基于-遙感影像的土地利用覆被數(shù)據(jù)獲取

基于-遙感影像的土地利用覆被數(shù)據(jù)獲取

1在森林測量、光學(xué)儀器測定法上的應(yīng)用葉面積指數(shù)（lai）是單位表面總?cè)~面積的一半它是生態(tài)系統(tǒng)最重要的結(jié)構(gòu)參數(shù)之一，也是生態(tài)、水文、物質(zhì)循環(huán)和能量交換等模型的重要輸入?yún)?shù)。因此，如何快速準(zhǔn)確地確定區(qū)域乃至全球植被的數(shù)量，對于生態(tài)系統(tǒng)的研究非常重要，也是當(dāng)前定量遙感的一個重要課題。目前,獲取LAI的方法大致可以分為直接獲取法和間接獲取法。直接獲取法最為準(zhǔn)確可靠,但大多需要破壞性采樣,對于森林尤其費時費力,難以實現(xiàn),因此只能用于小范圍的測量。而將遙感數(shù)據(jù)與地面光學(xué)儀器測定法相結(jié)合成為估測大面積森林LAI的唯一途徑［５－６］。遙感反演LAI的方法可分為物理模型與經(jīng)驗?zāi)Ｐ?前者物理意義明確,但存在模型輸入?yún)?shù)多且不易獲取、計算量大、耗時長等不足;而經(jīng)驗?zāi)Ｐ突诠庾V信息或植被指數(shù)與LAI的統(tǒng)計關(guān)系,雖然存在模型參數(shù)隨時間和地點而變化的缺陷,但具有高效、易于實現(xiàn)等優(yōu)點,更適于遙感影像大范圍估算植被LAI［７－８］。當(dāng)前為了滿足不同需求構(gòu)建了很多植被指數(shù),但存在土壤背景及大氣效應(yīng)對其影響,易飽和或忽略地物二向性反射等缺陷［９－１１］,并且由于森林垂直與水平結(jié)構(gòu)的復(fù)雜性與異質(zhì)性,其特征參量僅依靠某個植被指數(shù)往往很難準(zhǔn)確獲取。因此,本文以長白山腹地———吉林省安圖縣為研究區(qū),基于TM遙感影像6個波段反射率及RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10個植被指數(shù),并輔助DEM、AS-PECT、SLOPE等地形信息,同時考慮針葉林、闊葉林及針闊混交林的差異性,對比分析多元線性回歸方法(MLR)與偏最小二乘法(PLS)的模擬效果,從而構(gòu)建了適用于區(qū)域尺度的森林葉面積指數(shù)遙感反演模型。2材料和方法2.1陰山南部山東北部山地長白山林區(qū)是我國重要的森林儲備庫,是世界上森林景觀保存最完整、生長最良好的溫帶原始森林生態(tài)系統(tǒng)之一。而本文以長白山北坡吉林省安圖縣為研究區(qū),地理位置為127°48′~129°11′E,42°01′~43°24′N,屬于受季風(fēng)影響的大陸性山地氣候,氣候受地勢高低影響大,冬季漫長寒冷,夏季較短,溫暖濕潤。安圖縣地處長白山北麓,境內(nèi)群山起伏,溝壑縱橫,長白山脈由南向北延伸,使全縣地勢呈現(xiàn)南高北低、東高西低、南北長而東西窄的特點。全縣總面積74.58萬hm２,其中林地面積占62.53萬hm２,森林覆蓋率達(dá)83.8%。該區(qū)域植物種類繁多,結(jié)構(gòu)復(fù)雜,北部主要是落葉闊葉林,南部主要是針葉林及針闊混交林,分布于廣大山地和丘陵地帶,但由于人們的各類活動,現(xiàn)今多為天然次生林。針葉樹主要有紅松(Pinuskoraiensis)、云杉(Piceakoraiensis)、臭松(Abiesnephrolepis)和長白落葉松(LarixolgensisHenry),闊葉樹多為紫椴(Tiliaamurensis)、蒙古櫟(Quercusmongolica)、水曲柳(Fraxinusmandschurica)、黃菠蘿(Phellodendronamurense)、大青楊(Populusussuriensis)、楓樺(Betulacostata)、色木槭(Acermono)和白樺(Betu-laplatyphylla)等。2.2森林樣地調(diào)查野外樣地設(shè)置應(yīng)盡量涉及所有的森林生態(tài)系統(tǒng)類型,本研究于2011年8月植被最旺盛節(jié)點歷時20余天,共開展了兩次野外樣地調(diào)查實驗,對研究區(qū)各森林類型結(jié)構(gòu)參數(shù)及生理信息進(jìn)行了廣泛而細(xì)致的調(diào)查,囊括了落葉闊葉林、針闊混交林、落葉針葉林以及常綠針葉林,并根據(jù)研究需要按針葉林、闊葉林及針闊混交林3種類型進(jìn)行分析。兩次野外調(diào)查共采集了60個森林樣地信息,其中針葉林16個、闊葉林24個、針闊混交林20個。樣地調(diào)查內(nèi)容主要包括GPS經(jīng)緯度、群落類型、海拔、坡度、坡向、干擾狀況、郁閉度、葉面積指數(shù)等,并對樣地內(nèi)胸徑大于5cm的喬木逐木檢尺,內(nèi)容包括樹種、胸徑、樹高、林齡等。樣地的大小為100m×100m,相當(dāng)于TM多光譜影像3×3個像元,在每個樣方內(nèi)利用TRAC沿不同線路對葉面積指數(shù)進(jìn)行測量,并以這些測量的平均值作為該樣地的葉面積指數(shù)值。2.3遙感數(shù)據(jù)處理2.3.1地物的光譜信息在遙感影像數(shù)據(jù)的分析和應(yīng)用中,特別是定量遙感方面,地物的光譜信息是定量計算的一個重要依據(jù)。然而,影像中的光譜信息受多種因素影響,諸如地形效應(yīng)、大氣效應(yīng)等。特別是在地形起伏較大地區(qū),地形影響尤為突出,像元所接收到的有效光照可能存在較大的差別,導(dǎo)致相同的地物卻有著不一樣的光譜信息,嚴(yán)重影響遙感影像的信息提取精度［１２－１３］。下載獲取2010年9月8日覆蓋研究區(qū)兩景LandsatTM多光譜數(shù)據(jù),并結(jié)合GDEM高程及地形圖等輔助數(shù)據(jù),依次進(jìn)行輻射校正、大氣校正、正射校正與幾何精校正等預(yù)處理,消除大氣及地形等因素造成的影響,獲取地表反射率數(shù)據(jù)。本研究采用ENVI4.8自帶的FLAASH大氣校正模塊(基于改進(jìn)的MOR-TRAN4+輻射傳輸模型)進(jìn)行校正,有效地改善了地物的光譜信息;并在ERDASImagine9.1中利用GDEM高程信息及地面控制點進(jìn)行正射校正與幾何精校正,校正后RMS殘差均值為0.52個像元,最后生成研究區(qū)地表反射率圖像。2.3.2土地覆蓋分類內(nèi)容分析準(zhǔn)確的土地利用/覆蓋類型信息對于地表參數(shù)區(qū)域遙感估算起著關(guān)鍵性的作用。eCognition軟件采用多尺度對象分割方法生成圖像對象,提高了分類信息的信噪比,并且基于對象的分類技術(shù)還包含了許多可用于分類的一些其他特征如形狀、紋理、相互關(guān)系、上下關(guān)系等,同時考慮將基于樣點和知識的監(jiān)督分類以及人工修改相結(jié)合,相對傳統(tǒng)基于像素的圖像分類方法解譯精度更高［１４－１５］。本研究參照中國科學(xué)院碳專項“基于生態(tài)特征的土地覆蓋分類系統(tǒng)”,基于校正后的TM數(shù)據(jù),利用eCognition面向?qū)ο蠓诸愃惴ǐ@取研究區(qū)土地覆蓋信息,共分成落葉闊葉林、落葉針葉林、常綠針葉林、針闊混交林、落葉闊葉灌木林、旱地、水田、灌叢濕地、草本濕地、草甸、河流、湖泊、水庫/坑塘、交通用地、居住地、苔蘚/地衣、裸巖等17個二級類,經(jīng)驗證,精度達(dá)92%;并根據(jù)研究需要,進(jìn)一步分為針葉林、闊葉林、針闊混交林及非林地,解譯結(jié)果如圖1所示。由ArcGIS空間統(tǒng)計分析可知,針葉林占7.8%,闊葉林占60.4%,針闊混交林占15.5%,其余各覆蓋類型等共占16.3%。2.3.3森林葉面積指數(shù)建模植被指數(shù)是指對遙感數(shù)據(jù)經(jīng)線性與非線性組合而構(gòu)成的對植被信息有一定增強(qiáng)意義的光譜參數(shù)。本研究結(jié)合前人經(jīng)驗及LandsatTM數(shù)據(jù)特點,共選用了RVI、NDVI、SLAVI、EVI、VII、MSR、ND-VIc、BI、GVI和WI10種植被指數(shù)作為森林葉面積指數(shù)建模的參量,各植被指數(shù)詳細(xì)說明及來源見表1。公式中的b１…b７代表的是TM數(shù)據(jù)的波段號,本研究中b５ｍａｘ與b５ｍｉｎ分別取距離該波段反射率最大值與最小值1%位置處的值［２４］。2.3.4基于3gem的空間分析研究區(qū)數(shù)字高程GDEM數(shù)據(jù)(http://datamir-/index.jsp)空間分辨率為30m,基于GDEM在ArcGIS平臺下利用空間分析模塊計算生成坡向圖與坡度圖。2.4葉面積指數(shù)與單因素模型構(gòu)建依據(jù)實測森林樣地中心點位置信息,對校正后的TM各個波段、選取的RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10個植被指數(shù)以及輔助的海拔、坡向、坡度3個地形指數(shù)等共19個因子提取相對應(yīng)的3×3個像元的平均值,利用SPSS軟件與實測葉面積指數(shù)進(jìn)行相關(guān)性分析。不同于草地與農(nóng)田,對于復(fù)雜的森林植被,首先分析葉面積指數(shù)與單一指標(biāo)建立遙感反演模型的可行性;在單一指標(biāo)建模效果較差的情況下,再嘗試采用多元線性回歸方法建立多元模型,同時探討引入地形指數(shù)能否改善模型的反演效果;而后基于相同參量,利用偏最小二乘回歸方法構(gòu)建模型,選擇效果最佳的模型留作該森林類型LAI反演之用。本研究分別獲取野外樣地調(diào)查數(shù)據(jù)針葉林16個,闊葉林24個,針闊混交林20個,將各森林類型數(shù)據(jù)均按照3∶1分作建模集與驗證集。對于模型的預(yù)測效果采用可決系數(shù)R２,與均方根誤差RMSE兩個評價指標(biāo)進(jìn)行檢驗:3結(jié)果與分析3.1主要指標(biāo)相關(guān)分析表2所示為各森林類型葉面積指數(shù)與相應(yīng)光譜參數(shù)及地形因子的相關(guān)性分析結(jié)果。對針葉林而言,各植被指數(shù)及單波段中的中紅外b５、近紅外b４及藍(lán)波段b１都呈現(xiàn)出較好的相關(guān)性,且相關(guān)系數(shù)均大于0.5,植被指數(shù)中相關(guān)性最好的為有效葉面積指數(shù)SLAVI,各地形因子也呈現(xiàn)出一定的相關(guān)性;對闊葉林而言,所有的指標(biāo)因子與葉面積指數(shù)相關(guān)性都很小,除藍(lán)波段b１外,相關(guān)系數(shù)均小于0.4,植被指數(shù)中以經(jīng)K-T變換后生成的亮度分量BI及中紅外校正的比值植被指數(shù)MSR相關(guān)性較好;對針闊混交林而言,除歸一化植被指數(shù)NDVI、三波段模型VII及紅波段b３相關(guān)系數(shù)略大于0.4外,其余各指標(biāo)與樣地葉面積指數(shù)的相關(guān)性都較弱。綜上可以看出,雖然考慮了包括原始光譜、植被指數(shù)及地形因子在內(nèi)的共19項指標(biāo),各相關(guān)系數(shù)對于建模反演仍嚴(yán)重偏低,單一的指標(biāo)因子很難準(zhǔn)確估測森林葉面積指數(shù)。3.2森林類型葉面積指數(shù)回歸模型的建立及驗證基于利用單一指數(shù)因子難以準(zhǔn)確反演森林LAI的問題,本研究考慮融合各因子特點,采用多元線性回歸方法進(jìn)行建模,同時探討引入地形指數(shù)前后能否改善模型的反演效果;而后基于相同參量,利用偏最小二乘回歸方法構(gòu)建模型。偏最小二乘法考慮自變量集與因變量整體的關(guān)聯(lián)關(guān)系,基于尋找自變量集和因變量的最大相關(guān)為目的抽取自變量的主要成分,從而能夠在自變量集與因變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模［２５－２６］。表3詳細(xì)列出了針葉林、闊葉林及針闊混交林3種森林類型葉面積指數(shù)遙感反演最佳模型的構(gòu)建及驗證。從表3中可以看出,基于多元線性回歸方法建立的模型能夠較好地模擬各森林類型葉面積指數(shù)的反演精度,以針葉林的估算效果最佳,獨立驗證R２與RMSE可達(dá)0.791和0.945,其次是闊葉林(R２=0.639,RMSE=1.110)和針闊混交林(R２=0.357,RMSE=0.911),這恰恰也說明了森林群落組成越復(fù)雜,越難準(zhǔn)確把握垂直結(jié)構(gòu)特征,這與董立新等［２７］在三峽庫區(qū)的研究相一致;同時可發(fā)現(xiàn),無論針葉林、闊葉林還是針闊混交林,獨立驗證R２與RMSE都表明引入地形指數(shù)后,顯著降低了模型的預(yù)測精度。圖2比較了各森林類型葉面積指數(shù)實測值與估算值的關(guān)系。由圖可知,針葉林LAI較為集中地分布在1∶1對角線兩側(cè),在LAI較大時有一定程度的高估;闊葉林LAI值分布較為均勻,較為密集地分布在對角線兩側(cè),但當(dāng)LAI值較大時偏差較大;而針闊混交林LAI值分布較集中,高估現(xiàn)象較為嚴(yán)重。在利用PLS方法對各森林類型葉面積指數(shù)進(jìn)行回歸模擬時,需要設(shè)置不同的潛在因子數(shù)量。分析表明,當(dāng)針葉林、闊葉林及針闊混交林潛在因子量分別超過10個、8個和13個時,其解譯能力呈現(xiàn)下降趨勢。因此依據(jù)該拐點潛在因子量數(shù)分別構(gòu)建PLS模型,如表3所示;并通過模型預(yù)測值與實測值之間的散點圖(圖3)與基于多元線性回歸模型模擬效果進(jìn)行對比。可以發(fā)現(xiàn),針葉林R２雖未有明顯提高,但是模型的RMSE有顯著的降低;闊葉林的整體估算效果都有較大的改善,R２與RMSE分別為0.795和0.786,同時PLS抑制了基于多元線性回歸的LAI值較大時偏差較大的問題;對針闊混交林而言,雖然模型仍存在高估的現(xiàn)象,但估算效果也有很好的提高。總體而言,基于PLS建立的各森林類型LAI反演模型相對多元線性回歸方法均有一定的改善,能夠更好地把握森林LAI動態(tài)變化。3.3葉面積指數(shù)分布基于上述選擇出的針葉林、闊葉林及針闊混交林LAI最佳遙感反演模型,并結(jié)合研究區(qū)森林覆被信息分別計算再通過空間疊加獲取研究區(qū)森林葉面積指數(shù)分布圖,如圖4所示。從圖中可以看出,安圖縣南部的森林葉面積指數(shù)明顯高于中部及北部地區(qū)。同時,安圖縣南部也是長白山自然保護(hù)區(qū)的保護(hù)范圍,森林植被生長較好。將研究區(qū)森林葉面積指數(shù)以2為步長共分為5級,空間統(tǒng)計分析可知,0~2、2~4、4~6、6~8及8~10所占比例分別為16.7%、29.1%、31.4%、17.2%和5.6%,整個研究區(qū)森林葉面積指數(shù)均值為4.27。4定量遙感反演的前提與意義(1)本研究以面向?qū)ο蠓诸愃惴ǐ@取的森林覆被信息為本底數(shù)據(jù),對比了應(yīng)用多元線性回歸和偏最小二乘回歸方法進(jìn)行針葉林、闊葉林及針闊混交林葉面積指數(shù)遙感反演的效果。研究表明偏最小二乘回歸分析可以更好地把握森林葉面積指數(shù)的變化趨勢,反演精度較高。而本研究也存在一定的問題,即研究區(qū)2011年野外采樣時期由于云覆蓋,沒有較好的遙感影像相匹配,因此考慮到對森林而言變化不是很大,本研究才選用了同時期2010年的遙感數(shù)據(jù)進(jìn)行研究分析。同時為了盡可能減少大氣效應(yīng)對遙感影像數(shù)據(jù)的影響,本研究基于FLAASH大氣校正模塊(基于改進(jìn)的M