基于TM和RAPIDEYE數(shù)據(jù)的森林植被蓋度的尺度轉(zhuǎn)換

王海賓，鄧華鋒，陳麗聰，高東啟

（北京林業(yè)大學(xué) 林學(xué)院，省部共建森林培育與保護(hù)教育部重點實驗室，北京100083）

基于TM和RAPIDEYE數(shù)據(jù)的森林植被蓋度的尺度轉(zhuǎn)換

王海賓，鄧華鋒，陳麗聰，高東啟

（北京林業(yè)大學(xué) 林學(xué)院，省部共建森林培育與保護(hù)教育部重點實驗室，北京100083）

以2009年遼寧省清原縣的TM、Rapideye影像及森林資源二類調(diào)查數(shù)據(jù)為基礎(chǔ)資料，運用閾值法在TM和Rapideye影像提取3種植被類型（針葉林、闊葉林、混交林），采用基于數(shù)理統(tǒng)計的尺度轉(zhuǎn)換方法，建立三者之間的線性空間尺度轉(zhuǎn)換模型并進(jìn)行驗證。結(jié)果表明：所建立的空間尺度轉(zhuǎn)換模型相關(guān)性較好，相關(guān)系數(shù)達(dá)到0.8以上。模型可用于植被類型的向上尺度轉(zhuǎn)換，為應(yīng)用中分辨率TM影像進(jìn)行大面積不同森林植被準(zhǔn)確監(jiān)測提供參考。

植被類型；尺度轉(zhuǎn)換；TM；Rapideye；尺度轉(zhuǎn)換模型

在土地利用/覆蓋研究中，尺度問題是當(dāng)前國內(nèi)外研究的重點[1-5]。林業(yè)的一個基本特征就是具有多尺度、多層次結(jié)構(gòu)，不同的尺度對應(yīng)不同的區(qū)域范圍，主要體現(xiàn)在國家—省—縣—經(jīng)營單位上。在不同的尺度層次上又對應(yīng)著不同尺度（分辨率）的遙感影像，在目前的森林資源監(jiān)測中，在大尺度層次上，主要是應(yīng)用MODIS影像進(jìn)行監(jiān)測，中尺度層次的監(jiān)測主要依賴于TM影像，在小尺度層次上Rapideye、spot5等影像的應(yīng)用也較為廣泛。林業(yè)遙感數(shù)據(jù)中提取不同尺度層次的專題信息已成為人們關(guān)注的熱點[6]，比如森林植被面積以及植被類型面積的準(zhǔn)確獲取，在森林資源動態(tài)監(jiān)測方面具有重要意義。

如何充分利用不同分辨率影像之間互補的優(yōu)勢，合理利用尺度轉(zhuǎn)換的結(jié)果，結(jié)合不同分辨率遙感數(shù)據(jù)的優(yōu)點來提高解譯精度是當(dāng)前遙感及生態(tài)領(lǐng)域研究的重要內(nèi)容[7]。20世紀(jì)70年代末開展的尺度研究，為該問題的解決提供了新的思路。利用尺度轉(zhuǎn)換進(jìn)行遙感信息的提取，獲得精度和尺度的雙重優(yōu)勢，前人做了大量的研究。Mayaux等[8]通過4種空間指數(shù)修正了TM和AVHRR數(shù)據(jù)間的統(tǒng)計關(guān)系，運用兩步式轉(zhuǎn)換方法對植被面積進(jìn)行了尺度轉(zhuǎn)換研究。Kevin等[9]分析了NOAA NDVI和MODIS NDVI之間的差異，建立了農(nóng)田、草地、常綠闊葉林、灌木、城鎮(zhèn)等類型的NOAA NDVI與MODIS NDVI數(shù)據(jù)的關(guān)系模型。張宏斌等[10]探討了在大尺度空間范圍內(nèi)進(jìn)行不同分辨率遙感數(shù)據(jù)之間的空間尺度轉(zhuǎn)換方法，并利用NOAA NDVI和MODIS NDVI數(shù)據(jù)建立了空間尺度轉(zhuǎn)換模型。李曉兵等[11]采用數(shù)字相機(jī)、ETM+和NOAA影像像、野外群落樣方對我國北方典型草原區(qū)植被覆蓋度進(jìn)行了監(jiān)測，并通過ETM+影像提高了NOAA影像的提取精度。

本文中以遼寧省清原縣為例，選取針葉林、闊葉林、針闊混交林為研究對象，對TM影像和Rapideye影像進(jìn)行基于統(tǒng)計的尺度轉(zhuǎn)換，利用Rapideye影像對TM影像進(jìn)行像元分解，根據(jù)兩影像間的相關(guān)關(guān)系建立線性空間尺度轉(zhuǎn)換模型，獲得Rapideye影像到TM影像的精度擴(kuò)展，從而實現(xiàn)中尺度TM影像上不同森林植被類型面積信息的準(zhǔn)確提取方法。

1 研究區(qū)概況

清原縣位于遼寧省東部，地理坐標(biāo)為東經(jīng) 124°20′06″～ 125°28′58″， 北 緯 41°47′52″～42°28′52″，屬低山丘陵區(qū)，海拔 150 ～ 1 101 m，地勢東南高，西北低，中部起伏不平，地處暖溫帶大陸性季風(fēng)氣候區(qū)，冬季漫長寒冷，夏季炎熱多雨，年平均氣溫3.9～5.4℃，最冷出現(xiàn)在1月，最熱出現(xiàn)在7月，極端最高氣溫36.5℃，最低-37.6℃。無霜期120～139 d，平均日照2 433 h，年降水量為700～850 mm，降雨集中在6、7、8月份。全縣總面積為39.21萬hm2，森林總蓄積量為2 300萬m3。其中人工林面積為12萬hm2，蓄積為1 250萬m3，占有林地的43%。人均森林面積為0.8 hm2。林業(yè)用地為30.5萬hm2，其中有林地為27.8萬hm2，森林覆蓋率為72.3%。

2 數(shù)據(jù)處理

2.1 遙感數(shù)據(jù)

研究所用的不同分辨率遙感影像有:TM多光譜影像、Rapideye影像（見表1）。

TM影像和Rapideye影像的預(yù)處理過程主要包括以下步驟：

由于2種影像已經(jīng)過系統(tǒng)輻射校正和幾何粗校正，所以主要是對影像進(jìn)行大氣校正和幾何精校正，TM和Rapideye影像采用FLASH軟件進(jìn)行大氣校正，應(yīng)用Erdas9.2軟件對2種影像進(jìn)行精確配準(zhǔn)。

表1 衛(wèi)星遙感數(shù)據(jù)信息Table 1 Information of satellite remote sensing date

用研究區(qū)清原縣邊界對2種影像進(jìn)行裁剪，得到研究區(qū)域內(nèi)的2種影像。

計算2種影像的NDVI值（V），生成歸一化植被指數(shù)圖像，其中：

V=（NIR-R）/（NIR+R）。

其中在TM影像中第4波段（0.76～0.90 μm）對應(yīng)于紅外波段NIR，第3波段（0.63～0.69 μm）對應(yīng)于紅波段R；在Rapideye影像中第5波段（0.76～0.85 μm）對用于紅外波段NIR，第3波段（0.63～0.68 μm）對應(yīng)于紅波段R。

2.2 森林資源二類調(diào)查矢量圖

研究區(qū)內(nèi)二類調(diào)查矢量數(shù)據(jù)來自國家林業(yè)局調(diào)查規(guī)劃設(shè)計院，比例尺為1∶5萬。對清原縣二類調(diào)查矢量進(jìn)行投影轉(zhuǎn)換，選取針葉林、闊葉林、針闊混交林3種植被作為研究對象，獲得各植被類型的矢量界限圖，利用各植被類型邊界在2種影像上進(jìn)行裁剪，獲得TM和Rapideye影像的各植被類型覆蓋度影像。

3 研究方法

3.1 植被覆蓋度計算方法

植被覆蓋度是觀測區(qū)域內(nèi)植被垂直投影面積占地表面積的百分比，是刻畫陸地表面植被數(shù)量的一個重要參數(shù)，也是區(qū)域指示生態(tài)系統(tǒng)變化的主要指標(biāo)。隨著遙感技術(shù)的發(fā)展，利用遙感數(shù)據(jù)測量植被覆蓋度已得到較廣泛的應(yīng)用，估算的方法主要有回歸模型法、植被指數(shù)法、亞像元分解法[12-17]?；貧w模型法只適用于特定的區(qū)域和特定的植被類型，在大范圍監(jiān)測和推廣應(yīng)用上受到諸多因素的限制，具有一定的局限性[18]；植被指數(shù)法是通過對各像元中植被類型及分布特征的分析，建立植被指數(shù)與植被覆蓋度之間的轉(zhuǎn)換關(guān)系來直接估算植被覆蓋度[7]；亞像元分解法是針對遙感影像混合像元的特點，根據(jù)不同亞像元的植被分布情況，把亞像元分解為亞像元和混合亞像元，之后再對混合亞像元進(jìn)行細(xì)分，建立不同的植被蓋度模型[19]。針對不同分辨率的TM和Rapideye影像，本研究選用植被指數(shù)法來計算兩個遙感數(shù)據(jù)的植被覆蓋度信息，建立植被指數(shù)與植被覆蓋度間的轉(zhuǎn)換關(guān)系來估算植被覆蓋度，通過運用植被指數(shù)轉(zhuǎn)換模型，對TM影像和Rapideye影像進(jìn)行植被覆蓋度的計算，所選模型為張仁華[20]提出的植被覆蓋百分比與植被指數(shù)的模型

f =(V-Vsoil)/(Vveg- Vsoil)。 （1）

式（1）中：f是植被覆蓋度；V為所求像元的歸一化植被指數(shù)；Vsoil、Vveg分別為純土壤和純植被的植被指數(shù)。在實際的應(yīng)用中，把NDVI的最小值作為Vsoil，NDVI的最大值作為Vveg。

本研究選取針葉林、闊葉林、針闊混交林3種植被類型為研究對象，對預(yù)處理后的2種NDVI影像進(jìn)行植被類型提取，分別統(tǒng)計不同植被類型的NDVI閾值，再將統(tǒng)計得到的NDVI最大值和最小值代入式（1），分別計算不同植被類型在2個遙感影像中的植被覆蓋度。3種植被的NDVI閾值范圍見表2。

表2 3種植被類型在2個遙感圖像中的NDVI閾值Table 2 NDVI threshold values of three vegetation coverage types derived from two remote sensing images

3.2 TM提取植被覆蓋度的修正

由于傳感器自身的原因，高分辨率的影像具有較高的精度，一個像元所對應(yīng)的區(qū)域面積較小，提取的NDVI信息更接近全覆蓋的均一像元，因而得到的植被覆蓋更接近實際情況。因此本研究采用像元分解的方法，利用抽取的2種樣本間的統(tǒng)計關(guān)系建立轉(zhuǎn)換模型，對TM影像提取的不同植被覆蓋度進(jìn)行修正。

采用隨機(jī)抽樣方法在各植被類型遙感圖像上抽取研究樣本，具體步驟如下：

（1）每種植被類型選取66個樣本，樣本大小對應(yīng)TM圖像中的一個像元，為30 m×30 m。Rapideye影像在樣本區(qū)內(nèi)對應(yīng)大約36個像元；（2）對每個樣本區(qū)的NDVI值和覆蓋度進(jìn)行統(tǒng)計，統(tǒng)計TM影像對應(yīng)樣本區(qū)內(nèi)的一個像元的信息，對應(yīng)Rapideye影像中大約有36個像元的算術(shù)平均值；（3）對獲得的數(shù)據(jù)進(jìn)行統(tǒng)計整理，選出70%作為建模的數(shù)據(jù)，剩下的30%用來驗證模型的可靠性。

4 模型的建立和驗證

4.1 模型的建立

利用Rapideye影像對TM影像進(jìn)行像元分解，每種植被覆蓋類型都對應(yīng)一個像元分解的統(tǒng)計結(jié)果。TM影像提取的植被覆蓋度與Rapideye影像提取的植被覆蓋度之間的一元回歸模型及相關(guān)系數(shù)見圖1～圖3。

圖1 針葉林植被覆蓋度的統(tǒng)計關(guān)系Fig.1 Statistic relationship of coniferous forest vegetation fractional coverage

圖2 闊葉林植被覆蓋度的統(tǒng)計關(guān)系Fig.2 Statistic relationship of broadleaf forest vegetation fractional coverage

圖3 混交林植被覆蓋度的統(tǒng)計關(guān)系Fig. 3 Statistic relationship of mixed forest vegetation fractional coverage

從圖1到圖3得出，TM影像提取結(jié)果與Rapideye影像提取結(jié)果相關(guān)性均較好（R2均大于0.8），其中針葉林的擬合方程為y=0.800x+0.103，決定系數(shù)R2=0.870；闊葉林的擬合方程為y=0.868x- 0.001，R2=0.864；混交林?jǐn)M合方程為y=0.799x+ 0.098，R2=0.815 。因此應(yīng)用 Rapideye影像提取結(jié)果對TM影像提取結(jié)果進(jìn)行修正是可行的。

4.2 模型的驗證

為驗證擬合模型的可靠性和穩(wěn)定性，選擇其余30%的數(shù)據(jù)作為驗證樣本，通過擬合模型計算得到預(yù)測值與實際值進(jìn)行對比，討論兩者的相關(guān)性。

由圖4～圖6可知，3種植被類型計算模型獲得的計算值與實際值相關(guān)性較好，其中針葉林的線性關(guān)系式y(tǒng) = 0.491x + 0.275，決定系數(shù)R2=0.732；闊葉林的線性關(guān)系式y(tǒng) = 0.819x + 0.157，決定系數(shù)R2= 0.861；混交林的線性關(guān)系式y(tǒng) =0.704x + 0.222，決定系數(shù)R2= 0.910。模型可以用于從高分辨的NDVI數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)對TM數(shù)據(jù)進(jìn)行空間尺度上的實踐。

圖4 TM與Rapdieye數(shù)據(jù)提取的針葉林覆蓋度函數(shù)模型檢驗Fig.4 Test of coniferous forest coverage function model between TM and Rapideye

圖5 TM與Rapdieye數(shù)據(jù)提取的闊葉林覆蓋度函數(shù)模型檢驗Fig.5 Test of broadleaf forest coverage function model between TM and Rapideye

圖6 TM與Rapdieye數(shù)據(jù)提取的混交林覆蓋度函數(shù)模型檢驗Fig. 6 Test of mixed forest coverage function model between TM and Rapideye

4.3 植被模型的轉(zhuǎn)換

通過像元的合理性分析可知，采用公式（1）計算得到的植被覆蓋度作為自變量，代入相應(yīng)的尺度轉(zhuǎn)換模型中，就可以得到修正后的TM影像提取的森林植被覆蓋度，但在實際應(yīng)用中卻增加了有關(guān)公式（1）的計算內(nèi)容。為了省略公式（1）的計算而直接使用NDVI信息作自變量來直接得到修正的植被覆蓋度，可以根據(jù)各植被類型的閾值信息，通過轉(zhuǎn)換來獲得基于NDVI的統(tǒng)計模型（見表3）。

表3 3種植被的統(tǒng)計模型Table 3 Statistic models of three vegetation types

運用該模型，可以將TM影像的NDVI值作為自變量，輸出的變量即為修正后的森林植被覆蓋度，在得到森林植被覆蓋度信息后，即可對研究區(qū)內(nèi)的不同森林植被類型的面積進(jìn)行估算。

5 結(jié)論與討論

以影像NDVI值為參數(shù)，采用基于統(tǒng)計的方法對TM和Rapideye影像進(jìn)行尺度轉(zhuǎn)換研究，建立不同植被類型的尺度轉(zhuǎn)換模型，結(jié)果表明TM影像和Rapideye影像提取的植被覆蓋度信息相關(guān)性都較好（R2均大于0.8），相關(guān)系數(shù)分別為0.870、0.864和0.815；經(jīng)檢驗，模型計算的值與實際值較非常接近（R2均大于0.730），相關(guān)系數(shù)分別為0.732、0.861和0.910，表明運用TM圖像提取森林植被類型面積信息是可行的。最后以影像NDVI為自變量（x），對3種植被類型模型進(jìn)行了轉(zhuǎn)換，分別為：針葉林，y=1.788 4x-0.095 7；闊葉林，y=1.649 3x-0.104 1；混交林，y=1.447 7x+0.051 3。

運用該模型可以得到不同森林植被類型的覆蓋度信息，提高了TM影像監(jiān)測各森林植被類型覆蓋度的精度，對在缺少高分辨率影像的情況下，可以借助TM影像對大面積的不同森林植被進(jìn)行較準(zhǔn)確地面積估算。對實際應(yīng)用具有一定的借鑒作用，但仍存在一些問題，主要有：

（1）對于不同植被類型，最好經(jīng)實地調(diào)查獲取資料確定NDVIveg和NDVIsoil的取值，以使結(jié)果更加接近真值；

（2）各植被類型植被指數(shù)閾值的準(zhǔn)確確定，可以更精確地提取各植被類型覆蓋度，有待于進(jìn)一步研究。

[1] 彭曉鵑,鄧孺孺,劉小平.遙感尺度轉(zhuǎn)換研究進(jìn)展[J].地理與地理信息科學(xué),2004,20(5):6-14.

[2] 布和敖斯?fàn)?馬建文,王勤學(xué),等. 多傳感器不同分辨率遙感數(shù)字圖像的尺度轉(zhuǎn)換[J]. 地理學(xué)報,2004,59(l):101-110.

[3] 李苗苗,吳炳方,顏長珍,等.密云水庫上游植被覆蓋度的遙感估算[J].資源科學(xué),2004,26(4):153-159.

[4] 梁 繼,王 建,朱仕杰,等.多尺度衛(wèi)星雪覆蓋面積獲取的對比分析[J].遙感技術(shù)與應(yīng)用,2009,24(5):567-575.

[5] Fang H J, Wu B F, Liu H Y, et al. Using NOAA AVHRR and IandsatTM to estimate rice area year-by-year[J].International Journal of Remote Sensing,1998,19(3):521-525.

[6] 劉悅翠,樊良新.林業(yè)資源遙感信息的尺度問題研究[J].西北林學(xué)院學(xué)報,2004,19(4):165-169.

[7] 楊勝天,李 茜,劉昌明,等.應(yīng)用“北京一號”遙感數(shù)據(jù)計算官廳水庫庫濱帶植被覆蓋度[J].地理研究,2006,25(4):570-578.

[8] Mayaux P, Lambin E F. Estimation of tropical forest area from coarse spatial resolution data: a two-step correction function for proportional errors due to spatial aggregation[J]. Remote Sensing of Environment, 1995, 53(1):1-15.

[9] Kevin G, Lei J, Brad R, et al. Multi-platform comparisons of MODIS and AVHRR normalized difference vegetation index data[J]. Remote Sensing of Environment,2005,99(3):221-231.

[10] 張宏斌,楊桂霞,李 剛,等.基于MODIS NDVI和NOAA NDVI數(shù)據(jù)的空間尺度轉(zhuǎn)換方法研究——以內(nèi)蒙古草原區(qū)為例[J].草業(yè)科學(xué),2009,26(10):39-45.

[11] Li X B, Chen Y H, et al. Detecting Vegetation Fractional Coverage of Typical Steppe in Northern China Based on Multiscale Remotely Sensed Data[J]. Acta Botanica Sinica, 2003,45(10): 1146-1156.

[12] 馬志勇,沈 濤,張軍海,等.基于植被覆蓋度的植被變化分析[J].測繪通報,2007,(3):45-48.

[13] 張云霞,李曉兵,陳云浩.草地植被蓋度的多尺度遙感與實地測量方法綜述[J].地球科學(xué)進(jìn)展,2003,18(1):85-93.

[14] 嚴(yán)恩萍,林 輝,莫登奎,等.基于ALOS數(shù)據(jù)的遙感植被分類研究[J].中南林業(yè)科技大學(xué)學(xué)報，2010,30(11):37-42.

[15] 鄭冬梅,曾偉生,智長貴,等.三峽庫區(qū)森林郁閉度的遙感定量估測[J].中南林業(yè)科技大學(xué)學(xué)報，2013,33(9):1-4.

[16] 汪東川,龔建華,張利輝.土地利用/覆蓋動態(tài)變化格局分析——以天水藉河流域為例[J].中南林業(yè)科技大學(xué)學(xué)報，2011,31(9): 69-75.

[17] 黃偉平,譚三清,張 貴,等.估測森林蓄積量的遙感因子選擇研究[J].中南林業(yè)科技大學(xué)學(xué)報，2010,30(4):12-15.

[18] 邢著榮,馮幼貴,楊貴軍,等. 基于遙感的植被覆蓋度估算方法述評[J].遙感技術(shù)與應(yīng)用,2009,24(6):849-853.

[19] Gutman G Ignalov A. The derivation of the green vegetation fraction from NOAA/AVHRR data in numerical weather prediction models[J].International Journal of Remote sensing.1998, 19(8):1533-1543.

[20] 張仁華.實驗遙感模型及地面基礎(chǔ)[M].北京:科學(xué)出版社,1996: 104-106.

[21] 張萬昌,鐘 山,胡少英.黑河流域葉面積指數(shù)(LAI)空間尺度轉(zhuǎn)換[J].生態(tài)學(xué)報,2008,28(6):2495-2503.

Scale transformation of forest vegetation coverage based on TM and Rapideye data

WANG Hai-bin, DENG Hua-feng, CHEN Li-cong, GAO Dong-qi

(Key Lab. for Silviculture and Conservation of Ministry of Education, College of Forestry, Beijing Forestry University, Beijing 100083,China)

∶ By using the data of TM and Rapideye images, data of 2nd-class forest resource inventory and planning taken in Qingyuan county, Liaoning province in 2009, three type forests (coniferous, broad-leaf and mixed forest) were extracted with thresholding method,and by taking scale transformation method based on mathematical statistics, the linear spatial scale conversion models among three type forests were setup and verified. The results show that the correlation coefficients between TM images and Rapideye images was high(R2＞0.8); the models could be applied for up-scale transformation. The method provides scientific reference to the large-area monitoring different type forests effectively and continuously by using moderate resolution image.

∶ vegetation types; scale transformation; TM; Rapideye; scale transformation model

S757.2

A

1673-923X(2013)11-0088-05

2013-01-26

林業(yè)公益性行業(yè)科研專項“森林資源一類與二類調(diào)查體系耦合關(guān)鍵技術(shù)—尺度轉(zhuǎn)換技術(shù)研究”（201204510）

王海賓（1985-），男，河北豐潤人，碩士生，主要從事森林資源監(jiān)測與評價研究；E-mail：haibin-w@163.com

鄧華鋒（1966-），男，湖南漣源人，教授，主要從事森林可持續(xù)經(jīng)營研究；E-mail：denghuafeng@bjfu.edu.cn

[本文編校：謝榮秀]