南方典型植被遙感豐度信息提取

郭云開，劉海洋,蔣 明,朱佳明

(1. 長沙理工大學，湖南 長沙 410076； 2. 長沙理工大學測繪遙感應用技術研究所，湖南 長沙 410076)

在遙感影像中，由于受傳感器及地面植被環境復雜多樣性的影響，混合像元普遍存在于遙感影像之中[1-2]。傳統方法多采用植被指數法、監督分類等硬分類方法進行植被覆蓋度的提取，僅能判斷每個像元有且只有一個類別[3]。中低分辨率遙感影像中存在的大量混合像元導致單純依靠硬分類方法提取植被覆蓋度往往達不到精度要求。為提高植被覆蓋度提取精度，一些專家和學者將像元分解模型引入到植被覆蓋度反演領域之中[4-5]。文獻[6]針對遙感城市生態系統研究問題提出了植被-不透水面-土壤(vegetation-impervious surface-soil，V-I-S)模型，認為城市遙感影像中的混合像元是植被、不透水面和土壤這3種代表性地物端元光譜的線性組合。文獻[7]對V-I-S模型加以改進，提出了適用于森林資源植被子類豐度提取的針葉林-闊葉林-灌草(coniferous-broad leaved-grass，C-B-G)模型。通過對陜西省黃龍縣森林分布情況進行分析，利用最小噪聲分離(MNF)選擇了3種終端端元進行光譜解混，分別形成研究區針葉林、闊葉林、灌草覆蓋度圖像，以達到提取森林信息的目的，并通過精度評價驗證了此分類方法的可靠性。

植被指數是通過對遙感影像數據光譜信息進行分析運算處理，獲取植被生長信息，進而對植被長勢、生物量等進行監測的度量參數[8]。文獻[9]通過實地調查獲取了多個玉米端元，構建了MERSI影像的EVI時間序列曲線和玉米端元EVI生長曲線，通過光譜匹配的方式(用生長曲線代替光譜曲線)為混合像元匹配最佳玉米端元進行混合像元解混，得到了較好的解混結果。然而，大部分區域影像波譜庫數據的缺乏且單獨獲取成本高使得端元只能從影像上獲得。影像端元獲取方法具有高效、快捷且與影像尺度一致等特點，是目前獲取端元的主要方式。為減弱同物異譜現象的影響，本文以影像上獲取的方式得到優勢樹種的多個端元，并通過構建EVI時間序列生長曲線，用于匹配最佳端元組合進行光譜解混，以提高豐度提取的精度。

1 研究區域及數據處理

1.1 研究區域

寧鄉市位于長沙市西部，是典型的亞熱帶地區，南方典型植被覆蓋于寧鄉市全境，包括常綠闊葉林、針葉林和低矮植被。選取寧鄉市南部作為研究區域，植被覆蓋度較好，交通便利，便于野外調查和相應數據的采集。

1.2 數據采集與處理

本試驗對寧鄉南部研究區域進行了實地調查，數據采集時間為2018年6月17日，正值南方地區典型植被生長旺季，當天天氣晴朗，無云無風，外業試驗數據采集區域(15 m×15 m)均為植被覆蓋區域，包括全闊葉林覆蓋、全針葉林覆蓋和闊、針葉林混合覆蓋。每個樣區以1個中心點和4個頂點作為測點，結合影像上樣區位置，綜合確定樣點像元空間位置。采用對角線調查法計算該區域的闊、針葉面積百分比并記錄樹種類型。

南方典型林地主要是常綠闊葉林、針葉林及低矮植被。林地的一個生長周期包括越冬準備期、落葉休眠期、萌發期、春季營養生長期、夏季營養生殖期，EVI指數出現峰值。因此，本文數據采用成像時間為2017年10月30日到2018年7月26日的少云、優選Landsat 8遙感影像共6期，對遙感影像進行預處理，經過輻射定標和FLAASH模型大氣校正后，對OLI影像進行掩膜裁剪，獲取研究區域的Landsat 8 OLI多光譜影像。基于ENVI 5.1軟件平臺，通過GPS定位的樣點中心坐標，從遙感影像上提取對應各個波段的地表反射率。

2 研究方法

2.1 EVI時間序列構建

植被指數具有明顯的時序性和季節性。相較其他植被指數，EVI時間序列能夠較好地突出不同林木類型的差異性[10]，增強型植被指數計算公式為

EVI=G×(ρNIR-ρred)/(ρNIR+C1×ρred-

C2×ρblue+L)

(1)

式中，G=2.5；ρNIR為Landsat 8影像的第5通道近紅外反射率值；ρred為Landsat 8影像的第4通道紅光反射率值；ρblue為Landsat 8影像的第2通道藍光反射率值；系數L=1為土壤調節參數；C1=6,C2=7.5描述通過Blue來修正大氣對Red的影響[11]。依次計算林地各個生長時期內的遙感影像EVI值并合成得到一個生長周期的EVI時間序列影像。林木由上一個生長周期結束后，葉片開始枯萎和脫落，植被指數從峰值處逐漸下降，林木正式進入到越冬準備期。針葉林相較于常綠闊葉林耐寒性較低，直至12月份的落葉休眠期，針葉林葉綠素含量的持續降低，植被指數下降速率遠超過常綠闊葉林。在此時間段內，兩者EVI序列曲線可能出現相交的情況。之后將進入萌發期、春季營養生長期、夏季營養生殖期，林木開始生長直至EVI植被指數最高點，再一次完成一個植被生長周期。將野外采樣點的GPS點位導入EVI時間序列影像中,分別得到不同地物在整個生長周期內的EVI時間序列曲線，如圖1所示。

2.2 基于EVI時間序列的混合像元分解

混合像元普遍存在于遙感影像中，在地表地物分布比較復雜的區域更是如此。在不考慮二次散射的情況下，可認為一個像元的反射率值是由各地物反射率(端元)按照其在該像元內所占的面積比(豐度)進行線性組合得到的[12]。

線性光譜混合模型(LSMM)如下

(2)

在整個生長周期中，林木形成一條與光譜曲線相類似的EVI生長曲線。利用EVI時間序列曲線代替光譜曲線進行混合像元解混，能夠更加突出不同樹種間的差異性，可以有效彌補多光譜數據波段數少的缺陷。本文通過Landsat 8數據構造研究區植被EVI時間序列圖像，利用EVI生長曲線匹配最優端元組合進行混合像元分解的研究。

2.3 端元提取及像元分解方法

端元是指在遙感影像中沒有發生混合的“純點”,物理意義是組成混合像元的多種單一光譜的土地覆蓋類型[13]。混合像元分解的主要步驟有為：①端元選取；②混合像元的分解。端元選擇正確與否決定了高精度混合像元分解的成敗[14]。本文利用最小噪聲變換(MNF)分離數據中的噪聲、像元純度指數法PPI(pixel purity index)對像元純度進行分析。

MNF的實質是進行兩次層疊的主成分變換，將主成分分量按照信噪比由大到小排列，圖像的大部分信息將會包含在前幾個分量當中[15]。分別對反射率影像和EVI時間序列影像進行MNF變換，兩者均選擇前4個MNF分量，累積信息量都超過了89%。

利用純凈像元指數法PPI處理分析MNF變換所選擇的分量數據，可以更好地尋找到純凈像元(端元)。本文設置迭代次數為10 000次，對分量數據反復迭代以計算像元純凈度。

將處理結果導入N維空間中，通過交互式判斷像元點的聚集情況確定終端端元組分數及波譜值。對研究區域實地調查發現，研究區域存在闊葉林、針葉林和低矮植被3類主要地物組分。處理后的單幅Landsat 8遙感影像在N維散點圖中不能很好地判斷影像存在的地物組分，難以得到終端端元。為此，本文對植被生長周期內的6幅遙感影像進行處理，得到EVI時間序列影像。利用EVI時間序列影像代替單幅Landsat 8遙感影像獲取N維散點圖，參與端元組分和終端端元的獲取。

在線性光譜混合模型中，一種端元組分的多個像元采樣點通過取平均值的方式參與模型的運算，即終端端元的光譜值是多個同種像元的平均值，并且參與獲取終端端元的同類型端元數量不能小于研究圖像像元總數的0.1%才可以保證能覆蓋所有的土地類型[16]。同時端元組分的類型應是研究區內多數像元的有效組成成分，殘余誤差應盡可能地小。然而，進行交互式目視判斷時，由于肉眼識別存在誤差，不同的聚集區域會得到不同的端元數據，終端端元處于一個選取區間內，而且由于同物異譜現象的影響，同種端元之間也存在著差異。常綠闊葉林是南方林木的主體，在N維散點圖中聚集的像元點波動區間最大。為削弱上述因素的影響，在將EVI作為線性混合光譜模型分解因子的同時，在常綠闊葉林點位聚集區域內，選取3個子區域輸出點位的平均值，作為常綠闊葉林端元，分別與針葉林和低矮植被進行端元組合，共有3種端元組合形式，標記為1、2、3，并利用光譜角填圖，確定端元組合的解混區域。

利用完全約束最小二乘法混合像元分解，圖2所示為利用EVI時間序列曲線代替光譜曲線進行光譜角填圖后混合像元分解獲得的南方植被豐度分布圖。解混結果表明：純闊葉林18個采樣點中，傳統線性光譜解混錯分5個，自適應光譜解混后未出現錯分情況；低矮植被中存在喬木林，增加闊葉林端元光譜后，解混精度得到改善；通過野外采集的多個樣本點數據進行線性擬合檢驗，闊葉林R2為0.892 1，針葉林R2為0.861。

3 結 語

本文運用Landsat 8遙感影像EVI時間序列數據作為線性光譜混合模型的解混因子進行研究。研究結果表明：在混合像元分解的過程中，EVI時間序列曲線在可分離性方面優于光譜反射率曲線；有限的光譜波段及同物異譜現象使得傳統的基于端元光譜組合的像元分解精度降低；本文通過選取優勢樹種的多端元進行解混，并利用光譜角(EVI時間序列曲線)填圖的方式匹配最佳端元組合進行解混，結果精度的提高證明了該方法的有效性。隨著南方地區經濟的發展，大量的高等級公路投入到建設當中，這導致遠離城市的森林植被受到了脅迫，致使同種林木端元有較高的變異性。本文通過增加同種端元個數的方式，削弱了同物異譜現象的影響。但是，本文僅考慮了同物異譜現象對解混精度的影響，在后續研究中需綜合考慮其他影響因素，以進一步提高豐度提取精度。