陳 寶,劉志華,房 磊

1 中國科學院沈陽應用生態(tài)研究所,中國科學院森林生態(tài)與管理重點實驗室，沈陽 110016 2 中國科學院大學,北京 100049

北方針葉林廣泛分布于北半球中高緯度地區(qū)(50° N—70° N),約占陸地面積的17%和碳儲量的35%[1]?；鸶蓴_是影響北方針葉林植被動態(tài)、結構和生態(tài)系統(tǒng)功能的重要的驅動因素。研究表明,氣候變暖會增加北方針葉林中火干擾的頻率、面積和強度[2],將會對北方針葉林生態(tài)系統(tǒng)中植物群落、植被覆蓋度、生物量和景觀格局造成更加顯著的影響。因此,在當前全球變暖的背景下研究火干擾后植被恢復動態(tài),對于理解干擾-生態(tài)系統(tǒng)-氣候之間相互反饋機制,以及制定相應的火后森林恢復策略,具有十分重要的生態(tài)學意義[3]。

研究火燒跡地植被恢復主要有野外調查、模型和遙感等方法?；谝巴庹{查的火燒跡地研究方法可準確得到生態(tài)系統(tǒng)結構和功能恢復狀態(tài),但費時、費力且具有時效性,難以在大時空尺度上連續(xù)監(jiān)測火燒跡地植被恢復動態(tài)[4]。模型可以模擬大時空尺度上植被恢復,但模擬結果往往受模型的假設條件和輸入參數影響,難以反映植被恢復的空間異質性[5]。遙感技術通過監(jiān)測不同地物的光譜特征,可有效監(jiān)測地表綠色植被,是監(jiān)測火后植被恢復的有效技術手段[6]。隨著遙感數據時間、空間和光譜分辨率的逐步提高,遙感技術已經成為研究火燒跡地植被恢復動態(tài)及其驅動力分析的主要手段之一[7]。遙感監(jiān)測植被主要是由地表光譜反射特征決定的,在可見光波段內(380 nm—760 nm),葉綠素是植物光譜響應的主要影響因素,由于色素的吸收,綠色植被在可見光波段內具有較低的反射率(<20%),而在近紅外波段(760 nm—800 nm),反射率急劇上升,形成“紅邊”現象。為了凸顯綠色植被的光譜反射特征,研究人員構建了許多遙感植被指數。由于植被指數與地表植被的覆蓋度和生物量具有很強的相關性,因此植被指數廣泛用于監(jiān)測、分析和繪制火后植被動態(tài)[8]。相關的植被指數有歸一化植被指數(Normalized Difference Vegetation Index,NDVI)[9-10]、土壤調整植被指數(Soil Adjusted Vegetation Index：SAVI)、歸一化短波紅外指數(Normalized Difference Shortwave Infrared Index,NDSWIR)、增強型植被指數(Enhanced Vegetation Index,EVI)[11]等。

此外,混合像元在中、低分辨率遙感影像上普遍存在?；馃E地通常是植被和基質的混合物組成,在中等分辨率的遙感影像(如Landsat)中是典型的混合像元[12]?；旌舷裨纸?Spectral Mixture Analysis,SMA)是解決火燒跡地混合像元問題的一種有效途徑。SMA是多種地表覆蓋物光譜特征的加權混合值(以面積比例為權重)的理論假設,通過利用地表覆蓋先驗知識設定純凈光譜端元(即典型地物)并量化其光譜特征,結合多光譜遙感的多通道重復觀測優(yōu)勢,對各光譜端元的覆蓋度進行分解[13]。與傳統(tǒng)的光譜指數方法相比,SMA可以探測一些低覆蓋度部分,同時也可以減少土壤顏色和濕度的背景影響[14]。該方法產生的蓋度圖具有物理意義,相比植被光譜指數更具解釋性[15]。

由Roberts等[16]于1998年提出的多端元光譜混合分析(Multiple Endmember Spectral Mixture Analysis,MESMA)方法考慮到了端元光譜的空間變異以及每個混合像元中地物數量的可變性。同時,MESMA在分解過程中將像元光譜視為端元光譜的線性組合,運用一套最優(yōu)多端元模型分解得到每個端元的豐度圖[16],多應用于植被種類制圖、土地覆蓋分類及信息提取等[17]。近期已有研究嘗試運用MESMA技術監(jiān)測火后植被恢復動態(tài),如Fernandez等以地中海地區(qū)為研究區(qū),以1999年至2011 年共13年的Landsat TM和Landsat ETM+ 序列數據為基礎數據,使用MESMA分析的方法進行建模,監(jiān)測火燒烈度以及火后恢復狀況[18]。然而,MESMA能否適用于北方針葉林生態(tài)系統(tǒng)火后植被恢復監(jiān)測尚無報道。

因此,本研究以我國大興安嶺寒溫帶針葉林為研究對象,以傳統(tǒng)的NDVI為參考,評價MESMA在監(jiān)測火后植被恢復中的有效性,擬回答以下三個問題：(1)與傳統(tǒng)的NDVI相比,采用MESMA所獲得的植被蓋度的精度如何？(2)火燒烈度對MESMA和NDVI獲得的植被蓋度精度是否有影響？(3)最佳端元可否用于不同年份的遙感數據,實現時間序列分析？本研究結果將有助于評價MESMA在不同生態(tài)系統(tǒng)中的適用性,并加深對火干擾-生態(tài)系統(tǒng)-氣候之間的相互反饋的理解。

1 研究區(qū)與數據源

1.1 研究區(qū)

圖1 研究區(qū)位置圖及2014年7月1日WorldView-2(2 m分辨率)合成真彩色火燒斑塊圖和非植被與植被示意圖Fig.1 Study area,overlaid with true color composite from a July 1,2014 WorldView-2 image,typical non-vegetation and vegetation 黃色線表示2000年火燒邊界

大興安嶺呼中自然保護區(qū)(122°42′—123°18′ E,51°17′—51°56′ N)屬于中緯度大陸性寒溫帶,夏季短暫且溫暖濕潤,冬季寒冷干燥而漫長。年降水量約為460 mm(>80%的降雨發(fā)生在5—10月),研究區(qū)主要森林類型為寒溫性針葉林,主要樹種是興安落葉松(Larixgmelinii)(>90%)和白樺(Betulaplatyphylla),其他針葉樹(如樟子松：Pinussylvesrisvar.mongolica、云杉：Piceaasperata等)和闊葉樹(如山楊：Populusdavidiana和甜楊Populussuaveolens)分布較少,通常在較干燥和排水良好的地點。林下和地面植被通常是由常綠灌木(如偃松：Pinuspumila等)、落葉灌木(柴樺：Betulafruticosa等)和一些草本植物(柳蘭：Chamaenerionangustifolium、灰脈苔草：Carexappendiculata等)組成[19]。

本研究選取呼中自然保護區(qū)2000年6月17日發(fā)生的8700 hm2的雷擊火燒區(qū)為研究區(qū),區(qū)域內主要植被類型為成熟落葉松林?；馃齾^(qū)內分為高烈度(dNBR：differenced normalized burn ratio >1.099)火燒、中烈度火燒(1.099 >dNBR >0.484)和低烈度火燒(dNBR<0.484)?；馃鬅o人為干擾,植被以自然恢復為主,前期研究表明更新苗數量主要受火燒烈度和地形影響[20-22]。

1.2 數據源

本研究以30 m分辨率的Landsat ETM+ 為主要數據源,該數據來源于美國地質調查局(USGS)(http://glovis.usgs.gov/),選取該火燒跡地2010年6月22日和2014年6月1日無云的遙感影像數據,同時選取2014年7月1日2 m分辨率的WorldView-2高分影像,以及提取火燒烈度圖作為最后精度驗證的輔助數據。

2 研究方法

研究方法主要包括四個步驟：① Landsat ETM+影像預處理；② 多端元光譜混合分析(MESMA)程序：包括創(chuàng)建合適端元光譜庫,選擇最佳端元,對Landsat影像預處理之后的圖像進行光譜混合分解,得到不同端元的蓋度圖像[23]；③ 基于傳統(tǒng)的NDVI方法計算植被覆蓋度；④ 精度驗證：運用WorldView-2影像(2 m)計算Landsat像元尺度上(30 m)植被蓋度作為驗證數據,比較NDVI獲得的植被蓋圖和MESMA獲得的植被蓋圖。在此基礎上,將選擇的最佳端元運用到2010年Landsat影像上,對影像進行分解,比較2014和2010年Landsat獲得的分數影像的分解精度,評估同一套端元光譜運用于不同年份的有效性。

2.1 圖像預處理

USGS上獲取的Landsat數據,已經經過輻射校正和幾何校正,基本滿足研究需要,可以直接使用。首先對選取的影像進行波段合成,再利用WorldView-2(2 m分辨率)高分影像和火燒斑塊邊界進行研究區(qū)裁剪,采用WGS84橢球體、UTM(51N)作為投影坐標系。

2.2 多端元光譜混合分析(MESMA)程序

多端元光譜混合分解是線性光譜混合分解的變形,端元選擇決定了影像的分解精度[21]。光譜端元的選取通常有兩種方法：從遙感圖像中提取的“圖像端元”(Image Endmember)和光譜庫中得到的“參考端元”(Reference Endmember)[24-26]。圖像端元可從遙感圖像中運用一定的指標提取得到,具有兩個優(yōu)點：① 他們與圖像數據的尺度相同；② 比較容易獲得。參考端元是直接從已經存在的端元庫中選取得到,具有以下優(yōu)點：可以獲得純凈的端元光譜；基于參考端元分解得到的豐度圖更接近真實的土地覆蓋情況。本研究以圖像端元為主,選取最終端元光譜庫。

根據研究區(qū)的地物特征,選取植被和非植被的感興趣區(qū)域,共計1027個像元,生成1027條光譜曲線,從而構成初始端元光譜庫。最終端元光譜庫的選擇主要有三種方法：基于計數的終端選擇(Count-based Endmember Selection,CoB)、端元均方根誤差(Endmember Average RMSE,EAR)、最小平均光譜角(Minimum Average Spectral Angle,MASA)[27-30]。使用CoB選擇最佳端元時,選擇擁有最高的類內(in_CoB)和最低的類外(out_CoB)的端元,即這個端元可以模擬同一類型內的所有光譜,但不模擬這一類之外的任何光譜。使用EAR時,選擇一個類內最低RMSE(Root Mean Square Error)的最終端元。同時使用MASA時,選擇具有最低平均光譜角的最終端元。

森林生態(tài)系統(tǒng)當中,植被、非植被是地表一定存在的兩種地物類型,但由于地形、光照等因素的影響會造成一定程度的陰影,因此在遙感影像上表現為植被、非植被和陰影三種端元。本研究選取綠色植被和非植被端元光譜庫,在每個Landsat像元上構建綠色植被(Green Vegetation,GV)-非植被(None Green Vegeattaion,NGV)-陰影(Shade)三端元模型,利用MESMA獲得每個像元GV、NGV、Shade的豐度圖像,并通過像元水平上RMSE值來評估模型的分解性能。本研究選取豐度圖像的范圍在0—1之間,最大允許陰影豐度值為0.8,RMSE值小于0.025。如果幾個模型同時滿足這些條件,選擇最低RMSE的模型來獲得MESMA分解的植被覆蓋度(GVMESMA)。由于陰影的存在會給地物的分解結果帶來一定的誤差,所以我們在MESMA的結果上再進行陰影歸一化。

NDVI計算獲得的植被蓋度：

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

(1)

式中：FVC為植被蓋度；NDVIsoil為裸地的歸一化植被指數；NDVIveg為100%植被覆蓋條件下的歸一化植被指數。理論上100%植被蓋度NDVIveg為100,裸地NDVIsoil為0。由于受到地形、氣候、植被類型等多種因素的制約,在同一幅影像中NDVIveg和NDVIsoil都不能取固定值。以往研究中[31]將NDVI數值直方圖與實地數據相結合,從NDVI統(tǒng)計直方圖中讀取累積頻率為95%和5%時的NDVI值作為NDVIveg(0.847)和NDVIsoil(0.224)。運用(1)式計算Landsat影像水平上的植被蓋度(GVNDVI)。

2.3 精度評價

本研究利用2014年WorldView-2數據計算的植被蓋度(GVworldview)來驗證MESMA獲得的植被蓋度(GVMESMA)和NDVI獲得的植被蓋度(GVNDVI)。GVworldview的計算過程如下：(1)計算2 m分辨率水平上WorldView-2數據的NDVI,繪制NDVI數值分布曲線,得到NDVIWorldView-2(NDVI >0.6)；(2)利用移動窗口法,計算30 m分辨率上平均植被蓋度(GVWorldView-2)；(3)計算GVWorldView-2與GVMESMA和GVNDVI之間的相關關系,評價MESMA和NDVI獲得的植被蓋度。

2.4 2010年圖像分解

為評估MESMA能否有效監(jiān)測長時間序列的火后植被恢復,本研究將2014年影像中提取的最終端元光譜運用到2010年Landsat影像分解中,分解得到植被蓋度影像GVMESMA2010。比較用同一套端元光譜分解得到的2014年和2010年植被蓋度影像及兩幅影像的RMSE。

3 結果與分析

圖2顯示了從每個光譜庫中選取的一些最終端元的實例。利用CoB、EAR和MASA三個指標,每個指標選取最佳的2條植被光譜曲線和2條非植被光譜曲線,分別構成了6條植被光譜曲線和6條非植被光譜曲線的終端光譜庫。運用這些終端光譜對影像進行光譜混合分解,得到不同端元的蓋度圖像。

圖2 植被端元和非植被端元的光譜曲線Fig.2 Spectral signature for green vegetation and none green vegetation endmemberGV(green vegetation)表示植被；NGV(none green vegetation)表示非植被

圖3顯示了利用2014年Landsat ETM+影像進行多端元光譜混合分析后分解得到的陰影歸一化植被和非植被蓋度圖。植被豐度圖像顯示了高植被蓋度恢復區(qū)中存在明顯的空間異質性(白色區(qū)域),可能與火燒烈度、生物物理條件和微氣候有關。

圖3 MESMA獲得的2014年Landsat ETM+的植被(a)和非植被蓋度圖(b)Fig.3 Fraction image for green vegetation (a) and none green vegetation (b) on 2014 Landsat ETM+ image by MESMA method

圖4為利用2014年高分影像為驗證數據,分別對MESMA植被覆蓋度和NDVI計算所得的植被覆蓋度(2014年)進行精度驗證的結果。結果表明MESMA獲得的植被蓋度和NDVI獲得的植被蓋度精度相近(MESMA:R2=0.691;NDVI:R2=0.700)。MESMA和NDVI獲得的植被蓋度在低蓋度狀態(tài)(<0.5)均有高估植被蓋度的趨勢(如數據點在1∶1線之上)?；馃叶葘煞N方法的精度均有影響,中等烈度下的精度(MESMA:R2=0.719;NDVI:R2=0.695)都高于低(MESMA:R2=0.580;NDVI:R2=0.629)、高烈度下的精度(MESMA:R2=0.548;NDVI:R2=0.596)。中等烈度下,MESMA的精度比NDVI的精度略有提高；而在低、高等火燒烈度下,MESMA植被提取精度低于基于NDVI的植被蓋度提取。總的來說,在大興安嶺地區(qū)火后植被恢復過程中,MESMA和NDVI方法獲得的植被覆蓋度差異不大(圖4)。

圖4 利用Worldview獲得的植被蓋度與MESMA和NDVI獲得植被蓋度在不同火燒烈度下精度評價Fig.4 Comparison of fractional image by WorldView-2 with those by MESMA and NDVI under different fire severity classes 黑線表示1∶1線,紅線和藍線分別表示NDVI和MESMA的驗證結果

通過將從2014年Landsat影像中提取的最佳端元運用到2010年Landsat影像分解中,獲得陰影歸一化后的植被和非植被蓋度圖。從植被蓋度圖中可以清楚的看到植被和非植被區(qū)域。對比2014年(圖3)和2010年植被蓋度圖像中的植被區(qū)域(白色區(qū)域),可清楚的觀察到圖3中的植被區(qū)域明顯多于圖5,而2014年的植被蓋度圖像中非植被區(qū)域(黑色區(qū)域)少于2010年。表明從2010年到2014年,綠色植被覆蓋面積有所增加。比較用同一套光譜端元計算所產生的2014年與2010年的RMSE(2014std=0.003,2014mean=0.002,2010std=0.007,2010mean= 0.006),均值和標準差都在0—0.25之間,表明2014年的端元光譜運用到2010年影像上是可行的。因此,最佳端元可用于不同時相的遙感影像,可為后續(xù)的植被恢復時間序列研究提供依據(圖3，圖5)。

圖5 利用2014年Landsat ETM+圖像中獲得的最佳端元運用到2010年Landsat圖像得到的陰影歸一化后(a)植被蓋度圖和(b)非植被蓋度圖像Fig.5 Fraction image for green vegetation (a) and none green vegetation (b) on 2010 Landsat ETM+ image by MESMA method using endmember from 2014 Landsat ETM+ image

4 討論

遙感光譜指數和光譜混合分解是目前監(jiān)測大時空尺度上火后植被恢復的最主要方法之一[32]。本研究考慮到不同端元光譜特征在空間上的異質性,利用6個綠色植被和6個非植被端元進行影像分解,獲得植被蓋度圖像。利用MESMA和傳統(tǒng)的NDVI方法計算植被蓋度,并利用高分影像對兩種方法進行精度對比,評價MESMA在火后植被蓋度提取以及植被恢復研究中的適用性。理論上MESMA獲得的植被覆蓋度應該比NDVI獲得的植被覆蓋度精度更高[32],但本研究結果表明,MESMA方法所獲得植被覆蓋度圖精度與基于NDVI的植被蓋度精度相近。造成這種結果的主要原因可能有：(1)本研究植被蓋度恢復在Landsat像元尺度上還沒有達到飽和點,因此還在NDVI的有效監(jiān)測范圍內；(2)分解端元選擇存在不合理性,造成分解精度沒有預期效果。鑒于 NDVI已經廣泛應用于北方針葉林生態(tài)系統(tǒng)火后植被恢復狀況,并得到較好的研究結果。因此,就本研究結果來說,兩種方法所獲得的精度相近且獲得較好的效果,表明在火燒后的15年內,MESMA和NDVI都是研究植被蓋度恢復的有效手段。本研究選取分辨率為2 m的WorldView-2高分影像為驗證數據,盡管與實地測量數據相比有一定的局限性,但相對于30 m分辨率的Landsat數據,高分影像植被蓋度提取更為精確,在一定意義上可以作為驗證數據。盡管如此,在今后的研究中,將進行野外考察,獲取實地測量數據來驗證我們的結果。

通過對MESMA結果的分析,我們認為最終端元的選取在MESMA方法中起著重要的作用,是準確估算豐度圖像的關鍵步驟。但是,由于不同研究區(qū)土地覆蓋類型多樣,終端光譜庫應當有足夠數量的端元來代表每類地物的光譜變化,可能造成端元間的互相干擾增大,提高端元選擇的難度[33]；此外,提取端元數量的增加會使端元分解模型數量增大,加重分解的計算負荷,從而降低解混的效率和精度。因此,一套好的最終端元一般包括線性獨立性、光譜代表性和空間通用性等標準,這也是多端元光譜混合分析方法操作過程中的難點。為盡可能的避免這些問題的出現,本研究利用CoB、EAR和MASA三個指標來選擇最佳端元,構建終端光譜庫。

森林火燒烈度[34]是指森林火災對森林生態(tài)系統(tǒng)的影響以及破壞程度。本研究發(fā)現,火燒烈度對兩種方法的分解精度均有影響,中等烈度下的兩種方法的精度均高于低、高烈度下的精度。以往的研究發(fā)現火燒烈度的大小直接影響森林生態(tài)系統(tǒng)中植被演替、森林火后動態(tài)、碳庫的動態(tài)變化、枯枝落葉分解過程以及C/N循環(huán)等各種生態(tài)過程,間接影響地表植被的光譜特征[35],這就導致了MESMA和NDVI在不同火燒烈度狀態(tài)下對于地表植被的光譜響應能力存在差異,在分解過程中才會呈現火燒烈度影響分解精度的情況。

本研究表明,MESMA與NDVI方法均適用于研究大興安嶺地區(qū)火后植被蓋度提取。為了研究時間序列下的植被恢復,同時也為簡化光譜的構建,本研究將同一套終端光譜應用于不同年份的影像分解,并得到這一套終端光譜適用于不同年份的一組影像,這可為今后時間序列植被恢復的研究提供依據。

盡管MESMA在研究森林火后植被恢復過程中存在一定的難度和問題,但從理論上說,MESMA是研究火后植被恢復的有效手段。加大對MESMA在森林生態(tài)系統(tǒng)中火后植被恢復的應用研究,可為以后的火后植被恢復研究提供強有力的技術手段。本研究主要用于植被與非植被的分解,并且也得到較為理想的結果。在今后的研究中,要進一步探究MESMA在森林生態(tài)系統(tǒng)中不同植被種類分解中應用的適用性,并擴展到其他的生態(tài)系統(tǒng),為利用多光譜影像監(jiān)測火后系統(tǒng)恢復提供新的視角。

5 結論

(1)MESMA方法獲得的植被蓋度(R2=0.691)與傳統(tǒng)的NDVI獲得的植被蓋度(R2=0.700)精度無統(tǒng)計差異,中烈度下獲得的植被覆蓋精度高于低、高火燒烈度。

(2)為驗證同一端元能否運用到不同時相的Landsat影像中,本研究將從2014年影像中獲取的最佳端元運用到2010年影像中獲得植被蓋度圖,結果表明2014年與2010年得到的RMSE(均方根誤差)均值分別為0.0015和0.0065,說明最佳端元可用于不同時相的影像分解。

(3)本研究表明MESMA方法可有效監(jiān)測北方針葉林中火后植被蓋度恢復,并可運用于時間序列遙感影像監(jiān)測植被恢復動態(tài)。