基于地形调节植被指数估算长汀县植被覆盖度

刘亚迪， 汪小钦， 江洪

(1.福州大学空间数据挖掘和信息共享教育部重点实验室，福州 350002；2.福建省空间信息工程研究中心，福州 350002)

基于地形调节植被指数估算长汀县植被覆盖度

刘亚迪1,2， 汪小钦1,2， 江洪1,2

(1.福州大学空间数据挖掘和信息共享教育部重点实验室，福州 350002；2.福建省空间信息工程研究中心，福州 350002)

植被覆盖度遥感估算最常用的方法是基于植被指数构建模型，但大部分的植被指数没有考虑地形的影响。以福建省长汀县作为研究区，引入能消除地形影响的地形调节植被指数(topography adjusted vegetation index,TAVI)，利用像元二分模型估算植被覆盖度，旨在研究TAVI对植被覆盖度估算结果的影响，并与基于归一化差值植被指数(normalized difference vegetation index,NDVI)估算的结果进行比较。根据目视效果和统计指标的分析表明： 基于TAVI估算的植被覆盖度精度高于基于NDVI的估算结果，并能有效降低阴坡阳坡间的差异，提高阴坡区域植被覆盖度的估算精度。

植被覆盖度；地形调节植被指数(TAVI); 归一化差值植被指数(NDVI)

0 引言

植被覆盖度是衡量地表植物覆盖情况的重要信息。遥感技术具有可迅速获得地表宏观信息的特点，被广泛应用于地表植被覆盖度的估算[1-2]，其中基于植被指数的估算方法是目前最常用的方法[3-11]。植被覆盖度估算结果的好坏与植被指数的选择、植被指数转换为植被覆盖度的方法等密切相关。应用归一化差值植被指数(normalized difference vegetation index，NDVI)来估算植被覆盖度的研究较多[3-8,11-16]，如Wittch等[12]建立了NDVI和植被覆盖度的回归模型。但有关其估算精度问题，Jiang等[17]对NDVI代入模型所存在的误差问题进行了公式推导；Small[13]研究发现，在中等植被覆盖度时计算的 NDVI 随着叶面积指数(leaf area index，LAI) 的增加逐渐趋于饱和，并且会高估植被密度较高区域周围零散分布的植被区的覆盖度，这种现象主要是由于阴影对NDVI的影响造成的[9]。广大南方丘陵地区地形复杂，大部分的植被指数都没有考虑地形的影响。江洪等[18]参照森林郁闭度制图模型(forest canopy density mapping model,FCD)构建了复合植被指数，在一定程度上可以削弱阴影和土壤背景等的影响，并应用于长汀植被覆盖度的估算。但复合植被指数消弱的阴影主要是物体的落影，而非地形引起的阴影。近几年，针对地形的阴影消除，江洪等提出了地形调节植被指数(topography adjusted vegetation index，TAVI)[19-20]，该指数利用遥感影像本身的信息，采用非线性组合的方法实现对山体阴坡部分植被指数值的非线性补偿，对山体阳坡部分植被指数值的非线性压制，有效降低植被指数值与太阳入射角余弦值的相关性，恢复植被指数在复杂地形山区的正常分布。TAVI在多种地形条件下都有明显的抗地形效果[21]。

本文以福建省长汀县作为研究区，探讨在南方丘陵地区复杂地形条件下TAVI对植被覆盖度的估算效果。

1 研究区概况及数据源

福建省长汀县位于福建省西部山区，介于25°18′40″～26°02′05″N，116°00′45″～116°39′20″E之间，地处武夷山南麓，南与广东近邻，西与江西接壤。研究区内的坡度范围为0°～87.7°，平均坡度17.3°，地形复杂，山势较高。

研究采用的遥感数据为2010年3月28日获取的ALOS多光谱影像，空间分辨率为10 m。影像的预处理包括辐射定标得到影像的表观反射率，之后进行几何纠正，并保证纠正误差在0.5像元之内，最后进行镶嵌并裁剪出研究区范围。

2 TAVI计算与抗地形效果分析

地形调节植被指数TAVI的构建利用了多光谱影像中红波段数据对复杂地形条件下不同地物反射率差异具有独特的识别功能，通过与近红外波段的非线性组合，计算出能有效消除山区地形影响的植被指数信息。计算式为[19-20]

(1)

式中：CVI(conventional vegetation index)为常用的植被指数；f(Δ)为地形条件因子；Rmax为研究区内红光波段像元最大值；R为红光波段像元值。本文CVI采用最常用的NDVI计算，因此式(1)可写为

(2)

f(Δ)是地形调节植被指数中消除地形影响的关键因子，通常采用“极值优化”的算法获得。针对山区植被生长与分布的实际情况，给出f(Δ)的一种“寻优匹配”求解方法。假定地形对山区阴坡/阳坡的影响在式(2)中满足线性关系，由f(Δ)函数关系简化为常系数关系，则f(Δ)可由以下步骤计算求解： 首先进行分类，利用非监督分类或监督分类法，划分多光谱遥感影像中山体的阴坡和阳坡；然后进行目标识别；借助地面调查资料、实地考察数据、航拍资料或者高分辨率卫星影像数据等核实阴坡与阳坡植被的均质性，识别阴坡与阳坡植被一致的部分及其空间分布范围；最后，进行优化匹配，令f(Δ)从0开始，依次递增，并观察TAVI在样区阴坡与阳坡植被一致部分的植被指数值变化，当二者相等时，即可确定f(Δ)的最优结果。

对2010年3月的ALOS影像进行几何纠正、辐射校正等预处理之后，分别计算NDVI和TAVI灰度图像(图1)，局部区域放大如图2所示。

(a) NDVI (b) TAVI

图1 长汀县植被指数灰度图

Fig.1 Vegetation indexes in Changting County

(a) 样区Ⅰ 原始ALOS影像(b) 样区Ⅰ NDVI(c) 样区Ⅰ TAVI

图2-1 局部区域植被指数分布(图例与图1相同)

Fig.2-1 Subset images of vegetation indexes

(d) 样区Ⅱ 原始ALOS影像(e) 样区Ⅱ NDVI(f) 样区Ⅱ TAVI

(g) 样区Ⅲ 原始ALOS影像(h) 样区Ⅲ NDVI(i) 样区Ⅲ TAVI

图2-2 局部区域植被指数分布(图例与图1相同)

Fig.2-2 Subset images of vegetation indexes

从图1和图2可以看出，NDVI与TAVI灰度图像总体分布相似，主要的区别在山体的阴坡和阳坡。与多光谱图像相比，NDVI灰度图像地形纹理清晰明显，而TAVI灰度图像则没有明显的地形纹理。同时，TAVI灰度图像中的其他地物的真实特征并未改变。可见，使用TAVI指数能在有效消除地形干扰的同时保证其他地物特征得到较真实反映。

大量资料证明，太阳入射角余弦值与影像亮度之间具有相关性可以定量说明TAVI的抗地形效果。建立植被指数值与太阳入射角余弦值cosi的一元线性回归方程，提取方程斜率k，并计算植被指数值与太阳入射角余弦值的相关系数r,太阳入射角余弦值的计算公式为[21]

cosi=cosδcosθ+sinθcos(β-ω),

(3)

式中：i为太阳入射角；δ，β分别为地型的坡度和坡向角，可直接从1∶5万坡度、坡向图中获取；θ，ω分别为影像获取时的太阳天顶角与太阳方位角, 可从遥感影像头文件中获取。样区NDVI-cosi与TAVI-cosi散点图如图3所示。

图3 样区NDVI-cos i散点图(左)与TAVI-cos i散点图(右)

Fig.3 Scatter diagram ofNDVI-cosi(left)andTAVI-cosi(right)

从图3可以看出，TAVI-cosi线性拟合方程的斜率为0.038，相关系数约为 0.007，相较于NDVI-cosi线性拟合的结果其斜率与相关系数都大幅降低，表明TAVI的抗地形效果较为明显。

另外，在影像上选取同一山体阴阳坡植被覆盖程度相当的地区作为样区，分别标号1～10，提取NDVI和TAVI在该区域内的均值，并计算差异值,即

(4)

(5)

(6)

式中：NDVIrd表示NDVI的相对差异；TAVIrd表示TAVI的相对差异。由于阴坡受到阴影的影响，数值均小于阳坡的值，故以阳坡的植被指数为标准进行比较分析[18]，计算结果如表1。

表1 阴坡与阳坡NDVI和TAVI比较Tab.1 Comparison of NDVI and TAVI between shade and sunny slopes

根据表1的计算结果可见，同一山体的阴坡和阳坡在植被覆盖程度类似的情况下，样区的NDVIrd>TAVIrd，其中NDVIrd平均值为41.35%，TAVIrd平均值为10.49%，两者相对差异比的平均值为4.5，表明TAVI较好地消除了阴坡和阳坡的差异，有较明显的抗地形效果。

3 基于像元二分模型的覆盖度估算与分析

像元二分模型对于植被覆盖度估算的应用广泛，计算方法简便，结果可靠。其构建思想是假设一个像元的信息S可被分解为土壤(Ss)和植被(Sv)2部分，有植被覆盖的面积比例为该像元的植被覆盖度fc，而土壤覆盖面积的比例就为1-fc。假设像元信息全由植被成分贡献的信息为Sv，全由土壤覆盖的纯像元所得遥感信息为Ss，二者的权重为它们在像元中所占比例的面积，分析假设像元只包含植被和土壤2种成分，若超过2种组成成分以上的像元，公式必须进行修正。变换后的计算植被覆盖度计算公式[22-23]为

fc=(S-Ss)/(Ss-Sv)。

(7)

运用二分模型法估算植被覆盖度的重点在于： ①选取恰当的植被指数，该植被指数能较准确地反映研究区范围内的植被信息和非植被信息；②正确估算Sv和Ss参数,其值对估算结果十分重要。

根据计算好的NDVI和TAVI，将其分为10个等级，剔除假最大、最小值后确定Sv和Ss。为增加2者的可比性，尽量选择同一地点计算Sv和Ss。

根据植被覆盖度的计算公式，获得基于NDVI和TAVI指数估算的植被覆盖度灰度图像，并根据覆盖度的高低分为10个等级，见图4，局部放大图见图5。

(a) 基于NDVI估算的植被覆盖度 (b) 基于TAVI估算的植被覆盖度

图4 长汀县植被覆盖度分布

Fig.4 Vegetation coverage maps in Changting County

(a) 样区Ⅳ 原始ALOS影像(b) 样区Ⅳ NDVI植被覆盖度分级(c) 样区Ⅳ TAVI植被覆盖度分级

(d) 样区Ⅴ 原始ALOS影像(e) 样区Ⅴ NDVI植被覆盖度分级(f) 样区Ⅴ TAVI植被覆盖度分级

(g) 样区Ⅵ 原始ALOS影像(h) 样区Ⅵ NDVI植被覆盖度分级(i) 样区Ⅵ TAVI植被覆盖度分级

图5 典型区域植被覆盖度分级图像(图例与图4相同)

Fig.5 Multispectral images of vegetation coverage (NDVI or TAVI) classification

从图4、图5可以看出，基于NDVI和TAVI估算的植被覆盖度，总体分布大致相同，在植被覆盖度低的区域，二者的估算结果基本相同(图5(a)—(c))；而在植被茂密区域，TAVI的估算结果高于NDVI(图5(d)—(f))。另外，在植被覆盖度大致相同的山体两侧，基于NDVI估算的植被覆盖度阴阳坡的估算结果差异较为明显，而基于TAVI估算的山体两边的植被覆盖度受地形影响较小(图5(g)—(i))。选择与表1中相同样区分析比较阴阳坡间植被覆盖度，计算方法也与上文相同，结果见表2。

表2 基于NDVI和TAVI的阳坡与阴坡植被覆盖度比较分析Tab.2 Comparion of vegetation coverages in shade and sunny slopes based on NDVI and TAVI

表2显示的结果与表1类似，基于NDVI的植被覆盖度阴坡和阳坡之间的平均相对差异值均大于基于TAVI的结果，至少相差2倍以上，大的接近8倍，相对差异比的平均值为3.7；基于NDVI的阴坡与阳坡差异大部分在10%～30%之间，最大的为34.6%，平均约17%；基于TAVI的植被覆盖度阴坡与阳坡差异都小于15%，平均相对差异值约为6%。因此TAVI可以较好地消除地形影响和削弱地形阴影干扰，有效提高阴坡植被覆盖度的精度，减少阴坡和阳坡植被覆盖度估算的差异。

4 精度验证

通过实地考察的方式验证基于NDVI和TAVI 2种指数的植被覆盖度的估算精度。根据研究区的特点规划考察路线，应用GPS、数码相机等进行实地采点并目估其植被覆盖度。将实际目估的结果与基于2种植被指数估算出的植被覆盖度进行比较，验证植被覆盖度的估算精度是否满足实际应用的需求。验证样区选取了考察路线中植被覆盖程度不同的20个地区，分别命名A～T，并利用

(8)

计算出相对误差，计算得到的验证结果见表3。

表3 基于2种植被指数估算植被覆盖度精度验证Tab.3 Accuracy of vegetation coverage based on two vegetation indexes

表3的统计结果显示，二者的平均相对误差值分别为14.9%(TAVI)和25.4%(NDVI)，基于TAVI指数估算的植被覆盖度精度高于基于NDVI的估算结果，精度约为85%，能够满足实际应用的需求。

分别以阴坡和阳坡区域的估算精度进行分析，选取10个位于同一山体阴阳坡植被覆盖度大致相同的高植被覆盖度区域的样区，分别命名a～j，验证基于2种指数估算的植被覆盖度在地形复杂的南方丘陵地区的应用效果。验证和比较结果见表4，其中植被覆盖度的估算值取考察点附近区域的平均值。

表4 阴坡和阳坡植被覆盖度精度验证Tab.4 Accuracy of vegetation coverage between shade and sunny slopes

从表4可以看出，选取的10个验证点在阳坡区域，基于NDVI估算出的植被覆盖度的平均误差为13.7%，基于TAVI估算的植被覆盖度平均误差为11.5%，精度相差不大；在阴坡区域，基于NDVI估算的植被覆盖度平均误差为26.9%，而基于TAVI估算的植被覆盖度平均误差为14.1%。表明利用TAVI进行植被覆盖度的估算可以显著提高阴坡植被覆盖度的估算精度，从而能有效消除地形引起的植被覆盖度差异。

5 结论

1)与NDVI相比，TAVI具有较强的抗地形效果，能消除地形纹理，降低阴坡阳坡之间的差异。

2)基于TAVI估算的植被覆盖度总体上的相对误差均小于基于NDVI指数估算的植被覆盖度，两者在阳坡的估算精度相差不大，在阴坡的估算精度TAVI远大于NDVI的估算结果。

3)基于TAVI指数估算的植被覆盖度更加接近真实情况，能有效提高阴坡区域的估算精度，减少阴坡和阳坡仅由于地形差异造成的植被覆盖度不同。

4)TAVI指数应用简便，仅仅通过波段间的组合即可消除地形干扰，不受其他条件限制，也不针对于特定传感器，容易推广应用至其他区域，具有较高的实用意义。

[1] Bannari A,Morin D,Bonn F,et al.A review of vegetation indices[J].Remote Sensing Reviews,1995,13(1/2):95-120.

[2] Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment,2002,80(1):76-78.

[3] 程红芳,章文波,陈锋.植被覆盖度遥感估算方法研究进展[J].国土资源遥感,2008,20(1):13-18. Cheng H F,Zhang W B,Chen F.Advances in researches on application of remote sensing method to estimating vegetation coverage[J].Remote Sensing for Land and Resources,2008,20(1):13-18.

[4] Godínez-Alvarez H,Herrick J E,Mattocks M,et al.Comparison of three vegetation monitoring methods:Their relative utility for ecological assessment and monitoring[J].Ecological Indicators,2009,9(5):1001-1008.

[5] 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,2011,23(2):115-118. Guo Y C,He Y,Li X.Remote sensing inversion of vegetation coverage and optimization of vegetation index based on MODIS data in arid area[J].Remote Sensing for Land and Resources,2011,23(2):115-118.

[6] Barati S,Rayegani B,Saati M,et al.Comparison the accuracies of different spectral indices for estimation of vegetation cover fraction in sparse vegetated areas[J].The Egyptian Journal of Remote Sensing and Space Science,2011,14(1):49-56.

[7] 游浩妍,骆成凤,刘正军,等.基于MODIS植被指数估算青海湖流域植被覆盖度研究[J].遥感信息,2012,27(5):55-60,66. You H Y,Luo C F,Liu Z J,et al.Estimation vegetation coverage based on vegetation index of MODIS data in Qinghai Lake watershed[J].Remote Sensing Information,2012,27(5):55-60,66.

[8] Boyd D S,Foody G M,Ripple W J.Evaluation of approaches for forest cover estimation in the Pacific Northwest,USA,using remote sensing[J].Applied Geography,2002,22(4):375-392.

[9] 徐爽,沈润平,杨晓月.利用不同植被指数估算植被覆盖度的比较研究[J].国土资源遥感,2012,24(4):95-100. Xu S,Shen R P,Yang X Y.A comparative study of different vegetation indices for estimating vegetation coverage based on the dimidiate pixel model[J].Remote Sensing for Land and Resources,2012,24(4):95-100.

[10]Chen W,Sakai T,Moriya K,et al.Estimation of vegetation coverage in semi-arid sandy land based on multivariate statistical modeling using remote sensing data[J].Environmental Modeling and Assessment,2013,18(5):547-558.

[11]Neigh C S R,Tucker C J,Townshend J R G.North American vegetation dynamics observed with multi-resolution satellite data[J].Remote Sensing of Environment,2008,112(4):1749-1772.

[12]Wittich K-P,Hansing O.Area-averaged vegetative cover fraction estimated from satellite data[J].International Journal of Biometeorology,1995,38(4):209-215.

[13]Small C.Estimation of urban vegetation abundance by spectral mixture analysis[J].International Journal of Remote Sensing,2001,22(7):1305-1334.

[14]廖春华,张显峰,孙权,等.基于HJ-1高光谱数据的植被覆盖度估测方法研究[J].遥感信息,2011(5):65-70. Liao C H,Zhang X F,Sun Q,et al.Fractional vegetation cover estimation using HJ-1 spaceborne hyperspectral data[J].Remote Sensing Information,2011(5):65-70.

[15]Höpfner C,Scherer D.Analysis of vegetation and land cover dynamics in north-western Morocco during the last decade using MODIS NDVI time series data[J].Biogeosciences,2011,8:3359-3373.

[16]刁兆岩,徐立荣,冯朝阳,等.呼伦贝尔沙化草原植被覆盖度估算光谱模型[J].干旱区资源与环境,2012,26(2):139-144. Diao Z Y,Xu L R,Feng C Y,et al.The Ground Spectral Model for estimating vegetation coverage on desertified grassland,Hulunbeier,Inner Mongolia,China[J].Journal of Arid Land Resources and Environment,2012,26(2):139-144.

[17]Jiang Z Y,Huete A R,Chen J,et al.Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction[J].Remote Sensing of Environment,2006,101(3):366-378.

[18]江洪,王钦敏,汪小钦.福建省长汀县植被覆盖度遥感动态监测研究[J].自然资源学报,2006,21(1):126-132,166. Jiang H,Wang Q M,Wang X Q.Dynamic monitoring of vegetation fraction by remote sensing in Changting County of Fujian Province[J].Journal of Natural Resources,2006,21(1):126-132,166.

[19]江洪,毛政元,汪小钦.地形调节植被指数及其在森林动态监测中的应用[J].北京林业大学学报,2011,33(5):8-12. Jiang H,Mao Z Y,Wang X Q.A topography-adjusted vegetation index(TAVI) and its application in dynamic forest monitoring[J].Journal of Beijing Forestry University,2011,33(5):8-12.

[20]江洪,汪小钦,吴波,等.地形调节植被指数构建及在植被覆盖度遥感监测中的应用[J].福州大学学报:自然科学版,2010,38(4):527-532. Jiang H,Wang X Q,Wu B,et al.A topography-adjusted vegetation index(TAVI) and its application in vegetation fraction monitoring[J].Journal of Fuzhou University:Natural Science,2010,38(4):527-532.

[21]肖能文,江洪,汪小钦,等.地形调节植被指数的抗地形效果验证[J].遥感信息,2013,28(4):75-80. Xiao N W,Jiang H,Wang X Q,et al.Verification of topographic elimination performance for topography-adjusted vegetation index[J].Remote Sensing Information,2013,28(4):75-80.

[22]吕长春,王忠武,钱少猛.混合像元分解模型综述[J].遥感信息,2003(3):55-58,60. Lü C C,Wang Z W,Qian S M.A review of pixel unmixing models[J].Remote Sensing Information,2003(3):55-58,60.

[23]Ichoku C,Karnieli A.A review of mixture modeling techniques for sub-pixel land cover estimation[J].Remote Sensing Reviews,1996,13(3/4):161-186.

(责任编辑： 李瑜)

Estimation of vegetation coverage based on topography-adjusted vegetation index (TAVI) in Changting County, Fujian Province

LIU Yadi1,2， WANG Xiaoqin1,2， JIANG Hong1,2

(1.KeyLaboratoryofSpatialDataMining&InformationSharingofMinistryofEducation,FuzhouUniversity,Fuzhou350002,China; 2.SpatialInformationResearchCenterofFujianProvince,Fuzhou350002,China)

Vegetation indexes, such as Normalized Difference Vegetation Index (NDVI), are used widely in estimating vegetation coverage using remote sensing imagery. However, most of them do not take topographic effects into account, particular in rugged areas. In this research, a study area was selected in Changting County, Fujian Province. The authors adopted Topography-Adjusted Vegetation Index (TAVI) to eliminate the topographic effects, and utilized dimidiate pixel model to estimate the vegetation coverage of this area. To investigate the effectiveness of TAVI for the elimination of topographic effects, the authors compared vegetation coverages estimated on the basis of TAVI with those using NDVI. A comparative analysis of visual effect and statistical indicators showed that the accuracy of vegetation coverage estimated by TAVI outperformed NDVI-dependent estimation. In sunny areas, the results from TAVI and NDVI were similar, while in shade areas, the results from TAVI were much better than those from NDVI. TAVI can effectively alleviate the estimation difference between shade and sunny areas and improve the estimation accuracy in shade areas.

vegetation coverage; topography-adjusted vegetation index (TAVI); normalized difference vegetation index (NDVI)

2013-11-05；

2014-01-11

国家科技支撑项目(编号： 2013BAC08B01)及福建省自然科学基金项目(编号： 2012J01166，2013J01158)共同资助。

10.6046/gtzyyg.2015.01.26

刘亚迪，汪小钦，江洪.基于地形调节植被指数估算长汀县植被覆盖度[J].国土资源遥感，2015,27(1)：164-171.(Liu Y D，Wang X Q，Jiang H.Estimation of vegetation coverage based on topography-adjusted vegetation index (TAVI) in Changting County, Fujian Province[J].Remote Sensing for Land and Resources,2015,27(1)：164-171.)

TP 79

A

1001-070X(2015)01-0164-08

刘亚迪(1988 -)，女，硕士研究生，主要从事遥感信息处理与应用研究。Email： mailgrape@163.com。

汪小钦(1972-)，女，研究员，硕士生导师，主要从事遥感图像处理和资源环境遥感应用研究。Email： wangxq@fzu.edu.cn。