趙泰安 彭道黎

(北京林業(yè)大學(xué)，北京，100083)

植被是陸地表面主要的覆蓋類型，作為反映區(qū)域環(huán)境的標(biāo)志之一，植被是環(huán)境重要組成及影響因子，也是人們研究的主要對象[1]。植被蓋度指植物群落總體或個體地上部分的垂直投影面積與樣方面積之比的百分?jǐn)?shù)。植被蓋度測量的傳統(tǒng)方法是地面測量，最簡單的測量方法就是目估法[2－3]，其缺點(diǎn)是主觀性太強(qiáng)，更加客觀的測量方法有樣方法[4]、樣帶法[5]、樣點(diǎn)法[2，6]等，以及借助采樣儀器的測量方法，如空間定量計(jì)、移動光量計(jì)等[2]。這些方法雖然提高了測量的精度，但野外操作不便，并且成本較高，難以在大范圍內(nèi)快速提取植被蓋度。相對于前幾種方法，利用遙感手段對地表植被的提取相對簡便，一方面在于遙感數(shù)據(jù)的獲取相對容易，成本低廉;另一方面也有利于在大范圍內(nèi)適時的監(jiān)測植被動態(tài)變化。一般來說，利用多時相遙感數(shù)據(jù)進(jìn)行變化分析的方法最常用的有兩種:逐個像元對比和分類后對比。逐個像元對比是將多時相的遙感圖像迭合在一起，對每個像元進(jìn)行逐一比較，無需進(jìn)行圖像分類，如果像元之間亮度值差別較大，表明該像元發(fā)生了的變化。分類后對比，首先對各個圖像進(jìn)行分類，然后將分類結(jié)果迭合起來進(jìn)行對比，從而獲得各個像元的變化情況;逐個像元對比由于無需進(jìn)行分類，因此可以盡量減少分類帶來的誤差，但從該方法所獲得的結(jié)果只能知道某一個像元是否發(fā)生了變化，無法知道發(fā)生變化的內(nèi)容。分類后對比可以清楚地獲得每一個像元具體的變化性質(zhì)，但是該方法由于要首先進(jìn)行分類，其結(jié)果受分類誤差的影響，從而導(dǎo)致普遍出現(xiàn)夸大變化的現(xiàn)象[7]。

由于上述兩種變化分析方法各有特色和側(cè)重點(diǎn)，在方法的直觀性、可操作性以及定量分析等方面仍有值得改進(jìn)之處。本文就目前多時相遙感數(shù)據(jù)進(jìn)行變化分析的兩種常用方法進(jìn)行一個簡要的探討，即用歸一化植被指數(shù)(NDVI)逐個像元對比和像元二分法植被覆蓋度分類后進(jìn)行對比，分析密云縣植被覆蓋度的動態(tài)變化，為密云縣氣候變化和水土保持方面提供科學(xué)依據(jù)。

1 數(shù)據(jù)來源及研究區(qū)域概況

本文研究選用兩幅TM、一幅ETM影像，條帶號為123/32，時間分別是1992年9月7日、2009年9月22日和2005年9月3日。數(shù)據(jù)來源于中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)服務(wù)平臺(http://datamirror.csdb.cn);影像獲取的月份一致，有利于進(jìn)行遙感分析。此外還有密云1∶5萬地形圖，密云縣一類清查資料。

密云縣位于北京市東北部，屬燕山山地與華北平原交接地。密云縣西起東經(jīng)116°39'33″～117°30'25″，東西長 69 km;南起北緯 40°13'7″～ 40°47'57″，南北寬約64 km。東南至西北依次與北京市的平谷區(qū)、順義區(qū)、懷柔區(qū)接壤，北部和東部分別與河北省的灤平縣、承德、興隆縣毗鄰。全縣總面積2229.45 km2，占全市面積的13%，是北京市土地面積最大的區(qū)縣。全縣山區(qū)面積占79.5%，1771.75 km2;平原面積占11.8%，263.4 km2;水面面積占 8.7%，194.3 km2。屬于半濕潤大陸性季風(fēng)氣候，冬冷夏暖，年平均氣溫為10.8℃，年平均降水量為657 mm。

2 研究方法

圖像校正最主要是輻射校正、系統(tǒng)粗校正和幾何精校正，本次試驗(yàn)所用的數(shù)據(jù)均經(jīng)過輻射校正和系統(tǒng)粗校正，只需要對下載的數(shù)據(jù)進(jìn)行幾何精校正和對ETM圖像進(jìn)行去條帶處理。由于landsat－7 ETM+機(jī)載掃描行校正器(SLC)故障導(dǎo)致2003年5月31日以后獲取的圖像出現(xiàn)了數(shù)據(jù)條帶丟失，為了使ETM數(shù)據(jù)能夠使用，必須對其進(jìn)行去條帶處理。在處理中所運(yùn)用的模型是多影像局部自適應(yīng)回歸分析模型，既利用多景不同時相的遙感數(shù)據(jù)、采用局部回歸分析方法對一景影像進(jìn)行縫隙填充，回歸區(qū)域面積為變化值，提取局部區(qū)域相關(guān)性最大的區(qū)域進(jìn)行回歸分析，選擇局部區(qū)域面積最小，相關(guān)性最大的區(qū)域進(jìn)行回歸分析。處理結(jié)果表明，該模型最最大程度提高了影像修復(fù)質(zhì)量，能滿足數(shù)據(jù)質(zhì)量的要求。

本研究運(yùn)用ERDAS IMAGINE9.2中的數(shù)據(jù)預(yù)處理(date prep)模塊下的幾何校正模塊(geometric correction)完成幾何校正，借助北京市1∶5萬地形圖及部分GPS野外實(shí)測數(shù)據(jù)，依據(jù)“多點(diǎn)均勻分布、選擇相對固定及明顯的地物點(diǎn)”。在整幅1992年的TM影像上選取21個控制點(diǎn)，對于不符合精度要求的控制點(diǎn)進(jìn)行刪除、重選，直至符合要求。經(jīng)RMS檢驗(yàn)，誤差小于一個像元，采用立方卷積法進(jìn)行重采樣，產(chǎn)生地面分辨率30 m，投影系統(tǒng)為高斯——克呂格投影，北京——54坐標(biāo)系的幾何精校正影像。其余兩幅TM影像均以校正好的1992年的TM影像為基準(zhǔn)進(jìn)行影像間的配準(zhǔn)，利用影像——影像的方式，達(dá)到幾何配準(zhǔn)的目的。

獲取密云縣的行政邊界圖，對其進(jìn)行投影變換和坐標(biāo)配準(zhǔn)，使其與遙感影像坐標(biāo)相吻合。首先利用ERDAS的Vector將矢量多邊形轉(zhuǎn)換成柵格圖像文件，再通過掩膜運(yùn)算(Mask)實(shí)現(xiàn)圖像不規(guī)則裁剪。本次試驗(yàn)所采用的是ERDAS矢量柵格轉(zhuǎn)換功能和掩膜運(yùn)算得到密云縣的遙感影像。

3 結(jié)果與分析

3.1 歸一化植被指數(shù)的提取

歸一化植被指數(shù)計(jì)算公式如下:

其中，RNI表示近紅外波段，R表示紅色波段。本文所采用的是Landsat TM數(shù)據(jù)，因此公式(1)可以表達(dá)為:

利用ERDAS遙感處理軟件，可以分別從3幅遙感影像中提取出歸一化植被指數(shù)影像用ERDAS提取3幅歸一化植被指數(shù)影像的值分別為:－0.7037＜NDVI(1992)＜0.6363，－0.67089＜NDVI(2005)＜0.597，－0.4359＜NDVI(2009)＜0.72093。為了便于對3個時期歸一化植被指數(shù)合成圖進(jìn)行分析，用ERDAS中Model Maker功能將歸一化植被指數(shù)圖像中像元灰度值歸一到0～255之間，得到3幅影像歸一化的NDVI值分別為5＜NDVI(1992)＜253，4＜NDVI(2005)＜244，0＜NDVI(2009)＜255(圖1)。

3.2 假彩色合成原理

RGB色彩就是常說的三原色，R代表Red(紅色)，G代表 Green(綠色)，B代表 Blue(藍(lán)色)。RGB色彩模式使用RGB模型為圖像中每一個像素的RGB分量分配一個0～255范圍內(nèi)的強(qiáng)度值。我們將1992年、2005年及2009年3幅單波段影像進(jìn)行RGB假彩色合成，利用顏色的變化得出密云縣植被的動態(tài)變化情況(圖2)。

3.3 植被蓋度遙感估算像元二分模型[8]

像元二分模型最大的優(yōu)點(diǎn)就是削弱了大氣、土壤背景與植被類型等的影響。在前人研究的基礎(chǔ)上可知，像元二分模型適用于密云縣植被蓋度的研究。假設(shè)一個像元的信息可以分為土壤與植被兩部分，通過遙感傳感器所觀測到的信息S，就可以由植被信息和土壤信息兩部分組成，這里我們將植被信息表示為Sv，土壤信息為SS，那么像元的信息S可以分解為兩部分。

對于一個由土壤與植被兩部分組成的混合像元，像元中由植被覆蓋的面積比例，即為該像元的植被蓋度FC，而土壤覆蓋的面積比例為1－FC。設(shè)全由植被所覆蓋的純像元所得的遙感信息為Sveg，混合像元的植被成分所貢獻(xiàn)的信息Sv可以表示為Sveg與FC的乘積。

同理，設(shè)全由土壤所覆蓋的純像元所得的遙感信息為Ssoil，混合像元的土壤成分所貢獻(xiàn)的信息SS可以表示為Ssoil與1－FC乘積

將(4)、(5)兩式代入(3)可得

其中Ssoil和Sveg都是參數(shù)，因而可以用上面式子計(jì)算植被覆蓋度。

圖1 密云縣歸一化植被指數(shù)植被圖

圖2 彩色合成方法與各顏色相應(yīng)的解釋

Bradley將歸一化植被指數(shù)與植被覆蓋度作線性相關(guān)分析.肯定了歸一化植被指數(shù)與植被覆蓋度有良好的相關(guān)性。此項(xiàng)研究表明歸一化植被指數(shù)符合像元二分模型的條件，可以代入模型[9]。

由上述公式變換可得下面的利用歸一化植被指數(shù)計(jì)算植被蓋度的公式:

其中:NDVIsoil為完全裸土或無植被覆蓋區(qū)域的值，即無植被像元的NDVI值;NDVIveg則代表全植覆蓋像元的歸一化植被指數(shù)值，即純像元的歸一化植被指數(shù)值。

根據(jù)公式 FC=(NDVI－NDVIsoi)/(NDVIveg－NDVIsoil)計(jì)算植被蓋度，這里面最重要的是關(guān)于參數(shù)NDVIsoi和NDVIveg的選擇。理論上來說NDVIsoi和NDVIveg應(yīng)該為0和1，但在實(shí)際的應(yīng)用當(dāng)中，由于大氣影響及地表濕度、粗糙度、土壤類型、土壤的影響，NDVIsoi會隨著空間而變化，變化范圍一般在－0.1～0.2之間[10];本文采取置信度為5%，在這個區(qū)間內(nèi)取最大值和最小值。1992年、2005年及2009年的最大值和最小值分別為(0.588，0.053)，(0.508，－0.02)，(0.625，0.004)。利用 ENVI進(jìn)行計(jì)算得到植被蓋度等級圖(圖3)。

圖3 植被蓋度等級圖

3.4 NDVI合成圖及植被蓋度等級合成圖

將1992、2005、2009年的歸一化植被指數(shù)圖及植被蓋度等級圖分別進(jìn)行(RGB)假彩色合成。根據(jù)RGB假彩色合成原理可知，當(dāng)3幅影像的像元值都比較大時，像元呈灰白色;當(dāng)像元值比較小時，像元呈黑色;其余顏色像元值變化比較大，為植被不穩(wěn)定區(qū)域(圖4和圖5)。

圖4 NDVI合成圖

圖5 植被蓋度等級合成圖

圖6 NDVI監(jiān)督分類圖

3.5 監(jiān)督分類

通過實(shí)地的抽樣調(diào)查，配合人工目視判讀，對遙感圖像上抽樣區(qū)的影像地物類別屬性擁有先驗(yàn)知識，進(jìn)行訓(xùn)練樣區(qū)的選擇，然后利用ENVI遙感圖像處理軟件中最大似然法對歸一化植被指數(shù)合成圖和植被蓋度等級合成圖進(jìn)行監(jiān)督分類。

圖7 植被蓋度等級監(jiān)督分類圖

依據(jù)密云縣土地利用現(xiàn)狀圖，森林資源一類清查資料及Google Earth將植被蓋度劃分為3個等級，低植被蓋度(0≤fc＜0.3)、中植被蓋度(0.3≤fc＜0.7)和高植被蓋度(0.7≤fc＜1)3 種類型。將三期圖像進(jìn)行RGB假彩色合成，(ABC)、(abc)和(123)分別代表1992、2005和2009年低、中和高植被蓋度。結(jié)合假彩色合成原理，將兩幅監(jiān)督分類圖進(jìn)行統(tǒng)計(jì)，結(jié)果如表1和表2所示。

分類結(jié)果分析。參考實(shí)地考察密云縣二類調(diào)查表，采用隨機(jī)抽樣的方法在研究區(qū)抽樣，每期取點(diǎn)50個左右，利用相關(guān)的遙感軟件計(jì)算Kappa指數(shù)。結(jié)果表明，在圖6的8個類別當(dāng)中，總體分類精度達(dá)85.25%，黑色 Kappa指數(shù)為1，品紅色 Kappa指數(shù)最低為0.6175，其余均在0.7 ～0.8。在圖7 的8 個類別當(dāng)中，總體分類精度達(dá)83.13%，黑色Kappa指數(shù)為1，黃色Kappa指數(shù)最低為0.6532，其余均在0.68 ～0.85。

4 結(jié)論與討論

2009年時密云縣水域面積為6671.92 hm2，占全縣面積比例是3.02%;密云縣建筑用地面積4067.01 hm2，占全縣面積比例是 1.82%;品紅色區(qū)域代表的是從1992年到2005年這段時間內(nèi)，歸一化植被指數(shù)下降，從2005年到2009年這段時間，歸一化植被指數(shù)升高，這部分區(qū)域主要是封山育林區(qū)域和農(nóng)田植被以及部分建筑用地。面積為66806.37 hm2，所占比例為29.82%;黃色區(qū)域是2005年以后植被指數(shù)下降區(qū)域，主要是一些新開墾的荒地和裸地，及植被受到破壞的未利用地，面積為95543.82 hm2，所占比例為42.64%;和1992年相比2009年的時水域面積減少9947.9424 hm2，占全縣面積比例的4.44%，這部分在圖中的顏色是青色、藍(lán)色和綠色;灰白色為植被穩(wěn)定的區(qū)域，這部分區(qū)域面積40902.21，所占密云縣面積的比例為18.26%。

表1 NDVI合成圖監(jiān)督分類結(jié)果

表2 植被蓋度合成圖監(jiān)督分類結(jié)果

像元分類后對比法中各顏色所代表的意思和用逐個像元分類對比法略有不同，黑色代表的是低植被蓋度區(qū)域，主要是水域和居民地，這部分面積 11584.71 hm2，所占比例為 5.29%;紅色區(qū)域代表的隨著時間的推移是該區(qū)域從高植被蓋度向低植被蓋度轉(zhuǎn)移，主要是在這17 a中新增加的建筑用地和工礦用地。品紅色和黃色所代表的意思和逐個像元分類對比法中的一致，都是植被不穩(wěn)定的區(qū)域。逐個像元分類對比法中，像元植被不穩(wěn)定區(qū)域所占比例為72.46%，在植被蓋度分類后對比中所占比例為70.67%，可以看出兩種方法中，所得出植被不穩(wěn)定的區(qū)域相差不大。青色區(qū)域是無植被或者低植被覆蓋區(qū)域向高植被覆蓋區(qū)域轉(zhuǎn)化，1992到2005藍(lán)色區(qū)從低植被向中植被蓋度發(fā)展，從2005年以發(fā)展到高植被蓋度的。綠色區(qū)域是1990年到2005年從低植被蓋度向高植被蓋度發(fā)展，從2005年以后植被蓋度下降到中植被蓋度，這3種顏色主要是密云水庫水域面積減少而引起的。相比分類后水域面積減少9634.26825 hm2，占4.3%，歸一化植被指數(shù)逐個像元對比法更準(zhǔn)確。

結(jié)合實(shí)際的調(diào)查和相關(guān)資料，密云縣的這種植被動態(tài)變化與實(shí)際情況相符合，本文中所采用的兩種方法都可以用于植被的大尺度監(jiān)測，具有簡便，靈活，操作性強(qiáng)等特點(diǎn)，使大范圍內(nèi)植被的監(jiān)測變得簡便易行而且準(zhǔn)確。但逐個像元分類對比的方法只能用于3個分量的歸一化植被指數(shù)彩色合成，所以對于長時間序列數(shù)據(jù)的分析處理，這是該方法的局限性。

[1]周文佐，潘劍君.南京市城市綠地現(xiàn)狀遙感分析[J].遙感技術(shù)與應(yīng)用，2002，17(1):22－26.

[2]章文波，符素華，劉寶元.目估法測量植被覆蓋度的精度分析[J].北京師范大學(xué)學(xué)報:自然科學(xué)版，2001，37(3):402－408.

[3]張?jiān)葡?，李曉兵，陳云?草地植被覆蓋度的多尺度遙感與實(shí)地測量方法綜述[J].地球科學(xué)進(jìn)展，2003，18(1):85－93.

[4]趙春玲，李志剛，呂海軍，等.中德合作寧夏賀蘭山封山育林育草項(xiàng)目區(qū)植被覆蓋度監(jiān)測[J].寧夏農(nóng)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，1998，19(9):1815－1820.

[6]張光輝，梁一民.黃土丘陵人工草地徑流起始時間研究[J].水土保持學(xué)報，1995，9(3):78－83.

[7]黎夏.利用遙感與GIS對農(nóng)田損失的監(jiān)測及定量評價方法:以東莞市為例[J].地理學(xué)報，1997，52(3):279－287.

[8]李苗苗，吳炳方，顏長珍，等.密云水庫上游植被覆蓋度的遙感估算[J].資源科學(xué)，2004，26(4):153－159.

[9]Bradley C Rundquint.The influence of canopy green vegetation fraction on spectral measurements over native tall grass prairie[J].Remote Sensing of Environment，2002，81(1):129－135.

[10]Ro Hin A，Maspimave J，Lafleur J.Pressure dro through nonwoven geotex tiles:a new analytical model[J].IEEE International Conferenee on Geotextiles，1982，3:161－166.

[11]李本綱，陶澍.一種利用多時相TM影像分析地表植被的新方法:以敦煌地區(qū)綠洲植被變化為例[J].遙感學(xué)報，2000，11(4):295－298.

[12]劉廣峰，吳波，范文義，等.基于像元二分模型的沙漠化地區(qū)植被覆蓋度提取:以毛烏素沙地為例[J].水土保持研究，2007，14(2):268－271.

[13]陳巧，陳永福.Quick Bird遙感數(shù)據(jù)監(jiān)測植被覆蓋度的研究[J].林業(yè)科學(xué)研究，2005，18(4):375－380.

[14]Carlson T N，Ripley D A.On the relation between NDVI，fractional vegetation cover，and leaf area index[J].Remote Sensing of Enviroment，1997，62(3):241－252.

[15]Kaufman Y，Tanre D.Atmospherically resistant vegetation index(ARVI)for EOS-MODIS[J].IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):261－270.