基于GF-1 WFV和Landsat-8 OLI提取植被信息方法比较研究

杨 斌,高桂胜,王 磊,程 璐

(西南科技大学 环境与资源学院，四川 绵阳 621010)

植被是环境的重要组成因子，在气候、水文和生化循环中起着重要的作用，是反映区域生态环境质量的重要标志。因此，对植被分布及其时空演化规律的研究一直是各国政府和科研机构的关注热点[1]。遥感技术是植被生态调查的重要手段，相比常规的调查方法，遥感具有观测范围广、调查速度快等优点，利用遥感技术进行植被信息提取可以为环境监测、生物多样性保护及农业、林业等相关部门提供数据支持和信息服务[2-3]。

高分一号(简称GF-1)卫星自2013年发射以来，广泛应用于作物估产、污染监测、灾害预警、环境规划等领域。如王利民等对冬小麦面积的识别，陈金凤、程乾对杭州湾湿地典型植被的提取，陈文倩等对山区水体的提取，黄振国、杨君对水稻种植面积的监测，张云英等对尾矿库目视解译最佳波段的组合分析等[4-13]。同时，也有一些针对GF-1和Landsat-8的对比分析，如张晰等对海冰的探测能力对比研究，贾玉秋等在玉米LAI的反演比较，宋军伟对土地覆盖分类上的比较分析等[14-16]。而针对于GF-1卫星WFV传感器和Landsat-8卫星OLI传感器的植被覆盖反演能力比较研究还不多见，尝试选取归一化植被指数(NDVI)、增强植被指数(EVI)、大气阻抗植被指数(ARVI)、土壤调整植被指数(SAVI)和修正的土壤调整植被指数(MSAVI)对比分析不同卫星传感器下指数估算植被覆盖度的效果，为综合应用推广这两种卫星数据在植被信息提取过程中提供参考。

1 研究区与数据源

1.1 研究区概况

茂县位于四川省西北部，地势西北高、东南低。所处经纬度坐标范围为102°56′E～ 104°10′E， 31°25′N～ 32°16′N，该区域东西长为116.62 km，南北长为93.73 km，面积约为3 900多km2。地形表现主要为高山沟谷，平均海拔约2 000 m，相对高度1 500～2 500 m(见图1)。截至2012年，茂县国土总面积3903.28 km2，其中耕地占2.61%，林地占67.5%，草地21.6%，森林覆盖率为31.3%。

图1 研究区数字高程模型分布图(DEM)

1.2 数据源介绍

GF-1卫星于2013-04-26在酒泉卫星发射中心成功发射，开启了中国对地观测的新时代。GF-1卫星搭载了两台2 m全色/8 m多光谱PMS相机，4台16 m分辨率多光谱WFV相机。卫星侧摆条件下重访周期4 d，其中2/8 m分辨率PMS相机覆盖周期需要41 d[18]。 而Landsat-8卫星是美国航空航天局(NASA)于2013-02-11成功发射，卫星上携带两个传感器(陆地成像仪OLI和热红外传感器TIRS)。卫星覆盖周期为16 d。GF-1 WFV影像包括蓝、绿、红、近红外4个波段，Landsat-8 OLI影像覆盖可见光到短波红外共9个波段。其中两种传感器在可见光波段的波谱分布基本一致，差别主要表现在近红外波段，其中Landsat-8 OLI传感器为了排除0.825 μm 处的水汽吸收特征，将近红外波段波谱范围设置为0.85～0.88 μm，而GF-1WFV传感器的近红外波段波谱范围为0.77～0.89 μm。而且两种传感器影像均可免费获得。详细对比见表1。

表1 Landsat-8与GF-1两种传感器参数对比

研究共采用4景遥感数据：GF-1卫星两景数据(从“遥感集市”网站免费获取)；Landsat-8卫星两景数据(从“地理空间数据云”网站免费获取)；4景数据的参数等具体信息见表2。

表2 获取的遥感影像信息表

1.3 数据预处理

遥感图像预处理过程对于植被指数的提取至关重要。针对GF-1数据，先对L1A级数据进行正射校正，再利用不同时期的遥感定标参数进行辐射校正处理，得到表观反射率辐亮度数据，然后采用ENVI软件中的 FLAASH大气校正模块，获取地表反射率的光谱数据；最后结合研究区矢量图层对其进行裁剪。预处理的数据投影统一选择UTM-Zone-48N投影，WGS-84 地理坐标系。 Landsat-8数据是L1T级别数据，已经过正射校正，故而预处理除了不进行正射校正，其余处理流程与GF-1数据类似，数据预处理流程如图2所示。

图2 遥感数据预处理流程图(Landsat-8数据不进行正射校正)

2 植被指标选取与分析

2.1 植被指数选取

利用植被指数来反演植被覆盖度是一种广泛应用的方法，结合前人研究成果和研究区植被分布特点选用5种植被指数[19-27]，分别是：归一化植被指数(NDVI)、增强型植被指数(EVI)、大气阻抗植被指数(ARVI)、土壤调整植被指数(SAVI)和修正的土壤调整植被指数(MSAVI)。5种植被指数的计算式和适用特点见表3。

表3 植被指数及其计算式

注：表中ρNIR为近红外波段的反射率，ρR为红光波段的反射率，ρB为蓝光波段的反射率，L代表土壤调节系数，根据前人研究成果和研究区植被特点，将L设定为0.5[22,25]

2.2 植被指数相关性分析

以NDVI作为基准，分析NDVI与EVI、ARVI、SAVI、MSAVI植被指数之间的相关性。利用GF-1数据的2015年影像，在ENVI软件下获取其相关性分布图，通过对比分析发现SAVI与NDVI的相关性最高，R2指标为0.11，相关性依次为SAVI>MSAVI>EVI>ARVI。利用2015年Landsat-8数据，SAVI与NDVI的相关性也是最高，R2指标为0.09，其相关性依次为SAVI>MSAVI>ARVI>EVI。由此可见，研究区内数据的NDVI与SAVI植被指标相关性最高，但这5种植被指数之间的相关性并不显著，NDVI与SAVI植被指标线性相关性分布图如图3所示。

图3 研究区NDVI与SAVI线性关系分布图

2.3 植被覆盖度估算方法

像元二分模型以其计算方便、结果可靠等优点广泛应用于植被覆盖度的估算[28-29]。根据像元二分模型的原理，假定一个像元的信息S可被分解为土壤(Ssoil) 和植被(Sveg)两部分，像元中有植被覆盖的面积比例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，全部由土壤覆盖的纯像元所得的遥感信息为Ssoil，则二者的权重为它们在像元中所占比例的面积，变换后的植被覆盖度计算式[28-29]为

(1)

式中：S为所求覆盖度下的植被指数参数指标，其中，Ssoil与Sveg是模型的2个参数，Ssoil为植被覆盖度为0%时的植被指数信息，亦指裸地状态；Sveg为植被覆盖度为100%时的植被指数信息，亦指全植被覆盖状态。

将 NDVI 代入式(1)，可得：

(2)

按其研究思路，将EVI、ARVI、SAVI和MSAVI 这4类植被指数变量也分别代入式(1)中可进行不同植被指标体系下的研究区植被覆盖度估算。

3 结果分析

对上述获取的5类植被覆盖度信息做进一步精度验证。其思路是将同期的SPOT 2.5 m全色影像与多光谱影像进行融合，获得的2.5 m彩色融合影像作为参考影像进行精度验证。应用随机采样法，在研究区选取200～300个验证点，建立各指数影像的混淆矩阵，获得植被提取的总精度和Kappa系数(见表4)，计算式[30]为

(3)

(4)

式中：N为验证点总数；k为混淆矩阵的行列数，即类别数，本次研究中为植被和非植被2类；k=2，xii为第i行第i列的数值，xi+与x+i分别代表第i行与第i列的总像元数。Kappa系数越大代表分类精度越高。

从表4的统计结果可知，GF-1和Landsat-8的总体精度都较高，都在80%以上，提取效果理想。其中GF-1为2013年数据，5种植被指数的提取精度依次为NDVI>SAVI>MSAVI>EVI>ARVI，GF-1为2015年数据时，5种植被指数的提取精度依次为NDVI>MSAVI >EVI>ARVI>SAVI，原因是茂县地处川西高原，加上实验采用的数据获取时间是十二月份，植被覆盖度不高，植被指数未达到饱和值，所以NDVI的提取效果最好。对于Landsat-8 2013年数据，5种植被指数的提取精度依次为SAVI>NDVI >EVI>ARVI>MSAVI，Landsat-8 2015年数据，5种植被指数的提取精度依次为SAVI>NDVI >MSAVI >EVI>ARVI，具体提取结果见图4—图7。综合对比得出：高原山区地形环境下GF-1数据在植被指数提取精度要优于Landsat-8数据，分析原因主要表现在GF-1WFV传感器比Landsat-8OLI传感器在近红外的波谱范围更加宽广，且具有更高的空间分辨率。

表4 茂县植被提取精度验证

4 结 论

1)针对茂县地区，利用像元二分模型进行精度验证，GF-1 遥感影像采用NDVI的提取效果最好，分类总精度分别为94.55%(2013年数据)、90.47%(2015年数据)，对应的Kappa系数分别为0.88、0.85，Landsat-8的SAVI提取效果最好，分类总精度94.38%(2013年数据)、95.83%(2015年数据)，对应的Kappa系数分别为0.86、0.88。

图4 2013年GF-1号数据植被覆盖度

图5 2013年LC-8号数据植被覆盖度

图6 2015年GF-1号数据植被覆盖度

图7 2015年LC-8号数据植被覆盖度

2)对比两种卫星传感器的同期影像植被信息提取结果，2013年GF-1采用NDVI的提取效果要略优于Landsat-8采用SAVI的结果，而2015年刚好相反，GF-1的提取精度要低于Landsat-8的提取结果。原因是2015年获取的GF-1数据质量较差，影像左下角云量偏大，导致植被指数提取结果精度下降。

总之，在茂县地区进行植被覆盖度估测反演研究中，GF-1卫星WFV传感器数据完全可以代替Landsat-8卫星OLI传感器数据，而WFV传感器数据更具有空间分辨率高，重访周期短，覆盖面积大的优点，将为GF-1卫星数据及其他GF系列卫星的推广使用提供更加广阔的前景。

[1] 贾海峰, 刘雪华. 环境遥感原理与应用[M]. 北京:清华大学出版社，2006:169-181.

[2] 王文杰, 蒋卫国, 王维, 等. 环境遥感监测与应用[M]. 北京：中国环境科学出版社，2011:163-173.

[3] JENSEN J R.Remote Sensing of the Environment: An Earth Resource Perspective, 2E, Prentice Hall, 2011:355-400.

[4] 杨长坤, 王崇倡, 张鼎凯, 等. 基于SVM的高分一号卫星影像分类[J]. 测绘与空间地理信息, 2015(9):142-144.

[5] 刘剑锋,张可慧,马文才. 基于高分一号卫星遥感影像的矿区生态安全评价研究——以井陉矿区为例[J]. 地理与地理信息科学, 2015(5):121-126.

[6] 黄振国,杨君. 高分一号卫星影像监测水稻种植面积研究综述[J]. 湖南农业科学, 2014(13):76-78.

[7] 曾小箕. 面向对象的高分一号影像信息提取技术研究[D]. 乌鲁木齐：新疆大学, 2014.

[8] 张星星,何政伟,赵银兵,等. 基于OLI影像植被覆盖度估算探索[J]. 地理空间信息,2015(4):99-101,14.

[9] 朱利,李云梅,赵少华,等. 基于GF-1号卫星WFV数据的太湖水质遥感监测[J]. 国土资源遥感, 2015, 27(1):113-120.

[10] 陈文倩,丁建丽,李艳华,等. 基于国产GF-1遥感影像的水体提取方法[J]. 资源科学, 2015(6):1166-1172.

[11] 许莹,张友静,张琴. 基于高分影像的水利空间要素提取规则集构建[J]. 地理空间信息,2016(5):71-74,7.

[12] 王利民,刘佳,杨福刚,等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报,2015,31(11):194-201.

[13] 翁进,曾海波,罗国斌. GF-1卫星数据在土地利用变更调查遥感监测中的应用[J]. 安徽农业科学,2015(16):358-362, 392.

[14] 张晰,张杰,孟俊敏. Landsat-8与GF-1卫星渤海海冰探测能力对比研究[J]. 海洋科学, 2015(2):50-56.

[15] 贾玉秋,李冰,程永政,等. 基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J]. 农业工程学报, 2015, 31(9):173-179.

[16] 宋军伟,张友静,李鑫川,等. 基于GF-1与Landsat-8影像的土地覆盖分类比较[J]. 地理科学进展, 2016, 35(2):255-263.

[17] 董有福, 赵永华, 张锡枝. 岷江上游茂县土地利用格局[J]. 辽宁工程技术大学学报(自然科学版), 2008(增1):282-284.

[18] 陆春玲,王瑞,尹欢. “高分一号”卫星遥感成像特性[J]. 航天返回与遥感, 2014, 35(4):67-73.

[19] 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蓝旗植被覆盖度格局和动态变化[J]. 地理科学, 2012(2):251-256.

[20] 穆少杰,李建龙,陈奕兆,等. 2001-2010年内蒙古植被覆盖度时空变化特征[J]. 地理学报, 2012(9):1255-1268.

[21] 贾坤,姚云军,魏香琴,等. 植被覆盖度遥感估算研究进展[J]. 地球科学进展, 2013, 28(7):774-782.

[22] 李向婷,白洁,李光录,等. 新疆荒漠稀疏植被覆盖度信息遥感提取方法比较[J]. 干旱区地理, 2013(3):502-511.

[23] 罗慧芬,苗放,叶成名,等. 汶川地震前后茂县植被覆盖度变化研究[J]. 水土保持通报, 2013(3):202-205,327.

[24] 苏晓军. 遥感影像植被边界提取方法研究[D].郑州：信息工程大学, 2013.

[25] 程红芳,章文波,陈锋. 植被覆盖度遥感估算方法研究进展[J]. 国土资源遥感, 2008(1):13-18.

[26] 王正兴,刘闯,HUETE Alfredo. 植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J]. 生态学报,2003,23(5):979-987.

[27] 郭铌. 植被指数及其研究进展[J]. 干旱气象,2003(4):71-75.

[28] 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．

[29] ICHOKU C, KARNIELI A. A review of mixture modeling techniques for sub-pixel land cover estimation[J]. Remote Sensing Reviews, 1996, 13(3/4):161-186．

[30] 吕长春,王忠武,钱少猛. 混合像元分解模型综述[J]. 遥感信息, 2003(3):55-58,60．