APP下载

高分一号数据分辨率对植被覆盖度信息提取影响分析

2019-11-06刘志军莫荣海孙喜娇吕晓梅

农村经济与科技 2019年15期
关键词:分辨率

刘志军 莫荣海 孙喜娇 吕晓梅

[摘要]精确的掌握地表植被覆盖度信息能够为生态环境建设提供可靠的参考数据。选取GF1-WFV(16m)影像、GF1-PMS(8m)影像、融合(2m)影像,并对这些影像进行处理提取植被覆盖度信息,进一步分析不同影像之间植被覆盖度信息的差异性。研究结果表明:高分一号影像随着分辨率的提高,影像植被覆盖度的空间结构逐渐明显清晰,纹理越平滑,细节信息越明显;植被覆盖度信息量随影像分辨率提高,所含信息量不断增加,提取的效果增强,同时植被覆盖度信息分布呈现中间聚拢的状态;GF1-WFV影像、GF1-PMS影像、融合影像的植被覆盖度估算的精度分别为63.11%、73.88%、82.13%。因此,高分一号不同分辨率的影像对植被覆盖度的提取差异明显。

[关键词]高分一号;分辨率;植被覆盖度

[中图分类号]S771.8[文献标识码]A

植被覆盖度信息不仅是地表重要的信息指标,而且还是生态环境监测的重要数据。目前,我国植被覆盖度信息提取主要依赖于遥感估算,影像的分辨率对植被覆盖度估算的精度影响最大,因此,研究不同分辨率影像对植被覆盖度信息提取的差异性具有重要意义。随着我国高分一号卫星的投入使用,使得更高精度的植被覆盖度信息提取得以实现,研究高分一号不同分辨率影像下植被覆盖度信息提取的差异性,从而得出不同分辨率对植被覆盖度估算精度的影响,不仅可以推动高分一号数据在植被覆盖度估算研究中的应用,还为今后的生态文明建设提供理论与实践依据。

1 数据及研究方法

1.1 数据介绍

1.1.1 高分一号WFV/PMS数据。高分一号卫星是我国高分辨率对地观测系统的第一颗卫星,它搭载了8m分辨率多光谱和两台2m分辨率全色相机,四台16m分辨率多光谱相机。高分一号数据为今后开展土地资源调查与监测、生态环境调查监测等提供了高精度、高时效的数据来源,在国产卫星数据中发挥重要作用。

1.1.2 融合数据。本文使用GF1-PMS影像(8m)与GF1全色影像(2m)融合得到分辨率为2m的融合影像,通过影像融合可以重采样生成一幅具有高分辨率影像的纹理信息又有低分辨率的多光谱信息的影像。

1.1.3 数据预处理。本文选用2016年4月18日的GF1-WFV影像和2016年5月05日的GF1-PMS影像,其两幅影像的云量为0,并ENVI软件对影像进行辐射定标、大气校正、多光谱/全色正射校正、和去云等对原始数据进行了预处理,选取归一化植被指数,采用像元二分模型对地表植被进行估算,并通过野外调查结果进行验证。

1.2 研究方法

1.2.1 植被指数模型选取。植被指数(Vegetation Index,VI),又称光谱植被指数,是指由遥感传感器获取的光谱数据,经过线性和非线性的组合运算的对植被具有一定指示意义的各种数值,是衡量地表植被状况、指示生态环境变化的一个重要指标。目前,在国内外研究结果中有大约150种植被指数的计算模型,其中常用的植被指数有:垂直植被指数(Perpendicular Vegetation Index,PVI)、归一化植被指数(Normalized Difference vegetation Index,NDVI)、比值植被指数(Ratio Vegetation Index,RVI)、增强植被指數(Enhanced Vegetation Index,EVI)。

本文根据研究区植被覆盖状况,选取应用最广泛的植被指数NDVI模型,利用NDVI不仅能较为真实地反映地表植被覆盖状况,也能大范围长时间序列地监测地表植被覆盖的变化。

1.2.2 像元二分模型。目前,在利用遥感估算植被覆盖度时最常用的模型有:植被指数模型、混合光谱模型、亚像元模型和光谱梯度差模型。在这些植被指数中像元二分模型是最常用的植被覆盖度计算模型,其模型计算公式如下:

VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

式中:VFC表示植被覆盖度;NDVI表示像元的NDVI值;NDVIsoil表示完全是裸地或者无植被覆盖的像元NDVI值;NDVIveg表示完全有植被覆盖的像元NDVI值。

利用像元二分模型计算植被覆盖度最关键的是计算模型中的NDVIsoil和NDVIveg值,两个值的计算公式为:

NDVIsoil=(VFCmax*NDVImin-VFCmin*NDVImax)/(VFCmax-VFCmin)

NDVIveg=(1-VFCmin)*NDVImax-(1-VFCmax*NDVImax)/(VFCmax-VFCmin)

这里计算有两种假设:①当区域内可以近似取VFCmax=100%,VFCm=0%,公式可变为:式中:NDVImin是研究区内像元的NDVI最小值;NDVImax是研究区内像元的NDVI最大值。②当区域内不能近似取VFCmax=100%,VFCm=0%时,如果有实测数据,可以取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin,这两个实测数据对应的图像的NDVI作为NDVImax和NDVImin。当没有实测数据时,取一定置信度的置信区间中的上限值、下限值。本研究选取NDVI频率累计表上5%频率对应的值为NDVImin,选取NDVI频率累计表上95%频率对应的值为NDVImax。

1.2.3 植被覆盖度估算和验证。在像元二分模型中,NDVIveg代表着全部植被覆盖像元的最大值,由于受地表植被类型的影响,NDVIveg值也会随着时间和空间的变化而变化,同理NDVIsoil也会发生变化。因此,计算植被覆盖度时,对于NDVIveg和NDVIsoil值不能取固定值。本研究利用土地覆盖图分别求解不同土地覆盖类型内的NDVImax和NDVImin作为NDVIveg和NDVIsoil,可以得到NDVIveg和NDVIsoil的参数文件。步骤如下:①获取土地覆盖类型阈值,本研究选取每个土地覆盖类型的NDVI频率累计表上5%频率对应的值为NDVImin,选取NDVI频率累计表上95%频率对应的值为NDVImax。②根据阈值分别生成NDVIsoil和NDVIveg参数文件,主要使用bandmath工具,表达式:NDVIsoil:b1*NDVImin+b2*NDVImin+b3*NDVImin+b4*NDVImin+b5*NDVImin,其中b1、b2、b3、b4、b5为土地覆盖类型的掩膜文件。③利用得到的NDVIsoil和NDVIveg参数文件带入公式VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil),运用Bandmath计算,去除异常值得到研究区的植被覆盖度。

本研究对植被覆盖度的验证方法主要是通过野外调查结果进行验证,具体步骤:首先在ArcGIS软件中建立公里网格,通过影像筛选出一定数量的实测点;其次进行野外样地的实地调查,最后通过样点和实测数据计算估算的精度。

1.2.4 植被覆盖度分级。参照中华人民共和国水利部批准《土壤侵蚀分类分级标准》(SL190—2007),同时根据研究区植被分布特征,将植被覆盖进行盖度分级,共分为5个等级,分别为对应植被覆盖度为<30%、30%~45%、45%~60%、60%~75%、>75%。

2 结果与分析

2.1 不同影像的植被覆盖度图像分析

为了研究GF1-WFV影像、GF1-PMS影像、融合影像的分辨率对植被覆盖度的影响,采用像元二分模型估算地表植被覆盖度,从图1中可以看出随着影像分辨率不断提高,植被覆盖度图像的结构逐渐变清晰,细节更明显,纹理更平滑。GF1-WFV影像的植被覆盖度图的结构模糊,不能清晰地表达研究区的植被总体分布情况和植被覆盖度情况,同时局部区域植被覆盖度不能被区分,信息不能完整的表达。融合影像的植被覆盖度的分布情况整体和GF1-PMS影像相似,但在局部区域植被覆盖度的分类更细致,说明同一个分辨率的多光谱数据和融合高分辨的数据,在植被覆盖度的空间结构和分布上没有太大的差异。从植被覆盖度提取来看GF1-WFV影像很多植被覆盖度等级信息没有提取出来,存在信息缺失。

2.2 不同影像的植被覆盖度等级占比分析

从表1可以看出不同影像的植被覆盖度分布呈现以下规律:①随着影像分辨率的提高,植被覆盖度分级结果在不同影像中所占的比例有明显变化,随着分辨率的提高植被覆盖度<75%以下的等级所占比例逐渐下降,植被覆盖度>75%的占比逐渐上升。②三个影像的植被覆盖度边缘等级变化最明显,也就是最高植被覆盖度和最低植被覆盖度变化最明显。随着分辨率的提高,植被覆盖度<30%的等级所占比例明显下降,整体下降了9.60%,植被覆盖度>75%的等级所占比例明显上升,整体上升了16.25%。说明GF1-WFV影像的植被覆盖度在<30%和>75%时,植被覆盖度信息均出现较大误差。③对比三个影像的植被覆盖度分级占比可以看出GF1-WFV影像和GF1-PMS影像的占比变化最明显,GF1-PMS影像和融合影像的变化不大。从表1可以得出GF1-WFV影像到GF1-PMS影像植被覆盖度等级从小到大分别变化了7.66%、3.24%、2.47%、2.39%、15.75%,GF1-PMS影像到融合影像植被覆盖度等级从小到大分别变化了1.94%、2.65%、2.84%、2.03%、5.40%。GF1-WFV影像与GF1-PMS影像植被覆盖度占比变化最大为15.75,GF1-PMS影像与融合影像的植被覆盖度占比变化最大仅为5.40%。④结合植被覆盖度直方图和植被覆盖度空间分布图可以看出,GF1-WFV影像的植被覆盖度估算的能力较差,在植被覆盖度<30%和>75%的估算精度不高,在局部的植被覆盖度分布上很粗糙、模糊,存在一定的植被覆蓋度信息缺失。因此GF1-WFV影像不适合植被覆盖度的提取。

2.3 不同影像的植被覆盖度提取精度分析

为了评价植被覆盖度估算的精度,本文研究通过实地采样,在区域内布设公里网格,选取30个精度验证点,通过调查得到样点的真实植被覆盖度。通过计算得到GF1-WFV影像、GF1-PMS影像、融合影像的植被覆盖度精度分别为63.11%、73.88%、82.11%,综上可以看出,随着影像分辨率的提高,高分辨率影像的精度明显高于低分辨率影像的精度。

3 结论

GF1-WFV影像、GF1-PMS影像、融合影像随着遥感影像的分辨率不断提高,植被覆盖度图像的结构逐渐变得清晰,细节更明显,纹理更平滑。同时GF1-WFV影像很多植被覆盖度等级信息没有提取出来,存在较大信息缺失。

随着分辨率的提高植被覆盖度<75%以下的等级所占比例逐渐下降,植被覆盖度>75%的占比逐渐上升。GF1-WFV影像的植被覆盖度在<30%和>75%时,植被覆盖度信息均出现较大误差。GF1-WFV影像到GF1-PMS影像植被覆盖度等级从小到大分别变化了7.66%、3.24%、2.47%、2.39%、15.75%,GF1-PMS影像到融合影像植被覆盖度等级从小到大分别变化了1.94%、2.65%、2.84%、2.03%、5.40%。GF1-WFV影像与GF1-PMS影像植被覆盖度占比变化最大为15.75,GF1-PMS影像与融合影像的植被覆盖度占比变化最大仅为5.40%。通过计算得到GF1-WFV影像、GF1-PMS影像、融合影像的植被覆盖度精度分别为63.11%、73.88%、82.11%,

[参考文献]

[1] 谭永生,沈掌泉,贾春燕,等.中高分辨率遥感影像融合研究[J].遥感技术与应用,2007,22(4):536-542.

[2] 陈述彭,李志荣,王渊.地球资源卫星应用系统及其智能化[J].国土资源遥感,1989,1(1):14-22.

[3] 张喜旺,吴炳方.基于中高分辨率遥感的植被覆盖度时相变换方法[J/OL].生态学报,2015,35(04):1155-1164.

[4] 田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1998(04):10-16.

[5] 顾祝军,曾志远.遥感植被盖度研究[J].水土保持研究,2005(02):18-21.

[6] 邓书斌.ENVI遥感图像处理方法[M].北京:高等教育出版社,2014.

[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.

猜你喜欢

分辨率
基于CNN的轻量级神经网络单幅图像超分辨率研究
我国科学家发明计算超分辨图像重建算法拓展荧光显微镜分辨率极限
高刷新率不容易显示器需求与接口标准带宽
基于Authorware开发程序的全屏显示问题研究
ARM发布显示控制器新品重点强化对分辨率的支持
最小可换镜头4K相机
显卡目前的虚拟分辨率技术
适用于4K/5K分辨率的游戏显卡
从600dpi到9600dpi
锐化与显示器分辨率