GF-2支持下的干旱區稀疏植被區植被覆蓋度估算

沈 謙，朱長明，張 新

(1. 江蘇師范大學地理測繪與城鄉規劃學院，江蘇 徐州 221116； 2. 中國科學院遙感與數字地球研究所遙感科學國家重點實驗室,北京 100101)

植被覆蓋度(fractional vegetation cover,FVC)通常定義為植被(包括葉、莖和枝)在地面的垂直投影面積占統計區總面積的百分比[1]，是水土保持、溫室氣體濃度變化、陸地表面輻射平衡、碳氮循環和荒漠生態環境等研究中重要的生物物理參數[2]，是指示生態環境變化的基本指標[3]。植被作為陸地生態系統最基礎的組成部分，是陸地生態系統的主體之一，與區域氣候、土壤、地形及地下水位等要素密切相關[4]。區域植被活動特征是評價區域生態環境狀況的重要指標參數，反映了區域氣候變化和生態系統的健康狀況。隨著遙感技術在植被覆蓋度監測方面的發展，遙感估算取代了地面測量，已經成為區域尺度植被覆蓋度獲取的主導手段[5]。目前，利用遙感反演的植被覆蓋度遙感估算方法主要包括回歸模型法[1,6-8]和線性混合像元分解模型法[9-17]。

回歸模型法通過建立遙感植被指數(如NDVI、MASVI、PVI等)與實際植被覆蓋度之間的線性或非線性回歸模型，并利用該模型計算整個區域的植被覆蓋度，但是回歸模型只適用于特定區域與特定植被類型的植被覆蓋度估算，在大尺度、低分辨率遙感數據源條件下精度較低。線性混合像元分解模型假定像元光譜信息為像元內各組分光譜信息的線性合成，其中最為經典和通用的模型為像元二分模型。該模型假設像元只由植被與非植被兩部分構成，其中植被部分面積占像元面積的百分比即為植被覆蓋度。像元二分模型因其形式簡單且具有一定物理意義而廣泛應用于植被覆蓋度的估算。但是，文獻[6]提出由于NDVI在稀疏植被區域數值偏大，很難精確選擇模型所需NDVIveg和NDVIsoil，導致像元二分模型估算植被覆蓋度結果偏高。如我國西北干旱區，區域內存在大量沙漠、戈壁、裸土，這些區域NDVI值普遍偏高，在利用頻率累計法獲取模型所需NDVIveg和NDVIsoil時，NDVIsoil值偏低，導致沙漠、裸土、戈壁區域FVC估算結果大于0。因此，如何精準獲取構成像元二分模型所需NDVIveg和NDVIsoil參數，是利用像元二分模型精確估測干旱區區域尺度FVC的技術難點。

為此，本文提出GF-2輔助支持下的干旱區稀疏植被覆蓋度估算方法。利用GF-2影像和MODIS影像相結合，提取MODIS像元尺度下的純植被和非植被區對應在GF-2影像上的植被覆蓋度最大值，作為二分像元模型參數NDVIveg和NDVIsoil，完成模型的初始化，依此估算稀疏植被干旱區植被覆蓋度。本文選取塔里木河下游為試驗區，通過與線性回歸、多項式回歸及直方圖累積像元二分模型等結果進行精度比較，驗證該方法的可行性。

1 試驗數據

1.1 試驗區概況

本文選擇塔里木河下游為試驗區，如圖1所示，整體研究區位于86.5°E—88.5°E，39.5°N—41.5°N，主河道長約426 km，面積約4204 km2[18]，是塔克拉瑪干沙漠和庫干塔格沙漠的分界線[19]。由于人類對水土資源不合理開發利用，破壞植被，導致塔里木河下游無水補給，陸續出現斷流現象，且呈現出斷點上移、斷流長度增加和斷流時間不斷增長的特點[20]，塔里木河下游植被一度退化非常嚴重。

1.2 數據源選擇

研究所用MODIS NDVI 16 d合成產品來源于美國地質勘探局(United States Geological Survey，USGS)，GF-2遙感影像來源于中國資源衛星應用中心。首先對NDVI數據進行拼接、去極值和最大值合成處理，將處理后的2017年250 m空間分辨率NDVI最大值合成數據進行Albers Conical Equal Area投影；然后對采樣區和驗證區GF-2影像進行正射校正、配準和圖像融合處理，并將投影坐標系轉換為Albers Conical Equal Area投影。本文研究所使用數據的獲取日期、行列號及相應描述見表1。

表1 研究所使用數據

2 研究方法

常用于植被覆蓋度估算的像元二分模型假設像元只由植被與非植被兩組分組成，像元的光譜信息也只由這兩個組分因子線性合成，它們各自的面積在像元中所占的比率即為各因子的權重。其中植被覆蓋部分占像元的百分比即為該像元的植被覆蓋度，其數學表達公式如下

NDVI=FVC×NDVIveg+(1-FVC)×NDVIsoil

(1)

(2)

式中，FVC為混合像元中的植被覆蓋度；NDVI為混合像元的歸一化植被指數；NDVIveg為植被組分所對應的NDVI；NDVIsoil為裸土組分對應的NDVI。在利用像元二分模型估算植被覆蓋度過程中，NDVIveg和NDVIsoil的選取是關鍵，決定了估算結果的精度。由GF-2影像提取的植被像元相對于250 m空間分辨率NDVI最大值合成數據可視為實測數據。

GF-2輔助下的基于MODIS NDVI干旱區植被覆蓋度估算流程如圖2所示。首先，采用ISODATA方法從融合后的GF-2 0.8 m產品中提取采樣區和驗證區植被分布結果；其次，利用Pixel Aggregate方法將植被分布數據重采樣至250 m空間分辨率，獲取植被覆蓋度數據，其中采樣區數據作為植被覆蓋度估算的訓練數據，驗證區數據作為后期精度驗證的參考數據；然后，統計采樣區植被覆蓋度為100%和0%的像元作為純植被像元和裸土像元，其中純植被像元數為50，純裸土像元數為239；最后，根據純植被像元和裸土像元的空間位置采集NDVI最大值合成數據。試驗結果表明可將純植被像元和裸土像元分別采集NDVI數據中的最大值作為像元二分模型所需的NDVIveg和NDVIsoil。

3 結果與精度分析

3.1 植被覆蓋度制圖

通過綜合試驗分析，像元二分模型所需參數NDVIveg、NDVIsoil分別為0.860 7、0.108 2時效果最佳，由此完成對塔里木河下游植被覆蓋度的估算。塔里木河下游植被覆蓋度制圖結果如圖3所示，其中圖3(a)為線性回歸估算結果，圖3(b)為多項式回歸估算結果，圖3(c)為像元二分模型利用直方圖累計法獲取NDVIveg和NDVIsoil估算結果，圖3(d)為GF-2輔助的像元二分模型估算結果。塔里木河下游植被主要分布在河道兩側及流域北部農田地區。通過估算結果可以看出：回歸方法估算結果誤差較大，河道兩側塔克拉瑪干沙漠和庫干塔格沙漠等無植被地區植被覆蓋度估算結果為2%左右，且部分地區出現負值；像元二分模型法制圖結果整體優于回歸方法，但是由于研究區內存在大量沙漠，NDVI在這些地區數值偏高，在利用直方圖累計方法獲取NDVIveg和NDVIsoil時，NDVIsoil取值較高，導致部分沙漠等無植被地區估算結果大于0，且植被地區出現高估現象；利用GF-2影像輔助獲取像元二分模型所需的NDVIveg和NDVIsoil參數估算植被覆蓋度效果較好，與實際植被分布較為一致，沙漠地區估算結果為0，估算結果分布較為合理。

3.2 精度評價

參考數據與估算結果散點圖如圖4所示。可以看出，線性回歸與多項式回歸估算結果整體效果較好，但是部分低植被覆蓋度地區出現負值，且在植被覆蓋度小于30%部分，受到稀疏植被地區NDVI值偏高問題的影響，植被覆蓋度估算結果普遍高于參考數據，而高植被覆蓋度地區估算結果偏低，極少數像元估算結果大于90%，與參考數據植被覆蓋度數量分布不一致。受到研究區內大范圍沙漠、裸土覆蓋和稀疏植被地區NDVI值較高問題的影響，像元二分模型利用5%和95%直方圖累計獲取NDVIsoil和NDVIveg方法取值較低，導致植被覆蓋度估算結果普遍高估，絕大部分地區估算結果均大于參考數據，部分低植被覆蓋度地區估算結果達到100%，偏差較大。高分二號影像提取純植被和裸土像元獲取NDVIveg和NDVIsoil方法，有效抑制了由于疏植被地區NDVI值較高問題導致的低植被覆蓋地區估算結果高估的現象，不同植被覆蓋度像元分布結果與參考數據較為一致。

驗證區不同等級植被可以看出覆蓋度像元數占總像元數百分比分布如圖5所示。可以看出，小于10%、10%～20%、20%～30%、30%～40% 4個等級中，利用GF-2輔助方法獲取像元二分模型所需參數估算結果占總像元數的百分比與參考數據最為一致；在40%～50%等級中，線性回歸、多項式回歸和利用高分影像獲取參數方法估算結果占像元總數的百分比與參考數據相差均小于0.3%，而利用直方圖累計法獲取參數估算結果占像元總數的百分比與參考數據相差1.17%；在大于50%等級中，利用高分影像獲取參數方法估算結果占像元總數的百分比與參考數據相差僅次于多項式回歸結果。整體來看，利用高分影像獲取像元二分模型參數的方法，在不同植被覆蓋度等級下像元數占總像元數百分比與參考數據最為一致。

為了進一步驗證模型的精度，選擇相關系數R2、均方根誤差(RMSE)、平均誤差(AE)和平均相對誤差(AEP)等作為評價指標，對不同方法取得結果進行對比評價。其中平均誤差指驗證區內估算結果與參考數據差值的平均值，平均相對誤差指驗證區內估算結果與參考數據的差值占參考數據的百分比的平均值，結果見表2。

表2 4種方法植被覆蓋度估算精度對比

4種方法估算結果與參考數據間R2分別為0.790 6、0.790 5、0.802 6和0.802 8，RMSE分別為0.093 9、0.093 1、0.147 8和0.088 9，平均誤差分別為0.034 3、0.03 9、0.082 9和0.009 8，其中，本文方法估算結果與參考數據R2最高，RMSE和平均誤差最低。由于驗證區內存在大量低植被覆蓋度像元及無植被覆蓋像元，這些像元在一定程度上影響相關系數、RMSE和平均誤差的大小。因此，為了避免0值對平均相對誤差計算的干擾，對估算結果和參考數據中的0值進行了去除，4種方法平均相對誤差分別為6.922 6、7.160 1、9.231 1和2.763 8，其中本文方法平均相對誤差最低。精度對比結果表明，本文方法適用于干旱區稀疏植被區植被覆蓋度估算，精度較高。

4 結 語

利用直方圖累計法獲取像元二分模型所需NDVIveg和NDVIsoil參數在低植被覆蓋度的西部干旱區地區不太適用，存在普遍高估問題，以及回歸模型法估算結果出現負值、低植被覆蓋度地區估算結果高估現象。針對以上問題，本文利用GF-2影像提取植被與裸土覆蓋并重采樣至250 m，獲取區域內250 m分辨率尺度下純植被和純裸土像元，并選擇對應MODIS NDVI數據中最大值作為像元二分模型所需NDVIveg和NDVIsoil參數，實現GF-2輔助下的塔河下游干旱區植被覆蓋度的估算。研究結果表明：利用GF-2影像輔助，獲取MODIS NDVI中像元二分模型所需NDVIveg和NDVIsoil參數，有效抑制了受稀疏植被NDVI較高問題的影響，植被覆蓋度較低地區估算結果高估的現象，大大提高了干旱區的植被覆蓋度的估算精度，可為同行提供方法借鑒。