孫斌，李增元，郭中，高志海，王琫瑜

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091；2.內(nèi)蒙古自治區(qū)林業(yè)科學(xué)研究院，呼和浩特 010010)

高分一號(hào)與Landsat TM數(shù)據(jù)估算稀疏植被信息對(duì)比

孫斌1，李增元1，郭中2，高志海1，王琫瑜1

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091；2.內(nèi)蒙古自治區(qū)林業(yè)科學(xué)研究院，呼和浩特 010010)

為了分析高分一號(hào)衛(wèi)星數(shù)據(jù)在稀疏植被信息提取方面的能力，該文選取渾善達(dá)克沙地及其周邊為研究區(qū)，以GF-1和Landsat TM為數(shù)據(jù)源，結(jié)合地面同步實(shí)測(cè)數(shù)據(jù)，比較了兩個(gè)傳感器在荒漠化地區(qū)植被覆蓋度和地上生物量估算方面的能力與差異。結(jié)果表明：在該區(qū)域，兩種數(shù)據(jù)基于NDVI建立的對(duì)數(shù)模型可用于植被覆蓋度的估測(cè)(GF-1：R2=0.7966，RMSEP=0.0908；Landsat 8：R2=0.8080，RMSEP=0.0871)，GF-1基于SAVI和Landsat 8基于NDVI建立的乘冪模型進(jìn)行地上生物量的估測(cè)效果最好(R2=0.4866，0.3715；RMSEP=143.46，130.71)。其次，在該區(qū)域，經(jīng)過(guò)修正的土壤調(diào)節(jié)植被指數(shù)MSAVI相對(duì)于沒(méi)有經(jīng)過(guò)修正的土壤調(diào)節(jié)植被指數(shù)SAVI，與植被覆蓋度和植被生物量的相關(guān)性并沒(méi)有多大提高。第三，兩種數(shù)據(jù)通過(guò)引入藍(lán)色、綠色波段的多元回歸模型估算植被覆蓋度相比單一植被指數(shù)植被要好，尤其是對(duì)于Landsat影像改進(jìn)效果更為明顯，R2提高了0.3?？傊?，GF-1的16m數(shù)據(jù)具有相對(duì)較高的質(zhì)量，可以代替Landsat 8多光譜數(shù)據(jù)，而且其具有更高的分辨率、重訪周期和覆蓋范圍。

高分一號(hào)；Landsat 8；植被指數(shù)；植被覆蓋度；地上生物量；回歸模型

0 引 言

荒漠化是指包括氣候變化和人類活動(dòng)在內(nèi)的種種因素造成的干早、半干早和干早亞濕潤(rùn)地區(qū)的土地退化[1]。在荒漠化地區(qū)，植被覆蓋度和植被生物量是衡量地表植被狀況的兩個(gè)重要指標(biāo)，同時(shí)也是影響土壤侵蝕與水土流失的主要因子[2-3]。因此，準(zhǔn)確地評(píng)估荒漠化地區(qū)的植被覆蓋度和植被生物量狀況，對(duì)于掌握荒漠化發(fā)展態(tài)勢(shì)具有重要意義[4-5]。

目前，植被覆蓋度的估測(cè)主要包括地面測(cè)量和遙感估算兩種方法。其中地面測(cè)量主要包括目估法、采樣法和儀器測(cè)量法等。如任杰等人[6]、趙繼強(qiáng)等人[7]對(duì)從數(shù)碼照片中提取植被覆蓋度的方法進(jìn)行了探索?？傮w而言，這些方法都具有簡(jiǎn)單易操作的特點(diǎn)，缺點(diǎn)是主觀隨意性較大，工作效率較低，不適合大范圍的植被覆蓋度估測(cè)[8-9]。隨著科學(xué)技術(shù)的發(fā)展，遙感成為估算植被覆蓋度的主要技術(shù)手段，它具有適應(yīng)尺度大和工作效率高的特點(diǎn)，其主要方法有植被指數(shù)法、混合像元分解法和神經(jīng)網(wǎng)絡(luò)的方法[10]。如Mohamma等[11]基于SPOT影像的NDVI植被指數(shù)計(jì)算了敘利亞地區(qū)植被覆蓋度并分級(jí)；李曉松等[12]基于星載高光譜Hyperion數(shù)據(jù)，系統(tǒng)比較了NDVI與偏最小二乘回歸(PLS)估測(cè)荒漠化地區(qū)植被覆蓋度的能力；張瑾[13]使用長(zhǎng)時(shí)間序列的MODIS NDVI數(shù)據(jù)，基于改進(jìn)的混合像元二分模型的方法，對(duì)我國(guó)2000年～2010年植被覆蓋度進(jìn)行了反演；陳濤等[14]使用BJ-1影像數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)法對(duì)密云水庫(kù)流域內(nèi)的植被覆蓋進(jìn)行了反演。

在荒漠化地區(qū)植被地上生物量估測(cè)中，傳統(tǒng)的野外調(diào)查實(shí)測(cè)方法獲得的數(shù)據(jù)精度很高，但是對(duì)于大范圍的研究區(qū)難以做到均勻的實(shí)地調(diào)查，而且通過(guò)有限的樣點(diǎn)推算整個(gè)區(qū)域生物量會(huì)產(chǎn)生較大誤差[15]。遙感技術(shù)的應(yīng)用在很大程度上彌補(bǔ)了地面調(diào)查取樣的不足，通過(guò)植被指數(shù)與地上生物量建立相應(yīng)的函數(shù)關(guān)系，進(jìn)而推算整個(gè)研究區(qū)生物量的方法取得了一定的研究成果。如除多等人[16]基于該方法，對(duì)青藏高原中部草地地上生物量遙感估算方法進(jìn)行了探索；高添等人[17]基于MODIS NDVI數(shù)據(jù)和樣地調(diào)查數(shù)據(jù)，對(duì)內(nèi)蒙古西部草原地上生物量進(jìn)行了估算；孫曉芳等人[18]基于野外調(diào)查數(shù)據(jù)和同期的遙感影像數(shù)據(jù)，發(fā)展了一種草地地上生物量的高精度曲面建模的方法。

通過(guò)對(duì)比可以發(fā)現(xiàn)，在這些方法中，以植被指數(shù)法估算植被覆蓋度和地上生物量的方法最為簡(jiǎn)潔易行且具有較高的精度。植被指數(shù)(Vegetation index，VI)是指對(duì)多光譜遙感數(shù)據(jù)的波段進(jìn)行線性組合或非線性組合，得到的對(duì)植被長(zhǎng)勢(shì)、覆蓋狀況、生物量、葉面積指數(shù)等有一定指示意義的數(shù)值[19]。在衛(wèi)星影像中，紅光和紅外波段等包含了90%以上的植被信息[20]，因此可以利用這些波段的不同組合形式提取不同的植被指數(shù)，進(jìn)行大范圍植被覆蓋度和生物量估測(cè)。近年來(lái)，國(guó)內(nèi)外學(xué)者做了大量的研究工作[21-25]，今已發(fā)展了40余種植被指數(shù)，雖然大多數(shù)植被指數(shù)都可應(yīng)用于植被參量遙感估測(cè)，但不同環(huán)境下的效果存在爭(zhēng)論，至今尚未明確各種植被指數(shù)間的相互關(guān)系及其適用范圍[26-29]。

2013 年2月11日在美國(guó)加州成功發(fā)射的Landsat 8衛(wèi)星，填補(bǔ)了Landsat系列衛(wèi)星近1年4個(gè)月無(wú)數(shù)據(jù)的空白[30]。而作為中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的首發(fā)星，“高分一號(hào)”(GF-1)衛(wèi)星于2013年4月26日發(fā)射成功，衛(wèi)星搭載了2臺(tái)8m分辨率和4臺(tái)16m分辨率多光譜相機(jī)[31]。作為目前比較新的兩顆衛(wèi)星，GF-1和Landsat 8各有優(yōu)勢(shì)，GF-1擁有比Landsat 8更高的分辨率，而Landsat 8擁有更多的波段設(shè)置。GF-1的幅寬為60km(8m多光譜)和800km(16m多光譜)，Landsat 8的幅寬為185km。在重訪周期上，Landsat 8為16天，而GF-1僅為4天，這在一定程度上提高了同一地區(qū)的長(zhǎng)時(shí)間序列數(shù)據(jù)的獲取能力。兩個(gè)衛(wèi)星影像的相同波段的波長(zhǎng)參數(shù)列表如表1所示。

表1 GF-1和Landsat 8相同波段性能參數(shù)列表

從表1可以發(fā)現(xiàn)，在相同波段的設(shè)置中，兩顆衛(wèi)星的不同主要集中在近紅外波段波長(zhǎng)的設(shè)置，為了去除在0.825μm處的水汽吸收的影響[32]，Landsat 8收窄了它的近紅外波段的范圍。其次，在全色波段的設(shè)置中，Landsat 8衛(wèi)星中的全色波段分辨率為15m，而且不包含近紅外波段，而GF-1的全色波段為2m分辨率，包含了近紅外波段。

目前兩顆衛(wèi)星均正常運(yùn)行，由于兩者都是系列衛(wèi)星，因此在將來(lái)都是長(zhǎng)時(shí)間序列數(shù)據(jù)集構(gòu)建的重要數(shù)據(jù)源，這對(duì)于基于遙感手段進(jìn)行植被變化和生態(tài)環(huán)境變化動(dòng)態(tài)監(jiān)測(cè)意義重大。目前對(duì)于Landsat系列衛(wèi)星相關(guān)研究較多，而應(yīng)用GF-1數(shù)據(jù)的相關(guān)研究還很少。本研究以GF-1號(hào)衛(wèi)星的16m分辨率影像和Landsat 8的OLI影像為主要數(shù)據(jù)源，通過(guò)提取不同植被指數(shù)與獲取同期地面實(shí)測(cè)數(shù)據(jù)，建立不同植被參量的反演統(tǒng)計(jì)模型，旨在分析兩種新的遙感數(shù)據(jù)在半干旱荒漠化地區(qū)植被參量反演能力，從而為兩種遙感數(shù)據(jù)的使用提供參考。

1 數(shù)據(jù)和研究方法

1.1 研究區(qū)概況

研究獲取的遙感影像覆蓋了渾善達(dá)克沙地及其周邊，影像列表如表2所示。渾善達(dá)克沙地地處內(nèi)蒙古自治區(qū)中部的內(nèi)蒙古高原上，是我國(guó)四大沙地之一，也是華北區(qū)域近年來(lái)頻繁發(fā)生沙塵暴的主要沙塵源地之一[33]。其地理位置介于42°06′N～43°45′N和112°41′E～117°30′E之間，面積約5.2萬(wàn)平方公里，平均海拔1300m。渾善達(dá)克沙地屬溫帶大陸性氣候，年平均氣溫為1.5℃，年均降水為365.1mm，主要降水集中在7月～9月，占全年降水的80%～90%。渾善達(dá)克沙地內(nèi)多為固定或半固定沙丘，周邊為多為戈壁、稀疏草地等覆蓋，土壤多為栗鈣土和沙土。主要的植被類型包括羊草(Leymuschinensis(Trin.) Tzvelev.)、冰草(Agropyroncristatum(L.) Gaertn.)、冷蒿(ArtemisiafrigidaWilld.)、黑沙蒿(ArtemisiaordosicaKrasch.)、沙蓬(Agriophyllumsquarrosum(L.) Moq)、蟲(chóng)實(shí)(CorispermumhyssopifoliumL.)、沙鞭(Psammochloavillosa(Trin.) Bor)、蘆葦(Phragmitesaustralis(Cav.) Trin.ex Steud.)、苔草(CarexcallitrichosV.Krecz)、糙隱子草(Cleistogenessquarrosa(Trin.) Keng)、芨芨草(Achnatherumsplendens(Trin.) Nevski)、小葉錦雞兒(CaraganamicrophyllaLam.)等。

1.2 遙感數(shù)據(jù)的預(yù)處理

對(duì)GF-1數(shù)據(jù)的預(yù)處理主要包括大氣校正和幾何校正兩個(gè)部分，根據(jù)GF-1提供的波段、半波長(zhǎng)信息和中國(guó)衛(wèi)星應(yīng)用中心提供的GF-1 WFV相機(jī)的輻射定標(biāo)系數(shù)和GF-1載荷光譜響應(yīng)函數(shù)，利用ENVI的Flaash模塊進(jìn)行大氣校正，以消除大氣、光照等因素對(duì)地物反射的影響。使用ERDAS Imagine軟件提供的Geometric Correction模塊，以Landsat TM影像為參考，結(jié)合已經(jīng)過(guò)幾何精校正的高分辨率影像，選取38個(gè)均勻分布在整景影像的控制點(diǎn)，基于二次多項(xiàng)式模型對(duì)影像做了幾何糾正，誤差控制在一個(gè)像元之內(nèi)。同樣，基于ENVI的Flaash模塊對(duì)Landsat 8影像也進(jìn)行了大氣校正，之后對(duì)兩種數(shù)據(jù)都進(jìn)行了影像拼接。

表2 獲取的遙感影像信息表

1.3 樣地?cái)?shù)據(jù)

課題組于2013年8月21日～30日對(duì)研究區(qū)進(jìn)行樣地植被覆蓋度和植被地上生物量的野外調(diào)查，獲取了與影像同期的實(shí)測(cè)數(shù)據(jù)。在研究區(qū)內(nèi)共布設(shè)樣地點(diǎn)54個(gè)，并用GPS(Trimble GeoExplorer 3000 Series)定位，記錄下樣地的經(jīng)緯度。圖1為研究區(qū)地理位置、獲取影像及野外調(diào)查樣地點(diǎn)分布圖。

采用“針刺法”對(duì)植被覆蓋度進(jìn)行測(cè)量，具體方法為：沿著兩條互相垂直的樣線，以1m為單位依次判斷落針處有無(wú)植被覆蓋，有植被覆蓋記為1(同時(shí)記錄植被種名)，無(wú)覆蓋記為0，最后統(tǒng)計(jì)并計(jì)算植被的覆蓋度。

采用“收割法”對(duì)植被生物量進(jìn)行地面測(cè)量，具體方法為：在樣地的對(duì)角線方向布設(shè)2個(gè)1m×1m的小樣方，取其平均值作為小樣方的生物量鮮重，進(jìn)而推算整個(gè)大樣地的生物量鮮重。將小樣方地上部分的植被貼地全部剪起，稱量鮮重，然后帶回室內(nèi)用烘箱烘干至恒量，然后稱量，計(jì)算植被樣品的含水率，進(jìn)而推算生物量干重(單位：g/m2)。

在野外調(diào)查中，同時(shí)記錄的樣地信息還有主要草種、優(yōu)勢(shì)種高度、土壤類型和樣地類型等信息，以便為后面的結(jié)果分析提供參考。

圖1 研究區(qū)地理位置及野外調(diào)查樣地點(diǎn)分布

1.4 植被指數(shù)選取

根據(jù)影像位置特點(diǎn)，研究選取的植被指數(shù)主要是考慮了土壤背景對(duì)植被信息提取的影響。選取的植被指數(shù)主要包括：歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)[34]、土壤調(diào)整植被指數(shù)(Soil Adjusted Vegetation Index，SAVI)[35]和修正的土壤調(diào)節(jié)植被指數(shù)(Modified Soil Adjusted Vegetation Index，MSAVI)[36]。

(1)

(2)

(3)

其中，RNIR為近紅外波段的反射率，Rred為紅光波段的反射率，Rblue為藍(lán)光波段的反射率，L1為降低土壤背景的影響而設(shè)置的一個(gè)土壤調(diào)節(jié)參數(shù)，它隨著植被密度變化而變化，Huete認(rèn)為在稀疏植被覆蓋地區(qū)消除土壤背景影響的恰當(dāng)調(diào)節(jié)參數(shù)為L(zhǎng)1=0.5[26，28]。

1.5 多元回歸分析

本研究所選取的3種植被指數(shù)都是通過(guò)紅波段與近紅波段的組合計(jì)算出來(lái)的，而GF-1傳感器中有4個(gè)波段，Landsat 8中的OLI傳感器更是擁有9個(gè)波段，為了探索這些未參與計(jì)算的波段與提取的植被指數(shù)結(jié)合能否提高遙感反演的精度，本研究嘗試將藍(lán)色波段、綠色波段的波段反射率結(jié)合相應(yīng)的植被指數(shù)構(gòu)建多元回歸模型來(lái)探索能否提高植被覆蓋度和地上生物量的估測(cè)精度。

1.6 回歸模型建立與檢驗(yàn)

以GPS記錄的樣地位置為中心，提取2×2個(gè)窗口像元的植被指數(shù)的平均值作為影像對(duì)應(yīng)位置的植被指數(shù)值，這樣可以最大程度上保證實(shí)測(cè)植被參量數(shù)據(jù)和遙感影像光譜數(shù)據(jù)在幾何位置上的匹配。以影像計(jì)算的各個(gè)植被指數(shù)的數(shù)值為自變量，實(shí)測(cè)的植被覆蓋度和地上生物量作為因變量建立4種回歸模型：線性模型、指數(shù)模型、乘冪模型和對(duì)數(shù)模型。

回歸模型之間用決定系數(shù)R2和均方根誤差(RMSE)來(lái)進(jìn)行植被覆蓋度和地上生物量估測(cè)精度的評(píng)價(jià)。R2越高、RMSE越小表明估測(cè)的效果越好。R2和RMSE的計(jì)算公式如下：

(4)

(5)

結(jié)合影像進(jìn)行分析，去除位于云下的2個(gè)樣地和不在GF-1和Landsat 8公共區(qū)域影像的1個(gè)樣地，有效的樣地?cái)?shù)據(jù)51個(gè)，其中，41個(gè)用于建模(n=41)，10個(gè)用于驗(yàn)證(n=10)。

2 結(jié)果分析

2.1 植被指數(shù)與植被地表參量的擬合比較

根據(jù)GF-1影像和Landsat 8影像提取的植被指數(shù)與實(shí)測(cè)樣地?cái)?shù)據(jù)建立不同的回歸模型，R2、建模校正誤差均方根(RMSEC)和預(yù)測(cè)誤差均方根(RMSEP)結(jié)果如表3、表4所示。植被指數(shù)與植被覆蓋度和地上生物量相關(guān)性最優(yōu)模型擬合效果如圖2、圖3所示。從統(tǒng)計(jì)結(jié)果可以看出，總體而言，基于植被指數(shù)法的植被覆蓋度估測(cè)效果明顯好于地上生物量的估測(cè)效果。在植被覆蓋度的估測(cè)中，R2都在0.5～0.8之間，而地上生物量的估測(cè)中，R2在0.1～0.5之間，明顯低很多。

在植被覆蓋度的估測(cè)中，對(duì)于GF-1影像，3種植被指數(shù)估測(cè)效果依次為NDVI>SAVI>SAVI，4種不同模型的估算效果為估測(cè)效果依次為對(duì)數(shù)>乘冪>線性>指數(shù)。雖然通過(guò)SAVI和MSAVI所建立的對(duì)數(shù)模型雖然有較高的R2，但是RMSEP均較大。因此總體結(jié)果以基于NDVI的對(duì)數(shù)模型表現(xiàn)最好(R2=0.7966，RMSEP=0.0841)。經(jīng)過(guò)統(tǒng)計(jì)，基于NDVI構(gòu)建的對(duì)數(shù)模型RMSEP約為驗(yàn)證實(shí)測(cè)數(shù)據(jù)平均值的14%，從圖2可以看出誤差主要集中在對(duì)于覆蓋度0.8以上的點(diǎn)估測(cè)過(guò)高。而SAVI構(gòu)建的對(duì)數(shù)模型的RMSEP占驗(yàn)證實(shí)測(cè)數(shù)據(jù)平均值的18%，誤差主要集中在對(duì)覆蓋度0.8左右的兩個(gè)樣地的高估和低估。MSAVI構(gòu)建的對(duì)數(shù)模型的RMSEP占驗(yàn)證實(shí)測(cè)數(shù)據(jù)平均值的22%，誤差主要集中在對(duì)覆蓋度0.3以下的兩個(gè)樣地和0.8以上一個(gè)樣地的估測(cè)過(guò)高。對(duì)于Landsat 8數(shù)據(jù)，表現(xiàn)最好的植被指數(shù)為NDVI，其次是SAVI和MSAVI。4種不同模型的估算效果為估測(cè)效果依次為對(duì)數(shù)>線性>乘冪>指數(shù)，總體結(jié)果以基于NDVI的對(duì)數(shù)模型表現(xiàn)最好(R2=0.8080，RMSEP=0.0871)。綜合分析，兩種數(shù)據(jù)均以NDVI構(gòu)建的對(duì)數(shù)模型表現(xiàn)最佳，而且NDVI指數(shù)提取植被信息范圍更廣，在值0.8以上才達(dá)到飽和，而SAVI和MSAVI提取植被信息范圍較窄，在0.4左右就達(dá)到了飽和。相比GF-1數(shù)據(jù)，Landsat 8數(shù)據(jù)的SAVI和MSAVI構(gòu)建的模型R2均低很多，RMSEP也較大。

表3 不同植被指數(shù)估算植被覆蓋度表現(xiàn)

表4 不同植被指數(shù)估算植被地上生物量表現(xiàn)

圖2 不同植被指數(shù)估測(cè)植被覆蓋度最佳模型及驗(yàn)證結(jié)果

圖3 不同植被指數(shù)估測(cè)植被地上生物量最優(yōu)模型

在地上生物量的估測(cè)中，對(duì)于GF-1數(shù)據(jù)，3種植被指數(shù)的估測(cè)效果依次為SAVI>MSAVI>NDVI，4種不同估算模型的估測(cè)效果依次為乘冪>指數(shù)>對(duì)數(shù)>線性，總體結(jié)果以基于SAVI的乘冪模型表現(xiàn)最好(R2=0.4866，RMSEP=143.46)。對(duì)于Landsat 8數(shù)據(jù)，表現(xiàn)最好的植被指數(shù)為NDVI，其次是SAVI和MSAVI。4種不同的模型的估算效果為估測(cè)效果依次為乘冪>對(duì)數(shù)>指數(shù)>線性，總體結(jié)果以基于SAVI的乘冪模型表現(xiàn)最好(R2=0.3715，RMSEP=124.90)。綜合分析，兩種數(shù)據(jù)均以植被指數(shù)建立的乘冪模型表現(xiàn)最好，其中GF-1數(shù)據(jù)構(gòu)建的模型效果好于Landsat 8。

在本研究區(qū)，經(jīng)過(guò)修正的土壤調(diào)節(jié)植被指數(shù)MSAVI相對(duì)于沒(méi)有經(jīng)過(guò)修正的土壤調(diào)節(jié)植被指數(shù)SAVI，表現(xiàn)效果更好，這一結(jié)果與李曉松等人[37]在甘肅民勤-荒漠化過(guò)渡帶典型區(qū)的研究結(jié)果是一致的。就兩種數(shù)據(jù)相對(duì)而言，GF-1數(shù)據(jù)提取的植被指數(shù)，與地面實(shí)測(cè)的覆蓋度以及生物量的相關(guān)性(除了NDVI估測(cè)植被覆蓋度相關(guān)性稍低于)均較高于Landsat 8影像。這在很大程度上是由于GF-1具有相對(duì)較高的分辨率，對(duì)于荒漠化地區(qū)的稀疏植被具有更準(zhǔn)確的反映。因此，在本研究區(qū)植被覆蓋度和地上生物量的估測(cè)中，GF-1數(shù)據(jù)可以代替Landsat 8數(shù)據(jù)。但是，對(duì)于兩種數(shù)據(jù)而言，相對(duì)于植被覆蓋度反演的較高精度，植被地上生物量的反演精度較低，因此在本研究區(qū)不能使用該方法進(jìn)行植被地上生物量的估算。

2.2 多元回歸估測(cè)植被參量比較

根據(jù)前文的分析，基于3種植被指數(shù)的線性模型在植被覆蓋度的估測(cè)中表現(xiàn)出了不同的估算效果。在此基礎(chǔ)上，本節(jié)嘗試將未參與指數(shù)計(jì)算的藍(lán)色波段反射率、綠色波段反射率引入，與3種植被指數(shù)建立多元回歸模型估算植被覆蓋度和地上生物量，探索對(duì)于這兩個(gè)植被參量的估算精度是否有提高(表5、表6)。

表5 多元回歸模型估測(cè)植被覆蓋度表現(xiàn)

表6 多元回歸模型估測(cè)植被地上生物量表現(xiàn)

研究發(fā)現(xiàn)，3種植被指數(shù)引入藍(lán)色波段反射率和綠色反射率后構(gòu)建的模型R2都較為接近，但相對(duì)于前文單獨(dú)的植被指數(shù)構(gòu)建的模型，R2均有不同程度的提高。其中以MSAVI最為明顯，對(duì)于GF-1而言，基于MSAVI的擬合模型R2提高了0.1，達(dá)到了0.758，SAVI與NDVI也略有提高，表征結(jié)果預(yù)測(cè)的RMSEP也有所減小。對(duì)于Landsat 8數(shù)據(jù)而言，提高更為明顯，基于MSAVI、SAVI和NDVI的擬合模型R2由0.4794、0.5499和0.7439都提高到了0.83以上，RMSEP的值也有所減小?？傮w而言，兩種影像數(shù)據(jù)通過(guò)引入藍(lán)色、綠色波段的多元回歸模型對(duì)于植被覆蓋度的估測(cè)能力顯著提高，尤其是對(duì)于Landsat 8影像效果更為明顯。

對(duì)于植被地上生物量的多元回歸估算，相對(duì)一元線性回歸模型，各模型的R2和RMSEP均略有提高，但是不夠明顯，仍然無(wú)法滿足高精度估算要求。

2.3 兩種數(shù)據(jù)在兩種估算方法中的表現(xiàn)

在植被覆蓋度的一元回歸和多元回歸的估測(cè)中，兩種數(shù)據(jù)均表現(xiàn)出了較好的估測(cè)效果。其中，在一元回歸的估測(cè)中，GF-1的估測(cè)效果明顯好于Landsat 8，尤其是SAVI和MSAVI兩個(gè)植被指數(shù)的估測(cè)效果相對(duì)Landsat 8表現(xiàn)更好(SAVI：R2=0.7371、0.5499；MSAVI：R2=0.6596、0.4794)。而在多元回歸的估測(cè)中，引入藍(lán)色、綠色波段的反射率之后，Landsat 8的估測(cè)能力優(yōu)于GF-1。Landsat 8的擬合模型R2在0.84左右，而GF-1的在0.73～0.80之間。相對(duì)一元線性回歸的擬合效果，Landsat 8的R2提高了0.3左右。綜上所示，在植被覆蓋度的一元回歸估測(cè)中，GF-1表現(xiàn)較好，而在多元回歸的估測(cè)中Landsat 8表現(xiàn)更好。

3 結(jié)束語(yǔ)

從研究結(jié)果可以看出，在半干旱的荒漠化地區(qū)，GF-1和Landsat 8衛(wèi)星提取的植被指數(shù)與植被覆蓋度均具有很高的相關(guān)性，對(duì)于兩種數(shù)據(jù)，均以NDVI建立的對(duì)數(shù)模型表現(xiàn)最好(GF-1：R2=0.7966，RMSEP=0.0908；Landsat 8：R2=0.8080，RMSEP=0.0871)，而且，NDVI比SAVI和MSAVI擁有更廣的植被信息覆蓋范圍。在地上生物量的估測(cè)，GF-1表現(xiàn)最好的為基于SAVI的乘冪模型(R2=0.4866，RMSEP=143.46)Landsat 8表現(xiàn)最好的為基于NDVI構(gòu)建的乘冪模型(R2=0.3715，RMSEP=130.71)，相對(duì)于植被覆蓋度反演的較高精度，植被地上生物量的反演精度較低，因此不能使用該方法進(jìn)行植被地上生物量的估算。這些反演結(jié)果表明非線性模型與線性模型比，更加適合植被參量模型的構(gòu)建。這一研究結(jié)果與渠翠平等人[38]、楊連英等人[39]的研究結(jié)果是一致的。與此同時(shí)，在本研究區(qū)，經(jīng)過(guò)修正的土壤調(diào)節(jié)植被指數(shù)MSAVI相對(duì)于沒(méi)有經(jīng)過(guò)修正的土壤調(diào)節(jié)植被指數(shù)SAVI，在植被覆蓋度和植被生物量的估算中并沒(méi)有多大的提高。分析原因可能是由于2013年研究區(qū)生長(zhǎng)季降雨量相對(duì)其他年份要高很多，在一定程度上植被長(zhǎng)勢(shì)使得植被覆蓋度濃密，從而使得消除土壤因素的植被指數(shù)限制了結(jié)果的準(zhǔn)確性。這一問(wèn)題，在下一步的工作中還要結(jié)合氣象因素進(jìn)行討論分析。

在一元回歸模型的估測(cè)中，總體上3種植被指數(shù)建立的4種回歸模型中，GF-1表現(xiàn)明顯優(yōu)于Landsat 8。一方面，這與GF-1相對(duì)較高的分辨率有關(guān)，另一方面與GF-1傳感器本身性能有關(guān)。在多元回歸分析估測(cè)植被覆蓋度的分析中，GF-1和Landsat 8通過(guò)引入藍(lán)色波段、綠色波段的反射率所構(gòu)建的多元回歸模型對(duì)于植被覆蓋度的估測(cè)能力有顯著提高，尤其是對(duì)于Landsat 8影像效果更為明顯。分析原因，可能與Landsat 8近紅波段波長(zhǎng)有關(guān)，它的波長(zhǎng)在0.85μm～0.88μm之間，相比于GF-1影像，窄了一半還多。這在一定程度上可能影響了一元線性回歸模型的估測(cè)效果。因此，在引入其他幾個(gè)波段之后使得3種植被指數(shù)在估測(cè)植被覆蓋度的能力較單獨(dú)使用植被指數(shù)進(jìn)行估測(cè)能力上有顯著提高。具體的原因，還需要進(jìn)一步結(jié)合相應(yīng)的其他波段設(shè)置相同或相近的遙感影像進(jìn)行進(jìn)一步的研究與分析。

研究發(fā)現(xiàn)，GF-1與Landsat 8在使用植被指數(shù)法估測(cè)植被覆蓋度時(shí)表現(xiàn)良好，主要原因還是取決于他們具有較高的空間分辨率，其次是在荒漠化地區(qū)植被以稀疏草地為主，植被指數(shù)沒(méi)有達(dá)到飽和的問(wèn)題。因此，我們也應(yīng)該看到該方法相應(yīng)的局限性，該方法建立的回歸模型受區(qū)域性的限制，而區(qū)域的經(jīng)驗(yàn)?zāi)Ｐ蛻?yīng)用于大尺度的推算，可能會(huì)帶來(lái)較大的誤差[40]。在以稀疏草地為主要植被類型的荒漠化地區(qū)，可以通過(guò)植被指數(shù)法建立非線性模型進(jìn)行植被覆蓋度的估算，而對(duì)于地上生物量的估算，使用該方法可能會(huì)造成較大誤差，尤其是在植被覆蓋度高的區(qū)域，NDVI會(huì)達(dá)到飽和，影響植被生長(zhǎng)高峰季和高植被覆蓋度區(qū)域的估測(cè)。因此，在下一步研究中，需要結(jié)合不同的生長(zhǎng)期進(jìn)行分析，可能效果會(huì)更好。而相關(guān)研究發(fā)現(xiàn)，非參數(shù)的方法如神經(jīng)網(wǎng)絡(luò)法可能是較好的選擇[40]。這些都是未來(lái)研究提高荒漠化地區(qū)地上生物量估測(cè)的方向。

總體來(lái)說(shuō)，反演結(jié)果表明，在該研究區(qū)GF-1 16m數(shù)據(jù)可以代替Landsat 8數(shù)據(jù)用于植被覆蓋度和地上生物量的估測(cè)，而且，其空間分辨率更高，重訪周期更短，覆蓋面積也更大。這為GF-1及以后其他的GF系列衛(wèi)星和國(guó)產(chǎn)衛(wèi)星提供了廣闊的應(yīng)用前景。同時(shí)，GF-1和Landsat 8通過(guò)引入藍(lán)色或綠色波段的多元回歸模型對(duì)于植被覆蓋度的估測(cè)能力顯著提高。這些研究都將會(huì)對(duì)荒漠化地區(qū)的植被參量提取工作提供參考作用。

[1] UNEP.United Nations convention to combat desertification in those countries experiencing serious drought and/or desertification，particularly in Africa[S].Geneva：United Nation Environment Programme for the Convention to Combat Desertification (CCD)，Interim Secretariat for the CCD，1994：71.

[2] 徐爽，沈潤(rùn)平，楊曉月.利用不同植被指數(shù)估算植被覆蓋度的比較研究[J].國(guó)土資源遙感，2012(4)：95-100.

[3] 張峰，周廣勝，王玉輝.基于CASA模型的內(nèi)蒙古典型草原植被凈初級(jí)生產(chǎn)力動(dòng)態(tài)模擬[J].植物生態(tài)學(xué)報(bào)，2008，32(4)：786-797.

[4] JIN Y X，XU B，YANG X C，et al.Remote sensing dynamic estimation of grass production in Xilinguole，Inner Monglia[J].Scientia Sinica Vitae，2011，41：1185-1195.

[5] 高志海，李增元，魏懷東，等.干旱地區(qū)植被指數(shù)(VI)的適宜性研究[J].中國(guó)沙漠，2006，26(2)：243-248.

[6] 任杰，柏延臣，王錦地.從數(shù)碼照片中快速提取植被覆蓋度的方法研究[J].遙感技術(shù)與應(yīng)用，2010，25(5)：719-724.

[7] 趙繼強(qiáng)，謝東輝，孟夏，等.規(guī)則林地覆蓋度照相測(cè)量法的精度分析[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(19)：152-158.

[8] 凌成星，張懷清，鞠洪波，等.基于Worldview-2數(shù)據(jù)的東洞庭湖濕地區(qū)域植被覆蓋度估算研究[J].科學(xué)技術(shù)與工程，2012，12(29)：7515-7520.

[9] 王紅巖，高志海，王琫瑜，等.基于SPOT5遙感影像豐寧縣植被地上生物量估測(cè)研究[J].遙感技術(shù)與應(yīng)用，2010，25(5)：639-646.

[10] 陳巧，陳永富，鞠洪波.基于3S技術(shù)的天保區(qū)植被變化監(jiān)測(cè)方法研究[J].林業(yè)科學(xué)研究，2013，26(6)：736-742.

[11] MONTANDON L M，SMALL E E.The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI[J].Remote Sensing of Environment，2008，112：1835-1845.

[12] 李曉松，李增元，高志海，等.基于NDVI與偏最小二乘回歸的荒漠化地區(qū)植被覆蓋度高光譜遙感估測(cè)[J].中國(guó)沙漠，2011，(1)：162-167.

[13] 張瑾.全國(guó)時(shí)空連續(xù)植被覆蓋度遙感監(jiān)測(cè)[D].北京：中國(guó)科學(xué)院研究生院，2013.

[14] 陳濤，牛瑞卿，李平湘，等.基于人工神經(jīng)網(wǎng)絡(luò)的植被覆蓋遙感反演方法研究[J].遙感技術(shù)與應(yīng)用，2010，25(1)：24-30.

[15] FANG J Y，YANG Y H，MA W H，et al.Ecosystem carbon stocks and their changes in China's grasslands[J].Science China Life Science，2010，53：757-765.

[16] 除多，普布次仁，德吉央宗，等.西藏高原中部草地地上生物量遙感估算方法[J].山地學(xué)報(bào)，2013，31(6)：664-671.

[17] 高添，徐斌，楊秀春，等.內(nèi)蒙古西部草原地上生物量的遙感估算[J].中國(guó)沙漠，2013，33(2)：597-603.

[18] 孫曉芳，岳天祥，王情.草地地上生物量高精度曲面建模[J].遙感學(xué)報(bào)，2013，17(5)：1060-1076.

[19] 趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.

[20] 天慶久，閔祥軍.植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展，1998，13(4)：327-333.

[21] 李曉松，高志海，李增元，等.基于高光譜混合像元分解的干旱地區(qū)稀疏植被覆蓋度估測(cè)[J].應(yīng)用生態(tài)學(xué)報(bào)，2010，(1)：152-158.

[22] 樸世龍，方精云，賀金生，等.中國(guó)草地植被生物量及其空間分布格局[J].植物生態(tài)學(xué)報(bào)，2004，28(4)：491-498.

[23] 王正興，劉闖，陳文波，等.MODIS 增強(qiáng)型植被指數(shù)EVI與NDVI 初步比較[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2006，31(5)：407-410.

[24] 金云翔，徐斌，楊秀春，等.草原生物量及碳密度遙感估算--以內(nèi)蒙古正藍(lán)旗為例[J].中國(guó)農(nóng)學(xué)通報(bào)，2013，29(5)：11-16.

[25] 范建友，丁國(guó)棟，關(guān)博源，等.正藍(lán)旗植被覆蓋動(dòng)態(tài)變化的遙感監(jiān)測(cè)[J].中國(guó)水土保持科學(xué)，2005，3(4)：54-59.

[26] MYNENI R B，HALL F B，SELLERS P J，et a1.The interpretation of spectral vegetation indices[J].IEEE Transactions on Geoscience and Remote Sensing，1995，33：481-486.

[27] 李京，陳晉，袁清.應(yīng)用NOAA/AVHRR遙感資料對(duì)大面積草場(chǎng)進(jìn)行產(chǎn)草量定量估算的方法研究[J].自然資源學(xué)報(bào)，1994，9(4)：365-374.

[28] 張艷楠，牛建明，張慶，等.植被指數(shù)在典型草原生物量遙感估測(cè)應(yīng)用中的問(wèn)題探討[J].草業(yè)學(xué)報(bào)，2012，21(1)：229-238.

[29] WU J J，GAO Z H，LI Z Y，et al.Estimation for sparse vegetation information in desertification region based on Tiangong-1 hyperspectral image[J].Spectroscopy and Spectral Analysis，2014，34(3)：751-756.

[30] NASA.LDCM Launch.[EB/OL].http：//www.nasa.Gov/mission_pages/landsat/launch/index.html，2013/4/18.

[31] 中國(guó)資源衛(wèi)星應(yīng)用中心.[EB/OL].http：//www.cresda.com/n16/index.html.

[32] 徐涵秋，唐菲.新一代Landsat系列衛(wèi)星：Landsat 8 遙感影像新增特征及其生態(tài)環(huán)境意義[J].生態(tài)學(xué)報(bào)，2013，33(11)：3249-3257.

[33] 銀山.內(nèi)蒙古渾善達(dá)克沙地荒漠化動(dòng)態(tài)研究[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2010.

[34] DEERING D W，ROUSE J W，HAAS R H，et a1.Measuring forage production of grazing units from Landsat MSS data[J].Proceedings of the 10th International Symposium on Remote Sensing of Environment，1975：1169-1178.

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

[36] QI J，CHEHBOUNI A，HUETE A R，et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment，1994，48：119-126.

[37] 李曉松，李增元，高志海，等.基于Hyperion植被指數(shù)的干旱地區(qū)稀疏植被蓋度估測(cè)[J].北京林業(yè)大學(xué)學(xué)報(bào)，2010，32(3)：95-100.

[38] 渠翠平，關(guān)德新，王安志，等.基于MODIS數(shù)據(jù)的草地生物量估算模型比較[J].生態(tài)學(xué)雜志，2008，27(11)：2028-2032.

[39] 楊英蓮，邱新法，殷青軍，等.2007.基于MODIS增強(qiáng)型植被指數(shù)的青海省牧草產(chǎn)量估產(chǎn)研究[J].氣象，33(6)：102-107.

[40] 梁順林，李小文，王錦地，等.定量遙感：理念與算法[M].北京：科學(xué)出版社，2013.

Comparison of Sparse Vegetation Information Estimation Based on GF-1 and Landsat Multi-spectral Data

SUN Bin1，LI Zeng-yuan1，GUO Zhong2，GAO Zhi-hai1，WANG Beng-yu1

(1.ResearchInstituteofForestResourceInformationTechniques，ChineseAcademyofForestry，Beijing100091；2.InnerMongoliaAcademyofForestry,Huhhot010010)

With the wide use of GF-1 data，the ability of sparse vegetation information estimation of the data needs to be further analyzed.Based on the data of domestic satellite GF-1and Landsat 8 as well as the simultaneous field survey of vegetation cover and above-ground biomass，the research was implemented on Otindag sandy land and its surrounding areas，in which abilities of two sensors to estimate vegetation physiological parameters in desertification areas were compared with each other.It was shown that，firstly，in study region，logarithmic functions which were established on NDVI of GF-1 data (R2=0.7966，RMSEP=0.0841) and Landsat 8 data (R2=0.8080，RMSEP=0.0871) could be used to estimate the vegetation coverage perfectly，the power functions which were established on NDVI of GF-1and SAVI of Landsat 8 have the best estimation effect (R2=0.4866，0.3715；RMSEP=143.46，130.71).Secondly，compared with the unrevised vegetation index SAVI，the correlation of MSAVI with vegetation cover and above-ground biomass was not significantly improved.Thirdly，blue and green band were introduced into multiple regression models，which were supposed to enhance the ability of estimating vegetation coverage，especially for Landsat，andR2was improve 0.3.In general，GF-1 has a relatively high data quality，it can replace Landsat 8 data in vegetation parameter inversion，and it has a higher resolution，shorter revisit cycle and wider coverage.

GF-1；Landsat 8；vegetation index；vegetation coverage；above-ground biomass；regression model

2014-10-10

2014-10-21

國(guó)家863計(jì)劃項(xiàng)目(2012AA12A03)；國(guó)家高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)(21-Y30B05-9001-13/15)。

孫斌(1987—)，男，博士研究生，研究方向?yàn)榛哪b感監(jiān)測(cè)與評(píng)價(jià)。

E-mail：sunbin5448@126.com

高志海(1963—)，男，研究員，博士，研究方向?yàn)榛哪b感監(jiān)測(cè)與評(píng)價(jià)、生態(tài)遙感。

E-mail：zhihai_gao@163.com

10.3969/j.issn.1000-3177.2015.05.008

P237

A

1000-3177(2015)141-0048-09