王 杰，李衛(wèi)朋

(西華師范大學(xué)國(guó)土資源學(xué)院，四川 南充 637009)

基于靈活的時(shí)空融合模型的植被覆蓋度與植被指數(shù)關(guān)系

王 杰，李衛(wèi)朋

(西華師范大學(xué)國(guó)土資源學(xué)院，四川 南充 637009)

時(shí)空數(shù)據(jù)融合模型被廣泛地應(yīng)用于獲取高時(shí)間、高空間分辨率的植被指數(shù)與植被覆蓋度，但是其反演的精度常常受輸入的低空間分辨率影像(如MODIS影像)的影響。本研究基于靈活的時(shí)空數(shù)據(jù)融合方法(FSDAF)，深入分析了賽里木湖流域與石河子地區(qū)兩種不同情景的MODIS影像組合對(duì)FSDAF模型植被覆蓋度提取精度的影響，并研究了6種植被指數(shù)與植被覆蓋度的線性與非線性關(guān)系。研究結(jié)果表明，F(xiàn)SDAF模擬影像的植被覆蓋度精度取決于2個(gè)時(shí)期MODIS影像的變化率，影像變化小時(shí)取得的精度明顯好于影像差異大的情況。而采用植被指數(shù)對(duì)植被覆蓋度模擬時(shí)，NDVI與OSAVI的線性擬合效果較好，可以獲取較理想的結(jié)果。試驗(yàn)表明，采用時(shí)空模型用于研究區(qū)植被覆蓋反演能取得較好的效果，具有一定的應(yīng)用推廣價(jià)值。

時(shí)空融合模型；靈活的時(shí)空融合模型；植被覆蓋度；植被指數(shù)；Landsat TM；MODIS；線性與非線性擬合

植被覆蓋度通常是指植被冠層垂直投影面積占基準(zhǔn)地表單位面積的百分比[1],其獲取方式有地面監(jiān)測(cè)和遙感監(jiān)測(cè)兩種方法, 與耗時(shí)耗力的人工量測(cè)相比,通過(guò)遙感手段反演植被蓋度信息是一種有效快捷的方法[2]。陸地衛(wèi)星TM/ETM提供了較高空間分辨率的數(shù)據(jù)，其被廣泛應(yīng)用于土地覆蓋與土地利用變化監(jiān)測(cè)之中[3]。但是，因其較低的時(shí)間分辨率很難應(yīng)用于全球生物動(dòng)態(tài)變化監(jiān)測(cè)[4]。在常年多云地區(qū)，每年僅有2～3幅影像可供使用[5-7]。Terra與Aqua平臺(tái)的MODIS傳感器提供了逐日的全球觀測(cè)數(shù)據(jù)，能夠快速地獲取地表植被的變化。然而，其空間分辨率較低，不能刻畫(huà)異質(zhì)性較大區(qū)域的變化過(guò)程。

為了解決時(shí)間和空間分辨率對(duì)植被覆蓋度反演的影響，國(guó)內(nèi)外學(xué)者采用數(shù)據(jù)融合的方法提高反演精度，比如HIS變換[8]、主成分替代[9]、小波分解[10]。Gao等[11]提出了一種空間與時(shí)間自適應(yīng)輻射率融合模型(STARFM)。 STARFM模型引入光譜鄰域相似的信息權(quán)重融合兩類數(shù)據(jù)，將MODIS影像同質(zhì)性區(qū)域的反射率變化應(yīng)用于TM/ETM影像。大量的模擬與預(yù)測(cè)試驗(yàn)表明，如果MODIS影像上存在大量的同質(zhì)性像元，STARFM模型能夠有效地預(yù)測(cè)反射率影像，但像元空間分辨率低、混合像元嚴(yán)重時(shí)難以取得較高的精度[12]。基于STARFM的增強(qiáng)型ESTARFM模型[5]采用混合像元分解算法，針對(duì)同質(zhì)性與異質(zhì)性區(qū)域采用不同的轉(zhuǎn)換系數(shù)，模型精度有了較大的提升，但在時(shí)相差異較大或者云量較多時(shí)模擬的精度比STARFM低[6]。為了準(zhǔn)確地預(yù)測(cè)高精度的Landsat影像，克服巨大異質(zhì)性突變區(qū)域帶來(lái)的預(yù)測(cè)誤差，Zhu等[7]提出了靈活的空間時(shí)間數(shù)據(jù)融合算法(Flexible Spatiotemporal Data Fusion Model,FSDAF)，F(xiàn)SDAF模型只需要參考時(shí)間點(diǎn)的TM/ETM和MODIS影像，以及預(yù)測(cè)時(shí)間點(diǎn)的MODIS影像，可有效地降低數(shù)據(jù)輸入量。

由于云的覆蓋，大量的TM/ETM影像無(wú)法直接應(yīng)用于植被覆蓋率的估算，在Landsat TM/ETM影像可選擇性有限的情況下，通過(guò)時(shí)間與空間分辨率融合算法可獲取高空間、時(shí)間分辨率的植被覆蓋度與植被指數(shù)影像。在時(shí)空融合模型中，當(dāng)選擇數(shù)據(jù)質(zhì)量較高的高空間分辨率影像后(如無(wú)云的Landsat TM影像)，時(shí)空融合模型下的植被覆蓋度反演的精度常常受到輸入模型的低空間分辨率影像(如MODIS影像)的影響。故而，研究低空間分辨率的遙感影像變化對(duì)植被覆蓋度與植被指數(shù)的定量算法具有重要意義。針對(duì)這一問(wèn)題，本研究基于FSDAF模型，探討不同變化強(qiáng)度的低空間分辨率遙感影像輸入融合模型對(duì)植被覆蓋度精度提取的影響，并分析了6種植被指數(shù)與植被覆蓋度的線性與非線性關(guān)系。

1 研究方法

本研究基于FSDAF模型分析植被覆蓋度與植被指數(shù)的關(guān)系，針對(duì)不同變化強(qiáng)度的MODIS影像進(jìn)行融合，主要研究其對(duì)植被覆蓋度與植被指數(shù)精度反演的影響。首先，利用FSDAF模型融合成預(yù)測(cè)時(shí)間點(diǎn)的TM影像，然后利用預(yù)測(cè)點(diǎn)的真實(shí)TM影像對(duì)融合影像進(jìn)行精度檢驗(yàn)。在此基礎(chǔ)上，獲取及評(píng)價(jià)融合的TM影像植被覆蓋度，研究植被覆蓋度與植被指數(shù)的線性與非線性關(guān)系。

1.1 靈活的時(shí)空數(shù)據(jù)融合模型

在FSDAF模型中，輸入數(shù)據(jù)包括一對(duì)不同時(shí)間的低空間分辨率影像(分別為t1與t2時(shí)刻)，以及一幅高空間分辨率的影像(為t2時(shí)刻)，在實(shí)施數(shù)據(jù)融合方法之前，TM和MODIS影像應(yīng)校準(zhǔn)到同一個(gè)物理量，如大氣頂部反射率或表面反射率。FSDAF融合模型主要包括6個(gè)步驟：(1)t1時(shí)刻的高空間分辨率影像(Landsat)分類；(2)估計(jì)從t1時(shí)刻到t2時(shí)刻高時(shí)間分辨率影像(如 MODIS影像)每個(gè)類別的時(shí)間變化；(3)預(yù)測(cè)t2時(shí)刻的Landsat影像使用類別尺度的時(shí)間變化和計(jì)算MODIS影像每個(gè)像素預(yù)測(cè)的殘差；(4)利用t2時(shí)刻的MODIS影像，使用薄板樣條函數(shù)預(yù)測(cè)高空間分辨率影像(如 Landsat TM影像)；(5)基于薄板樣條函數(shù)的殘差分布計(jì)算；(6)利用鄰域信息得到Landsat TM影像的最終預(yù)測(cè)。

在FSDAF模型中，需要對(duì)輸入的TM/ETM進(jìn)行分類。根據(jù)分類的方法不同，可以將FSDAF模型分為監(jiān)督與非監(jiān)督，其中非監(jiān)督的FSDAF模型采用ISODATA算法，監(jiān)督的FSDAF模型采用支持向量機(jī)算法。如果選擇云量極少的t1時(shí)刻Landsat TM影像，那么模型的精度主要受兩景MODIS影像的影響，兩景MODIS影像在融合模型中的主要作用是在于獲取兩個(gè)時(shí)間點(diǎn)的地物變化，故而，不同變化強(qiáng)度的MODIS影像組合對(duì)FSDAF模型精度的影響需要進(jìn)行深入的研究，這就是本研究的出發(fā)點(diǎn)及數(shù)據(jù)選擇標(biāo)準(zhǔn)。對(duì)于FSDAF模型的詳細(xì)敘述，可以參考文獻(xiàn)[7]，這里不再贅述。

1.2 植被指數(shù)與植被覆蓋度的關(guān)系

獲取改正的植被覆蓋度之后，計(jì)算MODIS影像的各種植被指數(shù)，包括差值植被指數(shù)(DVI)[13]、歸一化綠波段差值植被指數(shù)(GNDVI)[14]、歸一化植被指數(shù)(NDVI)[15]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)[16]和比值植被指數(shù)(RVI)[17]。同時(shí)，去除MODIS影像的第6波段，用TM影像的纓帽變換[18]系數(shù)矩陣與MODIS影像進(jìn)行變換，獲取三波段的變換結(jié)果，這里只有綠度波段被保留下來(lái)，其余波段刪除。各種植被指數(shù)的計(jì)算公式如(1)-(5)所示。獲取各種植被指數(shù)之后，將TM影像獲取的植被覆蓋度與MODIS影像的植被指數(shù)進(jìn)行線性與非線性擬合。目前，植被覆蓋度與植被指數(shù)的線性與非線性擬合較好[19-20]，采用Mu等[21]的線性與非線性公式，以此驗(yàn)證植被覆蓋度與植被指數(shù)的線性與非線性關(guān)系，其表達(dá)式如式(6)所示。其中，F(xiàn)VC是植被覆蓋度，VI是各種植被指數(shù)，a、b、k是參數(shù)，當(dāng)k為1時(shí)，F(xiàn)VC與VI呈線性關(guān)系，當(dāng)k不為1時(shí)，呈現(xiàn)非線性關(guān)系。均方根誤差(RMSE)、標(biāo)準(zhǔn)差、相關(guān)系數(shù)(皮爾遜相關(guān)系數(shù))作為評(píng)價(jià)指標(biāo)，綜合評(píng)價(jià)各種植被指數(shù)與植被覆蓋度的擬合精度。假定植被覆蓋度與植被指數(shù)線性不相關(guān)(k不等于1)，然后對(duì)這個(gè)三變量的等式求解偏導(dǎo)數(shù)，采用Levenberg-Marquardt算法進(jìn)行擬合。

DVI=ρNIP-ρPEA

(1)

(2)

(3)

(4)

(5)

FVC=(aVI+b)k

(6)

1.3 研究區(qū)及數(shù)據(jù)處理

本研究應(yīng)選擇覆蓋大量植被且云量較小的典型區(qū)域，因而本研究以滿足此要求的賽里木湖流域與石河子地區(qū)為研究區(qū)。

根據(jù)MODIS影像地物變化的大小進(jìn)行不同組合，得到兩個(gè)類型的數(shù)據(jù)輸入情景，它們分別是：t1與t2時(shí)間點(diǎn)的MODIS影像上地物變化極小，且影像上條紋極少；t1與t2時(shí)間點(diǎn)的MODIS影像上地物有微小的變化，影像上有部分條紋。針對(duì)這兩個(gè)例子，分別下載無(wú)云或者云量極少的同一天的TM和MODIS影像(包括t2時(shí)間點(diǎn)的TM影像，用以驗(yàn)證不同例子的融合結(jié)果)。其中，使用的TM影像編號(hào)及云量如表1所示，在每個(gè)例子中，第一景影像輸入融合模型參與預(yù)測(cè)過(guò)程，第二景影像為真實(shí)的TM影像(作為驗(yàn)證融合模型的影像)。

表1 TM影像列表及云量大小

對(duì)TM原始影像先進(jìn)行輻射定標(biāo)，將數(shù)值轉(zhuǎn)換為輻射值，其中需要Gain與Bias系數(shù)，這里從參考文獻(xiàn)[22]獲取。然后進(jìn)行波段合并，最后進(jìn)行大氣校正，大氣校正采用ENVI5.3的FLAASH模塊。MODIS影像采用表面反射率產(chǎn)品MOD09GA，此產(chǎn)品已經(jīng)過(guò)嚴(yán)格的大氣校正、幾何校正和輻射校正，空間分辨率為500 m，包含7個(gè)波段(620-670，841-876，459-479，545-565，1 230-1 250，1 628-1 652，2 105-2 155 nm)。首先對(duì)MODIS影像進(jìn)行預(yù)處理，將HDF格式的影像轉(zhuǎn)換成ENVI標(biāo)準(zhǔn)格式，重新投影MOD09GA產(chǎn)品，使其與TM影像坐標(biāo)一致。波段合并且按照波長(zhǎng)大小升序排列。最后用TM影像裁剪出其對(duì)應(yīng)的MODIS影像，處理成反射率的TM影像與裁剪出的MODIS影像分別見(jiàn)圖1、2、3(影像都以7、4、1波段合成進(jìn)行顯示)。

2 結(jié)果和分析

非監(jiān)督的FSDAF融合模型主要包括如下的輸入?yún)?shù)：半窗口大小、類似像元的數(shù)目、最小類別、最大類別、塊大小、尺度因子等。這些參數(shù)的設(shè)置需要根據(jù)遙感影像的空間分辨率與獲取的精度要求而定，經(jīng)過(guò)多次的模擬發(fā)現(xiàn)，它們分別設(shè)置為12、15、5、10、20、15較為合適。監(jiān)督的FSDAF融合模型需要提前對(duì)經(jīng)過(guò)大氣校正的影像進(jìn)行分類，故而沒(méi)有最小類別與最大類別參數(shù)的設(shè)置。監(jiān)督分類都采用支持向量機(jī)算法(SVM)，此算法內(nèi)置于ENVI軟件中，核函數(shù)采用徑向基函數(shù)，核函數(shù)的δ值為0.167 0，懲罰參數(shù)為100，金字塔水平設(shè)置為1，金字塔重分類閾值設(shè)置為0.9。在賽里木湖流域中，設(shè)置類別的數(shù)目為7類，分別是湖泊、冰雪、云、大田作物、林地、巖石和土壤。在石河子影像中，設(shè)置類別的數(shù)目為5類，分別是水體、大田作物、沙漠、土壤和建筑物。賽里木湖流域的四景TM影像分類，參照相關(guān)研究[23]選擇感興趣區(qū)域及驗(yàn)證樣本(總體精度都超過(guò)87%，kappa系數(shù)超過(guò)0.85)，為了更為準(zhǔn)確地進(jìn)行時(shí)空融合，利用目視解譯的方法改正分類錯(cuò)誤的像元。針對(duì)石河子地區(qū)，由于地物類別較為單一，按照相關(guān)論文的處理過(guò)程[24]，準(zhǔn)確選擇各種分類樣本及評(píng)價(jià)樣本，最終獲取各種地類的分類結(jié)果(總體精度都超過(guò)92%，kappa系數(shù)超過(guò)0.90)，通過(guò)目視解譯，改正分類錯(cuò)誤的像元。各種原始影像及FSDAF融合的結(jié)果以圖1、2展示出來(lái)。

2.1 賽里木湖流域草地與耕地模擬及試驗(yàn)結(jié)果

圖1前4幅影像分別是輸入的2006年第233天的賽里木湖區(qū)域MODIS、TM影像和2006年第249天的MODIS影像、TM影像(作為驗(yàn)證影像)。根據(jù)圖1原始TM影像與融合影像對(duì)比，容易判讀出預(yù)測(cè)的影像消除了云的影響，這是由于兩景MODIS影像無(wú)云，這說(shuō)明FSDAF融合模型具有去云的作用；同時(shí)，F(xiàn)SDAF融合模型獲取的TM影像顏色與原始影像顏色基本一致，僅僅湖泊的顏色略有差異；此外，觀察植被、土壤、巖石與湖泊融合前后的光譜特性發(fā)現(xiàn)，F(xiàn)SDAF融合模型對(duì)植被、土壤、巖石的光譜保持較好，而水體的光譜變化較大，但這對(duì)植被覆蓋度的提取影響不大。而后，采用SVM分類算法對(duì)原始TM和融合影像進(jìn)行分類，對(duì)分類后的影像進(jìn)行目視改正，最后提取大田作物與林地的植被像元。經(jīng)過(guò)比較發(fā)現(xiàn)，原始影像獲取的植被像元與非監(jiān)督FSDAF融合模型相差6%，監(jiān)督FSDAF融合模型相差7%，這說(shuō)明FSDAF融合模型能夠準(zhǔn)確地提取植被覆蓋度。為了驗(yàn)證MODIS影像的植被指數(shù)與植被覆蓋度的關(guān)系，將驗(yàn)證影像與兩種融合算法獲取的植被影像(0和1的二值影像)聚合到MODIS影像空間分辨率，將二值影像的植被像元聚合成植被覆蓋度，其取值范圍為0-1。然后，以驗(yàn)證影像聚合獲取的植被覆蓋度作為參考數(shù)據(jù)，評(píng)價(jià)兩種融合算法獲取的植被覆蓋度精度，采用公式(6)進(jìn)行線性擬合(假定k=1)，非監(jiān)督與監(jiān)督FSDAF融合模型的a、b系數(shù)分別為0.925 0、0.060 0和0.913 0、0.070 0，說(shuō)明獲取的植被覆蓋度精度非常高，a系數(shù)趨近于1，而b系數(shù)趨近于0。

圖1 賽里木湖流域原始影像與FSDAF模型預(yù)測(cè)結(jié)果

最后，按照公式(1)-(5)計(jì)算MODIS影像的各種植被指數(shù)，同時(shí)獲取其纓帽變換的綠度波段，采用公式(6)對(duì)兩種融合的植被覆蓋度與MODIS影像計(jì)算的植被指數(shù)進(jìn)行線性與非線性統(tǒng)計(jì)分析。可以發(fā)現(xiàn)，各種植被指數(shù)都不能成功擬合，于是設(shè)定k=1進(jìn)行線性擬合。由于篇幅限制，未置放統(tǒng)計(jì)結(jié)果于文章中，而是集中評(píng)價(jià)石河子地區(qū)的融合結(jié)果，將各種統(tǒng)計(jì)及評(píng)價(jià)指標(biāo)詳細(xì)羅列出來(lái)。經(jīng)過(guò)統(tǒng)計(jì)對(duì)比發(fā)現(xiàn)，NDVI、OSAVI與FSDAF融合模型獲取的植被覆蓋度擬合精度較高，但是它們的相關(guān)系數(shù)都較低，NDVI與兩種FSDAF融合模型獲取的植被覆蓋度的相關(guān)性分別為0.663 0、0.657 0，而OSAVI獲取的相關(guān)性系數(shù)分別為0.661 0、0.654 0。

2.2 石河子市農(nóng)田耕地模擬及試驗(yàn)結(jié)果

按照上述的過(guò)程，對(duì)石河子地區(qū)的遙感數(shù)據(jù)進(jìn)行融合(圖2)。兩景MODIS影像的質(zhì)量相對(duì)賽里木湖地區(qū)影像較差，植被區(qū)域出現(xiàn)大量的條紋與斑點(diǎn)狀的像元。雖然影像質(zhì)量不高，但是它們具有相似的分布與變化。非監(jiān)督與監(jiān)督的FSDAF模型融合結(jié)果也有類似于第194天的MODIS影像條紋分布。采用像元聚合的方法獲取的驗(yàn)證影像、非監(jiān)督FSDAF模型、監(jiān)督FSDAF模型分類提取的植被覆蓋度如圖3所示，顯然，F(xiàn)SDAF模型獲取的植被覆蓋度在左下角部分明顯低于驗(yàn)證影像獲取的植被覆蓋度。同樣，采用公式(1)-(5)獲取植被指數(shù)如圖4所示(包含纓帽變換的綠度波段)。這里沒(méi)有刪除背景像元，在程序設(shè)計(jì)的過(guò)程中，通過(guò)設(shè)定FSDAF模型的植被覆蓋度大于0的像元參與擬合，就能快速地刪除背景像元。首先，以驗(yàn)證影像獲取的植被覆蓋度作為真值驗(yàn)證FSDAF模型獲取的植被覆蓋度，其中，驗(yàn)證區(qū)域的植被像元占總像元的37.266 0%(這里沒(méi)有進(jìn)行聚合)，非監(jiān)督與監(jiān)督分別為30.906 0%、28.385 0%(表2)。對(duì)于線性擬合驗(yàn)證影像植被覆蓋度(經(jīng)過(guò)像元聚合)與FSDAF融合模型獲取的植被覆蓋度而言，其擬合系數(shù)a和b、均方根誤差、標(biāo)準(zhǔn)差、相關(guān)系數(shù)可以看出，非監(jiān)督的FSDAF模型獲取的石河子影像植被覆蓋度相比監(jiān)督方法精度更高，但是其系數(shù)a小于賽里木流域擬合的系數(shù)，b又大于其系數(shù)，這說(shuō)明在石河子地區(qū)FSDAF模型獲取的植被覆蓋度精度低于賽里木流域。比較圖1與圖2中4個(gè)時(shí)期的MODIS影像發(fā)現(xiàn)，圖1中的MODIS影像的質(zhì)量明顯高于圖2，同時(shí)，圖1中的兩景MODIS影像的植被變化較小，而圖2的兩景MODIS影像中部區(qū)域植被稀疏明顯。分析FSDAF融合模型的植被覆蓋度提取的精度之后，繼續(xù)采用公式(6)對(duì)植被覆蓋度與植被指數(shù)進(jìn)行線性、非線性擬合，擬合方法仍然使用賽里木湖流域的方法，經(jīng)過(guò)大量試驗(yàn)發(fā)現(xiàn)，非線性擬合不成功，仍然采用線性擬合的方式。表3與表4分別為非監(jiān)督、監(jiān)督的FSDAF融合模型獲取參數(shù)統(tǒng)計(jì)，從中可以看出，NDVI與GNDVI兩種植被指數(shù)擬合的精度較高，這也跟賽里木流域的擬合結(jié)果相似，不過(guò)皮爾遜相關(guān)系數(shù)略微的降低，主要原因在于兩景MODIS影像質(zhì)量較差，不能完全捕捉到植被的變化信息。

圖2 石河子地區(qū)原始影像與FSDAF模型預(yù)測(cè)結(jié)果

圖3 石河子地區(qū)驗(yàn)證影像、非監(jiān)督FSDAF模型、監(jiān)督FSDAF模型分類提取的植被覆蓋度

圖4 石河子地區(qū)MODIS影像提取植被指數(shù)

表2 非監(jiān)督與監(jiān)督的FSDAF模型獲取的植被覆蓋度與真實(shí)覆蓋度的線性關(guān)系

表3 非監(jiān)督FSDAF模型獲取的植被覆蓋度與MODIS影像植被指數(shù)線性關(guān)系

Note: DVI, difference vegetation index; GNDVI, normalized green difference vegetation index; Greenness, greenness band of Kauth-Thomas Transformation; NDVI, normalized difference vegetation Index; OSAVI, optimized soil adjusted vegetation index; RVI, ratio vegetation index; r, pearson correlation coefficient; RMSE, root mean square error; SD, standard deviation. The same below.

3 討論與結(jié)論

高動(dòng)態(tài)的異質(zhì)性區(qū)域的植被覆蓋度定量反演需要高時(shí)空分辨率的遙感數(shù)據(jù)，本研究利用FSDAF融合模型，研究了植被覆蓋度提取的精度，以及植被覆蓋度與植被指數(shù)的關(guān)系，對(duì)兩個(gè)研究區(qū)的結(jié)果進(jìn)行分析與討論后，發(fā)現(xiàn)FSDAF融合模型對(duì)NDVI的預(yù)測(cè)能力較好，能夠獲得可用性更高的NDVI時(shí)序數(shù)據(jù)，這與前人[25]的結(jié)論一致。由于FSDAF融合模型預(yù)測(cè)的精度常常受所選MODIS影像的影響，故而本研究討論了

表4 監(jiān)督FSDAF模型獲取的植被覆蓋度與MODIS影像植被指數(shù)線性關(guān)系

兩種MODIS影像對(duì)的情況，驗(yàn)證了FSDAF融合模型對(duì)植被覆蓋度與植被指數(shù)的反演精度。同時(shí)得到如下結(jié)論：

1)當(dāng)兩景MODIS影像對(duì)無(wú)云且地物時(shí)間變化極小時(shí)，F(xiàn)SDAF融合模型能夠準(zhǔn)確地預(yù)測(cè)出TM影像，且精度最高。當(dāng)兩景MODIS影像對(duì)無(wú)云且隨時(shí)間有少許變化時(shí)，預(yù)測(cè)的TM影像質(zhì)量有所降低。

2)植被覆蓋度與植被指數(shù)的線性擬合的精度較高，但是其相關(guān)性都較低。NDVI與OSAVI與植被覆蓋度的線性擬合精度最高，同時(shí)其相關(guān)性也是最高。在賽里木湖流域，NDVI與兩種FSDAF融合模型獲取的植被覆蓋度的相關(guān)系數(shù)分別為0.663 0、0.657 0，而OSAVI獲取的相關(guān)性系數(shù)分別為0.661 0、0.654 0。在石河子地區(qū)，NDVI與兩種FSDAF融合模型獲取的植被覆蓋度的相關(guān)性分別為0.537 2、0.531 4，而OSAVI獲取的相關(guān)性系數(shù)分別為0.537 2、0.531 4。

References：

[1] Purevdorj T,Tateishi R,Ishiyama T.Relationships between percent vegetation cover and vegetation indices.International Journal of Remote Sensing,1998,19(18):3519-3535.

[2] 古麗·加帕爾,陳曦,馬忠國(guó).干旱區(qū)稀疏蘆葦蓋度遙感信息提取.干旱區(qū)地理,2010,33(6):988-996. Guli· Jiapaer,Chen X,Ma Z G.Extraction of vegetation fraction over the sparse reed in arid area.Arid Land Geography,2010,33(6):988-996.(in Chinese)

[3] 蔡朝朝,安沙舟,蒲智,淮永建.基于TM NDVI的庫(kù)爾勒市域植被覆蓋動(dòng)態(tài)變化.草業(yè)科學(xué),2015,32(7):1069-1078. Cai Z Z,An S Z,Pu Z,Huai Y J.A study on vegetation coverage change in Korla City based on the TM NDVI.Pratacultural Science,2015,32(7):1069-1078.(in Chinese)

[4] 李亞剛,李文龍,劉尚儒,秦蘭蘭.基于遙感技術(shù)的甘南牧區(qū)草地植被狀況多年動(dòng)態(tài).草業(yè)科學(xué),2015,32(5):675-685. Li Y G,Li W L,Liu S R,Qin L L.Grassland vegetation dynamics over the years based on remote sensing technology in Gannan pastoral area.Pratacultural Science,2015,32(5):675-685.(in Chinese)

[5] Zhu X,Chen J,Gao F,Chen X,Masek J G.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions.Remote Sensing of Environment,2010,114(11):2610-2623.

[6] Emelyanova I V,McVicar T R,Van Niel T G,Li L T,van Dijk A I J M.Assessing the accuracy of blending Landsat-MODIS surface reflectances in two landscapes with contrasting spatial and temporal dynamics:A framework for algorithm selection.Remote Sensing of Environment,2013,133:193-209.

[7] Zhu X,Helmer E,Liu D,Chen J,Gao F,Lefsky M.A flexible spatiotemporal method for fusing satellite images with different resolutions.Remote Sensing of Environment,2016,172:165-177.

[8] Carper W J,Lilles T M,Kiefer R W.The use of intensity-huesaturation transformations for merging SPOT panchromatic and multispectral image data.Photogrammetric Engineering and Remote Sensing,1990,56:459-467.

[9] Shettigara V K.A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set.Photogrammetric Engineering and Remote Sensing,1992,58:561-567.

[10] Yocky D A.Multiresolution wavelet decomposition image merger of Landsat Thematic Mapper and SPOT panchromatic data.Photogrammetric Engineering and Remote Sensing,1996,62:1067-1074.

[11] Gao F,Masek J,Schwaller M,Hall F.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance.IEEE Transactions on Geoscience and Remote Sensing,2006,44:2207-2218.

[12] Hilker T,Wulder M A,Coops N C,Linke J,McDermid G,Masek J G,Gao F,White J C.A new data fusion model for high spatial and temporal resolution mapping of forest based on Landsat and MODIS.Remote Sensing of Environment,2009,113:1613-1627.

[13] Tucker C J.A spectral method for determining the percentage of green herbage material in clipped sample.Remote Sensing of Environment,1980,9:175-181.

[14] Gitelson A A,Kaufman Y J,Merzlyak M N.Use of a green channel in remote sensing of global vegetation from EOS-MODIS.Remote Sensing of Environment,1996,58:289-298.

[15] Rouse J W,Haas R H,Schell J A,Deering D W.Monitoring vegetation systems in the Great Plains with ERTS.Proceedings of the Third ERTS Symposium.NASA,1973,1:309-317.

[16] Rondeaux G,Steven M,Baret F.Optimization of soil adjusted vegetation indices.Remote Sensing of Environment,1996,55:95-107.

[17] Jordan C F.Derivation of leaf area index from quality of light on the forest floor.Ecology,1969,50:663-666.

[18] 梁順林.定量遙感.北京：科學(xué)出版社,2009:189-190. Liang S L.Quantitative remote sensing of land surfaces.Beijing:Science Press,2009:189-190.(in Chinese)

[19] Xiao J,Moody A.A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico,USA.Remote Sensing of Environment,2005,98(2):237-250.

[20] Li F,Kustas W P,Prueger J H,Neale C M,Jackson T J.Utility of remote sensing based two source energy balance model under low and high vegetation cover conditions.Journal of Hydrometeorology,2005,6(6):878-891.

[21] Mu X H,Huang S,Ren H Z,Yan G J,Song W J,Ruan G Y.Validating GEOV1 fractional vegetation cover derived from coarse resolution remote sensing images over croplands.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(2):439-446.

[22] Chander G,Markham B L,Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS,TM,ETM+,and EO-1 ALI sensors.Remote Sensing of Environment,2009,113:893-903.

[23] 汪洋.博斯騰湖流域土地利用變化與經(jīng)濟(jì)重心的遷移分析.烏魯木齊:新疆大學(xué)博士學(xué)位論文,2015:18-43. Wang Y.Land use conversion and migration of economy gravity center in the Bosten lake basin.PhD Thesis.Urumqi:Xinjiang University,2015:18-43.(in Chinese)

[24] 許西盼.基于遙感影像的土地利用動(dòng)態(tài)變化監(jiān)測(cè)與預(yù)測(cè)模型研究(以石河子墾區(qū)為例).石河子:石河子大學(xué)碩士學(xué)位論文,2010:20-44. Xu X P.Study on monitoring and prediction of land use change in Shihezi reclamation area by remote sensing.Master Thesis.Shihezi:Shihezi University,2010:20-44.(in Chinese)

[25] 趙艷麗.時(shí)空融合技術(shù)在高時(shí)空分辨率NDVI數(shù)據(jù)重構(gòu)中的應(yīng)用.太原:太原理工大學(xué)碩士學(xué)位論文,2015:35-47. Zhao Y L.Reconstruction of NDVI data with high-spatial and temporal resolution using spatial-temporal fusion technique.Master Thesis.Taiyuan:Taiyuan University of Technology,2015:35-47.(in Chinese)

(責(zé)任編輯 張瑾)

Research on relationship between vegetation cover fraction and vegetation index based on flexible spatiotemporal data fusion model

Wang Jie, Li Wei-peng

(College of Land and Resources, China West Normal University, Nanchong 637009, China)

The spatiotemporal data fusion model has been widely used to obtain high temporal and spatial resolution vegetation indexes and vegetation cover fractions, but its accuracy is often affected by low spatial resolution images [e.g., moderate resolution imaging spectroradiometer (MODIS) images]. This study design was based on the flexible spatiotemporal data fusion model (FSDAF), and investigated the effects of three different MODIS image pairs of the FSDAF model for vegetation cover fraction extraction in arid region of China. Furthermore, the linear and non-linear relationships between six vegetation indexes and vegetation cover fractions were investigated. The results showed that the retrieval accuracy of the vegetation cover fraction of FSDAF simulated images depended on the rate of change of the MODIS images in two periods. In addition, the accuracy of the image with a slight change was significantly higher than that of the image with a great difference. When vegetation indexes were used to simulate the vegetation cover fraction, the normalized difference vegetation index (NDVI) and green NDVI (GNDVI) linear fitting methods produced better results than other methods did, and provided the ideal results. The experimental results showed that the FSDAF model could be used to determine the retrieval of vegetation cover in arid area, and it had a good effect and applicability.

Spatiotemporal Data Fusion Model; Flexible Spatiotemporal Data Fusion Model; Vegetation Cover Fraction; Vegetation Index; Landsat TM; Moderate Resolution Imaging Spectroradiometer; Linear and Nonlinear Fitting

Wang Jie E-mail:wangjie308@mail.ucas.ac.cn

10.11829/j.issn.1001-0629.2016-0256

2016-05-13接受日期：2016-07-01

西華師范大學(xué)博士科研啟動(dòng)基金(412546、412547);四川省教育廳自然科學(xué)重點(diǎn)項(xiàng)目(17AZ0387);國(guó)家自然科學(xué)基金資助項(xiàng)目(41101348)

王杰(1984-)，男，四川南充人，講師，博士，主要從事遙感數(shù)字圖像處理、數(shù)據(jù)挖掘研究工作。E-mail:wangjie308@mail.ucas.ac.cn

S127

A

1001-0629(2017)2-0264-09

王杰，李衛(wèi)朋.基于靈活的時(shí)空融合模型的植被覆蓋度與植被指數(shù)關(guān)系.草業(yè)科學(xué),2017,34(2)：264-272.

Wang J,Li W P.Research on relationship between vegetation cover fraction and vegetation index based on flexible spatiotemporal data fusion model.Pratacultural Science，2017,34(2)：264-272.