遥感监测在植被覆盖度监测中的应用

遥感监测在植被覆盖度监测中的应用

0植被覆盖度与地表及遥感监测的关系植被覆盖率通常定义为观测区域内垂直植被投影面积占面积的比例。这不仅是一个重要的指标，也是反映生态环境变化的重要指标之一。在模拟地表植被蒸腾、土壤水分蒸发及植被光合作用等过程时,植被盖度是一个重要的控制因子。植被覆盖也是控制土壤侵蚀的关键因素,已有观测试验和研究显示,在其它条件一定时,侵蚀量与植被覆盖度具有显著的负相关关系。传统的地表实测法获取的是点上的植被覆盖度,有目估法、正方形视点框架法、阴影法(Meter-stick)、点测法、网格法、空间定量计法SQS(SpatialQuantumSensor)、移动光量计法TQS(TraversingQuantumSell)和照相法等。然而,植被覆盖具有明显的时空变异特性,地表实测获取的是点上的数据,很难在较大的空间尺度上进行动态测量。遥感监测是获取区域植被覆盖度的重要手段,越来越多的研究机构和人员开始借用遥感技术进行有关地面特征等方面的研究。由于传感器的空间分辨率、光谱分辨率和时相特征各不相同,遥感影像能够提供反映不同空间尺度上的植被覆盖信息及其变化趋势,快捷方便,已经成为估算区域植被覆盖度的主要技术手段。本文旨在针对基于遥感影像的植被覆盖度估算方法进行分析探讨。1基于植物指数的估计方法1.1多谱分析技术绿色植物具有一系列特有的光谱响应特征,绿叶中的叶绿素在0.5～0.7μm的可见光波段有2个强吸收谷,反射率一般小于20%;但在0.7～1.3μm的近红外波段,由于叶肉海绵组织结构中有许多空腔,具有很大的反射表面,反射率较高。植被指数是根据植被反射波段的特性,由遥感传感器获取的多光谱数据经线性和非线性组合计算出来的各种数值,对植被覆盖具有一定的指示意义,一般选用强吸收的可见光红波段和强反射的近红外波段组合计算。不同波段的光谱数据以一定的形式组合成一个参数时,该参数与植被覆盖度、叶面积指数等的关系比单一波段光谱值更稳定可靠,对探测植被覆盖、生物量等灵敏性更高。迄今,国内外学者已经研究发展了几十种不同的植被指数,按发展阶段大致可分为3类:第一类是直接基于波段的线性组合(差或和)或原始波段的比值(如RVI等)构成;第二类大都是基于物理知识,尽量剔除大气环境、土壤背景等影响因子,将原植被指数不断改进发展而来的(如PVI、SAVI、MSAVI、TSAVI、ARVI、GEMI、NDVI等);第三类是针对高光谱遥感及热红外遥感而发展的植被指数。1.2估计方法1.2.1研究区域的确定即首先根据样点建立地表实测植被覆盖度与遥感信息之间的估算模型,然后将该模型推广到整个研究区域,计算植被盖度。该方法的特点是对特定区域的地表实测数据具有依赖性,当研究区域较小时,测量结果具有一定的精度,而当研究区较大时,精度就会明显降低,一个地区研究得出的经验模型难以在其它地区直接推广应用。根据回归方法的不同,经验模型法可细分为线性回归模型和非线性回归模型。(1)植被覆盖度与植被指数关系在其研究中,一部分是建立遥感数据的直接光谱信息与植被覆盖度之间的关系模型。Graetz等基于MSS5波段,用线性回归的方法估计了澳大利亚南部半干旱地区不同区域的植被覆盖度,简单线形回归方程的2个参数因区域的不同而有所不同;Shoshany等在密西西比河与干旱生态系统之间的气候突变区域,运用TM遥感前4个波段的直接光谱信息,建立了估算植被覆盖度的多元线性模型,模型相关系数达到了0.88,并认为这种模型适合存在很大气候梯度的区域。在线性回归模型研究中,大多数建立的是植被覆盖度与植被指数之间的关系模型。Eastwood等基于SE-590分光辐射度计测得的数据,计算了5种植被指数(ARVI、ASVI、GEMI、MSAVI与NDVI),并与植被覆盖度进行了线性回归分析,其相关系数都大于0.7,但敏感度分析结果表明,植被指数MSAVI和GEMI有很高的信噪比,适宜于盐沼植被盖度的估测;Gitelson等采用MODIS数据建立了以色列小麦地植被覆盖度与可见光植被指数VARI(VisibleAtmosphericallyResistantIndex)的线形关系模型,且估计误差不超过10%。我国的线形回归模型法估算植被覆盖度大都是基于植被指数进行的。池宏康通过分析沙地反射机理,建立了鄂尔多斯高原地区沙地油蒿群落盖度与修正后的土壤调节植被指数(MSAVI)之间的线性关系模型。由于遥感影像几何配准误差、地面采样大小与像元大小不一致以及像元的非均质性等原因,精确建立植被盖度的实测值与像元值之间的统计关系比较困难。查勇在环青海湖地区研究时,首先以地面遥感的反演结果为基础,利用式(1)对TM影像进行校准,即IX=(MX-Mmin)(Imax-Imin)/(Mmax-Mmin)+Imin(1)式中,I为影像值;M为实测光谱值。然后建立了草地实测植被覆盖与校准的NDVI之间的相互关系,实现了从地面遥感到空中遥感的转变,取得了良好的效果。(2)生物覆盖度模型植被覆盖度与遥感信息之间表现出来的不一定都是线形关系。Dymond等在新西兰地区用SPOT影像建立了植被覆盖度与NDVI的非线性形式的模型,即C=50tanh[6.1(NDVI-0.22)]+50(2)式中,tanh(x)=[exp(x)-exp(-x)]/[exp(x)+exp(-x)],并利用该模型估计了新西兰地区的植被覆盖度。Purevdorj等则利用NOAA/AVHRR资料,分别建立了植被覆盖度与4个植被指数(NDVI,SAVI,TSAVI,MSAVI)的二次函数形式的回归方程,结果表明植被覆盖度与NDVI及TSAVI相关性最好,且在植被覆盖度较低时,TSAVI更好一些,而SAVI适合估算稀疏草地的植被覆盖度。1.2.2重新定义ndvi该方法是通过对影像中植被类型及分布特征的分析,直接用植被指数分级统计结果来近似估算植被盖度的方法。该方法不需要建立回归模型,所用的植被指数一般都通过验证与覆盖度具有良好的相关关系。Mohammad等在叙利亚地区计算了SPOT影像的原NDVI值,然后重新定义一个新NDVI值[(NDVI原+0.5)×255],最后根据新NDVI的大小来进行分类:当NDVI<5时,植被覆盖度为0,无明显植被;当5<NDVI<50时,植被覆盖度很低,为20%;当50<NDVI<100时,植被覆盖度较低,为40%;当100<NDVI<150时,植被覆盖度中等,为60%;当150<NDVI<200时,属高植被覆盖度,为80%;当200<NDVI<250时,植被覆盖度为100%。杨胜天等在南水北调西线调水区内选择不同植被覆盖度的样区进行统计分析,按照样区统计特征值将全区的NDVI分级,进而根据分级数据得出分析区域的植被覆盖图,最后将全区分为4个植被覆盖类型区(植被覆盖面积大于75%的高覆盖度区,60%～75%的中高覆盖度区,45%～60%的中覆盖度区和小于45%的低覆盖度区)。1.2.3像元相覆盖度的估算遥感影像中混合像元普遍存在,尤其是地物分布比较复杂的区域。像元分解模型法认为图像中的一个像元实际上可能由多个组分构成,每个组分对遥感传感器所观测到的信息都有贡献,因此可建立像元分解模型,并以此模型估算植被覆盖度。混合像元分解模型按原理不同主要有线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型5种。线性模型是最常用的混合像元分解模型,假定像元信息为各组分信息的线性合成,即每一个光谱波段中单一像元的反射值表示为它的端元组分(混合像元的各个分解组分)特征反射值与它们各自丰度(百分数)的线性组合。马超飞等采用ETM影像,选取植被、阴影、云、裸露土壤、积雪和耕地为端元,经线性光谱分解,产生6种土地覆盖类型的丰度图像。Quarmby等利用AVHRR数据建立了线性混合像元分解模型,并估算了作物覆盖度。线性模型中又以像元二分模型最常见,它假定通过遥感传感器所观测到的信息可以表达为由绿色植被部分所贡献的信息和由无植被覆盖(裸土)部分所贡献的信息两部分组成。像元二分模型估算植被覆盖度时多采用NDVI数据,此时植被覆盖度Fc的估算公式为Fc=(NDVI-NDVIsoil)/NDVIveg-NDVIsoil)(3)式中,NDVI为影像中各像元的NDVI值;NDVIsoil为全裸土覆盖区域的NDVI值;NDVIveg为纯植被覆盖像元的NDVI值。从中可以看出,NDVIsoil和NDVIveg的确定是关键,将直接影响到植被覆盖度估算结果。孙久虎等利用像元二分模型估算了北运河地区的植被覆盖度,以图像中的最小NDVI值作为NDVIsoil,而最大NDVI值作为NDVIveg。Qi等分别应用3种类型遥感数据计算NDVI,根据像元二分模型估计了桑河流域的植被覆盖度,其中NDVIveg是从多时相高分辨率数据中得到的,而NDVIsoil取自图像中理想的无植被地表的NDVI值。由于TM影像分辨率较低,在干旱区找到一个纯植被覆盖的像元比较困难。牛宝茹等采用像元二分模型估算植被覆盖度时,选用同时相、同地区的高分辨率影像的最大NDVI值作为中等分辨率TM图像的NDVIveg,取得了较好的结果。杨胜天等则用SPOT5和QuickBird遥感图像对“北京一号”提取的植被覆盖度进行了修正,精度比只应用植被指数转换模型的提高了22.7%,表明可以使用“北京一号”遥感数据进行连续、大面积的植被监测。土地利用类型和土壤类型不同,其NDVIveg和NDVIsoil值也不相同,土地利用类型和土壤类型相同时二者值相似,因此,以土地利用图和土壤图作为计算NDVIveg和NDVIsoil值的依据更接近现实。Gutman等在像元二分模型的基础上提出了像元分解密度模型,将像元分为均一像元和混合像元,又将混合像元的亚像元结构进一步划分为等密度、非密度和混合密度等3种模型,分别建立了利用NDVI计算植被覆盖度的公式,并采用NOAA/AVHRR数据,以等密度模型对全球植被覆盖度进行了估算。运用非密度模型时,叶面积指数是一个比较重要的参数,丁艳梅等运用一种改进的叶面积指数,通过TM数据反演结果表明,非密度模型精度要高于等密度模型;陈晋则在Gutman研究的基础上,基于土地覆盖分类选择合适的亚像元结构,在北京市海淀区进行了植被覆盖度的估算,相对Gutman单纯使用等密度亚像元模型,估算精度提高了5.8%;陈云浩进而发展了一整套计算植被覆盖度的亚象元模型,经在北京海淀区用TM影像和MSS影像进行检验,能够很好地进行植被覆盖度的估计。以上所述的像元二分模型法及其应用都是基于遥感植被指数分解进行的。唐世浩等采用像元二分模型,把绿、红、近红外3个波段的光谱信息直接进行分解,在假定所选波段土壤光谱随波长线性变化的条件下,得到了计算植被覆盖度的公式,根据该公式,只要知道纯植被覆盖时的光谱即可确定植被覆盖度,与土壤背景无关。1.2.4fcd方法和影像特征FCD模型制图法是ITTO(InternationalTropicalTimberOrganization)在总结众多学者研究的基础上发展而成的一种新制图方法,通过FCD值大小划分植被覆盖度等级,从而做出植被覆盖度等级图。该方法对植被状态进行了定量分析,并以百分位数来表示结果,其优点是能够表明植被的生长现象,同时也表明了植被满足恢复要求的强度,这一方法也能够用来检测植被的动态变化(包括退化过程)。李晓琴等在北京山区的研究中,将FCD划分为5个等级,以划分的等级来制作植被覆盖等级图,精度约为90%;其在北京门头沟区的研究中则以10%为间距将FCD划分为11个等级,做出植被覆盖度等级图,通过野外调查,该方法精度达到了95%。根据FCD模型,江洪等构造了可以削弱影像阴影和土壤背景等影响的复合植被指数VBSI,它对遥感影像的阴影、土壤背景、岩石、建筑用地等信息进行了一定的削弱,可以突出植被信息。将VBSI指数与像元二分法结合,在福建长汀县进行植被覆盖度估算,估算总体精度达到了80%以上,且影像阴影信息的干扰作用可以被削减为NDVI的50%,这对于山区提取植被覆盖度有重要的意义。2提取潜在知识数据挖掘(DataMining)是从大量的、不完全的、有噪声的、模糊的及随机的数据中提取隐含在其中的、人们事先不知道但又是潜在有用的信息和知识的过程。目前应用比较广泛的是决策树分类法和人工神经网络法等方法,其在用遥感数据估算植被覆盖度方面也有了一定的研究进展。2.1影像的来源及被选取特征决策树分类器(DecisionTreeClassifier)的原理是模拟人工分类整个数据集从上而下的逐级分类的过程,在预先已知类别样本数据的情况下,根据各类别的相似程度逐级聚类,每一次聚类形成一个树节点,在该节点处选择对其往下细分的有效特征,依次往上发展到根节点,完成对各级各类组的特征选择,在此基础上再根据已选出的特征对整个影像实行全面的逐级分类。决策树分类法在植被覆盖度遥感估算上的应用原理是:首先,由部分样本数据(包括植被覆盖度和对应的其它相关波段、植被指数等信息)建立决策树;然后,用另外的样本数据对所建立的决策树进行修剪和验证,形成最终用于估算植被覆盖度的决策树结构;最后根据建立的决策树进行植被覆盖度的估算。决策树分类法可避免数据的冗余,减少数据的维数,更充分地挖掘数据的潜力。Hansen等采用AVHRR和MODIS遥感数据,先用红光波段反射率、近红外波段反射率和NDVI植被指数建立决策树,对决策树进行修剪以后,通过决策树分类方法估算了非洲中部的乔木覆盖度(Treecover),与Defries等的线性分解模型结果相比,均方根误差小3%,总的均方根误差小1.5%,在赞比亚西部省区采用决策树分类方法估算乔木覆盖度也得到了不错的结果。Goetz等采用IKONOS高分辨率遥感影像,通过分类决策树方法估算了大西洋中部地区的乔木植被覆盖度,分类精度达97.3%,表明这种方法适合对乔木进行植被覆盖度估算。2.2基于特定学习算法的植被定量遥感检测人工神经网络(ArtificialNeuralNetwork)简称神经网络,是由大量简单的处理单元(神经元)连接成的复杂网络,是模仿人的大脑进行数据接收、处理、贮存和传输的一种信息处理系统。在进行知识获取时,由研究者提供样本和相应的解,通过特定的学习算法对样本进行训练,通过网络内部自适应算法不断修改权值分布以达到要求,最终将其应用于所研究区域。目前人工神经网络主要是在遥感影像分类中得到了广泛应用,在植被覆盖度估算方面则还处于探索阶段。Boyd等在美国西北部俄勒冈州分别采用植被指数、回归分析和神经网络等3种方法估算了森林植被覆盖度,神经网络估算精度好于其它二者。随着定量遥感模型从几何光学模型、混合介质模型、间隙率模型到三维真实结构遥感模型的发展,植被定量遥感也将会有突破性的进展。且各种植被覆盖度估算方法相互结合应用也将会使估算精度大大提高。3地表实际效果评价(1)经验模型法是基于对卫星同步观测数据统计方法的应用分析,受观测时间、观测地点、观测时大气状况和土壤状况的影响显著。因此应用起来有很大的局限性,不易在其它地区直接推广应用,但对于局部区域的植被覆盖度估算具有较高的精度。(2)植被指数法不需要建立回归模型,所用的植被指数一般都通过验证,且与覆盖度具有良好的相关关系。对地表实测数据依赖较小,可以推广到大范围的地区,其相对于经验模型法更具有普遍意义,但这种方法在局部区域对植被覆盖度的估算精度可能会低于经验模型法。(3)像元分解模型法是我们目前较为常用的植被覆盖度估算方法,由于其不依赖于实测数据,所以应用起来比较方便。但是对于我们再熟悉不过的经典的植被光谱特征——对红光波段吸收而对近红外波段强反射,有人已经开始产生了质疑,所以基于该光谱理论所求得的植被指数能反映植被覆盖状况这一看法也就遭到了质疑。因此基于植被指数的像元分解模型法也面临着新的挑战。(4)FCD模型法对遥感影像的阴影、土壤背景等都有