基于TM和RAPIDEYE数据的森林植被盖度的尺度转换

王海宾，邓华锋，陈丽聪，高东启

（北京林业大学 林学院，省部共建森林培育与保护教育部重点实验室，北京100083）

基于TM和RAPIDEYE数据的森林植被盖度的尺度转换

王海宾，邓华锋，陈丽聪，高东启

（北京林业大学 林学院，省部共建森林培育与保护教育部重点实验室，北京100083）

以2009年辽宁省清原县的TM、Rapideye影像及森林资源二类调查数据为基础资料，运用阈值法在TM和Rapideye影像提取3种植被类型（针叶林、阔叶林、混交林），采用基于数理统计的尺度转换方法，建立三者之间的线性空间尺度转换模型并进行验证。结果表明：所建立的空间尺度转换模型相关性较好，相关系数达到0.8以上。模型可用于植被类型的向上尺度转换，为应用中分辨率TM影像进行大面积不同森林植被准确监测提供参考。

植被类型；尺度转换；TM；Rapideye；尺度转换模型

在土地利用/覆盖研究中，尺度问题是当前国内外研究的重点[1-5]。林业的一个基本特征就是具有多尺度、多层次结构，不同的尺度对应不同的区域范围，主要体现在国家—省—县—经营单位上。在不同的尺度层次上又对应着不同尺度（分辨率）的遥感影像，在目前的森林资源监测中，在大尺度层次上，主要是应用MODIS影像进行监测，中尺度层次的监测主要依赖于TM影像，在小尺度层次上Rapideye、spot5等影像的应用也较为广泛。林业遥感数据中提取不同尺度层次的专题信息已成为人们关注的热点[6]，比如森林植被面积以及植被类型面积的准确获取，在森林资源动态监测方面具有重要意义。

如何充分利用不同分辨率影像之间互补的优势，合理利用尺度转换的结果，结合不同分辨率遥感数据的优点来提高解译精度是当前遥感及生态领域研究的重要内容[7]。20世纪70年代末开展的尺度研究，为该问题的解决提供了新的思路。利用尺度转换进行遥感信息的提取，获得精度和尺度的双重优势，前人做了大量的研究。Mayaux等[8]通过4种空间指数修正了TM和AVHRR数据间的统计关系，运用两步式转换方法对植被面积进行了尺度转换研究。Kevin等[9]分析了NOAA NDVI和MODIS NDVI之间的差异，建立了农田、草地、常绿阔叶林、灌木、城镇等类型的NOAA NDVI与MODIS NDVI数据的关系模型。张宏斌等[10]探讨了在大尺度空间范围内进行不同分辨率遥感数据之间的空间尺度转换方法，并利用NOAA NDVI和MODIS NDVI数据建立了空间尺度转换模型。李晓兵等[11]采用数字相机、ETM+和NOAA影像像、野外群落样方对我国北方典型草原区植被覆盖度进行了监测，并通过ETM+影像提高了NOAA影像的提取精度。

本文中以辽宁省清原县为例，选取针叶林、阔叶林、针阔混交林为研究对象，对TM影像和Rapideye影像进行基于统计的尺度转换，利用Rapideye影像对TM影像进行像元分解，根据两影像间的相关关系建立线性空间尺度转换模型，获得Rapideye影像到TM影像的精度扩展，从而实现中尺度TM影像上不同森林植被类型面积信息的准确提取方法。

1 研究区概况

清原县位于辽宁省东部，地理坐标为东经 124°20′06″～ 125°28′58″， 北 纬 41°47′52″～42°28′52″，属低山丘陵区，海拔 150 ～ 1 101 m，地势东南高，西北低，中部起伏不平，地处暖温带大陆性季风气候区，冬季漫长寒冷，夏季炎热多雨，年平均气温3.9～5.4℃，最冷出现在1月，最热出现在7月，极端最高气温36.5℃，最低-37.6℃。无霜期120～139 d，平均日照2 433 h，年降水量为700～850 mm，降雨集中在6、7、8月份。全县总面积为39.21万hm2，森林总蓄积量为2 300万m3。其中人工林面积为12万hm2，蓄积为1 250万m3，占有林地的43%。人均森林面积为0.8 hm2。林业用地为30.5万hm2，其中有林地为27.8万hm2，森林覆盖率为72.3%。

2 数据处理

2.1 遥感数据

研究所用的不同分辨率遥感影像有:TM多光谱影像、Rapideye影像（见表1）。

TM影像和Rapideye影像的预处理过程主要包括以下步骤：

由于2种影像已经过系统辐射校正和几何粗校正，所以主要是对影像进行大气校正和几何精校正，TM和Rapideye影像采用FLASH软件进行大气校正，应用Erdas9.2软件对2种影像进行精确配准。

表1 卫星遥感数据信息Table 1 Information of satellite remote sensing date

用研究区清原县边界对2种影像进行裁剪，得到研究区域内的2种影像。

计算2种影像的NDVI值（V），生成归一化植被指数图像，其中：

V=（NIR-R）/（NIR+R）。

其中在TM影像中第4波段（0.76～0.90 μm）对应于红外波段NIR，第3波段（0.63～0.69 μm）对应于红波段R；在Rapideye影像中第5波段（0.76～0.85 μm）对用于红外波段NIR，第3波段（0.63～0.68 μm）对应于红波段R。

2.2 森林资源二类调查矢量图

研究区内二类调查矢量数据来自国家林业局调查规划设计院，比例尺为1∶5万。对清原县二类调查矢量进行投影转换，选取针叶林、阔叶林、针阔混交林3种植被作为研究对象，获得各植被类型的矢量界限图，利用各植被类型边界在2种影像上进行裁剪，获得TM和Rapideye影像的各植被类型覆盖度影像。

3 研究方法

3.1 植被覆盖度计算方法

植被覆盖度是观测区域内植被垂直投影面积占地表面积的百分比，是刻画陆地表面植被数量的一个重要参数，也是区域指示生态系统变化的主要指标。随着遥感技术的发展，利用遥感数据测量植被覆盖度已得到较广泛的应用，估算的方法主要有回归模型法、植被指数法、亚像元分解法[12-17]。回归模型法只适用于特定的区域和特定的植被类型，在大范围监测和推广应用上受到诸多因素的限制，具有一定的局限性[18]；植被指数法是通过对各像元中植被类型及分布特征的分析，建立植被指数与植被覆盖度之间的转换关系来直接估算植被覆盖度[7]；亚像元分解法是针对遥感影像混合像元的特点，根据不同亚像元的植被分布情况，把亚像元分解为亚像元和混合亚像元，之后再对混合亚像元进行细分，建立不同的植被盖度模型[19]。针对不同分辨率的TM和Rapideye影像，本研究选用植被指数法来计算两个遥感数据的植被覆盖度信息，建立植被指数与植被覆盖度间的转换关系来估算植被覆盖度，通过运用植被指数转换模型，对TM影像和Rapideye影像进行植被覆盖度的计算，所选模型为张仁华[20]提出的植被覆盖百分比与植被指数的模型

f =(V-Vsoil)/(Vveg- Vsoil)。 （1）

式（1）中：f是植被覆盖度；V为所求像元的归一化植被指数；Vsoil、Vveg分别为纯土壤和纯植被的植被指数。在实际的应用中，把NDVI的最小值作为Vsoil，NDVI的最大值作为Vveg。

本研究选取针叶林、阔叶林、针阔混交林3种植被类型为研究对象，对预处理后的2种NDVI影像进行植被类型提取，分别统计不同植被类型的NDVI阈值，再将统计得到的NDVI最大值和最小值代入式（1），分别计算不同植被类型在2个遥感影像中的植被覆盖度。3种植被的NDVI阈值范围见表2。

表2 3种植被类型在2个遥感图像中的NDVI阈值Table 2 NDVI threshold values of three vegetation coverage types derived from two remote sensing images

3.2 TM提取植被覆盖度的修正

由于传感器自身的原因，高分辨率的影像具有较高的精度，一个像元所对应的区域面积较小，提取的NDVI信息更接近全覆盖的均一像元，因而得到的植被覆盖更接近实际情况。因此本研究采用像元分解的方法，利用抽取的2种样本间的统计关系建立转换模型，对TM影像提取的不同植被覆盖度进行修正。

采用随机抽样方法在各植被类型遥感图像上抽取研究样本，具体步骤如下：

（1）每种植被类型选取66个样本，样本大小对应TM图像中的一个像元，为30 m×30 m。Rapideye影像在样本区内对应大约36个像元；（2）对每个样本区的NDVI值和覆盖度进行统计，统计TM影像对应样本区内的一个像元的信息，对应Rapideye影像中大约有36个像元的算术平均值；（3）对获得的数据进行统计整理，选出70%作为建模的数据，剩下的30%用来验证模型的可靠性。

4 模型的建立和验证

4.1 模型的建立

利用Rapideye影像对TM影像进行像元分解，每种植被覆盖类型都对应一个像元分解的统计结果。TM影像提取的植被覆盖度与Rapideye影像提取的植被覆盖度之间的一元回归模型及相关系数见图1～图3。

图1 针叶林植被覆盖度的统计关系Fig.1 Statistic relationship of coniferous forest vegetation fractional coverage

图2 阔叶林植被覆盖度的统计关系Fig.2 Statistic relationship of broadleaf forest vegetation fractional coverage

图3 混交林植被覆盖度的统计关系Fig. 3 Statistic relationship of mixed forest vegetation fractional coverage

从图1到图3得出，TM影像提取结果与Rapideye影像提取结果相关性均较好（R2均大于0.8），其中针叶林的拟合方程为y=0.800x+0.103，决定系数R2=0.870；阔叶林的拟合方程为y=0.868x- 0.001，R2=0.864；混交林拟合方程为y=0.799x+ 0.098，R2=0.815 。因此应用 Rapideye影像提取结果对TM影像提取结果进行修正是可行的。

4.2 模型的验证

为验证拟合模型的可靠性和稳定性，选择其余30%的数据作为验证样本，通过拟合模型计算得到预测值与实际值进行对比，讨论两者的相关性。

由图4～图6可知，3种植被类型计算模型获得的计算值与实际值相关性较好，其中针叶林的线性关系式y = 0.491x + 0.275，决定系数R2=0.732；阔叶林的线性关系式y = 0.819x + 0.157，决定系数R2= 0.861；混交林的线性关系式y =0.704x + 0.222，决定系数R2= 0.910。模型可以用于从高分辨的NDVI数据作为基础数据对TM数据进行空间尺度上的实践。

图4 TM与Rapdieye数据提取的针叶林覆盖度函数模型检验Fig.4 Test of coniferous forest coverage function model between TM and Rapideye

图5 TM与Rapdieye数据提取的阔叶林覆盖度函数模型检验Fig.5 Test of broadleaf forest coverage function model between TM and Rapideye

图6 TM与Rapdieye数据提取的混交林覆盖度函数模型检验Fig. 6 Test of mixed forest coverage function model between TM and Rapideye

4.3 植被模型的转换

通过像元的合理性分析可知，采用公式（1）计算得到的植被覆盖度作为自变量，代入相应的尺度转换模型中，就可以得到修正后的TM影像提取的森林植被覆盖度，但在实际应用中却增加了有关公式（1）的计算内容。为了省略公式（1）的计算而直接使用NDVI信息作自变量来直接得到修正的植被覆盖度，可以根据各植被类型的阈值信息，通过转换来获得基于NDVI的统计模型（见表3）。

表3 3种植被的统计模型Table 3 Statistic models of three vegetation types

运用该模型，可以将TM影像的NDVI值作为自变量，输出的变量即为修正后的森林植被覆盖度，在得到森林植被覆盖度信息后，即可对研究区内的不同森林植被类型的面积进行估算。

5 结论与讨论

以影像NDVI值为参数，采用基于统计的方法对TM和Rapideye影像进行尺度转换研究，建立不同植被类型的尺度转换模型，结果表明TM影像和Rapideye影像提取的植被覆盖度信息相关性都较好（R2均大于0.8），相关系数分别为0.870、0.864和0.815；经检验，模型计算的值与实际值较非常接近（R2均大于0.730），相关系数分别为0.732、0.861和0.910，表明运用TM图像提取森林植被类型面积信息是可行的。最后以影像NDVI为自变量（x），对3种植被类型模型进行了转换，分别为：针叶林，y=1.788 4x-0.095 7；阔叶林，y=1.649 3x-0.104 1；混交林，y=1.447 7x+0.051 3。

运用该模型可以得到不同森林植被类型的覆盖度信息，提高了TM影像监测各森林植被类型覆盖度的精度，对在缺少高分辨率影像的情况下，可以借助TM影像对大面积的不同森林植被进行较准确地面积估算。对实际应用具有一定的借鉴作用，但仍存在一些问题，主要有：

（1）对于不同植被类型，最好经实地调查获取资料确定NDVIveg和NDVIsoil的取值，以使结果更加接近真值；

（2）各植被类型植被指数阈值的准确确定，可以更精确地提取各植被类型覆盖度，有待于进一步研究。

[1] 彭晓鹃,邓孺孺,刘小平.遥感尺度转换研究进展[J].地理与地理信息科学,2004,20(5):6-14.

[2] 布和敖斯尔,马建文,王勤学,等. 多传感器不同分辨率遥感数字图像的尺度转换[J]. 地理学报,2004,59(l):101-110.

[3] 李苗苗,吴炳方,颜长珍,等.密云水库上游植被覆盖度的遥感估算[J].资源科学,2004,26(4):153-159.

[4] 梁 继,王 建,朱仕杰,等.多尺度卫星雪覆盖面积获取的对比分析[J].遥感技术与应用,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] 刘悦翠,樊良新.林业资源遥感信息的尺度问题研究[J].西北林学院学报,2004,19(4):165-169.

[7] 杨胜天,李 茜,刘昌明,等.应用“北京一号”遥感数据计算官厅水库库滨带植被覆盖度[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] 张宏斌,杨桂霞,李 刚,等.基于MODIS NDVI和NOAA NDVI数据的空间尺度转换方法研究——以内蒙古草原区为例[J].草业科学,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] 马志勇,沈 涛,张军海,等.基于植被覆盖度的植被变化分析[J].测绘通报,2007,(3):45-48.

[13] 张云霞,李晓兵,陈云浩.草地植被盖度的多尺度遥感与实地测量方法综述[J].地球科学进展,2003,18(1):85-93.

[14] 严恩萍,林 辉,莫登奎,等.基于ALOS数据的遥感植被分类研究[J].中南林业科技大学学报，2010,30(11):37-42.

[15] 郑冬梅,曾伟生,智长贵,等.三峡库区森林郁闭度的遥感定量估测[J].中南林业科技大学学报，2013,33(9):1-4.

[16] 汪东川,龚建华,张利辉.土地利用/覆盖动态变化格局分析——以天水藉河流域为例[J].中南林业科技大学学报，2011,31(9): 69-75.

[17] 黄伟平,谭三清,张 贵,等.估测森林蓄积量的遥感因子选择研究[J].中南林业科技大学学报，2010,30(4):12-15.

[18] 邢著荣,冯幼贵,杨贵军,等. 基于遥感的植被覆盖度估算方法述评[J].遥感技术与应用,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] 张仁华.实验遥感模型及地面基础[M].北京:科学出版社,1996: 104-106.

[21] 张万昌,钟 山,胡少英.黑河流域叶面积指数(LAI)空间尺度转换[J].生态学报,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

林业公益性行业科研专项“森林资源一类与二类调查体系耦合关键技术—尺度转换技术研究”（201204510）

王海宾（1985-），男，河北丰润人，硕士生，主要从事森林资源监测与评价研究；E-mail：haibin-w@163.com

邓华锋（1966-），男，湖南涟源人，教授，主要从事森林可持续经营研究；E-mail：denghuafeng@bjfu.edu.cn

[本文编校：谢荣秀]