遙感監(jiān)測在植被覆蓋度監(jiān)測中的應用

遙感監(jiān)測在植被覆蓋度監(jiān)測中的應用

0植被覆蓋度與地表及遙感監(jiān)測的關系植被覆蓋率通常定義為觀測區(qū)域內(nèi)垂直植被投影面積占面積的比例。這不僅是一個重要的指標，也是反映生態(tài)環(huán)境變化的重要指標之一。在模擬地表植被蒸騰、土壤水分蒸發(fā)及植被光合作用等過程時,植被蓋度是一個重要的控制因子。植被覆蓋也是控制土壤侵蝕的關鍵因素,已有觀測試驗和研究顯示,在其它條件一定時,侵蝕量與植被覆蓋度具有顯著的負相關關系。傳統(tǒng)的地表實測法獲取的是點上的植被覆蓋度,有目估法、正方形視點框架法、陰影法(Meter-stick)、點測法、網(wǎng)格法、空間定量計法SQS(SpatialQuantumSensor)、移動光量計法TQS(TraversingQuantumSell)和照相法等。然而,植被覆蓋具有明顯的時空變異特性,地表實測獲取的是點上的數(shù)據(jù),很難在較大的空間尺度上進行動態(tài)測量。遙感監(jiān)測是獲取區(qū)域植被覆蓋度的重要手段,越來越多的研究機構和人員開始借用遙感技術進行有關地面特征等方面的研究。由于傳感器的空間分辨率、光譜分辨率和時相特征各不相同,遙感影像能夠提供反映不同空間尺度上的植被覆蓋信息及其變化趨勢,快捷方便,已經(jīng)成為估算區(qū)域植被覆蓋度的主要技術手段。本文旨在針對基于遙感影像的植被覆蓋度估算方法進行分析探討。1基于植物指數(shù)的估計方法1.1多譜分析技術綠色植物具有一系列特有的光譜響應特征,綠葉中的葉綠素在0.5～0.7μm的可見光波段有2個強吸收谷,反射率一般小于20%;但在0.7～1.3μm的近紅外波段,由于葉肉海綿組織結構中有許多空腔,具有很大的反射表面,反射率較高。植被指數(shù)是根據(jù)植被反射波段的特性,由遙感傳感器獲取的多光譜數(shù)據(jù)經(jīng)線性和非線性組合計算出來的各種數(shù)值,對植被覆蓋具有一定的指示意義,一般選用強吸收的可見光紅波段和強反射的近紅外波段組合計算。不同波段的光譜數(shù)據(jù)以一定的形式組合成一個參數(shù)時,該參數(shù)與植被覆蓋度、葉面積指數(shù)等的關系比單一波段光譜值更穩(wěn)定可靠,對探測植被覆蓋、生物量等靈敏性更高。迄今,國內(nèi)外學者已經(jīng)研究發(fā)展了幾十種不同的植被指數(shù),按發(fā)展階段大致可分為3類:第一類是直接基于波段的線性組合(差或和)或原始波段的比值(如RVI等)構成;第二類大都是基于物理知識,盡量剔除大氣環(huán)境、土壤背景等影響因子,將原植被指數(shù)不斷改進發(fā)展而來的(如PVI、SAVI、MSAVI、TSAVI、ARVI、GEMI、NDVI等);第三類是針對高光譜遙感及熱紅外遙感而發(fā)展的植被指數(shù)。1.2估計方法1.2.1研究區(qū)域的確定即首先根據(jù)樣點建立地表實測植被覆蓋度與遙感信息之間的估算模型,然后將該模型推廣到整個研究區(qū)域,計算植被蓋度。該方法的特點是對特定區(qū)域的地表實測數(shù)據(jù)具有依賴性,當研究區(qū)域較小時,測量結果具有一定的精度,而當研究區(qū)較大時,精度就會明顯降低,一個地區(qū)研究得出的經(jīng)驗模型難以在其它地區(qū)直接推廣應用。根據(jù)回歸方法的不同,經(jīng)驗模型法可細分為線性回歸模型和非線性回歸模型。(1)植被覆蓋度與植被指數(shù)關系在其研究中,一部分是建立遙感數(shù)據(jù)的直接光譜信息與植被覆蓋度之間的關系模型。Graetz等基于MSS5波段,用線性回歸的方法估計了澳大利亞南部半干旱地區(qū)不同區(qū)域的植被覆蓋度,簡單線形回歸方程的2個參數(shù)因區(qū)域的不同而有所不同;Shoshany等在密西西比河與干旱生態(tài)系統(tǒng)之間的氣候突變區(qū)域,運用TM遙感前4個波段的直接光譜信息,建立了估算植被覆蓋度的多元線性模型,模型相關系數(shù)達到了0.88,并認為這種模型適合存在很大氣候梯度的區(qū)域。在線性回歸模型研究中,大多數(shù)建立的是植被覆蓋度與植被指數(shù)之間的關系模型。Eastwood等基于SE-590分光輻射度計測得的數(shù)據(jù),計算了5種植被指數(shù)(ARVI、ASVI、GEMI、MSAVI與NDVI),并與植被覆蓋度進行了線性回歸分析,其相關系數(shù)都大于0.7,但敏感度分析結果表明,植被指數(shù)MSAVI和GEMI有很高的信噪比,適宜于鹽沼植被蓋度的估測;Gitelson等采用MODIS數(shù)據(jù)建立了以色列小麥地植被覆蓋度與可見光植被指數(shù)VARI(VisibleAtmosphericallyResistantIndex)的線形關系模型,且估計誤差不超過10%。我國的線形回歸模型法估算植被覆蓋度大都是基于植被指數(shù)進行的。池宏康通過分析沙地反射機理,建立了鄂爾多斯高原地區(qū)沙地油蒿群落蓋度與修正后的土壤調(diào)節(jié)植被指數(shù)(MSAVI)之間的線性關系模型。由于遙感影像幾何配準誤差、地面采樣大小與像元大小不一致以及像元的非均質性等原因,精確建立植被蓋度的實測值與像元值之間的統(tǒng)計關系比較困難。查勇在環(huán)青海湖地區(qū)研究時,首先以地面遙感的反演結果為基礎,利用式(1)對TM影像進行校準,即IX=(MX-Mmin)(Imax-Imin)/(Mmax-Mmin)+Imin(1)式中,I為影像值;M為實測光譜值。然后建立了草地實測植被覆蓋與校準的NDVI之間的相互關系,實現(xiàn)了從地面遙感到空中遙感的轉變,取得了良好的效果。(2)生物覆蓋度模型植被覆蓋度與遙感信息之間表現(xiàn)出來的不一定都是線形關系。Dymond等在新西蘭地區(qū)用SPOT影像建立了植被覆蓋度與NDVI的非線性形式的模型,即C=50tanh[6.1(NDVI-0.22)]+50(2)式中,tanh(x)=[exp(x)-exp(-x)]/[exp(x)+exp(-x)],并利用該模型估計了新西蘭地區(qū)的植被覆蓋度。Purevdorj等則利用NOAA/AVHRR資料,分別建立了植被覆蓋度與4個植被指數(shù)(NDVI,SAVI,TSAVI,MSAVI)的二次函數(shù)形式的回歸方程,結果表明植被覆蓋度與NDVI及TSAVI相關性最好,且在植被覆蓋度較低時,TSAVI更好一些,而SAVI適合估算稀疏草地的植被覆蓋度。1.2.2重新定義ndvi該方法是通過對影像中植被類型及分布特征的分析,直接用植被指數(shù)分級統(tǒng)計結果來近似估算植被蓋度的方法。該方法不需要建立回歸模型,所用的植被指數(shù)一般都通過驗證與覆蓋度具有良好的相關關系。Mohammad等在敘利亞地區(qū)計算了SPOT影像的原NDVI值,然后重新定義一個新NDVI值[(NDVI原+0.5)×255],最后根據(jù)新NDVI的大小來進行分類:當NDVI<5時,植被覆蓋度為0,無明顯植被;當5<NDVI<50時,植被覆蓋度很低,為20%;當50<NDVI<100時,植被覆蓋度較低,為40%;當100<NDVI<150時,植被覆蓋度中等,為60%;當150<NDVI<200時,屬高植被覆蓋度,為80%;當200<NDVI<250時,植被覆蓋度為100%。楊勝天等在南水北調(diào)西線調(diào)水區(qū)內(nèi)選擇不同植被覆蓋度的樣區(qū)進行統(tǒng)計分析,按照樣區(qū)統(tǒng)計特征值將全區(qū)的NDVI分級,進而根據(jù)分級數(shù)據(jù)得出分析區(qū)域的植被覆蓋圖,最后將全區(qū)分為4個植被覆蓋類型區(qū)(植被覆蓋面積大于75%的高覆蓋度區(qū),60%～75%的中高覆蓋度區(qū),45%～60%的中覆蓋度區(qū)和小于45%的低覆蓋度區(qū))。1.2.3像元相覆蓋度的估算遙感影像中混合像元普遍存在,尤其是地物分布比較復雜的區(qū)域。像元分解模型法認為圖像中的一個像元實際上可能由多個組分構成,每個組分對遙感傳感器所觀測到的信息都有貢獻,因此可建立像元分解模型,并以此模型估算植被覆蓋度?；旌舷裨纸饽Ｐ桶丛聿煌饕芯€性模型、概率模型、幾何光學模型、隨機幾何模型和模糊分析模型5種。線性模型是最常用的混合像元分解模型,假定像元信息為各組分信息的線性合成,即每一個光譜波段中單一像元的反射值表示為它的端元組分(混合像元的各個分解組分)特征反射值與它們各自豐度(百分數(shù))的線性組合。馬超飛等采用ETM影像,選取植被、陰影、云、裸露土壤、積雪和耕地為端元,經(jīng)線性光譜分解,產(chǎn)生6種土地覆蓋類型的豐度圖像。Quarmby等利用AVHRR數(shù)據(jù)建立了線性混合像元分解模型,并估算了作物覆蓋度。線性模型中又以像元二分模型最常見,它假定通過遙感傳感器所觀測到的信息可以表達為由綠色植被部分所貢獻的信息和由無植被覆蓋(裸土)部分所貢獻的信息兩部分組成。像元二分模型估算植被覆蓋度時多采用NDVI數(shù)據(jù),此時植被覆蓋度Fc的估算公式為Fc=(NDVI-NDVIsoil)/NDVIveg-NDVIsoil)(3)式中,NDVI為影像中各像元的NDVI值;NDVIsoil為全裸土覆蓋區(qū)域的NDVI值;NDVIveg為純植被覆蓋像元的NDVI值。從中可以看出,NDVIsoil和NDVIveg的確定是關鍵,將直接影響到植被覆蓋度估算結果。孫久虎等利用像元二分模型估算了北運河地區(qū)的植被覆蓋度,以圖像中的最小NDVI值作為NDVIsoil,而最大NDVI值作為NDVIveg。Qi等分別應用3種類型遙感數(shù)據(jù)計算NDVI,根據(jù)像元二分模型估計了桑河流域的植被覆蓋度,其中NDVIveg是從多時相高分辨率數(shù)據(jù)中得到的,而NDVIsoil取自圖像中理想的無植被地表的NDVI值。由于TM影像分辨率較低,在干旱區(qū)找到一個純植被覆蓋的像元比較困難。牛寶茹等采用像元二分模型估算植被覆蓋度時,選用同時相、同地區(qū)的高分辨率影像的最大NDVI值作為中等分辨率TM圖像的NDVIveg,取得了較好的結果。楊勝天等則用SPOT5和QuickBird遙感圖像對“北京一號”提取的植被覆蓋度進行了修正,精度比只應用植被指數(shù)轉換模型的提高了22.7%,表明可以使用“北京一號”遙感數(shù)據(jù)進行連續(xù)、大面積的植被監(jiān)測。土地利用類型和土壤類型不同,其NDVIveg和NDVIsoil值也不相同,土地利用類型和土壤類型相同時二者值相似,因此,以土地利用圖和土壤圖作為計算NDVIveg和NDVIsoil值的依據(jù)更接近現(xiàn)實。Gutman等在像元二分模型的基礎上提出了像元分解密度模型,將像元分為均一像元和混合像元,又將混合像元的亞像元結構進一步劃分為等密度、非密度和混合密度等3種模型,分別建立了利用NDVI計算植被覆蓋度的公式,并采用NOAA/AVHRR數(shù)據(jù),以等密度模型對全球植被覆蓋度進行了估算。運用非密度模型時,葉面積指數(shù)是一個比較重要的參數(shù),丁艷梅等運用一種改進的葉面積指數(shù),通過TM數(shù)據(jù)反演結果表明,非密度模型精度要高于等密度模型;陳晉則在Gutman研究的基礎上,基于土地覆蓋分類選擇合適的亞像元結構,在北京市海淀區(qū)進行了植被覆蓋度的估算,相對Gutman單純使用等密度亞像元模型,估算精度提高了5.8%;陳云浩進而發(fā)展了一整套計算植被覆蓋度的亞象元模型,經(jīng)在北京海淀區(qū)用TM影像和MSS影像進行檢驗,能夠很好地進行植被覆蓋度的估計。以上所述的像元二分模型法及其應用都是基于遙感植被指數(shù)分解進行的。唐世浩等采用像元二分模型,把綠、紅、近紅外3個波段的光譜信息直接進行分解,在假定所選波段土壤光譜隨波長線性變化的條件下,得到了計算植被覆蓋度的公式,根據(jù)該公式,只要知道純植被覆蓋時的光譜即可確定植被覆蓋度,與土壤背景無關。1.2.4fcd方法和影像特征FCD模型制圖法是ITTO(InternationalTropicalTimberOrganization)在總結眾多學者研究的基礎上發(fā)展而成的一種新制圖方法,通過FCD值大小劃分植被覆蓋度等級,從而做出植被覆蓋度等級圖。該方法對植被狀態(tài)進行了定量分析,并以百分位數(shù)來表示結果,其優(yōu)點是能夠表明植被的生長現(xiàn)象,同時也表明了植被滿足恢復要求的強度,這一方法也能夠用來檢測植被的動態(tài)變化(包括退化過程)。李曉琴等在北京山區(qū)的研究中,將FCD劃分為5個等級,以劃分的等級來制作植被覆蓋等級圖,精度約為90%;其在北京門頭溝區(qū)的研究中則以10%為間距將FCD劃分為11個等級,做出植被覆蓋度等級圖,通過野外調(diào)查,該方法精度達到了95%。根據(jù)FCD模型,江洪等構造了可以削弱影像陰影和土壤背景等影響的復合植被指數(shù)VBSI,它對遙感影像的陰影、土壤背景、巖石、建筑用地等信息進行了一定的削弱,可以突出植被信息。將VBSI指數(shù)與像元二分法結合,在福建長汀縣進行植被覆蓋度估算,估算總體精度達到了80%以上,且影像陰影信息的干擾作用可以被削減為NDVI的50%,這對于山區(qū)提取植被覆蓋度有重要的意義。2提取潛在知識數(shù)據(jù)挖掘(DataMining)是從大量的、不完全的、有噪聲的、模糊的及隨機的數(shù)據(jù)中提取隱含在其中的、人們事先不知道但又是潛在有用的信息和知識的過程。目前應用比較廣泛的是決策樹分類法和人工神經(jīng)網(wǎng)絡法等方法,其在用遙感數(shù)據(jù)估算植被覆蓋度方面也有了一定的研究進展。2.1影像的來源及被選取特征決策樹分類器(DecisionTreeClassifier)的原理是模擬人工分類整個數(shù)據(jù)集從上而下的逐級分類的過程,在預先已知類別樣本數(shù)據(jù)的情況下,根據(jù)各類別的相似程度逐級聚類,每一次聚類形成一個樹節(jié)點,在該節(jié)點處選擇對其往下細分的有效特征,依次往上發(fā)展到根節(jié)點,完成對各級各類組的特征選擇,在此基礎上再根據(jù)已選出的特征對整個影像實行全面的逐級分類。決策樹分類法在植被覆蓋度遙感估算上的應用原理是:首先,由部分樣本數(shù)據(jù)(包括植被覆蓋度和對應的其它相關波段、植被指數(shù)等信息)建立決策樹;然后,用另外的樣本數(shù)據(jù)對所建立的決策樹進行修剪和驗證,形成最終用于估算植被覆蓋度的決策樹結構;最后根據(jù)建立的決策樹進行植被覆蓋度的估算。決策樹分類法可避免數(shù)據(jù)的冗余,減少數(shù)據(jù)的維數(shù),更充分地挖掘數(shù)據(jù)的潛力。Hansen等采用AVHRR和MODIS遙感數(shù)據(jù),先用紅光波段反射率、近紅外波段反射率和NDVI植被指數(shù)建立決策樹,對決策樹進行修剪以后,通過決策樹分類方法估算了非洲中部的喬木覆蓋度(Treecover),與Defries等的線性分解模型結果相比,均方根誤差小3%,總的均方根誤差小1.5%,在贊比亞西部省區(qū)采用決策樹分類方法估算喬木覆蓋度也得到了不錯的結果。Goetz等采用IKONOS高分辨率遙感影像,通過分類決策樹方法估算了大西洋中部地區(qū)的喬木植被覆蓋度,分類精度達97.3%,表明這種方法適合對喬木進行植被覆蓋度估算。2.2基于特定學習算法的植被定量遙感檢測人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetwork)簡稱神經(jīng)網(wǎng)絡,是由大量簡單的處理單元(神經(jīng)元)連接成的復雜網(wǎng)絡,是模仿人的大腦進行數(shù)據(jù)接收、處理、貯存和傳輸?shù)囊环N信息處理系統(tǒng)。在進行知識獲取時,由研究者提供樣本和相應的解,通過特定的學習算法對樣本進行訓練,通過網(wǎng)絡內(nèi)部自適應算法不斷修改權值分布以達到要求,最終將其應用于所研究區(qū)域。目前人工神經(jīng)網(wǎng)絡主要是在遙感影像分類中得到了廣泛應用,在植被覆蓋度估算方面則還處于探索階段。Boyd等在美國西北部俄勒岡州分別采用植被指數(shù)、回歸分析和神經(jīng)網(wǎng)絡等3種方法估算了森林植被覆蓋度,神經(jīng)網(wǎng)絡估算精度好于其它二者。隨著定量遙感模型從幾何光學模型、混合介質模型、間隙率模型到三維真實結構遙感模型的發(fā)展,植被定量遙感也將會有突破性的進展。且各種植被覆蓋度估算方法相互結合應用也將會使估算精度大大提高。3地表實際效果評價(1)經(jīng)驗模型法是基于對衛(wèi)星同步觀測數(shù)據(jù)統(tǒng)計方法的應用分析,受觀測時間、觀測地點、觀測時大氣狀況和土壤狀況的影響顯著。因此應用起來有很大的局限性,不易在其它地區(qū)直接推廣應用,但對于局部區(qū)域的植被覆蓋度估算具有較高的精度。(2)植被指數(shù)法不需要建立回歸模型,所用的植被指數(shù)一般都通過驗證,且與覆蓋度具有良好的相關關系。對地表實測數(shù)據(jù)依賴較小,可以推廣到大范圍的地區(qū),其相對于經(jīng)驗模型法更具有普遍意義,但這種方法在局部區(qū)域對植被覆蓋度的估算精度可能會低于經(jīng)驗模型法。(3)像元分解模型法是我們目前較為常用的植被覆蓋度估算方法,由于其不依賴于實測數(shù)據(jù),所以應用起來比較方便。但是對于我們再熟悉不過的經(jīng)典的植被光譜特征——對紅光波段吸收而對近紅外波段強反射,有人已經(jīng)開始產(chǎn)生了質疑,所以基于該光譜理論所求得的植被指數(shù)能反映植被覆蓋狀況這一看法也就遭到了質疑。因此基于植被指數(shù)的像元分解模型法也面臨著新的挑戰(zhàn)。(4)FCD模型法對遙感影像的陰影、土壤背景等都有