张成才， 罗蔚然， 窦小楠， 王金鑫

(1.郑州大学水利与环境学院,郑州 450001； 2.河南省基础地理信息中心,郑州 450000)

应用Landsat8数据改进FCD模型方法

张成才1， 罗蔚然1， 窦小楠2， 王金鑫1

(1.郑州大学水利与环境学院,郑州 450001； 2.河南省基础地理信息中心,郑州 450000)

植被覆盖度是衡量地表植被状况的重要指标，在水文、气象和生态等方面的研究中具有重要作用。以Landsat8为数据源，采用Gram-Schmidt变换的光谱锐化融合方法提高热红外波段的空间分辨率，计算热量指数，对传统FCD模型(forest canopy density mapping model)进行改进，根据4种指数的关系计算植被覆盖度。通过与传统FCD模型方法计算结果比较，改进后的植被覆盖度计算方法具有更高的精度。

植被覆盖度； Landsat8； FCD模型； 热量指数

0 引言

植被覆盖度是土地沙漠化评价、水土流失监测和分布式水文模型构建的重要参数。利用遥感技术能够有效、快速获取植被信息，可以充分反映植被在时间和空间上的变化情况，对于监测植被覆盖度具有很好的效果[1]。目前，国内外学者研究植被覆盖度估算方法大致分为基于回归模型法、基于像元分解法和基于智能算法3类[2]。

基于回归模型法的植被覆盖度估算，North[3]用ATSR-2 数据各波段值(555 nm，670 nm，870 nm和1 630 nm)分别与植被覆盖度进行线性回归分析，结果表明该线性混合模型估算植被覆盖度比单一植被指数更好； Van de Voorde等[4]利用Landsat7数据估算城市植被覆盖度，发现利用第2，3，5和7波段建立的回归模型估算植被覆盖度效果最好； 杨峰等[5]应用TM和实测数据，对5种植被指数(NDVI，RVI，GNDVI，SAVI和MSAVI)与植被覆盖度进行回归分析，结果表明MSAVI和GNDVI精度最佳，达90%以上。

基于像元分解法的植被覆盖度估算，Zribi等[6]基于像元分解模型，使用雷达ERSZ/SAR数据估算了半干旱地区的植被覆盖度，取得了较好的成果； Gutman等[7]在像元二分模型基础上提出了对均一像元和混合像元植被覆盖度的不同求解方法； 李苗苗等[8]在对像元二分模型2个重要参数推导的基础上，改进了已有模型的参数估算方法，建立了用NDVI估算植被覆盖度的模型； 马娜等[9]在充分考虑区域土壤和植被类型等背景基础上，先后使用了MNF、二维散点图以及PPI方法，得到了具有时空针对性的纯净像元，以此为基础运用像元二分模型计算了植被覆盖度及其空间分布。

基于智能算法的植被覆盖度估算中，Van de Voorde等[4]提出了利用多层感知层神经网络，采用Landsat7图像中随机选取训练样本的方法进行混合像元分解，估算亚像元植被覆盖度； 陈涛等[10]采用BP神经网络算法对密云水库流域内的植被覆盖进行反演，结果表明该方法以其对非线性过程的精确模拟而具有比传统算法更高的精度。

但是，回归模型法估算植被覆盖度对实测数据依赖性较强，地表的复杂性易导致区域内的经验模型应用于大尺度的植被估算时误差较大； 像元分解法由于植被的光谱信息受多种地物的影响，较难获取纯净的像元; 基于智能算法的植被覆盖度估算训练样本的选取困难，虽然实测数据可以获得较高精度的样本数据，然而在代表性和全面性方面受到一定的限制。

近年来，国际热带木材组织(international tropical timber organization，ITTO)在众多学者研究的基础上提出了一种植被覆盖度估算方法——FCD模型(forest canopy density mapping model)。传统的FCD模型方法以 Landsat TM /ETM+为数据源，主要构造 4种指数，分别为植被指数(vegetation index，VI) 、裸土指数(bare soil index，BI) 、阴影指数(shadow index，SI) 及热量指数(thermal index，TI) 。由于 TM/ETM+图像的热红外波段空间分辨率较低，所以一般只构建前3种指数。本文以Landsat8为数据源，采用Gram-Schmidt(GS)变换的光谱锐化融合方法提高热红外波段的空间分辨率，然后计算热量指数，根据4种指数的相关关系计算植被覆盖度。

1 数据源及其预处理

研究区位于黄河一级支流沁河流域上游，中心经纬度坐标为N36°5′59.49″，E112°7′31.56″，范围为16 km×16 km。该区域主要地表覆盖类型为灌木、林地、草地、耕地及水体，另有少量居民地和道路，植被生长状况较好。

以2014年6月获取的Landsat8影像为数据源，并进行辐射定标、大气校正等预处理。采用FLAASH模型对定标后的影像进行大气校正，消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响以及大气分子和气溶胶散射的影响。校正后的图像如图1所示。

图1 研究区校正后Landsat8影像Fig.1 Corrected Landsat8 image in study area

2 改进 FCD模型

2.1 模型参数选取

由于Landsat8热红外波段空间分辨率较低，传统的 FCD模型热量指数一般不参与计算植被覆盖度。首先，本文通过GS变换的光谱锐化融合方法对热红外波段和全色波段进行融合，提高了热红外波段空间分辨率，同时保持丰富的光谱信息。Landsat8热红外波段与全色波段GS变换融合前后结果如图2所示。

(a) 融合前 (b) 融合后

图2Landsat8热红外波段与全色波段融合结果

Fig.2FusionofthermalinfraredimageandpanchromaticimageofLandsat8

然后,应用融合后的数据，构建热量指数。利用绿光、红光、近红外、短波红外和热红外波段进行4种指数的计算，计算公式分别为

NDVI=(B4-B3)/(B4+B3)，

(1)

BI=100(B5+B3-B4-B1)/(B5+B4+B3+B1)+100,

(2)

SI=[(256-B1)(256-B2)(256-B3)]1/3,

(3)

TI=K2/ln(K1/Lλ+1),

(4)

K1=774.89 W/(m2·sr·μm)，

(5)

K2=1 321.08 K，

(6)

式中：B1，B2，B3，B4和B5分别为蓝光、绿光、红光、近红外和短波红外波段值；Lλ为Landsat8 TIRS 热红外波段表观辐射亮度(本文选取第10波段)；K1和K2为常数。

4种指数的计算结果如图3所示。

(a) 植被指数(b) 裸土指数

(c) 阴影指数(d) 热量指数

图3模型4种指数计算结果

Fig.3Resultsoffourkindsofindexesinmodel

2.2 植被覆盖度计算

研究发现NDVI和BI呈现负相关，SI与TI也呈现负相关[11-13]。利用NDVI和BI建立二维空间区域，求协方差矩阵，计算正交变换矩阵，对此二维空间进行正交变换，得到第一主成分分量作为植被密度。原始影像可用以下矩阵表示

(7)

式中p和n分别为波段数和每幅影像的像素数，矩阵中每一行向量表示一个波段的图像。协方差矩阵公式为

(8)

根据协方差矩阵求出特征值λ、特征向量v，以特征向量构成矩阵，并求其转置得到变换矩阵T，将变换矩阵T代入Y=TX，即

(9)

式中矩阵Y的行向量即为第p主成分分量。其中第一主成分分量为植被密度分量，如图4所示。

图4 植被密度Fig.4 Vegetation density

同理，对SI与TI组成的二维空间进行正交变换，得到第一主成分分量作为调节阴影指数，如图5所示。

图5 调节阴影指数Fig.5 Adjust shadow index

将植被密度和调节阴影指数进行归一化处理，利用调节阴影指数对植被密度进行修正，消除地面上阴影等因素的影响。采用Rikimaru等[13]提出的植被覆盖度计算方法，计算公式为

(10)

2.3 植被覆盖度等级划分

为了进一步显示植被覆盖情况的空间分布特征，对植被覆盖度计算结果划分9个等级，植被覆盖度在(0,0.1]为第1级，(0.1,0.2]为第2级，(0.2,0.3]为第3级，(0.3,0.4]为第4级，(0.4,0.5]为第5级，(0.5,0.6]为第6级，(0.6,0.7]为第7级，(0.7,0.8]为第8级，(0.8,1]为第9级。

3 结果及精度评价

传统FCD模型和改进FCD模型植被覆盖度分级结果对比如图6所示。

(a) 传统FCD模型(b) 改进FCD模型

图6植被覆盖度分级结果对比

Fig.6Comparisonoffractionalvegetationcoverage

对2种方法的分级结果进行定量分析，得到各等级植被覆盖度统计结果如表1所示。

表1 研究区植被覆盖度统计结果Tab.1 Statistical results of fractional vegetation coverage in the study area

从表1中可以看出，2种方法的结果总体上一致。第9级植被所占的面积比例最大，约占总面积的25%，相差较大的是第8级植被。为了进一步分析2种方法的优劣，在研究区内随机选取样本点，将传统FCD模型和改进后的FCD模型计算的植被覆盖度与资源三号(ZY-3)高分遥感影像提取的植被覆盖度进行二维散点分析，结果如图7所示。

图7 植被覆盖度散点图Fig.7 Scatter plots of fractional vegetation cover

图8中传统FCD方法的相关系数为0.87，改进后的FCD模型相关系数提升到了0.91，改进后的模型与ZY-3高分影像提取的植被覆盖度相关性更高，改进效果明显。

为了进一步检验计算误差范围变化情况，计算均方根误差为

(11)

通过计算，传统的FCD模型RMSE为0.11，改进后的FCD模型RMSE为0.10，误差减少了0.01，说明改进后的FCD模型在一定程度上减小了误差，提高了植被覆盖度估算精度。

4 结论

研究基于Gram-Schmidt变换融合方法提高了Landsat8数据热红外波段空间分辨率，通过计算热量指数对传统的FCD模型进行改进，并根据植被指数、裸土指数、阴影指数和热量指数4种指数计算植被覆盖度，得出结论如下：

1)基于Landsat8数据分别采用传统的与改进的FCD模型计算植被覆盖度，2种方法计算结果总体上一致。其中相差较大的是第8级植被，所占面积分别为133.148 km2和270.113 km2。为了进一步验证改进的效果，应用均方根误差和相关系数进行对比分析，结果显示改进后的FCD模型相关系数达到0.91，均方根误差降低了0.01，提高了植被覆盖度的估算精度。

2)分析发现误差较大的第8级植被部分包含大部分水体，原因是模型参数中没有考虑水体参数，从而导致包含水体部分的区域计算误差较大。后续在使用FCD模型时可先将水体部分剔除，或者在模型中引入水体指数，通过分析各参数之间的关系，建立合适的植被覆盖度计算模型，避免水体与植被阴影之间的混淆。

[1] 韩兰英,王宝鉴,张正偲,等.基于RS的石羊河流域植被覆盖度动态监测[J].草业科学,2008,25(2):11-15.

Han L Y,Wang B J,Zhang Z C,et al.Remote sensing based dynamic monitoring on change of vegetation cover in Shiyanghe River watershed[J].Pratacultural Science,2008,25(2):11-15.

[2] 贾 坤,姚云军,魏香琴,等.植被覆盖度遥感估算研究进展[J].地球科学进展,2013,28(7):774-782.

Jia K,Yao Y J,Wei X Q,et al.A review on fractional vegetation cover estimation using remote sensing[J].Advances in Earth Science,2013,28(7):774-782.

[3] North P R J.Estimation of fAPAR,LAI,and vegetation fractional cover from ATSR-2 imagery[J].Remote Sensing of Environment,2002,80(1):114-121.

[4] Van de Voorde T,Vlaeminck J,Canters F.Comparing different approaches for mapping urban vegetation cover from Landsat ETM+ data:A case study on Brussels[J].Sensors,2008,8(6):3880-3902.

[5] 杨 峰,李建龙,钱育蓉,等.天山北坡典型退化草地植被覆盖度监测模型构建与评价[J].自然资源学报,2012,27(8):1340-1348.

Yang F,Li J L,Qian Y R,et al.Estimating vegetation coverage of typical degraded grassland in the Northern Tianshan Mountains[J].Journal of Natural Resources,2012,27(8):1340-1348.

[6] Zribi M,Le Hégarat-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.

[7] 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):1533-1543.

[8] 李苗苗,吴炳方,颜长珍,等.密云水库上游植被覆盖度的遥感估算[J].资源科学,2004,26(4):153-159.

Li M M,Wu B F,Yan C Z,et al.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing[J].Resources Science,2004,26(4):153-159.

[9] 马 娜,胡云锋,庄大方,等.基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化[J].地理科学,2012,32(2):251-256.

Ma N,Hu Y F,Zhuang D F,et al.Vegetation coverage distribution and its changes in Plan Blue Banner based on remote sensing data and dimidiate pixel model[J].Scientia Geographica Sinica,2012,32(2):251-256.

[10] 陈 涛,牛瑞卿,李平湘,等.基于人工神经网络的植被覆盖遥感反演方法研究[J].遥感技术与应用,2010,25(1):24-30.

Chen T,Niu R Q,Li P X,et al.An artificial neural network method for vegetation cover retrieval with “Beijing-1” microsatellite data[J].Remote Sensing Technology and Application,2010,25(1):24-30.

[11] 蔡 蘅,王结贵,杨瑞霞,等.基于FCD模型的且末绿洲植被覆盖度时空变化分析[J].国土资源遥感,2013,25(2):131-137.doi:10.6046/gtzyyg.2013.02.22.

Cai H,Wang J G,Yang R X,et al.Analysis of spatial-temporal change of Qiemo oasis vegetation coverage based on FCD model[J].Remote Sensing for Land and Resources,2013,25(2):131-137.doi:10.6046/gtzyyg.2013.02.22.

[12] Joshi C,De Leeuw J,Skidmore A K,et al.Remotely sensed estimation of forest canopy density:A comparison of the performance of four methods[J].International Journal of Applied Earth Observation and Geoinformation,2006,8(2):84-95.

[13] Rikimaru A,Miyatake S.Development of forest canopy density mapping and monitoring model using indices of vegetation,bare soil and shadow[EB/OL].GIS Development,1997.2009-12-23.https://www.geospatialworld.net/.

ResearchonthemethodofusingLandsat8datatoimproveFCDmodel

ZHANG Chengcai1, LUO Weiran1, DOU Xiaonan2, WANG Jinxin1

(1.CollegeofWaterConservancandEnvironmentalEngineering,ZhengzhouUniversity,Zhengzhou450001，China;2.GeomaticsCentreofHenanProvince,Zhengzhou450000，China)

As an important indicator, fractional vegetation coverage plays a critical role in the study of hydrology, weather, ecology and so on. Based on the Landsat8 as the data source and using Gramm - Schmidt transform spectrum sharpening fusion method, the authors improved the spatial resolution of thermal infrared band and calculated the thermal index. The traditional forest canopy density mapping model is improved based on the utilization of four indices to calculate the fractional vegetation coverage. A comparison with the traditional method shows that the improved model has a higher precision.

fractional vegetation coverage； Landsat8； forest canopy density mapping model； thermal index

10.6046/gtzyyg.2017.04.06

张成才,罗蔚然,窦小楠,等.应用Landsat8数据改进FCD模型方法[J].国土资源遥感,2017,29(4)：33-38.(Zhang C C,Luo W R,Dou X N,et al.Research on the method of using Landsat8 data to improve FCD model[J].Remote Sensing for Land and Resources,2017,29(4)：33-38.)

TP 79

A

1001-070X(2017)04-0033-06

2016-04-01；

2016-06-26

河南省基础与前沿技术研究项目“缺资料地区小流域山洪灾害预警及评估研究”(编号： 152300410044)和河南省农业气象保障与应用技术重点实验室开放基金项目“基于多源遥感的冬小麦全生育期墒情监测”(编号： AMF201407)共同资助。

张成才(1964- ),男,教授,主要从事遥感技术应用研究。Email: zhangcc2000@163.com。

罗蔚然(1991-),男,研究生,主要从事遥感技术应用研究。Email: 171230855@qq.com。

(责任编辑：陈理)