基于地形調節植被指數估算長汀縣植被覆蓋度

劉亞迪， 汪小欽， 江洪

(1.福州大學空間數據挖掘和信息共享教育部重點實驗室，福州 350002；2.福建省空間信息工程研究中心，福州 350002)

基于地形調節植被指數估算長汀縣植被覆蓋度

劉亞迪1,2， 汪小欽1,2， 江洪1,2

(1.福州大學空間數據挖掘和信息共享教育部重點實驗室，福州 350002；2.福建省空間信息工程研究中心，福州 350002)

植被覆蓋度遙感估算最常用的方法是基于植被指數構建模型，但大部分的植被指數沒有考慮地形的影響。以福建省長汀縣作為研究區，引入能消除地形影響的地形調節植被指數(topography adjusted vegetation index,TAVI)，利用像元二分模型估算植被覆蓋度，旨在研究TAVI對植被覆蓋度估算結果的影響，并與基于歸一化差值植被指數(normalized difference vegetation index,NDVI)估算的結果進行比較。根據目視效果和統計指標的分析表明： 基于TAVI估算的植被覆蓋度精度高于基于NDVI的估算結果，并能有效降低陰坡陽坡間的差異，提高陰坡區域植被覆蓋度的估算精度。

植被覆蓋度；地形調節植被指數(TAVI); 歸一化差值植被指數(NDVI)

0 引言

植被覆蓋度是衡量地表植物覆蓋情況的重要信息。遙感技術具有可迅速獲得地表宏觀信息的特點，被廣泛應用于地表植被覆蓋度的估算[1-2]，其中基于植被指數的估算方法是目前最常用的方法[3-11]。植被覆蓋度估算結果的好壞與植被指數的選擇、植被指數轉換為植被覆蓋度的方法等密切相關。應用歸一化差值植被指數(normalized difference vegetation index，NDVI)來估算植被覆蓋度的研究較多[3-8,11-16]，如Wittch等[12]建立了NDVI和植被覆蓋度的回歸模型。但有關其估算精度問題，Jiang等[17]對NDVI代入模型所存在的誤差問題進行了公式推導；Small[13]研究發現，在中等植被覆蓋度時計算的 NDVI 隨著葉面積指數(leaf area index，LAI) 的增加逐漸趨于飽和，并且會高估植被密度較高區域周圍零散分布的植被區的覆蓋度，這種現象主要是由于陰影對NDVI的影響造成的[9]。廣大南方丘陵地區地形復雜，大部分的植被指數都沒有考慮地形的影響。江洪等[18]參照森林郁閉度制圖模型(forest canopy density mapping model,FCD)構建了復合植被指數，在一定程度上可以削弱陰影和土壤背景等的影響，并應用于長汀植被覆蓋度的估算。但復合植被指數消弱的陰影主要是物體的落影，而非地形引起的陰影。近幾年，針對地形的陰影消除，江洪等提出了地形調節植被指數(topography adjusted vegetation index，TAVI)[19-20]，該指數利用遙感影像本身的信息，采用非線性組合的方法實現對山體陰坡部分植被指數值的非線性補償，對山體陽坡部分植被指數值的非線性壓制，有效降低植被指數值與太陽入射角余弦值的相關性，恢復植被指數在復雜地形山區的正常分布。TAVI在多種地形條件下都有明顯的抗地形效果[21]。

本文以福建省長汀縣作為研究區，探討在南方丘陵地區復雜地形條件下TAVI對植被覆蓋度的估算效果。

1 研究區概況及數據源

福建省長汀縣位于福建省西部山區，介于25°18′40″～26°02′05″N，116°00′45″～116°39′20″E之間，地處武夷山南麓，南與廣東近鄰，西與江西接壤。研究區內的坡度范圍為0°～87.7°，平均坡度17.3°，地形復雜，山勢較高。

研究采用的遙感數據為2010年3月28日獲取的ALOS多光譜影像，空間分辨率為10 m。影像的預處理包括輻射定標得到影像的表觀反射率，之后進行幾何糾正，并保證糾正誤差在0.5像元之內，最后進行鑲嵌并裁剪出研究區范圍。

2 TAVI計算與抗地形效果分析

地形調節植被指數TAVI的構建利用了多光譜影像中紅波段數據對復雜地形條件下不同地物反射率差異具有獨特的識別功能，通過與近紅外波段的非線性組合，計算出能有效消除山區地形影響的植被指數信息。計算式為[19-20]

(1)

式中：CVI(conventional vegetation index)為常用的植被指數；f(Δ)為地形條件因子；Rmax為研究區內紅光波段像元最大值；R為紅光波段像元值。本文CVI采用最常用的NDVI計算，因此式(1)可寫為

(2)

f(Δ)是地形調節植被指數中消除地形影響的關鍵因子，通常采用“極值優化”的算法獲得。針對山區植被生長與分布的實際情況，給出f(Δ)的一種“尋優匹配”求解方法。假定地形對山區陰坡/陽坡的影響在式(2)中滿足線性關系，由f(Δ)函數關系簡化為常系數關系，則f(Δ)可由以下步驟計算求解： 首先進行分類，利用非監督分類或監督分類法，劃分多光譜遙感影像中山體的陰坡和陽坡；然后進行目標識別；借助地面調查資料、實地考察數據、航拍資料或者高分辨率衛星影像數據等核實陰坡與陽坡植被的均質性，識別陰坡與陽坡植被一致的部分及其空間分布范圍；最后，進行優化匹配，令f(Δ)從0開始，依次遞增，并觀察TAVI在樣區陰坡與陽坡植被一致部分的植被指數值變化，當二者相等時，即可確定f(Δ)的最優結果。

對2010年3月的ALOS影像進行幾何糾正、輻射校正等預處理之后，分別計算NDVI和TAVI灰度圖像(圖1)，局部區域放大如圖2所示。

(a) NDVI (b) TAVI

圖1 長汀縣植被指數灰度圖

Fig.1 Vegetation indexes in Changting County

(a) 樣區Ⅰ 原始ALOS影像(b) 樣區Ⅰ NDVI(c) 樣區Ⅰ TAVI

圖2-1 局部區域植被指數分布(圖例與圖1相同)

Fig.2-1 Subset images of vegetation indexes

(d) 樣區Ⅱ 原始ALOS影像(e) 樣區Ⅱ NDVI(f) 樣區Ⅱ TAVI

(g) 樣區Ⅲ 原始ALOS影像(h) 樣區Ⅲ NDVI(i) 樣區Ⅲ TAVI

圖2-2 局部區域植被指數分布(圖例與圖1相同)

Fig.2-2 Subset images of vegetation indexes

從圖1和圖2可以看出，NDVI與TAVI灰度圖像總體分布相似，主要的區別在山體的陰坡和陽坡。與多光譜圖像相比，NDVI灰度圖像地形紋理清晰明顯，而TAVI灰度圖像則沒有明顯的地形紋理。同時，TAVI灰度圖像中的其他地物的真實特征并未改變。可見，使用TAVI指數能在有效消除地形干擾的同時保證其他地物特征得到較真實反映。

大量資料證明，太陽入射角余弦值與影像亮度之間具有相關性可以定量說明TAVI的抗地形效果。建立植被指數值與太陽入射角余弦值cosi的一元線性回歸方程，提取方程斜率k，并計算植被指數值與太陽入射角余弦值的相關系數r,太陽入射角余弦值的計算公式為[21]

cosi=cosδcosθ+sinθcos(β-ω),

(3)

式中：i為太陽入射角；δ，β分別為地型的坡度和坡向角，可直接從1∶5萬坡度、坡向圖中獲取；θ，ω分別為影像獲取時的太陽天頂角與太陽方位角, 可從遙感影像頭文件中獲取。樣區NDVI-cosi與TAVI-cosi散點圖如圖3所示。

圖3 樣區NDVI-cos i散點圖(左)與TAVI-cos i散點圖(右)

Fig.3 Scatter diagram ofNDVI-cosi(left)andTAVI-cosi(right)

從圖3可以看出，TAVI-cosi線性擬合方程的斜率為0.038，相關系數約為 0.007，相較于NDVI-cosi線性擬合的結果其斜率與相關系數都大幅降低，表明TAVI的抗地形效果較為明顯。

另外，在影像上選取同一山體陰陽坡植被覆蓋程度相當的地區作為樣區，分別標號1～10，提取NDVI和TAVI在該區域內的均值，并計算差異值,即

(4)

(5)

(6)

式中：NDVIrd表示NDVI的相對差異；TAVIrd表示TAVI的相對差異。由于陰坡受到陰影的影響，數值均小于陽坡的值，故以陽坡的植被指數為標準進行比較分析[18]，計算結果如表1。

表1 陰坡與陽坡NDVI和TAVI比較Tab.1 Comparison of NDVI and TAVI between shade and sunny slopes

根據表1的計算結果可見，同一山體的陰坡和陽坡在植被覆蓋程度類似的情況下，樣區的NDVIrd>TAVIrd，其中NDVIrd平均值為41.35%，TAVIrd平均值為10.49%，兩者相對差異比的平均值為4.5，表明TAVI較好地消除了陰坡和陽坡的差異，有較明顯的抗地形效果。

3 基于像元二分模型的覆蓋度估算與分析

像元二分模型對于植被覆蓋度估算的應用廣泛，計算方法簡便，結果可靠。其構建思想是假設一個像元的信息S可被分解為土壤(Ss)和植被(Sv)2部分，有植被覆蓋的面積比例為該像元的植被覆蓋度fc，而土壤覆蓋面積的比例就為1-fc。假設像元信息全由植被成分貢獻的信息為Sv，全由土壤覆蓋的純像元所得遙感信息為Ss，二者的權重為它們在像元中所占比例的面積，分析假設像元只包含植被和土壤2種成分，若超過2種組成成分以上的像元，公式必須進行修正。變換后的計算植被覆蓋度計算公式[22-23]為

fc=(S-Ss)/(Ss-Sv)。

(7)

運用二分模型法估算植被覆蓋度的重點在于： ①選取恰當的植被指數，該植被指數能較準確地反映研究區范圍內的植被信息和非植被信息；②正確估算Sv和Ss參數,其值對估算結果十分重要。

根據計算好的NDVI和TAVI，將其分為10個等級，剔除假最大、最小值后確定Sv和Ss。為增加2者的可比性，盡量選擇同一地點計算Sv和Ss。

根據植被覆蓋度的計算公式，獲得基于NDVI和TAVI指數估算的植被覆蓋度灰度圖像，并根據覆蓋度的高低分為10個等級，見圖4，局部放大圖見圖5。

(a) 基于NDVI估算的植被覆蓋度 (b) 基于TAVI估算的植被覆蓋度

圖4 長汀縣植被覆蓋度分布

Fig.4 Vegetation coverage maps in Changting County

(a) 樣區Ⅳ 原始ALOS影像(b) 樣區Ⅳ NDVI植被覆蓋度分級(c) 樣區Ⅳ TAVI植被覆蓋度分級

(d) 樣區Ⅴ 原始ALOS影像(e) 樣區Ⅴ NDVI植被覆蓋度分級(f) 樣區Ⅴ TAVI植被覆蓋度分級

(g) 樣區Ⅵ 原始ALOS影像(h) 樣區Ⅵ NDVI植被覆蓋度分級(i) 樣區Ⅵ TAVI植被覆蓋度分級

圖5 典型區域植被覆蓋度分級圖像(圖例與圖4相同)

Fig.5 Multispectral images of vegetation coverage (NDVI or TAVI) classification

從圖4、圖5可以看出，基于NDVI和TAVI估算的植被覆蓋度，總體分布大致相同，在植被覆蓋度低的區域，二者的估算結果基本相同(圖5(a)—(c))；而在植被茂密區域，TAVI的估算結果高于NDVI(圖5(d)—(f))。另外，在植被覆蓋度大致相同的山體兩側，基于NDVI估算的植被覆蓋度陰陽坡的估算結果差異較為明顯，而基于TAVI估算的山體兩邊的植被覆蓋度受地形影響較小(圖5(g)—(i))。選擇與表1中相同樣區分析比較陰陽坡間植被覆蓋度，計算方法也與上文相同，結果見表2。

表2 基于NDVI和TAVI的陽坡與陰坡植被覆蓋度比較分析Tab.2 Comparion of vegetation coverages in shade and sunny slopes based on NDVI and TAVI

表2顯示的結果與表1類似，基于NDVI的植被覆蓋度陰坡和陽坡之間的平均相對差異值均大于基于TAVI的結果，至少相差2倍以上，大的接近8倍，相對差異比的平均值為3.7；基于NDVI的陰坡與陽坡差異大部分在10%～30%之間，最大的為34.6%，平均約17%；基于TAVI的植被覆蓋度陰坡與陽坡差異都小于15%，平均相對差異值約為6%。因此TAVI可以較好地消除地形影響和削弱地形陰影干擾，有效提高陰坡植被覆蓋度的精度，減少陰坡和陽坡植被覆蓋度估算的差異。

4 精度驗證

通過實地考察的方式驗證基于NDVI和TAVI 2種指數的植被覆蓋度的估算精度。根據研究區的特點規劃考察路線，應用GPS、數碼相機等進行實地采點并目估其植被覆蓋度。將實際目估的結果與基于2種植被指數估算出的植被覆蓋度進行比較，驗證植被覆蓋度的估算精度是否滿足實際應用的需求。驗證樣區選取了考察路線中植被覆蓋程度不同的20個地區，分別命名A～T，并利用

(8)

計算出相對誤差，計算得到的驗證結果見表3。

表3 基于2種植被指數估算植被覆蓋度精度驗證Tab.3 Accuracy of vegetation coverage based on two vegetation indexes

表3的統計結果顯示，二者的平均相對誤差值分別為14.9%(TAVI)和25.4%(NDVI)，基于TAVI指數估算的植被覆蓋度精度高于基于NDVI的估算結果，精度約為85%，能夠滿足實際應用的需求。

分別以陰坡和陽坡區域的估算精度進行分析，選取10個位于同一山體陰陽坡植被覆蓋度大致相同的高植被覆蓋度區域的樣區，分別命名a～j，驗證基于2種指數估算的植被覆蓋度在地形復雜的南方丘陵地區的應用效果。驗證和比較結果見表4，其中植被覆蓋度的估算值取考察點附近區域的平均值。

表4 陰坡和陽坡植被覆蓋度精度驗證Tab.4 Accuracy of vegetation coverage between shade and sunny slopes

從表4可以看出，選取的10個驗證點在陽坡區域，基于NDVI估算出的植被覆蓋度的平均誤差為13.7%，基于TAVI估算的植被覆蓋度平均誤差為11.5%，精度相差不大；在陰坡區域，基于NDVI估算的植被覆蓋度平均誤差為26.9%，而基于TAVI估算的植被覆蓋度平均誤差為14.1%。表明利用TAVI進行植被覆蓋度的估算可以顯著提高陰坡植被覆蓋度的估算精度，從而能有效消除地形引起的植被覆蓋度差異。

5 結論

1)與NDVI相比，TAVI具有較強的抗地形效果，能消除地形紋理，降低陰坡陽坡之間的差異。

2)基于TAVI估算的植被覆蓋度總體上的相對誤差均小于基于NDVI指數估算的植被覆蓋度，兩者在陽坡的估算精度相差不大，在陰坡的估算精度TAVI遠大于NDVI的估算結果。

3)基于TAVI指數估算的植被覆蓋度更加接近真實情況，能有效提高陰坡區域的估算精度，減少陰坡和陽坡僅由于地形差異造成的植被覆蓋度不同。

4)TAVI指數應用簡便，僅僅通過波段間的組合即可消除地形干擾，不受其他條件限制，也不針對于特定傳感器，容易推廣應用至其他區域，具有較高的實用意義。

[1] Bannari A,Morin D,Bonn F,et al.A review of vegetation indices[J].Remote Sensing Reviews,1995,13(1/2):95-120.

[2] Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment,2002,80(1):76-78.

[3] 程紅芳,章文波,陳鋒.植被覆蓋度遙感估算方法研究進展[J].國土資源遙感,2008,20(1):13-18. Cheng H F,Zhang W B,Chen F.Advances in researches on application of remote sensing method to estimating vegetation coverage[J].Remote Sensing for Land and Resources,2008,20(1):13-18.

[4] Godínez-Alvarez H,Herrick J E,Mattocks M,et al.Comparison of three vegetation monitoring methods:Their relative utility for ecological assessment and monitoring[J].Ecological Indicators,2009,9(5):1001-1008.

[5] 郭玉川,何英,李霞.基于MODIS的干旱區植被覆蓋度反演及植被指數優選[J].國土資源遙感,2011,23(2):115-118. Guo Y C,He Y,Li X.Remote sensing inversion of vegetation coverage and optimization of vegetation index based on MODIS data in arid area[J].Remote Sensing for Land and Resources,2011,23(2):115-118.

[6] Barati S,Rayegani B,Saati M,et al.Comparison the accuracies of different spectral indices for estimation of vegetation cover fraction in sparse vegetated areas[J].The Egyptian Journal of Remote Sensing and Space Science,2011,14(1):49-56.

[7] 游浩妍,駱成鳳,劉正軍,等.基于MODIS植被指數估算青海湖流域植被覆蓋度研究[J].遙感信息,2012,27(5):55-60,66. You H Y,Luo C F,Liu Z J,et al.Estimation vegetation coverage based on vegetation index of MODIS data in Qinghai Lake watershed[J].Remote Sensing Information,2012,27(5):55-60,66.

[8] Boyd D S,Foody G M,Ripple W J.Evaluation of approaches for forest cover estimation in the Pacific Northwest,USA,using remote sensing[J].Applied Geography,2002,22(4):375-392.

[9] 徐爽,沈潤平,楊曉月.利用不同植被指數估算植被覆蓋度的比較研究[J].國土資源遙感,2012,24(4):95-100. Xu S,Shen R P,Yang X Y.A comparative study of different vegetation indices for estimating vegetation coverage based on the dimidiate pixel model[J].Remote Sensing for Land and Resources,2012,24(4):95-100.

[10]Chen W,Sakai T,Moriya K,et al.Estimation of vegetation coverage in semi-arid sandy land based on multivariate statistical modeling using remote sensing data[J].Environmental Modeling and Assessment,2013,18(5):547-558.

[11]Neigh C S R,Tucker C J,Townshend J R G.North American vegetation dynamics observed with multi-resolution satellite data[J].Remote Sensing of Environment,2008,112(4):1749-1772.

[12]Wittich K-P,Hansing O.Area-averaged vegetative cover fraction estimated from satellite data[J].International Journal of Biometeorology,1995,38(4):209-215.

[13]Small C.Estimation of urban vegetation abundance by spectral mixture analysis[J].International Journal of Remote Sensing,2001,22(7):1305-1334.

[14]廖春華,張顯峰,孫權,等.基于HJ-1高光譜數據的植被覆蓋度估測方法研究[J].遙感信息,2011(5):65-70. Liao C H,Zhang X F,Sun Q,et al.Fractional vegetation cover estimation using HJ-1 spaceborne hyperspectral data[J].Remote Sensing Information,2011(5):65-70.

[15]H?pfner C,Scherer D.Analysis of vegetation and land cover dynamics in north-western Morocco during the last decade using MODIS NDVI time series data[J].Biogeosciences,2011,8:3359-3373.

[16]刁兆巖,徐立榮,馮朝陽,等.呼倫貝爾沙化草原植被覆蓋度估算光譜模型[J].干旱區資源與環境,2012,26(2):139-144. Diao Z Y,Xu L R,Feng C Y,et al.The Ground Spectral Model for estimating vegetation coverage on desertified grassland,Hulunbeier,Inner Mongolia,China[J].Journal of Arid Land Resources and Environment,2012,26(2):139-144.

[17]Jiang Z Y,Huete A R,Chen J,et al.Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction[J].Remote Sensing of Environment,2006,101(3):366-378.

[18]江洪,王欽敏,汪小欽.福建省長汀縣植被覆蓋度遙感動態監測研究[J].自然資源學報,2006,21(1):126-132,166. Jiang H,Wang Q M,Wang X Q.Dynamic monitoring of vegetation fraction by remote sensing in Changting County of Fujian Province[J].Journal of Natural Resources,2006,21(1):126-132,166.

[19]江洪,毛政元,汪小欽.地形調節植被指數及其在森林動態監測中的應用[J].北京林業大學學報,2011,33(5):8-12. Jiang H,Mao Z Y,Wang X Q.A topography-adjusted vegetation index(TAVI) and its application in dynamic forest monitoring[J].Journal of Beijing Forestry University,2011,33(5):8-12.

[20]江洪,汪小欽,吳波,等.地形調節植被指數構建及在植被覆蓋度遙感監測中的應用[J].福州大學學報:自然科學版,2010,38(4):527-532. Jiang H,Wang X Q,Wu B,et al.A topography-adjusted vegetation index(TAVI) and its application in vegetation fraction monitoring[J].Journal of Fuzhou University:Natural Science,2010,38(4):527-532.

[21]肖能文,江洪,汪小欽,等.地形調節植被指數的抗地形效果驗證[J].遙感信息,2013,28(4):75-80. Xiao N W,Jiang H,Wang X Q,et al.Verification of topographic elimination performance for topography-adjusted vegetation index[J].Remote Sensing Information,2013,28(4):75-80.

[22]呂長春,王忠武,錢少猛.混合像元分解模型綜述[J].遙感信息,2003(3):55-58,60. Lü C C,Wang Z W,Qian S M.A review of pixel unmixing models[J].Remote Sensing Information,2003(3):55-58,60.

[23]Ichoku C,Karnieli A.A review of mixture modeling techniques for sub-pixel land cover estimation[J].Remote Sensing Reviews,1996,13(3/4):161-186.

(責任編輯： 李瑜)

Estimation of vegetation coverage based on topography-adjusted vegetation index (TAVI) in Changting County, Fujian Province

LIU Yadi1,2， WANG Xiaoqin1,2， JIANG Hong1,2

(1.KeyLaboratoryofSpatialDataMining&InformationSharingofMinistryofEducation,FuzhouUniversity,Fuzhou350002,China; 2.SpatialInformationResearchCenterofFujianProvince,Fuzhou350002,China)

Vegetation indexes, such as Normalized Difference Vegetation Index (NDVI), are used widely in estimating vegetation coverage using remote sensing imagery. However, most of them do not take topographic effects into account, particular in rugged areas. In this research, a study area was selected in Changting County, Fujian Province. The authors adopted Topography-Adjusted Vegetation Index (TAVI) to eliminate the topographic effects, and utilized dimidiate pixel model to estimate the vegetation coverage of this area. To investigate the effectiveness of TAVI for the elimination of topographic effects, the authors compared vegetation coverages estimated on the basis of TAVI with those using NDVI. A comparative analysis of visual effect and statistical indicators showed that the accuracy of vegetation coverage estimated by TAVI outperformed NDVI-dependent estimation. In sunny areas, the results from TAVI and NDVI were similar, while in shade areas, the results from TAVI were much better than those from NDVI. TAVI can effectively alleviate the estimation difference between shade and sunny areas and improve the estimation accuracy in shade areas.

vegetation coverage; topography-adjusted vegetation index (TAVI); normalized difference vegetation index (NDVI)

2013-11-05；

2014-01-11

國家科技支撐項目(編號： 2013BAC08B01)及福建省自然科學基金項目(編號： 2012J01166，2013J01158)共同資助。

10.6046/gtzyyg.2015.01.26

劉亞迪，汪小欽，江洪.基于地形調節植被指數估算長汀縣植被覆蓋度[J].國土資源遙感，2015,27(1)：164-171.(Liu Y D，Wang X Q，Jiang H.Estimation of vegetation coverage based on topography-adjusted vegetation index (TAVI) in Changting County, Fujian Province[J].Remote Sensing for Land and Resources,2015,27(1)：164-171.)

TP 79

A

1001-070X(2015)01-0164-08

劉亞迪(1988 -)，女，碩士研究生，主要從事遙感信息處理與應用研究。Email： mailgrape@163.com。

汪小欽(1972-)，女，研究員，碩士生導師，主要從事遙感圖像處理和資源環境遙感應用研究。Email： wangxq@fzu.edu.cn。