构建植被区分阴影消除植被指数提取山地植被信息

柳晓农，江 洪，汪小钦

构建植被区分阴影消除植被指数提取山地植被信息

柳晓农，江 洪※，汪小钦

（1. 福州大学空间数据挖掘与信息共享教育部重点实验室，福州 350108；2. 卫星空间信息技术综合应用国家地方联合工程研究中心，福州 350108；3.数字中国研究院（福建），福州 350108）

山地植被信息在气候变化研究和生态环境保护等方面发挥着重要作用，遥感技术能够快速获取山地植被信息，但是存在山地地形阴影的影响以及山地植被信息混淆问题。该文以山地植被为研究对象，基于Landsat卫星遥感影像多光谱数据，分析山地植被的主要特点，借鉴阴影消除植被指数（shadow eliminated vegetation index，SEVI）的构造原理及形式，提出了一种适用于山地植被覆盖遥感监测的植被指数算法—植被区分阴影消除植被指数（vegetation distinguished and shadow eliminated vegetation index，VDSEVI）。研究结果表明：相对于已有的其他植被指数，VDSEVI较好地消除了地形阴影的影响；VDSEVI的信息量大，植被覆盖的识别能力较强，较好地解决了植被信息混淆问题，能够更好地反映山地植被覆盖情况。不同土地覆盖类型的VDSEVI存在显著差异；阴影稀疏林地和相邻非阴影稀疏林地的相对误差较小，为3.428%；各土地覆盖类型样本VDSEVI标准差均小于0.06；植被覆盖样本VDSEVI与太阳入射角余弦值（cos）的相关系数为−0.800。为验证VDSEVI在其他地区的适用性，将VDSEVI应用于内蒙古阿尔山和福州市闽侯县，结果表明VDSEVI同样适用。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域基于VDSEVI阈值法的植被信息提取总体精度分别为84.136%、87.339%、86.709%，Kappa系数分别为0.799、0.788、0.791。

遥感；植被；山地；信息提取；植被区分阴影消除植被指数（VDSEVI）

0 引 言

山地是地球陆地表面地形复杂的地理单元，生态系统较为脆弱，对环境变化较为敏感[1-2]。植被是覆盖地表的植物群落的总称，包括森林、灌丛和草地等多种类型的植被，是地理环境中的重要组成部分，作为山地生态系统的关键因子，扮演着非常重要的角色[3-4]。植被覆盖变化影响山地生态系统的服务价值[5]，因此，研究山地植被信息的有效提取，对于权衡山地生态保护与发展及土地资源的可持续利用具有重要意义[6]。遥感技术作为一种新型的综合性探测技术，具有获取信息速度快、周期短、可获取大范围数据资料等优点，能够快速准确地获取植被的分布特征信息[7]。遥感影像上的地形阴影在遥感影像数据上表现为像元亮度值偏低[8]。地形阴影区域地物信息量相对较少，难以判读，在影像处理和工程应用中，影响操作进程，甚至产生错误结果。随着遥感影像的广泛应用，消除地形阴影影响的方法研究意义重大。

遥感数据中的红光波段和近红外波段组合对绿叶生物量敏感，可用于检测植物冠层的光合作用活性生物量[9]。Birth等[10]提出比值植被指数（RVI），用以监测高密度植被区域的动态变化[11]，但是数值会随植被密度无限增大，并且对低密度植被敏感性低。Rouse等[12]对比值植被指数进行非线性变换提出归一化植被指数（NDVI），NDVI被广泛应用于植被时序变化监测[13]，但是NDVI在密集植被区域存在饱和问题[14]，由于裸露土壤的影响，NDVI对于低覆被地区的响应也不好[15]。基于NDVI改进后的增强型植被指数（EVI2）[16]，提高了对高植被量区域的敏感性。植被指数可有效地反映植物生长状况和生物量等，在土地覆盖分类中具有重要作用[17]。地形对植被指数影响较大，复杂山地地形阴影对遥感信息提取的影响不容小觑[18]。

考虑到地形阴影效应对植被遥感信息提取的影响，不少学者提出新的植被指数。江洪等[19-20]构建地形调节植被指数（TAVI）组合算法，能有效解决地形影响；吴志杰等[21]提出归一化差值山地植被指数，可有效抑制地形影响；刘健等[22-23]构建的阴影植被指数增大阴影与明亮区植被、水体间的差异，可有效检测阴影。Wang等[24]提出基于区域灰度边缘假设的阴影去除方法可得到高质量的无阴影图像；Li等[25]提出考虑本影和落影的地形校正框架来提高阴影校正的精度。边金虎等[26]提出地形阴影区光谱信息恢复方法；赖日文等[27]构建阴影检测模型；张甜等[28]采用相似像元包络线的阴影校正方法实现阴影亮度重建。Jiang等[29]在TAVI研究基础上进一步提出地形阴影消除植被指数（SEVI），有效消除山区地形阴影（本影和落影）的影响，弥补传统地形校正的不足。众多的植被指数各有特色，有注重高密度植被信息提取、关注植被与水体的差异、致力于检测阴影和消除阴影等，但是较少能顾及多个方面。

植被信息提取方法的研究不断深入[7]，刘晓娜等[30]运用决策树分类的方法提取植被信息，成林分类总精度超过90%，幼林分类总精度超过75%；沈明霞等[31]采用主成分与NDVI融合，融合后的影像有利于植被信息提取和变化检测；Ono等[32]建立阴影指数（SI）用于植被分析；许玉凤等[33]利用多源数据构建NDVI数据集，融合后的数据的2为0.959，可以用于不同植被类型信息提取和时间序列分析。但是由于“同物异谱”和“同谱异物”的现象存在，植被指数在植被类型的遥感解译依然存在误差[34-35]。

目前已有的山地植被指数仍有不足之处：一是指数模型需通过实验统计获取模型调节参数，在实际应用中，存在局限性和不确定性；二是由于不同地区山地植被覆盖类型差异大，植被指数往往具有明显的地域性；三是不同植被覆盖类型的植被指数数值无明显差异，导致山地植被信息混淆。解决以上问题，才能有效发挥遥感植被指数在空间覆盖范围广、时间序列长、数据具有一致可比性等方面的优势[36]。本文使用新疆那拉提山地区域的Landsat8陆地成像仪（OLI）数据，考虑地形阴影消除和植被覆盖信息混淆问题，借鉴SEVI的构造原理和形式，构建新的指数算法，增大植被指数的信息量，用于准确提取山地植被信息。

1 研究区和数据

1.1 研究区概况

研究区选择在新疆那拉提，地理坐标为84°4'～84°28'E，43°8'～43°24'N，面积约900 km2，平均海拔约2 200 m。研究区三面环山，西部敞开，地处大陆性暖温带半干旱气候区，水量充沛。地势东高西低，主要由平原、丘陵、山地组成。拥有草原、森林、河谷、雪峰等，尤其是云杉林和高山优质草原草场。研究区如图1所示。

图1 研究区示意图

1.2 数据源和预处理

遥感数据来源于中国科学院计算机网络信息中心地理空间数据云平台（http://www.gscloud.cn），本文下载并使用空间分辨率30 m，行列号144030，122027和119042的Landsat8OLI多光谱影像和数字高程模型（DEM）数据。

遥感数据预处理过程涉及到遥感原始数据的辐射定标，表观反射率的计算，地形校正和地表反射率的计算。传统的基于DEM的地形校正模型[37]包括余弦、C、SCS。C模型在一定程度上避免了余弦校正模型在低光照区域的过校正问题，被广泛使用，因此本研究中的地形校正采用C模型。大气校正是获取地表反射率的一种途径，大气校正方法较多，本研究采用大气校正效果较好的FLAASH（fast line-of-sight-atmospheric analysis of spectral hypercubes）模型[38]。

太阳入射角余弦值（cos）与植被指数的相关性分析是评价地形阴影效应消除效果的经典方法[39]。由DEM数据计算研究区cos值，cos计算表达式为

cos=cos·cos+sin·sin·cos(−) （1）

式中为太阳入射角，(°)，定义为垂直于地面与太阳光线之间的角度；为坡度角，(°)；为坡向角，(°)；为太阳天顶角，(°)；为太阳方位角，(°)。、由DEM数据计算得到；、直接从遥感影像的头文件中获取。

为了对比分析不同植被指数在山地植被信息提取中的准确性、有效性和实用性，根据研究区的主要土地覆盖类型，选取对比分析样本。根据新疆那拉提的主要土地覆盖类型选择以下7类对比分析样本：阴影区域的林地、阴影区域的稀疏林地、非阴影区域的稀疏林地、草地、稀疏草地、裸地和水域，每类50个样本，共350个对比分析样本。阴影区域的稀疏林地和非阴影区域的稀疏林地样本用于分析植被指数在阴影区域植被信息提取的准确性和有效性；林地、稀疏林地、草地、稀疏草地、裸地和水域样本，用于分析植被指数是否符合各类土地覆盖的实际情况，确保植被指数在不同土地覆盖类型间的数值差异，重点考虑林地和草地的区分情况，检测其在整个研究区的实用性。

为了验证山地植被信息提取的精度，根据研究区的主要植被覆盖类型，选取验证样本。根据新疆那拉提的主要植被覆盖类型选择以下5类验证样本：林地、稀疏林地、草地、稀疏草地、其它。每类100个样本，共500个验证样本。

对比分析样本和验证样本均从高空间分辨率的谷歌影像上选取，样本数据是带有地理位置信息和土地覆盖类型属性的矢量数据，样本数据内容包括土地覆盖类型名称、Landsat OLI654波段组合结果影像图、谷歌高清影像图和样本描述等。

2 研究方法

2.1 构建新的植被指数

计算对比分析样本中各类土地覆盖类型的红光和近红外波段的平均地表反射率值，如表1所示。各类土地覆盖类型的平均地表反射率值，红光波段表现为：裸地＞水域＞稀疏草地＞草地＞非阴影稀疏林地＞阴影稀疏林地＞阴影林地；近红外波段表现为：草地＞稀疏草地＞裸地＞非阴影稀疏林地＞阴影稀疏林地＞水域＞阴影林地。其中，非阴影区域植被的平均地表反射率在红光波段与阴影区域植被相差不大，但在近红外波段远高于阴影区域植被。分析研究区各类样本的NDVI均值可知，阴影区域植被的NDVI数值低于非阴影区域植被，地形阴影影响显著；林地和草地的NDVI数值无明显差异，存在植被信息混淆问题。分析各类样本在近红外波段的平均地表反射率，可以发现各类样本近红外波段的平均地表反射率的负值可以作为NDVI的校正值。当NDVI加上校正值后，阴影区域植被的信息得到校正，并且植被指数数值在不同土地覆盖类型表现为：林地＞稀疏林地＞草地＞稀疏草地＞裸地＞水域（表1）。因此，本文借鉴SEVI的构建原理[29]，使用NDVI获取校正前的植被信息，采用阴影植被指数（SVI）作为校正值，根据阴影消除植被指数的模型算法表达式，构建了一种新的植被指数，即植被区分阴影消除植被指数（vegetation distinguished and shadow eliminated vegetation index，VDSEVI），计算表达式为

SVI=−nir（2）

VDSEVI=NDVI+SVI （3）

VDSEVI=(nir−r)/(nir+r)−nir（4）

式中nir为近红外波段的地表反射率，%；r为红光波段的地表反射率，%。

表1 7类土地覆盖类型的平均地表反射率和植被指数

2.2 植被指数对比分析

RVI、NDVI和EVI2这3个常用植被指数被广泛应用于植被信息遥感监测，本文依次用表观反射率数据、经C模型地形校正后的数据、经FLAASH大气校正和C模型地形校正后的数据，按照常用植被指数计算公式，分别计算RVI、NDVI和EVI2，得到由不同处理结果的遥感数据计算的常用植被指数。此外，由经FLAASH大气校正后的数据，分别计算SEVI和VDSEVI。对不同的植被指数结果图像通过目视对比分析，初步判断植被指数的优劣。

根据350个对比分析样本矢量数据，分别计算并统计对比分析样本的植被指数值，对数值统计结果绘制直方图进行对比分析。为了进一步描述阴影消除的效果和植被信息混淆情况，分别计算阴影区域的林地、阴影区域的稀疏林地、非阴影区域的稀疏林地、草地、稀疏草地、裸地和水域的样本均值、标准差；另外计算阴影区域稀疏林地和相邻非阴影区域稀疏林地植被信息的相对误差（）。相对误差计算表达式为

=|VIshady−VIsunny|/VIsunny×100% （5）

式中VIshady为阴影区域稀疏林地的植被指数；VIsunny为相邻非阴影区域稀疏林地的植被指数。

最后，用DEM数据计算坡度坡向数据，进而按照公式（1）计算cos数据，根据对比分析样本中的阴影林地、阴影稀疏林地、非阴影稀疏林地、草地、稀疏草地5类阴阳坡上的植被覆盖样本矢量数据，统计阴阳坡上植被覆盖样本的cos值，分别绘制植被覆盖样本的各植被指数与cos值的散点图，并计算植被指数与cos的相关系数。

2.3 植被信息提取与验证

山地植被信息提取的内容为研究区域主要植被覆盖类型，不同地区的山地植被覆盖内容不同，根据实际情况提取相应植被信息。山地植被信息的提取采用植被指数阈值法，阈值的确定由植被指数对比分析后的植被信息区分经验值决定，阈值的计算方法表达式为

T=(M+M)/2 （6）

式中T为区分不同植被覆盖类型的阈值；M、M分别为2类植被覆盖类型样本的植被指数均值。

为了验证山地植被信息提取的精度，根据植被信息每类100个的验证样本，对植被信息提取结果采用混淆矩阵方式进行精度验证。混淆矩阵是一个用于表示植被信息提取结果与验证样本的比较阵列，可以非常清楚地呈现多个植被信息提取的情况。混淆矩阵中的列代表验证样本，行代表由遥感数据基于植被指数阈值法得到的山地植被信息类别。

3 结果与分析

3.1 植被指数图像对比分析

图2直观显示了研究区各植被指数计算结果，可以反映阴影消除的效果和植被信息混淆情况。从研究区的特点来看，遥感影像上受地形阴影影响的阴坡，土地覆盖类型以林地为主，并且针叶林居多；而不受地形阴影影响的阳坡，土地覆盖类型以草地为主。因此，对于植被覆盖不均一的研究区，不能仅从植被指数图像的平坦和起伏特征来评价地形阴影消除的效果，需要对照研究区实际土地覆盖类型来评价植被指数。由表观反射率直接计算的RVI、NDVI和EVI2（图2a~2c）在阴坡数值偏低；经C模型地形校正，有一定的改善（图2d~2f）；经FLAASH大气校正和C模型地形校正后进一步改善（图2g~2i）。因此，后文中采用经FLAASH大气校正和C模型地形校正后的RVI、NDVI和EVI2进行植被信息提取分析。经FLAASH大气校正后的SEVI在阴坡植被信息得到校正，但是SEVI（图2j）与RVI、NDVI和EVI2在阴坡的图像平坦，没有体现出林地和草地的差异，均存在植被信息混淆问题；经FLAASH大气校正后的VDSEVI呈现出阴坡数值大于阳坡，并且在阴坡表现出细节差异，可区分不同植被覆盖（图2k）。

注：RVIT，NDVIT和EVI2T分别是由表观反射率数据直接计算的比值植被指数（RVI），归一化植被指数（NDVI）和增强型植被指数（EVI2）；RVIC，NDVIC和EVI2C分别是由表观反射率数据经C模型地形校正后计算的RVI，NDVI和EVI2；RVIF+C，NDVIF+C和EVI2F+C分别是经过FLAASH大气校正和C模型地形校正后计算的RVI、NDVI和EVI2；SEVIF是经FLAASH大气校正后的数据计算的阴影消除植被指数（SEVI），VDSEVIF是经FLAASH大气校正后的数据计算的植被区分阴影消除植被指数（VDSEVI）。单幅图像中，亮的区域植被指数数值高，暗的区域植被指数数值低。

3.2 植被指数数值对比分析

不同土地覆盖类型的各植被指数见图3。

图3 不同土地覆盖类型的植被指数

经过FLAASH大气校正和C模型地形校正后RVI、NDVI和EVI2可以区分稀疏林地、草地和水域，但其他土地覆盖类型无法区分，存在植被信息混淆问题（图3a～3c）。SEVI较好地消除了地形阴影的影响，但是仍存在植被信息混淆问题（图3d）。VDSEVI不仅较好地消除了地形阴影的影响，还解决了植被信息混淆问题，特别是林地与草地可以有效区分出来，大大增加了植被指数的信息量（图3e）。VDSEVI达到阴影消除、不同植被信息区分，真实反映山地植被信息的理想效果。

从阴影消除效果的角度分析，经过FLAASH大气校正和C模型地形校正后计算的RVI、NDVI和EVI2，阴影稀疏林地和非阴影稀疏林地的相对误差分别为7.728%、1.803%和2.646%。相比之下，经FLAASH大气校正后的数据计算SEVI，阴影林地和阴影稀疏林地植被指数均值得到有效提升，阴影区域稀疏林地和非阴影区域稀疏林地的相对误差为6.612%；最后，经FLAASH大气校正后的数据计算VDSEVI，阴影林地和阴影稀疏林地植被指数均值达到理想的效果，阴影稀疏林地和非阴影稀疏林地的相对误差为3.428%（表2）。

表2 稀疏林地在阴影和非阴影的相对误差

从不同土地覆盖类型区分效果的角度分析，不同土地覆盖类型植被指数数值要有区分度，并符合实际土地覆盖情况。各类土地覆盖样本的植被指数标准差见表3。同一土地覆盖类型样本的植被指数标准差越大，则表明该类样本植被指数数值波动较大，容易与其他土地覆盖类型混淆。经过FLAASH大气校正和C模型地形校正后计算的RVI、NDVI和EVI2，各类土地覆盖样本的植被指数标准差较小。经FLAASH大气校正后的数据计算SEVI，各类土地覆盖样本的植被指数标准差较大，存在土地覆盖信息混淆问题。经FLAASH大气校正后的数据计算VDSEVI，各类土地覆盖样本的植被指数标准差最小，较好解决了土地覆盖信息混淆问题。

表3 各类土地覆盖类型的植被指数标准差

3.3 植被指数与cosi相关性分析

分别绘制研究区植被覆盖样本各植被指数与cos的散点图，并计算植被指数与cos的相关系数，如图4所示。

图4 植被指数与cosi的相关性

在植被覆盖均一的情况下，阴阳坡植被指数与cos的相关系数越小则地形阴影校正效果越好，但是当阴阳坡植被覆盖差异大时，则要根据具体情况分析。阴坡cos值较小，阳坡cos值较大，若阴坡植被覆盖低于阳坡，植被指数与cos应呈正相关；若阴坡植被覆盖高于阳坡，则应呈负相关。新疆那拉提阴坡以林地为主，阳坡以草地为主，阴坡植被覆盖高于阳坡。从植被覆盖样本的植被指数与cos的散点图以及相关系数的计算结果来看，经过FLAASH大气校正和C模型地形校正后计算的RVI、NDVI和EVI2与cos的相关系数数值分别为−0.443、−0.496和−0.491（图4a～4c），呈较大负相关，表现为大气校正和地形校正效果显著，阴影区域植被指数数值增加。由FLAASH大气校正后的数据计算的SEVI与cos的相关系数为−0.553（图4d），表现为SEVI消除阴影影响效果显著；由FLAASH大气校正后的数据计算的VDSEVI与cos的相关系数为−0.800（图4e），呈较大的负相关，表现为阴影消除效果显著，再现了阴坡植被覆盖信息。

3.4 VDSEVI的适用性及精度验证

为验证VDSEVI在其他区域的适用性，将VDSEVI应用于内蒙古阿尔山和福州市闽侯县2个区域。内蒙古阿尔山地理坐标为119°28′～121°24′E，46°37′～47°38′N，面积约8 225.483 km2，平均海拔约1 000 m，位于内蒙古自治区兴安盟西北部，横跨大兴安岭西南山麓，拥有原始森林，植被覆盖度高，以针叶林为主；福州市闽侯县地理坐标为118°53′～119°25′E，25°47′～26°36'N，面积约2 114.898 km2，平均海拔约200 m，位于福建省东部，全县山脉多呈东北至西南走向，群山连绵，山峦重叠，阴阳坡植被覆盖均一，以阔叶林为主。

内蒙古阿尔山和福州市闽侯县区域没有大面积的草地，因此对比分析样本提取结果为阴影林地、非阴影林地、稀疏林地、裸地和水域5类样本，每类50个样本。各个土地覆盖类型样本VDSEVI值如图5所示，阴影区域的植被信息得到校正，并且不同植被覆盖类型间的数值有一定区分度，符合实际情况。因此，VDSEVI在这2个区域具有植被区分阴影消除效果，同样适用于山地植被信息提取。

图5 内蒙古阿尔山和福州市闽侯县的植被指数

从图3e和图5可以得出，不同植被覆盖类型，VDSEVI数值间有一定的区分度，因此，可通过对VDSEVI设定阈值用以植被区分，实现不同植被覆盖类型信息的提取。新疆那拉提提取植被类型有林地、稀疏林地、草地、稀疏草地和其它，其它类中包括裸地、水域等；由于内蒙古阿尔山和福州市闽侯县草地和稀疏草地的面积小而零散，将草地和稀疏草地归为其它类中，内蒙古阿尔山和福州市闽侯县提取植被类型有林地、稀疏林地和其它，其它类中包括草地、稀疏草地、裸地和水域等。新疆那拉提区域植被区分提取林地、稀疏林地、草地、稀疏草地和其它的VDSEVI阈值计算结果依次为0.687、0.516、0.347和0.259。同样，内蒙古阿尔山植被区分提取林地、稀疏林地和其它信息的VDSEVI阈值计算结果依次为0.530和0.299；福州市闽侯县用于植被区分提取林地、稀疏林地和其它信息的VDSEVI阈值计算结果依次为0.570和0.318。3个区域的植被信息提取结果如图6所示。

图6 3个区域植被信息提取结果

对植被信息提取结果进行评价，确定提取结果的精度和可靠性，精度评价混淆矩阵如表4所示。从混淆矩阵数据中可以看出，相邻2类植被信息存在误提和漏提现象，但总体提取效果较好。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域，植被信息提取总体精度分别为84.136%、87.339%、86.709%；Kappa系数分别为0.799、0.788、0.791。

表4 精度评价混淆矩阵

4 讨 论

对于植被覆盖类型多样的研究区，常用的植被指数存在植被覆盖类型信息混淆问题，林地草地混为一体。SEVI在植被覆盖度高、植被覆盖较为均一的山区应用效果较好[29]，但对于植被覆盖不均一的山区植被信息提取则效果欠佳，需要构建新的植被指数。本文构建的VDSEVI算法，得益于不同植被覆盖类型在近红外波段地表反射率的差异，使得不同植被覆盖类型的VDSEVI数值差异增大，从而增加植被指数的信息量。

植被指数抗地形效果的传统验证方法中，运用植被指数与cos进行相关性分析来说明植被指数的优劣，相关系数低则植被指数抗地形效果好。该方法仅建立在山地阴阳坡植被覆盖一致、植被长势相当的基础上。当阴阳坡植被覆盖不一致，则阴阳坡植被覆盖的植被指数与cos应呈正或负相关关系。不同研究区，阴阳坡的植被覆盖类型存在不同差异，植被指数与cos的相关性应根据实际情况具体分析。

山地植被指数的优劣评价，不仅要分析地形阴影的消除效果，还需要考虑不同植被覆盖的植被指数数值是否混淆，是否符合实际情况。经过大气校正和地形校正的遥感数据计算的EVI2，阴影消除效果较好，但是林地和草地存在混淆情况。经过大气校正的遥感数据计算的VDSEVI，阴影消除效果与经过地形校正和大气校正的遥感数据计算的EVI2相差不大，并且不同植被覆盖信息的差异增大，不同植被覆盖的植被指数值具有区分度，确保了基于植被指数阈值法的山地植被信息提取精度。

新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域分别位于中国西北、东北和南部，面积大小均相差较大。将VDSEVI应用于这3个不同区域的植被信息提取，均达到较好的效果，表明VDSEVI适用于不同地域、不同尺度的遥感研究，普适性较强。

VDSEVI模型算法中不包含待定参数，指数计算仅使用红光波段和近红外波段；用于计算VDSEVI的遥感数据不需要进行地形校正，因此不受DEM等异源数据的限制。但是VDSEVI也有不足之处，即当地形条件较为复杂时，由于不同区域崎岖地形产生的地形阴影影响大小不同，VDSEVI地形阴影消除效果不稳定。

5 结 论

1）不同土地覆盖类型的VDSEVI存在显著差异；阴影稀疏林地和相邻非阴影稀疏林地的相对误差较小，为3.428%；各土地覆盖类型样本VDSEVI标准差均小于0.06；植被覆盖样本VDSEVI与太阳入射角余弦值（cos）的相关系数为−0.800。

2）为验证VDSEVI在其他地区的适用性，将VDSEVI应用于内蒙古阿尔山和福州市闽侯县，结果表明VDSEVI同样适用。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域基于VDSEVI阈值法的植被信息提取总体精度分别为84.136%、87.339%、86.709%，Kappa系数分别为0.799、0.788、0.791。

[1] 张静静，郑辉，朱连奇，等. 豫西山地植被NDVI及其气候响应的多维变化[J]. 地理研究，2017，36(4)：765－778.

Zhang Jingjing, Zheng Hui, Zhu Lianqi, et al. Multi-dimensional changes of vegetation NDVI and its response to climate in Western Henan Mountains[J]. Geographical Research, 2017, 36(4): 765－778. (in Chinese with English abstract)

[2] 孙然好，陈利顶，张百平，等. 山地景观垂直分异研究进展[J]. 应用生态学报，2009，20(7)：1617－1624.

Sun Ranhao, Chen Liding, Zhang Baiping, et al. Vertical zonation of mountain landscape: A review[J]. Chinese Journal of Applied Ecology, 2009, 20(7): 1617－1624. (in Chinese with English abstract)

[3] Kutiel P, Cohen O, Shoshany M, et al. Vegetation establishment on the southern Israeli coastal sand dunes between the years 1965 and 1999[J]. Landscape and Urban Planning, 2004, 67(1): 141－156.

[4] 张建亮，刘方正，崔国发. 长白山国家级自然保护区植被时空变化及其驱动因子[J]. 生态学报，2016，36(12)：3525－3536.

Zhang Jianliang, Liu Fangzheng, Cui Guofa. Spatio-temporal variation of vegetation and analysis of its driving factors in Changbai Mountain National Nature Reserve[J]. Acta Ecologica Sinica, 2016, 36(12): 3525－3536. (in Chinese with English abstract)

[5] García-Llamas P, Geijzendorffer I R, García-Nieto A P, et al. Impact of land cover change on ecosystem service supply in mountain systems: A case study in the Cantabrian Mountains (NW of Spain)[J]. Regional Environmental Change, 2019, 19(2): 529－542.

[6] 任涵，张静静，朱文博，等. 太行山淇河流域土地利用变化对生境的影响[J]. 地理科学进展，2018，37(12)：1693－1704.

Ren Han, Zhang Jingjing, Zhu Wenbo et al. Impact of land use change on habitat in the Qihe River Basin of Taihang Mountains[J]. Progress in Geography, 2018, 37(12): 1693－1704. (in Chinese with English abstract)

[7] 翟天林，金贵，邓祥征，等. 植被信息的Landsat8卫星影像提取方法[J]. 测绘科学，2016，41(10)：126－131.

Zhai Tianlin, Jin Gui, Deng Xiangzheng, et al. Study of vegetation information extraction method based on Landsat8 satellite images[J]. Science of Surveying and Mapping, 2016, 41(10): 126－131. (in Chinese with English abstract)

[8] 虢建宏，田庆久，吴昀昭. 遥感影像阴影多波段检测与去除理论模型研究[J]. 遥感学报，2006，10(2)：151－159.

Guo Jianhong, Tian Qingjiu, Wu Yunzhao. Study on multispectral detecting shadow areas and a theoretical model of removing shadows from remote sensing images[J]. Journalof Remote Sensing, 2006, 10(2): 151－159. (in Chinese with English abstract)

[9] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[10] Birth G S, Mcvey G R. Measuring the color of growing turf with a reflectance spectrophotometer[J]. Agronomy Journal, 1968, 60(6): 640－643.

[11] Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment, 1991, 35(2/3): 161－173.

[12] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[C]// Greenbelt, Maryland: Third Earth Resources Technology Satellite-1 Symposium,1974: 309－351.

[13] Jong R D, Bruin S D, Wit A D, et al. Analysis of monotonic greening and browning trends from global NDVI time-series[J]. Remote Sensing of Environment, 2011, 115(2): 692－702.

[14] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2): 195－213.

[15] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295－309.

[16] Kang Yanghui, Özdoðan M, Samuel Z, et al. How universal is the relationship between remotely sensed vegetation indices and crop leaf area index? A global assessment[J]. Remote Sensing, 2016, 8(7): 597.

[17] Defries R S, Townshend J R G.NDVI-derived land cover classifications at a global scale[J]. International Journal of Remote Sensing, 1994, 15(17): 3567－3586.

[18] 张慧，李平衡，周国模，等. 植被指数的地形效应研究进展[J]. 应用生态学报，2018，29(2)：669－677.

Zhang Hui, Li Pingheng, Zhou Guomo, et al. Advances in the studies on topographic effects of vegetation indices[J]. Chinese Journal of Applied Ecology, 2018, 29(2): 669－677. (in Chinese with English abstract)

[19] 江洪，汪小钦，吴波，等. 地形调节植被指数构建及在植被覆盖度遥感监测中的应用[J]. 福州大学学报：自然科学版，2010，38(4)：527－532.

Jiang Hong, Wang Xiaoqin, Wu Bo, et al. A topography -adjusted vegetation index(TAVI) and its application in vegetation fraction monitoring[J]. Journal of Fuzhou University: Nature Science, 2010, 38(4): 527－532. (in Chinese with English abstract)

[20] 江洪，何国金，黄海明，等. 基于波段比模型的地形调节植被指数组合算法构建与验证[J]. 农业工程学报，2017，33(5)：156－161.

Jiang Hong, He Guojin, Huang Haiming, et al. Construction and validation of combination model of topography-adjusted vegetation index based on band-ratio model[J]. Transactions of Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 156－161. (in Chinese with English abstract)

[21] 吴志杰，徐涵秋. 卫星影像数据构建山地植被指数与应用分析[J]. 地球信息科学学报，2011，13(5)：656－664.

Wu Zhijie, Xu Hanqiu. A new index for vegetation enhancements of mountainous regions based on satellite image data[J]. Journal of GEO-Information Science, 2011, 13(5): 656－664. (in Chinese with English abstract)

[22] 刘健，许章华，余坤勇，等. 山地丘陵区遥感影像阴影检测与去除方法[J]. 农业机械学报，2013，44(10)：238－241.

Liu Jian, Xu Zhanghua, Yu Kunyong, et al. Shadow detection and removal method for remote sensing image in mountainous and hilly area[J].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 238－241. (in Chinese with English abstract)

[23] 许章华，刘健，余坤勇，等. 阴影植被指数SVI的构建及其在四种遥感影像中的应用效果[J]. 光谱学与光谱分析，2013(12)：3359－3365.

Xu Zhanghua, Liu Jian, Yu Kunyong, et al. Construction of vegetation shadow index(SVI) and application effects in four remote sensing images[J]. Spectroscopy and Spectral Analysis, 2013(12): 3359－3365. (in Chinese with English abstract)

[24] Wang Ning, Lang Congyan, Xu De. Shadows removal based on regional gray edge hypothesis[J]. Optical Engineering, 2011, 50(12): 127001.

[25] Li Huifang, Xu Liming, Shen Huanfeng, et al. A general variational framework considering cast shadows for the topographic correction of remote sensing imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016(117): 161－171.

[26] 边金虎，李爱农，王少楠，等. 基于MODIS NDVI的Landsat TM影像地形阴影区光谱信息恢复方法研究[J]. 遥感技术与应用，2016，31(1)：12－22.

Bian Jinhu, Li Ainong, Wang Shaonan, et al. Restoration of information obscured by mountain shadows for Landsat TM images based on MODIS NDVI[J]. Remote Sensing Technology and Application, 2016, 31(1): 12－22. (in Chinese with English abstract)

[27] 赖日文，池毓锋，张泽均. 基于亮度恢复模型的Landsat 8数据山区阴影去除[J]. 遥感技术与应用，2018(3)：563－572.

Lai Riwen, Chi Yufeng, Zhang Zejun. Landsat 8 data mountain shadow removal based on brightness recovering model[J]. Remote Sensing Technology and Application, 2018(3): 563－572. (in Chinese with English abstract)

[28] 张甜，廖和平，崔林林. 包络线去除的丘陵地区遥感影像阴影信息重建[J]. 遥感学报，2017，21(4)：604－613.

Zhang Tian, Liao Heping, Cui Linlin. Mountainous shadow information restoration based on the continuum removed[J]. Journal of Remote Sensing, 2017, 21(4): 604－613. (in Chinese with English abstract)

[29] Jiang Hong, Wang Sen, Cao Xiaojie, et al. A shadow- eliminated vegetation index (SEVI) for removal of self and cast shadow effects on vegetation in rugged terrains[J]. International Journal of Digital Earth, 2019, 12(9): 1013－1029.

[30] 刘晓娜，封志明，姜鲁光. 基于决策树分类的橡胶林地遥感识别[J]. 农业工程学报，2013，29(24)：163－172.

Liu Xiaona, Feng Zhiming, Jiang Luguang. Application of decision tree classification to rubber plantations extraction with remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2013, 29(24): 163－172. (in Chinese with English abstract)

[31] 沈明霞，何瑞银，丛静华，等. 基于主成分分析与Brovey变换的ETM+影像植被信息提取[J]. 农业机械学报，2007，38(9)：87－89.

Shen Mingxia, He Ruiyin, Cong Jinghua, et al. Study on extraction of vegetation information of ETM + by using PCA method and Brovey transfom[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(9): 87－89. (in Chinese with English abstract)

[32] Ono A, Kajiwara K, Honda Y. Development of new vegetation indexes, shadows index (SI) and water stress trend (WST)[J]. Networking the World with Remote Sensing, 2010, 38(1): 710－714.

[33] 许玉凤，杨井，李卫红，等. 1982－2013年新疆不同植被生长时空变化[J]. 草业学报，2016，25(1)：47－63.

Xu Yufeng, Yang Jing, Li Weihong, et al. Spatial-temporal change in different vegetation growth of Xinjiang from 1982 to 2013[J]. Acta Prataculturae Sinica, 2016, 25(1): 47－63. (in Chinese with English abstract)

[34] 张辉，刘江华，张超. 阿克苏河流域不同植被类型NDVI时空变化特征[J]. 水资源与水工程学报，2017，28(4)：88－92.

Zhang Hui, Liu Jianghua, Zhang Chao. Spatial-temporal variation of different vegetation based on NDVI of Aksu river basin in Xinjiang[J]. Journal of Water Resources and Water Engineering, 2017, 28(4): 88－92. (in Chinese with English abstract)

[35] 刘艳，聂磊，杨耘. 基于植被指数估算天山牧区不同利用类型草地总产草量[J]. 农业工程学报，2018，34(9)：182－188.

Liu Yan, Nie Lei, Yang Yun. Estimation of total yield of different grassland types in Tianshan pastoral area based on vegetation index[J]. Transactions of Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 182－188. (in Chinese with English abstract)

[36] 王正兴，刘闯，Alfredo H. 植被指数研究进展：从AVHRR-NDVI到MODIS-EVI[J]. 生态学报，2003，23(5)：979－987.

Wang Zhengxing, Liu Chuang, Alfredo H. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research[J]. Acta Ecologica Sinica, 2003, 23(5): 979－987. (in Chinese with English abstract)

[37] 高永年，张万昌. 遥感影像地形校正研究进展及其比较实验[J]. 地理研究，2008，27(2)：467－477.

Gao Yongnian, Zhang Wanchang. Comparison test and research progress of topographic correction on remotely sensed data[J]. Geographical Research, 2008, 27(2): 467－477. (in Chinese with English abstract)

[38] 王永锋，靖娟利. 基于FLAASH和ATCOR2模型的Landsat ETM+影像大气校正比较[J]. 测绘与空间地理信息，2014(9)：122－125.

Wang Yongfeng, Jing Juanli. Comparison of FLAASH and ATCOR2 atmospheric correction modules on Landsat ETM+Data[J]. Geomatics & Spatial Information Technology, 2014(9): 122－125. (in Chinese with English abstract)

[39] 姚晨，黄微，李先华. 地形复杂区域的典型植被指数评估[J]. 遥感技术与应用，2009，24(4)：496－501.

Yao Chen, Huang Wei, Li Xianhua. Evaluation of topographical influence on vegetation indices of rugged terrain[J]. Remote Sensing Technology and Application, 2009, 24(4): 496－501. (in Chinese with English abstract)

Extraction of mountain vegetation information based on vegetation distinguished and shadow eliminated vegetation index

Liu Xiaonong, Jiang Hong※, Wang Xiaoqin

(1.,,350108,;2.&,350108,;3.(),350108,)

Mountain vegetation information plays an important role in climate change research and ecological environment protection. Remote sensing technology can quickly acquire mountain vegetation information, but there are the influence of mountain terrain shadows and mountain vegetation information confusion.This paper took mountain vegetation as the research object and analyzed the main characteristics of mountain vegetation based on the multi-spectral data of Landsat satellite remote sensing image. Learn from the structural principle and form of the shadow elimination vegetation index (SEVI), a vegetation index algorithm - Vegetation distinguished and shadow eliminated vegetation index (VDSEVI) for mountain vegetation cover remote sensing monitoring was proposed. Samples for comparison and analysis were selected according to the main land cover types in the study area. The accuracy, validity and practicability of mountain vegetation information extraction with different vegetation indices were compared and analyzed. There are certain criteria which vegetation index of the same vegetation cover in shady and sunny should be equivalent,and the vegetation index values of different vegetation cover should be differentiated and compliance with actual vegetation coverage. Comparative analysis methods for different vegetation indices include: the images of different vegetation indices were directly compared; the vegetation index values of the same vegetation in shady and sunny cover were compared; the vegetation index values of the different land cover types were compared; the correlation between vegetation index and coswas analyzed. The VDSEVI was compared with the ratio vegetation index(RVI), the normalized vegetation index(NDVI), the enhanced vegetation index(EVI2) and SEVI.There was a significant difference in the mean value of VDSEVI among different land cover types. The relative error of the sparse woodland in shady and sunny was small, which was 3.428%. The standard deviation of each land cover type sample was less than 0.060.The shady area of the Nalati in Xinjiang was dominated by woodland, and the sunny area was dominated by grassland. Therefore, the vegetation index and cosshould be negatively correlated. The correlation coefficient between VDSEVI and cosis -0.800.The data results showed that compared with RVI, NDVI, EVI2 and SEVI, VDSEVI eliminated the influence of terrain shadows, and had a large amount of information and strong recognition of vegetation coverage.The problem of vegetation information confusion was solved, and the actual situation of mountain vegetation cover was reflected. To verify the suitability of VDSEVI in other regions, VDSEVI was applied to the area of Arxan in Inner Mongolia and Minhou County in Fuzhou City.The results showed that VDSEVI was equally effective.Vegetation information was extracted based on VDSEVI threshold method in Nalati in Xinjiang, Arxan in Inner Mongolia and Minhou County in Fuzhou City. The threshold was calculated by the VDSEVI value of samples from comparative analysis of various land cover types. Finally, the results of vegetation information extraction were evaluated by validating samples. The overall accuracy of vegetation information extraction in the three regions was 84.136%, 87.339%, 86.709% respectively, and the Kappa coefficients were 0.799, 0.788 and 0.791 respectively.

remote sensing; vegetation; mountainous region; informationextraction;vegetation distinguished and shadow eliminated vegetation index (VDSEVI)

柳晓农，江 洪，汪小钦. 构建植被区分阴影消除植被指数提取山地植被信息[J]. 农业工程学报，2019，35(20)：135－144.doi：10.11975/j.issn.1002-6819.2019.20.017 http://www.tcsae.org

Liu Xiaonong, Jiang Hong, Wang Xiaoqin. Extraction of mountain vegetation information based on vegetation distinguished and shadow eliminated vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 135－144. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.20.017 http://www.tcsae.org

2019-06-25

2019-08-29

国家重点研发计划项目（No.2017YFB0504203），福建省自然科学基金项目（No.2017J01658）。

柳晓农，主要从事植被遥感研究。Email：liuxiaonong1013@163.com

江 洪，博士，副研究员，主要从事环境遥感、信息管理研究。Email：jh9l0@fzu.edu.cn

10.11975/j.issn.1002-6819.2019.20.017

TP702, TP79

A

1002-6819(2019)-20-0135-10