基于Sentinel-2A影像估算黄土高原光合/非光合植被盖度

吕 渡,刘宝元,何 亮,张晓萍1,,程 卓,贺 洁

基于Sentinel-2A影像估算黄土高原光合/非光合植被盖度

吕 渡1,2,刘宝元3*,何 亮3,张晓萍1,3,程 卓4,贺 洁3

(1.中国科学院水利部水土保持研究所,陕西 杨凌 712100；2.中国科学院大学,北京 100049；3.西北农林科技大学水土保持研究所,陕西 杨凌 712100；4.北京师范大学地理科学学部, 地表过程与资源生态国家重点实验室,北京 100875)

以黄土高原为例,基于Sentinel-2A影像和地表实测地物光谱与盖度数据,分别在模拟混合场景和野外实测混合场景中,评估4种NPV植被指数(NPVI):SWIR32(短波红外比值指数)、DFI(干枯燃料指数)、STI(土壤耕作指数)和NDTI(归一化差异耕作指数)估算非光合植被盖度(NPV)的有效性,并利用优化法确定线性光谱混合模型的关键参数端元值,估算研究区光合植被盖度(PV)和NPV.结果表明,在模拟混合场景下,4种NPVI与模拟NPV线性关系的2是0.365～0.750;在野外场景中,其相关性均有一定程度的降低,2是0.147～0.211.研究构建NDVI-SWIR32像元三分模型,并确定了最优端元值:NDVIPV=0.80,SWIR32PV=0.60, NDVINPV=0.17,SWIR32NPV=0.77,NDVIBS=0.23,SWIR32BS=0.99.模型对PV和NPV估算精度2分别是0.817和0.463,NSE分别是0.806和0.458.利用该模型估算全区2019年4、8和12月的平均PV和NPV,分别为20.3%和59.2%,48.6%和33.1%,10.7%和59.0%.随时间推移,PV从东南向西北不断增加而后减小,NPV与之相反. NDVI-SWIR32模型可以用于Sentinel-2A影像数据来监测黄土高原地区PV和NPV的时空动态变化.

Sentinel-2A；光合植被盖度；非光合植被盖度；线性光谱混合模型；黄土高原

植被从功能角度一般可以分为光合植被(PV)和非光合植被(NPV)[1].植被覆盖度(FVC)作为植被因子的重要量化指标[2],被广泛应用于各种生产力模型和土壤侵蚀预报模型中[3-6].准确预估光合植被盖度(PV)和非光合植被盖度(NPV)对于准确评价生态系统中植被主导的物质迁移和能量聚耗具有重要意义.

遥感技术作为区域植被覆盖度估算的主要手段,方法主要包括光谱指数法和光谱混合分析法.NDVI(归一化植被指数)是目前应用最为广泛的用来估算PV的光谱指数[7].Daughtry等[8]基于NPV在短波红外波段(SWIR,1100～2400nm)诊断性的反射特性,利用高光谱影像建立了CAI(Cellulose Absorption Index,纤维素吸收指数)估算了NPV.由于高光谱影像应用普遍性较差,学者们开始发掘多光谱影像SWIR波段的应用潜力,并基于不同的遥感影像建立了不同的非光合植被光谱指数(NPVI)去估算NPV.如基于TM影像构建的NDRI指数[9](Normalized Difference Residue Index,归一化差异残茬指数),STI指数[10">[10">[9](Normalized Difference Residue Index,归一化差异残茬指数),STI指数[10](Soil tillage index,土壤耕作指数).Guerschman等[11]基于MODIS数据建立了SWIR32(Shortwave Infrared Ratio,短波红外比值指数)替代了CAI,对澳大利亚稀疏草原中的NPV盖度有较好的估算效果.Cao等[12]根据不同种类NPV地物的高光谱曲线的分析,发现NPV在MODIS的第7波段和第6波段的比值明显低于裸土(Bare soil, BS),由此建立了DFI指数(干枯燃料指数),对锡林郭勒草原地区的NPV盖度进行了较高精度的估算,准确率达到80%. Landsat和MODIS影像已经成为区域植被盖度估算的可靠信息源;目前, Sentinel- 2A(哨兵)卫星数据以其较短的重访周期和高分辨率的优势[13],成为开发监测PV和NPV变化工具的发展方向.

利用光谱混合分析法进行区域PV和NPV估算,最常见的是线性解混模型[14-15]. Guerschman等[11]在此基础上,构建了基于光谱指数NDVI-CAI的线性像元三分模型,估算了澳大利亚稀疏草原的PV和NPV.李涛[16]和Wang等[17]通过筛选最优NPVI构建不同的像元三分模型,基于不同分辨率影像,进一步证实了该模型在我国锡林郭勒草原地区估算PV和NPV适用性.然而目前国内学者对NPV的研究主要集中在内蒙古典型草原等空间异质性较低的生态系统中的NPV反演. NDVI-NPVI像元三分模型在我国其它区域的应用还较少,而该模型反演的精度很大程度取决于纯净PV、NPV和BS的选择[18].其假设的合理及普适性都需要进一步的验证.

黄土高原地处半湿润半干旱地区,起着重要的生态屏障功能.1999年实施“退耕还林还草”工程后,生态环境显著改善[19].近年来,大量研究集中在利用GIMMS NDVI、SPOT NDVI和MODIS NDVI等遥感产品分析生态工程前后植被覆盖演变[20-21].本研究将基于Sentinel-2A哨兵影像,通过优化法确定模型关键参数,尝试构建“NDVI-NPVI”像元三分模型,为准确估算黄土高原PV和NPV提供可行算法,研究将为监测黄土高原的植被特别是NPV的覆盖变化提供理论参考,为提高土壤侵蚀预报模型精度、评估生态屏障功能提供科技支撑.

1 研究区概况和数据源

1.1 研究区和调查样地概况

图1 黄土高原植被带以及采样点分布

Ⅰ为暖温带南部落叶阔叶林带;Ⅱ为暖温带北部落叶阔叶林带;Ⅲ为温带森林草原带;Ⅳ为温带典型草原带;Ⅴ为温带荒漠草原带;Ⅵ为温带草原化荒漠带[23]

表1 黄土高原2019年7种典型植被类型样地基本信息

注:带有“*”的植被是该样地中的优势种,代表每个样地用于建模的植被盖度样本数; “-”表示无数据.

黄土高原(100°52′～114°33′E,33°41′～41°16′N,图1),面积约62.4´104km2,是我国重要的自然地理单元和生态屏障区.该区属于大陆性季风气候,年平均气温9～12℃,年平均降雨量100～800mm,呈现从东南向西北递减趋势.地势西北高、东南低,海拔72～4885m.地貌类型主要分为黄土丘陵和黄土塬,约占黄土高原面积的70%.植被表现出明显的地带性.主要土地覆被类型为耕地(38%)、森林(16%),草地(37%),灌木林(1%),裸地(4%)[22].本研究借助Google Earth工具,结合黄土高原植被分布特征,从南至北选择7块2km×2km大小的平坦均质样地,代表7种典型植被类型,进行定点逐月观测实验,样地位置如图1所示,样地基本信息见表1.

1.2 野外植被盖度和地物光谱获取

采用样带法[24],于2019年全年内逐半月/月野外调查样地植被群落PV、NPV和BS的盖度.样带法是在自然植被群落中,使用3个100m长的皮尺,从样方中心点出发,使其交叉呈星形布设,对于平行播种的农业作物样地,在确定中心点后,使用2个100m长的皮尺,使其交叉并与田垄呈45°角.地表覆盖的测量是垂直向下,每隔1m记录地物信息,包括:绿色植被、枯死植被、枯落物、苔藓或者藻类和几种裸露地面(即土壤物理结皮、岩石、扰动土壤).如果存在中间层(灌木层)或者上层(乔木层),需要向上观察,记录覆盖情况.最后,通过将下层、中层和上层合并,以PV、NPV和BS分类,分别除以总数(300或200),计算出样方内的FVC.共得到60组有效的盖度数据.

地物光谱仪采用ASD-Field4便携式高光谱仪,波段范围350～2500nm,波长精度为0.5nm.每次野外作业,于晴天的10:00～14:00之间进行光谱测定,针对样方中不同类别的植被和地物,尽可能多测量,做到应测尽测.在测量时离地物垂直距离为20～30cm,对乔木采集的是冠层光谱.剔除了1350～1420, 1790～ 1930nm处的两段噪声区[25],共测量整理得到PV端元221条,NPV端元169条,BS端元113条的高光谱实测数据.根据Sentinel-2A的光谱响应函数,将实测地物高光谱按照Sentinel-2A波段范围重采样.

1.3 遥感数据获取与预处理

采用Sentinel-2A多光谱卫星数据,其分辨率为10m,重访周期为10d[26].基于Google Earth Engine (GEE)平台,提取了地面试验开展的临近时段内,样带法覆盖的直径为100m的影像范围的像元值.具体操作是沿着样点中心向皮尺的方向辐射,每次提取28个(10m×10m)像元的反射率值并进行平均,最终得到60组数据用于建模优化分析.Sentinel-2数据已经经过辐射定标和几何矫正处理,基于GEE平台最终筛选出了2019年云量较少的4月、8月和12月,共3期合成的去云全黄土高原的Sentinel-2A影像,用ESRI的10m 分辨率的土地利用数据(GEE数据库位置:projects/sat-io/open-datasets/landcover/ ESRI_Global-LULC_10m),将影像上的水体和建设用地掩膜,用来完成空间尺度上的FVC估算.

1.4 野外样地异质性检验

对观测样地的异质性进行了检验.对1.3节中每次野外测量同期的哨兵影像的28个像元,计算每个像元的NDVI,再利用变异系数CV来反映28个像元的NDVI值波动程度,CV大于20%则说明样地的异质性较大[27].天然林地、草地、耕地等样地NDVI的CV值均远远小于20%,然而沙地样地在4月、5月、6月和8月的异质性分别为24.4%、36.3%、37.4%、26.6%.研究将会对沙地进行特别关注.

2 研究方法

2.1 光谱指数及评价

本研究中实地测量的PV与同期哨兵影像提取的NDVI之间存在显著的线性关系(=1.2876- 0.1751,²=0.838, RMSE=0.06).因此,选择NDVI来表征PV.实测的地物光谱反射率曲线表明(图2),指征NPV的植被指数(NPVI)应该要包含诊断波段SWIR2和SWIR3(对应于Sentinel的11和12波段).

选择包含这两个波段的4种NPVI:SWIR32、DFI、STI和归一化差异耕作指数(NDTI),通过比较NPVI与NPV之间的决定系数(2)和均方根误差(RMSE)来评估它们指征NPV的有效性.所选植被指数的计算公式如下[10-11,28]:

式中:RED,NIR,SWIR2,SWIR3分别代表Sentinel-2A卫星的红、近红外、短波红外2和短波红外3的反射率.

图2 耕地样地中的实测PV/NPV/BS反射率曲线及Sentinel-2A的部分波段范围

横坐标1～12表示Sentinel影像的12个波段号

2.2 三元线性光谱混合模型

线性光谱混合模型假设,一个混合像元内的信息是由像元内端元信息以其所占像元面积比例为权重系数的线性组合[29].Guerschman等[11]提出的基于光谱指数的三元线性光谱混合分析法,其原理见下式:

式中: NDVImix和CAImix是混合像元的NDVI和CAI值. NDVIPV、NDVINPV、NDVIBS与CAIPV、CAINPV、CAIBS这6个端元值是影响线性光谱混合模型精度的重要参数[30].

本研究通过构建模拟混合场景来评估不同NPVI估算FVC的理论精度.具体操作是,利用在耕地样地3月采集的小麦绿叶(PV)、玉米残茬(NPV)和裸土(BS)的平均光谱(图2)作为示例,将其重采样到Sentinel-2A的波段范围,采用表2中公式计算各植被指数,并作为模拟端元值.然后设定PV,NPV和BS在0～1的范围内分别以0.1为步长变化,具体为(0,0,1),(0,0.1,0.9),…,(0,1,0);(0.1,0,0.9),(0.1,0.1,0.8),…,(0.1,0.9,0);…(0.9,0,0),(0.9,0.1,0),(1,0,0),将图2的示例曲线分别按照以上的66组假设盖度计算得到66条模拟混合光谱曲线,用以构建模拟混合场景.

2.3 端元值的确定

本研究基于丰富的现场实测盖度数据,采用优化法确定最佳端元值.步骤如下:

(1)根据Sentinel-2A的光谱响应函数,将7种样地的纯净PV、NPV和BS地物的实测光谱重采样到相应波长范围,计算其NDVI和NPVI(研究选择SWIR32指数)值,确定纯净地物光谱指数变化范围.

(2)提取与野外同期对应的哨兵影像波段反射率,计算60组影像像元的NDVI和NPVI(SWIR32)值.再随机分为两组,一组为优化组,共40组数据;另一组为验证组,共20组数据.所用的目标函数是:

式中: RMSEPV、RMSENPV和RMSEBS分别是估算值与实测PV、NPV和BS盖度之间的均方根误差,6个端元值的约束条件在步骤(1)确定的范围内,优化步长为0.01.重复上述步骤,直到确定出值最小的一组端元值.

(3)采用决定系数(2)、Nash-Sutcliffe模型效率系数(NSE)和均方根误差(RMSE)3个指标对线性解混模型在估算FVC中的效果进行评价[15].

3 结果与分析

3.1 光谱指数与模拟fNPV的相关性

表2 三种混合场景下不同光谱指数与模拟fNPV的回归分析结果

注:以上回归分析进行显著性检验,**<0.01,*<0.05.

基于线性光谱混合理论模型,将模拟场景下PV、NPV、BS的66条混合光谱曲线分为PV-NPV、NPV-BS和PV-NPV-BS这3类,分别为11,11和44组.分别讨论这3种混合场景下4种NPVI与NPV(以0.1为步长,在0～1变化的模拟盖度)的回归分析结果.结果表明(表2), SWIR32随着NPV的增加而增大,DFI、STI和NDTI是随着NPV的增加而减小.证明了Sentinel-2A的SWIR波段在估算NPV上的理论可行性.NPVI指数在NPV-BS场景与NPV的线性拟合关系达到了显著水平(<0.05).决定系数2变化范围是0.365～0.992,均方根误差RMSE为0.299～ 1.138. PV-NPV-BS混合场景下4种指数拟合的2相对于PV-NPV混合场景虽有一定程度下降,也能达到0.365～0.750.相对来说,SWIR32指数在不同混合场景下的估算精度均较高.

3.2 光谱指数与实测fNPV的相关性

在野外实际情况下,基于遥感像元计算的4种NPVI与实测NPV的线性拟合2变化范围是0.147～ 0.211(表3).分植被类型来看,4种NPVI与林地、灌木、草地样地中实测的NPV均表现出显著和极显著相关性,然而在耕地和沙地中相关性不大.其中,NPVI对天然林地(秦岭和黄陵)的NPV估算精度均较高,2最大.SWIR32、STI、NDTI三个指数2都在0.96以上,DFI指数2也在0.85以上.其次是对草地、人工灌木林地和人工乔木林地NPV估算,2在0.492～0.735间.整体来看,实际混合场景中, SWIR32估算的RMSE最小,为0.411,2也只有0.147,对其它植被类型的NPV估算精度并不全都是最优.但是考虑到其在模拟混合场景中表现出较高的有效性,实际场景中总体拟合效果差也主要是受沙地的影响,本研究决定采用SWIR32作为适宜黄土高原地区的NPVI,结合NDVI建立像元三分模型,估算该区NPV.

表3 不同光谱指数和地表实测fNPV之间的线性关系

注:以上回归分析进行显著性检验,**<0.01,*<0.05.

3.3 端元值的确定

基于在7块样地累积一年实测的不同PV、NPV和BS地物的光谱曲线,计算NDVI和SWIR32指数(基于Sentinel-2A波段范围),建立端元值的约束条件(表4),优化得到一组最优端元值,即NDVIPV为0.80,NDVINPV为0.17,NDVIBS为0.23,SWIR32PV为0.60,SWIR32NPV为0.77,SWIR32BS为0.99.将该组端元值分别带入优化组和验证组,得到FVC预测值与观测值之间的线性关系(表4)和散点图(图3).结果表明, NDVI-SWIR32模型对样地尺度PV和NPV盖度的估算值与实测值之间有极显著的线性关系,2分别达到0.817和0.463,NSE分别是0.806和0.458.

表4 优化过程中各个端元值的约束条件及模型估算结果与实测盖度的线性关系(n=60)

注:以上回归分析进行显著性检验,**<0.01,*<0.05.

每幅图中异质性较高的沙地样地的点,基本分布在=线附近,对于估算精度的影响并不明显.值得注意的是,4种NPVI与沙地实测NPV的线性关系都不显著(表3).研究利用不包括沙地的其它52组数据重新进行优化及验证,其中优化组共34组数据(RMSEPV=0.161,RMSENPV=0.223,RMSEBS=0.106),验证组共28组数据(RMSEPV=0.133,RMSENPV= 0.234,RMSEBS=0.163),优化精度与包含沙地数据的结果相差不大(表4).说明本研究中沙地对参数优化精度没有显著影响.

图a表示优化组中PV盖度观测值与估算值的散点分布,图c表示优化组中NPV盖度观测值与估算值的散点分布,图e表示优化组中BS盖度观测值与估算值的散点分布;图b表示验证组中PV盖度观测值与估算值的散点分布,图d表示验证组中NPV盖度观测值与估算值的散点分布,图e表示验证组中BS盖度观测值与估算值的散点分布;每幅图中两个黑色实心圆点,表示像元组提取NDVI的CV值超过20%的沙地样地

3.4 fPV和fNPV的估算结果

根据上述确定的最佳端元,构建NDVI-SWIR32像元三分模型,对2019年4,8和12月的Sentinel-2A影像进行了解混,如图4所示.黄土高原4月PV和NPV总盖度为79.5%,8月为81.7%,12月为69.6%.12月总盖度略有降低,可能是由于影像数据有一定程度的缺测造成.随着温度升高,4月植被开始逐渐返绿,PV只有20.3%,NPV还保持在59.2%.8月植物生长旺盛,PV迅速增长至48.6%,NPV下降但仍占33.1%;12月PV迅速下降至10.7%,NPV返至4月水平,为59.0%.三期影像解混结果表明,BS在月际间相对稳定,与实际情况基本相符.该区PV全年基本呈现东南和中部较高,西北较低的分布特征,与降雨量在年内的分布特征基本一致.夏季PV高的地区主要分布在南部的秦岭林区和中部的子午岭林区,变化总体与野外调查情况一致.南部及中部的部分地区在冬季PV仍较高,这可能与该区主要粮食作物冬小麦的分布有关.东南和中部的PV随着时间的变化量也明显大于西北.全区NPV在冬春季节呈现东南和中部高,西北较低的分布特征,而在夏季的规律则相反.

4 讨论

4.1 光谱指数对模型精度的影响

在模拟混合场景下,4种NPVI与模拟NPV的线性相关性都较高,而且估算结果之间存在明显的差异.由于野外环境下,太阳高度、大气状况、植被类型等因素对卫星接收地表反射率的影响,与理论分析结果相比,野外情况下的NPVI估算精度有所降低,结果之间的差异也并不明显,尤其是在草地、人工灌木林地和人工乔木林地中.可能是由于这3种样地都处于干旱半干旱区,基本的物种类型和地貌形态都相似.而且人工灌木林以柠条为主要物种,人工乔木林以幼林龄的油松为主要物种,长势较低矮、稀疏.三者的生境比较接近,因此植被指数在这3种样地上的有效性也比较相似.4种指数与耕地和沙地NPV的线性关系不显著.这可能与被观测地物的性质有关.6月初小麦刚成熟,根据颜色判断成熟的小麦为NPV,但是实际上小麦此时并不完全表现为NPV的波谱特征,会引起实测值与遥感观测值之间的误差.9月时的玉米属于开花期,大量玉米樱的存在,会导致遥感影像不表现为纯PV指征[31].可见,野外盖度观测的主观性还是不免会为结果引入误差[15].

基于综合考虑,研究构建了NDVI-SWIR32模型.其中NDVI与实测PV显著相关,本研究也证实了SWIR32指数基本与多种植被类型样地中的实测NPV均有良好的线性相关性,与Guerschman等[11]的研究结果一致. Wang等[17]基于DFI指数构建像元三分模型,在区域NPV估算中也取得了良好的结果.在今后的研究中,可尝试分别利用STI和NDTI与NDVI构建像元三分模型,探索更多多光谱指数估算NPV的可能性.本研究中,4种NPVI与沙地实测NPV的线性关系均较差.有研究发现,土壤性质、水分和颜色对NDVI-SWIR32模型的估算精度并没有显著影响[32],因此猜测还可能是由于沙地的裸沙占比较大,BS的背景减弱了NPV的光谱特征[33].也有可能是因为沙地的实测盖度数据较少(=8),影响了估算结果.

4.2 端元值对模型精度的影响

一般情况下,端元值的确定方法分为影像端元法和实测端元法.柴国奇等[15]基于Sentinel-2A影像,利用影像端元法,对锡林郭勒草原的FVC进行了估算(NPV估算的RMSE为0.09,2为0.61).本研究的估算2与其相近,RMSE略大,这可能还是由于研究区复杂的地形和植被引起的误差.尽管是10m分辨率的影像,要通过相关算法(PPI算法等)得到大量影像上的纯净像元,在黄土高原这样异质性较高的地区,也必定会引入误差.此外,影像端元法存在着同物异谱的现象,对模型估算精度具有较大的影响[34].本研究结合实测的端元光谱确定了纯净端元变化范围,并利用优化试算法进行最佳端元值的确定,在一定程度上弥补了影像端元法的缺点.

端元值取值对估算精度的影响比较大.表5是采用Guerschman估算全球FVC时NDVI-SWIR32模型的端元值[27]在本研究区样地尺度估算植被盖度的结果.与本研究估算结果对比发现,两者对PV的估算精度比较一致.利用哨兵影像和优化法确定的黄土高原端元值对NPV和BS的估算精度更高,2分别增加了37%和40%,RMSE分别减小了36%和50%,NSE指数分别达到了0.458和0.577,认为达到了可以接受的程度[35].在地形、植被复杂地区使用高精度Sentinel-2A估算区域NPV还鲜少有研究.研究结果表明该区的NPV在夏季仍占地表总覆被的40%,若只考虑PV而不考虑NPV,则可能会使黄土高原植被生态效益低估达40%.结果显示该区PV与NPV随时间的变化与植被物候规律一致,其在区域上的分布符合野外实际调查的情况,与该区雨量空间分布规律相吻合[36].因此可应用该影像数据与模型进行该区更长时间序列的PV与NPV植被动态变化监测,补充该区关于NPV的研究.

野外实测盖度数据与影像数据也不完全同期,尤其对于春季和秋季,地表PV、NPV、BS组分变化较快的时期,也会在一定程度上影响FVC的估算精度[15].尽管本研究已经在时间尺度上进行了不同植被类型下的盖度观测,但是样地数量相对还较少.因此在后续的研究中,可以考虑从以下几点方向增加模型估算FVC的精度:1)加入更大时空范围内的野外地表盖度测量,引入多维度测量方法,以提高地面FVC的准确性,例如加入无人机对FVC的图像解译;2)加入更多的地表最纯净地物端元的高光谱测量,以帮助最佳端元值的确定;3)对比使用传统的线性光谱混合模型解混该区FVC,以确定最优的混合像元解混方法.

表5 利用Guerschman端元值估算的FVC与实测盖度的线性关系(n=60)

注:以上回归分析进行显著性检验,**<0.01,*<0.05.

5 结论

5.1 4种NPVI(SWIR32,DFI,STI,NDTI)与模拟NPV均表现出显著相关性,与天然林地、人工柠条林地、人工油松林地和草地中实测的NPV线性相关性最好,与沙地的最差.总体上SWIR32有效性较高.

5.2 像元三分模型中的端元值是影响其精度的关键.利用优化法确定的NDVI-SWIR32端元值分别是:NDVIPV=0.80,SWIR32PV=0.60,NDVINPV=0.17, SWIR32NPV=0.77, NDVIBS=0.23, SWIR32BS=0.99.模型估算PV和NPV的2分别是0.817和0.463,NSE分别是0.806和0.458.

5.3 利用该模型,以Sentinel-2A为数据源,估算研究区2019年4、8、12月的PV和NPV分别为20.3%和59.2%,48.6%和33.1%,10.7%和59.0%,其时空动态变化规律与实地调查结果及植被物候特征相符.本研究方法可用于黄土高原PV和NPV的时空动态变化的快速监测.

[1] Feng Q, Zhao W, Ding J, et al. Estimation of the cover and management factor based on stratified coverage and remote sensing indices: A case study in the Loess Plateau of China [J]. Journal of Soils and Sediments, 2018,18(3):775-790.

[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] Liu B, Zhang K, Yun X. An empirical soil loss equation; proceedings of the Proc 12th ISCO Conf, F [C]. Beijing, 2002.

[4] Renard K G, Foster G R, Weesies G A, et al. Predicting soil erosion by water: A guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE) [M]. United States Government Printing, 1997.

[5] Wischmeier W H, Smith D D. Predicting rainfall erosion losses: a guide to conservation planning [M]. Department of Agriculture, Science and Education Administration, 1978.

[6] 江忠善,郑粉莉.坡面水蚀预报模型研究 [J]. 水土保持学报, 2004,18(1):66-69.

Water Erosion Prediction Model at Hillslope Scale [J]. Journal of Soil and Water Conservatio, 2004,18(1):66-69.

[7] Gillies R R, Carlson T N. Thermal remote sensing of surface soil water content with partial vegetation cover for incorporation into climate models [J]. Journal of Applied Meteorology, 1995,34(4):745-756.

[8] Daughtry C S T, Mcmurtrey J E, Chappelle E W, et al. Measuring crop residue cover using remote sensing techniques [J]. Theoretical & Applied Climatology, 1996,54(1/2):17-26.

[9] Gelder B, Kaleita A, Cruse R. Estimating mean field residue cover on midwestern soils using satellite imagery [J]. Agronomy journal, 2009, 101(3):635-643.

[10] van Deventer A P, Ward A D, Gowda P H, et al. Using thematic mapper data to identify contrasting soil plains and tillage practices [J]. Photogrammetric Engineering and Remote Sensing, 1997,63(1): 87-93.

[11] Guerschman J P, Hill M J, Renzullo L J, et al. Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO-1Hyperion and MODIS sensors [J]. Remote Sensing of Environment, 2009,113(5):928-945.

[12] Cao X, Chen J, Matsushita B, et al. Developing a MODIS-based index to discriminate dead fuel from photosynthetic vegetation and soil background in the Asian steppe area [J]. International Journal of Remote Sensing, 2010,31(6):1589-1604.

[13] 欧阳伦曦,李新情,惠凤鸣,等.哨兵卫星Sentinel_1A数据特性及应用潜力分析 [J]. 极地研究, 2017,29(2):286-295.

Ouyang L X, Li X Q, Hui F M, et al. Sentinel-1A data products’ characteristics and the potential applications [J]. Chinese Journal of Polar Research, 2017,29(2):286-295.

[14] 郑国雄,李晓松,张凯选,等.浑善达克沙地光合/非光合植被及裸土光谱混合机理分析 [J]. 光谱学与光谱分析, 2016,36(4):1063-1068.

Zheng G X, Li X S, Zhang K X, et al. Spectral mixing mechanism analysis of photosynthetic/non-photosynthetic vegetation and bared soil mixture in the hunshandake(Otindag) sandy land [J]. Spectroscopy and Spectral Analysis, 2016,36(4):1063-1068.

[15] 柴国奇,王静璞,邹学勇,等.基于Sentinel-2数据的典型草原光合/非光合植被覆盖度估算 [J]. 草业科学, 2018,35(12):2836-2844.

Chai G Q, Wang J P, Zou X Y, et al. Estimating fractional cover of photosynthetic/non-photosynthetic vegetation in a typical steppe region based on sentinel-2data [J]. Pratacultural Science, 2018,35(12): 2836-2844.

[16] 李 涛,李晓松,李 飞.基于Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算 [J]. 生态学报, 2015,35(11):3643-3652.

Li T, Li X S, Li F. Estimating fractional cover of photosynthetic vegetation and non-photosynthetic vegetation in the Xilingol steppe region with EO-1hyperion data [J]. Acta Ecologica Sinica, 2015,35 (11):3643-3652.

[17] Wang G, Wang J, Zou X, et al. Estimating the fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil from MODIS data: Assessing the applicability of the NDVI-DFI model in the typical Xilingol grasslands [J]. International Journal of Applied Earth Observation and Geoinformation, 2019,76:154-166.

[18] Mishra N B, Crews K A, Okin G S. Relating spatial patterns of fractional land cover to savanna vegetation morphology using multi-scale remote sensing in the Central Kalahari [J]. International Journal of Remote Sensing, 2014,35(6):2082-2104.

[19] 何 亮,吕 渡,郭晋伟,等.基于MODIS的北洛河流域植被盖度变化研究 [J]. 人民黄河, 2020,42(2):67-71.

He L, Lyu D, Guo J W, et al. Study on vegetation coverage change of beiluo river basin based on MODIS [J]. Yellow River, 2020,42(2): 67-71.

[20] 刘国彬,上官周平,姚文艺,等.黄土高原生态工程的生态成效 [J]. 中国科学院院刊, 2017,32:11-19.

Liu G B, Shangguan Z P, Yao W Y, et al. Ecological effects of soil conservation in Loess Plateau [J]. Chinese Academy Journal, 2017, 32:11-19.

[21] Chen N, Ma T, Zhang X. Responses of soil erosion processes to land cover changes in the Loess Plateau of China: A case study on the Beiluo River basin [J]. Catena, 2016,136:118-127.

[22] Sun R, Chen S, Su H. Spatiotemporal variations of NDVI of different land cover types on the Loess Plateau from 2000 to 2016 [J]. Progress in Geography, 2019,38(8):1248-1258.

[23] 王义凤.黄土高原地区植被资源及其合理利用 [M]. 北京:中国科学技术出版社, 1991.

Wang Y F. Vegetation Resources and their Rational Utilization in the Loess Plateau Region [M]. Beijing: Science and technology of China press, 1991.

[24] Muir J S, M., Tindall, D., Trevithick, R., Scarth, P., & Stewart, J. B. Field measurement of fractional ground cover: a technical handbook supporting ground cover monitoring for Australia [J]. 2011.

[25] Lyu D, Liu B, Zhang X, et al. An experimental study on field spectral measurements to determine appropriate daily time for distinguishing fractional vegetation cover [J]. Remote Sensing, 2020,12(18):2942.

[26] Drusch M, Del Bello U, Carlier S, et al. Sentinel-2: ESA's optical high-resolution mission for GMES operational services [J]. Remote Sensing of Environment, 2012,120:25-36.

[27] Guerschman J P, Oyarzabal M, Malthus T, et al. Evaluation of the MODIS-based vegetation fractional cover product [J]. 2012.

[28] Gates D M, Keegan H J, Schleter J C, et al. Spectral properties of plants [J]. Applied Optics, 1965,4(1):11-20.

[29] Asner G P, Heidebrecht K B. Spectral unmixing of vegetation, soil and dry carbon cover in arid regions: Comparing multispectral and hyperspectral observations [J]. International Journal of Remote Sensing, 2002,23(19):3939-3958.

[30] 李晓锦.基于混合像元分解的植被覆盖度估算及动态变化分析 [D]. 西安:西北大学, 2011.

Li X J. Estimation and dynamic change analaysis of vegetation fractional coverage based mixed-pixel unmixing model in the Loess Plateauy [D]. Xi’an: Northwest University, 2011.

[31] 唐延林,王秀珍,王人潮.玉米高光谱及其红边特征分析 [J]. 山地农业生物学报, 2003,22(3):189-194.

Tang Y L, Wang X Z, Wang R C. Study on the hyperspectral and their red edge characteristics of corn [J]. Journal of Mountain Agriculture and Biolog, 2003,22(3):189-194.

[32] Guerschman J P, Scarth P F, McVicar T R, et al. Assessing the effects of site heterogeneity and soil properties when unmixing photosynthetic vegetation, non-photosynthetic vegetation and bare soil fractions from Landsat and MODIS data [J]. Remote Sensing of Environment, 2015,161:12-26.

[33] Serbin G, Daughtry C S T, Hunt E R, et al. Effects of soil composition and mineralogy on remote sensing of crop residue cover [J]. Remote Sensing of Environment, 2009,113(1):224-238.

[34] 王光镇,王静璞,邹学勇,等.基于像元三分模型的锡林郭勒草原光合植被和非光合植被覆盖度估算 [J]. 生态学报, 2017,37(17):5722- 5731.

Wang G Z, Wang J P, Zou X Y, et al. Estimation of fractional cover of photosynthetic and non-photosynthetic vegetation in the Xilingol steppe region using the NDVI-DFI model [J]. Acta Ecologica Sinica, 2017,37(17):5722-5731.

[35] Popov E. Gidrologicheskie prognozy (Hydrological forecasts) [J]. Leningrad: Hydrometeoizdat, 1979,126:256.

[36] Xu X, LYU D, Lei X, et al. Variability of extreme precipitation and rainfall erosivity and their attenuated effects on sediment delivery from 1957 to 2018 on the Chinese Loess Plateau [J]. Journal of Soils and Sediments, 2021,21(12):3933-3947.

致谢：感谢杨希华老师带来的研究兴趣点;感谢许小明,易海杰,薛帆,邹亚东,郭晋伟,王举凤,黄涛,曹琦,赵明,苏敬博等同学在野外采样时的帮助;感谢北京师范大学周红敏老师对光谱仪使用的指导.

Sentinel-2A data -derived estimation of photosynthetic and non-photosynthetic vegetation cover over the loess plateau.

LÜ Du1,2, LIU Bao-yuan3*, HE Liang3, ZHANG Xiao-ping1,3, CHENG Zhuo4, HE Jie3

(1.Institute of Soil and Water Conservation, Chinese Academy of Sciences and Ministry of Water Resources, Yangling 712100；2.University of Chinese Academy of Sciences, Beijing 100049；3.Institute of Soil and Water Conservation, Northwest A&F University, Yangling 712100；4.State Key Laboratory of Earth Surface Processes and Resource Ecology, School of Geography, Beijing Normal University, Beijing 100875)., 2022,42(9)：4323～4332

In this study, we evaluated four non-photosynthetic vegetation indices (NPVI), including Shortwave Infrared Ratio (SWIR32), Dead Fuel Index (DFI), Soil Tillage Index (STI) and Normalized Difference Tillage Index (NDTI) for Non-photosynthetic Vegetation (NPV) estimation in the simulated and field mixed scenarios, respectively, and applied them to estimateNPVusing Sentinel-2A data (10m) over the Loess Plateau. We applied a linear unmixing model to estimatePhotosynthetic Vegetation (PV) andNPVbased on the triangular relationship between Normalized Vegetation Difference Index (NDVI) and NPVI (e.g., SWIR32). The NDVI-NPVI endmember values were determined. The results showed that the correlation coefficient (2) between each NPVI and simulatedNPVwas between 0.365 to 0.750, and 0.147 to 0.211 between each NPVI andNPVunder the field mixed scenario. Using this approach, we estimated the Loess Plateau’s averagePVandNPVfor April, August and December in 2019, being 20.3% and 59.2%, 48.6% and 33.1%, and 10.7% and 59.0%, respectively. The2of the model forPVandNPVestimation reached 0.817 and 0.463, respectively, while the NSE was 0.806 and 0.458, respectively. The results also revealed the seasonal variationPVfrom southeast to northwest over time, and the opposite trend forNPV. Our study suggests that the NDVI-SWIR32 model can be used with Sentinel-2A data to adequately monitor the spatiotemporal dynamics ofPVandNPVin the Loess Plateau.

Sentinel-2A；photosynthetic vegetation；non-photosynthetic vegetation；linear spectral mixture model；the Loess Plateau

X171,TP79

A

1000-6923(2022)09-4323-10

2022-02-08

国家自然科学基金资助项目(41877083)

*责任作者, 教授, baoyuan@bnu.edu.cn

吕 渡(1992-),女,陕西西安人,中国科学院教育部水土保持与生态环境研究中心博士研究生,研究方向为生态遥感.