基于雷達植被指數的水土流失區植被覆蓋度估測

何海燕，凌飛龍，汪小欽，梁志鋒，2

(1.福州大學空間數據挖掘與信息共享省部共建教育部重點實驗室，福州 350002;2.航天天繪科技有限公司，西安 710000)

0 引言

植被覆蓋度(fraction of vegetation coverage，FVC)指植被在地面的垂直投影面積占統計區總面積的百分比［1－2］。植被是控制水土流失的關鍵因子之一［3－4］。植被覆蓋度作為植被的直觀量化指標，很大程度上反映了植被的基本情況，可為林業工作以及水土流失的治理等提供參考決策資料。植被覆蓋度估測方法的發展大致經歷了簡單目測估算、儀器測量計算和遙感解譯分析3個階段。遙感技術為估測大面積區域植被覆蓋度提供了可能［5］。我國南方多云雨天氣，使得光學遙感數據的獲取受到了很大的限制。特別是由于植被光譜受到植被本身、環境條件、大氣狀況等多種因素的影響，植被指數具有明顯的區域性和時效性，因此基于光學影像數據的方法有很多局限性［6－8］。

合成孔徑雷達(synthetic aperture Radar，SAR)具有全天候、全天時對地觀測的能力以及電磁散射矢量特性和微波穿透性等優勢，可準確反演森林和農作物等植被的分布、結構及長勢等信息［9－10］。全極化SAR以極化散射矩陣的形式完整地記錄了雷達目標的電磁散射特性［11］，其數據通過極化目標分解，可以得到不同的特征參數。雷達植被指數(Radar vegetation index，RVI)是基于特征向量分解得到的參數，常用以描述植被的疏密程度［12］。利用全極化ALOSPALSAR數據分解得到的雷達植被指數進行森林/非森林制圖，將其與光學植被指數如歸一化植被指數(normalized difference vegetation index，NDVI)的制圖結果比較發現，其結果更加精確［13］。

最早建立的像元分解模型主要用于分離植被和其他地物［14］，而像元二分模型是像元分解模型中的一種線性分解模型，它假設地物僅由植被和非植被2部分組成。很多學者基于光學遙感影像將該模型應用于估測植被覆蓋度的工作中［15－18］。像元二分模型可以削弱土壤背景、大氣與植被類型的影響，且其使用不受研究區域大小的限制，易于推廣應用。像元二分模型所用的遙感信息應與植被覆蓋度具有較好的線性關系［19］。雷達植被指數RVI與植被疏密程度密切相關，因此將RVI應用于像元二分模型具有理論上的可行性。

本文將基于雷達影像通過極化分解得到雷達植被指數應用于像元二分模型，估測50 m像元尺度下福建省長汀縣河田鎮區域的植被覆蓋度;以高分辨率光學影像計算的植被覆蓋度和實地考察數據為真值驗證評價了估測結果的精度。

1 研究區概況

以福建省長汀縣河田鎮為研究區，該區位于N25°31'12″～25°41'26″，E116°21'45″～116°28'20″之間，屬亞熱帶季風氣候區，長期嚴重水土流失和人為破壞已造成該區域植被退化成疏林地、亞熱帶灌叢或無林地，甚至退化成荒草坡或光板地，其治理措施主要通過植樹造林，恢復生態，改善環境來控制水土流失的惡化［20］。研究區地理位置及Radarsat－2影像覆蓋范圍如圖1所示。

圖1 研究區Radarsat－2影像覆蓋范圍Fig.1 Radarsat－2 data of study area

2 數據源及其處理

2.1 Radarsat－2 數據及處理

Radarsat－2全極化數據的獲取日期為2013年11月27日，分辨率為8 m，采樣間隔為12.5 m。產品類型是單視復型數據。采用Polsarpro軟件對該數據進行了輻射定標、正射校正、多視處理(方位向和距離向視數比為2∶1)、Lee濾波和極化分解等處理。其中極化分解采用基于特征根/特征向量的方法，并組合特征值得到RVI。正射校正［21］采用Mapready軟件基于1∶1萬的數字高程模型(digital elevation model，DEM)完成。最后，基于極化分解得到的原始分辨率RVI影像計算植被覆蓋度，并將計算結果重采樣成50 m格網數據，以分析該尺度下植被覆蓋度的意義。

2.2 驗證數據及其處理

以2013年11月的無人機影像以及2011年12月23日的WorldView－2光學影像為驗證數據，其中，無人機影像與雷達影像的獲取年月一致，分辨率高達0.1 m，包括紅綠藍3個波段，彩色合成后能夠清晰地識別植被;WorldView－2影像成像年份與所獲取的雷達數據不同，但相隔不久，月份日期相近，因此地物變化不大，仍具有可比性。對WorldView－2影像進行處理后，完成了與分辨率為8 m的雷達影像的配準，配準誤差控制在1個像元以內，以保證模型驗證的精度;然后利用eCognition軟件對其進行面向對象的植被－非植被分類。由于影像分辨率較高，可以清楚地識別植被，因此分類時較多結合了目視解譯方法，以保證分類的準確性。

Radarsat－2成像期間，筆者前往實地考察了植被覆蓋類型和植被覆蓋情況，并拍攝了各考察點的照片。將WorldView－2影像分類結果與無人機影像疊加，結合實地考察照片的目視判斷，確保其分類精度在90%以上。最后將WorldView－2影像分類結果圖按照50 m范圍內植被像元個數占整個范圍內像元總數的比例，計算出50 m分辨率影像下的植被覆蓋度。經高清無人機影像和實地考察情況驗證，WorldView－2影像計算的分類結果和植被覆蓋度均具有較高的精度，可以作為準確的植被覆蓋度驗證依據。

3 研究方法

基于全極化雷達數據的植被覆蓋度估測方法包括2部分內容:①對Radarsat－2數據進行極化分解，構建雷達植被指數;②以雷達植被指數為基礎，應用像元二分模型估測植被覆蓋度。

3.1 雷達植被指數的構建

在雷達極化中，分布式目標的特征值/特征矢量分解是把復相干矩陣T3表示為3個子相干矩陣(T1，T2，T3)加權和的簡單統計模型［22］，即

式中，λ1，λ2和λ3分別為3個子相干矩陣的權重。

通常，分布式目標的平均雷達后向散射是部分極化的，自然目標的隨機性可以用與其相關聯的平均相干矩陣的特征值范圍來度量。Van用任意取向的介電圓柱體模型分析了植被區域的雷達后向散射，提出了雷達植被指數RVI［23］的表達式，即

式中RVI表示目標散射的隨機程度，0≤RVI≤4/3，光滑表面的RVI=0，隨著植被生長或結構變得復雜，RVI增加。

3.2 像元二分模型

用像元二分模型來描述雷達像元內的信息構成，假設一個像元代表的RVI值來自土壤和植被2部分的貢獻(圖2)，即雷達植被指數RVI0由全植被覆蓋地表的信息RVIveg和無植被覆蓋地表的信息RVIsoil共同貢獻。

圖2 像元二分模型示意圖Fig.2 Dim idiate pixelm odel

像元中有植被覆蓋的面積比例為f，非植被覆蓋的面積比例為(1－f)。即f為植被覆蓋度，f和1－f分別為RVIveg和RVIsoil在該像元中所貢獻信息的權重，像元的RVI0可以表達為

3.3 模型訓練

在理想情況下，RVIsoil和RVIveg的值是確定的。對于大多數裸土地面，RVIsoil理論上接近0，但受各種客觀條件影響，RVIsoil會在一定范圍內變化［24－25］。RVIveg表示純植被覆蓋的最大值，理論上接近1，但是受不同植被類型的影響，其值也隨時間和空間的變化而變化。實際情況中植被類型往往不是單一類型，因此不能簡單采用RVI的最小值和最大值作為RVIsoil和RVIveg的取值。

在實際應用中，很難獲取大區域的實測數據，因此本文采用給定置信度區間范圍內的最大值和最小值來確定RVIveg和RVIsoil的值［20］。置信度的大小隨影像的尺寸和清晰度不同而異。設置置信區間是為了排除異常值，不宜設太大，本文排除水體和不透水面，確定置信度為5%和95%時RVIsoil和RVIveg的取值分別為 0.300 和0.825。

3.4 植被覆蓋度的估測

確定了模型的參數后，將根據置信度確定的RVIsoil=0.300和RVIveg=0.825值代入模型中，并設置條件，即可通過逆向模型估計植被覆蓋度，即

4 結果與分析

4.1 雷達植被指數的計算結果

圖3是依據上述設定獲得的研究區雷達植被指數影像圖，采樣間隔為12.5 m。

圖3 雷達植被指數影像圖Fig.3 Image of RVI

從圖3可以看出，影像中部RVI值較低(暗色調)，四周RVI值相對較高(亮色調)，這是因為中部為城鎮中心，建筑物居多，植被較少;影像獲取季節為冬季，城鎮中心的農田沒有作物，裸露的地表也表現為低RVI值;影像中部河流也是低RVI區域;而影像四周多為森林，是RVI高值的區域，但由于水土流失問題的存在，山區森林中有些地方山體裸露，沒有植被覆蓋，也呈現出局部RVI低值區。由此可見，RVI可以準確地反映植被覆蓋情況。

4.2 植被覆蓋度的估測結果

圖4 植被覆蓋度的Radarsat－2估測結果Fig.4 Estimation of the FVC through Radarsat－2

根據雷達植被指數和像元二分模型估測的植被覆蓋度如圖4(采樣間隔為50m)，白色區域為高植被覆蓋度地區，黑色區域是城市、河流以及無植被覆蓋的農田等低植被覆蓋地區。植被覆蓋度的變化與RVI所反映的植被分布較為一致。圖5為由World-View－2影像計算的植被覆蓋度結果(采樣間隔為50 m)。

圖5 植被覆蓋度的WorldView－2計算結果Fig.5 Calculation of the FVC through W orldView－2

對比圖4與圖5可以看出，植被覆蓋度高低的大致分布是一致的，表明基于雷達影像的像元二分模型所估測的結果可以反映植被覆蓋度的分布。

4.3 植被覆蓋度的等級劃分

以0.2為間隔將植被覆蓋度分成5個等級:1級［0，0.2)、2 級［0.2，0.4)、3 級［0.4，0.6)、4 級［0.6，0.8)和5 級［0.8，1］，如圖 6 所示。

圖6 植被覆蓋度等級圖Fig.6 Rank of the FVC

圖6表明，等級為5級和4級的高植被覆蓋度多集中在森林密集的山區。這是由于山區基本不受人為活動的影響，植被保護較好。但受自然災害等因素的影響，一些區域因水土流失而植被退化，造成山區高植被區域中分布著較低植被覆蓋區的極端情況。等級為1級的低植被覆蓋度則多分布在沿江和城鎮區域，這些地區人類活動頻繁，多建筑物和農田，影像獲取時間為冬季，農田等為裸土，因此城鎮附近植被覆蓋度很低。2級和3級的中等植被覆蓋度區域較少，分布在整個研究區。

4.4 精度評價

為了定量分析估測結果的精度，以WorldView－2為驗證值，評價Radarsat－2估測的精度。在估測結果圖和計算的驗證圖中分別隨機選取位置相對應的120個樣點，統計這些點在2幅影像中值的相關性，并做誤差分析。對隨機選取的采樣點進行統計分析，得到Radarsat－2估測值與WorldView－2驗證值的散點圖和擬合曲線(圖7)。

圖7 估測值與驗證值相關性Fig.7 Correlation between the estimation and the calculation

結果表明，長汀縣河田鎮區域內雖然還有部分植被覆蓋度為0的裸露地，但研究區植被覆蓋度已整體提高，甚至有區域已達到全植被覆蓋，即植被覆蓋度為1。結合實地考察數據分析，植被覆蓋度為0的區域除了山上裸露的山體外，大部分是城市里的建筑、河流以及沒有種植作物的農田等區域。模型估測的植被覆蓋度準確地反映了研究區范圍內植被的分布情況，與實際情況相符合。且估測值與驗證值高度相關(R2=0.812)，均方根誤差僅為0.020。因此，采用基于雷達植被指數的像元二分模型估測植被覆蓋度具有較高精度。

圖8為每個采樣點的估測值、驗證值和誤差值的曲線統計圖，其中采樣點的排列是按照驗證值的遞增順序排列的。

圖8 植被覆蓋度曲線和誤差曲線Fig.8 FVC curves and error curve

由圖8可知，多數估測值大于驗證值，即估測的植被覆蓋度整體高于真實的值，誤差曲線大部分值在(－0.25，+0.25)之間浮動。

5 結論

本文基于Radarsat－2全極化雷達數據，估測了水土流失治理區長汀縣河田鎮區域的植被覆蓋度。通過極化特征分解獲取了可以反映植被信息的雷達植被指數，并將該指數應用于構建的像元二分模型中，得到采樣間隔為50 m的植被覆蓋度估測結果。以高分辨率光學影像WorldView－2計算的植被覆蓋度作為驗證數據，結合無人機影像和實地考察數據，評價了模型估測精度。結果表明，雷達植被指數和像元二分模型的結合實現了高精度的植被覆蓋度提取，R2最高達0.8以上;該模型可以為長汀的水土保持工作提供科學的輔助決策依據。

［1］ 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.

［2］ Purevdorj T，Tateishi R，Ishiyama T.Relationships between percent vegetation cover and vegetation indices［J］.International Journal of Remote Sensing，1998，19(18):3519－3535.

［3］ 哈德遜.土壤保持［M］.北京:科學出版社，1975:2－3.Hudson NW.Soil Conservation［M］.Beijing:Science Press，1975:2－3.

［4］ 鄒 軍，張明禮，楊 浩.退耕還林(草)與水土保持若干問題的研究進展［J］.土壤通報，2012，43(2):506－512.Zhou J，Zhang M L，Yang H.Grain for green vegetation of forestry and grass water and soil conversation［J］.Chinese Journal of Soil Science，2012，43(2):506－512.

［5］ 賈 坤，姚云軍，魏香琴，等.植被覆蓋度遙感估算研究進展［J］.地球科學進展，2013，28(7):774－782.Jia K，Yao Y J，Wei X Q，et al.A review on fractional vegetation cover estimation using remote sensing［J］.Advances in Earth Science，2013，28(7):774－782.

［6］ 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.

［7］ 李苗苗，吳炳方，顏長珍，等.密云水庫上游植被覆蓋度的遙感估算［J］.資源科學，2004，26(4):153－159.Li M M，Wu B F，Yan C Z，et al.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing［J］.Resources Science，2004，26(4):153－159.

［8］ 吳昌廣，周志翔，肖文發，等.基于MODISNDVI的三峽庫區植被覆蓋度動態監測［J］.林業科學，2012，48(1):22－28.Wu CG，Zhou ZX，XiaoW F，etal.Dynamicmonitoring of vegetation coverage in Three Gorges Reservoir area based on MODISNDVI［J］.Scientia Silvae Sinicae，2012，48(1):22－28.

［9］ Capodici F，Durso G，Maltese A.Investigating the relationship between X－band SAR data from COSMO－SkyMed satellite and NDVI for LAIdetection［J］.Remote Sensing，2013，5(3):1389－1404.

［10］ 徐茂松，張風麗，夏忠勝，等.植被雷達遙感方法與應用［M］.北京:科學出版社，2012.Xu M S，Zhang F L，Xia Z S.The Methods and Application of Vegetaion Radar［M］.Beijing:Science Press，2012.

［11］ 王 慶，曾琪明，廖靜娟.基于極化分解的極化特征參數提取與應用［J］.國土資源遙感，2012，24(3):103－110.doi:10.6046/gtzyyg.2012.03.19.Wang Q，Zeng Q M，Liao J J.Extraction and application of polarimetric characteristic parameters based on polarimetric decomposition［J］.Remote Sensing for Land and Resources，2012，24(3):103－110.doi:10.6046/gtzyyg.2012.03.19.

［12］ Van Zyl JJ.An overview of the analysis ofmulti－frequency polarimetric SAR data［C］//6th European Conference on Synthetic Aperture Radar.Dresden，Germany:［s.n.］，2006:16－18.

［13］ Ling F，Li Z，Chen E，et al.Comparison of ALOS PALSAR RVI and Landsat TM NDVI for forest areamapping［C］//2nd Asian－Pacific Conference on Synthetic Aperture Radar.Xi’an，China:IEEE，2009:132－135.

［14］ Settle JJ，Drake N A.Linearmixing and the estimation of ground cover proportions［J］.International Journal of Remote Sensing，1993，14(6):1159－1177.

［15］ Leprieur C，Verstraete M M，Pinty B.Evaluation of the performance of various vegetation indices to retrieve vegetation cover from AVHRR data［J］.Remote Sensing Reviews，1994，10(4):265－284.

［16］ Gutman G，Ignatov A.The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models［J］.International Journal of Remote Sensing，1998，19(8):1533－1543.

［17］ Qi J，Marsett R C，Moran M S，etal.Spatial and temporal dynamics of vegetation in the San Pedro river basin area［J］.Agricultural and Forest Meteorology，2000，105(1/3):55－68.

［18］ 牛寶茹，劉俊蓉，王政偉，等.干旱半干旱地區植被覆蓋度遙感信息提取研究［J］.武漢大學學報:信息科學版，2005，30(1):27－30.Niu B R，Liu JR，Wang ZW，etal.Remote sensing information extraction based on vegetation fraction in drought and half－drought area［J］.Geomatics and Information Science ofWuhan University，2005，30(1):27－30.

［19］ 李苗苗.植被覆蓋度的遙感估算方法研究［D］.北京:中國科學院遙感應用研究所，2003.LiM M.The Method of Vegetation Fraction Estimation by Remote Sensing［D］.Beijing:Institute of Remote Sensing Application，Chinese Academy of Sciences，2003.

［20］ 徐涵秋，何 慧，黃紹霖.福建省長汀縣河田水土流失區植被覆蓋度變化及其熱環境效應［J］.生態學報，2013，33(10):2954－2963.Xu H Q，He H，Huang S L.Analysis of fractional vegetation cover change and its impact on thermal environment in the hetian basinal area of county Changting，Fujian Province，China［J］.Acta Ecologica Sinica，2013，33(10):2954－2963.

［21］ Lee JS，Pottier E.Polarimetric Radar Imaging:From Basics to Applications［M］.New York:Taylor＆ Francis，2009:254－257.

［22］ Cloude SR，Pottier E.A review of target decomposition theorems in radar polarimetry［J］.IEEE Transactions on Geoscience and Remote Sensing，1996，34(2):498－518.

［23］ Van Zyl JJ，Zebker H A，ElachiC.Imaging Radar polarization signatures:Theory and observation［J］.Radio Science，1987，22(4):529－543.

［24］ Carlson TN，Ripley D A.On the relation between NDVI，fractional vegetation cover，and leaf area index［J］.Remote Sensing of Environment，1997，62(3):241－252.

［25］ Rundquist B C.The influence of canopy green vegetation fraction on spectralmeasurements over native tallgrass prairie［J］.Remote Sensing of Environment，2002，81(1):129－ 135.