应用混合像元分解提取胡杨覆盖度信息1)

郭春蕾 解潍嘉 黄华国

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

责任编辑:王广建。

胡杨(Populus euphratica)属杨柳科(Salicaceae)胡杨亚属木本植物，是第三纪遗留下来的孑遗植物，生长缓慢，异性叶，树冠不规则。胡杨林在我国荒漠区有大面积天然分布［1］，主要集中于西北地区的新疆、内蒙古自治区西部、甘肃的内陆河流沿岸的冲积平原［2］。由于胡杨具有涵养水源、保持水土、防风固沙、调节地方气候的生态防护效益，已成为抵御风沙、遏制沙化、维护区域生态平衡、保护生物多样性和保障绿洲农牧业生产的重要屏障。因其数量稀少，长期以来受到有关国家和国际组织的广泛关注，也成为很多学者的研究热点［3］。

目前，遥感技术已应用于自然灾害监测、农作物估产、森林调查、土地利用调查等方面，特别是在资源调查上应用较为成熟，直接为政府决策提供科学依据［4］。植被覆盖率作为反映地表信息的重要参数，一直是植被遥感领域的重要研究课题，但是对胡杨林这种极度干旱地区植被的覆盖度研究很少。胡杨林的特殊性在于树冠不规则、孤立木较多、沙土背景反射率高，树冠反射信息较弱，因此，提取覆盖度有一定难度，有关干旱地区植被覆盖度的应用研究相对薄弱。

中分辨率影像(如Landsat TM/ETM+)，由于数据免费，分辨率适中，时空连续性强，质量稳定，研究基础好，仍然是植被监测最常用的数据。就覆盖度监测而言，混合像元分解(SU)，尤其是线性混合像元分解(LSU)方法应用最广泛，在干旱半干旱区［5］、城市及周边等地区［6］得到了成功应用。因此，本文将采用LSU 方法对额济纳胡杨林自然保护区的Landsat TM 影像，进行以胡杨为主体的植被覆盖度的提取研究，分析LSU 方法的适用性，为大尺度动态监测研究提供技术支撑。

1 研究区与数据

1.1 研究区概况

研究区位于内蒙古额济纳胡杨林国家级自然保护区。额济纳旗土地面积11.46 万km2，其中90%以上为戈壁、沙漠和低山丘陵等裸露地面。绿洲地带仅占全旗总面积的5.6%，主要植被有胡杨、沙枣、柽柳、梭梭等。额济纳旗地表水资源匮乏，发源于祁连山的额济纳河，是全旗林农牧业的生命线。

保护区位于额济纳旗的中心位置——额济纳绿洲，西邻额济纳旗政府驻地达来呼布镇，北临居延海，地理坐标为97°10'23″～103°1'11″E、39°52'～42°47'N，属野生植物类型自然保护区。2003年1月经国务院批准建立国家级自然保护区。保护区总面积26 253 hm2，其中核心区面积为8 774 hm2，缓冲区面积为10 018 hm2，实验区面积为7 461 hm2。额济纳胡杨林覆盖面积约占45 万亩，是当今世界仅存的三处天然河道胡杨林之一，是我国典型荒漠地区天然胡杨林的主要分布区之一，也是内蒙古西部荒漠区唯一的乔木林区，是阻止巴丹吉林沙漠向北扩散的重要屏障，是中国西部生态的天然宝库。现今由于地下水资源的减少、不适宜的生产方式、现有保护措施的无力、旅游资源的无序利用等原因，以胡杨林为主的绿洲生态体系正遭到严重破坏。额济纳胡杨林自然保护区示意图(见图1)。

图1 胡杨林自然保护区示意图(右侧为部分胡杨照片)

1.2 遥感数据

主要的遥感数据(见图2)。其中，2009年9月的Landsat TM5 数据(图2a)用于开展LSU 覆盖度提取。图2b 为同期的经过全色和多光谱融合以及几何纠正的Quick Bird 图像，用于手工树冠分割，提取覆盖度的相对真值，以实现对LSU 方法的验证。

应用ENVI 软件对TM 数据进行了辐射定标和FLAASH 大气校正。校正前后胡杨林的像元波谱曲线(见图3)，可以看到校正后的植被波谱曲线更符合真实植被波谱规律。然后，以QuickBird 图像为基准，采用二次多项式和最邻近点内插法对TM 影像进行了几何精校正(偏差＜0.5 个像元)，重采样分辨率为30 m。最后，应用ENVI 软件对图像进行MNF 变换处理，分离出了数据的噪声。

2 基于混合像元分解的胡杨覆盖度提取

2.1 线性光谱混合模型

线性光谱混合模型是指像元在某一光谱波段的反射率(或亮度值)是由构成像元的终端单元的反射率(或亮度值)及其所占像元面积比例为权重系数的线性组合［7－11］，公式如下:

式中:Ri为第R 波段第i 像元的光谱反射率，fki为对应于i 像元的第k 个基本组分所占的比例，Ck为第k 个基本组分在第R 波段的光谱反射率，εi为残余误差值(即光谱的非模型化部分，值越小分解结果越好)。根据公式，利用最小二乘法求得每个终端单元的丰度，计算的结果表现为各终端单元的份量值图像和残余误差图像。

2.2 终端端元的确定

选取合适的端元是混合像元分解成功的关键［8－9］。端元选取包括确定端元数量以及各端元光谱。理论上，只要端元数量m 小于等于L +1(L 表示波段数)，线性方程组就可以求解。然而，由于波段间存在相关性，选取过多的端元虽然会使残差减少［10］，但会导致分解结果产生更大的误差。因此，在能够描述一个场景内光谱的大部分方差的前提下，越少的端元数量是越好的选择［11］。在线性混合像元分解模型的一般应用中，选择3～4 个端元较为适宜。本研究选择3 个端元，分别应用两种端元提 取方法。

图2 研究区假彩色合成遥感图像

图3 大气校正前后植被的波谱曲线

2.2.1 基于几何顶点的端元提取

将MNF 变换结果的前面两个相关性很小的波段，作为X、Y 轴构成二维散点图［12］。在理想情况下，散点图是三角形状，根据线性混合模型数学描述，纯净端元几何位置分布在三角形的三个顶点，而三角形内部的点则是这三个顶点的线性组合，也就是混合像元。根据这个原理，在二维散点图上选择端元波谱，根据三角形三个顶点对应于影像上的地物类型，目视识别出散点图上各端元所对应的影像上的地物类型。三角形顶点红色部分代表裸地，绿色部分代表植被区域，蓝色部分代表水体(见图4)。

2.2.2 基于PPI 的端元提取

该方法是借助纯净像元指数(PPI)和n 维可视化工具用于端元波谱收集。

首先，在MNF 变化的结果上计算纯净像元指数，得到像元PPI 空间分布图。PPI 值越大表示入选纯净指数的次数越多，也表示该像元在多波段影像空间里表现越独特，光谱也越纯净，像元地物也越单一。在PPI 计算结果基础上选择感兴趣区域，将结果值大于50 的点作为感兴趣区域输出。然后，利用ENVI 的多维可视化工具(n －D Visualizer)把上述选择的感兴趣像元点投影到MNF 变换主成分空间，选择MNF 变化的前3 个波段，构造3 维散点图。如图5a 所示，在每个顶点选择几个像元作为该类地物终端单元。同样选择三类地物，输出三类地物的端元波谱曲线，如图5b 所示。参考原始影像中各类地物的波谱曲线，识别每条端元波谱曲线对应的地物类型，可知蓝色代表植被波谱，红色代表水体波谱，绿色代表裸地波谱。

图4 基于散点图的端元选取

图5 基于PPI 的端元选取图

2.3 线性混合像元分解

通过以上步骤获得各端元地物的波谱曲线，将生成的波谱曲线文件在端元波谱收集器中打开，选择LSU 方法，即可生成三个端元的覆盖度图像。

2.4 精度检验

以Quickbird 为基准影像，根据胡杨林的覆盖程度从低到高，设立20 个检验样本(见图6)。每个样本面积为3 600 m2，对应2 ×2 个TM 像元和100 ×100 个Quickbird 像元。在每个Quickbird 样本内，进行人工解译，将树冠分割，并统计分割后树冠面积比例作为该样本覆盖度真值。将每个样本对应的2 ×2 个TM 像元覆盖度取平均值，作为预测值。通过比较真值和预测值，来评价覆盖度提取精度。

3 结果与分析

3.1 精度评价

两种端元提取方法得到的覆盖度验证图(见图7)。由图7可知，基于几何顶点的端元提取的植被覆盖度精度较高(R2=0.893，RMSE=0.12)。基于PPI 方法得到的覆盖度相关性显著偏低(R2=0.402)。

3.2 植被指数与植被覆盖度的关系

植被指数(VI)同混合像元分解一样，是目前用于提取植被覆盖度的主要方法之一。迄今为止，国内外学者已经研究发展了几十种不同的植被指数，其中应用最广泛的有归一化植被指数(NDVI)、考虑土壤背景干扰的土壤调节植被指数(SAVI)、修正的土壤调节植被指数(MSAVI)等。通过对干旱地区的各类植被指数的运算分析，得到反演干旱地区植被覆盖度精度最高的是归一化植被指数(NDVI)［13］。

20 个验证样本的NDVI 和真值覆盖度的比较(见图8)。由图8可知，NDVI 和覆盖度虽然具有一定相关性，但是偏差较大(R2=0.574)。精度不如基于几何顶点的混合像元分解方法(R2=0.893)。

图6 精度检验的样本分布图(底图为TM 的NDVI 图像)

图7 TM 提取的覆盖度验证

图8 NDVI 与覆盖度真值的关系

3.3 保护区植被覆盖度分布

将额济纳胡杨林自然保护区矢量图叠加到研究区域上，分别对研究区内的核心区、实验区、缓冲区以及河流两岸300 m 范围内区域进行植被覆盖度提取。

核心区是额济纳自然保护区的核心，是额济纳自然景观精华所在;实验区内大部分为次生胡杨林，又有耕地、牧区和旅游区;缓冲区左部分处于河流分界线，右部分则是核心区与实验区过渡地段。通过计算得到核心区、实验区、缓冲区以及河流两岸的植被覆盖度均值分别为:0.279、0.343、0.305、0.278。可以看出，核心区和河流两岸覆盖度较为接近;实验区和缓冲区覆盖度反而略高，这主要是来自农田和草地覆盖度的贡献。

4 结论与讨论

研究表明，采用混合像元分解方法可以从中等分辨率的TM 数据中较好地提取胡杨林覆盖度(R2=0.893，RMSE=0.120)。基于几何顶点的端元提取结果优于基于PPI 的端元提取结果和基于植被指数的统计回归结果。由于美国陆地卫星Landsat 拥有近30 a 的历史数据，2013年又发射并正常运行的8 号卫星，是唯一全球覆盖、免费提供、业务化运行的数据，结合本文方法可以为胡杨群落覆盖度动态变化研究提供数据支持。当然，本文方法理论上也可以应用于其他复杂类型的森林提取植被覆盖度。

本文需要深入研究和探讨的问题:首先，为什么几何顶点的端元提取结果优于基于PPI 的端元提取结果?PPI 方法对像元纯度要求高，精度依赖于端元选择精度。在较为稀疏的胡杨林冠层中，提取得到的纯像元很难去除林冠间隙中的土壤背景的影响。而几何顶点方法中每个顶点一般对应水体、裸地和植被，具有一定的物理含义。根据几何光学模型的定义，在稀疏林冠中，光谱为光照树冠、阴影树冠、光照土壤和阴影土壤四个组分的加权和，林冠间隙的土壤是可以分离的。因此，几何顶点方法得到的端元应该是树冠本身，其覆盖度可视为光照树冠与阴影树冠垂直可视面积比之和。所以，几何顶点方法含义较为明确，操作也简单，适合胡杨覆盖度提取。

其次，NDVI 和覆盖度的关系为什么不高?在沙土高反射背景和稀疏林冠的共同作用下，NDVI取值较小，对树冠敏感性降低。相比之下，混合像元分解是基于光谱反射模型中像元内不同组分丰度的最优化求解，物理意义明确，受林冠密度影响较低。

最后，覆盖度提取仍然存在一定的误差(RMSE=0.120)。误差主要来自于样地选取、QB 图像分割问题以及混合像元分解算法的误差三个方面。样地选择虽兼顾高中低三种情况，分布也较为均匀，具有代表性，但是人工选择中的主观因素仍会有一定影响。另外，人工解译QB 图像时，分割的胡杨树冠可能会比实际的不规则形状略微平滑，在统计面积上也会有一定的误差。最后，在基于几何顶点的端元选取中，每个顶点选取的平均范围大小会影响到端元平均光谱，进而影响像元分解误差。

［1］ 张万儒，主编.中国造林树种土壤条件［M］.北京:中国科学技术出版社，1998.

［2］ 王世绩，陈炳号，李护群.胡杨林［M］.北京:中国环境科学出版社，1995.

［3］ 赵文智，常学礼，李秋艳.人工调水对额济纳胡杨荒漠河岸林繁殖的影响［J］.生态学报，2005，25(8):1987 －1993.

［4］ Hugh W，Murray J，Peter S.Land use mapping using satellite data of Magawatu［J］.New Zealand ITC Journal 1996(2):149 －156.

［5］ 张良培，李德仁，童庆禧，等.鄱阳湖地区土壤、植被光谱混合模型的研究［J］.测绘学报，1997，26(1):72 －76.

［6］ 万军，蔡运龙.应用线性光谱分离技术研究喀斯特地区土地覆被变化:以贵州省关岭县为例［J］.地理研究，2003，22(4):439－446.

［7］ 张熙川，赵英时.应用线性光谱混合模型快速评价土地退化的方法研究［J］.中国科学院研究生院学报，1999，16(2):169 －175.

［8］ Tompkins S，Mustard J F，Pieters C M，et al.Optimization of endmembers for spectral mixture analysis［J］.Remote Sensing of Environment，1997，59(3):472 －489.

［9］ Elmore A J，Mustard J F，Manning S J，et al.Quantifying vegetation change in semiarid environments:Precision and accuracy of spectral mixture analysis and the Normalized Difference Vegetation Index［J］.Remote Sensing of Environment，2000，73(1):87 －102.

［10］ Radeloff V C，Mladenoff D J，Boyce M S.Detecting jack pine budworm defoliation using spectral mixture analysis:separating effects from determinants［J］.Remote Sensing of Environment，1999，69(2):156 －169.

［11］ Sabol D E，Adams J B，Smith M O.Quantitative subpixel spectral detection of targets in multispectral images［J］.Journal of Geophysical Research，1992，97(E2):2659 －2672.

［12］ 李君，范文义，李明泽.线性混合光谱模型在多光谱遥感影像分类中的应用［J］.东北林业大学学报，2008，36(8):45 －48.

［13］ 郭玉川，何英，李霞.基于MODIS 的干旱区植被覆盖度反演及植被指数优选［J］.国土资源遥感，2011(2):115 －118.