基于遥感影像的长春市区植被覆盖度研究★

卢文宇，李 巍

(黑龙江科技大学矿业工程学院，黑龙江 哈尔滨 150022)

1 研究背景

长春是中国吉林省的省会、副省级市、长春城市群核心城市，国务院批复确定的中国东北地区中心城市之一和重要的工业基地。截至2020年，全市下辖7个区、1个县、代管3个县级市，总面积24 662 km2，全国第二次土地调查成果显示，全市总面积24 744 km2。植被覆盖度作为生态因子的非生物因子中影响范围较广，因素较多的因子，可以很好地反映长春市的生态环境状况。因此，综合运用多种理论和方法，采用遥感数据，以遥感与地理信息系统理论为依据，对长春市的植被覆盖度展开计算与评估有很大的必要[1-3]。

2 研究方法

2.1 数据来源

本文所采用数据为长春市2009年—2018年十年间遥感数据与长春市边界矢量数据，遥感数据来源于地理数据云网站(http://www.gscloud.cn/)，根据长春市的条代码28与行编号115进行高级检索，分别搜索Landsat5,Landsat7,Landsat8的数据下载，在ENVI软件中打开MTL格式的数据进行处理。

由于所研究的对象为植被，所以所选数据均处于6月～9月份之间，植被最为茂盛，效果最为明显的时间区间的数据进行研究。而长春边界的矢量数据则是来自全国省市矢量图，利用ArcGIS软件在总图中提取出长春市的边界进行单独构层，形成长春市边界矢量数据。主要数据内容见表1。

表1 数据源信息表

2.2 数据预处理

根据所选传感器类型不同，所得到的遥感数据也不尽相同，而对于不同类型的数据，其预处理过程也有较细微的差别。其中，对于Landsat7的遥感数据，在进行处理之前需要将数据影像进行去条带化处理，这是与Landsat5和Lansat8数据的差别。对于去条带化处理，则需要使用到gapfill插件，选择单一文件以及输出路径即可。

1)辐射定标。

在ENVI中加载原始影像和“sjx.shp”矢量数据，利用Radiometric Calibration工具，定标时需利用“sjx.shp”矢量数据做裁剪，可以在该步骤对所需的感兴趣区域进行裁剪，输出运行结果即可。

2)大气校正。

研究植被覆盖度信息需要真实的太阳光辐射情况，所以进行大气校正是不可回避的问题。

3)影像裁剪。

由于长春市区可由一幅影像表示，所以不需要进行图像融合与镶嵌，直接利用长春市矢量数据对处理后的影像进行裁剪，得出所需范围即可[4-6]。利用Regions of Interest>Subset Data from ROIs工具进行裁剪。裁剪后的图像内黑色显示的区域背景值为0，于是需要忽略背景值。利用Edit ENVI Header>Data Ignore Value工具进行忽略背景值。

2.3 计算归一化植被指数NDVI

由于植被的光谱特征具有其自身独有的特性，不同于土壤、水体和其他的典型地物，所以可在遥感影像上有效地与其他地物相区别[7]。植被反射光谱曲线如图1所示。

在可见光波内，各种色素是影响植物光谱响应的主要因素，其中叶绿素所起的作用尤为重要。正常的波谱曲线:接近可见光绿波段(0.5 μm～0.6 μm)有一个反射峰[8-9]；而该反射峰的两侧，即蓝光波段(0.38 μm～0.5 μm)和红光波段(0.6 μm～0.76 μm)则有两个植物叶绿素的吸收带，形成光谱曲线的两个低反射谷，这一特征是由于植物叶绿素的影响，叶绿素对蓝光和红光吸收作用强，而对绿光反射作用强[10]。第二个反射峰出现在近红外波段(0.76 μm～1.1 μm)，其中0.7 μm～0.8 μm反射率陡峭上升，形成光谱曲线上的“陡坡”。

植被指数多种多样，然而应用广泛且常见的植被指数主要有以下几种：归一化植被指数NDVI，比值植被指数RVI，绿度植被指数GVI，垂直植被指数PVI，环境植被指数EVI[11-13]。其中，归一化植被指数NDVI可以较全面和准确地反映植被信息，其在处理以及计算过程中所受噪声影像较少，且与植被覆盖度的关系更为紧密。

乡土正义的语境复杂性在于，不同正义体系之间的交织、割据与共生，纠纷主体纠缠于不同正义体系之中。当日常生活利益遭遇侵犯，村民难以通过国家制度法规来主张正义[12]。或许，这种张力并非源于结构性的规则—价值体系竞争，亦非法律与社会之间的“系统张力”[13]；而是具有更深层次的社会控制机制层面上的缘由。就此而言，身处纠纷解决场域之中的行动主体，理应获得更多的理论关注。

归一化植被指数(NDVI)是反映农作物长势和营养信息的重要参数之一，同时也是用于监测植被变化的最经典植被指数，众多学者在研究中都对使用NDVI估算植被覆盖度的方法作了检验[14]。NDVI的取值范围介于-1与1之间，具体地表覆盖物与辐射特征如表2所示。

表2 NDVI取值范围特征表

归一化植被指数NDVI是反映土地覆盖状况的一种遥感指标，定义为近红外波段NIR与可见光红波段RED数值差和这两个波段数值和的比值即NDVI=(NIR-RED)/(NIR+RED)[15]。NDVI在植被指数中占据着非常重要的位置，其优势众多，主要有以下几个方面[16]：首先，NDVI作为典型植被指数，其对植被监测非常敏感，灵敏度较高,其次，植被覆盖度的检测范围比较广；最重要的一点是，可以在一定程度上削弱地形和群落结构的阴影以及辐射干扰，消除太阳高度角和大气所带来的噪声，该优势在一定程度上净化了数据，使得最终结果误差较小，更贴近实际监测数据值。

植被覆盖度(Vegetation Fractional Cover,VFC)的定义较为广泛与多样，但对植被覆盖度最为通常的定义是为植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比[17]。

像元二分模型是一种简单实用的遥感估算模型，假设一个像元所对应的地表信息是由两部分组成：将所观测到的信息S线性分解为Sv与Ss两部分[18]，即：

S=Sv+Ss

(1)

假设像元内全为植被覆盖，定义该种情况纯像元的遥感信息为Sveg，则有裸土覆盖存在的像元内即混合像元中植被部分所贡献的信息Sv可以表示为Sveg与N的乘积[19]：

Sv=N×Sveg

(2)

同理，假设像元内全由裸土所覆盖的纯像元的遥感信息为Ssoil，则有植被覆盖存在的混合像元中土壤成分所贡献的信息Ss可以表示为Ssoil与1-N的乘积[20]：

Ss=(1-N)×Ssoil

(3)

将式(2)和式(3)代入式(1)得：

S=N×Sveg+(1-N)×Ssoil

(4)

(5)

将通过遥感传感器所观测到的信息S转变为NDVI，NDVIveg为全植被覆盖像元的NDVI值，NDVIsoil为无植被覆盖的裸土像元的NDVI值，那么，由上述公式可得:

(6)

其中，N为像元中有植被覆盖的面积比例，即植被覆盖度VFC，得到最终求植被覆盖度的公式：

(7)

由此可见，若要求得植被覆盖度的值，确定NDVIsoil与NDVIveg是重要因素。

3 结果分析

3.1 植被覆盖度专题图

2009年—2018年植被覆盖专题图见图2，从图2中可看出，长春在2009年—2018年十年间植被变化程度很大，主要集中在长春中东部地区范围内。首先，2009年—2012年间裸地、低植被覆盖、中植被覆盖以及高植被覆盖面积变化较少，中低植被覆盖面积变化较大，且有增多的趋势，变化主要集中在西南部和西北部内；2012年—2015年间，裸地以及中低植被覆盖面积变化最大，由图像变化可以看出，裸地范围由西南部和西北部为中心向外扩散；2015年—2018年间变化较大，从图像上可知，裸地面积在2015年的基础上又有所增加，且仍从西南部西北部向外扩散，同时，中低植被覆盖度面积在农安区与榆树区的面积有所减少，中高植被覆盖面积有所增加，勃利县范围内的裸地面积有所减少，但变化不大。

纵观2009年—2018年十年间的整体变化，裸地面积整体呈现上升趋势，且有由西南部西北部向外扩散的现象。低植被覆盖面积整体变化不大。而中低植被覆盖度的面积由2009年—2015年逐年增加。中高植被覆盖程度的面积从2009年—2018年明显减少。由四年影像变化可以看出，长春市高植被覆盖范围逐年缩小。整体情况不容乐观。

3.2 转移矩阵数据及分析

得到分级后的植被覆盖度专题图后，利用ENVI软件中的Confusion Matrix Using Ground Truth Image工具进行转移矩阵的制作，四年的影像数据得到了表3～表5。

表3 2009年—2012年土地转移矩阵 km2

表4 2012年—2015年土地转移矩阵 km2

表5 2015年—2018年土地转移矩阵 km2

从以上矩阵中，可以得出以下结论：2009年—2012年间，高植被覆盖土地面积有转入也有转出，但其转出的面积远远大于转入的面积，两者差值高达582.7 km2；在2012年—2015年间，变化最大的为高植被覆盖转化为中植被覆盖的320.5 km2，其次为高植被覆盖转化为中低植被覆盖的108.81 km2，三年间的最大变化均是由高植被覆盖转出，所以高植被覆盖的土地面积从2012年的16 959.75 km2增加为2015年的17 542.44 km2。到2015年—2018年间，上述情况明显有所改善，此期间面积最大的变化是由中植被覆盖转为高植被覆盖的13 730.44 km2，其次是高植被覆盖转出为中植被覆盖的1 311.81 km2，虽然有所改善，但整体情况不容乐观，直至2018年间，高植被覆盖的土地面积为15 620.44 km2，仍远低于2012年的高植被覆盖面积。由表中数据可知，覆盖程度为高植被的土地面积占土地总面积最大，因此其变化值对于整体的结构占比有重要意义，同时，其他覆盖类型的面积变化也可以从侧面反映出长春市的植被覆盖情况，但影响甚微，因此主要分析高植被及中植被覆盖程度的土地面积变化，同时结合四年植被覆盖度专题图的变化，可以得出较精确的结论。

4 结语

针对长春市植被覆盖度总体下降的问题，各有关部门应该对其采取相应的措施，保护自然环境中野生植被的生长，并在植被稀疏地区进行人为的植树造林；对于各类工厂来说，可以转变工厂的经营模式，加强对环境方面的保护意识，实行可持续发展政策，努力提高植被覆盖程度。对于各级管理部门来说，加强对长春市植被的监管制度，采用遥感手段对植被进行定期的监测，对比每期的植被变化情况，可以及时准确地了解植被覆盖度变化信息，迅速有效的对植被产生的各种问题制定解决方案，对植被覆盖度进行实时遥感监测也能在更大程度上为长春市的绿色发展建设提供支持。