基于地形调节植被指数的像元二分模型应用研究

2018-05-14 08:59赵威成叶欣张红华
安徽农业科学 2018年28期
关键词:阴坡植被指数覆盖度

赵威成 叶欣 张红华

摘要植被覆盖度是衡量地表植被状况的一个重要指标,归一化植被指数结合像元二分模型是一种通过遥感监测获取植被覆盖度的方法,使用广泛,但在山区会受到地形效应的影响。引入地形调节植被指数估算植被覆盖度,通过配对t检验发现其在山区具有良好的削弱地形效应作用,可用于山區的植被覆盖度反演。

关键词地形调节植被指数;归一化植被指数;地形效应;像元二分模型

中图分类号TP79文献标识码

A文章编号0517-6611(2018)28-0071-02

The Applied Research on Dimidiate Pixel Model Based on TAVI

ZHAO Weicheng1,2,YE Xin1,ZHANG Honghua1

(1.School of Mines,Heilongjiang University of Science and Technology,Harbin,Heilongjiang 150022;2.School of Forestry,Northeast Forestry University,Harbin,Heilongjiang 150040)

AbstractVegetation coverage is an important indicator of surface vegetation. Normalized vegetation index combined with dimidiate pixel model is one of methods to obtain vegetation surface coverage by remote sensing,it is widely used. But it will be affected by topographic effect in mountain area. In this paper,the vegetation coverage was estimated by using the TAVI. By paired t test,it was found that it had a good weakening of the topographic effect in the mountain area,and could be used to invert the vegetation coverage rate in the mountain area.

Key wordsTAVI;NDVI;Topographic effect;Dimidiate pixel model

植被覆盖度是衡量地表植被状况的一个重要指标,也是描述生态系统的基础数据,对水文、生态、区域变化等都具有重要意义。植被覆盖度的计算主要包括地面测量和遥感监测2种方法[1]。

像元二分模型是使用较为广泛的一种植被覆盖度估算方法,其与归一化植被指数(NDVI)结合在实际应用中取得了较好的效果。然而在山区的植被覆盖度估算中,由于地形效应的影响,估算结果出现一些偏差,目前解决地形效应最有效的方式是地形校正。但有些时候待校正地区DEM不易获取或与地形配准不精确,都会影响地形校正的结果,甚至根本无法进行地形校正。针对这种情况,该研究提出采用地形调节植被指数(TAVI)替代归一化植被指数(NDVI),结合像元二分模型,进行地表植被覆盖度反演,为减弱地形效应在植被覆盖度估算中的影响提供一种简洁、有效的方法。

1技术路线与数据预处理

研究区域内有平地、丘陵、山地,能较好地研究地形效应对植被覆盖度的影响,获取了该地区landsat8OLI多波段影像(图1a)以及该地区DEM分辨率30 m(图1b)。

1.1研究技术路线在辐射校正减弱地形影响的各种技术方法中,地形校正被认为是目前最有效的手段,该研究选取地形校正中效果最好的SCS+C校正方法,设地形校正后的NDVISCS+C并结合像元二分模型估算出的植被覆盖度无地形影响,可作为此次研究的参考依据,分别与由归一化植被指数NDVI结合像元二分模型估算出的植被覆盖度VFCNDVI,及由地形调节植被指数(TAVI)结合像元二分模型估算出的植被覆盖度VFCTAVI进行对比分析,得到研究结论。

1.2数据预处理在遥感成像的过程中,受到外界条件的影响,不可避免会含有辐射畸变,在辐射校正时进行了绝对辐射定标,FLAASH大气校正[2],地形校正采用SCS+C方法(图1c)。

研究区域的Landsat8影像和DEM坐标系、投影方式一致,经检查后发现能够达到研究需要的几何配准精度,故不再进行几何校正和几何配准。

2植被覆盖度估算与检验样本抽样

2.1地形调节植被指数TAVI为了减弱在复杂山地由于地形阴坡、阳坡接收到日照的不同而引起的反演阴坡、阳坡植被指数值的差异,有学者在NDVI中引入带地形调节因子的阴影植被指数SVI,有效减弱了该项差异[3]。

TAVI=NDVI+f(Δ)×MR-RR (1)

式(1)中,MR为研究区红波段最大辐射值;R为研究区红波段辐射值。

TAVI对地形效应的减弱效果很大程度上取决于地形调节因子f(Δ)的取值,采用最大值优化匹配算法计算f(Δ)。

(1)利用DEM计算出研究区域的坡度、坡向,划分并提取出遥感影像上相应的阴坡、阳坡区域(该研究为保证结果准确性采用DEM提取阴、阳坡,实际应用中可采用监督分类的方式概要划分)。

(2)分别计算阴坡、阳坡区域中TAVI的最大值TAVI阳max和TAVI阴max,f(Δ)的初始值设为0。

(3)f(Δ)从0开始,以步长10E-5增加,依次迭代计算,当|TAVI阳max-TAVI阴max|≤10-3时终止迭代,计算得f(Δ)=1.42×10-3。

为了更好地比较TAVI在减弱地形效应方面的效果,截取了研究区影像的一小块区域,分别计算地形校正前的NDVI,地形校正后的NDVISCS+C以及TAVI,进行目视对比(图2a、b、c)。对比结果发现,从相应图像纹理均匀性方面考虑,抵抗地形效应最好的是NDVISCS+C,其次是TAVI,最后是NDVI,与预期效果一致。

2.2像元二分模型像元二分模型计算植被覆盖度VFC的通用公式为:

VFC=NDVI-NDVIsoilNDVveg-NDVIsoil(2)

式(2)中,NDVIsoil表示无植被覆盖区NDVI值;NDVIveg表示植被覆盖区NDVI值。可按下式求取:

NDVIsoil=VFCmax×NDVImin-VFCmin×NDVImaxVFCmax-VFCmin(3)

NDVIveg=(1-VFCmin)×NDVImax-(1-VFCmax)×NDVIminVFCmax-VFCmin(4)

在研究区域观察发现,该区域内有水体,可认为完全无植被覆盖,同时该区域有植被完全覆盖区域,故可取VFCmin=0,VFCmax=1。

因此, VFC最终表达式为:

VFC=NDVI-NDVIminNDVImax-NDVImin(5)

式(5)中,NDVImin和NDVImax可在NDVI中得到。遥感影像在成像过程中不可避免地会受到噪声的影响,根据其他研究人员的结论,结合该案例实际情况,按照累计概率分布设置置信区间[0.05%~99.95%][4]。

受NDVI像元二分模型的思路启发,基于TAVI的像元二分模型公式可表达为[5]:

VFCTAVI=NDVI-TAVIminTAVImax-TAVImin(6)

2.3检验样本抽样方案根据经验可知,地形效应对植被覆盖度的影响随着地形的不同而不相同,为了更准确地分析地形效应对地表覆盖度的影响及对地形效应的减弱,采取集群采样结合简单随机抽样的方式进行检验样本抽样[6-7]。

(1)按典型地形分平地、丘陵、山地阳坡、山地阴坡分别对研究区进行人工集群采集,样本尽量均匀分布整个研究区,每个样本内地形保持一致,每类样本采集数量超过5 000个像元。样本总数占研究区域总像元数比例超过1%。

(2)在每类样本中简单随机抽样300个,保证总体估计是无偏的。

3植被覆盖度反演结果分析

3.1植被覆盖度反演总体趋势分析

由图3可知,3种方法估算的植被覆盖度总趋势相同,其中VFCNDVI、VFCTAVI相比VFCSCS+C在植被覆盖度[0.7,0.8)区间内有低估表现,在[0.8,1]区间有高估表现,而总体表现来看,VFCTAVI和VFCSCS+C的分布更为接近,说明TAVI在像元二分模型的应用中对地形效应的影响有一定的改善,但效果较地形校正略差。

3.2山地阴坡地形条件下配对t检验在山地阴坡时受地形效应影响最大,表1是不同植被覆盖度反演结果在山地阴坡地形条件下的配对t检验[8]。由检验结果分析可知,VFCNDVI、VFCTAVI与VFCSCS+C均存在显著性差异,VFCTAVI配对t检验结果相比VFCNDVI配对t检验结果有更小的均值和标准差,说明VFCTAVI结果更接近于VFCSCS+C,地形效应的影响得到减弱。

4结语

通过研究区植被覆盖度反演试验可知,反演精度最高的是VFCSCS+C,但需要的条件较多,在实际生产中限制了其应用。该研究提出的VFCTAVI方法,在其反演结果中受地形效应的影响得到了良好的削弱,并且反演过程不需DEM的辅助,计算简单、方便,生产效率高,在实际生产中有较高的价值。

参考文献

[1]

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.

[2] 邓书斌. ENVI遥感图像处理方法[M].北京:科学出版社,2010.

[3] 江洪,张兆明,汪小钦,等.基于TAVI的山区毛竹林LAI反演分析[J].地球信息科学学报,2015,17(4):500-504.

[4] 李苗苗,吴炳方,颜长珍,等.密云水库上游植被覆盖度的遥感估算[J].资源科学,2004,26(4):153-159.

[5] 马娜,胡云锋,庄大方,等.基于遥感和像元二分模型的内蒙古正藍旗植被覆盖度格局和动态变化[J].地理科学,2012,32(2):251-256.

[6] 任唯敏.植被指数计算区域植被覆盖度的适用性研究[D].西安:西北大学,2012.

[7] 陈爱京,傅玮东,肖继东,等.基于像元二分模型的和布克赛尔县植被覆盖动态变化分析[J].草业科学,2012,29(6):857-862.

[8] 丁春晓,周汝良,叶江霞,等.地形起伏对陆地卫星的NDVI影响研究[J].林业资源管理,2016(4):101-106.

猜你喜欢
阴坡植被指数覆盖度
呼和浩特市和林格尔县植被覆盖度变化遥感监测
阿尔泰山天然林不同采伐坡向的植物群落特征分析
低覆盖度CO分子在Ni(110)面的吸附研究
接坝山区陡坡地段不同坡向油松造林生长状况分析
基于植被指数选择算法和决策树的生态系统识别
不同坡向 坡位对祁连圆柏生长的影响
AMSR_2微波植被指数在黄河流域的适用性对比与分析
河南省冬小麦产量遥感监测精度比较研究
主要植被指数在生态环评中的作用
青海湟水流域植被覆盖度时空变化分析