基于混合像元分解的植被覆盖度模型比较研究

陈虹兵，黄贝贝，彭道黎*

(1.北京林业大学，北京 100083；2.四川省林业调查规划院，四川 成都 610036)

植被覆盖度是指植被的冠层、枝叶在地面垂直投影的面积与统计区总面积的百分比[1-2]。它是评定地表植被状况的一个重要参数。此外，由于植被覆盖度对土壤侵蚀、水土流失以及生态系统环境变化等有影响和指示作用，它被广泛地应用于生态环境调查、土壤侵蚀研究等各个领域。

估算植被覆盖度的方法经过了从传统的地面测量到遥感监测的发展。目估法是最简单的地面测量方法[3-4]，但其主观性太强。采样法、模型法以及仪器法也是地面测量的几种方法[5]，这些方法虽然在一定程度上提高了测量的精度，但受野外作业、人力、物力以及区域等条件的限制，无法满足快速提取大范围植被覆盖度的要求[6]。然而遥感测量具有覆盖范围广、重复周期短及高效、经济等特点，利用遥感测量的方法估算植被盖度相比传统地面测量更具优势。当前有经验模型法、植被指数法以及亚像元分解法3类遥感估算植被覆盖度的方法。亚像元分解法是近年被日益广泛使用的方法[7-8]，其中像元二分法和线性光谱混合模型法具有对调查数据的依赖小、精度较高等优点，运用比较广泛。本研究采用像元二分模型和线性光谱混合模型计算延庆区植被覆盖度，对比分析2种模型的精度和差异。

1 材料与方法

1.1 材料

1.1.1 研究区概况 延庆区位于北京市的西北部(115°44′-116°34′E，40°16′-40°47′N)，东邻怀柔，南接昌平，西面和北面与河北省怀来县、赤城县相接，三面环山，总面积达1 993.75 km2。该区属大陆性季风气候，是暖温带与中温带，半干旱与半湿润的过渡带。年平均温度8.8℃，无霜期150～160 d。年平均降雨量为467 mm，降水主要集中在6-8月。该区内森林植被属于针阔混交林，区内主要森林类型有：白桦林(Betulaplatyphylla)、油松林(Pinustabulaeformis)、侧柏林(Platycladusorientalis)、华北落叶松林(Larixprincipis-rupprechtii)、蒙古栎林(Quercusmongolica)、刺槐林(Robiniapseudoacacia)、山杨林(Populusdavidiana)、杂木林(Broadleafforests)等。

1.1.2 数据来源 本研究选用一景Landsat8 OLI影像，空间分辨率30 m，条带号为123/32，时间是2014-08-15，云量为0.73%，影像来源于地理空间数据云(http://www.gscloud.cn)、延庆区1∶50 000地形图、延庆区边界矢量图、延庆区2014年二类调查数据以及实测样点补充调查数据120个和已经校正好的条带号为123/32的2008年Landsat5 TM影像。

1.1.3 图像预处理 对影像进行了辐射定标，采用Chavez、Chander建立辐射校正模型进行大气校正。运用ENVI5.1中的数据预处理Map菜单下的校正(Registration)进行几何校正，依据“控制点分布均匀，选择相对固定及明显的地物点”，在整景Landsat8 OLI影像上选取120个控制点，用已经校正好的TM图像做参照，对于误差较大的控制点进行删除、重选，直到误差<1个像元，最后经过图像裁剪得到研究区影像。这一系列操作都在ENVI5.1平台下完成。

1.2 研究方法

1.2.1 像元二分模型法 像元二分模型是最常用的线性模型。它是假设土壤与植被2部分所贡献的信息组成1个像元的信息[9-10]。设植被信息为Sv，土壤信息为Ss，那么像元的信息S可以分解为2部分，用公式表达[11]：

S=Sv+Ss

(1)

设像元的植被和土壤(无植被)所占面积比例分别为FC和1-FC，全植被所覆盖的纯像元的遥感信息为Sveg，全土壤的纯像元的遥感信息为Ssoil[12]。将植被成分在混合像元中贡献的信息Sv表示为：

Sv=FC×Sveg

(2)

同理，土壤成分信息可以表达为：

Ss=(1-FC)×Ssoil

(3)

将(2)(3)式带入(1)可得：

S=FC×Sveg+(1-FC)Ssoil
FC=(S-Ssoil)/(Sveg-Ssoil)

(4)

式中，Ssoil和Sveg都是参数，通过上述公式转换，可以得到植被覆盖度计算公式：

FC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

(5)

式中，NDVIveg为纯植被像元的NDVI值，NDVIsoil为无植被像元的NDVI值[12]。NDVI值可在ENVI5.1平台下由公式(NIR-R)/(NIR+R)计算得到结果。

本研究中用实测的植被覆盖度对应的NDVI值作为NDVIsoil和NDVIveg，具体做法是在延庆区实地调查数据中选择植被覆盖度最高的5块样地，在图像中提取对应的NDVI值，将平均值作为NDVIveg，即延庆区中最大植被像元反映的遥感信息，同理得到NDVIsoil值[13]。

1.2.2 线性光谱混合模型法

1)线性光谱混合模型。线性光谱混合模型假定通过传感器测得的光谱是像元中均一端元的线性宏观组合[14]。在线性光谱混合模型中，每一光谱波段中单一像元的反射率表示为它的端元组分反射率与他们各自丰度的线性组合[15]。本研究采用全受限的线性光谱混合模型来进行分析，公式为：

(6)

式中，ρi,j,k是i行j列像元在k波段的反射率；Fi,j,m是基本组分m在i行j列像元中所占分量值；ρm,k是基本组分m在k波段的反射率；ei,j,k为k波段i行j列像元的误差值。 应用该模型的关键是尽可能减少模型中每个像元的误差，即使均方根误差RMSE最小化：

RMSE=[∑(ei,j,k)2/N]1/2

(7)

式中，N为像元总数。

2)端元的提取。选取合适的端元是成功的关键。在多光谱数据处理上,一般选取3～4个端元，反演的精度较高[16-17]。本研究选取的端元为植被、耕地、裸地和水体4种[18]。端元光谱的获取有2种方法：一是使用光谱仪在直接测量得到的“参考端元”；二是在遥感影像上提取得到的“图像端元”。本研究直接在影像上获取端元，采取的方法是基于几何顶点的端元提取。

3)线性波谱分离。使用线性波谱分离工具可以根据物质的波谱特征，获得多光谱或者高光谱图像物质中的丰度信息，即混合像元分解过程[19]。线性波谱分离要求端元波谱数量少于图像波段数，收集的端元波谱将被自动重采样，以与要被分离的图像的波长相匹配。

2 结果与分析

2.1 基于像元二分模型的植被覆盖度提取

利用实地数据中植被覆盖度最高和最低的5块样地，从图中对应位置提取出NDVI求平均值，计算出的NDVIveg=0.824 3，NDVIsoil=0.073 8。在ENVI5.1平台下利用式(5)求出延庆区的植被覆盖度。根据国家环保总局对荒漠化等级的划分，结合前人的监测结果，将研究区植被覆盖度图划分成裸地(0～0.1)、低覆被(0.1～0.3)、中低覆被(0.3～0.45)、中覆被(0.45～0.6)、高覆被(0.6～1.0)，利用Arcgis10.2软件将植被覆盖度计算结果进行分级(图1)，统计结果见表1。

表1 植被覆盖度统计结果Table 1 The results from vegetation coverage statistical

根据2014年延庆区二类调查数据和实际样点数据，在延庆区Landsat 8图像上均匀地选择80个检验点，检验的结果见表2，可以看出，像元二分模型在计算裸地(0～0.1)时精度为61.54%，低覆被(0.1～0.3)时精度为57.14%，中低覆被(0.3～0.45)时精度为83.33%，中覆被(0.45～0.6)时精度为100%，高覆被(0.6～1.0)时精度为95.45%。将精度进行面积加权计算，总体精度达到85.31%。

表2 植被覆盖度统计结果检验Table 2 The vegetation coverage test statistics

2.2 基于线性光谱混合模型的植被覆盖度提取

经过线性波谱分离后的结果见图2。经过计算，均方根误差平均值为0.007 2，结果较为理想。

选取40个样点，将线性光谱混合分析各组分分量与植被覆盖度进行建模，得到线性回归模型。从表3可以看出，植被覆盖度与植被组分分量的拟合效果(R2=0.78)比与其他组分分量要好。

利用植被分量回归模型计算植被覆盖度，同样将其分为5类(图3)，统计结果见表4。

同样根据2014年延庆区二类调查数据和实际样点数据，在线性光谱混合模型计算出的植被覆盖度图像上均匀地选择80个检验点，检验的结果见表5。可以看出，线性光谱混合模型在计算裸地(0～0.1)时精度为84.62%，低覆被(0.1～0.3)时精度为85.71%，中低覆被(0.3～0.45)时精度为88.89%，中覆被(0.45～0.6)时精度为95%，高覆被(0.6～1.0)时精度为86.36%。将精度进行面积加权计算，总体精度达到88.76%。

表3 植被覆盖度与线性光谱分量的线性回归模型Table 3 Regressive models of coverage and vegetation fraction values

2.3 结果比较

本研究将延庆区植被覆盖度分为5个等级(0～0.1，0.1～0.3，0.3～0.45，0.45～0.6，0.6～1.0)，利用像元二分模型计算结果低覆被(0.1～0.3)占比最小，为7.5%，而线性光谱混合模型计算结果中低覆被(0.3～0.45)占比最小，为8.63%。2种模型的计算结果都是高覆被(0.6～1.0)所占比例最大，分别占到了54.28%和51.03%，说明延庆区总体植被覆盖度较高。

表4 植被盖度统计结果Table 4 The vegetation coverage statistical results

图1 植被覆盖度分级Fig.1 The vegetation coverage classification

注：颜色越暗或越黑，代表其对应组分值越小；图中颜色越亮或越白，代表所对应组分的值越大。

图3 植被覆盖度结果分级Fig.3 The vegetation coverage classification

在精度方面，利用线性光谱混合模型总体精度为88.76%，高于像元二分模型的85.31%。而且在计算中低植被覆盖度(0～0.6)植被覆盖度时，线性光谱混合模型精度明显高于像元二分模型法。线性光谱混合模型根据不同端元波谱特征，将混合像元分解为不同的端元丰度，能够达到更好的混合像元分解效果，在像元中植被所占比例不高时效果明显。

3 结论与讨论

本研究对适用于延庆区的2种植被覆盖度估算模型进行了对比分析，结果表明：像元二分模型计算延庆区植被覆盖度的精度为85.31%，而利用改进的线性光谱混合模型计算的精度达到88.76%。线性光谱混合模型估测精度要高于像元二分模型。由此可知，在县域尺度基于Landsat8 OLI影像和线性光谱混合模型提取植被覆盖度是可行的，对后来的研究有一定的参考价值。

表5 植被覆盖度统计结果检验Table 5 The vegetation coverage test statistics

2种方法都是亚像元分解方法，像元二分模型可以看成是二端元的特殊线性光谱混合模型，而本研究线性光谱混合模型采用的是四端元，对端元的分解更精确，尤其是植被分量在混合像元中所占比例不大时表现明显。在计算中低植被覆盖度(0～0.6)时，线性光谱混合模型法精度要>像元二分法。

线性光谱混合模型法是一种实用的遥感估算模型，而且便于实现。一方面可以减少外业调查工作，降低成本；另一方面，该模型适用范围广，可以满足林业调查的需求。但是在运用线性光谱混合模型法计算植被覆盖度时，端元的数量以及获取端元的方法都会对结果精度造成一定的影响，分解混合像元的过程中，不同的研究区域，具体采用哪几种端元组合来进行解混，以期获得较高的精度，至今还没有形成一致认同的观点[20]，有待进步研究。

参考文献：

[1] 李秀瑞,孙林,朱金山,等.多尺度遥感数据协同的干旱地区植被覆盖度提取[J].生态学杂志,2016,35(5):1394-1402.

LI X R,SUN L,ZHU J S,etal.Extraction of vegetation in arid regions using multi-scale remote sensing data synergistically [J].Chinese Journal of Ecology,2016,35(5):1394-1402.(in Chinese)

[2] 胡振琪，陈涛．基于ERDAS的矿区植被覆盖度遥感信息提取研究——以陕西省榆林市神府煤矿区为例[J]．西北林学院学报，2008,23(2):164-167.

HU Z Q,CHEN T.ERDAS aided exbraction of vegetation fraction from remote sensing information in coalmine area based—a case study of Shenfu coalmine [J].Journal of North-west Forestry University,2008,23(2):164-167.(in Chinese)

[3] 张云霞,李晓兵,陈云浩.草地植被覆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.

ZHANG Y X,LI X B,CHEN Y H.Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage[J].Advance in Earth Sciences,2003,18(1):85-93.(in Chinese)

[4] 赵春玲,李志刚,吕海军,等.中德合作宁夏贺兰山封山育林育草项目区植被覆盖度监测[J].宁夏农林科技,2000(6):6-14.

[5] ZHOU Q.ROBSON M,PILESJO P.On the ground estimation of vegetation cover in Australian rangelands [J].International Journal of Remote sensing,1998(9):1815-1820.

[6] 张光辉,梁一民.黄土丘陵人工草地径流起始时间研究[J].水土保持学报,1995,9(3):78-83.

ZHANG G H,LIANG Y M.Study on runoff beginning time of artificial grassland in Loess Hilly region [J].Journal of Soil and Water Conservation,1995,9(3):78-83.(in Chinese)

[7] 孙明,沈渭寿,谢 敏,等.基于光谱特征的雅鲁藏布江源区草地类型识别[J].国土资源遥感,2012(1):83-89.

SUN M,SHEN W S,XIE M,etal.The identification of grassland types in the source region of the Yarlung Zangbo River based on spectral features [J].Remote Sensing for Land & Resources,2012(1):83-89.(in Chinese)

[8] 王宏,李晓兵,龙慧灵,等.整合1982—1999 年NDVI 与降雨量时间序列模拟中国北方温带草原植被盖度[J].应用基础与工程科学学报,2008,16(4):525-536.

WANG H,LI X B,LONG H L,etal.Simulating vegetation fractional coverage for temperate grassland in northern China combiningNDVIwith precipitation time series from 1982 to1999 [J].Journal of Basic Science and Engineering,2008,16(4):525-536.(in Chinese)

[9] 杨静雅,李新国,闫凯,等.基于遥感与像元二分模型的新疆和静县草地植被覆盖度时空变化特征研究[J].西北林学院学报,2017,32(1):210-217.

YANG J Y,LI X G,YAN K,etal.Tempotal and spatial variation characteristics of grassland vegetation coverage in Hejing of Xinjiang based on remote sensing and dimidiate pixel model[J].Journal of Northwest Forestry University,2017,32(1):210-217.(in Chinese)

[10] 刘玉安,黄波,程涛,等.基于像元二分模型的淮河上游植被覆盖度遥感研究[J].水土保持通报,2012,32(1):93-97.

LIU Y A,HUANG B,CHEN T,etal.Vegetation coverage in Huaihe river basin based on binary pixel model of remote sensing[J].Bulletin of Soil and Water Conservation,2012,32(1):93-97.(in Chinese)

[11] 黄秋燕,于 刚,丁 琳.都安县植被覆盖度动态变化的遥感反演及驱动力分析[J].南方国土资源,2008,25(9):34-37.

[12] 杨海波,王宗敏,李纪入,等.基于RS 与GIS 的密云县生态环境效应分析[J].国土资源遥感，2008,20 (4):64-69.

YANG H B,WANG Z M,LI J R,etal.An eco-environment effect analysis of Miyun County based on RS and GIS [J].Remote Sensing for Land & Resources,2008,20 (4):64-69.(in Chinese)

[13] 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.

LI M M,WU B F,YAN C Z,etal.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing[J].Resources Science,2004,26(4):153-159.(in Chinese)

[14] 彭道黎.京津风沙源治理工程监测技术[M].北京:科学出版社,2010.

[15] 杨峰,李建龙,杨文钰,等.基于线性光谱混合模型的荒漠草地覆盖度估测[J].农业工程学报,2012,28(7):243-247.

YANG F,LI J L,YANG W Y,etal.Assessing vegetation coverage of desert grassland based on linear spectral mixture model[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(7):243-247.(in Chinese)

[16] 傅文杰,戴塔根.基于线性光谱混合模型的遥感影像枇杷树信息提取[J].西北林学院学报,2006,21(2):13-15.

FU W J,DAI T G.Extracting loquat thematic information based on linear spectral mixture models[J].Journal of Northwest Forestry University,2006,21(2):13-15.(in Chinese)

[17] SMALL C.The landsat ETM+spectral mixing space [J].Remote Sensing of Environment,2004(93):1- 17.

[18] KAUFMAN Y,TANRE D.Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J].IEEE Transactions on Geo Science and Remote Sensing,1992(30):261-270.

[19] RO HIN A,MASPIMAVE J,LAFLEUR J.Pressure drop through nonwoven geotextiles:a new analytical model[J].Second International Conference on Geotextiles,Las Vegas,USA,1982(1):161-166.

[20] 戚文超,张 霞,岳跃民.多端元光谱混合分析综述[J].遥感信息,2016,31(5):11-18.

QI W C,ZHANG Y,YUE Y M.Review on multiple endmember spectral mixture analysis.[J].Remote Sensing Information,2016,31(5):11-18.(in Chinese)