張成才， 羅蔚然， 竇小楠， 王金鑫

(1.鄭州大學(xué)水利與環(huán)境學(xué)院,鄭州 450001； 2.河南省基礎(chǔ)地理信息中心,鄭州 450000)

應(yīng)用Landsat8數(shù)據(jù)改進(jìn)FCD模型方法

張成才1， 羅蔚然1， 竇小楠2， 王金鑫1

(1.鄭州大學(xué)水利與環(huán)境學(xué)院,鄭州 450001； 2.河南省基礎(chǔ)地理信息中心,鄭州 450000)

植被覆蓋度是衡量地表植被狀況的重要指標(biāo)，在水文、氣象和生態(tài)等方面的研究中具有重要作用。以Landsat8為數(shù)據(jù)源，采用Gram-Schmidt變換的光譜銳化融合方法提高熱紅外波段的空間分辨率，計(jì)算熱量指數(shù)，對(duì)傳統(tǒng)FCD模型(forest canopy density mapping model)進(jìn)行改進(jìn)，根據(jù)4種指數(shù)的關(guān)系計(jì)算植被覆蓋度。通過(guò)與傳統(tǒng)FCD模型方法計(jì)算結(jié)果比較，改進(jìn)后的植被覆蓋度計(jì)算方法具有更高的精度。

植被覆蓋度； Landsat8； FCD模型； 熱量指數(shù)

0 引言

植被覆蓋度是土地沙漠化評(píng)價(jià)、水土流失監(jiān)測(cè)和分布式水文模型構(gòu)建的重要參數(shù)。利用遙感技術(shù)能夠有效、快速獲取植被信息，可以充分反映植被在時(shí)間和空間上的變化情況，對(duì)于監(jiān)測(cè)植被覆蓋度具有很好的效果[1]。目前，國(guó)內(nèi)外學(xué)者研究植被覆蓋度估算方法大致分為基于回歸模型法、基于像元分解法和基于智能算法3類(lèi)[2]。

基于回歸模型法的植被覆蓋度估算，North[3]用ATSR-2 數(shù)據(jù)各波段值(555 nm，670 nm，870 nm和1 630 nm)分別與植被覆蓋度進(jìn)行線性回歸分析，結(jié)果表明該線性混合模型估算植被覆蓋度比單一植被指數(shù)更好； Van de Voorde等[4]利用Landsat7數(shù)據(jù)估算城市植被覆蓋度，發(fā)現(xiàn)利用第2，3，5和7波段建立的回歸模型估算植被覆蓋度效果最好； 楊峰等[5]應(yīng)用TM和實(shí)測(cè)數(shù)據(jù)，對(duì)5種植被指數(shù)(NDVI，RVI，GNDVI，SAVI和MSAVI)與植被覆蓋度進(jìn)行回歸分析，結(jié)果表明MSAVI和GNDVI精度最佳，達(dá)90%以上。

基于像元分解法的植被覆蓋度估算，Zribi等[6]基于像元分解模型，使用雷達(dá)ERSZ/SAR數(shù)據(jù)估算了半干旱地區(qū)的植被覆蓋度，取得了較好的成果； Gutman等[7]在像元二分模型基礎(chǔ)上提出了對(duì)均一像元和混合像元植被覆蓋度的不同求解方法； 李苗苗等[8]在對(duì)像元二分模型2個(gè)重要參數(shù)推導(dǎo)的基礎(chǔ)上，改進(jìn)了已有模型的參數(shù)估算方法，建立了用NDVI估算植被覆蓋度的模型； 馬娜等[9]在充分考慮區(qū)域土壤和植被類(lèi)型等背景基礎(chǔ)上，先后使用了MNF、二維散點(diǎn)圖以及PPI方法，得到了具有時(shí)空針對(duì)性的純凈像元，以此為基礎(chǔ)運(yùn)用像元二分模型計(jì)算了植被覆蓋度及其空間分布。

基于智能算法的植被覆蓋度估算中，Van de Voorde等[4]提出了利用多層感知層神經(jīng)網(wǎng)絡(luò)，采用Landsat7圖像中隨機(jī)選取訓(xùn)練樣本的方法進(jìn)行混合像元分解，估算亞像元植被覆蓋度； 陳濤等[10]采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)密云水庫(kù)流域內(nèi)的植被覆蓋進(jìn)行反演，結(jié)果表明該方法以其對(duì)非線性過(guò)程的精確模擬而具有比傳統(tǒng)算法更高的精度。

但是，回歸模型法估算植被覆蓋度對(duì)實(shí)測(cè)數(shù)據(jù)依賴性較強(qiáng)，地表的復(fù)雜性易導(dǎo)致區(qū)域內(nèi)的經(jīng)驗(yàn)?zāi)Ｐ蛻?yīng)用于大尺度的植被估算時(shí)誤差較大； 像元分解法由于植被的光譜信息受多種地物的影響，較難獲取純凈的像元; 基于智能算法的植被覆蓋度估算訓(xùn)練樣本的選取困難，雖然實(shí)測(cè)數(shù)據(jù)可以獲得較高精度的樣本數(shù)據(jù)，然而在代表性和全面性方面受到一定的限制。

近年來(lái)，國(guó)際熱帶木材組織(international tropical timber organization，ITTO)在眾多學(xué)者研究的基礎(chǔ)上提出了一種植被覆蓋度估算方法——FCD模型(forest canopy density mapping model)。傳統(tǒng)的FCD模型方法以 Landsat TM /ETM+為數(shù)據(jù)源，主要構(gòu)造 4種指數(shù)，分別為植被指數(shù)(vegetation index，VI) 、裸土指數(shù)(bare soil index，BI) 、陰影指數(shù)(shadow index，SI) 及熱量指數(shù)(thermal index，TI) 。由于 TM/ETM+圖像的熱紅外波段空間分辨率較低，所以一般只構(gòu)建前3種指數(shù)。本文以Landsat8為數(shù)據(jù)源，采用Gram-Schmidt(GS)變換的光譜銳化融合方法提高熱紅外波段的空間分辨率，然后計(jì)算熱量指數(shù)，根據(jù)4種指數(shù)的相關(guān)關(guān)系計(jì)算植被覆蓋度。

1 數(shù)據(jù)源及其預(yù)處理

研究區(qū)位于黃河一級(jí)支流沁河流域上游，中心經(jīng)緯度坐標(biāo)為N36°5′59.49″，E112°7′31.56″，范圍為16 km×16 km。該區(qū)域主要地表覆蓋類(lèi)型為灌木、林地、草地、耕地及水體，另有少量居民地和道路，植被生長(zhǎng)狀況較好。

以2014年6月獲取的Landsat8影像為數(shù)據(jù)源，并進(jìn)行輻射定標(biāo)、大氣校正等預(yù)處理。采用FLAASH模型對(duì)定標(biāo)后的影像進(jìn)行大氣校正，消除大氣中水蒸氣、氧氣、二氧化碳、甲烷和臭氧等物質(zhì)對(duì)地物反射的影響以及大氣分子和氣溶膠散射的影響。校正后的圖像如圖1所示。

圖1 研究區(qū)校正后Landsat8影像Fig.1 Corrected Landsat8 image in study area

2 改進(jìn) FCD模型

2.1 模型參數(shù)選取

由于Landsat8熱紅外波段空間分辨率較低，傳統(tǒng)的 FCD模型熱量指數(shù)一般不參與計(jì)算植被覆蓋度。首先，本文通過(guò)GS變換的光譜銳化融合方法對(duì)熱紅外波段和全色波段進(jìn)行融合，提高了熱紅外波段空間分辨率，同時(shí)保持豐富的光譜信息。Landsat8熱紅外波段與全色波段GS變換融合前后結(jié)果如圖2所示。

(a) 融合前 (b) 融合后

圖2Landsat8熱紅外波段與全色波段融合結(jié)果

Fig.2FusionofthermalinfraredimageandpanchromaticimageofLandsat8

然后,應(yīng)用融合后的數(shù)據(jù)，構(gòu)建熱量指數(shù)。利用綠光、紅光、近紅外、短波紅外和熱紅外波段進(jìn)行4種指數(shù)的計(jì)算，計(jì)算公式分別為

NDVI=(B4-B3)/(B4+B3)，

(1)

BI=100(B5+B3-B4-B1)/(B5+B4+B3+B1)+100,

(2)

SI=[(256-B1)(256-B2)(256-B3)]1/3,

(3)

TI=K2/ln(K1/Lλ+1),

(4)

K1=774.89 W/(m2·sr·μm)，

(5)

K2=1 321.08 K，

(6)

式中：B1，B2，B3，B4和B5分別為藍(lán)光、綠光、紅光、近紅外和短波紅外波段值；Lλ為L(zhǎng)andsat8 TIRS 熱紅外波段表觀輻射亮度(本文選取第10波段)；K1和K2為常數(shù)。

4種指數(shù)的計(jì)算結(jié)果如圖3所示。

(a) 植被指數(shù)(b) 裸土指數(shù)

(c) 陰影指數(shù)(d) 熱量指數(shù)

圖3模型4種指數(shù)計(jì)算結(jié)果

Fig.3Resultsoffourkindsofindexesinmodel

2.2 植被覆蓋度計(jì)算

研究發(fā)現(xiàn)NDVI和BI呈現(xiàn)負(fù)相關(guān)，SI與TI也呈現(xiàn)負(fù)相關(guān)[11-13]。利用NDVI和BI建立二維空間區(qū)域，求協(xié)方差矩陣，計(jì)算正交變換矩陣，對(duì)此二維空間進(jìn)行正交變換，得到第一主成分分量作為植被密度。原始影像可用以下矩陣表示

(7)

式中p和n分別為波段數(shù)和每幅影像的像素?cái)?shù)，矩陣中每一行向量表示一個(gè)波段的圖像。協(xié)方差矩陣公式為

(8)

根據(jù)協(xié)方差矩陣求出特征值λ、特征向量v，以特征向量構(gòu)成矩陣，并求其轉(zhuǎn)置得到變換矩陣T，將變換矩陣T代入Y=TX，即

(9)

式中矩陣Y的行向量即為第p主成分分量。其中第一主成分分量為植被密度分量，如圖4所示。

圖4 植被密度Fig.4 Vegetation density

同理，對(duì)SI與TI組成的二維空間進(jìn)行正交變換，得到第一主成分分量作為調(diào)節(jié)陰影指數(shù)，如圖5所示。

圖5 調(diào)節(jié)陰影指數(shù)Fig.5 Adjust shadow index

將植被密度和調(diào)節(jié)陰影指數(shù)進(jìn)行歸一化處理，利用調(diào)節(jié)陰影指數(shù)對(duì)植被密度進(jìn)行修正，消除地面上陰影等因素的影響。采用Rikimaru等[13]提出的植被覆蓋度計(jì)算方法，計(jì)算公式為

(10)

2.3 植被覆蓋度等級(jí)劃分

為了進(jìn)一步顯示植被覆蓋情況的空間分布特征，對(duì)植被覆蓋度計(jì)算結(jié)果劃分9個(gè)等級(jí)，植被覆蓋度在(0,0.1]為第1級(jí)，(0.1,0.2]為第2級(jí)，(0.2,0.3]為第3級(jí)，(0.3,0.4]為第4級(jí)，(0.4,0.5]為第5級(jí)，(0.5,0.6]為第6級(jí)，(0.6,0.7]為第7級(jí)，(0.7,0.8]為第8級(jí)，(0.8,1]為第9級(jí)。

3 結(jié)果及精度評(píng)價(jià)

傳統(tǒng)FCD模型和改進(jìn)FCD模型植被覆蓋度分級(jí)結(jié)果對(duì)比如圖6所示。

(a) 傳統(tǒng)FCD模型(b) 改進(jìn)FCD模型

圖6植被覆蓋度分級(jí)結(jié)果對(duì)比

Fig.6Comparisonoffractionalvegetationcoverage

對(duì)2種方法的分級(jí)結(jié)果進(jìn)行定量分析，得到各等級(jí)植被覆蓋度統(tǒng)計(jì)結(jié)果如表1所示。

表1 研究區(qū)植被覆蓋度統(tǒng)計(jì)結(jié)果Tab.1 Statistical results of fractional vegetation coverage in the study area

從表1中可以看出，2種方法的結(jié)果總體上一致。第9級(jí)植被所占的面積比例最大，約占總面積的25%，相差較大的是第8級(jí)植被。為了進(jìn)一步分析2種方法的優(yōu)劣，在研究區(qū)內(nèi)隨機(jī)選取樣本點(diǎn)，將傳統(tǒng)FCD模型和改進(jìn)后的FCD模型計(jì)算的植被覆蓋度與資源三號(hào)(ZY-3)高分遙感影像提取的植被覆蓋度進(jìn)行二維散點(diǎn)分析，結(jié)果如圖7所示。

圖7 植被覆蓋度散點(diǎn)圖Fig.7 Scatter plots of fractional vegetation cover

圖8中傳統(tǒng)FCD方法的相關(guān)系數(shù)為0.87，改進(jìn)后的FCD模型相關(guān)系數(shù)提升到了0.91，改進(jìn)后的模型與ZY-3高分影像提取的植被覆蓋度相關(guān)性更高，改進(jìn)效果明顯。

為了進(jìn)一步檢驗(yàn)計(jì)算誤差范圍變化情況，計(jì)算均方根誤差為

(11)

通過(guò)計(jì)算，傳統(tǒng)的FCD模型RMSE為0.11，改進(jìn)后的FCD模型RMSE為0.10，誤差減少了0.01，說(shuō)明改進(jìn)后的FCD模型在一定程度上減小了誤差，提高了植被覆蓋度估算精度。

4 結(jié)論

研究基于Gram-Schmidt變換融合方法提高了Landsat8數(shù)據(jù)熱紅外波段空間分辨率，通過(guò)計(jì)算熱量指數(shù)對(duì)傳統(tǒng)的FCD模型進(jìn)行改進(jìn)，并根據(jù)植被指數(shù)、裸土指數(shù)、陰影指數(shù)和熱量指數(shù)4種指數(shù)計(jì)算植被覆蓋度，得出結(jié)論如下：

1)基于Landsat8數(shù)據(jù)分別采用傳統(tǒng)的與改進(jìn)的FCD模型計(jì)算植被覆蓋度，2種方法計(jì)算結(jié)果總體上一致。其中相差較大的是第8級(jí)植被，所占面積分別為133.148 km2和270.113 km2。為了進(jìn)一步驗(yàn)證改進(jìn)的效果，應(yīng)用均方根誤差和相關(guān)系數(shù)進(jìn)行對(duì)比分析，結(jié)果顯示改進(jìn)后的FCD模型相關(guān)系數(shù)達(dá)到0.91，均方根誤差降低了0.01，提高了植被覆蓋度的估算精度。

2)分析發(fā)現(xiàn)誤差較大的第8級(jí)植被部分包含大部分水體，原因是模型參數(shù)中沒(méi)有考慮水體參數(shù)，從而導(dǎo)致包含水體部分的區(qū)域計(jì)算誤差較大。后續(xù)在使用FCD模型時(shí)可先將水體部分剔除，或者在模型中引入水體指數(shù)，通過(guò)分析各參數(shù)之間的關(guān)系，建立合適的植被覆蓋度計(jì)算模型，避免水體與植被陰影之間的混淆。

[1] 韓蘭英,王寶鑒,張正偲,等.基于RS的石羊河流域植被覆蓋度動(dòng)態(tài)監(jiān)測(cè)[J].草業(yè)科學(xué),2008,25(2):11-15.

Han L Y,Wang B J,Zhang Z C,et al.Remote sensing based dynamic monitoring on change of vegetation cover in Shiyanghe River watershed[J].Pratacultural Science,2008,25(2):11-15.

[2] 賈 坤,姚云軍,魏香琴,等.植被覆蓋度遙感估算研究進(jìn)展[J].地球科學(xué)進(jìn)展,2013,28(7):774-782.

Jia K,Yao Y J,Wei X Q,et al.A review on fractional vegetation cover estimation using remote sensing[J].Advances in Earth Science,2013,28(7):774-782.

[3] North P R J.Estimation of fAPAR,LAI,and vegetation fractional cover from ATSR-2 imagery[J].Remote Sensing of Environment,2002,80(1):114-121.

[4] Van de Voorde T,Vlaeminck J,Canters F.Comparing different approaches for mapping urban vegetation cover from Landsat ETM+ data:A case study on Brussels[J].Sensors,2008,8(6):3880-3902.

[5] 楊 峰,李建龍,錢(qián)育蓉,等.天山北坡典型退化草地植被覆蓋度監(jiān)測(cè)模型構(gòu)建與評(píng)價(jià)[J].自然資源學(xué)報(bào),2012,27(8):1340-1348.

Yang F,Li J L,Qian Y R,et al.Estimating vegetation coverage of typical degraded grassland in the Northern Tianshan Mountains[J].Journal of Natural Resources,2012,27(8):1340-1348.

[6] Zribi M,Le Hégarat-Mascle S,Taconet O,et al.Derivation of wild vegetation cover density in semi-arid regions:ERS2/SAR evaluation[J].International Journal of Remote Sensing,2003,24(6):1335-1352.

[7] Gutman G,Ignatov A.The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J].International Journal of Remote Sensing,1998,19(8):1533-1543.

[8] 李苗苗,吳炳方,顏長(zhǎng)珍,等.密云水庫(kù)上游植被覆蓋度的遙感估算[J].資源科學(xué),2004,26(4):153-159.

Li M M,Wu B F,Yan C Z,et al.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing[J].Resources Science,2004,26(4):153-159.

[9] 馬 娜,胡云鋒,莊大方,等.基于遙感和像元二分模型的內(nèi)蒙古正藍(lán)旗植被覆蓋度格局和動(dòng)態(tài)變化[J].地理科學(xué),2012,32(2):251-256.

Ma N,Hu Y F,Zhuang D F,et al.Vegetation coverage distribution and its changes in Plan Blue Banner based on remote sensing data and dimidiate pixel model[J].Scientia Geographica Sinica,2012,32(2):251-256.

[10] 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.

Chen T,Niu R Q,Li P X,et al.An artificial neural network method for vegetation cover retrieval with “Beijing-1” microsatellite data[J].Remote Sensing Technology and Application,2010,25(1):24-30.

[11] 蔡 蘅,王結(jié)貴,楊瑞霞,等.基于FCD模型的且末綠洲植被覆蓋度時(shí)空變化分析[J].國(guó)土資源遙感,2013,25(2):131-137.doi:10.6046/gtzyyg.2013.02.22.

Cai H,Wang J G,Yang R X,et al.Analysis of spatial-temporal change of Qiemo oasis vegetation coverage based on FCD model[J].Remote Sensing for Land and Resources,2013,25(2):131-137.doi:10.6046/gtzyyg.2013.02.22.

[12] Joshi C,De Leeuw J,Skidmore A K,et al.Remotely sensed estimation of forest canopy density:A comparison of the performance of four methods[J].International Journal of Applied Earth Observation and Geoinformation,2006,8(2):84-95.

[13] Rikimaru A,Miyatake S.Development of forest canopy density mapping and monitoring model using indices of vegetation,bare soil and shadow[EB/OL].GIS Development,1997.2009-12-23.https://www.geospatialworld.net/.

ResearchonthemethodofusingLandsat8datatoimproveFCDmodel

ZHANG Chengcai1, LUO Weiran1, DOU Xiaonan2, WANG Jinxin1

(1.CollegeofWaterConservancandEnvironmentalEngineering,ZhengzhouUniversity,Zhengzhou450001，China;2.GeomaticsCentreofHenanProvince,Zhengzhou450000，China)

As an important indicator, fractional vegetation coverage plays a critical role in the study of hydrology, weather, ecology and so on. Based on the Landsat8 as the data source and using Gramm - Schmidt transform spectrum sharpening fusion method, the authors improved the spatial resolution of thermal infrared band and calculated the thermal index. The traditional forest canopy density mapping model is improved based on the utilization of four indices to calculate the fractional vegetation coverage. A comparison with the traditional method shows that the improved model has a higher precision.

fractional vegetation coverage； Landsat8； forest canopy density mapping model； thermal index

10.6046/gtzyyg.2017.04.06

張成才,羅蔚然,竇小楠,等.應(yīng)用Landsat8數(shù)據(jù)改進(jìn)FCD模型方法[J].國(guó)土資源遙感,2017,29(4)：33-38.(Zhang C C,Luo W R,Dou X N,et al.Research on the method of using Landsat8 data to improve FCD model[J].Remote Sensing for Land and Resources,2017,29(4)：33-38.)

TP 79

A

1001-070X(2017)04-0033-06

2016-04-01；

2016-06-26

河南省基礎(chǔ)與前沿技術(shù)研究項(xiàng)目“缺資料地區(qū)小流域山洪災(zāi)害預(yù)警及評(píng)估研究”(編號(hào)： 152300410044)和河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目“基于多源遙感的冬小麥全生育期墑情監(jiān)測(cè)”(編號(hào)： AMF201407)共同資助。

張成才(1964- ),男,教授,主要從事遙感技術(shù)應(yīng)用研究。Email: zhangcc2000@163.com。

羅蔚然(1991-),男,研究生,主要從事遙感技術(shù)應(yīng)用研究。Email: 171230855@qq.com。

(責(zé)任編輯：陳理)