刘亚伟 吴 俊

(西藏大学工学院,拉萨 西藏850011)

植被覆盖度指植物的垂直投影面积与区域总面积之比。[1]其对于生态环境的评价、气候条件、水土保持等方面的运用较为广泛。对于植被覆盖度测量的方法可分为地面遥感估算和实际测量两种,植被覆盖率较低区域以及小尺度的测量等方面常用地面实际测量法。遥感估算则广泛应用于大范围大尺度的测量方面。[2]现在对于应用遥感估算植被覆盖度的技术已经取得较大的发展,而目前地面遥感测量中最为常用的方法是目测估计法,也比较实用,但是其最严重的缺点是主观性太强。而另一方法——地面实际测量,与目测估计相比虽然客观精确,但这一方法成本较高,并且大范围测量也很难快速得到植被覆盖度。[3]伴随遥感技术的发展,不同尺度、不同时相的遥感数据也为大范围、大区域乃至全球尺度监测植被覆盖度提供了可能。当前估算植被覆盖度的方法很多,使用最广泛的是创建植被覆盖度与植被指数(NDVI)间的关系进而近似估算植被覆盖度。[4]

1 研究区的概述及数据来源

研究区位于西藏自治区那曲市班戈县,海拔高度由4530m至5800m不等。该区属高原亚寒带季风半干旱气候区。研究区土壤类型以高山高原土、高寒草甸土及高山荒漠土为主。[5]由于数据提供范围有限,本文选择其部分区域作为研究区。本文所用数据为珠海一号的2018年12月31日的一景高光谱遥感影像数据(影像范围30o36′39″N～31o4′21″N,89o50′34″E～90o14′43″E)、中国西藏自治区县界矢量文件、研究区土地利用类型图及有关资料。使用ArcGIS10.1 和ENVI5.3 软件对遥感影像进行处理。

2 植被覆盖度反演方法

2.1 影像的预处理

辐射校正:主要包括辐射定标和大气校正两个环节。将卫星传感器记录的DN值转化成辐射亮度值即是辐射定标；大气校正是将定标后的亮度值转为地表真实反射率。[6]在图像处理过程中,本文采用ArcGIS10.1 在全国矢量县界图中找到西藏自治区县界图的.shp文件,而后从中提取出了班戈县的文件,而后进行了图像裁剪,得到了研究区的影像,最后计算研究区的NDVI。

2.2 遥感数据分类

2.2.1 非监督分类。称作聚类分析亦或点群分类。其不必对影像地物获取经验知识,而是凭借影像上非同类的地物纹理信息或光谱信息的特征提取,然后统计其特征的差异进行分类,最终把已分出的各个类别实际的属性进行确认。[7]当下ISODATA、K-Mean和链状方法是非监督分类器经常使用的方法。本文在参考了研究区的土地利用类型图后,将研究区地物分为:水体、草地、居民地、裸地、其它共5类,选择的是ISODATA重复自组织数据分析技术(Iterative Self-Orgnizing Data Analysize Technique),多次迭代,对像元进行再分类,最后得到分类的结果,如图1。

图1 分类结果图示

2.2.2 决策树分类。基于多源数据,利用数字统计来得取分类规则,且执行遥感分类过程。CART算法、ID3算法、C4.5 算法是当前通过统计从样本之中获到规则的方法。本文采用基于CART算法的决策树自动提取,先创建多元数据集,以及NDVI、ISODATA非监督分类结果构成。得到的结果如图2。

图2

3 计算植被覆盖度

当前最为常见的光合植被遥感估算模型是像元二分模型,该模型假设植被区的混合像元仅由植被和土壤两个部分组成,遥感信息仅由植被和土壤的光谱信号以其所占像元面积比例为权重系数的线性组合。[8]本篇利用通过改进过的像元二分模型来计算所研究区域植被的覆盖度。与土地利用分类图比较,植被覆盖度基本接近,与实际情况存在差异的原因有系统误差和随机误差两种,本研究误差主要是因为在做图像裁剪时可能出现了裁剪过多的情况,所以存在误差。

4 实地验证及总结

关于植被覆盖度反演的验证,本文采用了实地验证的方式,对研究区选择了共12个特征点进行了野外考察和数据验证工作,并进行了记录。现选取其中代表性的记录表进行展示,见表1。

表1 班戈县遥感监测解译与野外检查记录表

经验证,非监督分类的结果符合实际情况,植被覆盖度的反演精确度也较高。在遥感影像分类中,基于CART算法精度较高,但是在决策树分类时,为了节省时间,应当先裁剪一部分区域来获取规则,而后再应用到整个研究区区域。通过分析本文的植被覆盖度反演结果可知,研究区植被覆盖度较高,与实际情况也比较相近,说明本文所采用的NDVI以及改进后的像元二分模型对研究区的植被覆盖度的反演效果较好。