APP下载

宽波段遥感植被指数研究进展综述

2015-12-03赵登忠向大享

长江科学院院报 2015年1期
关键词:植被指数覆盖度红光

李 喆,胡 蝶,赵登忠,向大享

(1.长江科学院空间信息技术应用研究所,武汉 430010;2.长江水利委员会网络与信息中心,武汉 430010)

1 研究进展

随着对地观测技术水平的不断提高,多源多尺度、高分辨率传感器的不断涌现,为地表资源环境管理提供了新的工具。卫星遥感技术在地表资源环境管理与分析中的一大应用方向是地表绿色植被信息检测与定量评估,其中最为核心的是植被生长结构和空间格局的变化分析。植被指数是遥感监测地表植被生长信息的一种数值表达,能有效地描述绿色植物长势和生物量信息,并将其与土壤、水体等背景相区别。遥感影像主要是由可见光(红光、绿光、蓝光)、近红外、热红外、微波等多个光谱波段构成的。绿色植被叶片与地物光谱特性关系密切,特别是在可见光、近红外波段具有特殊的光谱反射特性[1]。由于绿色植被叶片富含叶绿素,而叶绿素在可见光波谱段的某些区域(中心波长约450 nm和650 nm)表现出强烈的吸收效应,因此植被叶片在可见光波段的蓝色光区域(中心波长约为450 nm)和红色光区域(中心波长约为650 nm)的反射率很低;植被叶片内部结构(海绵组织细胞和背面细胞)在近红外波段(中心波长约为850 nm)具有较高的反射效应,使得植被叶片在近红外波段的反射率较高。从可见光到近红外波段,裸露土壤反射率基本保持不变,其变化幅度很小。基于这一特性,采用强化可见光和近红外波段光谱反射率差异性的数学方法,可作为描述地表植被生长状况的有效参数。

自从20世纪60年代以来,植被指数一直是植被遥感、农业遥感、资源环境遥感的一大研究热点,出现了许多模型。近些年来,以高空间分辨率、高辐射分辨率为特征的高光谱传感器发展迅速,出现了许多基于高光谱影像的植被指数。为了与之相区分,本文将传统的、基于多光谱遥感影像的植被指数称为宽波段植被指数,并进行重点研究。有人从数值计算的角度出发,将宽波段植被指数分为斜率型和距离型2大类型[1-2]。本文深入分析国内外植被指数模型研究进展,仔细挑选十余种常用的宽波段植被指数模型,将其划分为数值计算型、土壤调节型和大气调节型3大类型(见表1),分别评价其模型原理、方法和适用范围,并对其存在的问题和发展方向进行较为深入的探讨。

2 数值计算型植被指数

在宽波段植被指数模型计算中,常用的地物光谱波段是红光波段和近红外波段。数值计算型植被指数是红光波段和近红外波段的简单数学组合。

表1 宽波段植被指数Table 1 Broadband vegetation indices(VIs)

2.1 比值型植被指数

2.1.1 比值植被指数(RVI)

RVI模型通过比值计算突出了红光波段和近红外光波段反射率的差异性。当遇到红光波段反射率较低和热红外波段反射率较高的情况时,模型计算值较大。当植被覆盖度较低时,RVI数值很低,其分辨能力很弱;当植被覆盖度增大时,由于红光反射辐射很低,RVI数值将无限增长。因此,要注意排除红光波段反射率特别小(如接近于0)的情况。

2.1.2 归一化差值植被指数(NDVI)

NDVI模型将绿色植被信息与土壤背景等信息相区分,已成为最常用的一种植被指数。该模型的计算值位于-1和1之间,其中0和负值代表无植被覆盖的表面。该模型能减小地形地貌的干扰,而且克服了红光波段反射率特别小(接近于0)的情况,但在高植被覆盖区容易出现饱和现象,也没有考虑土壤背景的干扰。

2.1.3 转换植被指数(TVI)

利用求平方根操作,TVI模型将NDVI模型计算值从泊松分布转换到正态分布。通过引入常数(0.5),TVI将NDVI可能取到的负值转换成正值,使得其值域范围为(0,1)。实际上,从影像输出和植被信息提取的角度上看,NDVI与TVI没有显著的差别。

2.1.4 宽动态植被指数(WDRVI)

在中高植被覆盖度条件下,NDVI模型出现了“饱和”效应,即当叶面积指数(LAI)超过2时,红光波段反射率基本保持不变,而近红外波段反射率显著上升。WDRVI模型引入权重因子 (0.1-0.2),使得中高植被覆盖度条件下(叶面积指数在2至6之间),该模型和叶面积指数(LAI)基本保持线性相关。

2.2 差值型植被指数

2.2.1 差值植被指数(DVI)

DVI模型通过差值计算突出了红光波段和近红外光波段反射率的差异性。当遇到红光波段反射率较低和热红外波段反射率较高的情况时,模型计算值较大。模型计算值大于0代表植被覆盖,而计算值小于等于0代表裸露地表或水体。

2.2.2 加权差值植被指数(WDVI)

WDVI模型引入土壤基线的斜率 ,增加近红外波段的植被信号,减小红光波段的土壤亮度等背景信息,以达到将植被信息与土壤背景相区别的目标。模型计算值大于0代表植被覆盖,而计算值小于等于0代表裸露地表或水体。

2.2.3 再归一化植被指数(RDVI)

RDVI模型是对于NDVI和DVI模型的进一步完善。当遇到红光波段反射率较低和热红外波段反射率较高的情况时,模型计算值较大。但该模型只能计算有植被覆盖的情况,对于无植被覆盖(裸露地表或水体)则无能为力。

2.3 模型评价

数值计算型植被指数是最简单的植被指数,也是使用最为广泛的植被指数。由于其模型仅仅是多波段数据的简单数学组合,缺乏相应的物理学基础,其模型计算值的物理意义并不清楚。虽然比值形式能够在某种程度上消除大气干扰的影响,但对大气的校正作用有限,因此该类模型无法彻底去除土壤背景和大气等干扰,难以与生态物理学定量参数进行对比分析,其深入应用能力有限。

3 土壤调节型植被指数

有研究表明,将红光-近红外波段(Red-NIR)图像灰度值构建空间散点图,发现裸露土壤的空间分布基本上近似于一条直线(即土壤基线)[8]。位于该土壤基线附近的散点,代表着裸露土壤或植被覆盖度较低的地区。土壤基线概念的提出,为遥感混合象元中进一步区分植被、土壤信息提供了新的依据。

3.1 垂直植被指数

PVI模型实际上是红光-近红外波段散点图中任意一点到土壤基线的垂直距离,能在一定程度上减少土壤背景的影响。当遇到红光波段反射率较低和热红外波段反射率较高的情况时,模型计算值较大。模型计算值大于0代表植被覆盖,而计算值等于0代表裸露地表或水体。该模型受土壤亮度的影响较小,适用于植被覆盖度较高的地区。

3.2 土壤调节植被指数

3.2.1 土壤调节植被指数(SAVI)

基于土壤基线的概念,SAVI模型是NDVI模型的一个改进。植被冠层调节因子L是一个可适当描述土壤-植被系统的简单模型,能减小土壤等背景信息,增加植被信号。参数L描述了土壤反射特性,并且与植被覆盖度关系密切。当植被覆盖度较低时,推荐L值为1.0;当植被覆盖率中等时,推荐L值为0.5;当植被覆盖度较高时,推荐L值为0.25。若L=0,SAVI=NDVI;若 L=1,SAVI接近于 PVI。有研究表明,SAVI降低了土壤背景的影响,但可能丢失部分植被覆盖信息,导致植被指数数值偏低[1]。

3.2.2 转换型土壤调节植被指数(TSAVI)

SAVI模型的基本假设是土壤基线的斜率和截距为常数(即M=1和I=0)。但由于下垫面实际情况的复杂性,土壤基线的常数假设往往并不成立。借鉴PVI的思路,将M和I代入SAVI中,得到TSAVI模型。在低植被覆盖度条件下,即LAI取小值时,TSAVI随LAI的变化更接近PVI;在高植被覆盖度条件下,即LAI取大值时,TSAVI随LAI的变化更接近于NDVI。由于考虑土壤基线的概念,低植被覆盖区TSAVI比NDVI具有更好的指示作用,适用于半干旱地区植被监测[1]。

3.2.3 修正型土壤调节植被指数(MSAVI)

由于NDVI和WDVI对土壤背景的影响是相反的,黑色土壤(潮湿土壤)NDVI值偏低而WDVI值偏高。为了在不同植被覆盖度条件下修正土壤亮度信息,构造植被冠层调节因子函数L',使其数值与NDVI和WDVI变化相反,可随植被覆盖度变化而自动调节,能较好地消除土壤背景对植被指数的干扰。引入植被冠层调节因子函数L',构建MSAVI模型,能提高植被生物量信息,减小土壤背景信息,适用于高植被覆盖度地区。

3.2.4 优化型土壤调节植被指数(OSAVI)

在消除土壤背景等方面,综合比较NDVI、SAVI、TSAVI、MSAVI和 GEMI等模型,发现存在一个与植被覆盖度条件无关的优化常数θ(0.16),并将其引入OSAVI模型中。该模型简单实用,避免土壤基线参数的复杂计算,能较好地消除土壤背景等干扰。

3.2.5 综合型土壤调节植被指数(GESAVI)

引入土壤调节因子Z构建GESAVI模型,其中土壤调节因子Z是由红光波段土壤基线和植被等值线的交点所确定的。该模型等值线既不平行于土壤基线(PVI),又不通过坐标原点(NDVI),其交汇点也不一定位于NIR-Red特征空间角度等分线上。该模型计算方法复杂,对于土壤亮度、颜色等背景均不敏感,适宜于各种土壤背景状况下植被监测。

3.3 全球环境监测指数

全球环境监测指数(GEMI)是一种非线性形式的植被指数。通过引入调节因子η,降低大气干扰,较好地分离云和陆地表面,并保存了比NDVI指数更大的动态变化范围,增强植被覆盖信息。但有研究发现,在植被覆盖度较低的地区,土壤背景对于GEMI模型的影响仍然较为显著,该模型不具备彻底消除土壤背景和大气干扰的能力[12]。该模型计算方法比较复杂,适用于全球大范围植被长势监测,动态分辩率比较低。

3.4 模型评价

土壤调节型植被指数也是使用较为广泛的植被指数。该类模型充分考虑遥感红光-近红外波段散点图中土壤、植被等空间分布规律,引入土壤调节因子来突出植被信息,减少土壤背景的干扰。值得注意的是,土壤基线的假设是一种理想状态下的推论,实际上土壤基线的曲线形状和性质随土壤质地、土壤类型、土壤颗粒结构和有机质含量有关,严格地说土壤基线甚至不一定是一条直线。因此,该类模型计算值的物理意义不完全明确,难以彻底去除土壤背景和大气等干扰。

4 大气调节型植被指数

红光波段和近红外波段反射率较高,能够较好地反映植被、土壤等地表信息,而蓝光波段透射率较高,能够较好地反映大气状况。因此,设计恰当的波段组合算法,综合使用蓝光、红光和近红外波段信息,可减少大气气溶胶等对植被生物量的干扰,所组成的宽波段植被指数可提高植被长势监测精度,降低土壤背景和大气干扰等影响[16]。

4.1 抗大气植被指数

由于大气气溶胶的散射交叉部分具有波长依赖性,抗大气植被指数(ARVI)和土壤调节和抗大气植被指数(SARVI)通过定义蓝光和红光通道的辐射差别修正红光通道的辐射值,作为衡量大气干扰的指标。引入大气辐射订正系数γ,使得ARVI模型适用于不同的气溶胶条件,其中最理想状态γ=1,沙漠灰尘气溶胶占优势区域γ=0.5为宜。有研究表明,ARVI模型对大气的敏感性比 NDVI约减小4倍[17]。但该模型计算时需要输入的大气实况参数往往难以及时获得,这给实际应用带来一定困难。

4.2 大气影响抗阻植被指数

IAVI模型与ARVI模型的区别在于大气下行辐射订正系数γ↓。ARVI模型假设γ↓始终等于1,而IAVI模型考虑γ↓不等于1的情况。实验观测表明,γ↓数值是在0.65~1.21之间变化的,而且大气对IAVI影响的数值误差为0.4% ~3.7%,比NDVI的14% ~31%明显减小[18]。该模型不必采用辐射传输模型进行预处理,比NDVI有明显的抗大气影响效果,其计算效率优于ARVI模型。

4.3 增强型植被指数

从算法形式上看,EVI是SAVI和 ARVI的组合。引入大气调节因子(C1=6、C2=7.5),使用蓝光波段来修正红光波段大气气溶胶的散射效应,采用ARVI模型减小大气气溶胶的影响;引入土壤调节因子(L=1或1.5),采用SAVI模型减少土壤背景的干扰[20]。EVI模型已成为MODIS陆地学科组推荐使用的MODIS全球植被指数产品生成算法,适用于高植被覆盖度地区植被监测。

4.4 模型评价

大气调节型植被指数是很有发展潜力的植被指数。该类模型借鉴于热红外遥感“分裂窗”算法原理,充分利用大气气溶胶散射效应具有的波长依赖性,定义蓝光和红光通道的辐射差别修正红光通道的辐射值作为衡量大气干扰的指标。引入大气调节因子来突出植被信息,减少大气气溶胶的影响。事实上,该类模型仍然难以彻底去除大气的干扰,而且无法达到同时消除土壤背景和大气干扰的作用,其模型计算值的物理意义仍然并不完全明确。

5 结语

植被指数是卫星遥感监测绿色植被生物量和长势状况的一种数值表达,能有效地描述地表绿色植被信息,并将其与土壤、水体等背景相区别。目前,宽波段植被指数模型研究已经从纯粹数值计算型走向影响因素分析型,出现了土壤调节型和大气调节型等多种植被指数,受到国内外学术界的广泛关注。

(1)从模型原理上看,土壤调节型植被指数通过引入土壤调节因子来降低土壤亮度等背景干扰,而大气调节型植被指数通过定义蓝光和红光通道的辐射差别来减少大气气溶胶的影响。这些模型只是部分降低土壤亮度或大气气溶胶等干扰,并不能完全去除土壤和大气等影响,其模型计算值的物理意义仍不完全明确。

(2)从模型算法上看,数值计算型植被指数是多个波段组合运算,简单方便,计算效率较高;而土壤调节型和大气调节型植被指数需要大量的土壤、气象同步观测资料支持,计算过程较为复杂,算法效率较差。

(3)从模型应用上看,由于植被光谱受到植被长势、环境背景条件、大气状况等多因素的制约,植被指数模型应用往往具有明显的地域性和时效性,在不同领域的应用效果差别很大。在实际应用中,对于植被指数模型取舍需要相当认真、慎重,不能生搬硬套。

(4)以大气辐射传输模型为基础,综合应用多角度、多波段、多时相、多分辨率卫星遥感影像,构建具有一定的物理学意义、能够同时去除土壤背景和大气干扰等的新型植被指数模型,仍然值得下一步深入研究。高光谱遥感、热红外遥感、微波遥感等进一步发展,将在未来地表植被长势监测和生物量估算中发挥越来越重要的作用。

[1]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.(TIAN Qing-jiu,MIN Xiang-jun.Advances in Study on Vegetation Indices[J].Advance in Earth Science,1998,13(4):327 -333.(in Chinese))

[2]JACKSON R D,HUETE A R.Interpreting Vegetation Indices[J].Preventive Veterinary Medicine,1991,11:185-200.

[3]BIRTH G S,MCVEY G.Measuring the Color of Growing Turf with a Reflectance Spectrophotometer[J].Agronomy Journal,1968,60:640 -643.

[4]ROUSE J W,HASS R H,DEERING D W,et al.Monitoring the VernalAdvancementand Retrogradation(Green Wave Effect)of Natural Vegetation:NASA/GSFC Type III Final Report,Greenbelt,MD.[R].US:NASA,1974:371.

[5]DEERING D W,ROUSE J W,HASS R H,et al.Measuring“Forage Production”of Grazing Units From Landsat MSS Data[C]∥Proceedings of the 10th International Symposium on Remote Sensing of Environment,Ann Arbor,October 6-10,1975:1169-1178.

[6]GITELSON A.A Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation[J].Journal of Plant Physiology,2004,161(2):165-173.

[7]JORDAN C F.Derivation of Leaf Area Index from Quality of Light on the Forest Floor[J].Ecology,1969,50:663-666.

[8]RICHARDSON A J,WIEGAND C L.Distinguishing Vegetation from Soil Background Information[J].Photogramnetric Engineeringand RemoteSensing, 1977,43(12):1541-1552.

[9]ROUJEAN J L,BREON F M.Estimating PAR Absorbed by Vegetation from Bidirectional Reflectance Measurements[J].Remote Sensing of Environment,1995,51:375-384.

[10]HUETE A R.A Soil-Adjusted Vegetation Index(SAVI)[J].Remote Sensing of Environment,1988,25(3):295-309.

[11]BARET F,GUYOT G.Potentials and Limits of Vegetation Indices for LAI and APAR Assessment[J].Remote Sensing of Environment,1991,35(2/3):161 -173.

[12]QI J,CHEHBOUNI A,HUETE A R,et al.A Modified Soil Adjusted Vegetation Index[J].Remote Sensing of Environment,1994,48(2):119 -126.

[13]RONDEAUX G,STEVEN M,BARET F.Optimization of Soil-adjusted Vegetation Indices[J].Remote Sensing of Environment,1996,55(2):95 -107.

[14]GILABERT M A,PIQUERAS J G,HARO F J,et al.A Generalized Soil-adjusted Vegetation Index[J].Remote Sensing of Environment,2002,82(2/3):303 -310.

[15]PINTY B,VERSTRAETE M M.GEMI:A Non-linear Index to Monitor Global Vegetation from Satellites[J].Vegetation,1992,101(1):15-20.

[16]罗 亚,徐建华,岳文泽.基于遥感影像的植被指数研究方法述评[J].生态科学,2005,24(1):75-79.(LUO Ya,XU Jian-hua,YUE Wen-ze.Research on Vegetation Indices Based on the Remote Sensing Images[J].Ecologic Science,2005,24(1):75-79.(in Chinese))

[17]KAUFMAN Y J,TANRE D.Atmospherically Resistant Vegetation Index(ARVI)for EOS-MODIS[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):261-270.

[18]张仁华,饶农新,廖国男.植被指数的抗大气影响探讨[J].植物学报,1996,38(1):53 -62.(ZHANG Renhua,RAO Nong-xin,LIAO Guo-nan.Approach for a Vegetation Index Resistant to Atmospheric Effect[J].Acta Botanica Sinica,1996,38(1):53 -62.(in Chinese))

[19]HUETE A R,JUSTICE C,LEEUWEN W.MODIS Vegetation Index(MOD13)Algorithm Theoretical Basis Document[M].US:NASA Goddard Space Flight Center,1999.

[20]王正兴,刘 闯,HUETE A.植被指数研究进展:从AVHRR-NDVI到 MODIS-EVI[J].生态学报,2003,23(5):979 - 987.(WANG Zheng-xing,LIU Chuang,HUETE A.From AVHRR-NDVI to MODIS-EVI:Advances in Vegetation Index Research[J].Acta Ecologica Sinica,2003,23(5):979-987.(in Chinese))

猜你喜欢

植被指数覆盖度红光
发红光的蔬菜
呼和浩特市和林格尔县植被覆盖度变化遥感监测
基于NDVI的晋州市植被覆盖信息提取
冬小麦SPAD值无人机可见光和多光谱植被指数结合估算
辽宁省地表蒸散发及其受植被覆盖度影响研究
低覆盖度CO分子在Ni(110)面的吸附研究
尊严
移风易俗的路径探索——基于涴市镇红光村乡村振兴促进会的分析
基于植被指数选择算法和决策树的生态系统识别
AMSR_2微波植被指数在黄河流域的适用性对比与分析