基于中高分辨率遙感的植被覆蓋度時相變換方法

張喜旺, 吳炳方

1 中國科學(xué)院遙感與數(shù)字地球研究所，北京 100094 2 黃河中下游數(shù)字地理技術(shù)教育部重點實驗室，開封 475004

基于中高分辨率遙感的植被覆蓋度時相變換方法

張喜旺1,2, 吳炳方1,*

1 中國科學(xué)院遙感與數(shù)字地球研究所，北京 100094 2 黃河中下游數(shù)字地理技術(shù)教育部重點實驗室，開封 475004

植被覆蓋度是衡量地表植被狀況、指示生態(tài)環(huán)境變化的一個重要指標，也是許多學(xué)科的重要參數(shù)。傳統(tǒng)的測量方法難以獲取時間連續(xù)的面狀數(shù)據(jù)，且耗時、耗力，很難大范圍推廣。遙感估算方法雖然可以彌補傳統(tǒng)方法的不足，但由于云覆蓋等天氣條件的影響，獲得同一時相覆蓋整個研究區(qū)的遙感影像非常困難，時相的差異必然導(dǎo)致研究結(jié)果產(chǎn)生誤差。針對植被覆蓋度這一重要生態(tài)參數(shù)，結(jié)合低分辨率遙感數(shù)據(jù)的時間優(yōu)勢和中高分辨率遙感數(shù)據(jù)的空間優(yōu)勢，提出一種時相變換方法，將源于中高分辨率影像的植被覆蓋度變換到研究需要的時相上。首先，利用像元二分模型計算MODIS尺度的時間序列植被覆蓋度，并利用已經(jīng)獲得的SPOT影像計算其獲取時相上的植被覆蓋度；其次，利用土地利用圖劃分植被覆蓋類型，并利用MODIS數(shù)據(jù)和土地利用數(shù)據(jù)之間的空間對應(yīng)關(guān)系制作MODIS像元內(nèi)各類植被覆蓋的面積百分比數(shù)據(jù)；再次，利用面積百分比數(shù)據(jù)提取各類植被覆蓋的純像元，結(jié)合MODIS植被覆蓋度時間序列，從而提取各類植被覆蓋純像元的植被覆蓋度時間序列曲線；最后利用像元分解的方法提取MODIS像元內(nèi)各類植被覆蓋組分的植被覆蓋度的變化規(guī)律，將其應(yīng)用到該組分對應(yīng)位置上SPOT像元的植被覆蓋度上，從而將其變換到所需要的時相上。在密云水庫上游進行試驗，將覆蓋研究區(qū)的10 景SPOT5多光譜影像計算的植被覆蓋度統(tǒng)一變換到7 月上旬，結(jié)果顯示：視覺效果上明顯好轉(zhuǎn)，且空間上連續(xù)一致；變換前后植被覆蓋度的統(tǒng)計量對比結(jié)果也符合植被生長規(guī)律；利用外業(yè)樣點數(shù)據(jù)與對應(yīng)位置的植被覆蓋度變換結(jié)果進行回歸分析，結(jié)果發(fā)現(xiàn)各植被覆蓋類型的R2均在0.8左右，表明變換結(jié)果與實測值非常接近，時相變換的效果較好，從而可以很好地促進相關(guān)研究精度的提高。

植被覆蓋度; 時相變換; 像元分解; 遙感

植被是陸地生態(tài)系統(tǒng)的基礎(chǔ)，連結(jié)土壤和大氣的自然紐帶[1]，也是大氣-植被-土壤系統(tǒng)的重要組成部分[2]。植被覆蓋度(FVC)被定義為植被(包括葉、莖、枝)在單位面積內(nèi)的垂直投影面積所占百分比[3]。它是衡量地表植被狀況、指示生態(tài)環(huán)境變化的一個最重要的指標，也是許多學(xué)科的重要參數(shù)[4- 6]。區(qū)域及全球范圍的植被覆蓋度估算對研究大氣、土壤、水文和生態(tài)等具有重要的意義[7- 9]。

傳統(tǒng)的測量和估算方法主要有目測法、照相法、采樣法、儀器法等[10- 11]，雖然可以利用插值擴展到區(qū)域上，但耗時、耗力，且難以獲取時間連續(xù)的面狀數(shù)據(jù)，局限性大，很難大范圍推廣[12]。遙感能提供不同時空尺度的植被覆蓋信息及其動態(tài)變化，為實時、連續(xù)的監(jiān)測與評估提供了技術(shù)支撐，已成為區(qū)域植被覆蓋度研究的主要手段。遙感估算方法主要有經(jīng)驗?zāi)Ｐ头?、植被指?shù)法、亞像元分解法、光譜梯度法等[13]。應(yīng)用最廣泛的主要有經(jīng)驗?zāi)Ｐ汀⒅脖恢笖?shù)法和亞像元分解3種[14]。經(jīng)驗?zāi)Ｐ褪墙崪y數(shù)據(jù)與光譜信號之間的經(jīng)驗?zāi)Ｐ?，并向區(qū)域推廣以求取植被覆蓋度[15- 16]，當(dāng)區(qū)域較大時，精度會降低；植被指數(shù)法是通過分析植被類型及其分布，建立與植被指數(shù)間的關(guān)系[17- 18]；亞像元分解是根據(jù)像元的特點，分析亞像元結(jié)構(gòu)，針對不同結(jié)構(gòu)，建立不同的植被覆蓋模型[19]，相對于植被指數(shù)法有所改進。其中，像元分解法在研究中應(yīng)用最廣，優(yōu)點是模型簡單可靠、輸入通用易得。

中高分辨率遙感影像已經(jīng)廣泛應(yīng)用于區(qū)域尺度研究，然而應(yīng)用的限制除價格昂貴外，最主要的是云覆蓋的影響，例如ETM+數(shù)據(jù)在全球平均有35%的云覆蓋[20- 21]，加之觀測頻率與幅寬有限，獲得同一時相覆蓋整個研究區(qū)的遙感影像非常困難[22]。通常覆蓋研究區(qū)影像之間時間跨度較大，如本文中影像時間從5 月18 日到9 月9 日，如果不做處理將使研究結(jié)果出現(xiàn)偏差。因此針對研究對影像時相的要求，有必要發(fā)展一種時相變換方法，將參數(shù)變換到研究所需要的時相上。

物候特征導(dǎo)致植物在不同發(fā)育階段表現(xiàn)出迥然不同的光譜特性及生態(tài)參數(shù)，且季相節(jié)律在不同植物類型之間存在差異[23]。低分辨率影像，如MODIS，具有很高的時間分辨率，即使在天氣狀況較差的時期，如經(jīng)常有云覆蓋，也有機會獲取無云的單景影像或合成產(chǎn)品，因此可以用于研究植被參數(shù)的季相變化規(guī)律[24- 25]。本文以植被覆蓋度為研究對象，綜合低分辨率影像在時間上的優(yōu)勢與中高分辨率影像在空間上的優(yōu)勢，發(fā)展一種針對植被覆蓋度的時相變換方法，利用MODIS時間序列數(shù)據(jù)，對SPOT5遙感影像獲得的植被覆蓋度進行變換，以得到統(tǒng)一時相特征的、覆蓋整個研究區(qū)的數(shù)據(jù)。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)

圖1 研究區(qū)位置Fig.1 Location of study area

密云水庫上游位于北京市北大約80 km，東經(jīng)115°24′—117°35′，北緯40°19′—41°38′，涉及密云、懷柔、延慶、興隆、欒平、赤城、豐寧、沽源和崇禮等9 個縣(部分)，面積約為15388 km2，如圖1所示。地勢西北高，東南低；地貌以丘陵為主，低山為輔，還有極少部分中山，東南部多低山丘陵。境內(nèi)小塊平原多分布在河谷型盆地兩側(cè)，典型臺地很少。屬大陸性季風(fēng)氣候，四季分明，降水主要集中在6—9 月。冬季寒冷干燥；夏季盛行東南季風(fēng)，年內(nèi)氣溫變化顯著。自然植被以落葉闊葉林和旱生灌叢草類為主。褐土分布最廣，遍布150—1000 m的低山丘陵，占流域面積的60.3%；棕壤分布于海拔600—1000 m以上的中低山，占流域面積的34.4%；草甸土分布在潮、白兩河河谷，占流域面積的1.9%；栗鈣土分布在壩根一帶，占總面積的2.2%，是重要的牧業(yè)用地。

1.2 數(shù)據(jù)及預(yù)處理

1.2.1 SPOT5數(shù)據(jù)

SPOT5衛(wèi)星是法國SPOT公司于2002 年5 月4 日成功發(fā)射的用于對地遙感的近極地太陽同步軌道衛(wèi)星。本文涉及10 景SPOT5多光譜遙感影像(表1)，完全覆蓋研究區(qū)。由于天氣、觀測周期等原因，影像獲取時間在5—9 月之間。研究中根據(jù)影像重疊情況裁切了過多的重疊部分。

表1 研究所用SPOT5影像Table 1 SPOT5 images list used in this study

1.2.2 NDVI時間序列

歸一化植被指數(shù)(NDVI)在利用遙感進行植被以及物候研究中得到廣泛應(yīng)用，是植物生長狀態(tài)以及植被空間分布密度的最佳指示因子[25]?？梢院苋菀椎貜母鞣N影像數(shù)據(jù)中提取，雖受土壤背景和植被活力影響[26- 27]，但可以指示植被在時空上的相對變化[28]。本文采用美國國家航空航天局(National Aeronautics and Space Administration, NASA)免費提供(http://reverb.echo.nasa.gov/)的MODIS植被指數(shù)250 m 16 d合成產(chǎn)品(MOD13Q1)，通過2004 年全年時間序列的NDVI數(shù)據(jù)分析各類植被的年內(nèi)變化趨勢。優(yōu)勢是觀測頻率非常高，即使在經(jīng)常有云覆蓋的時期也有機會獲取無云的單景影像或合成產(chǎn)品，從而形成時間上的連續(xù)序列，被廣泛用于生態(tài)環(huán)境監(jiān)測。

1.2.3 土地利用數(shù)據(jù)

土地利用數(shù)據(jù)采用基于2004 年覆蓋研究區(qū)的10 景SPOT5遙感影像的解譯結(jié)果，主要用于分析研究區(qū)內(nèi)不同植被類型的生長變化規(guī)律，以及計算所對應(yīng)的MODIS數(shù)據(jù)像元內(nèi)的各類植被像元百分比。首先將其轉(zhuǎn)換為柵格數(shù)據(jù)，空間分辨率重采樣為5 m；并與MODIS數(shù)據(jù)嚴格配準；然后將50×50 個土地利用像元聚合成一個250 m大小的像元，對應(yīng)于MODIS像元，從而統(tǒng)計獲得每個MODIS像元內(nèi)各類植被所占百分比。

1.2.4 外業(yè)數(shù)據(jù)

外業(yè)主要調(diào)查植被類型、土地利用類型以及各類植被的覆蓋度，采用樣線法，主要沿道路兩側(cè)調(diào)查，植被覆蓋度測量采用垂直照相的方法，樣點采用GPS定位。

1.2.5 投影統(tǒng)一處理

所有數(shù)據(jù)均轉(zhuǎn)換為Albers等面積投影，中央經(jīng)線110°，標準緯線25°和47°。

2 方法

2.1 FVC計算方法

研究區(qū)面積較大，采用的遙感影像存在分辨率與光譜特性的差異，應(yīng)用像元二分模型較為合適[29]。原理是假定圖像中的一個像元由土壤和植被兩個組分構(gòu)成，每個組分對遙感傳感器所觀測到的信息都有貢獻，因此可以將遙感信息分解，建立像元分解模型，從而估算植被覆蓋度。利用NDVI的像元二分模型如公式(1)：

(1)

式中，F(xiàn)VC為植被覆蓋度；NDVISoil為裸土或無植被區(qū)的NDVI值；NDVIVeg為純植被區(qū)的NDVI值。因此該方法關(guān)鍵在于確定NDVISoil與NDVIVeg的值。

對于SPOT5影像，分辨率為10 m，即使在一景內(nèi)，獲取純像元也相對容易，不會影響計算精度；對于同一時相的多景影像先拼接成一超級景，統(tǒng)一計算NDVI，進而計算FVC。NDVISoil與NDVIVeg取值時，將像元NDVI按從小到大和從大到小排列，首先將極端值去除，然后根據(jù)外業(yè)調(diào)查和影像實際情況判斷全土壤覆蓋和植被覆蓋的比例，按照該比例分別在首尾扣除相應(yīng)數(shù)量的像元，得到NDVI區(qū)間，以該區(qū)間的最大最小值作為NDVISoil與NDVIVeg，從而計算FVC，這樣做的好處是保證了區(qū)域內(nèi)有合理比例的全植被、土壤覆蓋的像元。

對于MODIS NDVI 250 m數(shù)據(jù)，為了提高獲取純植被和純土壤像元的幾率，先將影像從研究區(qū)范圍向外擴展，以使影像有足夠大的面積獲取純凈像元，并統(tǒng)計全年不同時相各類植被的NDVI。在計算全年序列的FVC時，NDVISoil取2 月末的裸土純凈像元的NDVI值，NDVIVeg取7 月中旬的全植被覆蓋的NDVI值，以這樣的參數(shù)計算全年序列的植被覆蓋度，最后截取研究區(qū)內(nèi)的植被覆蓋度。

2.2 FVC年內(nèi)變換規(guī)律

由于不同植被的生長發(fā)育規(guī)律不一樣，導(dǎo)致不同植被類型FVC年內(nèi)變化存在差異，因此先對植被進行細分，分析各自FVC的年內(nèi)變化。本文根據(jù)SPOT5遙感影像分類得到的土地利用圖將植被覆蓋類型分為耕地、喬木林、灌木林、草地、其他五種，其中水域的覆蓋度接近于零，這里不作考慮。并計算各類植被覆蓋的像元百分比，從中提取五類植被覆蓋像元百分比為100%的MODIS像元(表2)，即各類植被覆蓋的純像元。利用這些純像元為掩膜，統(tǒng)計MODIS NDVI 250 m數(shù)據(jù)，從而得到各類植被的FVC的時間序列。

2.3 中高分辨尺度FVC時相變換

2.3.1 像元分解思路

假如一個MODIS像元包含3種植被覆蓋類型X、Y與Z，它們本身的植被覆蓋度分別為x、y與z，分別占有MODIS像元的面積百分比為α、β與γ，如圖2所示。那么這個MODIS像元的植被覆蓋度FVC可以用公式(2)表示：

FVC=x·α+y·β+z·γ

(2)

式中，α、β與γ可以從像元百分比數(shù)據(jù)中獲??；FVC可以從2.1節(jié)計算方法獲取。

表2 不同植被覆蓋類型純像元個數(shù)統(tǒng)計Table 2 Pure pixel number of each vegetation cover

圖2 組成MODIS像元的植被覆蓋類型示意圖Fig.2 Sketch map of different vegetation cover in a MODIS pixel

假設(shè)植被覆蓋類型X、Y與Z的覆蓋度比例為x∶y∶z=k∶m∶l，則:

(3)

(4)

(5)

2.3.2 不同植被覆蓋的覆蓋度比例關(guān)系確定

本文3.1節(jié)得到各類植被覆蓋純像元FVC均值的年內(nèi)變化規(guī)律，從中可以得到年內(nèi)各個時相上不同植被的覆蓋度均值的比例關(guān)系，將其代替各種植被覆蓋的FVC比例，即x、y、z的比例關(guān)系，從而可以計算MODIS像元內(nèi)各類植被組分的覆蓋度[30]。

對于在時間節(jié)點上的情況，可以直接用在該節(jié)點上的值直接獲取比例關(guān)系。對于不在節(jié)點上的情況，可以對比距前后節(jié)點的距離按線性插值計算，從而獲取比例關(guān)系。如某一時刻T距離上個節(jié)點T1時間為t1天，距離后一節(jié)點T2為t2天，則t1+t2=16。根據(jù)線性插值方法可以得到時間T上的植被覆蓋度為：

(6)

式中，F(xiàn)VCi,T、FVCi,T1、FVCi,T2分別表示T、T1、T2時相上第i類植被覆蓋的覆蓋度。

2.3.3 中高分辨率尺度FVC時相變換

圖3 綜合MODIS和SPOT的植被覆蓋度時相變換模型 Fig.3 FVC (Fractional Vegetation Cover) temporal transformation model integrating MODIS and SPOT image

假如所獲取的中高分辨率植被覆蓋的時相為T1，目的是要將其變換到時相T2上。與之時相對應(yīng)的MODIS植被覆蓋度分別為FVCM-T1與FVCM-T2，如圖3所示。其中，xm1、ym1與zm1分別表示MODIS像元內(nèi)植被覆蓋組分X、Y與Z在時相T1時的覆蓋度，xm2、ym2與zm2分別表示MODIS像元中植被覆蓋組分X、Y與Z在時相T2時的覆蓋度；xs1、ys1與zs1分別表示與MODIS像元空間位置對應(yīng)的SPOT影像中植被覆蓋類型X、Y與Z在時相T1時的覆蓋度均值，xs2、ys2與zs2分別表示與MODIS像元空間位置對應(yīng)的SPOT影像中植被覆蓋類型X、Y與Z在時相T2的覆蓋度均值。

理論上，xm1、ym1與zm1應(yīng)分別與xs1、ys1與zs1相等，但由于尺度等原因一般不會相等，但MODIS像元內(nèi)不同植被覆蓋組分的覆蓋度與SPOT所對應(yīng)的植被覆蓋的覆蓋度在T1與T2時相上的比值應(yīng)近似相等，即：

(7)

(8)

(9)

根據(jù)2.3.1部分的推導(dǎo)，兩個時相T1和T2上MODIS像元內(nèi)各類植被覆蓋的覆蓋度可以表示為：

(10)

(11)

(12)

(13)

(14)

(15)

而xs1，ys1與zs1可以從SPOT影像上獲取，從而所要求的T2時相SPOT影像上各類植被覆蓋的覆蓋度xs2、ys2與zs2分別可以表示為：

(16)

(17)

(18)

3 結(jié)果與分析

3.1 不同植被FVC年內(nèi)變化

基于2.2節(jié)得到的純像元，從MODIS FVC時間序列中提取各類植被覆蓋的均值，并繪制成隨時間變化的曲線如圖4所示。其中每個16 d合成數(shù)據(jù)的時間被定位在這16 d的中間。

圖4 各類植被覆蓋的覆蓋度年內(nèi)變化 Fig.4 FVC (Fraction Vegetation Cover) changes characteristic of different vegetation cover type in the year

圖5 時相變換前后對比(A) SPOT5影像直接計算并拼接的植被覆蓋度(B)將各個時相的植被覆蓋度統(tǒng)一變換到7月初的結(jié)果Fig.5 Contrast of FVC (Fractional Vegetation Cover) before and after transformation for (A) FVC derived from SPOT images and (B) FVC transformed to early July using the proposed method

從圖4可以看出，研究區(qū)1—4 月間植被未開始生長，基本處于平穩(wěn)狀態(tài)，F(xiàn)VC在0.15—0.4之間，從4月中旬開始發(fā)育。其中喬木FVC增長最快，5 月末幾乎達到峰頂，并開始趨于穩(wěn)定，直到8 月末9 月初開始下降；灌木FVC增長速度僅次于喬木，4 月中旬到5 月中旬為其快速上升期，然后速度放慢，7 月中旬達到峰值，并趨于穩(wěn)定，8 月中下旬開始下降；草地FVC增長速度又次于灌木，4 月中旬到5 月末增長速度較快，然后開始放緩，直到8 月中旬開始達到峰值，隨即開始下降，沒有穩(wěn)定狀態(tài)；對于耕地，4 月中旬到6 月中旬生長緩慢，6 月中旬至7 月中旬迅速增長，然后速度放慢，直到8 月中旬達到峰值，隨即開始下降；“其他”類植被覆蓋度變化較為雜亂，因為該類所包含的地類較多，如居民點、工礦以及交通等，所以變化不夠自然。研究區(qū)內(nèi)的農(nóng)作物多為一年一季，因此其曲線為單峰。

3.2 FVC時相變換結(jié)果

按照上述植被覆蓋度時相變換方法將研究區(qū)各個時相的SPOT影像計算的FVC變換到7 月初，并與變換前的結(jié)果進行對比，結(jié)果如圖5所示。

由圖5(A)可知，進行時相變換前的植被覆蓋度圖，從整體上看，左上角、左下角與右上角的三景影像的覆蓋度明顯要高于中間幾景；而中間部分為5 月下旬和6 月上旬，植被還沒有生長起來，因此拼接后整體不夠和諧。圖5(B)顯示了在FVC統(tǒng)一變換到7 月初后，中間部分(5 月下旬和6 月上旬)的植被覆蓋度明顯得到了增強；而兩邊部分(如7 月末和9 月初)的FVC明顯得到了抑制，整體變得更加協(xié)調(diào)。

將各個時相的SPOT覆蓋度變換前后的統(tǒng)計量進行對比如表3所示。

7 月 19日相對于7 月初，除喬木已經(jīng)處于穩(wěn)定狀態(tài)外，其他植被都仍處于生長狀態(tài)，因此FVC都有所提高，從而使這一景影像的均值與7 月初相比提高了4.66%，因此變換后的FVC得到了一定的抑制；

7 月 28日與7 月19 日相似，除喬木外其他FVC都有所提高，從而使整體的均值與7 月初相比提高了4.99%，時相變換后該景FVC也得到了一定的抑制；

5 月18 日、5 月23 日與6 月2 日的植被都處于快速生長階段，所有植被類型都沒有達到穩(wěn)定狀態(tài)，因此時相變換到7 月初的FVC的整體均值相對于原始覆蓋度分別提高了17.21%、28.14%和16.96%。

9 月9 日植被已經(jīng)過了最高覆蓋度階段，開始衰敗，F(xiàn)VC開始下降，但離最大FVC出現(xiàn)時間(8 月中旬)不遠，因此覆蓋度仍很高，相對于變換后的7 月初，覆蓋度均值減小了3.60%。

FVC的變化與時相有關(guān)，同時也與該地區(qū)的植被類型組成有關(guān)，因此FVC值改變的多少并不完全取決于時相，但FVC是否變化卻和時相密切相關(guān)。

3.3 驗證

FVC估算值和實測值很難完全一致，因此，驗證時比較估算值與實測值的接近程度，與實測值越接近認為估算精度越高。利用2006 年7 月測得的實測資料共213 個樣點的數(shù)據(jù)與對應(yīng)位置的進行時相變換后的覆蓋度進行相關(guān)分析(圖6)，結(jié)果R2達到0.7967—0.8535，驗證結(jié)果比較令人滿意。雖然利用的實測數(shù)據(jù)和影像數(shù)據(jù)不是同一年的，但季節(jié)上與時相變換的結(jié)果是同步的，保證了利用該數(shù)據(jù)做相關(guān)分析的合理性。

表3 時相變換前后影像覆蓋度統(tǒng)計量對比Table 3 Statistics of FVC (Fraction Vegetation Cover) between before and after temporal transformation

B-T:指植被覆蓋度轉(zhuǎn)換之前Before Transformation，A-T指植被覆蓋度轉(zhuǎn)換之后After Transformation

圖6 不同植被的覆蓋度驗證結(jié)果Fig.6 Validation of FVC (Fractional Vegetation Cover) for different vegetations

4 結(jié)論

植物的物候特征導(dǎo)致其在不同生長發(fā)育階段表現(xiàn)出迥然不同的光譜特性，并且這種季相節(jié)律在不同植物類型之間又存在差異。因此，選擇正確時相的遙感影像對于研究的順利開展具有重要意義。

然而，由于天氣等因素，同時獲得覆蓋區(qū)域尺度整個研究區(qū)的中高分辨率尺度的光學(xué)影像非常困難。往往在得到覆蓋整個研究區(qū)的數(shù)據(jù)之間存在著較大的時相差異。因此，對于時相敏感的研究，將遙感影像進行時相變換是非常必要的。

本文針對基于遙感計算的FVC，提出一個時相變換方法，可以將從不同時相的遙感影像中提取的FVC變換到研究需要的時相上。基本思路是，首先利用土地利用數(shù)據(jù)劃分植被覆蓋類型，提取MODIS尺度的純像元；以純像元為掩膜，利用時間序列的MODIS數(shù)據(jù)提取各類植被覆蓋的FVC時間序列；利用像元分解的思想從MODIS像元中提取各組分的植被覆蓋度FVCM；利用SPOT影像也可以得到的該組分對應(yīng)位置的植被覆蓋度FVCS；FVCM與FVCS的變化規(guī)律應(yīng)該與他們所對應(yīng)的實際地物的植被覆蓋度變化規(guī)律相似，從而建立關(guān)系，提取所需要時相上的中高分辨率FVC，研究結(jié)果經(jīng)驗證，與實測數(shù)據(jù)的R2均在0.8左右，表明本文的時相變換方法是可靠的。

從FVC時相變換結(jié)果可以看出，無論是視覺效果還是實測數(shù)據(jù)驗證結(jié)果，該方法都是可行的，且具有可操作性。時相不一致的問題是所有研究都可能遇到的問題，因此也有必要發(fā)展用于其他參數(shù)的時相變換方法。

[1] 孫紅雨, 王長耀, 牛錚, 布和敖斯?fàn)? 李兵. 中國地表植被覆蓋變化及其與氣候因子關(guān)系: 基于NOAA時間序列數(shù)據(jù)分析. 遙感學(xué)報, 1998, 2(3): 204- 210.

[2] 李克讓,王紹強,曹明奎. 中國植被和土壤碳貯量. 中國科學(xué)(D輯), 2003, 33(1): 72- 80.

[3] Gitelson A A, Kaufman Y J, Stark R, Rundquist D. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 2002, 80(1): 76- 87.

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

[5] 張清春, 劉寶元, 翟剛．植被與水土流失研究綜述. 水土保持研究，2002, 9(4): 96- 101.

[6] 崔天翔,宮兆寧,趙文吉,趙雅莉,林川. 不同端元模型下濕地植被覆蓋度的提取方法——以北京市野鴨湖濕地自然保護區(qū)為例. 生態(tài)學(xué)報, 2013, 33(4): 1160- 1171.

[7] 林川, 宮兆寧, 趙文吉. 葉冠尺度野鴨湖濕地植物群落含水量的高光譜估算模型. 生態(tài)學(xué)報, 2011, 31(22): 6645- 6658.

[8] Qi J, Marsett R C, Moran M S, Goodrich D C, Heilman P, Kerr Y H, Dedieu G, Chehbouni A, Zhang X X. Spatial and temporal dynamics of vegetation in the San Pedro River basin area. Agricultural and Forest Meteorology, 2000, 105(1/3): 55- 68.

[9] Zhang X W, Wu B F, Ling F, Zeng Y, Yan N N, Yuan C. Identification of priority areas for controlling soil erosion. Catena, 2010, 83(1): 76- 86.

[10] 章文波，劉寶元，吳敬東．小區(qū)植被覆蓋度動態(tài)快速測量方法研究. 水土保持通報, 2001, 21(6): 60- 63.

[11] Xing Z R，F(xiàn)eng Y G，Yang G J，Wang P，Huang W J． Method of estimating vegetation coverage based on remote sensing. Remote Sensing Technology and Application, 2009, 24(6): 849- 854.

[12] 馬娜, 胡云鋒, 莊大方, 張學(xué)利. 基于遙感和像元二分模型的內(nèi)蒙古正藍旗植被覆蓋度格局和動態(tài)變化. 地理科學(xué), 2012, 32(2): 251- 256.

[13] 顧祝軍，曾志遠. 遙感植被蓋度研究. 水土保持研究, 2005, 12(2): 18- 21.

[14] 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. 地球科學(xué)進展, 2003, 18(1): 85- 93.

[15] Duncan J, Stow D, Franklin J, Hope A. Assessing the relationship between spectral vegetation indices and shrub cover in the Jornada Basin, New Mexico. International Journal of Remote Sensing, 1993, 14(18): 3395- 3416.

[16] Yang J, Prince D. Remote sensing of savanna vegetation changes in Eastern Zambia 1972- 1989. International Journal of Remote Sensing, 2000, 21(2): 301- 322.

[17] Purevdorj T S, Tateishi R, Ishiyama T, Honda Y. Relationships between percent vegetation cover and vegetation indices. International Journal of Remote Sensing, 1998, 19(18): 3519- 3535.

[18] Larsson H. Linear regressions for canopy cover estimation in Acacia woodlands using Landsat-TM, MSS and SPOT HRV XS data. International Journal of Remote Sensing, 1993, 14(11): 2129- 2136.

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

[20] Ju J C, Roy D P. The availability of cloud-free Landsat ETM+ data over the conterminous United States and globally. Remote Sensing of Environment, 2008, 112(3): 1196- 1211.

[21] Roy D P, Ju J C, Lewis P, Schaaf C, Gao F, Hansen M, Lindquist E. Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data. Remote Sensing of Environment, 2008, 112(6): 3112- 3130.

[22] Vrieling A, de Jong S M, Sterk G, Rodrigues S C. Timing of erosion and satellite data: A multi-resolution approach to soil erosion risk mapping. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(3): 267- 281.

[23] 齊臘, 劉良云, 趙春江, 王紀華, 王錦地. 基于遙感影像時間序列的冬小麥種植監(jiān)測最佳時相選擇研究. 遙感技術(shù)與應(yīng)用, 2008, 23(2): 154- 160.

[24] 彭光雄, 沈蔚, 郭繼發(fā). 瀘西縣烤煙面積遙感監(jiān)測最佳時相的選擇. 山地學(xué)報, 2009, 27(3): 326- 332.

[25] 張喜旺，秦耀辰，秦奮. 綜合季相節(jié)律和特征光譜的冬小麥種植面積遙感估算. 農(nóng)業(yè)工程學(xué)報，2013，29(8): 154- 163.

[26] De Jong S M. Derivation of vegetative variables from a Landsat TM image for modelling soil erosion. Earth Surface Processes and Landforms, 1994, 19(2): 165- 178.

[27] 張喜旺, 吳炳方. 降雨與植被耦合關(guān)系對土壤侵蝕的影響分析——以密云水庫上游為例. 生態(tài)環(huán)境學(xué)報, 2010, 19(6): 1290- 1294.

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

[29] 楊勝天,李茜,劉昌明,智泓,王雪蕾. 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. 地理研究, 2006, 25(4): 570- 578.

[30] 張喜旺. 面向水蝕風(fēng)險遙感評估的有效植被覆蓋提取與應(yīng)用 [D]. 北京：中國科學(xué)院遙感應(yīng)用研究所，2009.

A temporal transformation method of fractional vegetation cover derived from high and moderate resolution remote sensing data

ZHANG Xiwang1,2, WU Bingfang1,*

1InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100094,China2KeyLaboratoryofGeospatialTechnologyforMiddleandLowerYellowRiverRegions,MinistryofEducation,Kaifeng475004,China

Fractional vegetation cover (FVC) is an important index of land surface vegetation status. It is also an indicator of ecological environment changes and an important spatial parameter for various ecological modeling. The traditional methods of FVC measurement are time-consuming and labor-intensive, and thus difficult to obtain large-scale time series FVC data. Remote sensing technique is an effective approach to estimate FVC, but it is very difficult to acquire high and moderate resolution remote sensing images covering the entire study area during the same period because of the cloud cover and other weather conditions. Consequently, the FVC data derived from multi-temporal images inevitably lead to uncertain research results. To address the problem, this paper proposes a novel method to eliminate the impact of acquisition time differences on FVC from high and moderate resolution remote sensing images. For FVC data derived from images with different resolutions and acquisition dates, this proposed temporal transformation method is used to estimate high resolution FVC combined with a low-resolution time series FVC. Firstly, low and high resolution FVC data can be calculated from time series MODIS images and acquired SPOT images respectively using the dimidiate pixel model. Secondly, the vegetation cover is divided into different vegetation types based on the land use map derived from these SPOT images. And for each MODIS pixel, the area percentages of various types of vegetation cover are calculated based on the spatial overlay of MODIS image and land use data. As a result, the area percentage data represent that the area ratio of the different vegetation types within each MODIS pixel. Thirdly, the pure pixels of various types of vegetation cover can be extracted based on the area percentage data where the ratio is equal to 1, and the FVC time series curve of each type of vegetation cover can be generated based on these pure pixels and time series MODIS FVC data. Finally, the sub-pixel FVC variation of each type of vegetation cover can be extracted from MODIS pixels based on the pixel unmixing technique, and then apply them to the same location of SPOT FVC. Thus, the SPOT FVC can be transformed from its acquisition date to the specific date, which satisfies the need of our research. The feasibility of this temporal transformation method is examined in the upstream of Miyun Reservoir. The FVC data derived from 10 SPOT images are transformed to the same date of early July. The case study results show that: (1)The visual effects of the transformed FVC are significantly improved and consistent with the spatial patterns of vegetation cover; (2)The changes of FVC statistics information before and after the transformation are also in line with the laws of vegetation growth; (3) The linear regression of the FCV data on field measurement samples shows strong positive correlations between them, and theR2is about 0.8 for each vegetation cover indicating the transformation results is close to the field measured values. The transformation results with higher precision can promote the accuracy of related researches. This method has also a certain reference value for the transformation of other parameters.

fractional vegetation cover; temporal transformation; pixel unmixing; remote sensing

中國科學(xué)院知識創(chuàng)新工程重大項目(KZCX1-YW- 08- 03); 水利部-官廳密云水庫上游水土保持遙感監(jiān)測二期工程(HW-STBC2004- 03); 中國博士后科學(xué)基金資助項目(20100470994)

2013- 05- 02;

日期:2014- 04- 11

10.5846/stxb201305020904

*通訊作者Corresponding author.E-mail: wubf@radi.ac.cn

張喜旺, 吳炳方.基于中高分辨率遙感的植被覆蓋度時相變換方法.生態(tài)學(xué)報,2015,35(4):1155- 1164.

Zhang X W, Wu B F.A temporal transformation method of fractional vegetation cover derived from high and moderate resolution remote sensing data.Acta Ecologica Sinica,2015,35(4):1155- 1164.