沈 谦，朱长明，张 新

(1. 江苏师范大学地理测绘与城乡规划学院，江苏 徐州 221116； 2. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室,北京 100101)

植被覆盖度(fractional vegetation cover,FVC)通常定义为植被(包括叶、茎和枝)在地面的垂直投影面积占统计区总面积的百分比[1]，是水土保持、温室气体浓度变化、陆地表面辐射平衡、碳氮循环和荒漠生态环境等研究中重要的生物物理参数[2]，是指示生态环境变化的基本指标[3]。植被作为陆地生态系统最基础的组成部分，是陆地生态系统的主体之一，与区域气候、土壤、地形及地下水位等要素密切相关[4]。区域植被活动特征是评价区域生态环境状况的重要指标参数，反映了区域气候变化和生态系统的健康状况。随着遥感技术在植被覆盖度监测方面的发展，遥感估算取代了地面测量，已经成为区域尺度植被覆盖度获取的主导手段[5]。目前，利用遥感反演的植被覆盖度遥感估算方法主要包括回归模型法[1,6-8]和线性混合像元分解模型法[9-17]。

回归模型法通过建立遥感植被指数(如NDVI、MASVI、PVI等)与实际植被覆盖度之间的线性或非线性回归模型，并利用该模型计算整个区域的植被覆盖度，但是回归模型只适用于特定区域与特定植被类型的植被覆盖度估算，在大尺度、低分辨率遥感数据源条件下精度较低。线性混合像元分解模型假定像元光谱信息为像元内各组分光谱信息的线性合成，其中最为经典和通用的模型为像元二分模型。该模型假设像元只由植被与非植被两部分构成，其中植被部分面积占像元面积的百分比即为植被覆盖度。像元二分模型因其形式简单且具有一定物理意义而广泛应用于植被覆盖度的估算。但是，文献[6]提出由于NDVI在稀疏植被区域数值偏大，很难精确选择模型所需NDVIveg和NDVIsoil，导致像元二分模型估算植被覆盖度结果偏高。如我国西北干旱区，区域内存在大量沙漠、戈壁、裸土，这些区域NDVI值普遍偏高，在利用频率累计法获取模型所需NDVIveg和NDVIsoil时，NDVIsoil值偏低，导致沙漠、裸土、戈壁区域FVC估算结果大于0。因此，如何精准获取构成像元二分模型所需NDVIveg和NDVIsoil参数，是利用像元二分模型精确估测干旱区区域尺度FVC的技术难点。

为此，本文提出GF-2辅助支持下的干旱区稀疏植被覆盖度估算方法。利用GF-2影像和MODIS影像相结合，提取MODIS像元尺度下的纯植被和非植被区对应在GF-2影像上的植被覆盖度最大值，作为二分像元模型参数NDVIveg和NDVIsoil，完成模型的初始化，依此估算稀疏植被干旱区植被覆盖度。本文选取塔里木河下游为试验区，通过与线性回归、多项式回归及直方图累积像元二分模型等结果进行精度比较，验证该方法的可行性。

1 试验数据

1.1 试验区概况

本文选择塔里木河下游为试验区，如图1所示，整体研究区位于86.5°E—88.5°E，39.5°N—41.5°N，主河道长约426 km，面积约4204 km2[18]，是塔克拉玛干沙漠和库干塔格沙漠的分界线[19]。由于人类对水土资源不合理开发利用，破坏植被，导致塔里木河下游无水补给，陆续出现断流现象，且呈现出断点上移、断流长度增加和断流时间不断增长的特点[20]，塔里木河下游植被一度退化非常严重。

1.2 数据源选择

研究所用MODIS NDVI 16 d合成产品来源于美国地质勘探局(United States Geological Survey，USGS)，GF-2遥感影像来源于中国资源卫星应用中心。首先对NDVI数据进行拼接、去极值和最大值合成处理，将处理后的2017年250 m空间分辨率NDVI最大值合成数据进行Albers Conical Equal Area投影；然后对采样区和验证区GF-2影像进行正射校正、配准和图像融合处理，并将投影坐标系转换为Albers Conical Equal Area投影。本文研究所使用数据的获取日期、行列号及相应描述见表1。

表1 研究所使用数据

2 研究方法

常用于植被覆盖度估算的像元二分模型假设像元只由植被与非植被两组分组成，像元的光谱信息也只由这两个组分因子线性合成，它们各自的面积在像元中所占的比率即为各因子的权重。其中植被覆盖部分占像元的百分比即为该像元的植被覆盖度，其数学表达公式如下

NDVI=FVC×NDVIveg+(1-FVC)×NDVIsoil

(1)

(2)

式中，FVC为混合像元中的植被覆盖度；NDVI为混合像元的归一化植被指数；NDVIveg为植被组分所对应的NDVI；NDVIsoil为裸土组分对应的NDVI。在利用像元二分模型估算植被覆盖度过程中，NDVIveg和NDVIsoil的选取是关键，决定了估算结果的精度。由GF-2影像提取的植被像元相对于250 m空间分辨率NDVI最大值合成数据可视为实测数据。

GF-2辅助下的基于MODIS NDVI干旱区植被覆盖度估算流程如图2所示。首先，采用ISODATA方法从融合后的GF-2 0.8 m产品中提取采样区和验证区植被分布结果；其次，利用Pixel Aggregate方法将植被分布数据重采样至250 m空间分辨率，获取植被覆盖度数据，其中采样区数据作为植被覆盖度估算的训练数据，验证区数据作为后期精度验证的参考数据；然后，统计采样区植被覆盖度为100%和0%的像元作为纯植被像元和裸土像元，其中纯植被像元数为50，纯裸土像元数为239；最后，根据纯植被像元和裸土像元的空间位置采集NDVI最大值合成数据。试验结果表明可将纯植被像元和裸土像元分别采集NDVI数据中的最大值作为像元二分模型所需的NDVIveg和NDVIsoil。

3 结果与精度分析

3.1 植被覆盖度制图

通过综合试验分析，像元二分模型所需参数NDVIveg、NDVIsoil分别为0.860 7、0.108 2时效果最佳，由此完成对塔里木河下游植被覆盖度的估算。塔里木河下游植被覆盖度制图结果如图3所示，其中图3(a)为线性回归估算结果，图3(b)为多项式回归估算结果，图3(c)为像元二分模型利用直方图累计法获取NDVIveg和NDVIsoil估算结果，图3(d)为GF-2辅助的像元二分模型估算结果。塔里木河下游植被主要分布在河道两侧及流域北部农田地区。通过估算结果可以看出：回归方法估算结果误差较大，河道两侧塔克拉玛干沙漠和库干塔格沙漠等无植被地区植被覆盖度估算结果为2%左右，且部分地区出现负值；像元二分模型法制图结果整体优于回归方法，但是由于研究区内存在大量沙漠，NDVI在这些地区数值偏高，在利用直方图累计方法获取NDVIveg和NDVIsoil时，NDVIsoil取值较高，导致部分沙漠等无植被地区估算结果大于0，且植被地区出现高估现象；利用GF-2影像辅助获取像元二分模型所需的NDVIveg和NDVIsoil参数估算植被覆盖度效果较好，与实际植被分布较为一致，沙漠地区估算结果为0，估算结果分布较为合理。

3.2 精度评价

参考数据与估算结果散点图如图4所示。可以看出，线性回归与多项式回归估算结果整体效果较好，但是部分低植被覆盖度地区出现负值，且在植被覆盖度小于30%部分，受到稀疏植被地区NDVI值偏高问题的影响，植被覆盖度估算结果普遍高于参考数据，而高植被覆盖度地区估算结果偏低，极少数像元估算结果大于90%，与参考数据植被覆盖度数量分布不一致。受到研究区内大范围沙漠、裸土覆盖和稀疏植被地区NDVI值较高问题的影响，像元二分模型利用5%和95%直方图累计获取NDVIsoil和NDVIveg方法取值较低，导致植被覆盖度估算结果普遍高估，绝大部分地区估算结果均大于参考数据，部分低植被覆盖度地区估算结果达到100%，偏差较大。高分二号影像提取纯植被和裸土像元获取NDVIveg和NDVIsoil方法，有效抑制了由于疏植被地区NDVI值较高问题导致的低植被覆盖地区估算结果高估的现象，不同植被覆盖度像元分布结果与参考数据较为一致。

验证区不同等级植被可以看出覆盖度像元数占总像元数百分比分布如图5所示。可以看出，小于10%、10%～20%、20%～30%、30%～40% 4个等级中，利用GF-2辅助方法获取像元二分模型所需参数估算结果占总像元数的百分比与参考数据最为一致；在40%～50%等级中，线性回归、多项式回归和利用高分影像获取参数方法估算结果占像元总数的百分比与参考数据相差均小于0.3%，而利用直方图累计法获取参数估算结果占像元总数的百分比与参考数据相差1.17%；在大于50%等级中，利用高分影像获取参数方法估算结果占像元总数的百分比与参考数据相差仅次于多项式回归结果。整体来看，利用高分影像获取像元二分模型参数的方法，在不同植被覆盖度等级下像元数占总像元数百分比与参考数据最为一致。

为了进一步验证模型的精度，选择相关系数R2、均方根误差(RMSE)、平均误差(AE)和平均相对误差(AEP)等作为评价指标，对不同方法取得结果进行对比评价。其中平均误差指验证区内估算结果与参考数据差值的平均值，平均相对误差指验证区内估算结果与参考数据的差值占参考数据的百分比的平均值，结果见表2。

表2 4种方法植被覆盖度估算精度对比

4种方法估算结果与参考数据间R2分别为0.790 6、0.790 5、0.802 6和0.802 8，RMSE分别为0.093 9、0.093 1、0.147 8和0.088 9，平均误差分别为0.034 3、0.03 9、0.082 9和0.009 8，其中，本文方法估算结果与参考数据R2最高，RMSE和平均误差最低。由于验证区内存在大量低植被覆盖度像元及无植被覆盖像元，这些像元在一定程度上影响相关系数、RMSE和平均误差的大小。因此，为了避免0值对平均相对误差计算的干扰，对估算结果和参考数据中的0值进行了去除，4种方法平均相对误差分别为6.922 6、7.160 1、9.231 1和2.763 8，其中本文方法平均相对误差最低。精度对比结果表明，本文方法适用于干旱区稀疏植被区植被覆盖度估算，精度较高。

4 结 语

利用直方图累计法获取像元二分模型所需NDVIveg和NDVIsoil参数在低植被覆盖度的西部干旱区地区不太适用，存在普遍高估问题，以及回归模型法估算结果出现负值、低植被覆盖度地区估算结果高估现象。针对以上问题，本文利用GF-2影像提取植被与裸土覆盖并重采样至250 m，获取区域内250 m分辨率尺度下纯植被和纯裸土像元，并选择对应MODIS NDVI数据中最大值作为像元二分模型所需NDVIveg和NDVIsoil参数，实现GF-2辅助下的塔河下游干旱区植被覆盖度的估算。研究结果表明：利用GF-2影像辅助，获取MODIS NDVI中像元二分模型所需NDVIveg和NDVIsoil参数，有效抑制了受稀疏植被NDVI较高问题的影响，植被覆盖度较低地区估算结果高估的现象，大大提高了干旱区的植被覆盖度的估算精度，可为同行提供方法借鉴。