楊 斌,高桂勝,王 磊,程 璐

(西南科技大學 環(huán)境與資源學院，四川 綿陽 621010)

植被是環(huán)境的重要組成因子，在氣候、水文和生化循環(huán)中起著重要的作用，是反映區(qū)域生態(tài)環(huán)境質(zhì)量的重要標志。因此，對植被分布及其時空演化規(guī)律的研究一直是各國政府和科研機構的關注熱點[1]。遙感技術是植被生態(tài)調(diào)查的重要手段，相比常規(guī)的調(diào)查方法，遙感具有觀測范圍廣、調(diào)查速度快等優(yōu)點，利用遙感技術進行植被信息提取可以為環(huán)境監(jiān)測、生物多樣性保護及農(nóng)業(yè)、林業(yè)等相關部門提供數(shù)據(jù)支持和信息服務[2-3]。

高分一號(簡稱GF-1)衛(wèi)星自2013年發(fā)射以來，廣泛應用于作物估產(chǎn)、污染監(jiān)測、災害預警、環(huán)境規(guī)劃等領域。如王利民等對冬小麥面積的識別，陳金鳳、程乾對杭州灣濕地典型植被的提取，陳文倩等對山區(qū)水體的提取，黃振國、楊君對水稻種植面積的監(jiān)測，張云英等對尾礦庫目視解譯最佳波段的組合分析等[4-13]。同時，也有一些針對GF-1和Landsat-8的對比分析，如張晰等對海冰的探測能力對比研究，賈玉秋等在玉米LAI的反演比較，宋軍偉對土地覆蓋分類上的比較分析等[14-16]。而針對于GF-1衛(wèi)星WFV傳感器和Landsat-8衛(wèi)星OLI傳感器的植被覆蓋反演能力比較研究還不多見，嘗試選取歸一化植被指數(shù)(NDVI)、增強植被指數(shù)(EVI)、大氣阻抗植被指數(shù)(ARVI)、土壤調(diào)整植被指數(shù)(SAVI)和修正的土壤調(diào)整植被指數(shù)(MSAVI)對比分析不同衛(wèi)星傳感器下指數(shù)估算植被覆蓋度的效果，為綜合應用推廣這兩種衛(wèi)星數(shù)據(jù)在植被信息提取過程中提供參考。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

茂縣位于四川省西北部，地勢西北高、東南低。所處經(jīng)緯度坐標范圍為102°56′E～ 104°10′E， 31°25′N～ 32°16′N，該區(qū)域東西長為116.62 km，南北長為93.73 km，面積約為3 900多km2。地形表現(xiàn)主要為高山溝谷，平均海拔約2 000 m，相對高度1 500～2 500 m(見圖1)。截至2012年，茂縣國土總面積3903.28 km2，其中耕地占2.61%，林地占67.5%，草地21.6%，森林覆蓋率為31.3%。

圖1 研究區(qū)數(shù)字高程模型分布圖(DEM)

1.2 數(shù)據(jù)源介紹

GF-1衛(wèi)星于2013-04-26在酒泉衛(wèi)星發(fā)射中心成功發(fā)射，開啟了中國對地觀測的新時代。GF-1衛(wèi)星搭載了兩臺2 m全色/8 m多光譜PMS相機，4臺16 m分辨率多光譜WFV相機。衛(wèi)星側擺條件下重訪周期4 d，其中2/8 m分辨率PMS相機覆蓋周期需要41 d[18]。 而Landsat-8衛(wèi)星是美國航空航天局(NASA)于2013-02-11成功發(fā)射，衛(wèi)星上攜帶兩個傳感器(陸地成像儀OLI和熱紅外傳感器TIRS)。衛(wèi)星覆蓋周期為16 d。GF-1 WFV影像包括藍、綠、紅、近紅外4個波段，Landsat-8 OLI影像覆蓋可見光到短波紅外共9個波段。其中兩種傳感器在可見光波段的波譜分布基本一致，差別主要表現(xiàn)在近紅外波段，其中Landsat-8 OLI傳感器為了排除0.825 μm 處的水汽吸收特征，將近紅外波段波譜范圍設置為0.85～0.88 μm，而GF-1WFV傳感器的近紅外波段波譜范圍為0.77～0.89 μm。而且兩種傳感器影像均可免費獲得。詳細對比見表1。

表1 Landsat-8與GF-1兩種傳感器參數(shù)對比

研究共采用4景遙感數(shù)據(jù)：GF-1衛(wèi)星兩景數(shù)據(jù)(從“遙感集市”網(wǎng)站免費獲取)；Landsat-8衛(wèi)星兩景數(shù)據(jù)(從“地理空間數(shù)據(jù)云”網(wǎng)站免費獲取)；4景數(shù)據(jù)的參數(shù)等具體信息見表2。

表2 獲取的遙感影像信息表

1.3 數(shù)據(jù)預處理

遙感圖像預處理過程對于植被指數(shù)的提取至關重要。針對GF-1數(shù)據(jù)，先對L1A級數(shù)據(jù)進行正射校正，再利用不同時期的遙感定標參數(shù)進行輻射校正處理，得到表觀反射率輻亮度數(shù)據(jù)，然后采用ENVI軟件中的 FLAASH大氣校正模塊，獲取地表反射率的光譜數(shù)據(jù)；最后結合研究區(qū)矢量圖層對其進行裁剪。預處理的數(shù)據(jù)投影統(tǒng)一選擇UTM-Zone-48N投影，WGS-84 地理坐標系。 Landsat-8數(shù)據(jù)是L1T級別數(shù)據(jù)，已經(jīng)過正射校正，故而預處理除了不進行正射校正，其余處理流程與GF-1數(shù)據(jù)類似，數(shù)據(jù)預處理流程如圖2所示。

圖2 遙感數(shù)據(jù)預處理流程圖(Landsat-8數(shù)據(jù)不進行正射校正)

2 植被指標選取與分析

2.1 植被指數(shù)選取

利用植被指數(shù)來反演植被覆蓋度是一種廣泛應用的方法，結合前人研究成果和研究區(qū)植被分布特點選用5種植被指數(shù)[19-27]，分別是：歸一化植被指數(shù)(NDVI)、增強型植被指數(shù)(EVI)、大氣阻抗植被指數(shù)(ARVI)、土壤調(diào)整植被指數(shù)(SAVI)和修正的土壤調(diào)整植被指數(shù)(MSAVI)。5種植被指數(shù)的計算式和適用特點見表3。

表3 植被指數(shù)及其計算式

注：表中ρNIR為近紅外波段的反射率，ρR為紅光波段的反射率，ρB為藍光波段的反射率，L代表土壤調(diào)節(jié)系數(shù)，根據(jù)前人研究成果和研究區(qū)植被特點，將L設定為0.5[22,25]

2.2 植被指數(shù)相關性分析

以NDVI作為基準，分析NDVI與EVI、ARVI、SAVI、MSAVI植被指數(shù)之間的相關性。利用GF-1數(shù)據(jù)的2015年影像，在ENVI軟件下獲取其相關性分布圖，通過對比分析發(fā)現(xiàn)SAVI與NDVI的相關性最高，R2指標為0.11，相關性依次為SAVI>MSAVI>EVI>ARVI。利用2015年Landsat-8數(shù)據(jù)，SAVI與NDVI的相關性也是最高，R2指標為0.09，其相關性依次為SAVI>MSAVI>ARVI>EVI。由此可見，研究區(qū)內(nèi)數(shù)據(jù)的NDVI與SAVI植被指標相關性最高，但這5種植被指數(shù)之間的相關性并不顯著，NDVI與SAVI植被指標線性相關性分布圖如圖3所示。

圖3 研究區(qū)NDVI與SAVI線性關系分布圖

2.3 植被覆蓋度估算方法

像元二分模型以其計算方便、結果可靠等優(yōu)點廣泛應用于植被覆蓋度的估算[28-29]。根據(jù)像元二分模型的原理，假定一個像元的信息S可被分解為土壤(Ssoil) 和植被(Sveg)兩部分，像元中有植被覆蓋的面積比例fc(即該像元的植被覆蓋度)，則無植被覆蓋地表(土壤覆蓋)的面積比例為1-fc；設全部由植被所覆蓋的純像元所得的遙感信息為Sveg，全部由土壤覆蓋的純像元所得的遙感信息為Ssoil，則二者的權重為它們在像元中所占比例的面積，變換后的植被覆蓋度計算式[28-29]為

(1)

式中：S為所求覆蓋度下的植被指數(shù)參數(shù)指標，其中，Ssoil與Sveg是模型的2個參數(shù)，Ssoil為植被覆蓋度為0%時的植被指數(shù)信息，亦指裸地狀態(tài)；Sveg為植被覆蓋度為100%時的植被指數(shù)信息，亦指全植被覆蓋狀態(tài)。

將 NDVI 代入式(1)，可得：

(2)

按其研究思路，將EVI、ARVI、SAVI和MSAVI 這4類植被指數(shù)變量也分別代入式(1)中可進行不同植被指標體系下的研究區(qū)植被覆蓋度估算。

3 結果分析

對上述獲取的5類植被覆蓋度信息做進一步精度驗證。其思路是將同期的SPOT 2.5 m全色影像與多光譜影像進行融合，獲得的2.5 m彩色融合影像作為參考影像進行精度驗證。應用隨機采樣法，在研究區(qū)選取200～300個驗證點，建立各指數(shù)影像的混淆矩陣，獲得植被提取的總精度和Kappa系數(shù)(見表4)，計算式[30]為

(3)

(4)

式中：N為驗證點總數(shù)；k為混淆矩陣的行列數(shù)，即類別數(shù)，本次研究中為植被和非植被2類；k=2，xii為第i行第i列的數(shù)值，xi+與x+i分別代表第i行與第i列的總像元數(shù)。Kappa系數(shù)越大代表分類精度越高。

從表4的統(tǒng)計結果可知，GF-1和Landsat-8的總體精度都較高，都在80%以上，提取效果理想。其中GF-1為2013年數(shù)據(jù)，5種植被指數(shù)的提取精度依次為NDVI>SAVI>MSAVI>EVI>ARVI，GF-1為2015年數(shù)據(jù)時，5種植被指數(shù)的提取精度依次為NDVI>MSAVI >EVI>ARVI>SAVI，原因是茂縣地處川西高原，加上實驗采用的數(shù)據(jù)獲取時間是十二月份，植被覆蓋度不高，植被指數(shù)未達到飽和值，所以NDVI的提取效果最好。對于Landsat-8 2013年數(shù)據(jù)，5種植被指數(shù)的提取精度依次為SAVI>NDVI >EVI>ARVI>MSAVI，Landsat-8 2015年數(shù)據(jù)，5種植被指數(shù)的提取精度依次為SAVI>NDVI >MSAVI >EVI>ARVI，具體提取結果見圖4—圖7。綜合對比得出：高原山區(qū)地形環(huán)境下GF-1數(shù)據(jù)在植被指數(shù)提取精度要優(yōu)于Landsat-8數(shù)據(jù)，分析原因主要表現(xiàn)在GF-1WFV傳感器比Landsat-8OLI傳感器在近紅外的波譜范圍更加寬廣，且具有更高的空間分辨率。

表4 茂縣植被提取精度驗證

4 結 論

1)針對茂縣地區(qū)，利用像元二分模型進行精度驗證，GF-1 遙感影像采用NDVI的提取效果最好，分類總精度分別為94.55%(2013年數(shù)據(jù))、90.47%(2015年數(shù)據(jù))，對應的Kappa系數(shù)分別為0.88、0.85，Landsat-8的SAVI提取效果最好，分類總精度94.38%(2013年數(shù)據(jù))、95.83%(2015年數(shù)據(jù))，對應的Kappa系數(shù)分別為0.86、0.88。

圖4 2013年GF-1號數(shù)據(jù)植被覆蓋度

圖5 2013年LC-8號數(shù)據(jù)植被覆蓋度

圖6 2015年GF-1號數(shù)據(jù)植被覆蓋度

圖7 2015年LC-8號數(shù)據(jù)植被覆蓋度

2)對比兩種衛(wèi)星傳感器的同期影像植被信息提取結果，2013年GF-1采用NDVI的提取效果要略優(yōu)于Landsat-8采用SAVI的結果，而2015年剛好相反，GF-1的提取精度要低于Landsat-8的提取結果。原因是2015年獲取的GF-1數(shù)據(jù)質(zhì)量較差，影像左下角云量偏大，導致植被指數(shù)提取結果精度下降。

總之，在茂縣地區(qū)進行植被覆蓋度估測反演研究中，GF-1衛(wèi)星WFV傳感器數(shù)據(jù)完全可以代替Landsat-8衛(wèi)星OLI傳感器數(shù)據(jù)，而WFV傳感器數(shù)據(jù)更具有空間分辨率高，重訪周期短，覆蓋面積大的優(yōu)點，將為GF-1衛(wèi)星數(shù)據(jù)及其他GF系列衛(wèi)星的推廣使用提供更加廣闊的前景。

[1] 賈海峰, 劉雪華. 環(huán)境遙感原理與應用[M]. 北京:清華大學出版社，2006:169-181.

[2] 王文杰, 蔣衛(wèi)國, 王維, 等. 環(huán)境遙感監(jiān)測與應用[M]. 北京：中國環(huán)境科學出版社，2011:163-173.

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

[4] 楊長坤, 王崇倡, 張鼎凱, 等. 基于SVM的高分一號衛(wèi)星影像分類[J]. 測繪與空間地理信息, 2015(9):142-144.

[5] 劉劍鋒,張可慧,馬文才. 基于高分一號衛(wèi)星遙感影像的礦區(qū)生態(tài)安全評價研究——以井陘礦區(qū)為例[J]. 地理與地理信息科學, 2015(5):121-126.

[6] 黃振國,楊君. 高分一號衛(wèi)星影像監(jiān)測水稻種植面積研究綜述[J]. 湖南農(nóng)業(yè)科學, 2014(13):76-78.

[7] 曾小箕. 面向?qū)ο蟮母叻忠惶栍跋裥畔⑻崛〖夹g研究[D]. 烏魯木齊：新疆大學, 2014.

[8] 張星星,何政偉,趙銀兵,等. 基于OLI影像植被覆蓋度估算探索[J]. 地理空間信息,2015(4):99-101,14.

[9] 朱利,李云梅,趙少華,等. 基于GF-1號衛(wèi)星WFV數(shù)據(jù)的太湖水質(zhì)遙感監(jiān)測[J]. 國土資源遙感, 2015, 27(1):113-120.

[10] 陳文倩,丁建麗,李艷華,等. 基于國產(chǎn)GF-1遙感影像的水體提取方法[J]. 資源科學, 2015(6):1166-1172.

[11] 許瑩,張友靜,張琴. 基于高分影像的水利空間要素提取規(guī)則集構建[J]. 地理空間信息,2016(5):71-74,7.

[12] 王利民,劉佳,楊福剛,等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識別[J]. 農(nóng)業(yè)工程學報,2015,31(11):194-201.

[13] 翁進,曾海波,羅國斌. GF-1衛(wèi)星數(shù)據(jù)在土地利用變更調(diào)查遙感監(jiān)測中的應用[J]. 安徽農(nóng)業(yè)科學,2015(16):358-362, 392.

[14] 張晰,張杰,孟俊敏. Landsat-8與GF-1衛(wèi)星渤海海冰探測能力對比研究[J]. 海洋科學, 2015(2):50-56.

[15] 賈玉秋,李冰,程永政,等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J]. 農(nóng)業(yè)工程學報, 2015, 31(9):173-179.

[16] 宋軍偉,張友靜,李鑫川,等. 基于GF-1與Landsat-8影像的土地覆蓋分類比較[J]. 地理科學進展, 2016, 35(2):255-263.

[17] 董有福, 趙永華, 張錫枝. 岷江上游茂縣土地利用格局[J]. 遼寧工程技術大學學報(自然科學版), 2008(增1):282-284.

[18] 陸春玲,王瑞,尹歡. “高分一號”衛(wèi)星遙感成像特性[J]. 航天返回與遙感, 2014, 35(4):67-73.

[19] 馬娜,胡云鋒,莊大方,等. 基于遙感和像元二分模型的內(nèi)蒙古正藍旗植被覆蓋度格局和動態(tài)變化[J]. 地理科學, 2012(2):251-256.

[20] 穆少杰,李建龍,陳奕兆,等. 2001-2010年內(nèi)蒙古植被覆蓋度時空變化特征[J]. 地理學報, 2012(9):1255-1268.

[21] 賈坤,姚云軍,魏香琴,等. 植被覆蓋度遙感估算研究進展[J]. 地球科學進展, 2013, 28(7):774-782.

[22] 李向婷,白潔,李光錄,等. 新疆荒漠稀疏植被覆蓋度信息遙感提取方法比較[J]. 干旱區(qū)地理, 2013(3):502-511.

[23] 羅慧芬,苗放,葉成名,等. 汶川地震前后茂縣植被覆蓋度變化研究[J]. 水土保持通報, 2013(3):202-205,327.

[24] 蘇曉軍. 遙感影像植被邊界提取方法研究[D].鄭州：信息工程大學, 2013.

[25] 程紅芳,章文波,陳鋒. 植被覆蓋度遙感估算方法研究進展[J]. 國土資源遙感, 2008(1):13-18.

[26] 王正興,劉闖,HUETE Alfredo. 植被指數(shù)研究進展:從AVHRR-NDVI到MODIS-EVI[J]. 生態(tài)學報,2003,23(5):979-987.

[27] 郭鈮. 植被指數(shù)及其研究進展[J]. 干旱氣象,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] 呂長春,王忠武,錢少猛. 混合像元分解模型綜述[J]. 遙感信息, 2003(3):55-58,60．