背景

城市绿地（Urban green space, UGS）是城市环境重要的组成部分之一，可以显著缓解许多城市问题，如调节城市气候，缓解城市热岛效应，吸收颗粒空气污染物。植被数量和质量是UGS的两个重要属性。植被数量的提取可以采用多种方法，如深度学习、特征提取、波段选择、指数法等。植被数量和质量的准确估计至关重要。植被指数（Vegetation indices， VIs）可以为植被密度、叶面积指数和植被健康状况的研究提供基础支持。

植被指数通过波段运算增强植被信息，抑制背景信息。多年来，研究人员提出了几种植被指数，如DVI、NDVI。然而，在高密度植被覆盖区域，DVI、NDVI等常见VIs存在数值饱和问题。Huete等人发现了植被与土壤之间的相互作用，提出了表征植被密度的土壤调节植被指数（SAVI）。在SAVI的基础上，建立了优化土壤调整植被指数（OSAVI）。基于角度与基于比值的植被指数和基于正式统计框架的线性化植被指数也有助于减少饱和问题。这些被广泛使用的指标，可以有效解决城市生态研究的传统问题。

上述VIs主要适用于多光谱图像，提供的光谱信息不足，无法用于精细尺度的城市生态研究。如今获得的高光谱图像（HSI），具有从可见光到红外的数百个连续光谱带。每个像素点的光谱曲线可以作为指纹，用于识别和区分不同的材料。在城市地区，高层建筑产生的阴影占据了遥感图像的很大一部分。然而，由于阴影中的光学信息非常少，因此很难提取阴影植被。城市中新材料的出现，如体育场馆的人造运动表面和蓝色屋顶，也给植被提取技术带来了重大障碍。由于大多数城市植被分布在密集的区域中，这使得VIs往往是饱和的，使植被密度评估进一步复杂化。

为了解决上述问题，我们设计了基于高光谱影像的植被指数（HSVI），从高光谱影像上对城市植被进行简单有效的监测。为了利用HSI所包含的丰富的光谱信息，我们将HSVI的构建过程分为三个步骤：（1）构建增强植被指数（EVI）;（2）构建优化增强植被指数（OEVI）;（3）确定HSVI。然后评估了HSVI用于植被提取的准确性。

试验设计

中国石油大学孙根云教授团队选择了三个HSI数据集来检验试验结果。第一个HSI是休斯顿大学的数据集，图像尺寸为594 × 599像素，覆盖380 - 1050 nm光谱范围，共48个波段。另外两个HSI数据集均由搭载有GaiaSky-mini2-VN高光谱相机（江苏双利合谱公司）的无人机平台捕获，波长范围覆盖393 - 1012 nm光谱范围，数据集有360个波段。

为了构建EVI，首先需要从HSI中选择具有代表性的光谱波段。我们选择了许多来自土地覆盖类型的纯样本，包括阴影植被、稀疏植被、阴影不透水表面、蓝色屋顶、绿色合成庭院。每种地物都选取了2000多个纯样本。

从760 nm处的绿色箭头可以看出（图1），760 nm和689 nm两个波段的植被光谱值变化明显。相比之下，非植被地物的光谱值变化较小。植被在阴影下的光谱值在889 - 861 nm波段呈上升趋势（861 nm处绿色箭头）。然而，非植被地物有相反的趋势。因此，通过四波段组合构建EVI来增强阴影下的植被信息。由于861 nm和889 nm两个波段的差值太小，我们设置增强系数α。公式如下所示。

图1 地物光谱曲线

为了找出VIs饱和的原因，我们分析了不同密度植被覆盖区域的光谱特征（图2）。红边（760 nm）在高植被覆盖区域容易饱和。公式2是0-1范围内的单调函数，不通过非线性变换改变原值范围。这些优点保持了各种物体经过非线性变换后的光谱曲线的原始顺序和数值范围。因此，采用指数函数对易饱和波段（760 nm）进行非线性变换。将公式2加入公式1之后，优化增强植被指数（OEVI）如公式3所示。

当植被密度过高时，归一化差值植被指数（NDVI）容易饱和。因此我们将指数的分母替换为与植被密度呈强线性相关的红边（ρ689）和绿边（ρ520）之和，对归一化差进行了修正（公式4）。

为了证明所提出方法的有效性，我们在三个数据集上进行了三组试验。第一组确定a参数。第二组是研究算法在真实图像上的可行性。第三组比较不同VIs的可靠性。在第二组和第三组的试验中，我们选择了DVI、NDVI、SR、OSAVI、MTVI2、WDRVI等六种指数作为比较。

从前两个数据集中确定参数a。参数a从0开始递增，步长为2。随着参数a从0增大到4，植被提取结果的OA和Kappa不断增大。参数a达到4后，植被提取的OA和Kappa趋于稳定。因此，将HSVI的参数a设为4。

图2 不同相对植被覆盖密度的光谱曲线

结论

对于表1中的上海戏剧学院数据集，DVI、MTVI2和OSAVI的OA和Kappa最低。它们的E_O值非常高，说明遗漏了一些植被。NDVI、SR和WDRVI精度最高。他们的E_C和E_O更高。这表明他们将非植被表面错误地标记为植被。相比之下，HSVI的植被提取精度最高。HSVI具有最低的E_C和E_O，显示了其在减少阴影和新材料对分类结果干扰方面的优势。对于休斯顿大学数据集，只有HSVI获得了最好的植被提取精度。相反，其余6种VIs获得了较高的E_O值，表明它们在阴影条件下的性能较差。因此，我们可以得出结论，HSVI改善了复杂条件下的植被提取。

表1 指数的最优阈值及植被提取精度

图3a表明，椭圆区域有大量的阴影植被。然而，在图3b、e、f中，该区域DVI、MTVI2和OSAVI的植被提取结果是不完整的。如图3c、d、g所示，利用NDVI、SR、WDRVI进行植被提取效果更好，植被提取更完整。在图3h中，HSVI的植被提取最为完整。

图4进一步验证了HSVI在复杂环境下提取植被的优势。椭圆区域表示植被被遮蔽的地方，矩形区域包含容易被误分类为植被的合成表面。从图4c、f和g可以看出，由于阴影的干扰，NDVI、SR和WDRVI的植被提取结果较差。在图4d、e和h中，NDVI、SR和WDRVI能够从阴影中提取植被。然而，他们很容易将其他特征误认为植被。相比之下，HSVI的植被提取效果最好。结果表明，HSVI中的EVI有效增强了阴影植被，避免了与合成材料的光谱混淆。

图5c - i为7个VIs的植被提取结果。从图5a和b中可以看出，在椭圆虚线框中，大面积植被被阴影覆盖。从图5c - h可以看出，其他方法提取椭圆区域的植被效果较差。然而，HSVI大程度地提取了阴影下的植被（图5i）。这说明HSVI中的EVI能有效增强阴影植被信息，有利于植被提取。与其他指数相比，HSVI在航空HSI数据上表现良好。

图3 上海戏剧学院植被提取结果：（a）伪彩色图像，（b）DVI，（c）NDVI，（d）SR，（e）MTVI2，（f）OSAVI，（g）WDRVI，（h）HSVI

图4 上海戏剧学院植被提取结果：（a）伪彩色图像，（b）真实值，（c）DVI，（d）NDVI，（e）SR，（f）MTVI2，（g）OSAVI，（h）WDRVI，（i）HSVI

图5 休斯顿大学的植被提取结果：（a）RGB图像，（b）真实值，（c）DVI，（d）NDVI，（e）SR，（f）MTVI2，（g）OSAVI，（h）WDRVI，（i）HSVI

为了验证HSVI的不敏感性，我们比较了其他VIs与NDVI的相关性。从图6a、c、d的散点图分布可以看出，DVI、MTVI2、OSAVI与NDVI的相关性非常低，分布不均匀。结果表明，它们的不敏感性弱于NDVI。由图6b、e、f可知，SR、WDRVI、HSVI与NDVI具有较高的相关性，拟合函数为曲线分布。结果表明，它们的不敏感性大于NDVI。同时，从图6g可以看出，HSVI可以达到与当前最佳指数相同的水平。

图6 大珠山不同指数与NDVI的回归分析

为了更直观地比较各VI的不敏感性，我们在大珠山数据集上获得了不敏感性结果（图7）。从图7a可以看出，椭圆区多为裸岩，稀疏植被。但NDVI、MTVI2、OSAVI值均在0.5以上，如图7c、e、f所示，属于高估。从图7b中的矩形区域可以看出，DVI中的纹理特征是由阴影引起的。从图7d可以看出，SR低估了整体植被分布。相比之下，图7g和h中的WDRVI和HSVI效果更好，可以在植被覆盖饱和的矩形区域有较好区分结果。因此，在无人机HSI上，HSVI对植被的表征不敏感性较高。

图7 大珠山指数不敏感性结果

综上所述，本研究提出了一种新的植被指数HSVI，可以用于城市植被覆盖度计算。该方法重新定义了VI的结构，充分利用了四个波段的高光谱信息，从而可以用于阴影条件下复杂环境中的植被提取，克服了高密度植被覆盖地区的饱和问题。不同研究点的HSVI图像分析表明，它明显优于其他VIs。HSVI的局限性主要在于其组成波段相对特殊。这些波段很难在多光谱图像中找到，通常只能在高光谱图像中找到。

作者信息

孙根云，博士，中国石油大学海洋与空间信息学院教授，博士生导师。

主要研究方向：遥感大数据智能处理及应用、深度学习模型设计、热带亚热带遥感、多源遥感资源环境监测。

参考文献：

Sun, G., Jiao, Z., Zhang, A., Li, F., Fu, H., & Li, Z. (2021). Hyperspectral image-based vegetation index (HSVI): A new vegetation index for urban ecological research. International Journal of Applied Earth Observation and Geoinformation, 103.