钱慧, 邱志伟*, 李俊峰, 牛原, 郭玄烨

(1.江苏海洋大学海洋技术与测绘学院, 连云港 222000; 2.天津大学海洋科学与技术学院, 天津 300072)

植被与大气、土壤、温度等要素息息相关,并且它的生长、组成、分布和发展与地球生态环境存在着密切联系。植被覆盖度是指植被(包括叶、茎、枝) 在地面的垂直投影面积占统计区总面积的百分比,是判断干旱地区土地退化和荒漠化的重要因素[1]。植被覆盖度的变化代表研究区域生态系统的恢复或退化,是指示地表植被状况的重要指标[2]。研究植被覆盖的方法有很多种,其中像元二分模型是大多数研究人员认为最简单、最方便操作的模型。它假定像元内地物仅由植被和裸地组成,即一个像元的光谱特性是由这两种成分的反射率及其占像元面积比例为权重系数的线性组合[3]。这种方法易上手、操作过程简洁明了,是目前在植被覆盖度研究方面的热点。

目前,研究植被覆盖度的方法主要有实测法和遥感监测法,而实测法虽然研究出的样本精度较高,但它需要的人工成本高且效率较低,并不广泛适用。

Kong等[4]基于归一化植被指数(normalized vegetation index,NDVI)数据研究了植被覆盖与气温之间的关系,发现自1994—1997年以后,NDVI在中欧、北美北部、西伯利亚中部呈下降趋势。张朔川等[5]以2001—2020年的Landsat长时间序列遥感影像作为数据源,基于Google Earth Engine云平台,采用像元二分模型并结合了变异系数、线性回归分析和元胞自动机-马尔可夫链模型等方法获得了秦皇岛市的植被覆盖度动态变化,并预测了2025年的植被覆盖度情况。何清芸等[6]采用MODIS-NDVI卫星数据,结合像元二分模型、差值法、均值法、一元线性回归模型研究分析了2000—2015年重庆市的植被覆盖度时空变化情况。王一富等[7]结合ENVI软件提取归一化植被指数,利用像元二分模型分析了大理苍山自然保护区的植被覆盖度变化情况。杨坤士等[8]基于Landsat系列数据,利用Theil-Sen Median趋势分析和Mann-Kendall以及Hurst指数法探究了广西南流江流域植被覆盖度长时序变化情况。目前,中外相关研究已有很多,但基于高分六号卫星的研究尚鲜见报道,且在众多的植被指数中,NDVI在反映作物生长状态中具有很好的效果。与其他的反演模型相比较,基于NDVI的像元二分模型更加具有普遍意义。

鉴于此,利用高分六号遥感数据作为数据源,采用NDVI指数和像元二分法,在传统的分析研究方法上采用不同置信度来研究东海县植被覆盖度的遥感估测,以此来探讨高分六号卫星以及置信度法在此方面的适用性,这对研究高分六号卫星在植被覆盖度和林业方面的应用,以及置信度法后续的推广使用具有重要意义。

1 研究区及数据

1.1 研究区概况

1.1.1 地理位置

东海县隶属于江苏省连云港市,位于江苏省的东北部,邻接山东省,在中国大陆的东部沿海地区。地理跨界34°11′N～34°44′N,118°23′E～119°10′E,东临黄海,北邻齐鲁,西接彭城,南部与江淮接壤。

1.1.2 地形特征

东海县地处中国长江、淮河中下游丘陵平原洼地和平原岗岭地,地势大致为西高东低。地形为东西较长,最长距离大约为70 km、南北渐短,最长的距离为54 km,且在中西部地区中,平原丘陵地势起伏连绵,东部平原地势则比较平坦。

1.1.3 气候特征

东海县属暖温带大陆季风气候,常年气候温和,阳光很充足,环境比较湿润舒适,不干燥,四季分明,是个典型的开放的暖温带沿海地区。被誉为世界水晶之都,中国温泉之乡,是全国首批开放沿海经济通道的先锋县,也是新亚欧大陆桥西行第一县。

1.2 数据源

采用2018年6月2日成功发射的高分六号卫星(GF-6)遥感影像数据,选取2021年11月13日影像作为秋季数据源。选取日期当天云量较小,影像清晰,质量较好。GF-6卫星是以自然资源部为主要用户的一颗国家高分辨率遥感重大应用专项规划卫星。该型号卫星采用了16 m多波长光谱相机,最大观测面幅宽达到800 km,实现了8谱段CMOS光电探测器模块的自主国产化设计研制[9],并且面向多种行业应用,具有覆盖度高的特点,分辨率高、广覆盖、高质量和高成像效率大大提高了农业、林业等资源领域的监测能力。GF-6卫星发射升空入轨后,将与GF-1卫星组网轨道运行,并致力于资源状况调查预测与在线监测、环境监测和安全评价、灾害和应急预警监测、全球气候变暖、农业应用与先进农村能源应用、地球科学的研究工作提供基础性技术支撑,为促进各国家尤其是发展中国家的稳定可持续发展建设提供关键性支持[10]。

1.3 数据预处理

数据预处理在整个实验中的重要环节,一方面能够对异常数据进行处理,保证实验输入数据的有效性;另一方面也能够对实验整体把控,保障实验的顺利进行。由于受到全球大气、气候、地形等自然界各方面因素的长期影响,遥感影像可能会发生形变失真和图像失真[11],为了使实验结果更加准确有效,需要在实验开始之前对原始遥感影像进行数据预处理工作,如辐射定标、大气校正、正射校正,以及遥感影像数据融合和研究区域的裁剪分析等步骤。

1.3.1 全色影像

全色影像是指在0.38～0.76 μm这一波段范围内的所有可见光波段的混合影像。由于全色影像是单波段,所以它显示为灰度值图片。全色遥感影像虽然具有较高的空间分辨率以及较宽的空间波谱范围,但它通常显示不出地物的真实色彩,也就是遥感图像提供的空间光谱信息较少。

全色影像无法进行大气校正,需要对其图像进行正射校正,正射校正影像的实现原理是将中心投影的影像进行纠正后形成正射投影影像的过程,首先可以把影像化分为很多个小区域,然后需要根据相关参数按照它们对应的中心投影构像方程或者特定的数学模型用控制点进行自动解算,得到解算模型后利用数字高程模型对原始遥感影像进行数字校正,最终获得数字正射遥感影像[12]。

1.3.2 多光谱影像

从多波段光谱影像得到的影像数据中包含多个光谱波段上的各种光谱信息,它具有较高精度的光谱分辨率。将RGB颜色赋予图像的不同频率的光谱波段信号将能够得到真彩色影像。如分别给R、G、B分别赋予红、绿、蓝3个波段的光谱信息,将获得模拟的真彩色图像。多波段光谱遥感影像虽然可以获得地物的空间色彩信息,但是同时它具有较低精度的空间分辨率。对于多光谱影像,需要对其进行辐射定标、快速大气校正和正射校正。

(1)辐射定标。计算机记录下的原始的遥感影像数据记录计算的地物灰度值数据是没有一个很具体明确的物理意义的,需要进行辐射亮度反射率或地表温度值等的数值转化,进一步凸显其物理意义[13]。

(2)大气校正。遥感影像的反射率通常受到大气诸多方面的影响,从而会降低影像的清晰度和对比度。在大气的作用下,一方面会促进太阳光辐射能量的吸收,另一方面也会阻碍太阳光辐射能量的吸收,由此带来的影响就是在大气反射的光线干扰下原始的遥感影像反射率无法表征真实的地面反射率,进一步导致遥感影像的失真,从而导致实验结果的偏差。为了能够有效校正大气对传感器产生的影响,需要借用大气校正模型,对地物光谱进行平滑处理,使得地表反射率辐射率和地表温度等信息更加精确有效。

1.3.3 影像融合与裁剪

在影像经过上述一系列的处理步骤以后,需要将经过大气校正处理过的多光谱影像与经过正射校正处理后所得到的全色影像进行融合。融合处理后生成的完整影像具有较高的分辨率且图像清晰,从而可以用来进行后续的植被覆盖度遥感提取研究。

在进行遥感研究之前,首先需要获得研究区域的矢量数据,因此需要在融合后的影像中进行区域裁剪。利用遥感图像处理软件(environment for visualizing images, ENVI)软件中的感兴趣区域(region of interest, ROI)工具生成ROI文件,裁剪出融合后的东海县影像图。裁剪后影像如图1所示。

图1 东海县裁剪后影像Fig.1 Cropped images in Donghai County

2 研究方法

2.1 植被指数

植被指数反映了植物冠层的背景影响,例如湿地、土壤、霜雪以及粗糙程度等,并且和植被覆盖度有着密切的联系。目前中外常用的植被指数有:NDVI、比值植被指数(ratio vegetation index,RVI)、差值植被指数(difference vegetation index,DVI)、增强型植被指数(enhanced vegetation index,EVI)、正交植被指数(perpendicular vegetation index,PVI)等[14]。其中归一化植被指数虽然对土壤背景因子的变化影响比较敏感,但由于它消除了大部分的仪器、太阳角度、地形、云层和大气条件方面的大多数径向变化,使得植被的响应能力得到很大的增强。且与植被覆盖度具有正相关关系,表现出较好的适应性和应用的广泛性。

选用NDVI来反演东海县植被覆盖度,NDVI的表达式为

(1)

式(1)中:NIR为遥感影像中近红外波段的反射值;R为遥感影像中的红光波段的反射值。

2.2 像元二分模型

目前,对植被覆盖度进行提取的模型方法多种多样,其中像元二分模型是中外使用次数较多且估测出的结果精度较好的模型。像元二分模型的原理是假设遥感卫星中的像元(S)仅有两部分组成:一是有植被覆盖(Sv)的地表,二是无植被覆盖(Ss)地表,即裸露的土壤地表,那么遥感卫星获得的光谱信息则可以认为是由这2个部分线性组合而成[15]。该模型的计算过程如下。

S=Sv+Ss

(2)

假设某像元中植被覆盖的比例为fc,则可以认为该像元中植被覆盖度为fc,则裸土占的比例为1-fc[11]。将被植被全覆盖的纯像元所得的遥感信息表示为Sveg,而无植被覆盖的纯像元所得的遥感信息表示为Ssoil,可得[16]

Sv=fcSveg

(3)

Ss=(1-fc)Ssoil

(4)

则有

S=Sv+SS=fcSveg+(1-fc)Ssoil

(5)

变换可得

fc=(S-Ssoil)/(Sveg-Ssoil)

(6)

3 结果与分析

3.1 植被覆盖度计算

在式(6)的基础上,可以进一步得到植被覆盖度的衍生计算公式,可表示为

(7)

式(7)中:FVC为植被覆盖度;NDVIsoil为无植被覆盖的纯像元的NDVI值;NDVIveg为有植被覆盖的纯像元的NDVI值[15]。

通常NDVIsoil取最小值NDVImin,理论上接近0,而NDVIveg取最大值NDVImax,理论上接近1。但是由于受气候、温度、地形等因素的影响,影像会受到噪声干扰且在不同时期影像的NDVImax和NDVImin也会存在差异,因此一般不选择NDVI的极大、极小值,通常选取一定置信区间内的最大值和最小值赋值。

在进行植被覆盖度的提取研究之前,首先需要确定Ssoil和Sveg的取值,而对于如何确定这两个参数的值,目前使用较多的方法有实地测量法和置信度法。从式(6)也可以看出,Ssoil和Sveg这两个参数至关重要。而一般由于研究区的面积跨度比较大,用实测法进行测量时,可得到的样本数量较少,且实测法需要耗费科研人员较大部分的工作精力、物力、财力,所以实测法不适合在较大范围内作为测量方法,因此采用置信度法。而在置信度的选取上面也需要谨慎研究。通过中外已有的一些实验结果发现,置信度的选择多是以已有的成果数据来决定,比较随意和主观,使得植被覆盖度的估测结果精度有很大的不确定性。故需要对置信度的取值影响进行深入研究[11]。

3.2 基于不同置信度对植被覆盖度进行遥感估测

在对原始遥感影像数据预处理的基础上,进行波段运算,进而获得研究区域内NDVI数据的灰度值分布,图2为研究区NDVI灰度值分布结果。

图2 研究区NDVI灰度值分布结果Fig.2 Distribution results of NDVI gray values in the study area

根据研究区的NDVI的灰度值分布结果(图2),分别选取不同的置信区间来确定植被覆盖度中的关键参数Ssoil和Sveg的值。分别选择以0.5%～99.5%,1%～99%,2%～98%,5%～95%,10%～90%,25%～75%的置信区间来分别确定极大值和极小值,Ssoil用区间中取累计百分比为0.5%、1%、2%、5%、10%、25%的NDVI灰度值来表示,即NDVImin,Sveg用区间中累计百分比为 99.5%、99%、98%、95%、90%、75%的NDVI灰度值代表,即NDVImax。不同置信度下的Ssoil和Sveg值如表1所示。

表1 不同置信度对应的Ssoil值和Sveg值Table 1 The Ssoil and Sveg values corresponding to the different confidence levels

在初步确定这两个参数值以后,将Ssoil、Sveg的值代入式(6)中然后进行波段运算,从而可以得到在不同置信度范围下进行植被覆盖度提取的估测研究结果。采用最佳自然间断点分级法将植被覆盖度分为4个等级[15]:Vc<35%、35%≤Vc<50%、50%≤Vc<75%、Vc≥75%,其中基于像元的植被覆盖度用Vc表示。根据实验结果对植被覆盖度进行分等等级,方便对研究区域进行科学划分。按照由低到高的顺序分为4个等级,依次是低等、中等、中高等和高等植被覆盖区[17]。不同置信度情况下的植被覆盖度遥感估测分析结果如图3所示。

图3 不同置信度下植被覆盖度遥感估测结果Fig.3 Remote sensing estimation results of vegetation coverage under different confidence levels

同时,对结果图中不同植被覆盖度等级中的像元占比进行统计分析,结果如表2所示,像元数量占比分布柱形图如图4所示。

表2 不同置信度下估测植被覆盖度等级中像元占比Table 2 Estimates the proportion of image elements in the vegetation coverage levels under different confidence levels

图4 不同置信度下像元占比柱形图Fig.4 Bar graph of the image element occupancy ratio under different confidence levels

根据图3可知,在不同的置信度条件下得出的结果图中,图3(f)中高植被覆盖区域大幅增加,这与实际情况是不太符合的,而图3(a)～图3(e)中植被覆盖度的分布趋势大体上是一致的。本次研究选取的是东海县秋季遥感影像,区域内的农作物趋于成熟,植物叶片面积减小,主要以中高、中等植被覆盖为主,图3(a)～图3(e)与实际情况较吻合。而结合当地的实际情况以及实测样本数据,图3(c)～图3(e)的效果更理想,即置信度取值在2%～10%较好,在本次研究中,置信度为5%时效果最好。区域内主要呈西高、东低的状态。

同时,由表2和图4可以看出,随着置信度取值水平的不断提高,高植被覆盖度等级中的像元占比一直在不断提高,最高达到46.164 7%,中高植被覆盖度等级中的像元数量比例则逐渐减少,在25%的置信度下有一个小幅回升。中等植被覆盖度等级中所包含的像元数先不断增加,在置信度为10%以后开始逐渐减少,而像元数量在低植被覆盖度等级中不断上升,在置信度为10%时达到最大为33.880 6%,随后又开始下降。在不同的置信度取值条件下,覆盖度等级的像元占比差值最高达50.563 3%,而最低也有14.367 6%,由此数据可以清晰看出,置信度的取值对于植被覆盖度的分等定级敏感度较高,两者具有正相关关系,因此在进行植被覆盖度的估测研究时,不能较为随意的选取置信区间,需要格外严谨。

4 结论

以东海县2021年11月13日的GF-6卫星数据为数据源,在使用NDVI指数以及像元二分模型的方法下,采用不同置信度取值法来获取Ssoil和Sveg的值。从而探究植被覆盖度信息的变化,得出如下主要结论。

(1)东海县植被覆盖度主要呈现东低向西高递增的空间垂直分布变化状态,从植被像元数量的总体变化趋势来看,研究区内植被以中高、中等覆盖为主,且在不同的置信度下,估测出的植被覆盖度结果具有较大幅度的变化趋势。当置信度的取值大于10%时,高植被覆盖度在研究区域内所占的比例显著增加,这也与秋季研究区范围内的自然植被正常生长发育状态严重不符。

(2)采用高分六号卫星影像作为数据源,基于像元二分法模型和NDVI指数,对比在不同置信度取值的条件下的植被覆盖度变化情况,可以得出,置信度的选取需要结合数据的卫星特征、地域特征等,较好效果的置信度为2%～10%,从而表明该置信度的范围是适合高分六号卫星数据的,故而也为后续利用高分六号卫星提取植被覆盖度提供有效参考。