陳虹兵，黃貝貝，彭道黎*

(1.北京林業(yè)大學(xué)，北京 100083；2.四川省林業(yè)調(diào)查規(guī)劃院，四川 成都 610036)

植被覆蓋度是指植被的冠層、枝葉在地面垂直投影的面積與統(tǒng)計(jì)區(qū)總面積的百分比[1-2]。它是評(píng)定地表植被狀況的一個(gè)重要參數(shù)。此外，由于植被覆蓋度對(duì)土壤侵蝕、水土流失以及生態(tài)系統(tǒng)環(huán)境變化等有影響和指示作用，它被廣泛地應(yīng)用于生態(tài)環(huán)境調(diào)查、土壤侵蝕研究等各個(gè)領(lǐng)域。

估算植被覆蓋度的方法經(jīng)過(guò)了從傳統(tǒng)的地面測(cè)量到遙感監(jiān)測(cè)的發(fā)展。目估法是最簡(jiǎn)單的地面測(cè)量方法[3-4]，但其主觀性太強(qiáng)。采樣法、模型法以及儀器法也是地面測(cè)量的幾種方法[5]，這些方法雖然在一定程度上提高了測(cè)量的精度，但受野外作業(yè)、人力、物力以及區(qū)域等條件的限制，無(wú)法滿足快速提取大范圍植被覆蓋度的要求[6]。然而遙感測(cè)量具有覆蓋范圍廣、重復(fù)周期短及高效、經(jīng)濟(jì)等特點(diǎn)，利用遙感測(cè)量的方法估算植被蓋度相比傳統(tǒng)地面測(cè)量更具優(yōu)勢(shì)。當(dāng)前有經(jīng)驗(yàn)?zāi)Ｐ头ā⒅脖恢笖?shù)法以及亞像元分解法3類遙感估算植被覆蓋度的方法。亞像元分解法是近年被日益廣泛使用的方法[7-8]，其中像元二分法和線性光譜混合模型法具有對(duì)調(diào)查數(shù)據(jù)的依賴小、精度較高等優(yōu)點(diǎn)，運(yùn)用比較廣泛。本研究采用像元二分模型和線性光譜混合模型計(jì)算延慶區(qū)植被覆蓋度，對(duì)比分析2種模型的精度和差異。

1 材料與方法

1.1 材料

1.1.1 研究區(qū)概況 延慶區(qū)位于北京市的西北部(115°44′-116°34′E，40°16′-40°47′N(xiāo))，東鄰懷柔，南接昌平，西面和北面與河北省懷來(lái)縣、赤城縣相接，三面環(huán)山，總面積達(dá)1 993.75 km2。該區(qū)屬大陸性季風(fēng)氣候，是暖溫帶與中溫帶，半干旱與半濕潤(rùn)的過(guò)渡帶。年平均溫度8.8℃，無(wú)霜期150～160 d。年平均降雨量為467 mm，降水主要集中在6-8月。該區(qū)內(nèi)森林植被屬于針闊混交林，區(qū)內(nèi)主要森林類型有：白樺林(Betulaplatyphylla)、油松林(Pinustabulaeformis)、側(cè)柏林(Platycladusorientalis)、華北落葉松林(Larixprincipis-rupprechtii)、蒙古櫟林(Quercusmongolica)、刺槐林(Robiniapseudoacacia)、山楊林(Populusdavidiana)、雜木林(Broadleafforests)等。

1.1.2 數(shù)據(jù)來(lái)源 本研究選用一景Landsat8 OLI影像，空間分辨率30 m，條帶號(hào)為123/32，時(shí)間是2014-08-15，云量為0.73%，影像來(lái)源于地理空間數(shù)據(jù)云(http://www.gscloud.cn)、延慶區(qū)1∶50 000地形圖、延慶區(qū)邊界矢量圖、延慶區(qū)2014年二類調(diào)查數(shù)據(jù)以及實(shí)測(cè)樣點(diǎn)補(bǔ)充調(diào)查數(shù)據(jù)120個(gè)和已經(jīng)校正好的條帶號(hào)為123/32的2008年Landsat5 TM影像。

1.1.3 圖像預(yù)處理 對(duì)影像進(jìn)行了輻射定標(biāo)，采用Chavez、Chander建立輻射校正模型進(jìn)行大氣校正。運(yùn)用ENVI5.1中的數(shù)據(jù)預(yù)處理Map菜單下的校正(Registration)進(jìn)行幾何校正，依據(jù)“控制點(diǎn)分布均勻，選擇相對(duì)固定及明顯的地物點(diǎn)”，在整景Landsat8 OLI影像上選取120個(gè)控制點(diǎn)，用已經(jīng)校正好的TM圖像做參照，對(duì)于誤差較大的控制點(diǎn)進(jìn)行刪除、重選，直到誤差<1個(gè)像元，最后經(jīng)過(guò)圖像裁剪得到研究區(qū)影像。這一系列操作都在ENVI5.1平臺(tái)下完成。

1.2 研究方法

1.2.1 像元二分模型法 像元二分模型是最常用的線性模型。它是假設(shè)土壤與植被2部分所貢獻(xiàn)的信息組成1個(gè)像元的信息[9-10]。設(shè)植被信息為Sv，土壤信息為Ss，那么像元的信息S可以分解為2部分，用公式表達(dá)[11]：

S=Sv+Ss

(1)

設(shè)像元的植被和土壤(無(wú)植被)所占面積比例分別為FC和1-FC，全植被所覆蓋的純像元的遙感信息為Sveg，全土壤的純像元的遙感信息為Ssoil[12]。將植被成分在混合像元中貢獻(xiàn)的信息Sv表示為：

Sv=FC×Sveg

(2)

同理，土壤成分信息可以表達(dá)為：

Ss=(1-FC)×Ssoil

(3)

將(2)(3)式帶入(1)可得：

S=FC×Sveg+(1-FC)Ssoil
FC=(S-Ssoil)/(Sveg-Ssoil)

(4)

式中，Ssoil和Sveg都是參數(shù)，通過(guò)上述公式轉(zhuǎn)換，可以得到植被覆蓋度計(jì)算公式：

FC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

(5)

式中，NDVIveg為純植被像元的NDVI值，NDVIsoil為無(wú)植被像元的NDVI值[12]。NDVI值可在ENVI5.1平臺(tái)下由公式(NIR-R)/(NIR+R)計(jì)算得到結(jié)果。

本研究中用實(shí)測(cè)的植被覆蓋度對(duì)應(yīng)的NDVI值作為NDVIsoil和NDVIveg，具體做法是在延慶區(qū)實(shí)地調(diào)查數(shù)據(jù)中選擇植被覆蓋度最高的5塊樣地，在圖像中提取對(duì)應(yīng)的NDVI值，將平均值作為NDVIveg，即延慶區(qū)中最大植被像元反映的遙感信息，同理得到NDVIsoil值[13]。

1.2.2 線性光譜混合模型法

1)線性光譜混合模型。線性光譜混合模型假定通過(guò)傳感器測(cè)得的光譜是像元中均一端元的線性宏觀組合[14]。在線性光譜混合模型中，每一光譜波段中單一像元的反射率表示為它的端元組分反射率與他們各自豐度的線性組合[15]。本研究采用全受限的線性光譜混合模型來(lái)進(jìn)行分析，公式為：

(6)

式中，ρi,j,k是i行j列像元在k波段的反射率；Fi,j,m是基本組分m在i行j列像元中所占分量值；ρm,k是基本組分m在k波段的反射率；ei,j,k為k波段i行j列像元的誤差值。 應(yīng)用該模型的關(guān)鍵是盡可能減少模型中每個(gè)像元的誤差，即使均方根誤差RMSE最小化：

RMSE=[∑(ei,j,k)2/N]1/2

(7)

式中，N為像元總數(shù)。

2)端元的提取。選取合適的端元是成功的關(guān)鍵。在多光譜數(shù)據(jù)處理上,一般選取3～4個(gè)端元，反演的精度較高[16-17]。本研究選取的端元為植被、耕地、裸地和水體4種[18]。端元光譜的獲取有2種方法：一是使用光譜儀在直接測(cè)量得到的“參考端元”；二是在遙感影像上提取得到的“圖像端元”。本研究直接在影像上獲取端元，采取的方法是基于幾何頂點(diǎn)的端元提取。

3)線性波譜分離。使用線性波譜分離工具可以根據(jù)物質(zhì)的波譜特征，獲得多光譜或者高光譜圖像物質(zhì)中的豐度信息，即混合像元分解過(guò)程[19]。線性波譜分離要求端元波譜數(shù)量少于圖像波段數(shù)，收集的端元波譜將被自動(dòng)重采樣，以與要被分離的圖像的波長(zhǎng)相匹配。

2 結(jié)果與分析

2.1 基于像元二分模型的植被覆蓋度提取

利用實(shí)地?cái)?shù)據(jù)中植被覆蓋度最高和最低的5塊樣地，從圖中對(duì)應(yīng)位置提取出NDVI求平均值，計(jì)算出的NDVIveg=0.824 3，NDVIsoil=0.073 8。在ENVI5.1平臺(tái)下利用式(5)求出延慶區(qū)的植被覆蓋度。根據(jù)國(guó)家環(huán)保總局對(duì)荒漠化等級(jí)的劃分，結(jié)合前人的監(jiān)測(cè)結(jié)果，將研究區(qū)植被覆蓋度圖劃分成裸地(0～0.1)、低覆被(0.1～0.3)、中低覆被(0.3～0.45)、中覆被(0.45～0.6)、高覆被(0.6～1.0)，利用Arcgis10.2軟件將植被覆蓋度計(jì)算結(jié)果進(jìn)行分級(jí)(圖1)，統(tǒng)計(jì)結(jié)果見(jiàn)表1。

表1 植被覆蓋度統(tǒng)計(jì)結(jié)果Table 1 The results from vegetation coverage statistical

根據(jù)2014年延慶區(qū)二類調(diào)查數(shù)據(jù)和實(shí)際樣點(diǎn)數(shù)據(jù)，在延慶區(qū)Landsat 8圖像上均勻地選擇80個(gè)檢驗(yàn)點(diǎn)，檢驗(yàn)的結(jié)果見(jiàn)表2，可以看出，像元二分模型在計(jì)算裸地(0～0.1)時(shí)精度為61.54%，低覆被(0.1～0.3)時(shí)精度為57.14%，中低覆被(0.3～0.45)時(shí)精度為83.33%，中覆被(0.45～0.6)時(shí)精度為100%，高覆被(0.6～1.0)時(shí)精度為95.45%。將精度進(jìn)行面積加權(quán)計(jì)算，總體精度達(dá)到85.31%。

表2 植被覆蓋度統(tǒng)計(jì)結(jié)果檢驗(yàn)Table 2 The vegetation coverage test statistics

2.2 基于線性光譜混合模型的植被覆蓋度提取

經(jīng)過(guò)線性波譜分離后的結(jié)果見(jiàn)圖2。經(jīng)過(guò)計(jì)算，均方根誤差平均值為0.007 2，結(jié)果較為理想。

選取40個(gè)樣點(diǎn)，將線性光譜混合分析各組分分量與植被覆蓋度進(jìn)行建模，得到線性回歸模型。從表3可以看出，植被覆蓋度與植被組分分量的擬合效果(R2=0.78)比與其他組分分量要好。

利用植被分量回歸模型計(jì)算植被覆蓋度，同樣將其分為5類(圖3)，統(tǒng)計(jì)結(jié)果見(jiàn)表4。

同樣根據(jù)2014年延慶區(qū)二類調(diào)查數(shù)據(jù)和實(shí)際樣點(diǎn)數(shù)據(jù)，在線性光譜混合模型計(jì)算出的植被覆蓋度圖像上均勻地選擇80個(gè)檢驗(yàn)點(diǎn)，檢驗(yàn)的結(jié)果見(jiàn)表5?？梢钥闯?，線性光譜混合模型在計(jì)算裸地(0～0.1)時(shí)精度為84.62%，低覆被(0.1～0.3)時(shí)精度為85.71%，中低覆被(0.3～0.45)時(shí)精度為88.89%，中覆被(0.45～0.6)時(shí)精度為95%，高覆被(0.6～1.0)時(shí)精度為86.36%。將精度進(jìn)行面積加權(quán)計(jì)算，總體精度達(dá)到88.76%。

表3 植被覆蓋度與線性光譜分量的線性回歸模型Table 3 Regressive models of coverage and vegetation fraction values

2.3 結(jié)果比較

本研究將延慶區(qū)植被覆蓋度分為5個(gè)等級(jí)(0～0.1，0.1～0.3，0.3～0.45，0.45～0.6，0.6～1.0)，利用像元二分模型計(jì)算結(jié)果低覆被(0.1～0.3)占比最小，為7.5%，而線性光譜混合模型計(jì)算結(jié)果中低覆被(0.3～0.45)占比最小，為8.63%。2種模型的計(jì)算結(jié)果都是高覆被(0.6～1.0)所占比例最大，分別占到了54.28%和51.03%，說(shuō)明延慶區(qū)總體植被覆蓋度較高。

表4 植被蓋度統(tǒng)計(jì)結(jié)果Table 4 The vegetation coverage statistical results

圖1 植被覆蓋度分級(jí)Fig.1 The vegetation coverage classification

注：顏色越暗或越黑，代表其對(duì)應(yīng)組分值越小；圖中顏色越亮或越白，代表所對(duì)應(yīng)組分的值越大。

圖3 植被覆蓋度結(jié)果分級(jí)Fig.3 The vegetation coverage classification

在精度方面，利用線性光譜混合模型總體精度為88.76%，高于像元二分模型的85.31%。而且在計(jì)算中低植被覆蓋度(0～0.6)植被覆蓋度時(shí)，線性光譜混合模型精度明顯高于像元二分模型法。線性光譜混合模型根據(jù)不同端元波譜特征，將混合像元分解為不同的端元豐度，能夠達(dá)到更好的混合像元分解效果，在像元中植被所占比例不高時(shí)效果明顯。

3 結(jié)論與討論

本研究對(duì)適用于延慶區(qū)的2種植被覆蓋度估算模型進(jìn)行了對(duì)比分析，結(jié)果表明：像元二分模型計(jì)算延慶區(qū)植被覆蓋度的精度為85.31%，而利用改進(jìn)的線性光譜混合模型計(jì)算的精度達(dá)到88.76%。線性光譜混合模型估測(cè)精度要高于像元二分模型。由此可知，在縣域尺度基于Landsat8 OLI影像和線性光譜混合模型提取植被覆蓋度是可行的，對(duì)后來(lái)的研究有一定的參考價(jià)值。

表5 植被覆蓋度統(tǒng)計(jì)結(jié)果檢驗(yàn)Table 5 The vegetation coverage test statistics

2種方法都是亞像元分解方法，像元二分模型可以看成是二端元的特殊線性光譜混合模型，而本研究線性光譜混合模型采用的是四端元，對(duì)端元的分解更精確，尤其是植被分量在混合像元中所占比例不大時(shí)表現(xiàn)明顯。在計(jì)算中低植被覆蓋度(0～0.6)時(shí)，線性光譜混合模型法精度要>像元二分法。

線性光譜混合模型法是一種實(shí)用的遙感估算模型，而且便于實(shí)現(xiàn)。一方面可以減少外業(yè)調(diào)查工作，降低成本；另一方面，該模型適用范圍廣，可以滿足林業(yè)調(diào)查的需求。但是在運(yùn)用線性光譜混合模型法計(jì)算植被覆蓋度時(shí)，端元的數(shù)量以及獲取端元的方法都會(huì)對(duì)結(jié)果精度造成一定的影響，分解混合像元的過(guò)程中，不同的研究區(qū)域，具體采用哪幾種端元組合來(lái)進(jìn)行解混，以期獲得較高的精度，至今還沒(méi)有形成一致認(rèn)同的觀點(diǎn)[20]，有待進(jìn)步研究。

參考文獻(xiàn)：

[1] 李秀瑞,孫林,朱金山,等.多尺度遙感數(shù)據(jù)協(xié)同的干旱地區(qū)植被覆蓋度提取[J].生態(tài)學(xué)雜志,2016,35(5):1394-1402.

LI X R,SUN L,ZHU J S,etal.Extraction of vegetation in arid regions using multi-scale remote sensing data synergistically [J].Chinese Journal of Ecology,2016,35(5):1394-1402.(in Chinese)

[2] 胡振琪，陳濤．基于ERDAS的礦區(qū)植被覆蓋度遙感信息提取研究——以陜西省榆林市神府煤礦區(qū)為例[J]．西北林學(xué)院學(xué)報(bào)，2008,23(2):164-167.

HU Z Q,CHEN T.ERDAS aided exbraction of vegetation fraction from remote sensing information in coalmine area based—a case study of Shenfu coalmine [J].Journal of North-west Forestry University,2008,23(2):164-167.(in Chinese)

[3] 張?jiān)葡?李曉兵,陳云浩.草地植被覆蓋度的多尺度遙感與實(shí)地測(cè)量方法綜述[J].地球科學(xué)進(jìn)展,2003,18(1):85-93.

ZHANG Y X,LI X B,CHEN Y H.Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage[J].Advance in Earth Sciences,2003,18(1):85-93.(in Chinese)

[4] 趙春玲,李志剛,呂海軍,等.中德合作寧夏賀蘭山封山育林育草項(xiàng)目區(qū)植被覆蓋度監(jiān)測(cè)[J].寧夏農(nóng)林科技,2000(6):6-14.

[5] ZHOU Q.ROBSON M,PILESJO P.On the ground estimation of vegetation cover in Australian rangelands [J].International Journal of Remote sensing,1998(9):1815-1820.

[6] 張光輝,梁一民.黃土丘陵人工草地徑流起始時(shí)間研究[J].水土保持學(xué)報(bào),1995,9(3):78-83.

ZHANG G H,LIANG Y M.Study on runoff beginning time of artificial grassland in Loess Hilly region [J].Journal of Soil and Water Conservation,1995,9(3):78-83.(in Chinese)

[7] 孫明,沈渭?jí)?謝 敏,等.基于光譜特征的雅魯藏布江源區(qū)草地類型識(shí)別[J].國(guó)土資源遙感,2012(1):83-89.

SUN M,SHEN W S,XIE M,etal.The identification of grassland types in the source region of the Yarlung Zangbo River based on spectral features [J].Remote Sensing for Land & Resources,2012(1):83-89.(in Chinese)

[8] 王宏,李曉兵,龍慧靈,等.整合1982—1999 年NDVI 與降雨量時(shí)間序列模擬中國(guó)北方溫帶草原植被蓋度[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2008,16(4):525-536.

WANG H,LI X B,LONG H L,etal.Simulating vegetation fractional coverage for temperate grassland in northern China combiningNDVIwith precipitation time series from 1982 to1999 [J].Journal of Basic Science and Engineering,2008,16(4):525-536.(in Chinese)

[9] 楊靜雅,李新國(guó),閆凱,等.基于遙感與像元二分模型的新疆和靜縣草地植被覆蓋度時(shí)空變化特征研究[J].西北林學(xué)院學(xué)報(bào),2017,32(1):210-217.

YANG J Y,LI X G,YAN K,etal.Tempotal and spatial variation characteristics of grassland vegetation coverage in Hejing of Xinjiang based on remote sensing and dimidiate pixel model[J].Journal of Northwest Forestry University,2017,32(1):210-217.(in Chinese)

[10] 劉玉安,黃波,程濤,等.基于像元二分模型的淮河上游植被覆蓋度遙感研究[J].水土保持通報(bào),2012,32(1):93-97.

LIU Y A,HUANG B,CHEN T,etal.Vegetation coverage in Huaihe river basin based on binary pixel model of remote sensing[J].Bulletin of Soil and Water Conservation,2012,32(1):93-97.(in Chinese)

[11] 黃秋燕,于 剛,丁 琳.都安縣植被覆蓋度動(dòng)態(tài)變化的遙感反演及驅(qū)動(dòng)力分析[J].南方國(guó)土資源,2008,25(9):34-37.

[12] 楊海波,王宗敏,李紀(jì)入,等.基于RS 與GIS 的密云縣生態(tài)環(huán)境效應(yīng)分析[J].國(guó)土資源遙感，2008,20 (4):64-69.

YANG H B,WANG Z M,LI J R,etal.An eco-environment effect analysis of Miyun County based on RS and GIS [J].Remote Sensing for Land & Resources,2008,20 (4):64-69.(in Chinese)

[13] 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,etal.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing[J].Resources Science,2004,26(4):153-159.(in Chinese)

[14] 彭道黎.京津風(fēng)沙源治理工程監(jiān)測(cè)技術(shù)[M].北京:科學(xué)出版社,2010.

[15] 楊峰,李建龍,楊文鈺,等.基于線性光譜混合模型的荒漠草地覆蓋度估測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(7):243-247.

YANG F,LI J L,YANG W Y,etal.Assessing vegetation coverage of desert grassland based on linear spectral mixture model[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(7):243-247.(in Chinese)

[16] 傅文杰,戴塔根.基于線性光譜混合模型的遙感影像枇杷樹(shù)信息提取[J].西北林學(xué)院學(xué)報(bào),2006,21(2):13-15.

FU W J,DAI T G.Extracting loquat thematic information based on linear spectral mixture models[J].Journal of Northwest Forestry University,2006,21(2):13-15.(in Chinese)

[17] SMALL C.The landsat ETM+spectral mixing space [J].Remote Sensing of Environment,2004(93):1- 17.

[18] KAUFMAN Y,TANRE D.Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J].IEEE Transactions on Geo Science and Remote Sensing,1992(30):261-270.

[19] RO HIN A,MASPIMAVE J,LAFLEUR J.Pressure drop through nonwoven geotextiles:a new analytical model[J].Second International Conference on Geotextiles,Las Vegas,USA,1982(1):161-166.

[20] 戚文超,張 霞,岳躍民.多端元光譜混合分析綜述[J].遙感信息,2016,31(5):11-18.

QI W C,ZHANG Y,YUE Y M.Review on multiple endmember spectral mixture analysis.[J].Remote Sensing Information,2016,31(5):11-18.(in Chinese)