干旱区植被覆盖度遥感估算方法研究——以疏勒河中下游平原为例

卫娇娇，弥沛峰，颉耀文　(兰州大学资源环境学院，甘肃兰州 730000)



干旱区植被覆盖度遥感估算方法研究——以疏勒河中下游平原为例

卫娇娇，弥沛峰，颉耀文(兰州大学资源环境学院，甘肃兰州 730000)

植被作为干旱区的重要生态因子，在维持区域生物多样性，保护水土资源、稳固并优化土壤结构、减弱土地荒漠化等方面有着不可替代的作用。植被覆盖度是单位面积上植被地上部分垂直投影面积的比例[1]。它能够较好地表达区域植被的生长状况，是开展干旱区生态调研、评价土地荒漠化程度等工作的基础。估计法、方格法、样方法、数字图像法是植被覆盖度传统的现地测量方法[1]，但这些方法成本高、耗时长，适合在小范围或特定点开展测量工作，具有很大的限制性。遥感技术的发展为在大范围内进行植被覆盖度的监测提供了可能。目前已有研究者总结出多种植被覆盖度估算方法，主要包括植被指数转换、光谱混合模型分解等[2]。干旱区植被稀疏，一些荒漠植被在视觉上不表现为健康植被常见的绿色，以植物红边特征为依据计算得到的一些植被指数即使在荒漠植被覆盖度较高的情况下也会出现较低的值，容易出现误判和误估从而制约了植被指数转换方法在干旱区的估算能力。光谱混合模型着眼于像元内部，通过模型分解，计算得到像元中不同物质成分的组成比例，具有较好的物理意义和较强的可推广性，在植被覆盖度估算上更有优势。常用的光谱混合模型从本质上分为2种：线性光谱混合模型和非线性光谱混合模型。线性光谱混合模型物理意义明确简单，应用较多[3-7]，且大多数基于高光谱遥感影像数据。基于多光谱的Landsat影像，针对干旱区植被覆盖度估算模型的建立以传统的V-I-S(植被—不透水面—土壤)等三、四端元为主[8-11]，应用4种以上端元的研究比较少，不能充分地表达干旱区植被分布的特点且并未提出适用于干旱区的模型。鉴于此，笔者以疏勒河中下游为例，采用Landsat8的OLI多光谱影像，针对干旱区植被在绿洲和荒漠的不同表现形式，通过影像端元分析、实测光谱分析与实地调研相结合的方式，建立不同的端元组合，检验其在光谱混合模型中开展植被覆盖度估算能力的优劣，探索多光谱遥感影像数据下干旱区的植被覆盖度遥感估算方法。

1数据来源与研究方法

1.1研究区概况疏勒河流域地处河西走廊西部，位于94°30′~97°20′E、39°55′~40°34′N，其中分布的县级行政单元包括甘肃省酒泉市的玉门市、瓜州县、敦煌市、肃北蒙古族自治县等。选择位于流域中北部的中下游地区为研究区(图1)，其地貌以冲积平原为主，区内夏季炎热、冬季酷寒，降水较少，蒸发量大，总面积约为1.6万km2。该区以暖温带荒漠植被为主，主要生长半灌木和草类植物，从地域上分为荒漠、草甸、沼泽、农业绿洲4类，是干旱区绿洲与荒漠演替的敏感地带，选择其作为研究区，对研究整个干旱区荒漠绿洲环境和植被状况具有较强的代表性。

1.2数据来源与处理

图1　研究区概况与样方点分布

1.2.1遥感数据来源及处理。使用毗邻的两景Landsat-OLI影像作为植被覆盖度遥感估算的数据源，两景影像的成像时间分别为2013年8月2日和11日。采用分辨率为30 m的可见光(波段1~4)、短波红外(波段5)、近红外(波段6~7)7个波段进行运算。利用ENVI5.0对Landsat-OLI图像进行辐射定标和大气校正，并以具有准确坐标的2005年研究区TM影像为标准，对图像进行精确的几何校正。考虑到提取端元中水体的影响，对研究区内的水体进行掩膜。

1.2.2地面数据获取及处理。2013年7月13~26日进行研究区内的植被覆盖度野外测量工作，共设置了样方点139个，见图1。设置的样方点分布于整个研究区域，并且最大可能地体现了土壤和植被的均质性，能够充分代表疏勒河流域植被的结构特征、植被生长状况等信息。样方大小从1 m×1 m到10 m×10 m不等，植被类型包括草本、灌木、乔木，对每个样方记录经纬度、植被种类、植被总覆盖度、各类型植被覆盖度、景观特征等。鉴于Landsat-OLI影像空间分辨率为30 m，从Google Earth上分别获取139个实测点位的分辨率在1 m左右的高清影像，以GPS实测点位为中心，框选边长为60 m的高清影像，在Photoshop中通过调节RGB、目视识别来获得植被信息，以植被信息像素数量除以所属影像的像素总数来获取该实测点60 m×60 m范围的植被覆盖度。期间以样方实测数据和实测点照片为参考进行了修正，最终确定各实测点的植被覆盖度值。

在野外作业期间，每天10：00~14：00对研究区主要植被种类的冠层光谱进行测量，包括白刺、冰草、柽柳、哈密瓜、蒿草、黑果枸杞等，利用光谱数据处理软件ViewSpecPro对实测的光谱数据进行处理，将处理结果导入ENVI光谱分析模块，建立研究区典型植物光谱库。

1.3研究方法

1.3.1线性光谱混合模型。线性光谱混合模型(linear spectral mixture model, LSMM)假设像元的光谱亮度值是由构成像元的基本组分(端元)光谱亮度值以其占像元面积的比例为权重系数的线性组合[5]。其数学模型如下：

(1)

式中，Rij为第i像元第j波段的光谱反射率；fmi为对应于i像元中第m个端元的比例(丰度值)；rmj为第m个端元在第j波段的光谱反射率；k为像元i所包含的端元数；εij为第i像元第j波段未被分解的部分，即残差。

为了使模型估算的植被覆盖度更加准确可靠，须加入2个限制条件：①各端元面积比例之和为一;②各端元面积比例为非负值。数学模型如下：

(2)

仅满足公式(1)的线性光谱混合模型称为无约束条件的线性光谱混合模型；仅满足公式(2)中第一个约束条件的线性光谱混合模型称为部分约束条件的线性光谱混合模型；同时满足公式(2)中2个约束条件的线性光谱混合模型，称之为全约束条件的线性光谱混合模型(FCLS)。在线性光谱混合模型中，每个像元覆盖区域的植被覆盖度定义为该像元中植被端元占像元总量的百分比，即分解结果中植被端元的丰度值。无约束和部分约束条件的线性光谱混合模型，其结果中植被端元丰度值有小于0或大于1的不合理结果值出现，不能直接用于植被覆盖度的研究，因而该研究采用全约束条件的线性光谱混合模型对研究区植被覆盖度问题进行研究。

1.3.2端元提取。选取合适的端元(组分)是进行线性混合像元分解的关键。端元选取包括确定端元数目以及端元的光谱值。目前常用的端元选择方法有影像端元法、参考端元法、影像端元与参考端元相结合法等[12]。遥感影像成像过程及后续处理存在多种误差，在实验条件下得到的地物真实光谱信息，与遥感影像上相对应的地物光谱信息有较大出入，会造成较大的误差，因此该研究采用从影像上提取端元的方法。

用像元纯净指数(pixel purity index,PPI)法从影像上提取端元，是目前应用最广并被普遍认可的影像端元选取方法[12]。该方法首先对影像进行最小噪声分离变换(MNF)，压缩数据维度并去除波段的相关性；然后选择MNF变换后的前几个主要成分进行PPI指数计算，PPI值越高，该像元被认为是纯像元的可能性就越大，超过某个阈值被认为是候选端元；最后，基于候选端元，通过ENVI5.0中的n维可视化工具人机交互地提取影像端元。

(1)五端元模型。考虑到研究区植被类型较多，传统的三、四端元模型仅用一种端元代表研究区全体植被类型，模型的分解精度会受到影响。因此，利用植被指数对原始影像进行维度扩展。常用的植被指数有RVI、NDVI、SAVI、ARVI、EVI[12]。分别计算这5种植被指数在实测点的值与植被覆盖度实测值的相关关系，其中NDVI、SAVI和EVI 3个指数与实测值间的Pearson相关系数值较高，故以这3个植被指数对原始影像数据进行光谱维度扩展。

将3个植被指数分布图分别做归一化处理，并与原始Landsat-OLI影像的7个波段叠加，形成新的10波段影像，以该影像为基础进行端元提取。首先对影像进行MNF变换，选择MNF变换后的前5个波段，利用PPI指数法提取候选端元，之后在n维可视化工具对候选端元进行旋转，获得稳定不变的5类点群，取各个点群中像元点的光谱均值，获得5条地物的光谱曲线。结合原始影像和高分辨率影像进行目视判断，并与ENVI自带的地物光谱库进行对比分析，最终确定5条光谱曲线分别代表高反射率地物、低反射率地物、裸土、农田植被、荒漠植被5种端元，其光谱曲线见图2。

图2　五端元模型光谱曲线

从图2可以看出，五端元模型的光谱特征差异较大，在一定程度上可以代表不同的地物类型。高反射地物端元的光谱反射率较高，取值范围为0.25~0.50，该类地物主要包括居民地屋顶、硬化道路、云、沙地、盐碱地等；低反射地物端元的光谱反射率最低，低于0.05，明显区别于其他类型端元，该类地物主要为阴影、部分未去除掉的水体、地表含水量较高的土壤等；土壤端元的光谱反射率取值范围为0.1~0.3，曲线走向符合常见的干燥裸土光谱特征，其地物类别主要包括滩涂地、裸土、弃耕的农田等；农田植被的光谱反射率曲线符合健康植被光谱曲线特征，与之相比，新提取的植被端元在外观上不表现为植被常见的绿色，从红光波段到近红外波段，反射率有较大幅度的增加，符合植被的光谱特征，但相较于农田植被，其从可见光到近红外波段的反射率变化幅度较小，因而其归一化植被指数值也相应的较低。该植被端元对应的地物在农田绿洲边缘、荒漠化土地内部大面积存在，其代表了大面积的荒漠植被光谱。

(2)六端元模型。前述的端元模型建立过程中采用了影像端元提取方式，这种端元提取方式遇到的最大问题是，受OLI传感器空间分辨率限于30 m的影响，目标地物的空间覆盖面积可能不足1个像元，因而有可能找不到该地物对应的端元[9]。为了考察前述影像端元对研究区内主要植被类型的代表性，对现地实测的研究区植被光谱特征进行对比分析，研究该区域植被类型特征。

研究区植被类型从光谱特征上可以分为3类：第一类是以农作物、乔木等为代表的人工和天然植被，其光谱特征与五端元模型中的农田植被端元相一致；第二类是以白刺、盐爪爪等为代表的荒漠化植被，其光谱特征与五端元模型中的荒漠植被端元相一致；第三类是以黑果枸杞、梭梭等为代表的荒漠化植被，其光谱特征没有在五端元模型中出现。说明此类荒漠化植被的覆盖度较低，比较容易被其他植被信息掩盖，从影像上难以直接发现和提取其光谱特征。为了提取此类植被的光谱信息，该研究以影像端元和参考端元相结合的方法来建立新的端元模型，即六端元模型。

六端元模型在原有五端元光谱之外加入实测的参考端元，该参考端元的光谱值为与遥感影像准同步的研究区第三类植被光谱的平均值，并将其平均值重采样到OLI影像的7个波段上。在六端元模型中，将原来的荒漠植被端元命名为第一类荒漠植被，新加入的端元命名为第二类荒漠植被。其光谱曲线见图3。

图3　六端元模型光谱曲线

1.3.3混合像元分解。在确定端元数目、类型及光谱特征后，利用全约束条件的线性光谱混合模型(FCLS)对影像进行混合像元分解。目前,没有现成的软件平台可以实现FCLS算法，为此，该研究以IDL语言为开发工具, 通过调用非线性最优化函数IMSL_MINCONGEN，编程实现了FCLS算法的混合像元分解。

2结果与分析

利用全约束的线性光谱混合模型(FCLS)对两种端元模型进行混合像元分解，由于端元模型中的农田植被和荒漠植被同属于植被范畴，因此在计算植被覆盖度时要将2种类型的植被端元丰度值相加。对植被端元丰度值进行提取和计算，得到不同端元模型下的研究区植被覆盖度分布(图4)。从图4可以看出，2种模型的估算结果基本一致，人工耕地区植被覆盖度较高，而在耕地区之外的荒漠区覆盖度较低。实地考察敦煌绿洲与瓜州绿洲之间的荒漠地区以及在疏勒河中游的扇形区域都存在着大面积的荒漠植被，2种模型的估算结果均体现这一特征，符合实际情况。

3精度评价

采用同时期经过处理的139个实测样方点进行精度验证，通过实测值与估算值的相关系数(R)和均方根误差(RMSE)，对2种模型的估算结果进行精度评价，结果见表1。如表1所示，五端元模型的估算值与样方实测值的相关系数R为0.883,均方根误差为13.754 84，六端元模型的相关系数R为0.862，均方根误差为14.920 63。从整体上看，2种端元模型模拟的精度都比较高，其中五端元模型略优于六端元模型。

表1　不同端元模型植被覆盖度估算值与实测值的回归参数

干旱区内存在大面积的荒漠区，植被覆盖度作为反映了该区域内植被生长状况的重要参数，在监测和评估整个干旱区的生态环境方面起着关键作用，因此选择139个实测点中的84个荒漠样方点对2种模型的估算结果进行精度评价，在估算值与实测值散点图上画出参考线(y=x)，用以表现不同模型估算值与实测值间的吻合度(图5)。在理想情况下，散点应该紧密的分布在参考线的两侧，与参考线偏离的越大，表明估算结果的准确性越差。

图4　不同端元模型下的植被覆盖度分布

从图5可以看出，在荒漠区2种端元模型结果的散点与参考线偏离程度都比较小，且均匀分布于参考线两侧，估算结果均接近与实测值。但对比分析可以看出，在荒漠区六端元模型的估测值与样方实测值的相关系数明显高于五端元模型。因此，在荒漠地区六端元模型明显优于五端元模型。

4结论

中等分辨率的Landsat遥感影像是开展区域研究时广泛使用的数据源，干旱绿洲区除少量分布的人工绿洲外，还分布着面积广泛的荒漠植被，存在大量混合像元。利用光谱混合模型对植被覆盖度估算问题进行描述，深入像元内部以提高估算精度，是进行干旱区植被覆盖度遥感估算的重要思路。该研究分别基于以高分辨率地物、低分辨率地物、裸土、农田植被、荒漠植被为组分的五端元模型及考虑实测植被光谱数据后的进一步将植被分为农田植被、荒漠一类植被、荒漠二类植被为组分的六端元模型，通过全约束的线性光谱混合模型，计算干旱区的植被覆盖度，并以同时期的样方实测点数据进行验证。结果表明，总体上讲2种端元模型的估算结果基本一致，均符合研究区域的植被分布特征，五端元模型直接以影像端元选择为主，无需野外实测，节约了人力、物力，模型简单，易于推广，适用于干旱区大面积的植被覆盖度检测。六端元模型在荒漠化植被大面积分布的地区模拟的结果明显优于五端元模型，这说明对干旱区植被实测光谱

图5　不同端元模型荒漠区植被覆盖度估算值与实测值散点

值进行分析，将实测光谱值引入端元模型，进行植被覆盖度的模拟可以提高模型精度；但是这种方法需实测植被光谱值，需要大量的人力、物力，推广性较差。

参考文献

[1] 邢著荣,冯幼贵,杨贵军,等.基于遥感的植被覆盖度估算方法述评[J].遥感技术与应用,2009,24(6)：849-854.

[2] 顾祝军,曾志远.遥感植被盖度研究[J].水土保持研究,2005,12(2):18-21.

[3] ELMORE A J,MUSTARD J F,MANNING S J,et al.Quantifying vegetation change in semiarid environments:Precision and accuracy of spectral mixture analysis and the normalized difference vegetation index[J].Remote sensing of environment,2004,73(1):87-102.

[4] XIAO J,MOODY A.A comparison of methods for estimating fractional green vegetation cover within adesert-to-upland transition zone in central New Mexico,USA[J].Remote sensing of environment,2005,98(23):237-250.

[5] 樊风雷.基于线性光谱混合模型(LSMM)的两种不同端元值选取方法应用与评价:以广州市为例[J].遥感技术与应用,2008,23(3):272-277.

[6] 黄艳妮,查良松,陈健.基于线性光谱混合模型的混合像元分解研究:以合肥市为例[J].安徽师范大学学报(自然科学版),2012(3):258-263.

[7] 崔天翔,宫兆宁,赵文吉,等.不同端元模型下湿地植被覆盖度的提取方法:以北京市野鸭湖湿地自然保护区为例[J].生态学报,2013,33(4):1160-1171.

[8] CHEN W,SAKAI T,MORIYA K.Estimation of vegetation coverage in Semi-arid Sandy Land based on multivariate statistical modeling using remote sensing data[J].Environ model assess,2013,18(5)：547-558.

[9] 李向婷,白洁,李光录,等.新疆荒漠稀疏植被覆盖度信息遥感提取方法比较[J].干旱区地理,2013,36(6):502-511.

[10] 廖春华,张显峰,刘羽.基于多端元光谱分解的干旱区植被覆盖度遥感反演[J].应用生态学报,2012,23(12):3243-3249.

[11] 徐娜,丁建丽,刘海霞.基于NDVI和LSMM的干旱区植被信息提取研究：以新疆吐鲁番市为例[J].测绘与空间地理信息,2012,35(7):52-57.

[12] 李素,李文正,周建军,等.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学,2007,23(5):35-42.

摘要以西北地区典型的干旱区——疏勒河中下游地区为研究区，利用植被指数(NDVI、SAVI、EVI)对原始Landsat-OLI影像进行了维度扩展，构建了以高反射率、低反射率、裸土、农田植被、荒漠植被为组分的五端元模型。之后对实测植被光谱值进行分析，将实测植被光谱值引入到端元模型中，进一步构建了将植被分为农田植被、第一类荒漠植被和第二类荒漠植被的六端元模型，基于全约束的线性光谱混合模型进行混合像元分解以获取研究区的植被覆盖度。采用同时期的实测植被覆盖度值进行精度验证，结果表明：2种端元模型的模拟结果均符合研究区植被覆盖度的分布特征，虽然总体上五端元模型的估算略优于六端元模型，但是在存在大面积荒漠植被的区域，六端元模型的估算结果与实测数据的相关系数明显优于五端元模型。因此，对干旱区植被实测光谱值进行分析，将实测光谱值引入端元模型，进行植被覆盖度研究可以提高荒漠植被覆盖度的估算精度，具有一定的应用前景。

关键词疏勒河流域；植被覆盖度；线性光谱混合模型；遥感估算

Study on the Methods of Vegetation Coverage Remote Sensing Estimation in Desert Oasis—A Case Study of Middle and Lower Reaches Plain in Shule River

WEI Jiao-jiao, MI Pei-feng, XIE Yao-wen(College of Earth & Environmental Sciences, Lanzhou University, Lanzhou, Gansu 730000)

AbstractTaking the middle and lower reaches of Shule River as the study area located in the northwest of China, vegetation coverage was estimated using Landsat-OLI image through a Liner Spectal Mixture Model. At the first, the vegetation indexes (NDVI/SAVI/EVI) were included along with the seven reflective bands of Landsat OLI image which extended the dimensionality of the Landsat OLI image and allowed the use of five-endmember model which consists high resolution terrain, low resolution features, bare soil, farmland vegetation and desert vegetation was used to estimate vegetation coverage as the model component. Considering the measured spectral of all vegetation types, the vegetation endmember was divided into farmland vegetation and the first desert vegetation and the second desert vegetation. A fully constrained LSMM algorithm was used to obtain the vegetation coverage. The measured vegetation coverage was used to verify the accuracy of the estimation results. The results showed that: Although the two models are in line with the distribution characteristics of vegetation coverage, the correlation coefficient in five terminal element model estimation results and the measured data, significantly better than the fiver terminal element mode in the estimation of regional desert vegetation area. Therefore, the mixed pixel decomposition using six terminal element model has certain application prospectuses in arid area.

Key wordsShule River basin; Vegetation cover; LSMM; Remote sensing estimates

收稿日期2015-10-14

作者简介卫娇娇(1990-)，女，山西临汾人，硕士研究生，研究方向：生态环境遥感。

基金项目国家自然科学基金项目(41471163)。

中图分类号S 127

文献标识码A

文章编号0517-6611(2015)32-385-04