广西岩溶地区植被覆盖度与植被指数耦合模型研究

黎良财 ，张晓丽，邓 利 ，吴 锐

（1.北京林业大学 林学院，北京 100083； 2.广西生态工程职业技术学院，广西 柳州 545004；3.国家林业局 林业调查规划设计院，北京 100714）

广西岩溶地区植被覆盖度与植被指数耦合模型研究

黎良财1,2，张晓丽1，邓 利2，吴 锐3

（1.北京林业大学 林学院，北京 100083； 2.广西生态工程职业技术学院，广西 柳州 545004；3.国家林业局 林业调查规划设计院，北京 100714）

选择广西典型岩溶山区灌草植被类型设置91块样方，运用GreenSeeker手持光谱仪实测不同覆盖度植被的光谱响应并构建归一化植被指数( NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、修正植被指数(MVI)和修改型土壤调节植被指数(MSAVI)等5种植被指数，同时运用数码相机垂直拍摄样方照片并进行监督分类，提取植被覆盖度，最后对样方的植被覆盖度和植被指数进行相关分析、建立回归模型和精度验证。结果表明：NDVI、RVI和MVI与植被覆盖度高度相关，相关系数超过0.9；而且用NDVI反演的植被覆盖度与实测值在α=0.05显著水平下进行t检验，结果无显著差异，平均精度达到95%以上，比其他植被指数模型更优秀。研究结论对广西岩溶石漠化地区植被覆盖度的快速、连续监测与评估具有重要参考价值。

植被覆盖度；植被指数；耦合模型；广西；岩溶地区

中国西南岩溶地区是世界上面积最大、最集中的连片喀斯特地区，由于受CO2-H2O-CaCO3三相不平衡动力系统影响，其对环境变化的反应十分敏感，是我国典型的生态脆弱区之一[1-2]。根据第二次全国石漠化监测结果显示，截至2011年，岩溶地区涉及贵州、云南、广西、湖南、湖北、广东、重庆、四川8个省（区、市）的463个县，面积达4 529 万hm2；石漠化土地面积为1 200.2 万hm2，占岩溶面积的26.5%[3]。西南岩溶区地处亚热带季风性湿润气候区，地表复杂度高，地物交错分布且土被不连续，土壤保水能力低，植被以石生旱生为主[4-5]。脆弱的生态环境背景条件下，由于自然演化并叠加不合理的人为活动，容易导致植被遭受破坏、土层严重流失而引起基岩大面积裸露、地面塌陷、物种多样性受到限制、生产力低、人民生活困难等一系列生态和社会问题[1,6]。

植被是岩溶生态系统的重要组成部分，也是连接土壤、大气和水分的自然“纽带”，植被覆盖度指植物群落总体或个体地上部分的垂直投影面积与样方面积的百分比，它反映植被的茂密程度和植物进行光合作用面积的大小，它在陆地表面的能量交换过程、生物地球化学循环过程和水文环境中扮演着重要的角色。岩溶地区的水土流失、石漠化问题，都涉及到区域植被覆盖的变化问题，因此研究植被覆盖对于监测岩溶地区石漠化、水土流失等具有重要的意义。

植被覆盖度的获取主要有地面测量方法和遥感反演方法两大类[7]。地面测量是获取植被覆盖度的传统方法[8-10]，按原理可概括为：（1）目估法：该方法缺点是主观随意性强，不同的估测者得到的结果可能不同，甚至相差较大[11-12]；（2）仪器法：利用空间定量计SQS（spatial quantum sensor）或移动光量计TQS（traversing quantum sell）等电子设备测量，缺点是受天气条件的影响，观测结果带方向性，且野外操作不便[12]；（3）照相法：利用相机垂直成像的植被冠层照片进行图像解译并统计测算覆盖度，该方法受观测条件限制小，操作者的人工干预少，估测精确，是植被盖度地面测量的发展趋势，是遥感等现代测量的可靠辅助和检验手段[12-13]。遥感反演方法通常利用图像中的红光与近红外光两个最典型的波段来计算植被指数，再由植被指数来估算地表植被覆盖度[14-17]，是一种宏观、快速、经济地监测地表植被覆盖度的有效方法。

本研究在岩溶石漠化地区选取不同植被覆盖度的样地，采用光谱仪实测样地对不同波长的光谱响应，构建多种植被指数；再同步采用数码相机实测样地垂直照片，对照片监督分类后统计植被覆盖度；研究建立植被覆盖度与植被指数之间的关系模型，为岩溶地区植被覆盖度的研究与监测评估提供参考方法和模型。

1 研究区概况

选取岩溶石漠化较重的广西壮族自治区柳江县为研究区（见图1），柳江县地处北纬23°54′30″～24°29′00″、 东 经 108°54′40″～ 109°44′45″之 间，地势由东、西南两面向中部倾斜，地貌以岩溶丘陵为主，平原、丘陵、洼地、谷地、孤峰、残丘交错分布，岩溶漏斗及落水洞极其发育。柳江县属亚热带季风气候，日照充足，雨量充沛，年平均气温20.4℃，平均降水量大于1 400 mm，平均日照1 600多h，无霜期332 d，非常适宜植物生长。2010年末全县森林面积11.10万hm2，森林覆盖率达44.60%。

图1 研究区行政区划与遥感图像Fig.1 Administrative divisions and remote sensing images in studied area

2 材料与方法

2.1 试验设计与数据采集

样方设计：本研究采用1.5 m×1.5 m的样方框，框边上以10 cm间隔标上刻度，以便后期对样方数码相片进行几何畸变校正和裁剪。采样时，在典型岩溶石漠化区域选择不同灌草覆盖度的地点放置样方框，用GPS定出样方中心的坐标并记录。

样方测量：于2013年6月20日～24日对研究区样方进行了光谱测量和垂直照相，工作时间介于10：00～14：00之间，天气晴朗无云。测量时将相机和光谱仪安放在同一个自制的平台上[18]，以保证两台设备的探测中心一致，平台高度1.5 m（见图2）。光谱测量使用美国NTech公司的手持式植被冠层光谱仪GreenSeeker，视场角15°，视场范围为半径0.20 m的圆，发射特定波长为近红外（770 nm）、红光（656 nm），能够直接读出和记录反射率、归一化差值植被指数（NDVI）、比值植被指数（RVI）等指数。同步进行垂直拍照，使用Pentax K5数码单反相机，镜头焦距18 mm固定，视角76°，图像尺寸为4 928×3 264像元，存储为jpg格式，能够完全覆盖样方范围。试验共测量有效样方91个，包括光谱反射率数据和照片数据。

图2 样方光谱测量与照相装置及照片Fig.2 Spectral-photographic measurement device and camera assembly for quadrat survey

2.2 样方植被覆盖度的提取

照片纠正与裁剪：数码相机拍摄的垂直照片属中心投影，越往边缘部分几何畸变越大，因此，对原始照片需要进行几何纠正。几何纠正在ArcGIS10.1软件的Georeferencing功能下完成，按样方边框上的刻度定位8个控制点，每条边框3个控制点，定义样方框左下角为坐标原点，单位取mm，这8个控制点的坐标分别为（0，0）、（750，0）、（1500，0）、（1500，750）、（0，750）、（0，1500）、（750，750）、（1 500，1 500）。当遇到植被冠层遮挡边框刻度时，控制点可上下左右调整100 mm，校正时选择2次多项式模型，重采样时选择最邻近像元法，校正的均方根误差全部在5 mm以内。由于光谱仪的视场是照片中心200 mm半径的圆，为使两种设备的测量范围一致，将纠正后的照片裁剪出样方中心400 mm的正方形进行植被覆盖度提取。

植被覆盖度提取：提取样方植被覆盖度的实质是将样方照片进行植被与背景的分类，然后统计植被像元所占的比例[19]。李存军等[12]对比了非监督分类法（ISODATA法）、监督分类法（最大似然法）和基于颜色规则的自动分类法对冬小麦垂直照片的分类精度，得出最大似然法和自动分类法精度较高且结果相差不大。贾建华等[19]发现超绿色算法对绿色植被比较敏感，并采用K均值聚类算法设计了植被覆盖度的自动提取软件，提取结果和人工监督分类的比较误差在5%以内。由于岩溶地区灌草组成较复杂，植被颜色较丰富，同类植被多呈现出渐变颜色，本研究使用基于颜色规则的自动分类法和超绿色算法聚类的分类效果不甚理想，最终使用了ENVI5.0软件进行监督分类，由全程参与拍摄测量的笔者选择每幅图像中的各种植被及背景作为训练样区，用最大似然法做监督分类，分类结果与原始图像对照后，确认准确可靠，部分样方分类结果见图3。

2.3 植被指数的选取与计算

许多研究[20-23]表明，利用植被对不同波长的反射率构建的植被指数与植被覆盖度有紧密的相关关系，这些植被指数有：归一化差值植被指数[24]（NDVI，x1）、差值植被指数[25]（DVI，x2）、比值植被指数[26]（RVI，x3）、修正植被指数[27]（MVI，x4）、修改型土壤调节植被指数[28]（MSAVI，x5）等，各植被指数的计算见公式（1）～（5）。本研究主要探讨上述5种植被指数与岩溶石漠化区域植被覆盖度之间的关系。

公式（1）～（5）中：N、R分别表示植被在近红外、红光波段的反射率。

图3 样方的原始影像与分类结果Fig.3 Primitive images of quadrats and their classifyied results

2.4 覆盖度与植被指数的耦合模型

将岩溶石漠化区域样方数码照片提取的灌草植被覆盖度与样方实测的光谱数据构建的5种植被指数读入MathWorks公司的Matlab软件，首先对数据进行初步分析，得到散点图（见图4）。然后根据散点图的趋势，采用曲线拟合工具（Curve Fitting Tool）分别选择不同的数学模型对覆盖度与植被指数的关系进行拟合，再根据相关系数（R-square）、误差平方和（SSE）、标准差（RMSE）等指标来选出最优模型。

3 结果与分析

3.1 植被覆盖度与植被指数相关性分析

将91个样方的植被覆盖度（VF）分别与不同植被指数（VI）在Matlab软件下利用corrcoef函数计算两个序列的皮尔逊积矩相关系数（Pearson product-moment correlation coef ficient），结果如表1所示。结果表明，岩溶地区样方实测的植被覆盖度与同步光谱测量所计算的几种常用的植被指数都有显著的相关性，说明可以采用植被指数来反演岩溶地区的植被覆盖度。其中，NDVI、MVI与VF高度正相关，而RVI与VF高度负相关。

3.2 植被覆盖度与植被指数模型拟合

为进一步分析植被覆盖度（VF）与植被指数（VI）之间的回归关系，同时避免“虚假回归”，从样本数据中按等间隔抽样法取10组数据作为检验数据，其余81组VF与VI成对数据作为建模数据。将建模数据导入Matlab软件的Curve Fitting Tool工具，以VI为自变量X，VF为因变量Y，根据VI-VF趋势分别选用不同的模型拟合曲线（见图5），筛选得到各自较好的拟合结果（见表2）。由表2可知，VF-NDVI拟合模型的可决系数（R-Square）大于0.85，可认为该模型拟合得较好，故NDVI是岩溶地区反演植被覆盖度的最佳因子，其次是RVI与MVI植被指数。

图4 植被覆盖度与各种植被指数的二维散点Fig.4 Two-dimensional scatter-plots between vegetation fraction and vegetation indexes

表1 植被覆盖度与不同植被指数相关分析†Table 1 Correlation analysis between vegetation coverage and different vegetation index

3.3 回归模型的检验

利用抽取的10组检验数据对模型估计值与实测值在α=0.05显著水平下进行差异显著性t检验，结果得到3个模型的t（NDVI，RVI，MVI）＜T0.05(10+10-2)=2.101，即应用模型估计的植被覆盖度与实测值没有显著差异；进一步对模型估计值计算最大、最小和平均误差率，结果表明，运用NDVI估计的植被覆盖度与实测值的误差率相对最小，模型较稳定，检验结果如表3所示。

图5 植被覆盖度与植被指数拟合曲线Fig.5 Fitting curves between vegetation fraction and vegetation indexes

表2 植被覆盖度与不同植被指数最优模型Table 2 Optimal models constructed between vegetation coverage and different vegetation index

4 结 论

选择广西典型岩溶山区灌草植被类型设置样方，运用野外光谱仪实测不同覆盖度样方的植被反射光谱，并构建归一化差值植被指数等5种植被指数；同时运用数码相机垂直拍摄样方照片并分类提取植被覆盖度；对样方的植被覆盖度和植被指数进行相关分析并建立回归模型，研究结果表明：

表3 模型检验的结果Table 3 Tested results of different vegetation fraction and vegetation indexes models

（1）植被覆盖度与归一化差值植被指数等5种植被指数之间均具有显著的相关性，其中与归一化差值植被指数、比值植被指数和修正植被指数之间高度相关，相关系数超过0.9，说明采用归一化差值植被指数等植被指数估测岩溶地区植被覆盖度是可信的。

（2）将具有高度相关的植被覆盖度与植被指数进行回归分析，建立统计模型，对模型的估计值与实测值进行差异显著性t检验并进行误差分析，综合对比得出植被覆盖度Y=0.791 6*2.336*X×1.336*exp(-0.791 6*X×2.336)（Y为植被覆盖度，X为植被指数）模型的拟合优度最好，估计值与实测值无显著差异且误差率相对最小。

（3）广西岩溶山区的生态系统十分脆弱，对其植被进行持续监测非常必要。初步研究结果表明，采用地机实测归一化差值植被指数数据对植被覆盖度的反演精度较高，为进一步建立岩溶地区“天—机—地”立体监测系统进行了有益的试验，将研究结果进行尺度转换后可以应用于较大区域，为利用多源遥感图像对岩溶地区植被状况进行连续监测打下基础。

[1]袁道先.我国西南岩溶石山的环境地质问题[J].世界科技研究与发展 ,1997,19(05)： 41-43.

[2]陈华宣,王君华.基于TM数据的西南岩溶区石漠化调查研究[J].气象研究与应用,2010,31(03)：41-43.

[3]刘泽英.我国土地石漠化整体扩展趋势得到初步遏制[J].中国林业 , 2012,(12)：1.

[4]李阳兵,白晓永,周国富,等.中国典型石漠化地区土地利用与石漠化的关系[J].地理学报,2006,61(6)：624-632.

[5]岳跃民,张 兵,王克林,等.石漠化遥感评价因子提取研究 [J].遥感学报,2011,15(4)：722-736.

[6]况顺达,戴传固,王尚彦,等.岩溶石漠化遥感信息增强技术探讨 [J].贵州地质,2009,26(1)：44-48.

[7]陈云浩,李晓兵,史培军,等.北京海淀区植被覆盖的遥感动态研究[J].植物生态学报, 2001,25(5)：588- 593.

[8]Sutherland W J. Manual of ecology survey methods[M]. Beijing：Scienti fic and Technical Documents Publishing House, 1999.

[9]Zhou Q, Robson M, Pilesjo P. On-the-ground estimation of vegetation cover in Australian rangelands[J]. International Journal of Remote Sensing,1998,19(9)：1815-1820.

[10]Steven S, Seefeldt D. Terrance Booth. Measuring Plant Cover in Sagebrush Steppe Rangelands： A Comparison of Methods[J].Environmental Management, 2006, 37(5)：703-711.

[11]章文波,符素华,刘宝元.目估法测量植被覆盖度的精度分析[J].北京师范大学学报：自然科学版,2001,37(3)：402-408.

[12]李存军,王纪华,刘良云,等. 基于数字照片特征的小麦覆盖度自动提取研究[J]. 浙江大学学报：农业与生命科学版,2004, 30(6)： 650-656.

[13]张学霞,朱清科,吴根梅,等. 数码照相法估算植被盖度[J].北京林业大学学报,2008,30(1)：164-169.

[14]马 驰,卢玉东.重庆南部TM图像植被指数与植被覆盖度信息的关系研究[J].水土保持研究,2008,15(06)：136-138.

[15]李晓松,李增元,高志海,等.基于Hyperion植被指数的干旱地区稀疏植被覆盖度估测[J].北京林业大学学报, 2010,32(3)： 95-100.

[16]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(05)：55-60, 66.

[17]黎良财,邓 利,曹 颖,等.基于NDVI像元二分模型的矿区植被覆盖动态监测[J].中南林业科技大学学报,2012, 32(6)：18-23.

[18]北京师范大学. 便携型植被覆盖度摄影测量仪[P].中国：ZL200820114817.1.2009-09-02.

[19]贾建华,胡 勇,刘良云.青藏高原数字照片植被覆盖度自动算法与应用[J].地球信息科学学报,2010,12(6)：880-885.

[20]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,(04)：95-100.

[21]邢白灵,居为民,朱高龙,等.呼伦贝尔草原植被覆盖度地面实测与遥感估算研究[J].江西农业学报,2012,24(5)：142-147.

[22]凌成星,林 辉,薛晓坡.基于植被指数特征和空间分析的石漠化信息提取[J].水土保持研究,2009,16(1)：167-171.

[23]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.

[24]Rouse J W, Haas R H, Schell J A,et al.Monitoring Vegetation Systems in the Great Plains with ERTS [C]//Third Earth Resources Technology Satellite-1 Symposium. Washington. DC.NASA,1973：309-317.

[25]Jordan C F. Derivation of Leaf-Area Index from Quality of Light on the Forest Floor[J]. Ecology,1969,50(4)：663-666.

[26]Pearson R L, Miller D L. Remote Mapping of Standing Crop Biomass for Estimation of the Productivity of the Shortgrass Prairie[C]. Proceedings of the English International Symuposium on Remote Sensing of Environment,1972：1375-1381.

[27]McDaniel K C, Haas R H. Assessing Mesquite-grass Vegetation Condition from Landsat[J]. Photogrammetric Engineering and Remote Sensing,1982,48(3)：441-450.

[28]Qi J, Chenbouni A, Huete A R,et al.A Modi fied Soil Adjusted Vegetation Index[J]. Remote Sensing of Environment, 1994,48(2)： 119-126.

Study on coupled models between vegetation fraction and vegetation index in Guangxi karst mountainous area

LI Liang-cai1,2, ZHANG Xiao-li1, DENG Li2, WU Rui3
(1. College of Forestry, Beijing Forestry University, Beijing 100083, China; 2.Guangxi Ecological Engineering Vocational and Technical College, Liuzhou 545004, Guangxi, China; 3.Chinese Academy of Forest Inventory and Planning, State Forestry Administration, Beijing 100714, China)

Ninety-one quadrats were set of shrub and herb vegetation types in Guangxi typical karst mountains area. By using GreenSeeker hand-held spectrometer, the spectral responses of shrub and grass in different vegetation coverage quadrats were measured,and the normalized data of five vegetation indexes were calculated such as NDVI (Normalized Difference Vegetation Index), DVI(Difference Vegetation Index), RVI (Ratio Vegetation Index), MVI (Modi fied Vegetation Index) and MSAVI (Modi fied Soil Adjusted Vegetation Index). At the same time, the photos were vertically taken from from above the quadrats by digital camera, Then the vegetation fraction (VF) could be extracted through a series of image pre-processing and image supervised classi fication by ArcGIS10.1 and ENVI4.8 software. Finally, the correlation between Quadrats’ vegetation coverage and vegetation index were analyzed and the regression models of two variables were established, and the accuracy of the models were veri fied by means of small sample inspection.The results show that there were high correlations between NDVI, RVI, MVI and vegetation coverage, and the correlation coef ficient was greater than 0.9. The accuracy of vegetation coverage model inversed with NDVI was better than those of other models which inversed with rest vegetation indexes. The VF-NDVI model passed the check through t-test under the alpha=0.05 signi ficant levels and the overall average accuracy were 95% or more. The research results can be used as the important references for fast, continuous monitoring and evaluating the vegetation fraction in Guangxi karst mountainous area in China.

vegetation coverage; vegetation index; coupled model; Guangxi Zhuang Autonomous Region; karst mountainous area

S711；P642.252；P182.3+1

A

1673-923X(2015)05-0028-07

10.14067/j.cnki.1673-923x.2015.05.005

2014-01-12

国家“863”计划课题(2012AA102001-5)；广西林业科技项目（桂林科字[2014]38号）

黎良财，副教授，博士研究生

张晓丽，教授，博士生导师； E-mail：zhang-xl@263. net

黎良财,张晓丽,邓 利,等. 广西岩溶地区植被覆盖度与植被指数耦合模型研究[J].中南林业科技大学学报, 2015, 35(5)：28-34.

[本文编校：谢荣秀]