利用不同植被指数估算植被覆盖度的比较研究

徐 爽，沈润平，杨晓月

(1.南京信息工程大学气象灾害省部共建教育部重点实验室，南京 210044;2.南京信息工程大学遥感学院，南京 210044)

利用不同植被指数估算植被覆盖度的比较研究

徐 爽1，2，沈润平1，杨晓月1，2

(1.南京信息工程大学气象灾害省部共建教育部重点实验室，南京 210044;2.南京信息工程大学遥感学院，南京 210044)

选用蔬菜地和草地2种植被类型，利用ASD光谱仪实测二者在不同覆盖度下的光谱响应，分析了归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、修正植被指数(MVI)、修改型土壤调节植被指数(MSAVI)以及全球环境监测植被指数(GEMI)等6种植被指数所用的最佳波段及其组合，进而研究了利用像元二分模型估算植被覆盖度时的不同植被指数的表现。结果表明，与蔬菜地植被指数相关系数较高的波段组合为620～740 nm谱段和780～900 nm谱段内波段的组合，与草地植被指数相关系数较高的波段组合为620～750 nm谱段和760～900 nm谱段内波段的组合，相关系数均达0.8以上;在高光谱数据构建的植被指数和模拟卫星数据构建的植被指数中，用DVI和MSAVI估算植被覆盖度，平均总体精度分别达到83.7%和79.5%，与其他4种植被指数相比，这2种指数更适合于利用像元二分模型进行植被覆盖度的估算。

植被覆盖度;植被指数;像元二分模型

0 引言

植被作为陆地生态系统的主要成分之一，对气候变化具有重要的调节作用［1］。植被覆盖度(vegetation coverage)是指植被在地面的垂直投影面积占统计区总面积的百分比［2］，是衡量地表植被状况的一个重要指标，也是影响土壤侵蚀与水土流失的主要因子，对于区域环境变化和监测研究具有重要意义［3］。利用遥感数据估算植被覆盖度是测定区域植被覆盖度的主要手段之一，目前应用的遥感测量方法较多，其中应用最广泛的是回归模型法和像元分解模型法。Wittich等［4］和刁兆岩等［5］都曾建立了归一化差值植被指数(normalized difference vegetation index，NDVI)和植被覆盖度的回归模型，并对所选研究区植被覆盖度进行了估算;但回归模型法一般只适用于特定区域和特定植被类型，并且需要大量的实测数据建立模型，有一定的局限性，不利于普遍推广应用。像元分解法则具有理论基础较好，不依赖于实测数据，不受地域限制，可削弱大气、土壤背景和植被类型等影响，较易于推广等优点。其中，像元二分模型(dimidiate pixel model)法得到广泛的认可，具体应用时，需要首先构建植被指数。

目前，应用NDVI来估算植被覆盖度的研究较多［6－8］，有关其估算精度问题，Jiang 等［9］对 NDVI代入模型所存在的误差问题进行了公式推导;Small［10］研究发现，在中等植被覆盖度时利用TM数据计算的NDVI随着叶面积指数(leaf area index，LAI)的增加逐渐趋于饱和，并且会高估植被密度较高区域周围零散分布的植被区的覆盖度，这种现象主要是由于阴影对NDVI的影响造成的。由于不同植被指数的构建有着不同的理论依据和应用价值，利用像元二分模型法开展不同植被指数应用效果的比较尚缺乏系统、深入的研究。

本文基于地表高光谱实测数据，构建了归一化植被指数(NDVI)、差值植被指数(difference vegetation index，DVI)、比值植被指数(ratio vegetation index，RVI)、修正植被指数(modified vegetation index，MVI)、修改型土壤调节植被指数(modified soiladjusted vegetation index，MSAVI)及全球环境监测植被指数(global environment monitoring index，GEMI)等6种植被指数，采用像元二分模型对植被覆盖度进行估算，对比分析不同植被指数估算植被覆盖度的效果，为植被覆盖度的遥感估算提供理论依据。

1 数据源及其预处理

1.1 实验数据获取

选用位于 N 32.203°，E 118.705°处，覆盖度达100%的青菜地为代表的蔬菜地和草地。光谱测定日期为2011－10－14，天气状况良好，晴朗无云。采用ASD Field Spec Pro FRTM野外光谱辐射仪进行采集，光谱采集范围350～2500 nm，采样间隔1.4 nm(350～1000 nm)和2 nm(1000～2500 nm)，重采样间隔1 nm。测定光谱时，传感器探头垂直向下，视场角25°，距离冠层顶1.6 m;每次采集10条光谱，最后取光谱平均值。所测光谱数据经处理后，选择适当谱带构建植被指数，以便利用像元二分模型进行植被覆盖度估算。

植被覆盖度通过数码相机拍摄获得。为了保证植被覆盖度测量的准确性，并保证与光谱测量范围相对应，在拍摄前放置一铁圈于草地周围，铁圈大小尽量与光谱仪的视场角范围一致;拍摄时相机垂直向下，保证整个铁圈(样圆)内的草地在拍摄范围内(测量光谱时将铁圈移走)。为研究不同植被覆盖度下光谱曲线的变化，在利用光谱仪完成样区内植被覆盖度100%下的光谱测量后，分7次在该样圆内进行人工均匀去除一定量植被，调节植被覆盖度，直至样圆内所有植被全部去除;每去除一次植被后，进行一次光谱测量和植被覆盖度拍照。对蔬菜地也做同样处理，对不同覆盖度下的蔬菜地进行了光谱采集和覆盖度测量。

1.2 数据预处理

在Photoshop和ENVI软件下完成植被覆盖度的求算。首先在Photoshop软件下进行样圆裁切，然后在ENVI软件下进行监督分类，求算植被所占百分比，得到样地的植被覆盖度。草地植被覆盖度分别为 100%，78%，62%，44%，37%，25%，18% 和0%;蔬菜地的植被覆盖度分别为100%，85%，74% ，62%，58%，52%，42%，39%，33%，25%，10%和0%。利用ViewSpecPro软件剔除2个样地光谱数据中的异常数据，并取光谱数据的平均值得到不同覆盖度下的植被光谱曲线。

2 植被覆盖度估算

2.1 不同植被指数构建

首先要确定有效谱段范围和波段组合，波段选择方法主要有逐步回归选择法、简单波段自相关选择法和主成分系数权重选择法［11－12］等。比较所有波段组合下求算的植被指数与植被覆盖度的相关系数大小，来确定构建植被指数的较优波段。由于运算量较大，所以通过VBA编程实现运算。另外，根据光谱响应函数模拟卫星传感器波段的反射率，利用高光谱数据模拟美国陆地卫星Landsat7 TM数据和我国环境减灾卫星HJ－1A CCD数据，分别计算NDVI，DVI，RVI，MVI，MSAVI和 GEMI等 6 种植被指数，用以分析代入像元二分模型的适宜性。6种植被指数的计算公式见表1。

表1 植被指数一览表Tab.1 Vegetation indices

2.2 基于像元二分模型的植被覆盖度估算

像元二分模型［19］是一种简单实用的遥感估算模型，它假设一个像元的地表由有植被覆盖地表与无植被覆盖地表共同组成，而传感器观测到的光谱信息也由这2个组分的因子线性加权合成，各因子的权重是各自的面积在像元中所占比例，如植被的权重可以看作是植被覆盖度。

根据像元二分模型的原理，通过遥感传感器所获信息S可以表达为由绿色植被组分所贡献的信息Sv和由土壤组分所贡献的信息Ss组成，即

设像元中有植被覆盖的面积比例为fc(即该像元的植被覆盖度)，则无植被覆盖地表(土壤覆盖)的面积比例为1－fc;设全部由植被所覆盖的纯像元所得的遥感信息为Sveg，则混合像元中的植被组分所贡献的信息Sv可以表示为Sveg与fc的乘积，即

同理，设全部由土壤覆盖的纯像元所得的遥感信息为Ssoil，则混合像元中的土壤成分所贡献的信息Ss可以表示为Ssoil与1－fc的乘积，即

将式(2)(3)代入式(1)，可得

对式(4)进行变换，可得

式中Ssoil与Sveg是模型的2个参数。本文中Ssoil即为植被覆盖度为0%时的植被指数信息;Sveg即为植被覆盖度为100%时的植被指数信息;S则为所求覆盖度下的植被指数信息。将 NDVI代入式(5)［20］，可得

将表示其他5种植被指数的变量(DVI，RVI，MVI，MSAVI和GEMI)也分别代入式(5)进行植被覆盖度估算。

3 结果与分析

3.1 不同覆盖度下植被光谱特征

图1为不同植被覆盖度下蔬菜地和草地的光谱反射率曲线图。

图1 不同植被覆盖度下植被反射光谱曲线Fig.1 Reflectance spectra of vegetation in different levels of vegetation coverage

从图1可以看出，随着植被覆盖度的增大，可见光谱段内蓝光波段反射率有减小趋势，绿光波段反射率有增大趋势(但不是很明显)，红光波段反射率减小较为明显;近红外谱段反射率则逐渐增大，并且增加幅度较大。裸土光谱反射率在红光波段内明显高于有植被覆盖时的反射率，在近红外谱段则明显低于有植被覆盖时的反射率。

3.2 高光谱数据构建植被指数估算覆盖度比较

3.2.1 植被指数最佳波段选择

因植被光谱反射率随植被覆盖度变化的规律在1000 nm后表现不明显，因此本文选取1000 nm前的数据进行了植被指数构建。由于在可见光和近红外谱段植被光谱随植被覆盖度变化的规律性明显，因此首先对这2个谱段内所有波段两两组合，求算其植被指数，然后计算植被指数与植被覆盖度的相关系数，依照相关系数的大小来确定植被覆盖度估算较优的植被指数波段组合。确定的结果是:蔬菜地植被指数相关系数较高的波段组合为620～740 nm谱段和780～900 nm谱段内波段的组合，草地植被指数相关系数较高的波段组合为620～750 nm谱段和760～900 nm谱段内波段的组合，植被指数的相关系数均达0.8以上。本文选取相关系数最高的最佳波段组合构建 NDVI，DVI，RVI，MVI，MSAVI和GEMI(表2)，再分别代入像元二分模型估算对应的植被覆盖度。

表2 不同植被指数最佳波段组合Tab.2 Optimized band combination of different vegetation indices

3.2.2 不同植被指数估算精度比较

将相关系数最高的波段组合构建计算得到的NDVI，DVI，RVI，MVI，MSAVI和 GEMI分别代入像元二分模型，估算植被覆盖度，并与实测值比较(图2)。结果表明，对于蔬菜地，用DVI和MSAVI代入像元二分模型估算的覆盖度与实测值较接近，在图2(a)中两者散点较接近于1∶1直线，用MSAVI的估算结果略好于DVI;对于草地(图2(b))，同样用DVI和MSAVI的估算结果较接近1∶1直线。而RVI，MVI和NDVI这3种植被指数存在高估植被覆盖度的现象，对于蔬菜地植被覆盖度的高估现象则更加严重(尤其以用RVI估算植被覆盖度时高估现象最为严重)。具体估算精度见表3。

图2 植被指数估算覆盖度与实测覆盖度对比Fig.2 Comparison between observed and estimated coverage using the six different vegetation indices

表3 高光谱数据构建不同植被指数估算覆盖度误差对照表Tab.3 Evaluation of different methods to derive vegetation coverage

由表3可以看出，在蔬菜地用DVI估算植被覆盖度的总体精度为88.0%，用MSAVI估算的总体精度达到88.3%，估算总体精度均高于另外4种植被指数，且MAE和MRE也均低于其他4种植被指数。可见，用DVI和MSAVI代入像元分解模型效果较好。同样，在草地情况下也是DVI和MSAVI这2种植被指数估算总体精度较高，平均误差较低，代入像元二分模型的结果优于另外4种植被指数。

3.3 模拟卫星数据构建植被指数估算植被覆盖度比较

利用光谱响应函数模拟美国陆地卫星Landsat7 TM数据和我国环境减灾卫星HJ－1A CCD波段数据，分别计算以上6种植被指数，代入像元二分模型估算植被覆盖度，并与实测值比较(图3—图4)，结果表明，用DVI估算植被覆盖度的效果最好。

图3 模拟TM数据构建的植被指数估算覆盖度与实测覆盖度对照Fig.3 Comparison between observed and estimated coverage using the six different vegetation indices by simulated TM data

图4 模拟HJ－1A CCD数据构建的植被指数估算覆盖度与实测覆盖度对照Fig.4 Comparison between observed and estimated coverage using the six different vegetation indices by simulated CCD data

从图3—图4可知，DVI估算结果最接近1∶1直线，无论是对于草地还是蔬菜地估算的植被覆盖度均较接近实测值;其次为MSAVI;另外4种植被指数对植被覆盖度的高估较为严重，RVI偏离最大，其他依次是MVI，NDVI和GEMI。具体估算精度见表4。

表4 模拟卫星数据构建不同植被指数估算覆盖度误差对照表Tab.4 Evaluation of different methods to derive vegetation coverage

从表4可以看出，无论是对于草地还是蔬菜地，用DVI估算植被覆盖度的精度都最高，平均总体精度达到80.6%，平均绝对误差和平均相对误差均低于其他植被指数，代入像元二分模型的估算结果最好;用MSAVI估算的精度也较高，仅次于DVI，因此模拟卫星数据中也是DVI和MSAVI两种植被指数更适宜代入像元二分模型。

综上所述，用6种不同植被指数估算植被覆盖度，以DVI表现最优。对于蔬菜地与草地2种植被类型，无论是高光谱数据构建的植被指数，还是模拟卫星数据构建的植被指数，用DVI估算的植被覆盖度总体精度都较高，高光谱数据与模拟卫星数据2种方法估算的植被覆盖度平均总体精度达83.7%，平均绝对误差只有4.05%，平均相对误差为16.25%;其次为MSAVI，平均总体精度达到79.5%，在利用模拟卫星数据情况下总体精度低于DVI，但在利用高光谱数据构建情况下，总体精度略高于DVI;用GEMI估算的植被覆盖度精度居中，平均总体精度为70.8%;用RVI估算的植被覆盖度平均总体精度仅为40.09%，平均绝对误差达24.06%，平均相对误差则高达50.91%;用MVI和NDVI估算的植被覆盖度平均总体精度分别为53.27%和53.19%。因此，用RVI，MVI与NDVI代入模型估算精度都较低，代入像元二分模型估算植被覆盖度的结果不理想。

4 结论

1)本文选用蔬菜地和草地2种植被类型，通过实测不同覆盖度下植被光谱，构建6种植被指数，估算植被覆盖度。研究表明，蔬菜地各植被指数相关系数较高的波段组合为620～740 nm谱段和780～900 nm谱段内波段的组合，草地各植被指数相关系数较高的波段组合为620～750 nm谱段和760～900 nm谱段内波段的组合。

2)取相关系数最高波段组合构建 NDVI，DVI，RVI，MVI，MSAVI和 GEMI，代入像元二分模型估算植被覆盖度，发现DVI和MSAVI表现较好。将模拟TM数据和HJ－1A CCD数据构建的6种植被指数代入像元二分模型，估算植被覆盖度，DVI和MSAVI同样表现优于其他植被指数。目前很多研究用NDVI代入像元二分模型进行植被覆盖度估算，本研究表明NDVI估算精度较低，代入像元二分模型表现不理想。另外RVI，MVI植被指数估算精度同样较低，代入模型也并不理想。

［1］Qi J，Cabot F，Moran M S，et al.Biophysical Parameter Estimations Using Multidirectional Spectral Measurements［J］.Remote Sensing Of Environment，1995，54(1):71 －83.

［2］Gitelson A A，Kaufman Y J，Stark R，et al.Novel Algorithms for Remote Estimation of Vegetation Fraction［J］.Remote Sensing of Environment，2002，80(1):76 －87.

［3］党 青，杨武年.近20年成都市植被覆盖度动态变化检测及原因分析［J］.国土资源遥感，2011(4):121 －125.Dang Q，Yang W N.Dynamic Supervision and Reason Analysis of Vegetation Coverage Changes of Chengdu in the Past 20 Years［J］.Remote Sensing for Land and Resource，2011(4):121 － 125(in Chinese with English Abstract).

［4］Wittich K P，Hansing O.Area－averaged Vegetative Cover Fraction Estimated from Satellite Data［J］.International Journal of Biometerology，1995，38(4):209 －215.

［5］刁兆岩，徐立荣，冯朝阳，等.呼伦贝尔沙化草原植被覆盖度估算光谱模型［J］.干旱区资源与环境，2012，26(2):139 －144.Diao Z Y，Xu L R，Feng C Y，et al.The Ground Spectral Model for Estimating Vegetation Coverage on Desertified Grassland，Hulunbeier，Inner Mongolia，China［J］.Journal of Arid Land Resources and Environment，2012，26(2):139 －144(in Chinese with English Abstract).

［6］李登科，范建忠，王 娟.陕西省植被覆盖度变化特征及其成因［J］.应用生态学报，2010，21(11):2896 －2903.Li D K，Fan J Z，Wang J.Change Characteristics and Their Causes of Fractional Vegetation Coverage(FVC)in Shaanxi Province［J］.Chinese Journal of Applied Ecology，2010，21(11):2896 －2903(in Chinese with English Abstract).

［7］刘 瑞，王世新，周 艺，等.基于遥感技术的县级区域环境质量评价模型研究［J］.中国环境科学，2012，32(1):181 －186.Liu R，Wang S X，Zhou Y，et al.Ecological Environment Condition Evaluation Mode of County Region Based on Remote Sensing Techniques［J］.China Environmental Science，2012，32(1):181 － 186(in Chinese with English Abstract).

［8］廖春华，张显峰，孙 权，等.基于HJ－1高光谱数据的植被覆盖度估测方法研究［J］.遥感信息，2011(5):65－70.Liao C H，Zhang X F，Sun Q，et al.Fractional Vegetation Cover Estimation Using HJ －1 Spaceborne Hyperspectral Data［J］.Remote Sensing Information，2011(5):65 －70(in Chinese with English Abstract).

［9］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.

［10］Small C.Estimation of Urban Vegetation Abundance by Spectral Mixture Analysis［J］.International Journal of Remote Sensing，2001，22(7):1305 －1334.

［11］Huang Z，Turner B J，Dury S J，et al.Estimating Foliage Nitrogen Concentration from HyMAP Data Using Continuum Removal Analysis［J］.Remote Sensing of Environment，2004，93(1/2):18 －29.

［12］Thenkabail P S，Enclona E A，Ashton M S，et al.Accuracy Assessments of Hyperspectral Waveband Performance for Vegetation Analysis Applications［J］.Remote Sensing of Environment，2004，91(3/4):354－376.

［13］Rouse J W，Haas R H，Schell J A，et al.Monitoring Vegetation Systems in the Ggreat Plains with ERTS［C］//Third Earth Resources Technology Satellite － 1 Symposium.Washington.DC.NASA，1973，1:309 －317.

［14］Jordan C F.Derivation of Leaf－area Index from Quality of Light on the Forest Floor［J］.Ecology，1969，50(4):663 －666.

［15］Pearson R L，Miller D L.Remote Mapping of Standing Crop Biomass for Estimation of the Productivity of the Shortgrass Prairie［C］//Proceedings of the English International Symuposium on Remote Sensing of Environment，1972，2:1375 －1381.

［16］McDaniel K C，Haas R H.Assessing Mesquite－ grass Vegetation Condition from Landsat［J］.Photogrammetric Engineering and Remote Sensing，1982，48(3):441 －450.

［17］Qi J，Chenbouni A，Huete A R，et al.A Modified Soil Adjusted Vegetation Index［J］.Remote Sensing of Environment，1994，48(2):119－126.

［18］Pinty B，Verstraete M M.GEMI:A Non－linear Index to Monitor Global Vegetation from Satellites［J］.Vegetation，1992，101(1):15 －20.

［19］Zribi M，Le Hegarat－ Mascle S，Taconet O，et al.Derivation of Wild Vegetation Cover Density in Semi－arid Regions:ERS2/SAR Evaluation［J］.International Journal of Remote Sensing，2003，24(6):1335 －1352.

［20］李 丽，童立强，李小慧.基于植被覆盖度的石漠化遥感信息提取方法研究［J］.国土资源遥感，2010(2):59－62.Li L，Tong L Q，Li X H.The Remote Sensing Information Extraction Method Based on Vegetation Coverage［J］.Remote Sensing for Land and Resources，2010(2):59 －62(in Chinese with English Abstract).

A Comparative Study of Different Vegetation Indices for Estimating Vegetation Coverage Based on the Dimidiate Pixel Model

XU Shuang1，2，SHEN Run － ping1，YANG Xiao － yue1，2
(1.Key Laboratory of Meteorological Disasters，Ministry of Education，Nanjing University of Information Science and Technology，Nanjing 210044，China;2.College of Remote Sensing，Nanjing University of Information Science and Technology，Nanjing 210044，China)

ASD Field Spec Pro FRTM spectroradiometer was used to measure the spectral response of the vegetable and grass at different vegetation coverage levels.The data were applied to calculate six vegetation indices，i.e.，NDVI(normalized difference vegetation index)，DVI(difference vegetation index)，RVI(ratio vegetation index)，MVI(modified vegetation index)，MSAVI(modified soil adjusted vegetation index)and GEMI(global environment monitoring index).Then the best combination of spectral bands was analyzed.Furthermore，the performance of different vegetation indices was investigated when they were used to estimate the vegetation coverage by using the dimidiate pixel model.The results show that，for the green vegetable，the best combinations of bands in the spectral region from 620 to 740 nm and from 780 to 900 nm have the best correlation with the vegetation index，whereas for the grass，the best combinations of bands are from 620 to 750 nm and from 760 to 900 nm，with the correlation coefficients of the two cases being all larger than 0.8.The bands of Landsat7 and HJ－1A CCD1 simulated according to the spectral response function were employed to calculate the six vegetation indices.The average overall accuracy for estimating the vegetation fraction by DVI and MSAVI is 83.7%and 79.5%respectively，indicating that they are superior to the other four vegetation indices as the input of vegetation index for the dimidiate pixel model.

vegetation coverage;vegetation index;dimidiate pixel model

10.6046/gtzyyg.2012.04.16

TP 79

A

1001－070X(2012)04－0095－06

2012－02－15;

2012－04－08

国家重点基础研究发展计划(973计划)项目(编号:2010CB950701－1，2005CB121108－6)和江苏省高校“青蓝工程”项目共同资助。

徐 爽(1985－)，女，硕士研究生，主要从事遥感建模与应用研究。E－mail:kening_xsh@sina.com。

沈润平(1963 －)，男，教授，博士生导师。E －mail:rpshen@nuist.edu.cn。

(责任编辑:李 瑜)