南方典型植被遥感丰度信息提取

郭云开，刘海洋,蒋 明,朱佳明

(1. 长沙理工大学，湖南 长沙 410076； 2. 长沙理工大学测绘遥感应用技术研究所，湖南 长沙 410076)

在遥感影像中，由于受传感器及地面植被环境复杂多样性的影响，混合像元普遍存在于遥感影像之中[1-2]。传统方法多采用植被指数法、监督分类等硬分类方法进行植被覆盖度的提取，仅能判断每个像元有且只有一个类别[3]。中低分辨率遥感影像中存在的大量混合像元导致单纯依靠硬分类方法提取植被覆盖度往往达不到精度要求。为提高植被覆盖度提取精度，一些专家和学者将像元分解模型引入到植被覆盖度反演领域之中[4-5]。文献[6]针对遥感城市生态系统研究问题提出了植被-不透水面-土壤(vegetation-impervious surface-soil，V-I-S)模型，认为城市遥感影像中的混合像元是植被、不透水面和土壤这3种代表性地物端元光谱的线性组合。文献[7]对V-I-S模型加以改进，提出了适用于森林资源植被子类丰度提取的针叶林-阔叶林-灌草(coniferous-broad leaved-grass，C-B-G)模型。通过对陕西省黄龙县森林分布情况进行分析，利用最小噪声分离(MNF)选择了3种终端端元进行光谱解混，分别形成研究区针叶林、阔叶林、灌草覆盖度图像，以达到提取森林信息的目的，并通过精度评价验证了此分类方法的可靠性。

植被指数是通过对遥感影像数据光谱信息进行分析运算处理，获取植被生长信息，进而对植被长势、生物量等进行监测的度量参数[8]。文献[9]通过实地调查获取了多个玉米端元，构建了MERSI影像的EVI时间序列曲线和玉米端元EVI生长曲线，通过光谱匹配的方式(用生长曲线代替光谱曲线)为混合像元匹配最佳玉米端元进行混合像元解混，得到了较好的解混结果。然而，大部分区域影像波谱库数据的缺乏且单独获取成本高使得端元只能从影像上获得。影像端元获取方法具有高效、快捷且与影像尺度一致等特点，是目前获取端元的主要方式。为减弱同物异谱现象的影响，本文以影像上获取的方式得到优势树种的多个端元，并通过构建EVI时间序列生长曲线，用于匹配最佳端元组合进行光谱解混，以提高丰度提取的精度。

1 研究区域及数据处理

1.1 研究区域

宁乡市位于长沙市西部，是典型的亚热带地区，南方典型植被覆盖于宁乡市全境，包括常绿阔叶林、针叶林和低矮植被。选取宁乡市南部作为研究区域，植被覆盖度较好，交通便利，便于野外调查和相应数据的采集。

1.2 数据采集与处理

本试验对宁乡南部研究区域进行了实地调查，数据采集时间为2018年6月17日，正值南方地区典型植被生长旺季，当天天气晴朗，无云无风，外业试验数据采集区域(15 m×15 m)均为植被覆盖区域，包括全阔叶林覆盖、全针叶林覆盖和阔、针叶林混合覆盖。每个样区以1个中心点和4个顶点作为测点，结合影像上样区位置，综合确定样点像元空间位置。采用对角线调查法计算该区域的阔、针叶面积百分比并记录树种类型。

南方典型林地主要是常绿阔叶林、针叶林及低矮植被。林地的一个生长周期包括越冬准备期、落叶休眠期、萌发期、春季营养生长期、夏季营养生殖期，EVI指数出现峰值。因此，本文数据采用成像时间为2017年10月30日到2018年7月26日的少云、优选Landsat 8遥感影像共6期，对遥感影像进行预处理，经过辐射定标和FLAASH模型大气校正后，对OLI影像进行掩膜裁剪，获取研究区域的Landsat 8 OLI多光谱影像。基于ENVI 5.1软件平台，通过GPS定位的样点中心坐标，从遥感影像上提取对应各个波段的地表反射率。

2 研究方法

2.1 EVI时间序列构建

植被指数具有明显的时序性和季节性。相较其他植被指数，EVI时间序列能够较好地突出不同林木类型的差异性[10]，增强型植被指数计算公式为

EVI=G×(ρNIR-ρred)/(ρNIR+C1×ρred-

C2×ρblue+L)

(1)

式中，G=2.5；ρNIR为Landsat 8影像的第5通道近红外反射率值；ρred为Landsat 8影像的第4通道红光反射率值；ρblue为Landsat 8影像的第2通道蓝光反射率值；系数L=1为土壤调节参数；C1=6,C2=7.5描述通过Blue来修正大气对Red的影响[11]。依次计算林地各个生长时期内的遥感影像EVI值并合成得到一个生长周期的EVI时间序列影像。林木由上一个生长周期结束后，叶片开始枯萎和脱落，植被指数从峰值处逐渐下降，林木正式进入到越冬准备期。针叶林相较于常绿阔叶林耐寒性较低，直至12月份的落叶休眠期，针叶林叶绿素含量的持续降低，植被指数下降速率远超过常绿阔叶林。在此时间段内，两者EVI序列曲线可能出现相交的情况。之后将进入萌发期、春季营养生长期、夏季营养生殖期，林木开始生长直至EVI植被指数最高点，再一次完成一个植被生长周期。将野外采样点的GPS点位导入EVI时间序列影像中,分别得到不同地物在整个生长周期内的EVI时间序列曲线，如图1所示。

2.2 基于EVI时间序列的混合像元分解

混合像元普遍存在于遥感影像中，在地表地物分布比较复杂的区域更是如此。在不考虑二次散射的情况下，可认为一个像元的反射率值是由各地物反射率(端元)按照其在该像元内所占的面积比(丰度)进行线性组合得到的[12]。

线性光谱混合模型(LSMM)如下

(2)

在整个生长周期中，林木形成一条与光谱曲线相类似的EVI生长曲线。利用EVI时间序列曲线代替光谱曲线进行混合像元解混，能够更加突出不同树种间的差异性，可以有效弥补多光谱数据波段数少的缺陷。本文通过Landsat 8数据构造研究区植被EVI时间序列图像，利用EVI生长曲线匹配最优端元组合进行混合像元分解的研究。

2.3 端元提取及像元分解方法

端元是指在遥感影像中没有发生混合的“纯点”,物理意义是组成混合像元的多种单一光谱的土地覆盖类型[13]。混合像元分解的主要步骤有为：①端元选取；②混合像元的分解。端元选择正确与否决定了高精度混合像元分解的成败[14]。本文利用最小噪声变换(MNF)分离数据中的噪声、像元纯度指数法PPI(pixel purity index)对像元纯度进行分析。

MNF的实质是进行两次层叠的主成分变换，将主成分分量按照信噪比由大到小排列，图像的大部分信息将会包含在前几个分量当中[15]。分别对反射率影像和EVI时间序列影像进行MNF变换，两者均选择前4个MNF分量，累积信息量都超过了89%。

利用纯净像元指数法PPI处理分析MNF变换所选择的分量数据，可以更好地寻找到纯净像元(端元)。本文设置迭代次数为10 000次，对分量数据反复迭代以计算像元纯净度。

将处理结果导入N维空间中，通过交互式判断像元点的聚集情况确定终端端元组分数及波谱值。对研究区域实地调查发现，研究区域存在阔叶林、针叶林和低矮植被3类主要地物组分。处理后的单幅Landsat 8遥感影像在N维散点图中不能很好地判断影像存在的地物组分，难以得到终端端元。为此，本文对植被生长周期内的6幅遥感影像进行处理，得到EVI时间序列影像。利用EVI时间序列影像代替单幅Landsat 8遥感影像获取N维散点图，参与端元组分和终端端元的获取。

在线性光谱混合模型中，一种端元组分的多个像元采样点通过取平均值的方式参与模型的运算，即终端端元的光谱值是多个同种像元的平均值，并且参与获取终端端元的同类型端元数量不能小于研究图像像元总数的0.1%才可以保证能覆盖所有的土地类型[16]。同时端元组分的类型应是研究区内多数像元的有效组成成分，残余误差应尽可能地小。然而，进行交互式目视判断时，由于肉眼识别存在误差，不同的聚集区域会得到不同的端元数据，终端端元处于一个选取区间内，而且由于同物异谱现象的影响，同种端元之间也存在着差异。常绿阔叶林是南方林木的主体，在N维散点图中聚集的像元点波动区间最大。为削弱上述因素的影响，在将EVI作为线性混合光谱模型分解因子的同时，在常绿阔叶林点位聚集区域内，选取3个子区域输出点位的平均值，作为常绿阔叶林端元，分别与针叶林和低矮植被进行端元组合，共有3种端元组合形式，标记为1、2、3，并利用光谱角填图，确定端元组合的解混区域。

利用完全约束最小二乘法混合像元分解，图2所示为利用EVI时间序列曲线代替光谱曲线进行光谱角填图后混合像元分解获得的南方植被丰度分布图。解混结果表明：纯阔叶林18个采样点中，传统线性光谱解混错分5个，自适应光谱解混后未出现错分情况；低矮植被中存在乔木林，增加阔叶林端元光谱后，解混精度得到改善；通过野外采集的多个样本点数据进行线性拟合检验，阔叶林R2为0.892 1，针叶林R2为0.861。

3 结 语

本文运用Landsat 8遥感影像EVI时间序列数据作为线性光谱混合模型的解混因子进行研究。研究结果表明：在混合像元分解的过程中，EVI时间序列曲线在可分离性方面优于光谱反射率曲线；有限的光谱波段及同物异谱现象使得传统的基于端元光谱组合的像元分解精度降低；本文通过选取优势树种的多端元进行解混，并利用光谱角(EVI时间序列曲线)填图的方式匹配最佳端元组合进行解混，结果精度的提高证明了该方法的有效性。随着南方地区经济的发展，大量的高等级公路投入到建设当中，这导致远离城市的森林植被受到了胁迫，致使同种林木端元有较高的变异性。本文通过增加同种端元个数的方式，削弱了同物异谱现象的影响。但是，本文仅考虑了同物异谱现象对解混精度的影响，在后续研究中需综合考虑其他影响因素，以进一步提高丰度提取精度。