基于高分六號數據的東海縣植被覆蓋度分析

錢慧, 邱志偉*, 李俊峰, 牛原, 郭玄燁

(1.江蘇海洋大學海洋技術與測繪學院, 連云港 222000; 2.天津大學海洋科學與技術學院, 天津 300072)

植被與大氣、土壤、溫度等要素息息相關,并且它的生長、組成、分布和發展與地球生態環境存在著密切聯系。植被覆蓋度是指植被(包括葉、莖、枝) 在地面的垂直投影面積占統計區總面積的百分比,是判斷干旱地區土地退化和荒漠化的重要因素[1]。植被覆蓋度的變化代表研究區域生態系統的恢復或退化,是指示地表植被狀況的重要指標[2]。研究植被覆蓋的方法有很多種,其中像元二分模型是大多數研究人員認為最簡單、最方便操作的模型。它假定像元內地物僅由植被和裸地組成,即一個像元的光譜特性是由這兩種成分的反射率及其占像元面積比例為權重系數的線性組合[3]。這種方法易上手、操作過程簡潔明了,是目前在植被覆蓋度研究方面的熱點。

目前,研究植被覆蓋度的方法主要有實測法和遙感監測法,而實測法雖然研究出的樣本精度較高,但它需要的人工成本高且效率較低,并不廣泛適用。

Kong等[4]基于歸一化植被指數(normalized vegetation index,NDVI)數據研究了植被覆蓋與氣溫之間的關系,發現自1994—1997年以后,NDVI在中歐、北美北部、西伯利亞中部呈下降趨勢。張朔川等[5]以2001—2020年的Landsat長時間序列遙感影像作為數據源,基于Google Earth Engine云平臺,采用像元二分模型并結合了變異系數、線性回歸分析和元胞自動機-馬爾可夫鏈模型等方法獲得了秦皇島市的植被覆蓋度動態變化,并預測了2025年的植被覆蓋度情況。何清蕓等[6]采用MODIS-NDVI衛星數據,結合像元二分模型、差值法、均值法、一元線性回歸模型研究分析了2000—2015年重慶市的植被覆蓋度時空變化情況。王一富等[7]結合ENVI軟件提取歸一化植被指數,利用像元二分模型分析了大理蒼山自然保護區的植被覆蓋度變化情況。楊坤士等[8]基于Landsat系列數據,利用Theil-Sen Median趨勢分析和Mann-Kendall以及Hurst指數法探究了廣西南流江流域植被覆蓋度長時序變化情況。目前,中外相關研究已有很多,但基于高分六號衛星的研究尚鮮見報道,且在眾多的植被指數中,NDVI在反映作物生長狀態中具有很好的效果。與其他的反演模型相比較,基于NDVI的像元二分模型更加具有普遍意義。

鑒于此,利用高分六號遙感數據作為數據源,采用NDVI指數和像元二分法,在傳統的分析研究方法上采用不同置信度來研究東海縣植被覆蓋度的遙感估測,以此來探討高分六號衛星以及置信度法在此方面的適用性,這對研究高分六號衛星在植被覆蓋度和林業方面的應用,以及置信度法后續的推廣使用具有重要意義。

1 研究區及數據

1.1 研究區概況

1.1.1 地理位置

東海縣隸屬于江蘇省連云港市,位于江蘇省的東北部,鄰接山東省,在中國大陸的東部沿海地區。地理跨界34°11′N～34°44′N,118°23′E～119°10′E,東臨黃海,北鄰齊魯,西接彭城,南部與江淮接壤。

1.1.2 地形特征

東海縣地處中國長江、淮河中下游丘陵平原洼地和平原崗嶺地,地勢大致為西高東低。地形為東西較長,最長距離大約為70 km、南北漸短,最長的距離為54 km,且在中西部地區中,平原丘陵地勢起伏連綿,東部平原地勢則比較平坦。

1.1.3 氣候特征

東海縣屬暖溫帶大陸季風氣候,常年氣候溫和,陽光很充足,環境比較濕潤舒適,不干燥,四季分明,是個典型的開放的暖溫帶沿海地區。被譽為世界水晶之都,中國溫泉之鄉,是全國首批開放沿海經濟通道的先鋒縣,也是新亞歐大陸橋西行第一縣。

1.2 數據源

采用2018年6月2日成功發射的高分六號衛星(GF-6)遙感影像數據,選取2021年11月13日影像作為秋季數據源。選取日期當天云量較小,影像清晰,質量較好。GF-6衛星是以自然資源部為主要用戶的一顆國家高分辨率遙感重大應用專項規劃衛星。該型號衛星采用了16 m多波長光譜相機,最大觀測面幅寬達到800 km,實現了8譜段CMOS光電探測器模塊的自主國產化設計研制[9],并且面向多種行業應用,具有覆蓋度高的特點,分辨率高、廣覆蓋、高質量和高成像效率大大提高了農業、林業等資源領域的監測能力。GF-6衛星發射升空入軌后,將與GF-1衛星組網軌道運行,并致力于資源狀況調查預測與在線監測、環境監測和安全評價、災害和應急預警監測、全球氣候變暖、農業應用與先進農村能源應用、地球科學的研究工作提供基礎性技術支撐,為促進各國家尤其是發展中國家的穩定可持續發展建設提供關鍵性支持[10]。

1.3 數據預處理

數據預處理在整個實驗中的重要環節,一方面能夠對異常數據進行處理,保證實驗輸入數據的有效性;另一方面也能夠對實驗整體把控,保障實驗的順利進行。由于受到全球大氣、氣候、地形等自然界各方面因素的長期影響,遙感影像可能會發生形變失真和圖像失真[11],為了使實驗結果更加準確有效,需要在實驗開始之前對原始遙感影像進行數據預處理工作,如輻射定標、大氣校正、正射校正,以及遙感影像數據融合和研究區域的裁剪分析等步驟。

1.3.1 全色影像

全色影像是指在0.38～0.76 μm這一波段范圍內的所有可見光波段的混合影像。由于全色影像是單波段,所以它顯示為灰度值圖片。全色遙感影像雖然具有較高的空間分辨率以及較寬的空間波譜范圍,但它通常顯示不出地物的真實色彩,也就是遙感圖像提供的空間光譜信息較少。

全色影像無法進行大氣校正,需要對其圖像進行正射校正,正射校正影像的實現原理是將中心投影的影像進行糾正后形成正射投影影像的過程,首先可以把影像化分為很多個小區域,然后需要根據相關參數按照它們對應的中心投影構像方程或者特定的數學模型用控制點進行自動解算,得到解算模型后利用數字高程模型對原始遙感影像進行數字校正,最終獲得數字正射遙感影像[12]。

1.3.2 多光譜影像

從多波段光譜影像得到的影像數據中包含多個光譜波段上的各種光譜信息,它具有較高精度的光譜分辨率。將RGB顏色賦予圖像的不同頻率的光譜波段信號將能夠得到真彩色影像。如分別給R、G、B分別賦予紅、綠、藍3個波段的光譜信息,將獲得模擬的真彩色圖像。多波段光譜遙感影像雖然可以獲得地物的空間色彩信息,但是同時它具有較低精度的空間分辨率。對于多光譜影像,需要對其進行輻射定標、快速大氣校正和正射校正。

(1)輻射定標。計算機記錄下的原始的遙感影像數據記錄計算的地物灰度值數據是沒有一個很具體明確的物理意義的,需要進行輻射亮度反射率或地表溫度值等的數值轉化,進一步凸顯其物理意義[13]。

(2)大氣校正。遙感影像的反射率通常受到大氣諸多方面的影響,從而會降低影像的清晰度和對比度。在大氣的作用下,一方面會促進太陽光輻射能量的吸收,另一方面也會阻礙太陽光輻射能量的吸收,由此帶來的影響就是在大氣反射的光線干擾下原始的遙感影像反射率無法表征真實的地面反射率,進一步導致遙感影像的失真,從而導致實驗結果的偏差。為了能夠有效校正大氣對傳感器產生的影響,需要借用大氣校正模型,對地物光譜進行平滑處理,使得地表反射率輻射率和地表溫度等信息更加精確有效。

1.3.3 影像融合與裁剪

在影像經過上述一系列的處理步驟以后,需要將經過大氣校正處理過的多光譜影像與經過正射校正處理后所得到的全色影像進行融合。融合處理后生成的完整影像具有較高的分辨率且圖像清晰,從而可以用來進行后續的植被覆蓋度遙感提取研究。

在進行遙感研究之前,首先需要獲得研究區域的矢量數據,因此需要在融合后的影像中進行區域裁剪。利用遙感圖像處理軟件(environment for visualizing images, ENVI)軟件中的感興趣區域(region of interest, ROI)工具生成ROI文件,裁剪出融合后的東海縣影像圖。裁剪后影像如圖1所示。

圖1 東海縣裁剪后影像Fig.1 Cropped images in Donghai County

2 研究方法

2.1 植被指數

植被指數反映了植物冠層的背景影響,例如濕地、土壤、霜雪以及粗糙程度等,并且和植被覆蓋度有著密切的聯系。目前中外常用的植被指數有:NDVI、比值植被指數(ratio vegetation index,RVI)、差值植被指數(difference vegetation index,DVI)、增強型植被指數(enhanced vegetation index,EVI)、正交植被指數(perpendicular vegetation index,PVI)等[14]。其中歸一化植被指數雖然對土壤背景因子的變化影響比較敏感,但由于它消除了大部分的儀器、太陽角度、地形、云層和大氣條件方面的大多數徑向變化,使得植被的響應能力得到很大的增強。且與植被覆蓋度具有正相關關系,表現出較好的適應性和應用的廣泛性。

選用NDVI來反演東海縣植被覆蓋度,NDVI的表達式為

(1)

式(1)中:NIR為遙感影像中近紅外波段的反射值;R為遙感影像中的紅光波段的反射值。

2.2 像元二分模型

目前,對植被覆蓋度進行提取的模型方法多種多樣,其中像元二分模型是中外使用次數較多且估測出的結果精度較好的模型。像元二分模型的原理是假設遙感衛星中的像元(S)僅有兩部分組成:一是有植被覆蓋(Sv)的地表,二是無植被覆蓋(Ss)地表,即裸露的土壤地表,那么遙感衛星獲得的光譜信息則可以認為是由這2個部分線性組合而成[15]。該模型的計算過程如下。

S=Sv+Ss

(2)

假設某像元中植被覆蓋的比例為fc,則可以認為該像元中植被覆蓋度為fc,則裸土占的比例為1-fc[11]。將被植被全覆蓋的純像元所得的遙感信息表示為Sveg,而無植被覆蓋的純像元所得的遙感信息表示為Ssoil,可得[16]

Sv=fcSveg

(3)

Ss=(1-fc)Ssoil

(4)

則有

S=Sv+SS=fcSveg+(1-fc)Ssoil

(5)

變換可得

fc=(S-Ssoil)/(Sveg-Ssoil)

(6)

3 結果與分析

3.1 植被覆蓋度計算

在式(6)的基礎上,可以進一步得到植被覆蓋度的衍生計算公式,可表示為

(7)

式(7)中:FVC為植被覆蓋度;NDVIsoil為無植被覆蓋的純像元的NDVI值;NDVIveg為有植被覆蓋的純像元的NDVI值[15]。

通常NDVIsoil取最小值NDVImin,理論上接近0,而NDVIveg取最大值NDVImax,理論上接近1。但是由于受氣候、溫度、地形等因素的影響,影像會受到噪聲干擾且在不同時期影像的NDVImax和NDVImin也會存在差異,因此一般不選擇NDVI的極大、極小值,通常選取一定置信區間內的最大值和最小值賦值。

在進行植被覆蓋度的提取研究之前,首先需要確定Ssoil和Sveg的取值,而對于如何確定這兩個參數的值,目前使用較多的方法有實地測量法和置信度法。從式(6)也可以看出,Ssoil和Sveg這兩個參數至關重要。而一般由于研究區的面積跨度比較大,用實測法進行測量時,可得到的樣本數量較少,且實測法需要耗費科研人員較大部分的工作精力、物力、財力,所以實測法不適合在較大范圍內作為測量方法,因此采用置信度法。而在置信度的選取上面也需要謹慎研究。通過中外已有的一些實驗結果發現,置信度的選擇多是以已有的成果數據來決定,比較隨意和主觀,使得植被覆蓋度的估測結果精度有很大的不確定性。故需要對置信度的取值影響進行深入研究[11]。

3.2 基于不同置信度對植被覆蓋度進行遙感估測

在對原始遙感影像數據預處理的基礎上,進行波段運算,進而獲得研究區域內NDVI數據的灰度值分布,圖2為研究區NDVI灰度值分布結果。

圖2 研究區NDVI灰度值分布結果Fig.2 Distribution results of NDVI gray values in the study area

根據研究區的NDVI的灰度值分布結果(圖2),分別選取不同的置信區間來確定植被覆蓋度中的關鍵參數Ssoil和Sveg的值。分別選擇以0.5%～99.5%,1%～99%,2%～98%,5%～95%,10%～90%,25%～75%的置信區間來分別確定極大值和極小值,Ssoil用區間中取累計百分比為0.5%、1%、2%、5%、10%、25%的NDVI灰度值來表示,即NDVImin,Sveg用區間中累計百分比為 99.5%、99%、98%、95%、90%、75%的NDVI灰度值代表,即NDVImax。不同置信度下的Ssoil和Sveg值如表1所示。

表1 不同置信度對應的Ssoil值和Sveg值Table 1 The Ssoil and Sveg values corresponding to the different confidence levels

在初步確定這兩個參數值以后,將Ssoil、Sveg的值代入式(6)中然后進行波段運算,從而可以得到在不同置信度范圍下進行植被覆蓋度提取的估測研究結果。采用最佳自然間斷點分級法將植被覆蓋度分為4個等級[15]:Vc<35%、35%≤Vc<50%、50%≤Vc<75%、Vc≥75%,其中基于像元的植被覆蓋度用Vc表示。根據實驗結果對植被覆蓋度進行分等等級,方便對研究區域進行科學劃分。按照由低到高的順序分為4個等級,依次是低等、中等、中高等和高等植被覆蓋區[17]。不同置信度情況下的植被覆蓋度遙感估測分析結果如圖3所示。

圖3 不同置信度下植被覆蓋度遙感估測結果Fig.3 Remote sensing estimation results of vegetation coverage under different confidence levels

同時,對結果圖中不同植被覆蓋度等級中的像元占比進行統計分析,結果如表2所示,像元數量占比分布柱形圖如圖4所示。

表2 不同置信度下估測植被覆蓋度等級中像元占比Table 2 Estimates the proportion of image elements in the vegetation coverage levels under different confidence levels

圖4 不同置信度下像元占比柱形圖Fig.4 Bar graph of the image element occupancy ratio under different confidence levels

根據圖3可知,在不同的置信度條件下得出的結果圖中,圖3(f)中高植被覆蓋區域大幅增加,這與實際情況是不太符合的,而圖3(a)～圖3(e)中植被覆蓋度的分布趨勢大體上是一致的。本次研究選取的是東海縣秋季遙感影像,區域內的農作物趨于成熟,植物葉片面積減小,主要以中高、中等植被覆蓋為主,圖3(a)～圖3(e)與實際情況較吻合。而結合當地的實際情況以及實測樣本數據,圖3(c)～圖3(e)的效果更理想,即置信度取值在2%～10%較好,在本次研究中,置信度為5%時效果最好。區域內主要呈西高、東低的狀態。

同時,由表2和圖4可以看出,隨著置信度取值水平的不斷提高,高植被覆蓋度等級中的像元占比一直在不斷提高,最高達到46.164 7%,中高植被覆蓋度等級中的像元數量比例則逐漸減少,在25%的置信度下有一個小幅回升。中等植被覆蓋度等級中所包含的像元數先不斷增加,在置信度為10%以后開始逐漸減少,而像元數量在低植被覆蓋度等級中不斷上升,在置信度為10%時達到最大為33.880 6%,隨后又開始下降。在不同的置信度取值條件下,覆蓋度等級的像元占比差值最高達50.563 3%,而最低也有14.367 6%,由此數據可以清晰看出,置信度的取值對于植被覆蓋度的分等定級敏感度較高,兩者具有正相關關系,因此在進行植被覆蓋度的估測研究時,不能較為隨意的選取置信區間,需要格外嚴謹。

4 結論

以東海縣2021年11月13日的GF-6衛星數據為數據源,在使用NDVI指數以及像元二分模型的方法下,采用不同置信度取值法來獲取Ssoil和Sveg的值。從而探究植被覆蓋度信息的變化,得出如下主要結論。

(1)東海縣植被覆蓋度主要呈現東低向西高遞增的空間垂直分布變化狀態,從植被像元數量的總體變化趨勢來看,研究區內植被以中高、中等覆蓋為主,且在不同的置信度下,估測出的植被覆蓋度結果具有較大幅度的變化趨勢。當置信度的取值大于10%時,高植被覆蓋度在研究區域內所占的比例顯著增加,這也與秋季研究區范圍內的自然植被正常生長發育狀態嚴重不符。

(2)采用高分六號衛星影像作為數據源,基于像元二分法模型和NDVI指數,對比在不同置信度取值的條件下的植被覆蓋度變化情況,可以得出,置信度的選取需要結合數據的衛星特征、地域特征等,較好效果的置信度為2%～10%,從而表明該置信度的范圍是適合高分六號衛星數據的,故而也為后續利用高分六號衛星提取植被覆蓋度提供有效參考。