目录
前言
遥感指数(Remote Sensing Ecological Index,RSEI)是基于遥感技术,通过卫星多光谱影像可见光以及红外波段不同波段间组合,构建并强化光谱特性,以此来反应某一地物特征的一种技术。通常而言,遥感指数多用于如地物识别分类等场景,用以帮助区分不同地物;而不同的地物也有对应特征明显的指数,以此可以作为区分的依据。随着遥感技术的研究,现在有上百种遥感指数应用于不同的场景。
![](https://i-blog.csdnimg.cn/blog_migrate/78ffe006e2a264bf1ce65c54da7e0415.png)
由于构造原理不同,即使是同一类地物的不同遥感指数特征提取效果也会存在差异。因此根据应用场景的改变而选择合适的遥感指数有利于提高地物提取的精度。同时,更加明显的特征指数也有助于进一步的处理分析,如PCA主成分分析得到更有效的综合指标,或监督训练时增加额外维度数据以提高训练精度与速度。
当然,本篇文章让然主要是从遥感指数的原理,以及个人实际使用效果上进行讨论,因此有关特征的后续使用就不在深入讨论。以下我将按照常见地物分类,分别论述各种地物的特征指数构建原理,以及在个人的实际使用中的效果比较,以此来为后来者在指数选择中提供一定参考。
指数使用前需知
- 由于大多数遥感指数的波段组合为可见光波段与红外波段组成,因此指数提取影像最好应为含有红外波段的多光谱影像。考虑到现目前处理的大多数卫星影像均含有RGB与多个红外波段,因此这一点应该不会存在大的问题。如果你想要用遥感指数处理无人机影像,请确保其接受影像数据包含有指数所需要的波段。
- 在计算遥感指数前,情确保图像已经过校正(包含辐射定标、大气校正等),否则计算指数结果可能存在一定误差,不利于进一步使用的精度。
- 如果你是使用GIS软件如ArcGIS、ENVI等来计算影像遥感指数,需要注意部分异常区域的删除,以避免因异常值导致渲染异常;同理部分指数对于分析区域非常敏感,因此需要额外提取分析区域已避免其他区域影响渲染;
- 抛去3中可能存在的问题后,如果使用指数后依然存在指数结果异常,那么可能当前所使用的指数需要经过一定变形,经过一定改造后效果可能会提升。
遥感指数
不同遥感指数指数对于不同地物的提取效果不同,以此为基础,可以将遥感指数根据提取地物类别进行分类。常见的地物提取有植被、水体、建筑等,后续将针对不同地物的遥感指数原理效果进行分析。
P.S:以下评价分析均从个人使用经历以及主观角度进行评价,如果存在不同见解或补充,欢迎评论私信。
植被指数
归一化植被指数NDVI
植被指数最常见、使用最广泛的就是归一化植被指数NDVI。由于植被在NIR波段有强烈反射,同时在Red波段吸收能力较强,在光谱上表现为出现反射率的峰值与峰谷;由于其为植被独特于其他地物的特征,可分离性强,因此通过这两个波段建立的归一化植被指数NDVI能够很好提取出植被特征。
![](https://i-blog.csdnimg.cn/blog_migrate/4da7223b3d11f3e37c3708f67de44783.png)
![](https://i-blog.csdnimg.cn/blog_migrate/138790a9d60322ad1088cd63f6af9d7a.png)
由于归一化的操作,NDVI的值一般处于[-1,1]之间;当某一区域NDVI值大于0.5时,其有很大概率为植被区域。同时也给其带来一定鲁棒性,即不论遥感影像以及光谱反射率整体情况如何变化,其NDVI结果均符合以上规律,因此NDVI也是应用最常见的植被指数。
通常而言,提取植被时只考虑使用NDVI就足够。考虑到一些特殊的应用场景,下面还会介绍部分植被指数以供参考。
归一化差值山地植被指数NDMVI
归一化差值山地植被指数NDMVI顾名思义,其对于山体植被的提取以及植被所处坡向的分析有一定帮助。原理上,NDMVI在NDVI基础上引入了Red和NIR波段光谱反射率最小值,通过进一步归一化获取植被信息。
由于一副影像的某一波段反射率最小值为固定值,在计算NDMVI时反射率最小值的引入导致了指数值一定程度增加;在结果上,由于反射率最小值的弥补,使植被提取得以强化,尤其在山地区域,一些植被因处于坡向阴面,反射率受到影响而不易于提取精度,此时使用NDMVI将会有较好的改进。
![](https://i-blog.csdnimg.cn/blog_migrate/341ed2fccf65f9da53dc6767867f32b7.png)
NDMVI在山地区域的植被提取上有着不错的效果,因此在对地势起伏较大、存在山体的区域进行分析时,可以考虑引入NDMVI帮助分析坡向信息。而在平坦区域,NDMVI整体和NDVI相似。
增强型植被指数EVI
增强型植被指数EVI多用于植被茂密区。在原理上,EVI引入了Blue波段,并在处理时加入气溶胶阻抗系数,以此来矫正大气气溶胶散射以及土壤背景影响。
不知道是样本问题还是处理问题,在我处理的影像中用EVI提取效果都很差,可判读性以及精度都不够高,而且也没办法擅自进行改进,可能使用情景或者数据源(通常我只会使用Landsat影像,对于MODIS及其他卫星数据不太了解)和指数开发使用时不一样。如果在你的研究中有需要使用EVI,则需要更多结合自身数据考虑。
比值植被指数SR/植被指数RVI
比值植被指数SR,通常也叫作植被指数RVI,构建原理十分简单,即通过NIR与Red波段反射率比值来构建植被指数。
![](https://i-blog.csdnimg.cn/blog_migrate/b73d0214770e467df100a94c5ff44d53.png)
由于SR的构建单纯依赖比值关系,因此整体植被提取完整度可能不如NDVI等好,容易出现因为植被浓密区域SR值无限增长的情况,因此选取固定评判阈值可能不适合。但在如植被生长密集程度等进行评判时可能有不错的效果,因此使用时还需要关注应用场景。
差值植被指数DVI
差值植被指数DVI,直接通过NIR与Red波段反射率相减获取指数以提取植被。
由于并未进行其他处理,因此DVI对于土壤等非植被因素非常敏感,整体可判读性以及精度都较差,平时使用不推荐。
调节土壤的植被指数SAVI
调节土壤的植被指数SAVI整体原理与NDVI相同,不过其引入了土壤调节因子L,以适配不同植被覆盖率区域以及不同绿化情况。
![](https://i-blog.csdnimg.cn/blog_migrate/d65d460ca59ff9dee53e0b5287e94aa2.png)
土壤调节因子L的引入使得SAVI具有一定灵活性,可以针对不同应用环境而自行调节参数;通常情况下,L取值为0.5。由于这一特性,SAVI多用于与其他指数组合(如后文会提到城市建筑指数等),用以代表区域植被因素,从而进一步进行剔除计算。
垂直植被指数PVI
垂直植被指数PVI的构建与土壤线有关。由于土壤在Red与NIR波段反射率具有线性关系,通过拟合获取一条直线被称为“土壤线”。当区域处于土壤线之上时,其有可能为植被,处于土壤线下时,则有可能为水体。依照此,计算区域距土壤线距离得到的指数,被称为垂直植被指数PVI。
![](https://i-blog.csdnimg.cn/blog_migrate/ed9acd7b2cfdffaf000c3afcf8b508f6.png)
![](https://i-blog.csdnimg.cn/blog_migrate/76d62a400b28cae9bef926f7821dbb27.png)
相较于NDVI,PVI的提取效果较差一些,同时受地势起伏影响较大,不过也是一种提取植被的不同的思路(不过核心依然是NIR波段与Red波段的组合)。由于PVI的计算需要先进行土壤线的拟合,步骤相对繁琐,同时这一指数的公式存在变数,使用时需要注意不同影像间土壤线的差别。
绿光归一化差值植被指数GNDVI
绿光归一化植被指数GNDVI是将NDVI中Red波段替换为Green波段进行计算获取的指数。由于通常植被区域Green波段反射率高于Red波段反射率,因此植被区域GNDVI的值相较于NDVI会偏低,这也造成了GNDVI对于植被的识别不如NDVI敏感,整体提取效果较差,不太推荐使用。
大气阻抗植被指数ARVI
大气阻抗植被指数ARVI在原理上引入Blue波段,以此来减少植被分析中裸土、建筑的影响,从而来提升植被提取精度,因此一些混杂一定植被的裸土区域在ARVI下也被很好区分;但同样的,由于Blue波段的引入,当非植被区域Blue波段反射率过强时也会造成整体ARVI指数的增强,导致误分类。
![](https://i-blog.csdnimg.cn/blog_migrate/1a041184427a2d32e5446f9b14cfc51e.png)
![](https://i-blog.csdnimg.cn/blog_migrate/4018d4f0d78c25fbd878b88f6afb6d01.png)
整体上来看,ARVI在平坦区域效果的植被提取效果还算不错,但在山地区域因为Blue波段的影像,整体精度不如NDVI,且误分类比较严重,因此ARVI的使用需要结合实际情况来看。
植被指数总结
植被指数还有许多种我没有列举到,不过上述指数基本上已经包含了植被提取的大多数原理方法,可以借此思考进一步探究更多的指数。从上文可以看出,使用场景对于植被指数的选择十分重要,研究区域的起伏以及植被茂密度等都是选取时需要考量的因素。整体而言,NDVI具有不错的鲁棒性,在任何场景都可以优先考虑使用;对于地势起伏较大的山地区域,NDMVI具有更好的提取效果;当对于植被茂密度有一定要求时,可以考虑使用SAVI等指数。植被指数的使用需要从实际出发,选取最合适的参数才能提取到更准确的结果。
水体指数
归一化水体指数NDWI
归一化水体指数NDWI是最常用的水体提取指数。由于水体反射率曲线随着波段波长的增加而下降,NDWI利用Green与NIR波段进行归一化处理,可以有效提取出水体信息。
![](https://i-blog.csdnimg.cn/blog_migrate/1855debabe153d6548dba531856c6dc7.png)
NDWI对于水体的提取完整度较好,基本上能满足日常使用中的大多数需求。不过需要注意到的是对于非水体区域,如城市区域抑制性较弱;同时,NDWI对于水质情况不能很好反应。因此在NDWI外,还有其他多种水体指数可供选择使用。
改进的归一化水体指数MNDWI
改进的归一化水体指数MNDWI原理上和NDWI相似,不过将NIR波段替换为了MIR波段进行归一化分析。从结果上来看,MNDWI对于水体悬浮物比较敏感,因此在水质情况上能有一定反应,但在非水体区域的抑制性上可能结果不够理想。
增强型水体指数EWI
增强型水体指数EWI结合了NDWI与MNDWI,同时利用Green、NIR、MIR波段进行归一化处理,从而提取水体信息。一方面,EWI不仅对水体悬浮物有较好地敏感性,同时对于非水体区域也有较好的抑制性。
新型水体指数NWI
新型水体指数NWI原理上利用Blue波段代替Green波段,以此来增加不同地物间的反差;同时在处理上,同时使用了NIR、SWIR以及MIR波段进行归一化,使得其在水体提取以及非水体区域的抑制上都有不错的效果
![](https://i-blog.csdnimg.cn/blog_migrate/c1357b6e8feb2cb56888445f61731d48.png)
混合水体指数CIWI
混合水体指数CIWI结合了NDVI与NIR波段,通过组合来期望同时提取分辨水体、植被等信息。但在就我个人而言,这一指数并没有太多科研意义。通过对公式的一定整理,指数最终结果实际上和影像NIR波段没有太大的区别。
![](https://i-blog.csdnimg.cn/blog_migrate/0eabbb6f115ba116699832626e7c4cab.png)
![](https://i-blog.csdnimg.cn/blog_migrate/98249376639a5cb6cbf79365ff20d7b9.png)
因此在日常使用或研究时,我个人非常不推荐使用这一指数,或者说不如直接研究地物在NIR波段上的特性。这里主要是作为个人的一个见解提出供参考。
水体指数总结
相对于植被指数,水体指数的开发使用相对少一些,一方面在于现有的水体指数已经满足了大多数情况下的使用需求,另一方面,水体中一些其他地物的识别(如浑浊水体、水华等)被单独提出研究。后续本文也会就水体中一些特殊的地物识别指数进行讨论。
建筑&裸土指数
归一化建筑物指数NDBI
建筑区在SWIR上反射强度比NIR更强一些,因此通常可以以此建立特征。围绕此,可以建立归一化建筑物指数NDBI来帮助分类。
尽管NDBI对于建筑区域能够起到增强效果,但由于不同建筑区域间存在异质性,即建筑区域建筑材料等不同,因此在反射率波段上体现存在不同,这也造成在利用NDBI提取建筑时,一些区域的提取并不理想;同时在利用NDBI加强建筑区域时,由于裸土区域与建筑区域也会加强。
![](https://i-blog.csdnimg.cn/blog_migrate/63dee78d425026d934d1d3947e0fd068.png)
因此,为了探究更好的效果,本文后续尝试了其他多种建筑裸土指数,以期望找到效果更好的指数。
归一化土壤指数NDSI
归一化土壤指数NDSI利用MIR和NIR波段进行归一化,以构建土壤特征提取裸土。当然由于裸土与建筑的相似性,这一指数最终也会对部分建筑区域进行强化。
在建筑裸土的提取强化上,NDSI与NDBI大致相近,但NDSI对于陆地植被区域具有不错的抑制效果,某种意义上能够帮助提高分类精度。尽管如此,NDSI也有一定缺陷,如一些较难提取的建筑裸土NDSI仍然无法有效提取,同时一些含沙量较大的水体等对于NDSI的判别会造成影响(在NDBI上也有体现)。因此NDSI依然不能完全胜任建筑裸土提取的需求。
![](https://i-blog.csdnimg.cn/blog_migrate/7a61e5668d493f8d3a94f171325accfc.png)
归一化差值裸地与建筑用地指数NDBBI
之前的几个建筑裸土指数在地物提取时展现的结果并不理想,因此需要依照其他原理来构建新的指数。通过观察植被、水体以及建筑裸土的反射率曲线(见上文),可以发现有如下特点:
1、裸地、建筑区域从Green再到SWIR波段反射率整体呈增长趋势,随后到MIR呈略微下降趋势;
2、裸地建筑与植被水体在MIR波段光谱分离性非常明显,裸地建筑通常反射率更高,水体植被在MIR波段会存在反射率骤减。
基于以上,我们可以利用MIR帮助建立关于建筑裸地的特征指数。结合植被Green波段以及NIR波段的反射率峰值,可以构建出新的归一化差值裸地与建筑用地指数NDBBI。
![](https://i-blog.csdnimg.cn/blog_migrate/936f943c11007c70d441a723a3435ce8.png)
![](https://i-blog.csdnimg.cn/blog_migrate/d6bb717c74e53df3fa8e96174c76acae.png)
相对于NDBI和NDSI,NDBBI受植被水体影响更小,对于城市区域的提取更完整,在日常使用中推荐代替NDBI来进行使用。不过可以看到NDBBI依然无法细分建筑与裸土,因此后续还需要开发其他指数来进行使用。
裸土指数BSI
裸土指数BSI除了使用MIR和NIR波段外,结合了Red波段以及Blue波段,通过归一化处理来提取建筑裸土信息。
从强化结果上来看,BSI对于建筑裸土的强化效果非常好,不仅对于建筑强化程度以及提取完整度较高,一些其他指数不易识别的建筑区域在BSI下也能很好的提取出。虽然有如上优点,但BSI存在一个比较严重的问题,即BSI在强化建筑裸土时也会同时强化水体,因此如果不增加其他指数帮助修正水体提取,那么BSI容易造成误分类。
![](https://i-blog.csdnimg.cn/blog_migrate/9922b4acae99da9d569fcccddb189dae.png)
![](https://i-blog.csdnimg.cn/blog_migrate/d91f639be41d184516f0229b7d0220e7.png)
城市建筑指数IBI
城市建筑指数IBI原理为,由于NDBI在提取建筑裸土时存在植被与水体的影响干扰提取,因此利用NDBI进一步处理,通过引入SAVI和MNDWI代表植被与水体,做归一化后即可得到新的建筑指数。基于此,IBI的公式可以定义为:
不过这一公式在使用计算时效果不太好,推荐使用下列计算公式:
基于从原理上的处理,IBI在提取建筑裸土时,对于陆地非建筑裸土区域有着极强的抑制,很少存在强化不明显的“过渡区域”。而在建筑裸土区域强化上,IBI提取效果与NDBI相近,基本上无太大提升,同时需要注意的,IBI对于水体的抑制并不算理想,在这一方面NDBBI做得更好。
![](https://i-blog.csdnimg.cn/blog_migrate/edde94e190814d1babf32b22fe2a172b.gif)
增强型裸土指数EBSI
与IBI类似的,为了增强裸土信息,通过BSI与MNDWI归一化处理可以获取增强型裸土指数EBSI。基于以上原理,EBSI公式定义为:
同样的,直接使用这一公式结果并不理想,这里推荐使用以下公式:
其实从这里可以看出,一些通过不同指数组合而成的新指数,直接计算可能效果都不太好,通常需要对其进行展开变式,最终组合结果才会更好反应事实。
从结果上来看,EBSI对于建筑裸土的强化效果略好于NDBI,稍逊于IBI;同时,EBSI对于陆地非建筑裸土区域有较好的抑制效果,仅此与IBI。不过由于原理上主要处理的为水体,因此EBSI在水体抑制上的表现要优于如BSI、IBI等,仅此于NDBBI。
![](https://i-blog.csdnimg.cn/blog_migrate/14eb6d2d1fa99d9bb61d019737026864.png)
增强的指数型建筑用地指数EIBI
和前面类似的,在建筑提取中为了抑制裸土、植被以及水体的影响,通过建筑指数与裸土、植被、水体指数的组合可以获取新的增强建筑指数。因此,通过NDBBI、EBSI、SAVI以及MNDWI组合处理可以获取增强的指数型建筑用地指数EIBI,公式定义如下:
与上面相似,直接用这一公式计算出的结果可能并不理想,可读性较差。改善后的公式如下:
在建筑提取上,EIBI的提取效果非常显著;与之前所提及的建筑强化效果最好的BSI相比,EIBI不仅同样对于建筑集群提取强化明显,并且对于不易提取的建筑区域强化效果更好,完整度更高。
![](https://i-blog.csdnimg.cn/blog_migrate/60e92ad4758c6ac25050367efdc91b8d.png)
归一化不透水面指数NDISI
前面提到的指数只解决了建筑裸土的强化提取问题,但对于如何细分仍然需要额外的指数来帮忙解决。基于此,大多数研究通过引入归一化不透水面指数NDISI来帮忙处理。
在一定程度上,NDISI能够一定程度上帮助建筑与裸土的区分。但部分中间区域仍然存在一定差异,如部分建筑区域地面仍具有一定透水性,这时候NDISI的作用就不能体现。
![](https://i-blog.csdnimg.cn/blog_migrate/795b5fba5915dd68598a47ed7c24f17e.png)
建筑裸土指数总结
建筑裸土由于提取相对困难,并且两者性质相似,关于其的研究一直不断。从上文提到的指数来看,不同的指数各有优劣。如在建筑裸土提取强化上,EIBI和BSI有着非常不错的效果;而对于非建筑裸土区域的抑制上,NDBBI、IBI等都有着不错的效果;而如果要细分建筑与裸土,可能还要额外引用借助如NDISI等指数来帮忙细分。当然还有许多相关的指数这里没有提到,比如可以利用夜光遥感数据生成新的特征来帮助区分建筑与裸土,这里因为我手上也没有相关的数据,所以就不进一步探讨了。在这一类指数的使用上,因为各指数提取侧重点不同,因此可以考虑进行主成分分析,提取出更有效的综合特征来使用,以达到节省资源加快效率的目的。
其他指数
以下列出一些我使用过的一些指数作为补充。
浑浊水体指数TWI
浑浊水体指数TWI主要用于判断帮助水体浑浊情况,同时在如水华判断中也会使用到。
![](https://i-blog.csdnimg.cn/blog_migrate/80da5f4e06fbbf58f396c1a17d6041a9.png)
蓝藻和大型水生植物指数CMI
蓝藻和大型水生植物指数CMI旨在通过检验水体中叶绿素含量来提取水体中蓝藻和水生植物。对于水体中蓝藻等水生植物,由于其复函叶绿素,因此存在其的水体波段信息会发生改变:通常清澈水体在Blue波段有较强的反射率,且强于Green波段;随着蓝藻的增加,叶绿素含量增多,其在Green波段上的反射率增加,成为可辨识的特征。因此CMI定义为:
![](https://i-blog.csdnimg.cn/blog_migrate/83b6f3292f6f629153b420660c427288.png)
CMI对于水体中的蓝藻等水生植物非常敏感,其阈值大致为0,即当水体CMI大于0时,水体中便存在明显蓝藻或水生植物,因此该特征可以很好地定量判断出水体蓝藻等水生植物的情况。不过需要注意的,CMI并不能完全细分蓝藻与其他水生植物,其仍然需要其余指数来帮助区别。
在一些研究论文中,提到含草水体的藻草指数AGI。由于AGI原理与CMI相同,因此不对其进行赘述。
浮游藻类指数FAI
浮游藻类指数FAI主要用于浮藻水华提取,同时也能解决CMI不能细分蓝藻和水生植物的问题。由于叶绿素a或藻类蛋白的吸收作用,蓝藻与大型水生植物反射光谱非常类似,但由于吸水性,通常淹没的大型水生植物对光谱的反射作用,尤其是在近红外波段上的反射率较低,而蓝藻在近红外区会有一定反射峰值,这因此提供了一个可辨识的特征。基于此可以得到用于区分浮藻与水生植物的浮游藻类指数FAI:
![](https://i-blog.csdnimg.cn/blog_migrate/46d28abd4e30b8054ae1560394c895f8.png)
![](https://i-blog.csdnimg.cn/blog_migrate/c8ad3063eeddd863bac1d30c8e925e6e.png)
需要注意的,如果计算FAI后水体区域指数值变化不明显,可以考虑单独将水体提取裁剪后单独计算,以避免陆地区域影响渲染结果。
在蓝藻提取中,通常流程为先利用TWI进行浑浊水体的判断,其后再利用CMI判断整体水体叶绿素含量,最后再对叶绿素含量较高区域使用FAI进行判断,从而区分出浮藻与水生植物。
总结
在上文中提到了不少不同地物的提取指数。需要注意的,在指数的选择使用上不存在最好的指数,只有最适合当前研究的指数;因此,在使用时仍然需要依照自己所研究的区域特点来进行选择,同时也可以考虑使用主成分分析等手段来提取出更有效的指数特征。同时,仍然有许多的指数我还没有提及到,希望能够借此启发,鼓励读者去学习、使用,乃至开发更多的遥感指数,以帮助遥感事业发展。
参考文献
[1]郭铌. (2003). 植被指数及其研究进展. 干旱气象, 21(4), 5.
[2]丁凤. (2009). 基于新型水体指数(nwi)进行水体信息提取的实验研究. 测绘科学, 34(4), 3.
[3]吴志杰, & 赵书河. (2012). 基于tm图像的"增强的指数型建筑用地指数"研究. 国土资源遥感(2), 6.
[4]马红. (2014). 一种基于遥感指数的城市建筑用地信息提取新方法. 城市勘测(3), 4.
[5]李霞, 徐涵秋, 李晶, & 郭燕滨. (2016). 基于ndsi和ndisi指数的spot-5影像裸土信息提取. 地球信息科学学报, 18(1), 7.
[6] Liang, Q. , Zhang, Y. , Ma, R. , Loiselle, S. , & Hu, M. . (2017). A modis-based novel method to distinguish surface cyanobacterial scums and aquatic macrophytes in lake taihu. Remote Sensing, 9(2), 133.