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.可见光波段城市航空影像概述

(1)可见光波段是电磁波谱的一部分，其波长范围通常在380至780纳米之间。在城市航空影像中，可见光波段的应用极为广泛，它能够提供高分辨率、高对比度的图像，对于城市规划和环境监测等领域具有重要意义。据相关数据显示，全球每年约有数十万平方公里的城市航空影像被用于各类应用，其中可见光波段影像占绝大多数。例如，在2019年，我国共完成了超过30万平方公里的航空摄影工作，其中超过95%采用了可见光波段技术。

(2)可见光波段的城市航空影像具有丰富的信息，包括地物的光谱特性、纹理特征和几何形状等。这些信息对于植被提取、土地利用分类和城市环境监测等方面具有重要意义。以植被提取为例，通过分析可见光波段影像中的红光和近红外波段数据，可以有效地识别和提取植被覆盖区域。研究表明，红光与近红外波段的反射率差异是区分植被与非植被的关键因素。在实际应用中，这种方法已经被广泛应用于森林资源调查、农业监测等领域。

(3)随着遥感技术的发展，高分辨率的城市航空影像设备不断涌现，为可见光波段的城市航空影像应用提供了有力支持。例如，我国自主研发的“高分”系列卫星就具备高分辨率、多光谱成像能力，能够提供高质量的可见光波段影像数据。这些影像数据在处理和分析过程中，可以结合地理信息系统（GIS）和遥感图像处理软件，实现植被提取、城市扩展监测、灾害评估等多种功能。以2018年长江流域的洪水监测为例，通过分析高分卫星的可见光波段影像，成功识别了洪水淹没区域，为抗洪救灾提供了重要依据。

二、2.基于可见光波段的城市航空影像植被提取方法

(1)基于可见光波段的城市航空影像植被提取方法主要包括光谱分析方法、纹理分析方法和混合像元分解方法。光谱分析方法通过分析不同波段的光谱反射率差异，识别植被与非植被区域。该方法的关键在于选择合适的波段组合和植被指数，如归一化植被指数（NDVI）和增强型植被指数（EVI）等。例如，在NDVI图中，植被区域通常表现为高值区，而非植被区域则表现为低值区。在实际应用中，通过对比不同植被类型的NDVI值，可以实现对植被的初步分类。

(2)纹理分析方法则侧重于分析影像中像素的排列规律和空间分布特征。这种方法通过计算纹理特征参数，如对比度、纹理粗糙度和方向性等，来评估植被覆盖的均匀性和复杂性。例如，在纹理分析中，高对比度的纹理特征往往与茂密的植被相对应，而低对比度的纹理特征则可能与裸露地表或稀疏植被相关。结合光谱信息和纹理信息，可以更准确地识别和分类不同植被类型。

(3)混合像元分解方法是一种综合光谱、纹理和空间信息的方法，用于处理复杂场景中的混合像元问题。该方法将每个像元分解为多个纯净像元，并估计各纯净像元的分布和比例。通过优化算法，可以找到最佳的分解方案，从而实现植被提取。例如，基于迭代最优化算法的混合像元分解（IMDE）方法，能够有效地识别植被和非植被区域，并在实际应用中取得了较好的效果。此外，结合地理信息系统（GIS）和遥感图像处理软件，可以对提取的植被信息进行进一步的分析和处理，为城市规划和环境监测提供有力支持。

三、3.实验与结果分析

(1)实验部分选取了我国某典型城市区域作为研究对象，该区域涵盖城市绿地、居民区、工业区和商业区等多种土地利用类型。实验数据包括高分辨率的城市航空影像和多时相的地面实测数据。实验首先对航空影像进行预处理，包括几何校正、大气校正和辐射校正等，以确保数据的准确性。然后，运用基于光谱、纹理和混合像元分解的方法进行植被提取，并对比不同方法提取结果的精度。

(2)在结果分析中，采用混淆矩阵和Kappa系数作为评价植被提取精度的指标。实验结果显示，基于混合像元分解方法提取的植被信息具有较高的精度，Kappa系数达到0.85以上。此外，通过对比不同植被类型的提取结果，发现该方法能够有效地区分不同类型的植被，如城市绿地、森林和农田等。在光谱分析方法中，NDVI指数在植被提取中表现出较好的性能，Kappa系数约为0.8。而纹理分析方法在识别城市绿地方面表现较好，但Kappa系数略低于光谱分析方法。

(3)实验进一步分析了不同植被提取方法在不同土地利用类型中的表现。结果表明，混合像元分解方法在所有土地利用类型中的提取精度均较高，尤其是在居民区和工业区，提取精度达到了0.9以上。而光谱分析方法在森林和农田等大面积植被区域表现较好，但在城市绿地等复杂场景中的提取精度相对较低。此外，实验还探讨了不同时间序列影像对植被提取结果的影响，发现多时相影像可以有效地提高植被提取精度，尤其是在春季和秋季等植被生长旺盛的时期。综合实验结果，混合像元分解方法在基于可见光波段的城市航空影像植被提取中具有较高的应用价值。