呼伦贝尔草原植被覆盖度估算的光谱模型

陈艳梅,高吉喜,刁兆岩,吕世海,常学礼,冯朝阳(1.中国科学院成都山地灾害与环境研究所,四川 成都 1001；2.中国科学院研究生院,北京 10009；3.河北师范大学资源与环境科学学院,河北 石家庄0001；.中国环境科学研究院生态所,北京 100012；.济南大学资源与环境学院,山东 济南 20002；.鲁东大学地理与规划学院,山东 烟台 202)

呼伦贝尔草原植被覆盖度估算的光谱模型

陈艳梅1,2,3,高吉喜4*,刁兆岩5,吕世海4,常学礼6,冯朝阳4(1.中国科学院成都山地灾害与环境研究所,四川 成都 610041；2.中国科学院研究生院,北京 100049；3.河北师范大学资源与环境科学学院,河北 石家庄050016；4.中国环境科学研究院生态所,北京 100012；5.济南大学资源与环境学院,山东 济南 250002；6.鲁东大学地理与规划学院,山东 烟台 264025)

采用美国ASD公司Fieldspec3光谱仪和日本富士数码相机,于2009年7～8月在内蒙古呼伦贝尔草原区进行了植物高光谱和植被覆盖度测定,并运用回归分析方法,建立实测归一化植被指数(ASD NDVI)和植被覆盖度之间的地面光谱模型,分析MODIS/TERRA卫星的NDVI(MODIS NDVI)与ASD NDVI的关系,建立预测植被覆盖度的MODIS光谱模型,并对模型进行精度检验.结果表明所建的MODIS光谱模型是线性函数,该模型预测精度高于亚像元分解模型,标准误差为11.58%,平均预测精度达到88.75%.

呼伦贝尔草原；归一化植被指数(NDVI)；植被覆盖度；光谱模型

Abstract：During July and August 2009, an ASD Fieldspec3 spectroradiometer and a Japanese Fuji digital camera were used to measure hyperspectral data and vegetation coverage on the Hulunbeier Grassland, Inner Mongolia, China. Regression analysis methods were used to establish a ground spectral relationship between the local measured vegetation coverage and normalized difference vegetation (ASD NDVI). Then, the relationship between NDVI got from MODIS/TERRA (MODIS NDVI) and ASD NDVI was analyzed to establish a MODIS Spectral Model to estimate vegetation coverage with MODIS NDVI. Finally, the accuracy of MODIS spectral model was validated. The MODIS Spectral Model was just a linear equation but had higher prediction accuracy than sub-pixel models with 11.58% standard error and 88.75% average prediction accuracy.

Key words：Hulunbeier Grassland；normalized difference vegetation index (NDVI)；vegetation coverage；spectral models

植被覆盖度(观测区域内植被垂直投影面积占地表面积的百分比)是一个重要的生态参数,广泛应用于研究地表蒸散发、土壤水分、水土流失、光合作用的过程以及全球变化等领域[1-4].

利用遥感手段来估算植被覆盖度是测量植被覆盖度的主要手段之一,可以归纳为经验模型法、植被指数法和亚像元分解模型法[5-6],亚像元分解模型法可看作是在植被指数法基础上所做的改进.目前,遥感与实测结合建立估算模型的方法逐渐取得新的进展[7-9].然而,现在还没有一种标准的方法用来监测植被覆盖度.

归一化植被指数(NDVI)是遥感估算植被覆盖度研究中最常用的植被指数,许多学者在研究中都使用NDVI估算植被覆盖度,并证实NDVI与植被覆盖度有良好的相关性[10-14].源于MODIS/ TERRA卫星传感器的NDVI数据与NOAA/ AVHRR比较,具有空间分辨率更高、地理参考更准确、波段较窄、受水汽影响较小等优点,在许多领域得以应用[15].本研究在前人研究基础上,利用MODIS红光波段(0.620～0.670µm)和近红外波段(0.841～0.876µm)提取并计算实测地面光谱数据的归一化植被指数(ASD NDVI),结合实测草地植被覆盖度,初步建立研究区估算植被覆盖度的地面光谱模型,并利用实测ASD NDVI与MODIS NDVI的关系建立MODIS光谱模型,以期为呼伦贝尔草原估算植被覆盖度提供新方法.

1 研究区概况和研究方法

1.1研究区概况

研究区位于欧亚草原东部内蒙古呼伦贝尔草原区,是中国北方草原的主体部分,也是目前草地生态系统类型最为齐全,保存最完整的区域[16].研究区地形坦荡辽阔,海拔高度500～900m,属于中温带大陆性季风气候,年均温-3～0℃,年降水量240～380mm.地带性土壤为黑钙土和栗钙土,隐域性土壤有草甸沼泽土、盐化草甸土、风沙土等.研究区东部的地带性植被为温性草甸草原,以贝加尔针茅(Stipa baicalensis)、羊草(leymus chinensis)、线叶菊(Filifolium Sibiricum)、糙隐子草(Cleistogenes squarrosa)、杂类草草型等为主体;研究区西部是典型草原地带,植被以大面积的根茎禾草和丛生禾草为主,尤其以羊草、大针茅(Stipa grandis)和克氏针茅(Stipa crylovii)为建群种或优势种;另外,研究区内有3条沙带和零星沙丘堆积,发育有沙地植被;研究区的河流湖泡周围发育有沼泽草甸、低地杂草草甸等湿地植被.

1.2试验概况

野外试验工作分别在2009年7月22～28日,8月5～8日,8月28～31日进行,此时是植被生长最旺盛的时期,采样路线尽量覆盖呼伦贝尔草原不同植物群落的不同生产力梯度(图1).

图1 研究区地理位置及样地分布Fig.1 Location of study area and sampling position

样地和小样方具体设置方法为:首先在分析TM遥感影像、土地利用现状图和植被类型图的基础上,选择大致250m×250m植物生长均匀的49个样地,要求其植被斑块面积较大且在植被组成上具有代表性,以满足地面光谱数据与MODIS数据的像元匹配要求.试验过程中选择样地中10个最具有典型和代表性的典型样地(典型草原3个,草甸草原4个,沙地植被1个和湿地植被2个),每个典型样地做30个1m×1m的样方;另外的39个样地中每个做5个1m×1m的样方;样方总数10×30+39×5=495个.

1.3研究方法

1.3.1植被光谱和草原植被覆盖度的测定 使用美国ASD公司的Fieldspec 3光谱辐射仪进行草地植被光谱测定,视场角25°,光谱范围350～2500nm,数据间隔1nm,观测时传感器垂直向下,距离冠层0.5m,每隔10～15min用白板进行校正.选择天气状况良好、晴朗无云、风力较小、太阳光强度充足并稳定的时段(10:00～15:00).

每个1m×1m样方测量光谱数据5次,用数据线连接光谱仪和GPS,每组数据中带有地理坐标和海拔高度.每个小样方测完光谱后,用数码相机垂直于地面,距离冠层0.5m拍照,记录每个样方对应的光谱数据编号和照片编号以及样方植被特征等.

1.3.2草原植被盖度提取方法 在计算机测算相片植被覆盖度前,先切除相片的边缘部分,左右两边分别平行截除1/5、上下两边分别截除1/8,去掉四周变形较大部分.相片剩余部分用于进行植被覆盖度的计算机测量.用ERDAS(9.1)软件处理照片,首先是将照片转变为灰度值,然后与原照片比较,找出植物与非植物部分临界点,将照片转化为(0,1)的黑白图,统计分析植物部分占整个分析区域的比例,得到植被覆盖度.

1.3.3从高光谱数据提取NDVI方法 在ViewSpec pro软件(version 5.6)中求取实测光谱曲线的近红外波段和红光波段的光谱反射率平均值.然后计算NDVI值,计算公式为:

式中: ρNIR和ρRED分别是对应MODIS近红外波段、红光波段的光谱反射率均值.

同时根据试验记录,计算每个1m×1m样方对应的5个光谱数据的NDVI均值.每张照片对应1个植被覆盖度和1个NDVI均值,一共获得495组对应的植被覆盖度和实测NDVI均值.为了使地面试验结果应用于高空遥感影像,按地理坐标将每个样地的NDVI和植被覆盖度求均值,得到49组对应的植被覆盖度和实测NDVI均值.1.3.4MODIS/TERRA影像的下载与处理 本研究使用的是NASA提供的MODIS/TERRA卫星16d合成的NDVI,图像空间分辨率为250m,格式为HDF.数据合成、投影转换、研究区提取等均在ENVI软件中完成.按照样地的经纬度坐标信息,在Arcmap中提取相应试验样地的遥感影像中的NDVI.为克服像元影像坐标偏移及边缘畸变的影响,若地面样地中5个样方的经纬度点落到2个以上像元或位于像元边缘则取相邻像元值的平均值作为样地的NDVI值(典型样地中也随机选5个分布均匀样方),以减少“点对点”资料带来的偏差.

预测植被覆盖度在Arcmap中的栅格计算模块中完成,提取栅格数据中的植被覆盖度预测值与提取NDVI值方法相同.

1.3.5模型的检验方法 为了检验利用MODIS数据预测植被覆盖度与实测植被覆盖度之间关系的密切程度,选用标准误差(SE)[17]和平均误差系数(MEC)[18]对预测值进行检验.计算公式为:

式中: y是实测植被覆盖度,%;y'是预测植被覆盖度,%;n是样本数.

1.3.6亚像元分解模型计算盖度的方法 目前应用较多的估算植被覆盖度的亚像元分解模型计算公式[6]:

式中: NDVIsoil为裸土或无植被覆盖区域的NDVI值,即无植被像元的NDVI值;而NDVIveg则代表完全被植被所覆盖的像元的NDVI值,即纯植被像元的NDVI值.

2 结果与分析

2.1基于光谱测定估算植被覆盖度的地面光谱模型

图2 ASD NDVI与植被覆盖度线性回归方程(n=49)Fig.2 Linear regression equation between ASD NDVI and vegetation coverage(n=49)

通过分析研究区内ASD NDVI和植被覆盖度散点关系,选用线性方程进行回归分析.结果表明:ASD NDVI与植被覆盖度之间存在较强的线性相关关系, R2达到0.9138(图2).NDVI与植被覆盖度之间的线性方程能通过极显著性水平(0.01)的F检验(F=498.05,P＜0.001).植被覆盖度(fc)与ASD NDVI之间地面光谱模型的表达式为:

2.2基于ASD NDVI和MODIS NDVI线性关系建立MODIS光谱模型

为了探求地面所测的植被光谱数据和高空遥感所得的植被光谱数据内在的关系,分析49个样地的ASD NDVI和MODIS NDVI之间对应的关系,结果显示:两组数据之间存在线性关系R2=0.7939 (图3),能通过极显著性水平(0.01)的F检验(F=181.10,P＜0.001).

图3 ASD NDVI和MODIS NDVI线性回归方程(n=49)Fig.3 Linear regression equations between ASD NDVI and MODIS NDVI (n=49)

由图3可知MODIS NDVI与ASD NDVI之间的表达式为:

将式(6)代入式(5)得到估算植被覆盖度的MODIS光谱模型,表达式为:MODIS光谱模型的应用与检验

将式(7)应用到与试验同期的三期MODIS影像上(2009年7月12～27日,7月28～8月12日,8月13～28日),在Arcmap中进行栅格计算,得到上述3个时段呼伦贝尔草原植被覆盖度空间格局图,再通过试验样地的地理坐标以及试验记录的采样时间分别从3幅栅格图中提取与野外试验点所对应的预测植被覆盖度,将预测植被覆盖度与实测植被覆盖度进行对比分析,见图4,其相关性较好,相关系数达到0.878.

图4 基于MODIS数据预测的植被覆盖度与实测的植被覆盖度之间的相关关系(n=49,SE为标准误差,MEC为平均误差系数)Fig.4 Correlation between vegetation coverage obtained in the field and predicted by MODIS (n=49, SE= standard error of predicting coverage, MEC= coefficient of mean error)

表1 MODIS光谱模型和亚像元分解模型预测结果的误差分析Table 1 Analysis on the Errors of regression equations and sub-pixel models

为了进一步验证预测精度,根据式(2)和式(3)计算其标准误差(SE)和平均误差系数(MEC),并与亚像元分解模型计算的植被覆盖度进行了比较,见表1.

由表1可见,所建的估测植被覆盖度的MODIS光谱模型SE和MEC均较小,其平均预测精度可以达到88.75%,优于亚像元分解模型的预测精度,可以应用该模型和MODIS数据估算呼伦贝尔草原大面积和长时段的植被覆盖度.

3 讨论

3.1MODIS NDVI数据误差是MODIS光谱模型预测产生误差的主要因子

由于MODIS传感器横向扫描角度的变化范围达到±55°,再加上其探测器对地观测的视场几何特征、地球表面曲率、地形起伏和运动中自身抖动等因素的共同影响,导致MODISL1B数据存在几何畸变,俗称“Bowtie效应”[21].MODIS数据在扫描角达到15°后就会产生Bowtie效应,而且随着扫描角度的增大, Bowtie效应越明显,这部分数据占据了相当大的一部分.对此,国内外很多学者在去除MODIS数据的Bowtie 效应方面做了不少研究[21-23]. NASA提供的MODIS NDVI数据已经进行消除Bowtie效应处理,并在计算植被指数前经过严格的大气校正、几何校正和辐射校正[21].野外试验垂直测量的光谱数据,相当于MODIS数据对应0度扫描角度,误差最小.研究发现,经过NASA处理后的MODIS NDVI与实测的ASD NDVI之间仍然存在一些偏差,导致预测值被覆盖度的Modis光谱模型的预测结果会有一些误差.但通过地面实测ASD NDVI数据的修正后也可以获得较理想的结果.

3.2地面光谱模型与亚像元分解模型关系密切

对于亚像元分解模型,当NDVIsoil和NDVIveg确定后,其实质也是线性方程.若NDVIsoil和NDVIveg取值准确时,亚像元分解模型和基于试验的光谱模型表达式应该相同或相近.如:依据所建地面光谱模型确定NDVIsoil和NDVIveg分别为0.175和0.8998,将其代入式(4)中发现亚像元分解模型表达式与地面光谱模型相同;若根据MODIS光谱模型所确定的NDVI的两个极值代入式(4)没有出现亚像元分解模型表达式与MODIS光谱模型相同结果,主要因为MODIS NDVI有误差存在.

在草原区缺乏试验数据时,可以选择亚像元分解模型测定植被覆盖度.在亚像元分解模型中NDVIsoil应该是不随时间改变的,对于大多数类型的裸地表面,理论上应该接近零[6,10].然而由于大气影响地表湿度条件的改变,以及地表湿度、土壤类型等条件的不同,NDVIsoil会随着时间和空间而变化,变化范围在-0.1～0.2之间[10]. NDVIveg代表着全植被覆盖像元的最大值,也会随着时间和空间而改变.NDVIsoil和NDVIveg的确定是决定亚像元分解模型预测精度的最关键的因素[6,10].多数研究人员是根据遥感图像中全部裸地或全部为植被覆盖对应的NDVI值来确定这两个值.然而,对于低分辨率的图像,或者干旱地区,可能根本不存在全植被覆盖的像元或完全裸地的像元,那么图像中的NDVI最大值和最小值的取值问题就成为一个难题.目前有研究人员根据研究植被类型所有像元的NDVI的概率分布的95%或98%上侧分位数所对应的NDVI值确定NDVIveg,以5%或2%下侧分位数则代表NDVIsoil[19-20].本研究证明按照此方法确定的NDVI极值的方法在草原区可行,其预测植被覆盖度的精度也可以达到80%以上,当地面试验数据缺乏时,这也是一种获得植被覆盖度的较省时省力的方法.

本研究试验样地在呼伦贝尔草原区分布较均匀,涵盖了地带性植被草甸草原、典型草原以及非地带性沙地植被和沼泽草甸、低地杂草草甸等湿地植被;样本数量较多,密度大,草地类型较全,能够代表呼伦贝尔草原区植被覆盖度与光谱反射率之间关系;同时选用较成熟的植被指数计算方法,波段选取与MODIS遥感数据的红光波段和近红外波段完全一致,建立了地面光谱模型和MODIS光谱模型,主要目的是利用MODIS/ TERRA或MODIS/AQUA遥感影像在呼伦贝尔草原区进行大面积长时段草原植被覆盖度估测,研究方法易行,目标明确,研究结果可以直接服务于研究区生产实践.然而,试验不足之处在于仅仅有2009年植物生长最旺盛的试验数据,在将来我们应该进行连续几年的同类试验,同时研究整个生长季节植物光谱与植被覆盖度之间的关系,进一步证明本研究的应用价值.

4 结论

4.1基于实测ASD NDVI估测植被覆盖度的地面光谱模型是简单的线性函数,该模型R2达到0.9138;MODIS NDVI和实测ASD NDVI之间也为线性关系,R2为0.7939;基于上述两个线性方程得到估算植被覆盖度的MODIS光谱模型.

4.2MODIS光谱模型标准误差为11.58%,平均预测精度达到88.75%,亚像元分解模型标准误差介于14.37%～14.58%之间,平均预测精度达到83.50%～86.14%之间.MODIS光谱模型可用于估算呼伦贝尔草原植被覆盖度.

[1] 陈云浩,李晓兵,史培军,等.北京海淀区植被覆盖的遥感动态研究 [J]. 植物生态学报, 2001,25(5):588-593.

[2] 张高生,王仁卿.现代黄河三角洲生态环境的动态监测 [J]. 中国环境科学, 2008,28(4):380-384.

[3] 孟 岩,赵庚星.基于卫星遥感数据的河口区生态环境状况评价—以黄河三角洲垦利县为例 [J]. 中国环境科学, 2009,29(2): 163-167.

[4] 马荣华,孔维娟,段洪涛,等.基于MODIS影像估测太湖蓝藻暴发期藻蓝素含量 [J]. 中国环境科学, 2009,29(3):254-260.

[5] 张云霞,李晓兵,陈云浩.草地植被盖度的多尺度遥感与实地测量方法综述 [J]. 地球科学进展, 2003,18(1):85-93.

[6] 李苗苗.植被覆盖度的遥感估算方法研究 [D]. 北京:中国科学院遥感应用研究所, 2003.

[7] Carlson, T N, Ripley D A. On the relation between NDVI, fractional vegetation cover, and leaf area index [J]. Remote Sensing of Environment, 1997,62(3),241-252.

[8] Kenneth M,Timothy M,Lynn F.Hyperspectral mixture modeling for quantifying sparse vegetation cover in arid environment [J]. Remote Sensing of Environment, 2000,72(3):360-374.

[9] Kallel A, Hégarat-Mascle S L, Ottlé C, et al. Determination of vegetation cover fraction by inversion of a four-parameter model based on isoline parametrization [J]. Remote Sensing of Environment, 2007,111(4):553-566.

[10] Bradley C, Rundquist. The influence of canopy green vegetation fraction on spectral measurements over native tall grass prairie [J]. Remote Sensing of Environment, 2002,81(1):129-135.

[11] Jiang Z Y, Huete A R, Chen J,,et al. Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction [J]. Remote Sensing of Environment, 2006,101(3):366-378.

[12] Montandon L M , Small E E . The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI [J]. Remote Sensing of Environment, 2008,112(4):1835-1845.

[13] Weng Q H, Lu D S. A sub-pixel analysis of urbanization effect on land surface temperature and its interplay with impervious surface and vegetation coverage in Indianapolis, United States [J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(1):68-83.

[14] Zhang J X, Liu Z J, Sun X X. Changing landscape in the Three Gorges Reservoir Area of Yangtze River from 1977 to 2005: Land use/land cover, vegetation cover changes estimated using multi-source satellite data [J]. International Journal of Applied Earth Observation and Geoinformation,2009, 11(6) : 403-412.

[15] Van leeuwen W J D, Orr B J, Marsh S E, et al. Multi-sensor NDVI data continuity: Uncertainties and implications for vegetation monitoring applications [J]. Remote Sensing of Environment, 2006,100(1):67-81.

[16] 中国呼伦贝尔草地编委会.中国呼伦贝尔草地 [M]. 长春:吉林科学技术出版社, 1992:10-95.

[17] Moses A C, Andrew S , Fabio C ,et al. Estimating forage quantity and quality using aerial hyperspectral imagery for northern mixed-grass prairie [J]. International Journal of Applied Earth Observation and Geoinformation, 2007,9:414-424.

[18] 杜自强,王 建,沈宇丹.山丹县草地地上生物量遥感估算模型[J]. 遥感技术与应用, 2006,21(4):338-343.

[19] 朱文泉.中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究 [D]. 北京:北京师范大学, 2005.

[20] 马 龙.东北三江平原湿地植被NPP的遥感方法研究 [D]. 北京:中国科学院地理科学与资源研究所, 2005.

[21] 刘良明,文雄飞,余 凡,等.MODIS数据Bowtie效应快速消除算法研究[J].国土资源遥感, 2007,(2):10-15.

[22] 郭广猛.非星历表法去除MODIS图像边缘重叠影响的研究 [J].遥感技术与应用, 2003,18(3):172-175.

[23] 李登科.消除MODIS图像重叠现象的方法研究 [J]. 陕西气象, 2005,(3):1-4.

致谢：参与本研究野外试验的还有呼伦贝尔学院刘及东教授、张晓明讲师,中国环境科学研究院叶生星助理研究员和张晨助理研究员,河北师范大学的胡引翠副教授,山东师范大学张宝雷副教授,以及河北师范大学刘长虹、郭亚伦、杜红同学以及鲁东大学张宁和孙小艳同学,在此表示感谢.

Spectral models for estimating grassland vegetation coverage on Hulunbeier Grassland, Inner Mongolia, China.

CHEN Yan-mei1,2,3, GAO Ji-xi4*, DIAO Zhao-yan5, LÜ Shi-hai4, CHANG Xue-li6, FENG Zhao-yang4(1.Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China；2.Graduate University of Chinese Academy Sciences, Beijing 100049, China；3.College of Resource and Environment Sciences, Hebei Normal University, Shijazhuang 050016, China；4.Institute of Ecology, Chinese Research Academy of Environmental Sciences, Beijing 100012, China；5.College of Resource and Environment Sciences, Jinan University, Jinan 250002, China；6.College of Geography and Planning, Ludong University, Yantai 264025, China). China Environmental Science, 2010,30(9)：1287～1292

X87

A

1000-6923(2010)09-1287-06

陈艳梅(1970-),女,河北邢台人,副教授,中国科学院成都山地灾害与环境研究所博士研究生,主要从事自然生态系统保护与管理研究.发表论文10篇.

2009-12-20

环境保护公益性行业科研专项(200809125,200909021);中国环境科学研究院中央级公益性科研院所基本科研业务专项(2009KYYW07)

* 责任作者, 研究员, gaojx@ craes.org.cn