王體雯 李濤

摘要 植被覆蓋度是評估生態(tài)環(huán)境的一個重要參數(shù)，對于全球環(huán)境變化和監(jiān)測研究具有重要意義。如何從遙感數(shù)據(jù)資料估算植被覆蓋度，并提高估算精度是建立全球或區(qū)域氣候、生態(tài)模型的基礎工作。該研究以CBERS數(shù)據(jù)與ASAR數(shù)據(jù)為多源遙感數(shù)據(jù)源，進行CBERS影像與ASAR影像HPF像素級融合，生成高空間分辨率的多光譜影像HPF融合影像。分別運用CBERS影像和HPF融合影像，提取植被覆蓋度，并對兩者的提取效果進行精度對比評價分析。評價結果表明，HPF融合處理的影像提取的植被信息精度較高、效果較好，為植被覆蓋度信息的提取提供了參考。

關鍵詞 植被覆蓋度;ASAR遙感影像;CBERS遙感影像;HPF像素級融合;精度

中圖分類號 S 127 ?文獻標識碼 A

文章編號 0517-6611（2019）12-0146-03

doi：10.3969/j.issn.0517-6611.2019.12.040

開放科學（資源服務）標識碼（OSID）：

Abstract Crown cover fraction is an important ecological and environmental parameter and improve the accuracy of estimation are the basic works of establishing a global or regional climate ecological model.Its very important for the study of global environment change and observation.How to estimate crown cover fraction from remotes and improve the accuracy of estimation are the basic works of establishing a global or regional climate ecological model.In the study，CBERS image and ASAR image as date source for image fusion at pixel level HPF，the high spatial resolution multispectrum image HPF fusion image were obtained.CBERS images and HPF fusion images were used respectively to extract vegetation coverage，and the accuracy of extraction results of the two was compared and evaluated.The evaluation results showed that the accuracy and effectiveness of the vegetation information extracted from HPF fusion images were high，which provided a reference for the extraction of vegetation coverage information.

Key words Vegetation coverage;ASAR sensing image;CBERS sensing image;HPF fusion image;Accuracy

植被覆蓋度是指植被在地面的垂直投影面積占統(tǒng)計區(qū)總面積的百分比，是植物群落地表狀況的一個綜合量指標[1]，是評估生態(tài)環(huán)境的一個重要參數(shù)。它不僅是描述生態(tài)系統(tǒng)的一個重要基礎數(shù)據(jù)，而且是水文、氣象、生態(tài)模式的基本參數(shù)。作為陸地表面模型中的一個重要變量，植被覆蓋度對于研究氣候變化、土地荒漠化以及環(huán)境監(jiān)測等具有重要意義。因此，獲取植被覆蓋信息，對于揭示地表空間變化規(guī)律、探討變化的驅動因子、分析評價區(qū)域生態(tài)環(huán)境具有重要的現(xiàn)實意義[2]。

植被覆蓋度的計算方法可分為地表實測和遙感監(jiān)測2類[3]，由于植被覆蓋度具有顯著的時空分異特性，地表實測的方法不僅費時費力，而且對大尺度研究來說，這種方法不現(xiàn)實。因而遙感監(jiān)測已成為估算植被覆蓋度的主要手段。但是，在區(qū)域尺度植被覆蓋度調查中，遙感應用存在著遙感數(shù)據(jù)源和信息提取方式的局限性。遙感數(shù)據(jù)源多為美國陸地資源衛(wèi)星TM[4-5]，數(shù)據(jù)應用較少，尤其是雷達數(shù)據(jù)的應用較少，信息提取方式單一，主要依賴目視解譯，其他方法的應用相對不足[6]，來自多源傳感器的信號所提供的信息具有冗余性和互補性。而光學遙感具有豐富的光譜信息，但雷達遙感所使用的波長比光學遙感的長，空間分辨率高，且不受天氣的影響和制約，因此，把多源遙感影像數(shù)據(jù)融合，將多源影像數(shù)據(jù)各自的優(yōu)勢結合起來加以利用，可以充分利用其互補信息，且進一步提高影像分析、理解與目標識別能力，是現(xiàn)代多源遙感影像處理和分析中非常重要的方法[7-10]。

CBERS數(shù)據(jù)與ASAR數(shù)據(jù)融合處理可以最大限度地獲取對目標或場景的信息描述，特別在對土壤信息提取方面將會更加全面、高效，對提高研究區(qū)植被覆蓋度狀況評價的準確性和全面性有著重要意義[11-15]。

1 材料與方法

1.1 研究區(qū)概況

鎮(zhèn)寧布依族苗族自治縣地處貴州中部丘原西南部，位于105°35′10″～106°0′50″E，25°25′19″～26°10′32″N。全縣土地面積1 713.3 km2，地勢北高南低，坡度變化較大，海拔356～1 678 m，以亞熱帶氣候為主，屬南亞熱帶濕潤季風氣候區(qū)。鎮(zhèn)寧縣是典型的巖溶地區(qū)，山地面積1 098 km2，丘陵面積157.8 km2，分別占全縣總面積的64.08%和9.21%。巖溶地貌分布廣，占全縣總面積60%以上?；鶐r多為石灰?guī)r、砂頁巖、白云質石灰?guī)r、硅質灰?guī)r，其土壤多為黃壤、紅黃土壤和黑色石灰土。

1.2 數(shù)據(jù)來源

采用CBERS數(shù)據(jù)與ASAR數(shù)據(jù)為多源遙感數(shù)據(jù)源。CBERS數(shù)據(jù)來源于資源環(huán)境云平臺（http：//www.resdc.cn/），ASAR數(shù)據(jù)來源于歐洲太空局（https：//earth.esa.int/）。另外，選用野外采集的300個樣本點進行分類精度評價。

1.3 影像預處理

CBERS數(shù)據(jù)采用軟件ENVI5.0，先對前4個波段進行合成，接著運用UTM方式，選取地面控制點（GCP），對第5波段進行幾何校正和融合，然后用鎮(zhèn)寧縣矢量數(shù)據(jù)對CBERS影像裁剪，最后對裁剪的數(shù)據(jù)進行圖像變換和增強處理。ASAR數(shù)據(jù)通過斑點噪聲去除處理后，然后進行影像定標、濾波和幾何校正處理。

1.4 CBERS與ASAR影像融合

用HPF（高通濾波融合）融合方法對CBERS和ASAR遙感影像進行融合，生成HPF融合數(shù)據(jù)。

1.5 分類方法 歸一化植被指數(shù)（NDVI）對植被的生長勢和生長量非常敏感，可以很好地反映地表植被的繁茂程度，有較好的時相和空間適應性，是植被覆蓋度提取中應用最為廣泛的一個[16]。該研究運用歸一化植被覆指數(shù)（NDVI）計算植被覆蓋度，使用預處理好的CBERS和HPF融合數(shù)據(jù)，在ENVI軟件的Band Math下，先用NDVI=NIR-R/NIR+R編輯公式float（float（b4-b3）/float（b4+b3））計算植被指數(shù)。然后根據(jù)公式VC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil）計算得出植被覆蓋度圖。

1.6 分類結果評價方法

選取制圖精度、用戶精度、漏分誤差和錯分誤差4個指標對分類結果進行評價。

圖像精度是指一幅不知道其質量的圖像和一幅假設準確的參考圖像或者地面真實樣本訓練區(qū)圖像之間的吻合程度。精度評價中，多采用抽樣方式以部分像元或部分類別代替整幅圖像來進行圖像的精度評價。在有了良好的采樣方案和可靠的樣本數(shù)據(jù)的基礎上，便可討論如何進行精度評價中統(tǒng)計量的選擇和分析，以最終獲取精度評價指標。最常用的是建立誤差矩陣（或稱混淆矩陣），以此計算各種統(tǒng)計量并進行統(tǒng)計檢驗，最終給出對于總體的和基于各種地面類型的分類精度值，精度指標如下。

（1）制圖精度。假定地表真實為A類，分類器能將一幅圖中的像元歸為A類的可能性。它用于反映生產這張圖的方法的好壞。

PAj=PAareaPjarea

式中，PAj為百分比;PAarea為PA面積;Pjarea為Pj面積。

（2）用戶精度。假定分類器將像元歸到A類，相應的地表真實類別是A的可能性。它反映分類圖中各類別的可信度，即該圖的可靠性。

PUi=PUareaPiarea

式中，PUi為百分比;PUarea為PU面積;Piarea為Pi面積。

制圖精度和用戶精度對應的是漏分誤差和錯分誤差。漏分誤差顯示的是實際的某一類地物有多少被錯誤地分到其他類別，而錯分誤差顯示的則是圖像中被劃為某一類地物實際上有多少應該是別的類別，漏分誤差與制圖精度互補，而錯分誤差與用戶精度互補。

2 結果與分析

2.1 提取結果 不同數(shù)據(jù)源遙感影像提取的植被覆蓋度分級圖分別見圖1、2。

2.2 分類結果精度分析 基于CBERS影像提取的植被覆蓋度信息結果如下：各區(qū)間覆蓋度制圖精度和用戶精度都比較低，漏分和錯分現(xiàn)象比較嚴重。觀察覆蓋度信息提取結果誤差矩陣后發(fā)現(xiàn)，覆蓋度≤30%漏分比較嚴重，即將原本屬于覆蓋度≤30%的像元主要劃分為了>30%～45%和>45%～60%，錯分誤差主要是覆蓋度≤30%與>60%～75%混淆，綜合野外考察結果發(fā)現(xiàn)主要原因是覆蓋度≤30%的地方多數(shù)是造林地，現(xiàn)在造林效果比較好，但是CBERS影像上紋理、色調都和以前一樣，導致把覆蓋度≤30%錯分為>60%～75%，因此覆蓋度≤30%用戶精度比較低。覆蓋度在區(qū)間>30%～45%和>45%～60%分類精度低，主要原因是基于CBERS影像的覆蓋度為>30%～45%和覆蓋度為>45%～60%的影像區(qū)域色調和紋理相近，且邊界不明顯，兩者劃分極易混淆，造成分類精度低，單從CBERS影像光譜特征很難將它們區(qū)分。

基于HPF融合影像提取的植被覆蓋度信息結果如下：各區(qū)間覆蓋度制圖精度和用戶精度相差比較大，存在漏分和錯分現(xiàn)象，覆蓋度>30%～45%和覆蓋度>45%～60%制圖精度高，漏分誤差小，覆蓋度≤30%和覆蓋度>75%漏分誤差大，除覆蓋度>30%～45%用戶精度比較低，錯分誤差大外，其他覆蓋度用戶精度都較高，錯分誤差小。觀察覆蓋度信息提取結果誤差矩陣后發(fā)現(xiàn)，覆蓋度≤30%和覆蓋度>75%漏分誤差大，即將原本屬于覆蓋度≤30%和覆蓋度>75%的像元劃分為了覆蓋度>30%～45%和覆蓋度>60%～75%，覆蓋度>30%～45%錯分誤差主要是由于覆蓋度>30%～45%與覆蓋度≤30%混淆，導致錯分。

2.3 分類結果精度評價 總體上來說，不管是制圖精度還是用戶精度，HPF融合影像精度均高于CBERS影像（表1）。從制圖精度來說，精度最高的為HPF融合影像的覆蓋度>45%～60%，精度達96.6%;精度最低的為CBERS影像的覆蓋度≤30%，精度才為48.3%。從用戶精度來說，精度最高的為HPF融合影像的覆蓋度>75%，精度為92.8%;精度最低的為CBERS影像的覆蓋度>30%～45%，精度為53.6%?；贑BERS影像沒有提取到覆蓋度>75%的植被信息，但HPF融合影像能提取此覆蓋度范圍的植被信息，且用戶精度較高，HPF融合影像彌補了CBERS在這個范圍的缺陷，說明HPF融合影像不僅具有較高的空間分辨率，而且吸收了CBERS的多光譜信息，使覆蓋度>75%用戶精度達92.8%。

3 結論與討論

該研究以CBERS影像和HPF融合影像為數(shù)據(jù)源，采用遙感影像融合、歸一化植被指數(shù)等方法提取鎮(zhèn)寧縣植被覆蓋度信息，結果如下。

（1）從總體上來說，在提取植被覆蓋度信息方面，不管是制圖精度還是用戶精度，HPF融合影像精度均高于CBERS影像。從制圖精度來說，精度最高的為HPF融合影像的覆蓋度>45%～60%，精度達96.6%;精度最低的為CBERS影像的覆蓋度≤30%，精度才為48.3%。從用戶精度來說，精度最高的為HPF融合影像的覆蓋度>75%，精度為92.8%;精度最低的為CBERS影像的覆蓋度>30%～45%，精度為53.6%。

（2）基于CBERS影像提取植被覆蓋度信息各區(qū)間覆蓋度制圖精度和用戶精度都比較低，漏分和錯分現(xiàn)象比較嚴重，HPF融合影像除植被覆蓋度>30%～45%用戶精度比較低，錯分誤差較大外，其他區(qū)間的植被覆蓋度用戶精度都較高，錯分誤差小，HPF融合影像分類效果好于CBERS影像。

（3）多源遙感影像數(shù)據(jù)融合是富集多種傳感器遙感信息的最有效途徑之一，進行CBERS和ASAR影像融合，得到高空間分辨率的多光譜HPF融合影像，并應用于植被信息提取是提高植被覆蓋度信息提取正確率的有效途徑之一，為植被覆蓋度信息的提取提供了參考。

參考文獻

[1]王國芳.基于遙感技術的植被覆蓋度的動態(tài)監(jiān)測[J].山西農業(yè)科學，2015，43（5）：592-595.

[2] 陳云浩，李曉兵，史培軍，等.北京海淀區(qū)植被覆蓋的遙感動態(tài)研究[J].植物生態(tài)學報，2001，25（5）：588-593.

[3] 陳晉，陳云浩，何春陽，等.基于土地覆蓋分類的植被覆蓋率估算亞像元模型與應用[J].遙感學報，2001，5（6）：416-422.

[4] 袁金國，王衛(wèi).多源遙感數(shù)據(jù)融合應用研究[J].地球信息科學學報，2005，7（3）：97-103.

[5] 李衛(wèi)國，李花，黃義德.HJ衛(wèi)星遙感在水稻長勢分級監(jiān)測中的應用[J].江蘇農業(yè)學報，2010，26（6）：1206-1209.

[6] 劉愛霞，王靜，劉正軍.三峽庫區(qū)土壤侵蝕遙感定量監(jiān)測：基于GIS和修正通用土壤流失方程的研究[J].自然災害學報，2009，18（4）：25-30.

[7] ULABY F T，CHARLES E.Radar polarimetry for geoscience applications[M].Boston：Artech House Inc.，1990.

[8] 侯淑濤，王洪成.多源遙感數(shù)據(jù)融合技術研究[J].測繪與空間地理信息，2008，31（4）：12-14.

[9] 劉前進，蔡強國，劉紀根，等.黃土丘陵溝壑區(qū)土壤侵蝕模型的尺度轉換[J].資源科學，2004，26（S1）：81-90.

[10] 張喜旺，周月敏，李曉松，等.土壤侵蝕評價遙感研究進展[J].土壤通報，2010，41（4）：1010-1017.

[11] 金焰，張詠，牛志春，等.環(huán)境一號衛(wèi)星CCD數(shù)據(jù)在生態(tài)環(huán)境監(jiān)測和評價工作中的應用價值研究[J].環(huán)境監(jiān)控與預警，2010，2（4）：29-35.

[12] LANTICAN M A，GUERRA L C，BHUIYAN S I.Impacts of soil erosion in the upper Manupali watershed on irrigated lowlands in the Philippines[J].Paddy water environment，2003，1（1）：19-26.

[13] 徐芳，黃昌狄.基于Worldview影像的植被自動提取研究[J].測繪地理信息，2016，41（1）：47-50.

[14] 卜兆宏，孫金莊，周伏建，等.水土流失定量遙感方法及其應用研究[J].土壤學報，1997，34（3）：235-245.

[15] 史德明，石曉日，李德成，等.應用遙感技術監(jiān)測土壤侵蝕動態(tài)的研究[J].土壤學報，1996，33（1）：48-57.

[16] 張遠東，徐應濤，顧峰雪，等.荒漠綠洲NDVI與氣候、水文因子的相關分析[J].生態(tài)學報，2003，27（6）：816-821.