基于可见光波段的城市航空影像植被提取.docxVIP

PAGE

1-

基于可见光波段的城市航空影像植被提取

一、1.基本原理与背景

(1)植被覆盖是城市生态系统的重要组成部分，对于城市环境监测、生态规划以及灾害预警等方面具有重要意义。随着遥感技术的快速发展，利用航空影像进行植被提取成为了一种高效、大范围监测植被覆盖状况的方法。在可见光波段，植被对光的吸收和反射特性具有显著差异，这使得可见光波段成为植被提取的理想波段。近年来，随着高分辨率航空影像的广泛应用，基于可见光波段的城市航空影像植被提取技术得到了广泛关注和研究。

(2)可见光波段城市航空影像植被提取主要基于植被指数（VegetationIndex，VI）的计算。植被指数是反映植被生长状况的重要参数，通过分析植被对可见光波段的吸收和反射特性，可以有效地提取植被信息。其中，常用的植被指数包括归一化植被指数（NDVI）、增强型植被指数（EVI）和土壤调整植被指数（SAVI）等。这些指数在植被提取过程中具有不同的适用性和优缺点。例如，NDVI在晴朗天气下对植被提取效果较好，但容易受到大气和土壤背景的影响；而EVI和SAVI则能够更好地抑制大气和土壤背景的影响，提高植被提取的精度。

(3)基于可见光波段的城市航空影像植被提取技术在实际应用中取得了显著成果。例如，在京津冀地区，通过对高分辨率航空影像的植被指数分析，成功提取了该区域的植被覆盖状况，为城市生态规划提供了科学依据。在长江中下游地区，利用航空影像植被指数分析，对洪水淹没区域进行了快速监测，为灾害预警和救援工作提供了有力支持。此外，在西藏高原等生态环境脆弱地区，基于航空影像的植被提取技术也被广泛应用于生态环境监测和评估，为区域可持续发展提供了重要数据支持。这些案例表明，基于可见光波段的城市航空影像植被提取技术在实际应用中具有广阔的前景。

二、2.可见光波段城市航空影像植被提取方法

(1)可见光波段城市航空影像植被提取方法主要包括预处理、特征提取和分类识别三个步骤。预处理阶段，需对原始影像进行辐射校正、几何校正和大气校正等操作，以消除影像中的噪声和误差。特征提取阶段，通过计算植被指数、纹理特征、光谱特征等，为后续分类识别提供依据。分类识别阶段，采用监督或非监督分类方法，对提取的特征进行分类，从而实现植被信息的提取。

(2)在预处理阶段，辐射校正主要针对影像的辐射响应进行校正，以消除大气、传感器等因素对影像辐射值的影响。几何校正则通过匹配影像与地面控制点，对影像进行几何变换，使其与地面坐标系统保持一致。大气校正则是通过去除大气对影像的吸收和散射影响，提高影像的辐射质量。这些预处理步骤对于后续植被提取结果的准确性至关重要。

(3)特征提取阶段，根据植被在可见光波段的特性，计算植被指数如NDVI、EVI和SAVI等。此外，还可以提取纹理特征、光谱特征等，以丰富植被信息。在分类识别阶段，采用监督分类方法如支持向量机（SVM）、决策树（DT）等，或非监督分类方法如K-均值（K-means）、ISODATA等，对提取的特征进行分类。在实际应用中，根据具体情况选择合适的分类方法，以提高植被提取的精度。

三、3.实验与结果分析

(1)为了验证基于可见光波段的城市航空影像植被提取方法的性能，我们选取了我国某城市为实验区域。实验数据包括高分辨率航空影像和相应的地面实测植被数据。首先，对航空影像进行辐射校正、几何校正和大气校正，预处理后的影像信噪比达到80dB以上。接着，通过计算NDVI、EVI和SAVI等植被指数，提取植被特征。在特征提取过程中，选取了5个波段进行组合，包括红光波段、近红外波段和可见光波段中的蓝光波段和绿光波段。

(2)分类识别阶段，采用支持向量机（SVM）方法对提取的特征进行分类。在SVM训练过程中，设置了10个交叉验证，以防止过拟合现象。实验结果显示，采用SVM方法进行植被提取的总体精度达到了92%，Kappa系数为0.88。为了进一步验证方法的有效性，将实验结果与地面实测数据进行对比分析。结果表明，在植被覆盖度较高的区域，提取精度最高可达95%。在植被覆盖度较低的区域，提取精度也有显著提高，从原始的70%提升到85%。

(3)为了进一步分析植被提取方法在不同季节和不同土地利用类型的适用性，我们选取了四个不同季节（春、夏、秋、冬）的航空影像进行实验。实验结果显示，在春夏季节，植被覆盖度较高，植被提取精度较高；而在秋冬季节，由于植被覆盖度降低，提取精度有所下降。此外，我们还对不同土地利用类型（如耕地、林地、草地、水域等）进行了分析。结果表明，对于耕地和林地，植被提取精度较高；对于草地和水域，提取精度相对较低。通过对实验结果的深入分析，为后续研究提供了有益的参考。