李紫涵

(長安大學(xué)地球科學(xué)與資源學(xué)院，陜西 西安 710064)

引言

植被指數(shù)常常是用來表現(xiàn)區(qū)域內(nèi)地表植被覆蓋和分布狀況[1,2]。而植被覆蓋度則是表現(xiàn)區(qū)域內(nèi)地表植物群落空間分布的一個(gè)重要參數(shù)。目前應(yīng)用比較廣泛的方法是通過遙感影像數(shù)據(jù)各像元中植被類型及其空間分布的探究，建立植被指數(shù)與植被覆蓋度間的相關(guān)關(guān)系來估算植被覆蓋度[3]。

常用的植被覆蓋度提取方法包含2類：基于地表實(shí)測的方法，包括目視估算法、采樣法等，但這種方法比較費(fèi)時(shí)費(fèi)力，且結(jié)果容易受主觀影響，目前主要用于較小區(qū)域范圍內(nèi)的植被覆蓋度測量，常作為遙感監(jiān)測的輔助手段，為遙感監(jiān)測提供基礎(chǔ)數(shù)據(jù)[4,5]；遙感監(jiān)測法，近年來，遙感技術(shù)的迅速發(fā)展為很多學(xué)者在植被覆蓋度的監(jiān)測方面發(fā)揮了不可忽視的作用，遙感監(jiān)測法中常用的方法有回歸模型法、像元分解模型等[6]。像元分解模型的原理是先求解出混合像元中各地物所占的比例并基于結(jié)果來估算該像元內(nèi)的植被覆蓋度的空間分布狀況，其中，像元二分模型應(yīng)用最為普遍，其原理是將像元內(nèi)的地物首先判別出植被與非植被，并求出其中植被所占的比例，如郭秀麗等[5]基于像元二分模型，利用Landsat-TM數(shù)據(jù)反演了內(nèi)蒙古自治區(qū)杭錦旗的植被覆蓋度分布。

目前，很多學(xué)者在估算植被覆蓋度時(shí)主要采用MODIS等作為遙感影像數(shù)據(jù)源，利用歸一化植被指數(shù)對其進(jìn)行估算。但植被指數(shù)有很多種，利用多類型植被指數(shù)來反演植被覆蓋度的研究還比較少，相關(guān)分析也比較缺乏。隨著Landsat-8OLI的出現(xiàn)，為植被覆蓋度的測量又提供了新的數(shù)據(jù)源，該數(shù)據(jù)源覆蓋區(qū)域較為全面并且方便下載。遙感反演是根據(jù)觀測信息和前向模型求解或估算出描述地物特征的應(yīng)用參數(shù)[7]。本研究利用Landsat-8OLI數(shù)據(jù)提取3種常用的植被指數(shù)(NDVI、EVI、RVI)，并采用經(jīng)典的像元二分模型來反演研究區(qū)內(nèi)植被覆蓋度的分布，最后利用交叉驗(yàn)證的方式對結(jié)果進(jìn)行精度評價(jià)，以此來探討基于各種植被植被指數(shù)的植被覆蓋度反演方法在該區(qū)域的適用性。

1 植被覆蓋度遙感反演模型

1.1 提取植被信息

植被是環(huán)境諸要素中對環(huán)境依賴性最大的因子之一，同時(shí)在遙感數(shù)據(jù)應(yīng)用中也作為土壤、水文等的重要解譯標(biāo)志[7]。遙感影像數(shù)據(jù)詳細(xì)記錄了區(qū)域內(nèi)地表各種類型的植被的分布信息，一般可以通過對遙感影像色調(diào)、色彩和幾何形態(tài)的分析來判別地表植被的分布特征狀況，同時(shí)也是研究其它自然要素的重要依據(jù)[8]。要判別地表植被的分類信息，最常用的方法是在遙感影像上先區(qū)分出地表內(nèi)有無植被，然后再對研究區(qū)內(nèi)地表的植被劃分具體的類型，如針葉林，闊葉林等。

在實(shí)際研究中則表現(xiàn)為先計(jì)算出歸一化植被指數(shù)值，確定其一個(gè)閾值，大于閾值確定為植被區(qū)，小于該閾值則確定為非植被區(qū)；在植被覆蓋區(qū)，根據(jù)各種植被不同的色調(diào)、形狀等特征判別出不同的植被類型，還有一種方法是通過遙感監(jiān)督分類的方式對地表植被分出針葉林、闊葉林、灌木林等類型[9]。

1.2 植被指數(shù)

常用的植被指數(shù)有很多種，為了體現(xiàn)不同效果且為了方便相互比較，本研究主要選擇提取3種植被指數(shù)來估算植被覆蓋度：NDVI(歸一化植被指數(shù))、RVI(比值植被指數(shù))、EVI(增強(qiáng)型植被指數(shù))

NDVI為歸一化植被指數(shù)，是Rouse等在歸一化處理比值植被指數(shù)時(shí)提出的，后來在植被分析和估算應(yīng)用較為廣泛，公式[1]：

(1)

值的范圍是-1～1，小于該閾值則表現(xiàn)為非植被區(qū)。

RVI為比值植被指數(shù)，最初是由Jordan等提出，其是一個(gè)比較簡單的線性比植被指數(shù)，作用是通過遙感影像利用近紅外波段和紅色波段反射率的比值來體現(xiàn)它們之間的差異，當(dāng)一個(gè)區(qū)域內(nèi)植被覆蓋度大于50%時(shí)，RVI對植被的分辨力會隨著植被覆蓋度的增大而增大[1]，公式：

(2)

值的范圍是0～30，在2～8范圍內(nèi)是綠色植被區(qū)。

EVI最初是由Liu等為了修正土壤背景值和消除大氣因素的影響，提出了增強(qiáng)型植被指數(shù)。公式[10]：

(3)

值的范圍是-1～1。

式中，G為增益因子，其值為2.5；C1、C2為氣溶膠阻抗系數(shù)，其值分別為6和7.5；L為土壤調(diào)整因子，值為1；B為藍(lán)色波段的反射率；NIR為遙感影像中近紅外波段反射率；R為紅色波段反射率。

1.3 像元二分模型

首先假設(shè)遙感影像中任意一個(gè)像元的反射率R可以分成植被部分Rv和非植被部分Rs，則反射率R可以表示為：

R=Rv+Rs

(4)

假設(shè)影像上一個(gè)像元中有植被覆蓋的面積比例為Fc，即該像元的植被覆蓋度，那么非植被覆蓋的面積比例為1-Fc，如果該像元全由植被所覆蓋，則所得的反射率為Rveg、如果該像元不包含植被，則反射率R為Rsoil，因此混合像元的植被區(qū)的Rv可以表示為植被反射率Rveg與像元中植被區(qū)的覆蓋面積Fc的乘積，而非植被區(qū)的Rs可以表示為Rsoil與1-Fc的乘積[12]：

Rv=Fc×Rveg

(5)

Rs=(1-Fc)×Rsoil

(6)

植被覆蓋度的計(jì)算公式可以由上述公式得到：

Fc=(R-Rsoil)/Rveg-Rsoil

(7)

式中，F(xiàn)c為植被覆蓋度；R為任意一個(gè)像元的反射率；Rsoil為土壤反射率；Rveg為植被反射率。

由于遙感影像中任意一個(gè)像元包含這個(gè)范圍內(nèi)所有像素的集合，在實(shí)際計(jì)算過程中很難區(qū)分純土壤像元和純植被像元，因而通常用影像中的植被指數(shù)取值一般選取一定置信度范圍的VImax和VImin來代替Rveg和Rsoil。

1.4 模型評價(jià)

為了更好地評價(jià)像元二分模型產(chǎn)生的結(jié)果精度，本研究選用交叉驗(yàn)證法來判斷3種結(jié)果的精度。交叉驗(yàn)證法的原理是利用每個(gè)實(shí)測點(diǎn)周圍的點(diǎn)對該實(shí)測值進(jìn)行預(yù)測，將預(yù)測值與該實(shí)測值本身進(jìn)行比較[9]。本研究選取2個(gè)參數(shù)，相關(guān)系數(shù)與均方根誤差進(jìn)行精度評價(jià)。

(8)

(9)

2 數(shù)據(jù)處理

2.1 數(shù)據(jù)源

為了獲得更準(zhǔn)確的植被覆蓋度結(jié)果，選擇夏天植被處于茂盛期的遙感影像，挑選6—8月時(shí)間段無云影響、質(zhì)量較高數(shù)據(jù)下載，選擇2016年6月17日西安市的Landsat-8OLI影像圖。其中，1～7波段為多光譜數(shù)據(jù)，8波段為全色波段數(shù)據(jù)，影像的具體參數(shù)如表1所示。

表1 影像詳細(xì)參數(shù)

2.2 輻射定標(biāo)與大氣校正

2.2.1 輻射定標(biāo)

在進(jìn)行植被覆蓋度的估算之前要處理原始的遙感影像，主要步驟包括輻射定標(biāo)與大氣校正以及融合和裁剪。輻射定標(biāo)的原理：最初的遙感影像數(shù)據(jù)記錄的是沒有明確物理意義的地物灰度值(DN值)，因此需要其轉(zhuǎn)化為有物理意義的輻射亮度、反射率或地表溫度值等[12]。

2.2.2 大氣校正

大氣對影像反射率有不同方面的影響，大氣對太陽光輻射能量具有吸收和阻礙作用，所以原始的遙感影像反射率會受到大氣反射的光線干擾而體現(xiàn)不出真實(shí)的地面反射率，這樣產(chǎn)生的影響就是會造成影像失真，大氣校正模型可以有效校正大氣對傳感器產(chǎn)生的影響，可以平滑地物光譜，以此來獲取到更為準(zhǔn)確的地表反射率、輻射率和地表溫度等信息[12,13]，表2為大氣校正時(shí)所設(shè)置的具體參數(shù)。

表2 大氣校正參數(shù)設(shè)置

2.3 影像融合與裁剪

為了提高遙感影像分辨率，獲得較為清晰的遙感影像，因此將大氣校正過的影像圖與原始影像的全色波段進(jìn)行融合。用GS融合方法將8波段30m多光譜數(shù)據(jù)和15m全色波段進(jìn)行進(jìn)行融合得到更高分辨率的影像。利用ROI工具選擇一塊大小為1920m×1442m的區(qū)域，生成ROI文件，并加載雁塔區(qū)的邊界shape圖層，裁剪經(jīng)過融合的影像圖。裁剪后影像如圖1所示。

3 植被覆蓋度遙感反演計(jì)算

3.1 計(jì)算植被指數(shù)

提取植被信息，計(jì)算出NDVI值，確定NDVI的一個(gè)閾值，大于該閾值為植被區(qū)，小于該閾值為非植被區(qū)，從而區(qū)分出植被與非植被如圖2所示；由圖1可知，提取的植被信息符合真實(shí)情況。

圖1 雁塔區(qū)裁減后影像數(shù)據(jù)

圖2 雁塔區(qū)植被指數(shù)提取結(jié)果

計(jì)算整個(gè)研究區(qū)的歸一化植被指數(shù)NDVI，增強(qiáng)型植被指數(shù)EVI，比值植被指數(shù)RVI，并分別做二值化處理。

3.2 植被覆蓋度估算

對二值化的歸一化植被指數(shù)進(jìn)行概率統(tǒng)計(jì)，在一定的置信區(qū)間范圍內(nèi)來獲取閾值，根據(jù)實(shí)驗(yàn)結(jié)果分別選取NDVI的閾值為(0.003922，0.992157)、RVI的閾值為(2，8)、RVI的閾值為(0.2，0.8)。本文植被覆蓋度的反演模型采用像元二分模型進(jìn)行估算。模型中的數(shù)據(jù)主要包括二值化后在選取的閾值范圍內(nèi)的3種植被指數(shù)包括歸一化植被指數(shù)NDVI，增強(qiáng)型植被指數(shù)EVI，比值植被指數(shù)RVI，利用EVNI軟件，通過像元二分估算模型公式，從而得出雁塔區(qū)植被覆蓋度估算結(jié)果，3種結(jié)果如圖3～5所示。

圖3 NDVI估算植被覆蓋度結(jié)果圖

圖4 RVI估算植被覆蓋度結(jié)果

圖5 EVI估算植被覆蓋度結(jié)果圖

4 模型評價(jià)

將獲得的3種植被覆蓋度數(shù)據(jù)轉(zhuǎn)化成矢量點(diǎn)圖層，并導(dǎo)入Excel與原始影像提取的植被覆蓋進(jìn)行比較分析，選取2個(gè)參數(shù)，相關(guān)系數(shù)與均方根誤差進(jìn)行精度評價(jià)，評價(jià)結(jié)果如表3所示。

表3 模型驗(yàn)證結(jié)果

從圖1～3以及驗(yàn)證指標(biāo)的表現(xiàn)可以看出，3個(gè)植被指數(shù)均能反演出研究區(qū)植被覆蓋度，且相關(guān)性都>0.5，均通過了0.01的顯著性檢驗(yàn)，說明像元二分模型能夠很好地反演研究區(qū)域的植被覆蓋度，具有普適性。綜合來看，基于NDVI估算的植被覆蓋結(jié)果精度最高，基于RVI與EVI估算的植被覆蓋結(jié)果精度較低。歸一化差植被指數(shù)NDVI是最常使用的一種光譜植被指數(shù)?；诒敬窝芯拷Y(jié)果也表明其最能反映研究區(qū)內(nèi)地表的植被覆蓋度真實(shí)情況，反演效果較好。

5 結(jié)論

本研究利用Landsat-8OLI數(shù)據(jù)提取3種植被指數(shù)分別進(jìn)行反演研究區(qū)植被覆蓋度的研究并進(jìn)行精度評價(jià)，由原始遙感影像及其提取出植被覆蓋區(qū)可知，雁塔區(qū)的植被區(qū)多分布在左上部分與右下部分，其它部分為建筑區(qū)，植被覆蓋較少，通過視覺比較，3種植被指數(shù)計(jì)算的覆蓋度中，在植被覆蓋度較低時(shí)，EVI對植被的敏感性最差，NDVI敏感性最強(qiáng)，最能反映地表整體的真實(shí)覆蓋度，RVI、EVI效果較差，在植被覆蓋度較高的區(qū)域RVI、EVI能夠反映出地表植被覆蓋情況，但在植被覆蓋度較低的區(qū)域不能反映真實(shí)的地表覆被情況，說明EVI和RVI對高植被覆蓋度的敏感性較強(qiáng)，對低植被覆蓋度敏感性較差。因此RVI、EVI更適用于高植被覆蓋度區(qū)域的植被評估。

獲取植被覆蓋度的方法中傳統(tǒng)的地表實(shí)測法很容易受到地形和天氣等客觀影響以及時(shí)間和人力資源等主觀因素的制約，因此很難獲取到大范圍內(nèi)的植被覆蓋度分布信息。目前基于遙感影像的植被覆蓋度測量法逐漸被更多學(xué)者應(yīng)用到實(shí)際研究中。而其中基于像元二分模型反演植被覆蓋度的方法邏輯明晰原理簡單，且方便計(jì)算，并不依賴實(shí)測數(shù)據(jù)，也不受其它主客觀因素的影響，使用高分辨率的遙感影像也會增加模擬精度，所以像元二分模型具有普適性。

植被指數(shù)種類比較多，但這些植被指數(shù)都很難消除土壤背景產(chǎn)生的影響，這可能是使用植被指數(shù)反演區(qū)域植被覆蓋度精度不高的主要原因。未來可以對研究數(shù)據(jù)進(jìn)行優(yōu)化，以及使用更高分辨率的原始遙感影像數(shù)據(jù)來提高估算模型中參數(shù)精度，從而進(jìn)一步提高植被覆蓋度估算模型精度，以使其更好地反演和表演出研究區(qū)域內(nèi)地表植被覆蓋的真實(shí)情況，便于后續(xù)深入研究。