利用多時(shí)相遙感影像分析密云縣植被動(dòng)態(tài)變化1)

趙泰安 彭道黎

(北京林業(yè)大學(xué)，北京，100083)

植被是陸地表面主要的覆蓋類型，作為反映區(qū)域環(huán)境的標(biāo)志之一，植被是環(huán)境重要組成及影響因子，也是人們研究的主要對(duì)象[1]。植被蓋度指植物群落總體或個(gè)體地上部分的垂直投影面積與樣方面積之比的百分?jǐn)?shù)。植被蓋度測(cè)量的傳統(tǒng)方法是地面測(cè)量，最簡(jiǎn)單的測(cè)量方法就是目估法[2－3]，其缺點(diǎn)是主觀性太強(qiáng)，更加客觀的測(cè)量方法有樣方法[4]、樣帶法[5]、樣點(diǎn)法[2，6]等，以及借助采樣儀器的測(cè)量方法，如空間定量計(jì)、移動(dòng)光量計(jì)等[2]。這些方法雖然提高了測(cè)量的精度，但野外操作不便，并且成本較高，難以在大范圍內(nèi)快速提取植被蓋度。相對(duì)于前幾種方法，利用遙感手段對(duì)地表植被的提取相對(duì)簡(jiǎn)便，一方面在于遙感數(shù)據(jù)的獲取相對(duì)容易，成本低廉;另一方面也有利于在大范圍內(nèi)適時(shí)的監(jiān)測(cè)植被動(dòng)態(tài)變化。一般來(lái)說(shuō)，利用多時(shí)相遙感數(shù)據(jù)進(jìn)行變化分析的方法最常用的有兩種:逐個(gè)像元對(duì)比和分類后對(duì)比。逐個(gè)像元對(duì)比是將多時(shí)相的遙感圖像迭合在一起，對(duì)每個(gè)像元進(jìn)行逐一比較，無(wú)需進(jìn)行圖像分類，如果像元之間亮度值差別較大，表明該像元發(fā)生了的變化。分類后對(duì)比，首先對(duì)各個(gè)圖像進(jìn)行分類，然后將分類結(jié)果迭合起來(lái)進(jìn)行對(duì)比，從而獲得各個(gè)像元的變化情況;逐個(gè)像元對(duì)比由于無(wú)需進(jìn)行分類，因此可以盡量減少分類帶來(lái)的誤差，但從該方法所獲得的結(jié)果只能知道某一個(gè)像元是否發(fā)生了變化，無(wú)法知道發(fā)生變化的內(nèi)容。分類后對(duì)比可以清楚地獲得每一個(gè)像元具體的變化性質(zhì)，但是該方法由于要首先進(jìn)行分類，其結(jié)果受分類誤差的影響，從而導(dǎo)致普遍出現(xiàn)夸大變化的現(xiàn)象[7]。

由于上述兩種變化分析方法各有特色和側(cè)重點(diǎn)，在方法的直觀性、可操作性以及定量分析等方面仍有值得改進(jìn)之處。本文就目前多時(shí)相遙感數(shù)據(jù)進(jìn)行變化分析的兩種常用方法進(jìn)行一個(gè)簡(jiǎn)要的探討，即用歸一化植被指數(shù)(NDVI)逐個(gè)像元對(duì)比和像元二分法植被覆蓋度分類后進(jìn)行對(duì)比，分析密云縣植被覆蓋度的動(dòng)態(tài)變化，為密云縣氣候變化和水土保持方面提供科學(xué)依據(jù)。

1 數(shù)據(jù)來(lái)源及研究區(qū)域概況

本文研究選用兩幅TM、一幅ETM影像，條帶號(hào)為123/32，時(shí)間分別是1992年9月7日、2009年9月22日和2005年9月3日。數(shù)據(jù)來(lái)源于中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國(guó)際科學(xué)數(shù)據(jù)服務(wù)平臺(tái)(http://datamirror.csdb.cn);影像獲取的月份一致，有利于進(jìn)行遙感分析。此外還有密云1∶5萬(wàn)地形圖，密云縣一類清查資料。

密云縣位于北京市東北部，屬燕山山地與華北平原交接地。密云縣西起東經(jīng)116°39'33″～117°30'25″，東西長(zhǎng) 69 km;南起北緯 40°13'7″～ 40°47'57″，南北寬約64 km。東南至西北依次與北京市的平谷區(qū)、順義區(qū)、懷柔區(qū)接壤，北部和東部分別與河北省的灤平縣、承德、興隆縣毗鄰。全縣總面積2229.45 km2，占全市面積的13%，是北京市土地面積最大的區(qū)縣。全縣山區(qū)面積占79.5%，1771.75 km2;平原面積占11.8%，263.4 km2;水面面積占 8.7%，194.3 km2。屬于半濕潤(rùn)大陸性季風(fēng)氣候，冬冷夏暖，年平均氣溫為10.8℃，年平均降水量為657 mm。

2 研究方法

圖像校正最主要是輻射校正、系統(tǒng)粗校正和幾何精校正，本次試驗(yàn)所用的數(shù)據(jù)均經(jīng)過(guò)輻射校正和系統(tǒng)粗校正，只需要對(duì)下載的數(shù)據(jù)進(jìn)行幾何精校正和對(duì)ETM圖像進(jìn)行去條帶處理。由于landsat－7 ETM+機(jī)載掃描行校正器(SLC)故障導(dǎo)致2003年5月31日以后獲取的圖像出現(xiàn)了數(shù)據(jù)條帶丟失，為了使ETM數(shù)據(jù)能夠使用，必須對(duì)其進(jìn)行去條帶處理。在處理中所運(yùn)用的模型是多影像局部自適應(yīng)回歸分析模型，既利用多景不同時(shí)相的遙感數(shù)據(jù)、采用局部回歸分析方法對(duì)一景影像進(jìn)行縫隙填充，回歸區(qū)域面積為變化值，提取局部區(qū)域相關(guān)性最大的區(qū)域進(jìn)行回歸分析，選擇局部區(qū)域面積最小，相關(guān)性最大的區(qū)域進(jìn)行回歸分析。處理結(jié)果表明，該模型最最大程度提高了影像修復(fù)質(zhì)量，能滿足數(shù)據(jù)質(zhì)量的要求。

本研究運(yùn)用ERDAS IMAGINE9.2中的數(shù)據(jù)預(yù)處理(date prep)模塊下的幾何校正模塊(geometric correction)完成幾何校正，借助北京市1∶5萬(wàn)地形圖及部分GPS野外實(shí)測(cè)數(shù)據(jù)，依據(jù)“多點(diǎn)均勻分布、選擇相對(duì)固定及明顯的地物點(diǎn)”。在整幅1992年的TM影像上選取21個(gè)控制點(diǎn)，對(duì)于不符合精度要求的控制點(diǎn)進(jìn)行刪除、重選，直至符合要求。經(jīng)RMS檢驗(yàn)，誤差小于一個(gè)像元，采用立方卷積法進(jìn)行重采樣，產(chǎn)生地面分辨率30 m，投影系統(tǒng)為高斯——克呂格投影，北京——54坐標(biāo)系的幾何精校正影像。其余兩幅TM影像均以校正好的1992年的TM影像為基準(zhǔn)進(jìn)行影像間的配準(zhǔn)，利用影像——影像的方式，達(dá)到幾何配準(zhǔn)的目的。

獲取密云縣的行政邊界圖，對(duì)其進(jìn)行投影變換和坐標(biāo)配準(zhǔn)，使其與遙感影像坐標(biāo)相吻合。首先利用ERDAS的Vector將矢量多邊形轉(zhuǎn)換成柵格圖像文件，再通過(guò)掩膜運(yùn)算(Mask)實(shí)現(xiàn)圖像不規(guī)則裁剪。本次試驗(yàn)所采用的是ERDAS矢量柵格轉(zhuǎn)換功能和掩膜運(yùn)算得到密云縣的遙感影像。

3 結(jié)果與分析

3.1 歸一化植被指數(shù)的提取

歸一化植被指數(shù)計(jì)算公式如下:

其中，RNI表示近紅外波段，R表示紅色波段。本文所采用的是Landsat TM數(shù)據(jù)，因此公式(1)可以表達(dá)為:

利用ERDAS遙感處理軟件，可以分別從3幅遙感影像中提取出歸一化植被指數(shù)影像用ERDAS提取3幅歸一化植被指數(shù)影像的值分別為:－0.7037＜NDVI(1992)＜0.6363，－0.67089＜NDVI(2005)＜0.597，－0.4359＜NDVI(2009)＜0.72093。為了便于對(duì)3個(gè)時(shí)期歸一化植被指數(shù)合成圖進(jìn)行分析，用ERDAS中Model Maker功能將歸一化植被指數(shù)圖像中像元灰度值歸一到0～255之間，得到3幅影像歸一化的NDVI值分別為5＜NDVI(1992)＜253，4＜NDVI(2005)＜244，0＜NDVI(2009)＜255(圖1)。

3.2 假彩色合成原理

RGB色彩就是常說(shuō)的三原色，R代表Red(紅色)，G代表 Green(綠色)，B代表 Blue(藍(lán)色)。RGB色彩模式使用RGB模型為圖像中每一個(gè)像素的RGB分量分配一個(gè)0～255范圍內(nèi)的強(qiáng)度值。我們將1992年、2005年及2009年3幅單波段影像進(jìn)行RGB假彩色合成，利用顏色的變化得出密云縣植被的動(dòng)態(tài)變化情況(圖2)。

3.3 植被蓋度遙感估算像元二分模型[8]

像元二分模型最大的優(yōu)點(diǎn)就是削弱了大氣、土壤背景與植被類型等的影響。在前人研究的基礎(chǔ)上可知，像元二分模型適用于密云縣植被蓋度的研究。假設(shè)一個(gè)像元的信息可以分為土壤與植被兩部分，通過(guò)遙感傳感器所觀測(cè)到的信息S，就可以由植被信息和土壤信息兩部分組成，這里我們將植被信息表示為Sv，土壤信息為SS，那么像元的信息S可以分解為兩部分。

對(duì)于一個(gè)由土壤與植被兩部分組成的混合像元，像元中由植被覆蓋的面積比例，即為該像元的植被蓋度FC，而土壤覆蓋的面積比例為1－FC。設(shè)全由植被所覆蓋的純像元所得的遙感信息為Sveg，混合像元的植被成分所貢獻(xiàn)的信息Sv可以表示為Sveg與FC的乘積。

同理，設(shè)全由土壤所覆蓋的純像元所得的遙感信息為Ssoil，混合像元的土壤成分所貢獻(xiàn)的信息SS可以表示為Ssoil與1－FC乘積

將(4)、(5)兩式代入(3)可得

其中Ssoil和Sveg都是參數(shù)，因而可以用上面式子計(jì)算植被覆蓋度。

圖1 密云縣歸一化植被指數(shù)植被圖

圖2 彩色合成方法與各顏色相應(yīng)的解釋

Bradley將歸一化植被指數(shù)與植被覆蓋度作線性相關(guān)分析.肯定了歸一化植被指數(shù)與植被覆蓋度有良好的相關(guān)性。此項(xiàng)研究表明歸一化植被指數(shù)符合像元二分模型的條件，可以代入模型[9]。

由上述公式變換可得下面的利用歸一化植被指數(shù)計(jì)算植被蓋度的公式:

其中:NDVIsoil為完全裸土或無(wú)植被覆蓋區(qū)域的值，即無(wú)植被像元的NDVI值;NDVIveg則代表全植覆蓋像元的歸一化植被指數(shù)值，即純像元的歸一化植被指數(shù)值。

根據(jù)公式 FC=(NDVI－NDVIsoi)/(NDVIveg－NDVIsoil)計(jì)算植被蓋度，這里面最重要的是關(guān)于參數(shù)NDVIsoi和NDVIveg的選擇。理論上來(lái)說(shuō)NDVIsoi和NDVIveg應(yīng)該為0和1，但在實(shí)際的應(yīng)用當(dāng)中，由于大氣影響及地表濕度、粗糙度、土壤類型、土壤的影響，NDVIsoi會(huì)隨著空間而變化，變化范圍一般在－0.1～0.2之間[10];本文采取置信度為5%，在這個(gè)區(qū)間內(nèi)取最大值和最小值。1992年、2005年及2009年的最大值和最小值分別為(0.588，0.053)，(0.508，－0.02)，(0.625，0.004)。利用 ENVI進(jìn)行計(jì)算得到植被蓋度等級(jí)圖(圖3)。

圖3 植被蓋度等級(jí)圖

3.4 NDVI合成圖及植被蓋度等級(jí)合成圖

將1992、2005、2009年的歸一化植被指數(shù)圖及植被蓋度等級(jí)圖分別進(jìn)行(RGB)假彩色合成。根據(jù)RGB假彩色合成原理可知，當(dāng)3幅影像的像元值都比較大時(shí)，像元呈灰白色;當(dāng)像元值比較小時(shí)，像元呈黑色;其余顏色像元值變化比較大，為植被不穩(wěn)定區(qū)域(圖4和圖5)。

圖4 NDVI合成圖

圖5 植被蓋度等級(jí)合成圖

圖6 NDVI監(jiān)督分類圖

3.5 監(jiān)督分類

通過(guò)實(shí)地的抽樣調(diào)查，配合人工目視判讀，對(duì)遙感圖像上抽樣區(qū)的影像地物類別屬性擁有先驗(yàn)知識(shí)，進(jìn)行訓(xùn)練樣區(qū)的選擇，然后利用ENVI遙感圖像處理軟件中最大似然法對(duì)歸一化植被指數(shù)合成圖和植被蓋度等級(jí)合成圖進(jìn)行監(jiān)督分類。

圖7 植被蓋度等級(jí)監(jiān)督分類圖

依據(jù)密云縣土地利用現(xiàn)狀圖，森林資源一類清查資料及Google Earth將植被蓋度劃分為3個(gè)等級(jí)，低植被蓋度(0≤fc＜0.3)、中植被蓋度(0.3≤fc＜0.7)和高植被蓋度(0.7≤fc＜1)3 種類型。將三期圖像進(jìn)行RGB假彩色合成，(ABC)、(abc)和(123)分別代表1992、2005和2009年低、中和高植被蓋度。結(jié)合假彩色合成原理，將兩幅監(jiān)督分類圖進(jìn)行統(tǒng)計(jì)，結(jié)果如表1和表2所示。

分類結(jié)果分析。參考實(shí)地考察密云縣二類調(diào)查表，采用隨機(jī)抽樣的方法在研究區(qū)抽樣，每期取點(diǎn)50個(gè)左右，利用相關(guān)的遙感軟件計(jì)算Kappa指數(shù)。結(jié)果表明，在圖6的8個(gè)類別當(dāng)中，總體分類精度達(dá)85.25%，黑色 Kappa指數(shù)為1，品紅色 Kappa指數(shù)最低為0.6175，其余均在0.7 ～0.8。在圖7 的8 個(gè)類別當(dāng)中，總體分類精度達(dá)83.13%，黑色Kappa指數(shù)為1，黃色Kappa指數(shù)最低為0.6532，其余均在0.68 ～0.85。

4 結(jié)論與討論

2009年時(shí)密云縣水域面積為6671.92 hm2，占全縣面積比例是3.02%;密云縣建筑用地面積4067.01 hm2，占全縣面積比例是 1.82%;品紅色區(qū)域代表的是從1992年到2005年這段時(shí)間內(nèi)，歸一化植被指數(shù)下降，從2005年到2009年這段時(shí)間，歸一化植被指數(shù)升高，這部分區(qū)域主要是封山育林區(qū)域和農(nóng)田植被以及部分建筑用地。面積為66806.37 hm2，所占比例為29.82%;黃色區(qū)域是2005年以后植被指數(shù)下降區(qū)域，主要是一些新開(kāi)墾的荒地和裸地，及植被受到破壞的未利用地，面積為95543.82 hm2，所占比例為42.64%;和1992年相比2009年的時(shí)水域面積減少9947.9424 hm2，占全縣面積比例的4.44%，這部分在圖中的顏色是青色、藍(lán)色和綠色;灰白色為植被穩(wěn)定的區(qū)域，這部分區(qū)域面積40902.21，所占密云縣面積的比例為18.26%。

表1 NDVI合成圖監(jiān)督分類結(jié)果

表2 植被蓋度合成圖監(jiān)督分類結(jié)果

像元分類后對(duì)比法中各顏色所代表的意思和用逐個(gè)像元分類對(duì)比法略有不同，黑色代表的是低植被蓋度區(qū)域，主要是水域和居民地，這部分面積 11584.71 hm2，所占比例為 5.29%;紅色區(qū)域代表的隨著時(shí)間的推移是該區(qū)域從高植被蓋度向低植被蓋度轉(zhuǎn)移，主要是在這17 a中新增加的建筑用地和工礦用地。品紅色和黃色所代表的意思和逐個(gè)像元分類對(duì)比法中的一致，都是植被不穩(wěn)定的區(qū)域。逐個(gè)像元分類對(duì)比法中，像元植被不穩(wěn)定區(qū)域所占比例為72.46%，在植被蓋度分類后對(duì)比中所占比例為70.67%，可以看出兩種方法中，所得出植被不穩(wěn)定的區(qū)域相差不大。青色區(qū)域是無(wú)植被或者低植被覆蓋區(qū)域向高植被覆蓋區(qū)域轉(zhuǎn)化，1992到2005藍(lán)色區(qū)從低植被向中植被蓋度發(fā)展，從2005年以發(fā)展到高植被蓋度的。綠色區(qū)域是1990年到2005年從低植被蓋度向高植被蓋度發(fā)展，從2005年以后植被蓋度下降到中植被蓋度，這3種顏色主要是密云水庫(kù)水域面積減少而引起的。相比分類后水域面積減少9634.26825 hm2，占4.3%，歸一化植被指數(shù)逐個(gè)像元對(duì)比法更準(zhǔn)確。

結(jié)合實(shí)際的調(diào)查和相關(guān)資料，密云縣的這種植被動(dòng)態(tài)變化與實(shí)際情況相符合，本文中所采用的兩種方法都可以用于植被的大尺度監(jiān)測(cè)，具有簡(jiǎn)便，靈活，操作性強(qiáng)等特點(diǎn)，使大范圍內(nèi)植被的監(jiān)測(cè)變得簡(jiǎn)便易行而且準(zhǔn)確。但逐個(gè)像元分類對(duì)比的方法只能用于3個(gè)分量的歸一化植被指數(shù)彩色合成，所以對(duì)于長(zhǎng)時(shí)間序列數(shù)據(jù)的分析處理，這是該方法的局限性。

[1]周文佐，潘劍君.南京市城市綠地現(xiàn)狀遙感分析[J].遙感技術(shù)與應(yīng)用，2002，17(1):22－26.

[2]章文波，符素華，劉寶元.目估法測(cè)量植被覆蓋度的精度分析[J].北京師范大學(xué)學(xué)報(bào):自然科學(xué)版，2001，37(3):402－408.

[3]張?jiān)葡?，李曉兵，陳云?草地植被覆蓋度的多尺度遙感與實(shí)地測(cè)量方法綜述[J].地球科學(xué)進(jìn)展，2003，18(1):85－93.

[4]趙春玲，李志剛，呂海軍，等.中德合作寧夏賀蘭山封山育林育草項(xiàng)目區(qū)植被覆蓋度監(jiān)測(cè)[J].寧夏農(nóng)林科技，2000(6):6－14.

[5]Zhou Q，Robson M，Pilesjo P.On the ground estimation of vegetation cover in Australian rangelands[J].International Journal of Remote sensing，1998，19(9):1815－1820.

[6]張光輝，梁一民.黃土丘陵人工草地徑流起始時(shí)間研究[J].水土保持學(xué)報(bào)，1995，9(3):78－83.

[7]黎夏.利用遙感與GIS對(duì)農(nóng)田損失的監(jiān)測(cè)及定量評(píng)價(jià)方法:以東莞市為例[J].地理學(xué)報(bào)，1997，52(3):279－287.

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

[9]Bradley C Rundquint.The influence of canopy green vegetation fraction on spectral measurements over native tall grass prairie[J].Remote Sensing of Environment，2002，81(1):129－135.

[10]Ro Hin A，Maspimave J，Lafleur J.Pressure dro through nonwoven geotex tiles:a new analytical model[J].IEEE International Conferenee on Geotextiles，1982，3:161－166.

[11]李本綱，陶澍.一種利用多時(shí)相TM影像分析地表植被的新方法:以敦煌地區(qū)綠洲植被變化為例[J].遙感學(xué)報(bào)，2000，11(4):295－298.

[12]劉廣峰，吳波，范文義，等.基于像元二分模型的沙漠化地區(qū)植被覆蓋度提取:以毛烏素沙地為例[J].水土保持研究，2007，14(2):268－271.

[13]陳巧，陳永福.Quick Bird遙感數(shù)據(jù)監(jiān)測(cè)植被覆蓋度的研究[J].林業(yè)科學(xué)研究，2005，18(4):375－380.

[14]Carlson T N，Ripley D A.On the relation between NDVI，fractional vegetation cover，and leaf area index[J].Remote Sensing of Enviroment，1997，62(3):241－252.

[15]Kaufman Y，Tanre D.Atmospherically resistant vegetation index(ARVI)for EOS-MODIS[J].IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):261－270.