沈 謙，朱長(zhǎng)明，張 新

(1. 江蘇師范大學(xué)地理測(cè)繪與城鄉(xiāng)規(guī)劃學(xué)院，江蘇 徐州 221116； 2. 中國(guó)科學(xué)院遙感與數(shù)字地球研究所遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100101)

植被覆蓋度(fractional vegetation cover,FVC)通常定義為植被(包括葉、莖和枝)在地面的垂直投影面積占統(tǒng)計(jì)區(qū)總面積的百分比[1]，是水土保持、溫室氣體濃度變化、陸地表面輻射平衡、碳氮循環(huán)和荒漠生態(tài)環(huán)境等研究中重要的生物物理參數(shù)[2]，是指示生態(tài)環(huán)境變化的基本指標(biāo)[3]。植被作為陸地生態(tài)系統(tǒng)最基礎(chǔ)的組成部分，是陸地生態(tài)系統(tǒng)的主體之一，與區(qū)域氣候、土壤、地形及地下水位等要素密切相關(guān)[4]。區(qū)域植被活動(dòng)特征是評(píng)價(jià)區(qū)域生態(tài)環(huán)境狀況的重要指標(biāo)參數(shù)，反映了區(qū)域氣候變化和生態(tài)系統(tǒng)的健康狀況。隨著遙感技術(shù)在植被覆蓋度監(jiān)測(cè)方面的發(fā)展，遙感估算取代了地面測(cè)量，已經(jīng)成為區(qū)域尺度植被覆蓋度獲取的主導(dǎo)手段[5]。目前，利用遙感反演的植被覆蓋度遙感估算方法主要包括回歸模型法[1,6-8]和線(xiàn)性混合像元分解模型法[9-17]。

回歸模型法通過(guò)建立遙感植被指數(shù)(如NDVI、MASVI、PVI等)與實(shí)際植被覆蓋度之間的線(xiàn)性或非線(xiàn)性回歸模型，并利用該模型計(jì)算整個(gè)區(qū)域的植被覆蓋度，但是回歸模型只適用于特定區(qū)域與特定植被類(lèi)型的植被覆蓋度估算，在大尺度、低分辨率遙感數(shù)據(jù)源條件下精度較低。線(xiàn)性混合像元分解模型假定像元光譜信息為像元內(nèi)各組分光譜信息的線(xiàn)性合成，其中最為經(jīng)典和通用的模型為像元二分模型。該模型假設(shè)像元只由植被與非植被兩部分構(gòu)成，其中植被部分面積占像元面積的百分比即為植被覆蓋度。像元二分模型因其形式簡(jiǎn)單且具有一定物理意義而廣泛應(yīng)用于植被覆蓋度的估算。但是，文獻(xiàn)[6]提出由于NDVI在稀疏植被區(qū)域數(shù)值偏大，很難精確選擇模型所需NDVIveg和NDVIsoil，導(dǎo)致像元二分模型估算植被覆蓋度結(jié)果偏高。如我國(guó)西北干旱區(qū)，區(qū)域內(nèi)存在大量沙漠、戈壁、裸土，這些區(qū)域NDVI值普遍偏高，在利用頻率累計(jì)法獲取模型所需NDVIveg和NDVIsoil時(shí)，NDVIsoil值偏低，導(dǎo)致沙漠、裸土、戈壁區(qū)域FVC估算結(jié)果大于0。因此，如何精準(zhǔn)獲取構(gòu)成像元二分模型所需NDVIveg和NDVIsoil參數(shù)，是利用像元二分模型精確估測(cè)干旱區(qū)區(qū)域尺度FVC的技術(shù)難點(diǎn)。

為此，本文提出GF-2輔助支持下的干旱區(qū)稀疏植被覆蓋度估算方法。利用GF-2影像和MODIS影像相結(jié)合，提取MODIS像元尺度下的純植被和非植被區(qū)對(duì)應(yīng)在GF-2影像上的植被覆蓋度最大值，作為二分像元模型參數(shù)NDVIveg和NDVIsoil，完成模型的初始化，依此估算稀疏植被干旱區(qū)植被覆蓋度。本文選取塔里木河下游為試驗(yàn)區(qū)，通過(guò)與線(xiàn)性回歸、多項(xiàng)式回歸及直方圖累積像元二分模型等結(jié)果進(jìn)行精度比較，驗(yàn)證該方法的可行性。

1 試驗(yàn)數(shù)據(jù)

1.1 試驗(yàn)區(qū)概況

本文選擇塔里木河下游為試驗(yàn)區(qū)，如圖1所示，整體研究區(qū)位于86.5°E—88.5°E，39.5°N—41.5°N，主河道長(zhǎng)約426 km，面積約4204 km2[18]，是塔克拉瑪干沙漠和庫(kù)干塔格沙漠的分界線(xiàn)[19]。由于人類(lèi)對(duì)水土資源不合理開(kāi)發(fā)利用，破壞植被，導(dǎo)致塔里木河下游無(wú)水補(bǔ)給，陸續(xù)出現(xiàn)斷流現(xiàn)象，且呈現(xiàn)出斷點(diǎn)上移、斷流長(zhǎng)度增加和斷流時(shí)間不斷增長(zhǎng)的特點(diǎn)[20]，塔里木河下游植被一度退化非常嚴(yán)重。

1.2 數(shù)據(jù)源選擇

研究所用MODIS NDVI 16 d合成產(chǎn)品來(lái)源于美國(guó)地質(zhì)勘探局(United States Geological Survey，USGS)，GF-2遙感影像來(lái)源于中國(guó)資源衛(wèi)星應(yīng)用中心。首先對(duì)NDVI數(shù)據(jù)進(jìn)行拼接、去極值和最大值合成處理，將處理后的2017年250 m空間分辨率NDVI最大值合成數(shù)據(jù)進(jìn)行Albers Conical Equal Area投影；然后對(duì)采樣區(qū)和驗(yàn)證區(qū)GF-2影像進(jìn)行正射校正、配準(zhǔn)和圖像融合處理，并將投影坐標(biāo)系轉(zhuǎn)換為Albers Conical Equal Area投影。本文研究所使用數(shù)據(jù)的獲取日期、行列號(hào)及相應(yīng)描述見(jiàn)表1。

表1 研究所使用數(shù)據(jù)

2 研究方法

常用于植被覆蓋度估算的像元二分模型假設(shè)像元只由植被與非植被兩組分組成，像元的光譜信息也只由這兩個(gè)組分因子線(xiàn)性合成，它們各自的面積在像元中所占的比率即為各因子的權(quán)重。其中植被覆蓋部分占像元的百分比即為該像元的植被覆蓋度，其數(shù)學(xué)表達(dá)公式如下

NDVI=FVC×NDVIveg+(1-FVC)×NDVIsoil

(1)

(2)

式中，F(xiàn)VC為混合像元中的植被覆蓋度；NDVI為混合像元的歸一化植被指數(shù)；NDVIveg為植被組分所對(duì)應(yīng)的NDVI；NDVIsoil為裸土組分對(duì)應(yīng)的NDVI。在利用像元二分模型估算植被覆蓋度過(guò)程中，NDVIveg和NDVIsoil的選取是關(guān)鍵，決定了估算結(jié)果的精度。由GF-2影像提取的植被像元相對(duì)于250 m空間分辨率NDVI最大值合成數(shù)據(jù)可視為實(shí)測(cè)數(shù)據(jù)。

GF-2輔助下的基于MODIS NDVI干旱區(qū)植被覆蓋度估算流程如圖2所示。首先，采用ISODATA方法從融合后的GF-2 0.8 m產(chǎn)品中提取采樣區(qū)和驗(yàn)證區(qū)植被分布結(jié)果；其次，利用Pixel Aggregate方法將植被分布數(shù)據(jù)重采樣至250 m空間分辨率，獲取植被覆蓋度數(shù)據(jù)，其中采樣區(qū)數(shù)據(jù)作為植被覆蓋度估算的訓(xùn)練數(shù)據(jù)，驗(yàn)證區(qū)數(shù)據(jù)作為后期精度驗(yàn)證的參考數(shù)據(jù)；然后，統(tǒng)計(jì)采樣區(qū)植被覆蓋度為100%和0%的像元作為純植被像元和裸土像元，其中純植被像元數(shù)為50，純裸土像元數(shù)為239；最后，根據(jù)純植被像元和裸土像元的空間位置采集NDVI最大值合成數(shù)據(jù)。試驗(yàn)結(jié)果表明可將純植被像元和裸土像元分別采集NDVI數(shù)據(jù)中的最大值作為像元二分模型所需的NDVIveg和NDVIsoil。

3 結(jié)果與精度分析

3.1 植被覆蓋度制圖

通過(guò)綜合試驗(yàn)分析，像元二分模型所需參數(shù)NDVIveg、NDVIsoil分別為0.860 7、0.108 2時(shí)效果最佳，由此完成對(duì)塔里木河下游植被覆蓋度的估算。塔里木河下游植被覆蓋度制圖結(jié)果如圖3所示，其中圖3(a)為線(xiàn)性回歸估算結(jié)果，圖3(b)為多項(xiàng)式回歸估算結(jié)果，圖3(c)為像元二分模型利用直方圖累計(jì)法獲取NDVIveg和NDVIsoil估算結(jié)果，圖3(d)為GF-2輔助的像元二分模型估算結(jié)果。塔里木河下游植被主要分布在河道兩側(cè)及流域北部農(nóng)田地區(qū)。通過(guò)估算結(jié)果可以看出：回歸方法估算結(jié)果誤差較大，河道兩側(cè)塔克拉瑪干沙漠和庫(kù)干塔格沙漠等無(wú)植被地區(qū)植被覆蓋度估算結(jié)果為2%左右，且部分地區(qū)出現(xiàn)負(fù)值；像元二分模型法制圖結(jié)果整體優(yōu)于回歸方法，但是由于研究區(qū)內(nèi)存在大量沙漠，NDVI在這些地區(qū)數(shù)值偏高，在利用直方圖累計(jì)方法獲取NDVIveg和NDVIsoil時(shí)，NDVIsoil取值較高，導(dǎo)致部分沙漠等無(wú)植被地區(qū)估算結(jié)果大于0，且植被地區(qū)出現(xiàn)高估現(xiàn)象；利用GF-2影像輔助獲取像元二分模型所需的NDVIveg和NDVIsoil參數(shù)估算植被覆蓋度效果較好，與實(shí)際植被分布較為一致，沙漠地區(qū)估算結(jié)果為0，估算結(jié)果分布較為合理。

3.2 精度評(píng)價(jià)

參考數(shù)據(jù)與估算結(jié)果散點(diǎn)圖如圖4所示。可以看出，線(xiàn)性回歸與多項(xiàng)式回歸估算結(jié)果整體效果較好，但是部分低植被覆蓋度地區(qū)出現(xiàn)負(fù)值，且在植被覆蓋度小于30%部分，受到稀疏植被地區(qū)NDVI值偏高問(wèn)題的影響，植被覆蓋度估算結(jié)果普遍高于參考數(shù)據(jù)，而高植被覆蓋度地區(qū)估算結(jié)果偏低，極少數(shù)像元估算結(jié)果大于90%，與參考數(shù)據(jù)植被覆蓋度數(shù)量分布不一致。受到研究區(qū)內(nèi)大范圍沙漠、裸土覆蓋和稀疏植被地區(qū)NDVI值較高問(wèn)題的影響，像元二分模型利用5%和95%直方圖累計(jì)獲取NDVIsoil和NDVIveg方法取值較低，導(dǎo)致植被覆蓋度估算結(jié)果普遍高估，絕大部分地區(qū)估算結(jié)果均大于參考數(shù)據(jù)，部分低植被覆蓋度地區(qū)估算結(jié)果達(dá)到100%，偏差較大。高分二號(hào)影像提取純植被和裸土像元獲取NDVIveg和NDVIsoil方法，有效抑制了由于疏植被地區(qū)NDVI值較高問(wèn)題導(dǎo)致的低植被覆蓋地區(qū)估算結(jié)果高估的現(xiàn)象，不同植被覆蓋度像元分布結(jié)果與參考數(shù)據(jù)較為一致。

驗(yàn)證區(qū)不同等級(jí)植被可以看出覆蓋度像元數(shù)占總像元數(shù)百分比分布如圖5所示?？梢钥闯?，小于10%、10%～20%、20%～30%、30%～40% 4個(gè)等級(jí)中，利用GF-2輔助方法獲取像元二分模型所需參數(shù)估算結(jié)果占總像元數(shù)的百分比與參考數(shù)據(jù)最為一致；在40%～50%等級(jí)中，線(xiàn)性回歸、多項(xiàng)式回歸和利用高分影像獲取參數(shù)方法估算結(jié)果占像元總數(shù)的百分比與參考數(shù)據(jù)相差均小于0.3%，而利用直方圖累計(jì)法獲取參數(shù)估算結(jié)果占像元總數(shù)的百分比與參考數(shù)據(jù)相差1.17%；在大于50%等級(jí)中，利用高分影像獲取參數(shù)方法估算結(jié)果占像元總數(shù)的百分比與參考數(shù)據(jù)相差僅次于多項(xiàng)式回歸結(jié)果。整體來(lái)看，利用高分影像獲取像元二分模型參數(shù)的方法，在不同植被覆蓋度等級(jí)下像元數(shù)占總像元數(shù)百分比與參考數(shù)據(jù)最為一致。

為了進(jìn)一步驗(yàn)證模型的精度，選擇相關(guān)系數(shù)R2、均方根誤差(RMSE)、平均誤差(AE)和平均相對(duì)誤差(AEP)等作為評(píng)價(jià)指標(biāo)，對(duì)不同方法取得結(jié)果進(jìn)行對(duì)比評(píng)價(jià)。其中平均誤差指驗(yàn)證區(qū)內(nèi)估算結(jié)果與參考數(shù)據(jù)差值的平均值，平均相對(duì)誤差指驗(yàn)證區(qū)內(nèi)估算結(jié)果與參考數(shù)據(jù)的差值占參考數(shù)據(jù)的百分比的平均值，結(jié)果見(jiàn)表2。

表2 4種方法植被覆蓋度估算精度對(duì)比

4種方法估算結(jié)果與參考數(shù)據(jù)間R2分別為0.790 6、0.790 5、0.802 6和0.802 8，RMSE分別為0.093 9、0.093 1、0.147 8和0.088 9，平均誤差分別為0.034 3、0.03 9、0.082 9和0.009 8，其中，本文方法估算結(jié)果與參考數(shù)據(jù)R2最高，RMSE和平均誤差最低。由于驗(yàn)證區(qū)內(nèi)存在大量低植被覆蓋度像元及無(wú)植被覆蓋像元，這些像元在一定程度上影響相關(guān)系數(shù)、RMSE和平均誤差的大小。因此，為了避免0值對(duì)平均相對(duì)誤差計(jì)算的干擾，對(duì)估算結(jié)果和參考數(shù)據(jù)中的0值進(jìn)行了去除，4種方法平均相對(duì)誤差分別為6.922 6、7.160 1、9.231 1和2.763 8，其中本文方法平均相對(duì)誤差最低。精度對(duì)比結(jié)果表明，本文方法適用于干旱區(qū)稀疏植被區(qū)植被覆蓋度估算，精度較高。

4 結(jié) 語(yǔ)

利用直方圖累計(jì)法獲取像元二分模型所需NDVIveg和NDVIsoil參數(shù)在低植被覆蓋度的西部干旱區(qū)地區(qū)不太適用，存在普遍高估問(wèn)題，以及回歸模型法估算結(jié)果出現(xiàn)負(fù)值、低植被覆蓋度地區(qū)估算結(jié)果高估現(xiàn)象。針對(duì)以上問(wèn)題，本文利用GF-2影像提取植被與裸土覆蓋并重采樣至250 m，獲取區(qū)域內(nèi)250 m分辨率尺度下純植被和純裸土像元，并選擇對(duì)應(yīng)MODIS NDVI數(shù)據(jù)中最大值作為像元二分模型所需NDVIveg和NDVIsoil參數(shù)，實(shí)現(xiàn)GF-2輔助下的塔河下游干旱區(qū)植被覆蓋度的估算。研究結(jié)果表明：利用GF-2影像輔助，獲取MODIS NDVI中像元二分模型所需NDVIveg和NDVIsoil參數(shù)，有效抑制了受稀疏植被NDVI較高問(wèn)題的影響，植被覆蓋度較低地區(qū)估算結(jié)果高估的現(xiàn)象，大大提高了干旱區(qū)的植被覆蓋度的估算精度，可為同行提供方法借鑒。