董顯聰，李曉潔

(1.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，吉林 長春 130012；2.中國科學(xué)院大學(xué)，北京 100049)

植被覆蓋度(fractional vegetation cover，F(xiàn)VC)是衡量地表植被狀況的重要指標，也是區(qū)域化生態(tài)系統(tǒng)穩(wěn)定的重要指示，在水文、生態(tài)及區(qū)域變化等方面都具有重要意義[1]。隨著遙感技術(shù)的出現(xiàn)和發(fā)展，植被覆蓋度的估算已經(jīng)從地面測量方法演變?yōu)榭梢詫崿F(xiàn)大面積和快速采集地表植被覆蓋度的遙感估算方法[2]。

植被覆蓋度的地面測量可以提供基于地面的測量數(shù)據(jù)，主要測量方法有目估法、采樣法、儀器法和模型法[3]。植被覆蓋度的遙感估算方法有回歸模型法和混合像元模型法?；貧w模型法一般不涉及復(fù)雜的遙感機理分析和遙感物理模型，操作簡單，但是這種方法有局限性，一方面是區(qū)域限制，另一方面是植被類型的限制。根據(jù)測量的植被覆蓋度與植被指數(shù)的擬合關(guān)系，該方法僅適用于特定區(qū)域和植被類型，不能擴展到更大區(qū)域的植被覆蓋度估計[2]?；旌舷裨纸饽Ｐ头椒ㄊ窃诩俣ㄇ闆r下，將遙感圖像中的實際像元分解成由多個分量組成的遙感數(shù)據(jù)信息，并利用這些遙感信息構(gòu)建像元分解模型來估算植被覆蓋度[4]。常用的混合像元模型包括像元二分模型法、Carlson模型和Baret模型。

在利用混合像元模型對植被覆蓋度進行估算研究方面，文獻[5]采用像元二分模型對吉林省進行了植被覆蓋度年變化估算。文獻[6]運用像元二分模型對三峽庫區(qū)植被覆蓋度年變化進行了研究分析。文獻[7]運用像元二分模型對密云水庫上游植被進行了植被覆蓋度遙感估算研究，模型估算精度為85%。文獻[8]運用像元二分模型對整個中國北方地區(qū)植被覆蓋情況進行了遙感估算和變化分析。上述研究均表明像元分解模型在地表植被覆蓋度估算方面具有良好的適用性和精確性，可以適用于地表植被豐富、山地丘陵較多，以及林地和灌木叢的地表區(qū)域。在草原植被覆蓋度的研究方面，文獻[9]運用像元二分模型對呼倫貝爾草原地區(qū)植被覆蓋度年變化進行了分析。文獻[10]運用回歸分析方法對河北壩上草原進行了估算分析，精度為76.64%。目前研究在針對草原地表的植被覆蓋度遙感估算模型選擇方面精度不一，這將對估算和監(jiān)測草原的植被覆蓋度精確性產(chǎn)生直接影響。本文旨在探尋更適于草原地區(qū)的植被覆蓋度遙感估算方法，對像元二分模型、Baret模型和Carlson模型在草原地區(qū)的植被覆蓋度估算精度和適用性進行比較，最后對Baret模型的參數(shù)進行了最優(yōu)化處理，以進一步提高其在草原地區(qū)估算精度。

1 研究區(qū)概況

本文選擇內(nèi)蒙古自治區(qū)東北部大興安嶺西部的呼倫貝爾大草原為研究區(qū)(43.3°N—49.5°N，116.9°E—121.3°E)，該區(qū)域海拔550～1000 m，年平均溫度0℃左右，無霜期85～155 d，溫帶大陸性氣候，屬于半干旱區(qū)，年降水量250～350 mm。地表植被為典型溫帶草原植被，以針茅屬植物為主。試驗時間選擇草原植被覆蓋最穩(wěn)定的七八月。

2 數(shù)據(jù)來源與研究方法

2.1 植被覆蓋度的遙感數(shù)據(jù)獲取

選擇2017年7月24、26和28日與地面試驗采樣時間相對應(yīng)的Landsat 8 OLI衛(wèi)星數(shù)據(jù)作為遙感數(shù)據(jù)源。在遙感數(shù)據(jù)共享中心(http:∥ids.ceode.ac.cn/query.html)下載了10幅研究區(qū)的Landsat 8 OLI衛(wèi)星影像，數(shù)據(jù)格式為TIFF格式。對影像進行如下處理：首先，對獲取的影像進行輻射校正，以消除由于外界、數(shù)據(jù)獲取和傳輸系統(tǒng)等因素的影響而產(chǎn)生的系統(tǒng)的、隨機的輻射失真或畸變；其次，利用ENVI軟件的FLAASH 大氣校正模型，根據(jù)Landsat 8 OLI衛(wèi)星影像的圖像采集時間，并結(jié)合Landsat 8 OLI光譜響應(yīng)函數(shù)對衛(wèi)星影像進行大氣校正，以獲得每個波段的地表反射率。

2.2 植被覆蓋度的混合像元估算模型

2.2.1 像元二分模型

像元二分模型是線性像元分解模型方法的簡化模型，也是線性像元模型中最簡單和最常用的模型。它將一個像元包含的信息分為兩部分：植被與非植被。即假設(shè)任一像元的信息值就是植被部分反射率Sv和非植被部分反射率Ss的線性加權(quán)和

S=Sv+Ss

(1)

在僅包含植被和非植被的像元二分模型中，假設(shè)與像元對應(yīng)的地表上的植被覆蓋比例為fc，與之相對應(yīng)的非植被比例即為1-fc。設(shè)純植被像元的信息貢獻值為Sveg，非植被像元信息貢獻值為Ssoil，則整個混合像元的信息值即為

S=fc×Sveg+(1-fc)×SSoil

(2)

通過改變公式可以得到植被覆蓋度公式

fc=(S-Ssoil)/(Sveg-Ssoil)

(3)

文獻[11]將每個像元的NDVI值看成是植被部分的NDVI值和非植被部分NDVI值的線性加權(quán)平均，其中植被部分的NDVI的權(quán)重就是該像元的植被覆蓋度

NDVI=fNDVI∞+(1-f)NDVIs

(4)

式中，NDVIs為非植被像元的NDVI值；NDVI∞為純植被像元的NDVI值。對公式進行變換得到植被覆蓋度計算公式

fc=(NDVI-NDVI∞)/(NDVI∞-NDVIs)

(5)

從理論上講，對于純裸地，NDVI的值應(yīng)該接近于零，但由于土壤類型、土壤粗糙度、土壤顏色和土壤含水量等因素使得NDVI值受時間和空間的影響，其變化范圍一般為-0.1 ～ 0.2[12]。同理，純植被的NDVI值也會隨著植被覆蓋地季節(jié)等發(fā)生變化。因此，采用一個固定的NDVI數(shù)值是不準確的。

本文利用文獻[7]對密云水庫流域進行植被覆蓋度提取中使用的確定NDVI∞和NDVIs值的方法，取觀測NDVI最大值與最小值為圖像給定置信度區(qū)間內(nèi)的最大值和最小值，且可以在一定程度上消除遙感圖像噪聲引起的誤差[7]。NDVI∞和NDVIs值分別取影像中純植被覆蓋的NDVImax值0.82和純裸土樣地的NDVImin值0.15，運用上述公式估算衛(wèi)星影像的植被覆蓋度。

2.2.2 Carlson 植被覆蓋度估算模型

文獻[12]從植被、土壤和大氣之間的輻射傳輸模型方面進行研究，獲得歸一化植被指數(shù)NDVI和植被覆蓋度FVC之間平方關(guān)系

(6)

2.2.3Baret植被覆蓋度估算模型

Baret植被覆蓋度估算模型[13]的原理是建立植被覆蓋度與植被垂直間隙率之間的關(guān)系。植被冠層的垂直孔隙率可以表示為葉面積指數(shù)的指數(shù)函數(shù)，文獻[2]由葉面積指數(shù)函數(shù)和垂直間隙率推算出來的植被覆蓋度表達式為

(7)

式中，Kp為消光系數(shù)，取決于植被結(jié)構(gòu)；KVI取決于植被冠層結(jié)構(gòu)、太陽天頂角和觀測角和植被葉片的光學(xué)特性;VIs和VI∞分別為裸土和葉面積指數(shù)無限大時對應(yīng)的植被指數(shù)值。文獻[13]提出了歸一化植被指數(shù)NDVI所對應(yīng)的Kp/KVI的實驗值為0.617 5。則植被覆蓋度計算公式為

(8)

2.3 植被覆蓋度地面真值的獲取

本次試驗采用照相法獲取地表植被覆蓋度值[14]，地面試驗數(shù)據(jù)采集時間為2017年7月23—29日。在采集地表植被圖像時，將數(shù)碼相機固定在梯子上，距離地面2.5 m，保持拍攝期間數(shù)碼相機鏡頭垂直向下，設(shè)置相機自動曝光。選擇80 cm×80 cm的正方形采樣框架置于采樣點，拍攝得到地物照片。照片格式為JPG格式，記錄可見光的R、G、B 3個波段，同時記錄每個采樣框架中心點的地理坐標。將采集獲得的圖像進行特征分析，利用改進過綠指數(shù)算法[15]計算植被和土壤的過綠特征指數(shù)(excess green index，ExG)[16-18]。文獻[19]通過計算一些植物和植被陰影的對比指數(shù)值來區(qū)分植被和非植被，得出2G-R-B對比指數(shù)對植被和非植被的區(qū)分效果最好。因此，利用下式[17]計算地面植被的平均ExG

(9)

式中，Rx,y、Gx,y、Bx,y為R,G,B 3個波段在像元點(x,y)的像元值；nx和ny分別為所攝照片的行數(shù)和列數(shù)；N為照片像元的個數(shù)。利用下式計算每個像元點(x,y)的改進過綠指數(shù)值

MExGx,y=2Gx,y-Rx,y-Bx,y

(10)

式中，x、y分別為圖像的行坐標和縱坐標。

圖1為不同草地類型(深綠色植株和淺綠色植株)的MExG灰度直方圖。

從圖1可以看到，兩幅圖像的波峰和波谷存在明顯差異，造成這種現(xiàn)象的原因是不同地塊上土壤和草地類型存在差異，其土壤顏色和植被的綠色指數(shù)也就不同。圖1(a)的植被顏色較深，呈深綠色；圖1(b)的植被顏色較淺，呈淺綠色。筆者針對不同的草地類型繪制出的灰度直方圖來選擇不同的分類閾值。從圖1可以看出，第1種草地類型MExG圖的兩個波峰分別位于5和40左右，波谷在20左右；第2種草地類型的兩個波峰分別在10和80左右，波谷在40左右。因此，將上述影像區(qū)分植被和土壤的閾值分別定為20和40。對于一些單子葉草地類型及植株較高的草地，由于葉子結(jié)構(gòu)和自身高度遮擋陽光易導(dǎo)致一些土壤也被誤分為植被，使得MExG灰度直方圖產(chǎn)生漏分和錯分現(xiàn)象。因此，在照片處理過程中采用刪除小面積對象方法和膨脹腐蝕操作，如圖2所示。

從圖2可以看到，處理之后的圖像消除了細小的噪聲，填充了葉片中的小空洞，并平滑了邊界。相比而言，雙子葉草地及植株較矮的草地類型則基本不存在這種現(xiàn)象。本文地面植被覆蓋度獲取程序的流程如圖3所示。

3 結(jié)果與分析

3.1 3種植被覆蓋度估算模型的結(jié)果比較

為了比較3種植被覆蓋度估算模型在草原地區(qū)的估算精度和適用性，將這3種模型估算的影像植被覆蓋度估算結(jié)果與地面實測值進行比較。

首先，從總體上分析這3種植被覆蓋度估算模型的估算精度。本文取50%為高低植被覆蓋度分界線，覆蓋度在50%以下屬于低植被覆蓋度，50%以上為高被覆蓋度。圖4為研究區(qū)植被覆蓋度地面測量數(shù)據(jù)和3種模型估算值的散點圖。從圖中可以看出，像元二分模型估算值多位于y=x線上方，有高估植被覆蓋度的現(xiàn)象；Carlson模型在植被覆蓋度較低時，點位多位于y=x線下方，有低估植被覆蓋度的現(xiàn)象；Baret 模型的估算值比較接近y=x線?？傮w上看，隨著植被覆蓋度的提高，點位開始分散。Baret模型估算值更加接近于地面實測植被覆蓋度。

為了定量化衡量估算誤差，筆者計算了3種像元分解模型估算植被覆蓋度的相關(guān)系數(shù)和均方根誤差，結(jié)果見表1。從表中可以看到，3種模型的相關(guān)系數(shù)相近，與地面實測的植被覆蓋度都具有良好的相關(guān)性；從均方根誤差RMSE來看，Baret模型的精度最高，其RMSE明顯小于其他兩個模型。

表1 植被覆蓋度估算精度

其次，對比3種植被覆蓋度估算模型在低植被覆蓋度下的估算精度。圖5為研究區(qū)低植被覆蓋度地面測量數(shù)據(jù)和3種模型估算值的散點圖。從圖中可以看到，在植被覆蓋度較低的情況下，像元二分模型估算值位于y=x線上方，高估了植被覆蓋度；與之相反，Carlson模型則低估了植被覆蓋度；Baret 模型的估算值和地面測量值最接近y=x線，對低植被覆蓋度區(qū)域的估算最準確。

表2為3種像元分解模型在低植被覆蓋度的情況下估算植被覆蓋度的相關(guān)系數(shù)和均方根誤差結(jié)果。從表中可以看到，3種模型的相關(guān)系數(shù)相近；從均方根誤差RMSE來看，相比較于總體的植被覆蓋度的RMSE，3種模型的RMSE都明顯下降；Baret模型的精度依然最高，其RMSE明顯小于另外兩個模型。

表2 低植被覆蓋度估算精度

最后，對比上述3種植被覆蓋度估算模型在高植被覆蓋度下的估算精度。圖6為研究區(qū)高植被覆蓋度地面測量數(shù)據(jù)和3種模型估算值的散點圖。從圖中可以看到，像元二分模型仍然高估植被覆蓋度，Carlson模型略高估覆蓋度值，相比來說，Baret模型效果較好。

表3為3種像元分解模型在高植被覆蓋度的情況下估算植被覆蓋度的均方根誤差結(jié)果。從表中可以看到，3種模型的RMSE數(shù)值均偏高，證實了上述的結(jié)論，在植被覆蓋度較低時，3種模型的準確度較高，但隨著覆蓋度的提高，估算精度開始下降。相比之下，Baret植被覆蓋度模型估算更準確。

表3 高植被覆蓋度估算精度

3.2 Baret模型在草原地區(qū)植被覆蓋度估算的參數(shù)最優(yōu)化

文獻[13]在研究中選取的歸一化植被指數(shù)NDVI值所對應(yīng)的KP/KVI的實驗值和模擬值是針對甜菜植被確定的，分別為0.617 5和0.463 1。但是由于不同的植被類型，其植被結(jié)構(gòu)也會不同，葉面積指數(shù)、葉片傾角及冠層結(jié)構(gòu)等植被參數(shù)也都會隨著植被類型的不同和植被的生長發(fā)生改變。因此,針對草原地區(qū)不同的地表植被類型，需要確定新的KP/KVI值。

本文通過調(diào)節(jié)模型參數(shù)使Braet模型估算值的RMSE最小，來確定KP/KVI值。設(shè)置KP/KVI的取值范圍為[0.5,5]，取間隔0.001。圖7為參數(shù)優(yōu)化前后的Baret模型估算值與地面真值的擬合情況。在低植被覆蓋度下，Baret模型的參數(shù)值改進為0.586 0；在高植被覆蓋度下，Baret模型的參數(shù)值改進為0.756 5；將高低植被覆蓋度結(jié)合計算得出的模型參數(shù)值為0.654 5。將Baret模型與參數(shù)優(yōu)化后的Baret模型進行對比可見，改進后的模型更接近于y=x線，更加符合于不同的植被覆蓋情況，分別提升了Baret模型在高、低植被覆蓋度的精度。

表4為Baret模型參數(shù)優(yōu)化前后估算的誤差結(jié)果。從表中可以看到，優(yōu)化后的RMSE變小，不同的植被覆蓋度精度都得到了提升。

表4 Baret模型參數(shù)優(yōu)化前后精度情況

4 結(jié) 語

本文對像元二分模型、Carlson模型、Baret模型在草原地區(qū)的植被覆蓋度估算精度和適用性進行了驗證和比較。以呼倫貝爾大草原為研究對象，結(jié)果表明：

(1)在草原植被覆蓋度的估算中，像元二分模型方法有高估植被覆蓋度的現(xiàn)象；Carlson模型在低植被覆蓋區(qū)域低估植被覆蓋度，高植被覆蓋區(qū)域高估植被覆蓋度；Baret模型更加接近于地面實測值，估算效果最好，整體精度為92%。

(2)對Baret模型在草原地區(qū)植被覆蓋度估算的參數(shù)進行優(yōu)化后，模型在不同的植被覆蓋度下精度都得到進一步的提升，低覆蓋度情況下的均方根誤差值由0.58降低為0.57，高覆蓋度情況下由0.14降低為0.13，更適用于不同的植被覆蓋情況。

本文研究驗證了混合像元分解模型在草原區(qū)域可以精確獲取地表植被覆蓋度情況，可以被用來大范圍獲取及監(jiān)測草原植被覆蓋度和年度演變，但估算精度隨著植被覆蓋度的提高會略有下降。