巴音布鲁克草原高寒草原植被覆盖度反演模型构建与评价

关 欣,安沙舟,荀其蕾,董乙强,孔晓晶,杨 娇

(新疆农业大学草业与环境科学学院 新疆草地资源与生态重点实验室,新疆 乌鲁木齐 830052)

草地资源对维持农牧区生态环境、提高牧民生活水平以及发展民族特色文化具有重要意义[1]。巴音布鲁克草原是中国第二大高山草原,同时是新疆最重要的畜牧业基地之一。在人类活动和全球气候变化的影响下,由于放牧超载严重,巴音布鲁克草原退化面积达到30.48万hm2,占草地总面积的19.61%,部分区域退化非常严重[2],导致草地生产力和总生物量的下降,制约了当地畜牧业的持续发展[3],草原的退化受到了人们广泛的关注。植被覆盖度(vegetation fractional cover,VFC)是直观反映草地地上植被生长状况的重要指标,同时也是指示草地退化及环境变化的常用监测评估指标之一。植被覆盖度数据获取主要分为地面实测和遥感反演两种方法。早期研究中通常使用传统的目测法、仪器法和采样法等地面实测方法获得[4],但地面实测法具有主观性较强、野外操作不规范以及无法大面积推广等缺点。随着遥感技术的不断发展,植被覆盖度可以利用遥感数据通过模型进行估算得到,其中主要方法有像元二分法、经验回归模型法和混合像元分解法3种[5]。由于遥感反演成本低、效率高,可用于大尺度的监测区,能够广泛推广等优势,成为了获取植被覆盖度的主要手段。我国研究者基于遥感技术对植被覆盖度估算，利用植被指数构建反演模型进行了研究,如凌成星等[6]通过Worldview-2卫星的波段特征,选择近红外2波段与归一化植被指数(NDVI)构建植被覆盖度估算模型,模型精度达到87.8%；游浩妍等[7]基于中分辨率成像光谱仪(MODIS)数据对研究区的植被覆盖度利用像元二分模型估算,研究表明基于NDVI反演模型拟合效果最佳,估算精度达到87.13%；李艺梦等[8]以基于Landsat 8波段计算得出的转换型土壤调整指数(TSAVI)对额济纳荒漠绿洲植被覆盖度进行估算,结果表明基于TSAVI的像元二分模型法的监测精度较高；宋清洁等[9]基于增强型植被指数(EVI)和NDVI对研究区建立了草地植被覆盖度的反演模型,结果显示EVI构建的对数模型为最优反演模型,模型精度达到88.00%；杨峰等[10]基于Landsat TM遥感数据与实测数据,通过植被指数与植被覆盖度的相关关系对天山北坡典型退化草地构建监测模型,研究结果表明MSAVI和GNDVI与植被覆盖度的相关性较好,其模型精度超过90%；顾祝军等[11]利用Landsat 7 ETM+影像,构建植被覆盖度与NDVI的多项式回归模型,研究表明在1～4次多项式植被覆盖度关系模型中,模型幂次越高,拟合程度越好。虽然目前利用遥感技术开展监测、评估植被覆盖度的研究越来越多,但针对高寒草原的草地类型植被覆盖度反演研究较少,而不同草地类型适宜的植被指数又不尽相同。因此,本研究以巴音布鲁克高寒草原为研究区，对其通过5种植被指数进行草地植被覆盖度的反演模型构建,筛选最佳模型并检验精度,为今后巴音布鲁克高寒草原开展监测工作和科学管理提供科学依据。

1 材料与方法

1.1 研究区概况

1.2 数据获取及预处理

野外研究区包括大尤尔都斯盆地和小尤尔都斯盆地,研究区实测数据的采取于2017年7下旬-8月初植被生长的高峰期。结合遥感影像图,选取35个样地(图1),每个样地设置3个1 m×1 m的样方,共设置105个样方。用手持GPS记录样地经纬度,用拍照与针刺法计算样方的植被覆盖度。其中随机选取25个样地的数据用于建立回归模型,10个样地的数据用于对建立的模型进行精度验证。

实测植被覆盖度根据对每个草地样方进行拍摄照片利用ENVI软件提取其样方的覆盖度。由于拍摄角度会影响估算精度的误差,所以拍摄时最大程度上将相机与地面处于平行的状态在进行拍摄。首先,利用ENVI中Ground Control Points Selection工具增加5个控制点对照片进行几何纠正。之后利用Basic Tools工具对已经纠正照片的中心地带进行裁剪,去除边缘存在变形可能的图像,接着通过非监督分类对植被和裸地进行分类,最后通过Classification工具对样方内的植被和裸地覆盖度进行计算统计。

遥感数据选取美国国家航空航天局(National Aeronautics and Space Administration，NASA)的陆地卫星Landsat 8 OLI传感器2016年7月22日获取的影像。利用ENVI 5.2对图像进行预处理,包括辐射定标、大气校正、几何精校正以及图像镶嵌裁剪等。

图1 研究区样地空间分布图Fig. 1 Spatial distribution of study area plots

1.3 研究方法

1.3.1经验回归模型法 植被指数的选择:根据研究内容及研究区的特点,本研究选择5种植被指数,依次为差值植被指数(difference vegetation index,DVI)、比值植被指数(ratio vegetation index,RVI)、归一化植被指数(normalized difference vegetation index,NDVI)、土壤调整植被指数(soil adjusted vegetation index,SAVI)、修正土壤调整植被指数(modified soil adjusted vegetation index,MSAVI)。利用ENVI 5.2中的Band math工具根据计算公式对各个植被指数进行波段组合计算,计算公式如表1所列。利用ArcGIS 10.2中Spatial Analyst工具提取样地各植被指数值。

表1 植被指数计算公式Table 1 Vegetation index formulan

RNIR为近红外波段；RRed为可见光红光波段；L为土壤调节系数,L=0.5。

RNIRis near infrared band; RRedis visible light red band; L is soil regulation coefficient, L=0.5.

相关分析及模型类型的选择:将计算出的植被覆盖度实测值与提取的各植被指数的计算值进行相关性分析,通过相关性的差异显著性选择适宜植被指数构建模型。本研究选择线性模型、对数模型、二次多项式模型、指数模型以及幂函数模型5个具有代表性及常用的回归模型,利用SPSS统计软件对其进行植被覆盖度与各植被指数间的模型构建,再根据结果分析筛选最佳模型。

1.3.2像元二分法 像元二分模型假设影像中的像元只由植被和非植被两个部分组成。李苗苗等[17]、王奎阳[18]通过分析建模指出像元二分模型以NDVI为参数估算植被覆盖度的精度较高。因此,本研究选择NDVI作为参数,其计算公式为

式中：FVC为植被覆盖度；NDVlsoil为裸地土壤或非植被区域的NDVI值；NDVlveg为有植被完全覆盖区域的NDVI值。

由于研究区环境等因素的影响,对于裸地像元,理论上NDVI值应当近似为0,但实际情况中NDVlsoil一般为-0.1～0.2。并且影像中会存在一定的噪声或离群值,提取的NDVI极值并不一定是NDVImax与NDIVmin,所以,NDVImax与NDVImin的值不能直接选择影像中NDVI的最大和最小值。通常根据统计学原理选择合适的置信区间,在置信区间内NDVI最大值与最小值，分别为NDVlveg与NDVIsoil,这在一定程度上能够减弱遥感影像产生的噪声影响[19]。本研究对NDVI提取值进行统计,将统计结果与研究区实测植被覆盖的情况相结合,最终分别选取累积概率为5%和90%时,NDVIsoil和NDVIveg的取值分别为0.019 606和0.956 471。

2 结果与分析

2.1 各植被指数与植被覆盖度间的相关分析

对选择的5种植被指数RVI、DVI、NDVI、SAVI、MSAVI及样地实测植被覆盖度进行相关分析,结果表明,经验回归模型中MSAVI与植被覆盖度相关性为-1.8，无相关关系,其余4种植被指数与植被覆盖度均呈现显著正相关(P<0.01)。其中NDVI与植被覆盖度的相关性最高,达到0.805；SAVI次之,相关系数均为0.804；随之为DVI,相关系数为0.744；RVI与植被覆盖度的相关性最低,相关系数仅为0.673。像元二分法中NDVI与覆盖度相关性为0.807,略高于经验回归模型法,但相差并不明显。

2.2 植被覆盖度与各植被指数间反演模型构建

对植被覆盖度与RVI、DVI、NDVI、SAVI、MSAVI进行模型的构建(表2)。由于MSAVI与植被覆盖无显著相关关系,所以在构建模型时去除。4种植被指数中,除DVI对数模型的拟合效果(R2=0.490)相比其他模型较好以外,RVI(R2=0.695)、NDVI(R2=0.723)、SAVI(R2=0.713)均为二次多项式模型表现出较好的拟合效果；其中,NDVI和SAVI的拟合效果最好。

通过植被覆盖度与各植被指数间的相关系数及反演模型的拟合R2可以看出,其中NDVI、SAVI两种植被指数与植被覆盖度的拟合效果较好,而RVI和DVI拟合效果较不理想。根据数据比较,本研究选择NDVI、SAVI两种植被指数构建巴音布鲁克草原高寒草地植被覆盖度反演模型。其中,在NDVI、SAVI的模型类型中对数模型、二次多项式模型、幂函数模型的拟合效果优于线性模型和指数模型。

表2 植被覆盖度与各植被指数间的反演模型Table 2 Inversion model of vegetation coverage and vegetation indices

表3 反演模型精度检验Table 3 Inversion model accuracy test

通过精度验证,经验回归模型法NDVI二次多项式回归模型为最佳模型,拟合精度达到0.836 6(表3),表明在绿色植被生长旺盛期,基于NDVI构建的植被覆盖度反演模型拟合精度能够达到较高的效果,能够较真实地反映地面的情况,其方法也较为简单,应用广泛。

3 讨论

3.1 不同植被指数与植被覆盖度间相关性差异

植被指数是利用遥感不同波段间的组合,能将相关的光谱信号有效地综合起来,能够增强各种植被信息,减少非植被信息,具有显著的地域性和时效性,常受到植被本身、环境、大气等条件的影响,能够反映绿色植被的相对丰度和活性的辐射量值,与植被覆盖度、绿色植被的叶面积指数(LAI)和被吸收的光合有效辐射(APAR)等指标具有较好的相关性[20]。

本研究中NDVI和SAVI与植被覆盖度的相关性要高于DVI和RVI,这可能是由于巴音布鲁克草原气候寒冷而潮湿,日照强烈,紫外线作用强,空气稀薄,土壤温度高于空气温度,昼夜温差极大,植被生长期较短等状况[21],使得RVI对高覆盖度和低覆盖度植被有不同的敏感程度,覆盖度较高时敏感较高,但当植被覆盖度<50%时,这种敏感性显著降低[22],同时大气效应也同样影响其指数对植被的灵敏度[20],因此需要对遥感数据预处理时进行大气校正,但仍然可能存在部分误差。DVI虽然能对植被覆盖度的变化有较好的反映能力,但土壤背景的变化对该指数有较大的影响[23],当植被处于低覆盖度时,DVI随生物量呈现增加趋势,但当植被覆盖度大于80%时,其敏感性有明显下降趋势。虽然MSAVI能够消除或减弱土壤背景的影响[24],同时对覆盖度范围无明确要求,但由于遥感数据受天气状况(如云层及云影等)的影响,虽对这些影响进行了校正等处理但可能仍存在误差,因此影响研究结果。NDVI虽受土壤背景的影响较大,且较适用于植被生长中期或中度植被覆盖度的区域,但由于研究区植被生长期较短的特征使得该植被指数适用于研究区。SAVI增加了土壤调节系数,提高了植被覆盖度反演的精确性。因此，根据植被指数的特性选择其进行植被覆盖度反演模型的构建。

3.2 植被覆盖度反演模型的选择

本研究通过经验回归模型法和像元二分法对巴音布鲁克高寒草地构建植被覆盖度反演模型,其中利用经验回归模型法NDVI、SAVI两种植被指数与植被覆盖度的相关性较强,NDVI二次多项式回归模型精度验证拟合效果达到0.836 6,能够较好地反映研究区的植被覆盖度,这与基于Landsat 8 OLI的荒漠化地区植被覆盖度反演模型研究结果有相似之处[25],但研究中结果仍存在差异,这可能由于多方面原因引起,实测数据与遥感数据的时间匹配、植被覆盖度计算过程中的误差、仪器的选择、研究区不同的地形条件和气候条件、遥感影像预处理误差等都有可能影响研究结果。利用像元二分法对研究区进行植被覆盖度反演拟合效果略低于经验回归模型法,可能与NDVI植被指数在较高覆盖区容易饱和从而产生一定的误差有关,这与基于Landsat 8荒漠绿洲植被覆盖度估算方法对比研究部分结果有相似之处[8],但由于研究区覆盖度不相同以及选择的植被指数不同因此最终的结果也略有差异。

本研究通过对经验回归模型法和像元二分法以及植被覆盖度与各植被指数之间的相关关系和反演模型进行对比分析发现,各植被指数的适用条件存在差异性且经验回归模型法更适用于研究区的植被覆盖度反演。其中NDVI在植被覆盖度为50%～70%范围内误差较小,而本次选择样地内植被覆盖度大部分在此范围内。其中NDVI的反演公式较多利用于植被覆盖度的估算,能够在影像提取中减少相应误差。因此NDVI模型较适宜对研究区构建反演模型。对于5种回归模型类型,二次多项式模型的拟合效果最好。一些研究表明,对植被覆盖度和植被指数构建模型时线性模型和二次多项式模型效果较好[10],这与本研究有相似之处也有相同之处。由于本研究只使用一年的实测数据，且对于像元二分法植被指数的选择单一,只能对本年份高寒草原进行植被覆盖度的反演,并且Landsat局部影像受积雪或云层等天气影像,对部分区域的反演存在一定的误差,其中经验模型法对实测数据的依赖性较高,对于较大研究区域有一定的局限性,因此在未来几年中将对研究区持续进行相同实验并根据研究区情况对植被指数进行多元化的选择,以提高此研究的科学性及完整性。

4 结论

通过经验回归模型法与像元二分法构建反演模型验证精度分析,本研究最终选择NDVI二次多项式回归模型y=-0.894x2+1.467x+0.099(R2=0.723)构建巴音布鲁克草原高寒草地植被覆盖度反演模型,其模型精确度较高可用于反演巴音布鲁克高寒草原生长旺期时的植被覆盖度。

参考文献References:

[1] 徐柱.面向21世纪的中国草地资源.中国草地,1998(5)：1-8.

Xu Z.Go forward the 21st century’ Chinese grassland resources.China Grassland,1998(5)：1-8.(in Chinese)

[2] 吕聪,潘学平,冯朝阳,钱金平.巴音布鲁克草原植被覆盖度估算的光谱模型及其应用.水土保持通报,2016,36(4)：62-67.

Lyu C,Pan X P,Feng C Y,Qian J P.Spectral model of vegetation coverage estimation in Bayinbuluk grassland and its application.Journal of Soil and Water Conservation,2016,36(4)：62-67.(in Chinese)

[3] 张爱宁,安沙舟,张蕊思,夏小伟,卡斯达尔·努尔旦别克,董磊.不同退化梯度下大尤尔都斯高寒草原植物种群生态位特征.草业科学,2017,34(2)：302-309.

Zhang A N,An S Z,Zhang R S,Xia X W,Kasidaer·Nuerdanbieke,Dong L.Study on niche characteristics of the plant community in the alpine grassland of Big Youerdusi under a degeneration gradient.Pratacultural Science,2017,34(2)：302-309.(in Chinese)

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

Gu Z J,Zeng Z Y.Overview of researches on vegetation coverage in remote sensing.Journal of Soil and Water Conservation,2005,12(2)：18-21.(in Chinese)

[5] 温庆可,张增祥,刘斌,乔竹萍.草地覆盖度测算方法研究进展.草业科学,2009,26(12)：30-36.

Wen Q K,Zhang Z X,Liu B,Qiao Z P.Research progress in grassland fractional coverage estimation methods.Pratacultural Science,2009,26(12)：30-36.(in Chinese)

[6] 凌成星,张怀清,鞠洪波,孙华.基于Worldview-2数据的东洞庭湖湿地区域植被覆盖度估算研究.科学技术与工程,2012,12(29)：7515-7520.

Ling C X,Zhang H Q,Ju H B,Sun H.Research on vegetation fractional coverage estimation of East Dongting Lake wetland area based on Worldview-2 satellite data.Science Technology and Engineering,2012,12(29)：7515-7520.(in Chinese)

[7] 游浩妍,骆成凤,刘正军,于秀娟.基于MODIS植被指数估算青海湖流域植被覆盖度研究.遥感信息,2012,27(5)：55-60,66.

You H Y,Luo C F,Liu Z J,Yu X J.Estimation vegetation coverage based on vegetation index of MODIS data in Qinghai Lake watershed.Remote Sensing Information,2012,27(5)：55-60,66.(in Chinese)

[8] 李艺梦,祁元,马明国.基于Landsat 8影像的额济纳荒漠绿洲植被覆盖度估算方法对比研究.遥感技术与应用,2016,31(3)：590-598.

Li Y M,Qi Y,Ma M G.The contrast research of estimating vegetation fraction coverage in the Ejina oasis based on Landsat 8 images.Remote Sensing Technology and Application,2016,31(3)：590-598.(in Chinese)

[9] 宋清洁,崔霞,张瑶瑶,孟宝平,高金龙,向宇轩.基于小型无人机与MODIS数据的草地植被覆盖度研究：以甘南州为例.草业科学,2017,34(1)：40-50.

Song Q J,Cui X,Zhang Y Y,Meng B P,Gao J L,Xiang Y X.Grassland fractional vegetation cover analysis using small UVAs and MODIS：A case study in Gannan prefecture.Pratacultural Science,2017,34(1)：40-50.(in Chinese)

[10] 杨峰,李建龙,钱育蓉,杨齐,金国平.天山北坡典型退化草地植被覆盖度监测模型构建与评价.自然资源学报,2012,27(8)：1340-1348.

Yang F,Li J L,Qian Y R,Yang Q,Jin G P.Estimating vegetation coverage of typical degraded grassland in the northern Tianshan Mountains.Journal of Natural Resources,2012,27(8)：1340-1348.(in Chinese)

[11] 顾祝军,曾志远,史学正,郑伟,张振龙,胡子付.基于ETM+图像的植被覆盖度遥感估算模型.生态环境,2008,17(2)：771-776.

Gu Z J,Zeng Z Y,Shi X Z,Zheng W,Zhang Z L,Hu Z F.A model calculating vegetation fractional coverage from ETM+ imagery.Ecological Environment,2008,17(2)：771-776.(in Chinese)

[12] Richardson A J,Wiegand C L.Distinguishing vegetation from soil background information.Photogrammetric Engineering and Remote Sensing,1978,43(12)：1541-1552.

[13] Jordan C F.Derivation of leaf area index from quality of light on the forest floor.Ecology,1969,50(4)：663-666.

[14] Rouse J W,Haas R H,Deering D W.Monitoring the vernal advancement and retrogradation(green wave effect)of natural vegetation.Progress Report RSC 1973-1,Remote Sensing Center,Texas A & M University,1973:75-76.

[15] Huete A R.A soil-adjusted vegetation index(SAVI).Remote Sensing of Environment,1988,25(3)：295-309.

[16] Qi J,Chehbouni A,Huete A R.A modified soil adjusted vegetation index.Remote Sensing of Environment,1994,48(2)：119-126.

[17] 李苗苗,吴炳方,颜长珍,周为峰.密云水库上游植被覆盖度的遥感估算.资源科学,2004,26(4)：153-159.

Li M M,Wu B F,Yan C Z,Zhou W F.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing.Resource Science,2004,26(4)：153-159.(in Chinese)

[18] 王奎阳.由SPOT5提取植被覆盖度技术研究.杭州：浙江大学硕士学位论文,2007.

Wang K Y.The picking vegetation fraction by SPOT5 DATA.Master Thesis.Hangzhou：Zhejiang University,2007.(in Chinese)

[19] 李钰溦,贾坤,魏香琴,姚云军,孙俊,牟丽秋.中国北方地区植被覆盖度遥感估算及其变化分析.国土资源遥感,2015,27(2)：112-117.

Li Y W,Jia K,Wei X Q,Yao Y J,Sun J,Mou L Q.Fractional vegetation cover estimation in northern China and its change analysis.Remote Sensing of Land and Resources,2015,27(2)：112-117.(in Chinese)

[20] 田庆久,闵祥军.植被指数研究进展.地球科学进展,1998,13(4)：10-16.

Tian Q J,Min X J.Advances in study on vegetation indices.Advances in Earth Science,1998,13(4)：10-16.(in Chinese)

[21] Purevdor J T,Stateishi R,Ishiyama T.Relationships between percent vegetation cover and vegetation indices.International Journal of Remote Sensing,1998,19(18)：3519-3535.

[22] Liu Z Y,Huang J F,Wu X H,Dong Y P.Comparison of vegetation indices and red-edge parameters for estimating grassland cover from canopy reflectance data. Journal of Integrative Plant Biology,2007,49(3)：299-306.

[23] 蔡薇.基于NDVI时间序列的菏泽市东明县植被动态变化研究.经济研究导刊,2009(18)：136-137.

Cai W.Study on the dynamic change of vegetation in Dongming County of Heze City based on NDVI time series.Economic Research Guide,2009(18)：136-137.(in Chinese)

[24] Kaufman Y,Tanre D.Atmospherically resistant vegetation index(ARVI)for EOS-MODIS.IEEE Trans Geosci Remote Sensing,1992,30：261-270.

[25] 马中刚,孙华,王广兴,林辉,佘宇晨,邹琪.基于Landsat 8 OLI的荒漠化地区植被覆盖度反演模型研究.中南林业科技大学学报,2016,36(9)：12-18,141.

Ma Z G,Sun H,Wang G X,Lin H,She Y C,Zou Q.Modeling percentage vegetation cover of a desert area using Landsat 8-OLI image.Journal of Central South University of Forestry and Technology,2016,36(9)：12-18,141.(in Chinese)