主成分分析與Brovey變換的ETM+影像植被信息提取[J]. 農業機械學報，2007，38(9)：87－89.

Shen Mingxia, He Ruiyin, Cong Jinghua, et al. Study on extraction of vegetation information of ETM + by using PCA method and Brovey transfom[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(9): 87－89. (in Chinese with English abstract)

[32] Ono A, Kajiwara K, Honda Y. Development of new vegetation indexes, shadows index (SI) and water stress trend (WST)[J]. Networking the World with Remote Sensing, 2010, 38(1): 710－714.

[33] 許玉鳳，楊井，李衛紅，等. 1982－2013年新疆不同植被生長時空變化[J]. 草業學報，2016，25(1)：47－63.

Xu Yufeng, Yang Jing, Li Weihong, et al. Spatial-temporal change in different vegetation growth of Xinjiang from 1982 to 2013[J]. Acta Prataculturae Sinica, 2016, 25(1): 47－63. (in Chinese with English abstract)

[34] 張輝，劉江華，張超. 阿克蘇河流域不同植被類型NDVI時空變化特征[J]. 水資源與水工程學報，2017，28(4)：88－92.

Zhang Hui, Liu Jianghua, Zhang Chao. Spatial-temporal variation of different vegetation based on NDVI of Aksu river basin in Xinjiang[J]. Journal of Water Resources and Water Engineering, 2017, 28(4): 88－92. (in Chinese with English abstract)

[35] 劉艷，聶磊，楊耘. 基于植被指數估算天山牧區不同利用類型草地總產草量[J]. 農業工程學報，2018，34(9)：182－188.

Liu Yan, Nie Lei, Yang Yun. Estimation of total yield of different grassland types in Tianshan pastoral area based on vegetation index[J]. Transactions of Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 182－188. (in Chinese with English abstract)

[36] 王正興，劉闖，Alfredo H. 植被指數研究進展：從AVHRR-NDVI到MODIS-EVI[J]. 生態學報，2003，23(5)：979－987.

Wang Zhengxing, Liu Chuang, Alfredo H. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research[J]. Acta Ecologica Sinica, 2003, 23(5): 979－987. (in Chinese with English abstract)

[37] 高永年，張萬昌. 遙感影像地形校正研究進展及其比較實驗[J]. 地理研究，2008，27(2)：467－477.

Gao Yongnian, Zhang Wanchang. Comparison test and research progress of topographic correction on remotely sensed data[J]. Geographical Research, 2008, 27(2): 467－477. (in Chinese with English abstract)

[38] 王永鋒，靖娟利. 基于FLAASH和ATCOR2模型的Landsat ETM+影像大氣校正比較[J]. 測繪與空間地理信息，2014(9)：122－125.

Wang Yongfeng, Jing Juanli. Comparison of FLAASH and ATCOR2 atmospheric correction modules on Landsat ETM+Data[J]. Geomatics & Spatial Information Technology, 2014(9): 122－125. (in Chinese with English abstract)

[39] 姚晨，黃微，李先華. 地形復雜區域的典型植被指數評估[J]. 遙感技術與應用，2009，24(4)：496－501.

Yao Chen, Huang Wei, Li Xianhua. Evaluation of topographical influence on vegetation indices of rugged terrain[J]. Remote Sensing Technology and Application, 2009, 24(4): 496－501. (in Chinese with English abstract)

Extraction of mountain vegetation information based on vegetation distinguished and shadow eliminated vegetation index

Liu Xiaonong, Jiang Hong※, Wang Xiaoqin

(1.,,350108,;2.&,350108,;3.(),350108,)

Mountain vegetation information plays an important role in climate change research and ecological environment protection. Remote sensing technology can quickly acquire mountain vegetation information, but there are the influence of mountain terrain shadows and mountain vegetation information confusion.This paper took mountain vegetation as the research object and analyzed the main characteristics of mountain vegetation based on the multi-spectral data of Landsat satellite remote sensing image. Learn from the structural principle and form of the shadow elimination vegetation index (SEVI), a vegetation index algorithm - Vegetation distinguished and shadow eliminated vegetation index (VDSEVI) for mountain vegetation cover remote sensing monitoring was proposed. Samples for comparison and analysis were selected according to the main land cover types in the study area. The accuracy, validity and practicability of mountain vegetation information extraction with different vegetation indices were compared and analyzed. There are certain criteria which vegetation index of the same vegetation cover in shady and sunny should be equivalent,and the vegetation index values of different vegetation cover should be differentiated and compliance with actual vegetation coverage. Comparative analysis methods for different vegetation indices include: the images of different vegetation indices were directly compared; the vegetation index values of the same vegetation in shady and sunny cover were compared; the vegetation index values of the different land cover types were compared; the correlation between vegetation index and coswas analyzed. The VDSEVI was compared with the ratio vegetation index(RVI), the normalized vegetation index(NDVI), the enhanced vegetation index(EVI2) and SEVI.There was a significant difference in the mean value of VDSEVI among different land cover types. The relative error of the sparse woodland in shady and sunny was small, which was 3.428%. The standard deviation of each land cover type sample was less than 0.060.The shady area of the Nalati in Xinjiang was dominated by woodland, and the sunny area was dominated by grassland. Therefore, the vegetation index and cosshould be negatively correlated. The correlation coefficient between VDSEVI and cosis -0.800.The data results showed that compared with RVI, NDVI, EVI2 and SEVI, VDSEVI eliminated the influence of terrain shadows, and had a large amount of information and strong recognition of vegetation coverage.The problem of vegetation information confusion was solved, and the actual situation of mountain vegetation cover was reflected. To verify the suitability of VDSEVI in other regions, VDSEVI was applied to the area of Arxan in Inner Mongolia and Minhou County in Fuzhou City.The results showed that VDSEVI was equally effective.Vegetation information was extracted based on VDSEVI threshold method in Nalati in Xinjiang, Arxan in Inner Mongolia and Minhou County in Fuzhou City. The threshold was calculated by the VDSEVI value of samples from comparative analysis of various land cover types. Finally, the results of vegetation information extraction were evaluated by validating samples. The overall accuracy of vegetation information extraction in the three regions was 84.136%, 87.339%, 86.709% respectively, and the Kappa coefficients were 0.799, 0.788 and 0.791 respectively.

remote sensing; vegetation; mountainous region; informationextraction;vegetation distinguished and shadow eliminated vegetation index (VDSEVI)

柳曉農，江 洪，汪小欽. 構建植被區分陰影消除植被指數提取山地植被信息[J]. 農業工程學報，2019，35(20)：135－144.doi：10.11975/j.issn.1002-6819.2019.20.017 http://www.tcsae.org

Liu Xiaonong, Jiang Hong, Wang Xiaoqin. Extraction of mountain vegetation information based on vegetation distinguished and shadow eliminated vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 135－144. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.20.017 http://www.tcsae.org

2019-06-25

2019-08-29

國家重點研發計劃項目（No.2017YFB0504203），福建省自然科學基金項目（No.2017J01658）。

柳曉農，主要從事植被遙感研究。Email：liuxiaonong1013@163.com

江 洪，博士，副研究員，主要從事環境遙感、信息管理研究。Email：jh9l0@fzu.edu.cn

10.11975/j.issn.1002-6819.2019.20.017

TP702, TP79

A

1002-6819(2019)-20-0135-10