基于克里金插值法的植被覆蓋度研究

李鵬飛　李夢

摘要 基于2013年國產資源遙感衛星數據和Google Earth高分數據，利用ArcGIS9.3及Eardas9.2軟件，對研究區域的遙感影像進行克里金插值分析，在此基礎上得出研究區域遙感影像的植被指數NDVI，最后反演出該區域的植被覆蓋度結果。通過與該區域的真實植被覆蓋度進行比較分析，得出了基于克里金插值法的植被覆蓋度分析方法，該方法對植被覆蓋度分析有一定的實際性的參考意義。此次實驗研究了黃河源頭姊妹湖扎陵湖、鄂陵湖區域的植被覆蓋度，同時也是三江源地理國情監測的一部分。

關鍵詞：植被覆蓋度；克里金插值；植被指數；三江源

中圖分類號：S126 文獻標識碼 A 文章編號 0517-6611（2015）08-321-04

三江源植被覆蓋度普查目前是地理國情監測的重要工作，普查的手段除了利用人工實地調研外，由于三江源區域位于青藏高原地區，地形復雜，氣候多變，沼澤較多，人類及交通工具無法實地調研。遙感覆蓋范圍廣、獲得信息量大、效率高、周期短、受地理環境因素小等優點，特別適用于地理國情監測，因而，其作為一種進行植被覆蓋度估算的手段被廣泛應用。

植被覆蓋度是指單位面積內植被垂直投影面積所占百分比，它是衡量一個地區的植被覆蓋程度的一個重要綜合指標，也是評價一個地區的生態環境狀況的重要指標[1-2]。研究發現，植物葉子葉面反射光波普曲線主要由綠色植物中所含的葉綠素、水及其他生物元素決定的。在荒漠或植被稀疏的地方，植物的光譜特征反差最為不明顯；而在植被覆蓋中等的地區，植物光譜特征反差主要是來自紅外波段和近紅外波段變化的結果；在植被覆蓋較為稠密的地區，植物的光譜特征的反差只來自近紅外波段的貢獻，紅外波段對其幾乎沒有影響，接近趨于飽和的階段，因此，根據紅外波段及近紅外波段對植被反射光譜的對不同密度的植被區域的影響的差異性，可以利用遙感影像中紅外波段與近紅外波段進行處理，可以得到研究區域的植被覆蓋度[3]。

國內外學者對植被覆蓋度的估算研究主要是利用植被指數NDVI，通過提取影像中反映植物植被指數的NDVI來分析得出植被覆蓋度。筆者另辟蹊徑，通過人工利用Google Earth高分數據與國產資源遙感影像進行插值分析，通過克里金插值方法，獲得特征點的植被指數，通過插值比較，得出最終的植被覆蓋度。

1 研究區域概況

研究區域位于黃河源頭姊妹湖扎陵湖和鄂陵湖周邊，其也屬于三江源自然保護區內，該區域位于青海省巴顏喀拉山北麓的果洛藏族自治州瑪多縣境內，是黃河源頭最大的2個高原淡水湖，淡水資源較為豐富，植被情況相對于其他同等區域種類多而全。該區域屬于高海拔地區，平均海拔超過4 300 m，因此區域內主要是高海拔植物。該地年降水量200～400 mm，屬于偏干旱地區，研究區域海拔高，植物生長期比較短，植被覆蓋不是很密集。該區域位于三江源保護區內，該濕地被聯合國《濕地公約》秘書處正式批準為國際重要濕地，這標志著我國面積最大、海拔最高，也是世界高海拔地區生物多樣性最集中的三江源自然保護區成為全球最具影響力的高原濕地之一。

2 基于克里金插值法的植被覆蓋度的研究

2.1 植被覆蓋度估算 所采用的數據主要基于兩部分：一是采用2013年國產環境衛星8月份青海省遙感數據，遙感數據影像分辨率為30 m，共有4個波段；二是基于Google Earth高分數據，在此基礎上，獲取了13個高覆蓋植被特征點，18個低植被覆蓋的裸土特征點，這些特征點的目的是為了在基于國產衛星遙感數據得到的NDVI影像中獲得該特征點的NDVI，以便插值計算。

因為衛星存在嚴重的形變數據，引起幾何形變的原因是多種的，主要原因是地球的形狀不均勻、地球的運動軌跡變化、衛星的姿態軌道運行變化、遙感設備自身因素、掃描鏡的不規則運動、配準失調等內部因素，所以國產環境資源衛星遙感影像首先要進行幾何糾正。

幾何糾正后，遙感影像的幾何變形得到了一定程度的糾正，但是，由于遙感所利用的所有輻射能都會受到大氣層的影響，大氣會對輻射能量進行吸收、散射等，會使能量衰減，大氣糾正的目的就是要盡量減少大氣層對影像的干擾，該研究運用6S模型進行了大氣輻射糾正。6S模型中共有6個參數，分別是太陽天頂角、太陽方位角、衛星天頂角、衛星方位角、平均高程、大氣氣溶膠厚度。6S模型通過利用輻射定標參數遙感原始影像的DN值、增益、偏益來獲得大氣表觀反射率。其中定標公式為：

L=DN/g+L0

式中，DN是原始影像的值；g是增益；L0是偏益；L為大氣表觀反射率。不同波長范圍的g、L0輻射定標參數見表1。6S模型參數見表2。

經過幾何糾正后，得到如圖1的幾何糾正影像，糾正后的數據影像采用CGCS2000大地坐標系，高斯克呂格投影，中央經線東經99°，東偏500 000 m。再次經過6S定標模型進行輻射糾正后，得到如圖2的輻射糾正影像，影像也從原來的8位的byte形變為32位的float形。通過大氣糾正，輻射糾正的目的是糾正因輻射誤差而引起的影像畸變。經過輻射糾正后，不同植被所表現出的差值更為明顯，植被指數提取更為精確。目的是使影像地物分辨更為明顯，植被分布更易分析。

此次樣點數據主要是采用Google Earth的高分數據，樣點的選取是基于2種植被覆蓋類型。一種是基于極高植被覆蓋度的樣點，此處Google Earth影像顯示該點覆蓋幾乎是100%；一種是基于極低植被覆蓋度樣點，此處Google Earth影像顯示改點覆蓋幾乎為0；樣點數據的采集基于盡量均勻分布于整個實驗區域，但由于實驗需求及樣點采集有限，實驗中2種樣點的采集原始高值被覆蓋植被樣點是多于實驗樣點的，實驗過程中要刪去部分DN值過小的樣點或區域過于密集的樣點，此次實驗所采用的樣點數為高覆蓋植被樣點13個，如圖3分布所示；對于低植被覆蓋樣點，分布原則同高植被覆蓋樣點等同，亦要采用均勻分布原則，但是也要去除DN值較高的樣點及密度較大區域的樣點，最后保留的低植被覆蓋樣點為18個，如圖4分布所示。

2.2 插值分析 在許多預測性試驗中，大多數時候需要通過已知數據來估計未知數據，而未知數據的估計是一個統計的過程[4]。

此次實驗基于克里金插值法對影像進行插值計算，在地質探測或地表環境研究中，常常會用到克里金插值的方法，該方法是一種用于對局部估計的方法，能根據已知量估計未知量，克里金插值能提供某個區域的最佳平均值估計值[5-6]。克里金插值是一種對非均勻取樣的內插方法，具備誤差的估計能力[7-8]。克里金插值的這些特性，也可以用于植被覆蓋度估計中。

該研究運用傳統的克里金插值法，利用Eardas imagine 9.2軟件獲得樣點的坐標值，根據坐標值獲得植被覆蓋度指數NDVI，最后利用ArcGIS軟件對兩種樣點數據進行克里金插值，插值得出高植被覆蓋點插值結果，如圖5；低植被覆蓋點插值結果，如圖6。

2.3 植被指數的計算 此次實驗采用歸一化植被指數（NDVI），其是最早被提出來的植被指數，在許多研究中得到了應用。NDVI反映了綠色生物量、葉綠素含量和冠層水勢變化[9]。在遙感科學中，歸一化植被指數（NDVI）在植被監測中應用最為廣泛，它能很好地反映植被覆蓋、生物量及生態系統參數覆蓋[10]。歸一化植被指數（NDVI）常常用于土地利用、植被覆蓋度、植被覆蓋動態變化、環境監測等[11]。

假如植被冠層不是過于濃密或過于稀疏，該植被指數可以有效地預測實驗區域地表的植被覆蓋情況。但是，如果地表植被很稀疏，土壤或水體等非植物信號可能會嚴重改變NDVI的值；但是，如果植被很茂盛，NDVI值將達到其極值，無法正確地反應植被的疏密度。因此，為了避免NDVI的這個不足，有人提出了這樣的原理：

Fg=NDVIi-NDVIminNDVImax-NDVImin

根據二分模型原理[12-13]，假設一個像元的地表是由有植被覆蓋部分地表與無植被覆蓋部分地表組成，而遙感傳感器觀測的光譜信息也由這2個組分因子合成，各因子的權重是各自的面積在像元中所占的比率，即可以把植被覆蓋度作為植被的權重。

植被覆蓋度是指植被所覆蓋區域的比例，如果衛星遙感影像所得到的遙感信息為Y，由植被覆蓋的信息為Yz，由土壤得到的信息為Yt，則可以綜合為一個線性關系，可以簡單地得到如下公式：

Y=Yz+Yt

NDVImax影像見圖7。NDVImin影像見圖8。最終得出植被覆蓋度示意圖（圖9）。

植被覆蓋度統計結果見圖10。通過數據分析，植被覆蓋最大值為1.0，最小值為0.000 1，平均值為0.330 840，方差為0.255 76；從圖10可看出，有相當一部分點值位于0.15～0.45之間，可以得出該地區植被覆蓋度相對較低，大多數地區處于荒漠化狀態，方差值低，也充分說明該地區植被覆蓋區分度比較低。根據三江源區植被覆蓋度分級（表3），可以得出插值法反演后得出的植被覆蓋度比例與實際比例的差值對比，從而評價插值法分析植被覆蓋度的精度。從表4可以看出，通過克里金插值法獲得的植被覆蓋度分級比例與實際植被覆蓋度分級比例一致性；分級比例差值最大的是極低覆蓋區，這可能受到湖泊、冰川、霧氣的影響；最小的是高覆蓋區，克里金插值法對植被覆蓋度估計有一定的參考意義。

3 結論

該研究通過利用國產遙感衛星數據及Google Earth高分數據，基于克里金插值法，通過利用植被指數NDIV對青海鄂陵湖、扎陵湖區域的植被數據進行了反演實驗，得出了青海鄂陵湖、扎陵湖區域植被覆蓋度，并給出了滿意的結果：

（1）該研究結合最新地理國情監測最新植被覆蓋分類方法確定了鄂陵湖、扎陵湖區域周邊植被覆蓋度，并給出了相對準確的分類結果。這表明在植被覆蓋度的統計中，可以利用該方法作為一種檢核植被覆蓋度的檢核方法。

（2）基于Google Earth高分數據，獲得的高植被覆蓋分布點和高植被覆蓋分布點，對其進行克里金插值分析后，進行一些列植被覆蓋度試驗，獲得相對準確的植被覆蓋度，達到滿意的結果。

參考文獻

[1] 溫小樂.基于影像的長樂市植被覆蓋度變化研究[J].遙感信息，2013，28（6）：56-61.

[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）：76-87.

[3] 羅亞.基于遙感影像的植被指數研究方法述評[J].生態科學，2005，24（1）：75-79.

[4] DAVIS J C.Statisticsanddataanalysisingeology[M].3rd edition.New York：John Wileyand Sons，2002：57-61.

[5] 劉世翔.專家克里金插值法在空間插值中的應用[J].地質與資源，2011，20（4）：292-294.

[6] 郭鵬，董蘭芳，夏澤舉.地質數據的等值線繪制方法研究[J].計算機仿真，2009（9）：168-171.

[7] 孫洪泉.地質統計學及其應用[M].北京：中國礦業大學出版社，1990：38-39.

[8] 弓小平，楊毅恒.普通Kriging法在空間插值中的運用[J].西北大學學報：自然科學版，2008（12）：878-882.

[9] 趙娟.冬小麥不同生育時期葉面積指數繁衍方法[J].光譜學與光譜分析，2013，33（9）：2546-2551.

[10] TUCHKER C J.African land-cover classificationusing satellite data（J）.Science，1985，227（4685）：369-375.

[11] 李惠敏，劉洪斌，武偉.近10年重慶市歸一化植被指數變化分析[J].地理科學，2010，30（1）：119-123.

[12] 趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.

[13] 顧祝軍，曾志遠.遙感植被蓋度研究[J].水土保持研究，2005，12（2）：18-21.