赵展，闫利

(武汉大学 测绘学院，武汉 430079)

0 引言

光谱分辨率是反应遥感影像提取地物信息能力的重要指标，传统的高分辨率遥感卫星的多光谱影像一般只有蓝、绿、红、近红外4个波段，光谱分辨率较低。2009年发射的WorldView-2在传统的4波段基础上增加海岸带、黄、红边和第2近红外波段，光谱分辨率显著提高。国内外研究者利用8波影像进行了大量研究，如利用WorldView-2 8波段影像进行各类植被提取[1-4]、牧草地分类[5]和树种分类[6-8]、根据植被指数进行生物量反演[9]、湿地地区地物分类与制图[10-11]、林火过火严重性分析[12]、城市区域不透水层[13-15]提取和市区建筑物分类[16-17]、温室大棚[18]提取，以及进行海水水深反演[19]等。诸多研究证明，相比于4波段多光谱影像，8波段影像具有更好的地物信息提取能力，新增加的4个波段对于某些特定地物能够显著提高提取精度，例如利用第2红外波段构建植被指数能提高植被提取精度[3]、黄波段有利于树种分类[7]、红边波段有利于区分道路和其他不透水层[14]等。作为目前最先进的高分辨率民用遥感卫星，WorldView-3、4在继承WorldView-2的8个多光谱波段的基础上，又添加了8个短波红外(short wave infrared，SWIR)区域的波段，将光谱范围从“可见光-近红外”扩展到1 195～2 365 nm之间短波红外波段。相比于可见光-近红外波段，短波红外的成像波段更长，不仅能够反应这一波段范围内地物的独特反射特性，而且受大气的散射作用小，穿透雾、烟尘的能力强，有希望显著提高WorldView影像精细提取地物信息能力[20]。

目前已有国外研究者开始通过理论分析和实际影像研究WorldView短波红外影像在环境遥感中的应用。Asadzadeh等利用地面和机载高光谱数据模拟了WorldView短波红外影像，并结合碳氢化合物反射特性进行分析，认为其1、4、8波段在溢油监测方面极具应用潜力[21]。Hunt等通过叶面成分反射率模拟模型研究了叶面成分与近红外-短波红外波段反射率的关系，认为WorldView短波红外影像可以用于叶面水分含量的估算[22]。Warner等利用WorldView-3的两时期16波段影像进行森林过火严重程度分析研究[23]。现有研究证明WorldView短波红外影像具有很大的地物信息提取潜力，但16波段影像对各类地物的分类能力尚有待系统分析研究。因此，本文以武汉市东西湖区的WorldView影像为例分析了各种地物在16波段影像上的光谱特征，提出了新的地物指数，通过实验证明了16波段影像具有更好的分类性能以及所提出地物指数的有效性。

1 研究区域与数据

研究区域位于武汉市东西湖区，东西湖区位于武汉市经济技术开发区，是武汉市“工业倍增”计划的示范区。实验区内地物类型丰富，有河流、池塘、农田、林地、道路、各种建筑物等。实验数据是WorlView-3卫星的16波段影像，其中第1到8波段是可见光-近红外波段，分辨率为1.2 m；第9到16波段是短波红外波段，分辨率为7.5 m。使用ENVI5.3软件分别对实验影像进行辐射定标和大气校正，将影像像素灰度值转换为反射率。然后将短波红外影像重采样到1.2 m分辨率，跟可见光-近红外影像组合成16波段影像。影像如图1所示，图1(a)是红、绿、蓝3个波段组合的真彩色显示示意图，图1(b)是短波红外1、2、3波段。

图1 实验影像数据

2 地物光谱特征分析与地物指数构建

如图1所示，实验影像上地物种类较多，其中水体、植被、裸地等自然地物一般在影像上呈现比较一致的光谱特征，而道路、建筑物等人工地物由于建筑材质不同在影像上呈现不同特征。其中，道路主要包含水泥道路和沥青公路，建筑物包括各种厂房、仓库、住宅小区，以及村落(砖瓦房)等。在影像上采集不同地物的典型样本点，绘制其16波段光谱曲线如图2所示。

图2 地物光谱曲线

图2显示了水体、植被(草地和林地)、裸地、不同材的道路和建筑物的典型样本的16波段反射率曲线。曲线图中横坐标表示波段，第1到8波段位可见光-近红外波段，分别为海岸带(下文中简称为C)、蓝(简称为B)、绿(简称为G)、黄(简称为Y)、红(简称为R)、红边(简称为RE)、第1近红外(简称为NIR1)、第2近红外波段(简称为NIR2)，第9到16波段是短波红外波段(简称为SWIR1～8)；纵坐标表示反射率(为了显示方便，数值乘以10 000)。从图中可以看出，水体的整体反射率较低，特别是在短波红外波段，反射率显著低于其他地物。植被具有非常明显的曲线特征，在近红外波段和短波红外波段有两个明显的波峰；在红波段和短波红外波段有3个波谷，曲线形状与其他地物区分明显。道路和建筑物属于人工地物，其反射率取决于所使用的不同建筑材质。从图中可以看出，沥青材质的道路和建筑物都具有较低的反射率，在可见光-近红外波段反射率与水体接近。而其他材质的建筑物和道路，根据材质各不相同在可见光-近红外波段可能具有不同的曲线特征，但在短波红外波段都具有较高的反射率，可以根据这一特点构造特征指数同时提取各种不同的人工建设地物。裸地的反射率曲线变化相对较平缓，整体规律类似与水泥材质地物，其中农田裸地整体反射率相对较低，而推填土的反射率较高，与水泥地物比较接近，但在短波红外一般低于水泥地物。总地来说，在16波段影像上，不同地物的光谱曲线间的区分性大大增强了。

在遥感应用中，经常根据需要提取某种特定地物。诸多已有研究中，针对某种目标地物的反射特性，利用波段反射差异性构建地物指数能够通过简单设置阈值即可有效提取该地物，例如归一化植被指数、归一化水体指数等。16波段影像相比以往4波段或8波段影像能更好地反应地物的光谱特性，可以利用16波段影像构建更有效的地物指数。

植被的反射率曲线在红波段有个明显波谷，在近红外波段呈现明显的波峰，以往遥感应用中经常利用这2个波段计算归一化植被指数NDVI，实践证明该指数可以有效提取植被并用于植被精细分类。但是在实际应用中，有的地物在这2个波段可能具有相似的反射率关系(如蓝色屋顶的厂房)，其计算的NDVI数值同样很高，影响植被提取。而在短波红外波段，植被在第11、12波段呈现波峰，而在第10、13波段呈现明显波谷，植被呈现出与其他地物不同的反射特性，例如蓝色厂房在短波红外波段整体反射率都比较高。利用植被在短波红外的反射曲线特性，可以构建新的植被指数用于植被提取分类。本文研究中利用第9波段(SWIR1)和第10波段(SWIR2)、第12波段(SWIR4)和第13波段(SWIR5)构建新的归一化植被指数：

(1)

(2)

在影像上水体属于反射率较低的物体，在可见光-近红外波段可能与沥青材质地物相近(公路、房屋)，易于混淆。如图2所示二者在可见光-近红外波段范围(1～8波段)内的反射率大小和光谱曲线形状上都非常相近，已有的遥感研究应用中常用的利用海岸带波段(或绿波段)和近红外波段构建归一化水体指数NDWI，能够有效地提取水体。但是当影像上存在沥青材质地物时，由于沥青可见光-近红外波段的反射特性跟水体较为接近，易造成混淆。但在短波红外范围(9～16波段)内，水体的反射率很低，沥青相对较高，二者区分明显。因此利用可见光波段和短波红外波段构建新的水体指数，这里为了最大程度增加对沥青的区分，可见光波段选择红波段，短波红外波段选择第8短波红外波段：

(3)

如上文所述，人工建设地物(包括建筑物和道路等)根据建筑材质不同呈现不同的光谱特征，而除沥青外的各种建筑材质尽管在可见光-近红外波段具有不同的光谱曲线特征，但在短波红外波段都具有较高的反射率，明显高于可见光-近红外波段。因此，本文根据这一特点构造归一化建成区指数NDBI(normalized difference built-up index)提取由各种不同的人工建筑地物组成的建成区：

(4)

裸地同水泥材质地物具有较相似的反射曲线形状，也可能会具有较高的swirNDBI值，而在C波段和SWIR8波段，水泥地物反射率一般高于裸地，因此可以构造一个辅助特征参数排除裸地对建成区的干扰：

swirNDBI2=SWIR8+C

(5)

3 实验与分析

3.1 监督分类结果

本文设计了2个实验分析16波段影像的分类性能。首先进行监督分类试验，分析在少量样本的情况下，利用最近邻分类器分类时的分类精度。然后进行单一地物提取实验，验证分析利用本文设计的地物指数提取单一地物的精度。为了防止分类结果出现“椒盐现象”，分类过程以面向对象方法为基础，即以分割后的影像对象为基本分类单元。但与面向对象分类方法中充分利用各种几何特征不同，由于本文主要是分析16波段影像光谱特征的分类性能，在本文实验中仅采用分割对象的各波段光谱灰度均值特征以及基于光谱的地物指数特征。因此，在本文实验过程中对影像进行了小尺度的分割，在分割结果上进行光谱分类实验。

在监督分类实验中，将实验影像上的地物分为植被、水体、裸地、建筑物和道路5类。采用人工目视判别影像结合百度街景确定影像上真实地物类别，所建立的分类样本和精度检查样本如图3所示。基于分类样本，分别利用可见光-近红外波段(即前8个波段)的光谱特征以及所有16波段的特征进行分类，分类结果利用检查样本进行精度评定。分类结果如图4所示，精度统计结果如表1、表2所示。可以看出，8波段影像分类结果中水体和植被的分类精度较高，裸地、建筑物、道路间的精度较低，有较多的裸地被误分为建筑物或道路，裸地的生产者精度较低，而建筑物、道路相互混淆也较严重，二者的生产者精度和用户精度都较低。使用16波段影像分类，植被和水体的精度有进一步提高，裸地的误分现象得到明显改善，生产者精度提高明显，而建筑物、道路的分类精度也有所提高。同时，建筑物和道路仍然存在一定的混淆，道路的用户精度仍然比较低，这是因为道路的建设材质与部分建筑物相同，仅靠光谱信息很难将完全区分，在后续研究中还需要加入形状、纹理等其他特征。总地来说，加入短波红外波段后，总体分类精度从83.5%提高到89.1%，Kappa系数从0.77提高到0.85。

图3 实验影像样本数据

图4 实验影像分类结果

表1 8波段影像分类精度评价

表2 16波段影像分类精度评价

3.1 利用地物指数提取地物结果

同时本文还对比分析利用地物指数提取特定地物结果，分别利用本文提出的几种地物指数设置简单阈值规则提取植被、水体和建成区，并利用图3(b)的检查样本进行精度检查，提取规则和精度统计结果如表3所示。其中植被和水体提取结果分别与基于8波段的地物指数结果作对比，而对于建成区来说，8波段影像并不能构建有效特征指数，这里仅给出本文基于16波段影像特征指数的提取结果。3种地物的提取结果分别如图5、图6、图7所示。从图5(a)可以看出，利用NDWI进行植被提取时，很多工厂厂房也被误提植被，虽然生产者精度较高，漏提较低，但误提较多导致用户精度不高，只有85.7%；而利用swirNDVI1建立一个简单阈值规则后，可以有效排除干扰地物(使用swirNDVI2可以达到同样效果，因此，文中只给出基于swirNDVI1的结果)。加入基于swirNDVI1阈值规则后，误提减少，用户精度可以显著提高到95.6%；同时，相比之下生产者精度略有下降，这是因为短波红外影像分辨率较低，在地物边缘处混合像元的影响造成的。同样的情况出现在水体提取的结果中，提取规则加入swirNDWI特征后，生产者精度略有下降，但避免了沥青房屋的干扰，用户精度从97.1%提升到99.9%。建成区的提取分为2个部分，非沥青材质的建成区具有较高的swirNDBI1和swirNDBI2指数值，通过二者建立提取规则提取，提取结果如图7(a)所示；沥青材质的建成区在可见光-近红外波段与水体相似具有相对较高的NDWI数值，同时swirNDWI的数值明显小于水体，可以利用这一特性提取沥青材质的建成区，提取结果如图7(b)所示，将二者合并，最终的提取结果如图7(c)所示。建成区的提取最终的生产者精度为80.8%，用户精度86%，通过简单阈值规则即取得较高的提取精度。

表3 地物提取规则与精度评价

图5 植被提取结果

图6 水体提取结果

图7 建成区提取结果

4 结束语

本文研究分析了WorldView卫星的16波段影像上各种地物的光谱特征，分析了16波段影像对不同地物的分类性能，并基于16波段影像提出了新的植被指数、水体指数和建成区指数。实验表明相比于8波段影像，使用16波段影像分类能够显著提高各类地物特别是裸地、建筑物和道路的分类精度，总体精度提高约5.5%。基于16波段设计的新的地物特征指数能够通过简单阈值有效提取地物，相比于已有地物指数，能更好地避免误提干扰地物，取得较高的提取精度。另一方面，分类和地物提取过程中，建筑物和道路依然存在一定的混淆，因为二者可能采用相同的建筑材料，仅仅依靠光谱特征很难完全区分。将16波段影像的丰富光谱特征与形状、纹理等几何特征相结合进行地物分类和提取，并分析16波段影像在地物精细分类中的性能，是下一步的主要研究内容。