基于多源遥感数据森林盖度的尺度转换1)

王海宾

(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)

黄国胜 程志楚 夏朝宗

(国家林业局调查规划设计院)

邓华锋

(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))

植被盖度是反映地表植被的覆盖情况和监测植被生境及长势的重要指标，在植被资源动态监测方面具有重要意义[1－5]。传统的植被盖度测算方法通常是基于地面测量方法，此方法可以在小区域内采用并获得较高的精度，但精度过度依赖于采样点的数量与质量[6－8]，尤其是在偏远难以踏足地区使用困难。随着遥感技术的快速发展，遥感图像具有周期性、宏观性、时效性等特点，可以在大范围区域内估算植被盖度，尤其是多源遥感数据的不断涌现，它所能提供的信息具有冗余性、互补性和合作性，可以使植被盖度的定量估测更精确、更可靠，广泛的应用在植被监测领域[9－10]。

如何充分利用不同分辨率影像之间互补的优势，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[11]。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。Kevin等[12]分析了气象卫星改进型高分辨率辐射归一化植被指数(NOAA NDVI)和中分辨率成像光谱仪归一化植被指数(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。Mayaux等[13]通过四种空间指数修正了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，李晓兵等[14]采用数字相机、ETM+和NOAA影像、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。张宏斌等[15]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。

森林作为可再生自然资源及陆地生态系统的主体，在维持生态平衡和保护环境方面具有重要的作用，及时并准确的掌握森林资源概况对合理管理和利用森林资源具有重要的理论意义和指导作用[16]。以往的研究多集中在植被盖度估测上，范围较广，而单独针对森林盖度估测的研究则较少。本研究以辽宁省抚顺市为研究区，选取森林盖度为研究对象，应用MODIS、TM多光谱遥感数据，应用航片进行人机交互式解译法，对样框内的森林盖度进行提取，采用回归分析方法，建立MODIS和TM影像间的森林盖度经验模型，为研究大中尺度森林盖度和面积估测提供参考。

1 研究区概况

抚顺市位于辽宁省东部偏北，位于东经123°39'42″～125°28'58″，北纬 41°14'10″～42°28'32″。东西长151 km，南北宽138 km。境内平均海拔80 m，地处中温带，属大陆性季风气候，年均温度6.6℃，年均降水量804.2 mm，无霜期145 d。抚顺属长白山余脉，呈东南高，西北低之势，境内山峦连绵起伏，水源充沛，土地肥沃，森林茂密，森林资源丰富。全市森林面积达到 74.3万 hm2，森林覆盖率达 66.24%，森林蓄积量达到6510万m3，是辽宁省重要的水源涵养林和用材林基地。

2 研究方法

2.1 数据来源和数据处理

遥感数据。研究所用的不同分辨率遥感影像有:MODIS影像、TM影像、航片数据(表1)。

表1 遥感数据信息

矢量数据。研究所用矢量数据包括抚顺市边界矢量图、森林分布矢量图，抚顺市2009年森林资源二类调查矢量数据，比例尺为1∶50000。

以2009年航片为地面参考信息源，对TM数据进行辐射校正、几何精校正，FLAASH大气校正，几何校正误差控制在0.5个像元以内。

MODIS数据为2009年10月5日的16 d合成的250 m分辨率的 MOD13Q1数据，景号为H27V04。应用格式转换(MRT，Modis Reprojection Tool)工具对MOD13Q1数据进行投影转换，并将数据转换为TIF格式。在Envi4.8下，以经过校正的TM影像为参考，选取了相对明显的12个地物点为控制点，对MODIS数据进行几何精校正，误差控制在0.5个像元以内，将MODIS数据重采样至240 m。

利用抚顺市边界提取研究区内MODIS数据和TM影像信息，再通过掩膜的方法，利用森林分布图获取研究区内的MODIS和TM森林影像信息。

2.2 森林盖度的获取

本研究采用系统抽样方法，应用Arcgis10.0软件中的 Hawths Tools工具中的 Generate Regular Points，在覆盖抚顺市的 MODIS NDVI和 TM NDVI遥感数据上布设抽样点，抽样间距为4800 m，然后使用Creat Sample Plots工具将抽样点转换为抽样框，抽样框大小即为MODIS影像像元大小(240 m×240 m)。使用Arcgis10.0软件中的Move工具对抽样框进行平移，以使抽样框与MODIS和TM像元相匹配。参考森林资源二类调查矢量数据，应用Arcgis10.0软件对覆盖抽样框的航片进行人机交互式解译，获得抽样框内的森林面积并转换为森林盖度，得到每个抽样框内的地面森林盖度并作为近似真值(以下称为森林盖度实测值)。

森林盖度的计算公式为:FVC=S/Sy。式中:FVC为抽样框内的森林盖度;S为解译的抽样框内森林面积;Sy为抽样框面积。

2.3 植被指数

目前国内外提出的有关植被指数的指标有40多个[19]，NDVI作为最常用的指标之一，是植被生长和植被覆盖度的最佳指示因子，具有计算简单、应用最广泛的特点。该指标对土壤背景的变化比较敏感，能够大大的消除地形和群落结构阴影的影响，并削弱大气的干扰，常被引用来反映植被生长和分布、植被生物量等信息，反映植被长势和生态环境状况的重要参数。本研究采用NDVI作为多源遥感影像的计算参数，其表达式为:INDV=(NIR－R)/(NIR+R)。其中，INDV表示归一化植被指数，NIR、R分别表示近红外波段、红光波段。

2.4 森林盖度经验模型的构建

本研究借鉴张云霞等[17－18]估算草地盖度所建立的两阶段模型思想，结合森林盖度实测值，分别基于TM NDVI和MODIS NDVI数据建立森林盖度估测模型。首先是对TM NDVI数据与森林盖度实测值进行回归分析，建立基于TM数据的森林盖度经验模型;然后对MODIS NDVI数据与TM数据的森林盖度估测值进行回归分析，建立中低分辨率数据的森林盖度经验模型。

本研究提出两步建立森林盖度经验模型的方法，具体为:

第一阶段——①基于系统抽样，在研究区范围内获取240 m×240 m大小的抽样框及MODIS和TM影像样本，MODIS影像单个像元对应TM影像8×8个像元;

②参照抚顺市2009年二类调查数据和0.5 m的航片进行人机交互式解译，由此获得抽样框内的森林盖度实测值;

③基于抽样框范围内的TM NDVI均值(TM NDVI影像8×8个像元的平均值)，建立森林盖度实测值与TM数据植被指数间的盖度估测模型;

④对模型进行显著性检验。

第二阶段——①将第一阶段模型应用到TM数据估算其森林盖度，获得TM影像森林盖度估测值;

②采用回归分析方法，对MODIS数据植被指数与相应区域内TM数据森林盖度估测值进行回归分析，建立基于MODIS与TM数据间的森林盖度估测模型;

③对模型进行显著性检验。

模型的构建所用样本量为110个，模型的检验所用样本量为50个。同时模型构建所用样本数据要遵循以下两点原则:①样本数据分布要均匀;②森林植被盖度在一定的变化范围内。

2.5 基于MODIS数据的模型建立

基于森林盖度实测值和MODIS数据建立MODIS数据森林盖度经验模型，再将建立的模型运用到50个检验所用的样本，计算经验模型的精度。

2.6 森林盖度经验模型的验证

为验证森林盖度经验模型的精度，本文选取抽样样本中的50个点对其进行预测和检验，选用均方根差(RMSE)、和相对误差(E)作为模型精度评价标准。

由回归模型估计出的拟合结果精度可用均方根差(RMSE)进行评价，其公式为:

式中:Ti和为实测值和预测值，n为样本个数。均方根差越小表明拟合效果越好。

3 结果与分析

3.1 两阶段模型的构建

3.1.1 第一阶段模型的构建

通过对森林盖度实测值与对应抽样框内的TM影像植被指数均值的相关性分析，TM影像的植被指数与森林盖度实测值间存在较好的线性关系。其中:a=2.930，b=－0.567，复相关系数(R)0.817，模型复相关系数的显著水平达到了0.001。由此可以确定第一阶段模型为:y=2.930x－0.567。式中:y 为森林盖度，x为 TM NDVI均值，相关系数R2=0.668。

3.1.2 第二阶段模型的构建

在第一阶段模型建立的基础上，我们应用模型对TM影像进行了森林盖度估测。对TM影像森林盖度估测值与MODIS影像植被指数的相关性分析，MODIS植被指数与TM森林盖度估测值之间存在着较好的线性关系。其中:a=1.928，b= －0.156，复相关系数(R)0.719，模型复相关系数的显著水平达到了0.001。由此可以确定第二阶段模型为:y=1.928x－0.156。式中:y为森林盖度估测值，x为MODIS NDVI值，相关系数 R2=0.507。

3.1.3 基于MODIS数据的模型建立

将森林盖度实测值与对应抽样框内的MODIS植被指数进行相关性分析，MODIS植被指数与森林盖度实测值间存在较好的线性关系。其中:a=2.565，b=－0.454，复相关系数(R)0.672，模型复相关系数的显著水平达到了0.001。可以确定基于MODIS数据和森林盖度实测值建立的模型为:y=2.565x－0.454。式中:y为森林盖度，x为 MODIS NDVI值，相关系数 R2=0.452。

3.2 经验模型的检验

运用所构建的模型将抽样样本中的50个检验点进行预测并与实际值进行误差分析和检验。图1是两阶段经验模型估测的森林盖度与森林盖度实测值间的误差比较。由图1可知，经计算后，森林盖度的实测值和预测值的RMSE为0.175，相对误差为15.9%，模型整体精度较高。

根据50个检验数据，基于MODIS NDVI数据和森林盖度实测值所建立的模型估测森林植被盖度，在与50个森林盖度实测值进行误差比较。结果表明:基于MODIS NDVI数据估测的森林盖度估测值和森林盖度实测数据的RMSE为0.182，相对误差为16.3%。

由以上可知两阶段经验模型估测精度大于基于MODIS数据所建立的模型的精度。基于多源遥感数据逐级确定不同分辨率遥感参数间的量化关系，可以提高森林盖度的估测精度。

3.3 抚顺市MODIS森林面积估测值与一类二类数据对比

通过验证可知两阶段模型具有较好的精度，通过第二阶段模型来估测抚顺市境内森林面积，再与抚顺市一类清查和二类调查统计的森林面积进行对比。

图1 实测值和预测值变化趋势

利用MODIS影像得到的抚顺市森林面积预测值为644201.80 hm2，一类数据中提取的森林面积为724968.90 hm2，二类数据中汇总的森林面积为757310.00 hm2，预测值与一类统计的森林面积相差11.14%，与二类统计的森林面积相差14.94%，说明应用模型估测森林植被面积的整体控制精度在85%以上。

4 结论与讨论

本研究应用MODIS、TM、航片等多源遥感数据建立了两阶段模型，所建模型利用中分辨率TM遥感数据作为联系森林盖度实测值和中分辨率MODIS遥感数据的桥梁，较好的将地面森林盖度向更大尺度范围扩展，并对模型进行了估测和检验。

本研究所建立的两阶段森林盖度模型具有较好的线性关系，模型经过尺度转换外推后，MODIS NDVI影像保持了对森林盖度较高的监测精度，较好的将森林盖度实测值扩展到更大的空间尺度范围。所建模型经检验后，森林盖度实测值和预测值的RMSE为 0.175，相对误差为 15.9%，与基于 MODIS NDVI数据所建立的模型相比具有较高的精度。由此可知，基于多源遥感数据逐级确定不同分辨率遥感参数间的量化关系，可以提高森林盖度的估测精度。同时应用两阶段模型对抚顺市森林面积进行了估算并与一类清查和二类调查数据统计的森林面积进行了对比分析，应用模型估测的森林面积与一类统计的森林面积相差11.14%，与二类统计的森林面积相差14.94%，说明应用模型估测森林面积的整体控制精度在85%以上，表明可利用MODIS数据和模型在更大空间尺度上估测森林盖度，为应用MODIS数据进行区域森林面积监测提供参考。

应用系统抽样和航片人机交互式解译法，依靠技术人员及相应解译标志辅助进行室内航片解译，获得近似地面森林盖度的真值数据，可以减少外业调查工作量，降低成本并且获得较为精确的森林盖度信息，是一种森林盖度获取的简易方法。本文应用人机交互式解译法获得近似地面森林盖度真值，结合中分辨率TM数据和低分辨率MODIS数据实现了森林盖度与中低分辨率遥感数据间参数及尺度的定量转换，建立了两阶段模型。此方法可为区域森林面积监测提供参考。

[1]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.

[2]Gutman G 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.

[3]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.

[4]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.

[5]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.

[6]吴素业.一年生植被盖度地简化测试方法[J].水土保持科技情报，1999(1):45－47.

[7]顾祝军，曾志远.遥感植被盖度研究[J].水土保持研究，2005，12(2):18－21.

[8]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):6－10，14.

[9]申广荣，王人潮.植被光谱遥感数据的研究现状及其展望[J].浙江大学学报:农业与生命科学版，2001，27(6):682－690.

[10]Zhou Q，Robson M.Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J].International Journal of Remote Sensing，2001，22(17):3457－3470.

[11]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(1):101－110.

[12]Gallo K，Ji Lei，Reed B，et al.Multi-platform comparisons of MODIS and AVHRR normalized difference vegetation index data[J].Remote Sensing of Environment，2005，99(3):221－231.

[13]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.

[14]Li Xiaobing，Chen Yunhao，Shi Peijun，et al.Detecting vegetation fractional coverage of typical steppe in northern China based on multi-scale remotely sensed data[J].Acta Botanica Sinica，2003，45(10):1146－1156.

[15]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.

[16]闫宏伟，黄国胜，曾伟生，等.全国森林资源一体化监测体系建设的思考[J].林业资源管理，2011(6):6－11，26.

[17]张云霞，李晓兵，张云飞.基于数字相机，ASTER和MODIS影像综合测量植被盖度[J].植物生态学报，2007，31(5):842－849.

[18]Fazakas Z.Volum and forest cover estimation over southern Sweden using AVHRR data calibrated with TM data[J].International Journal of Remote Sensing，1996，17(9):1701－1709.

[19]田庆久，闵祥军.植被指数研究进展[J].地球科学进展，1998，13(4):327－333.

[20]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.

[21]Fang Hongliang，Wu Bingfang，Liu Haiyan，et al.Using NOAA/AVHRR and Landsat TM to estimate rice area year-by-year[J].International Journal of Remote Sensing，1998，19(3):521－525.

[22]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.

[23]李占胜，潘剑君.基于尺度转换提高MODIS影像耕地解译精度的研究[J].遥感技术与应用，2010，25(2):240－244.

[24]孙明，杨洋，沈渭寿，等.基于TM数据的雅鲁藏布江源区草地植被盖度估测[J].国土资源遥感，2012(3):71－77.