郭云开，王 杨

(长沙理工大学交通运输工程学院，湖南长沙410004)

一、引 言

路域植被是路域生态系统中最主要的生态元素，能较好地还原路域生态系统。路域植被覆盖度是衡量地表植被的重要指标，具有明显的时空分异特征，能够反映公路沿线区域植被的生长环境状况，对于区域环境变化和监测研究具有重要意义［1］。植被指数作为植被覆盖度的最佳指示因子，能有效地提取绿色植被信息，并提高植被解译的准确度和可靠度［2］。各种研究表明，归一化植被指数(NDVI)能较准确地反映植被类型和生长情况，与植被覆盖度等有很好的相关关系［3］。

定量遥感反演和动态监测技术，以其快速、宏观、实时、动态、客观的特点，为植被覆盖变化及周边环境响应的动态监测研究提供了便捷的途径［4］。本文利用NDVI建立植被覆盖度定量估算的模型，对路域植被覆盖度进行了定量反演和分级，利用统计数据对研究区进行了植被覆盖度时空变化分析，通过主成分分析法寻找路域植被盖度时空变化的主要驱动因子，进而揭示了高速公路的建设运营对路域环境的影响。研究表明，利用路域植被覆盖度时空变化遥感定量反演进行路域环境质量评价是切实可行的。

二、原理及模型

1.植被覆盖度反演模型

像元二分模型是混合像元分解模型中最常用的线性模型。根据像元二分模型的原理，假设混合像元由植被和非植被两部分信息构成，这两部分信息因子线性合成即为遥感器观测所得的光谱信息，其权重为各面积在像元中所占的比率［5］。用公式表达为

式中，S为通过传感器观测所得到的光谱信息;Sv是绿色植被信息;Ss是非植被贡献信息。因此，该像元的植被覆盖度fc即为植被信息所占的百分比，非植被信息比例即为1。

设Sveg全部由植被覆盖的纯像元遥感信息构成，Sv表示混合像元中绿色植被遥感信息［7］。两者关系可以表示为

同理，设Ssoil为裸露土壤纯像元贡献的遥感信息，混合像元的非植被所贡献的信息Ss可以表示为

将式(2)与式(3)代入式(1)，可得

对式(4)进行变换，得到植被覆盖度计算公式

式中，Sveg和Ssoil都是参数。此模型只保留了植被覆盖度的信息，而削弱了土壤光谱信息、植被类型和大气噪声等的影响［8］。

2.主成分分析基本原理

主成分分析，即用较少的综合变量来反映原来变量的有用信息，这些较少指标相互无关，是原变量重新组合的［9］。它在数学上是一种借助于正交变换降维的统计方法，将各观测变量进行线性组合，将协方差阵变换成对角型阵，对此多维系统进行降维处理，根据特征方程得到的特征根确定主成分，将标准化的指标变量转化为主成分。主成分分析数学模型为

式中，X的协方差阵Σ的特征值所对应的特征向量为a1i，a2i，…，api(i=1，…，m);原始观测变量经过标准化处理得到ZX1，ZX2，…，ZXp。

三、植被覆盖度信息提取

1.试验区简介

本研究选取长沙—湘潭高速公路作为试验区，长潭高速于1994年兴建，1996年开始通车［10］。公路从规划建设到交付运营，沿线区域的人类活动、经济活动范围大大加大，速度加快，改变了原来生态系统的能量流、信息流和物质流的传输方式和通道，从而对路域生态环境的影响进一步加剧［11］。

2.数据源及预处理

本研究选用了成像时间分别为2003年7月31日和2010年10月11日的两期研究区SPOT 5影像。两幅遥感影像图像清晰，质量较好，云量都在20%以下，基本无其他因素影响。两期影像成像时间跨度较大，完全可以代表研究区公路运营以后路域植被覆盖度变化和土地利用情况，具有可比性。

影像预处理在软件 ENVI 4.8支持下，采用FLAASH对遥感影像进行大气校正，通过对比视觉效果、地物光谱前后曲线和利用NDVI分析实际校正效果，表明FLAASH模型能较好地消除大气影响。与其他方法相比，其对遥感影像有更好的校正作用［12］。通过选取地面控制点(GCP)，采用多项式方法实现了对影像的几何精校正。在ArcGIS软件支持下，生成研究区的边界矢量图。在此基础上，对两幅影像进行研究区裁剪，得到同一研究区经过预处理的不同时期的两幅SPOT 5影像。

3.NDVI估算植被覆盖度

近红外波段NIR与可见光红波段R数值之差和这两个波段数值之和的比值即为归一化植被指数［5］。其公式为

根据上述像元二分模型的基本原理，一个混合像元的NDVI值由植被覆盖信息NDVIveg与非植被(裸土)信息NDVIsoil两部分组成。将归一化植被指数引入式(5)可得

式中，NDVIsoil为非植被像元的NDVI值;NDVIveg为绿色植被像元的NDVI值。

实际应用中，由于不可避免地存在噪声影响，一般NDVImax与NDVImin的值为图像中给定置信度的置信区间内最大值与最小值。取影像中裸露样地的NDVImin值作为NDVIsoil，NDVIveg值取影像中理想绿色植被全覆盖样点的NDVImax值。置信度的取值，主要根据图像噪声、清晰度、大小等实际情况来确定。综合考虑分析了研究区2个时相的影像，研究中取频率为0.6%的值为NDVImin，取频率为99.9%的值为NDVImax。

在ENVI软件的支持下，对影像进行NDVI计算，得到研究区不同时相的NDVI灰度图。根据NDVI估算植被覆盖度遥感模型的基本原理，反演研究区2个时相影像的植被覆盖度，得到这两个时期的植被覆盖图。

四、植被覆盖度时空变化反演

1.植被覆盖度分级

土壤被侵蚀程度能够反映地表植被覆盖度情况，这也是对土壤侵蚀分类分级的一个主要标准。本研究根据水利部2008年颁布的《土壤侵蚀分类分级标准》(SL190-2007)中非耕地林草盖度与土壤侵蚀分级指标，结合研究区实际情况，以及参考其他学者［13］的研究，对研究区植被覆盖度进行了分级，具体分级标准见表1。

表1 植被覆盖度分级标准

根据上述分级方法，将植被覆盖度计算结果转化为植被覆盖度分级图，如图1所示。

图1 研究区植被覆盖度分级图

2.植被覆盖度动态变化反演

根据研究区植被覆盖度分级统计图，统计了各盖度植被所占的面积比(见表2)、2003年和2010年各等级盖度植被所占面积柱形图(如图2所示)，以及各等级盖度植被相互转化面积统计(见表3)。

图2 2003年、2010年各等级覆盖度植被所占面积柱形图

表2 研究区各等级植被覆盖度统计表 (%)

表3 各等级覆盖度植被相互转化面积表 km2

3.植被覆盖度变化驱动力研究

就研究区实际调研情况来看，造成研究区植被覆盖度变化的主要是由高速公路建设运营带来的社会经济因素和自然因素。本研究选取公路里程、高速公路里程、民用汽车拥有量、私人汽车拥有量作为人类活动驱动因子，城区面积、建成区面积、地区生产总值作为社会经济因素驱动因子，绿地面积、年降水总量、森林覆盖率、平均气温代表自然因素驱动因子。统计数据全部来自湖南省年鉴，通过SPSS软件，利用主成分分析法分析结果见表4～表6。

主成分分析结果表明，公路里程、高速公路里程、民用汽车拥有量、私人汽车拥有量、城区面积、建成区面积、绿地面积、森林覆盖率、地区生产总值在第一主成分有较高载荷，平均气温在第二主成分有较高载荷，年降水量在第三主成分有较高载荷。这说明在时间尺度较小的情况下，影响路域环境时空变化的主要驱动力因子是公路建设运营带来的人为活动和地区发展引起的经济增长，降水、天气等自然因素次之。图3数据表明，随着高速公路的建设，建成区面积逐渐增大，地区生产总值稳步提高，说明高速公路建设成为推动地区经济发展的主要因素，验证了主成分分析法所得结论。

表4 相关系数矩

表5 方差分解主成分提取分析表

表6 初始因子载荷矩阵

图3 高速公路建设与经济发展对照图

五、结 论

1)2003—2010年，随着高速公路建设和运营所带来的人为活动和地区经济的发展，使得路域两侧居民地、建设用地所占面积明显增加，中、高覆盖度植被面积持续减少，与地区实地发展变化情况相符。

2)利用多源多时相遥感数据对路域植被覆盖度进行时空变化反演分析，反演结果与野外调研采样结果相符，时空变化分析结论与地区实际自然、社会经济发展趋势吻合。说明利用定量遥感分析技术，对沿线路域植被覆盖度进行评价分析是可行的。随着定量遥感研究的不断深入，定量分析方法能直观地反映植被的生长变化过程。在公路规划、建设和运营的整个过程中，定量遥感分析和动态监测技术对路域生态环境质量评价更具优越性和实用性。

3)在时间尺度较小的情况下，社会经济发展因素的变化强度远大于自然因素，是植被覆盖度时空变化的主要驱动力。说明公路的建设运营对周围地区环境的影响是不容忽视的，在今后的研究和环境维护工作中，应继续努力关注路域生态环境的恢复和发展，采取相应的措施减缓和降低公路运营带来的负面影响，使其危害降低到最低限度，使高速公路建设与周边生态环境和谐发展，实现高速公路生态绿色通道的建设。

［1］何磊，苗放，李玉霞.岷江上游典型流域植被覆盖度的遥感模型及反演［J］.测绘科学，2012(2)：120-122.

［2］任志明，李永树，蔡国林.一种利用NDVI辅助提取植被信息的改进方法［J］.测绘通报，2012(7)：40-43.

［3］YUE Yuemin，ZHANG Bing，WANG Kelin，et al.Remote Sensing of Indicators for Evaluating Karst Rocky Desertification［J］.Journal of Remote Sensing，2011，15(4)：722-728.

［4］陈改英，郭达志.北京市昌平区土地利用/覆盖变化的遥感监测与热环境响应分析［J］.测绘通报，2011(11)：37-40.

［5］QUARMBY N A，TOWNSHEND J R G，SETTLE J J，et al.Linear Mixture Modelling Applied to AVHRR Data for Crop Area Estimation ［J］.International Journal of Remote Sensing，1992，13(3)：415-425.

［6］GUTMAN G，IGNATOV A.The Derivation of the Green Vegetation Fraction from NOAA/AVHRR Data for Use in Numerical Weather Prediction Models［J］.International Journal of Remote Sensing，1998，19(8)：1553-1543.

［7］郭伟伟，王秀兰，冯仲科，等.基于NDVI的植被覆盖度变化的研究与分析——以河北省张家口市为例［J］.测绘与空间地理信息，2012，35(7)：63-66.

［8］黄雄伟.基于GIS和RS的城市土地利用时空演化研究——以长沙为例［D］.北京：中国地质大学，2008.

［9］迟国泰，郑杏果，杨中原.基于主成分分析的国有商业银行竞争力评价研究［J］.管理学报，2009，6(2)：228-233.

［10］李云梅.植被辐射传输理论与应用［M］.南京：南京师范大学出版社，2005.

［11］KAISER M K.Environmental Changes，Remote Sensing，and Infrastructure Development：The Case of Egypt's East Port Said Harbour［J］.Applied Geography，2009，29(2)：280-288.

［12］郭云开，曾繁.基于FLAASH与QUAC模型的SPOT 5影像大气校正比较［J］.测绘通报，2012(11)：21-23.

［13］李娟，龚纯伟.兰州市南北两山植被覆盖度动态变化遥感监测［J］.测绘科学，2011，36(2)：175-177.