植被覆盖区VIIRS与MODIS遥感指数的相关性
2018-07-06孟令奎李晓香
孟令奎， 李晓香, 张 文
(武汉大学遥感信息工程学院，湖北 武汉 430079)
植被在生物圈中扮演着重要角色，影响着生态系统的平衡，是环境、气候的重要指示因子，因此，植被监测一直是人们关注的重点。近年来，随着遥感技术的发展，采用卫星影像实时获取大面积植被信息，成为植被监测的重要手段。
植被指数通过强化可见光(主要是红光)与近红外波段反射率之间的差异来反映植被生长状况[1-2]，比较典型的是归一化差分植被指数(NDVI)，NDVI在耕地信息提取、草地牧草鲜质量估算、土地覆被分类及其变化、作物长势监测、物候监测、气候变化监测、气象因子监测、干旱监测等[3-5]方面得到广泛应用。MODIS(Moderate resolution imaging spectroradiometer)NDVI自1999年起逐步替代AVHRR(Advanced very high reso- lution radiometer)NDVI，提供近20年全球NDVI数据。其继承了AVHRRNDVI的优点，同时弥补AVHRRNDVI的部分不足，如定标精度更高，更灵敏，能更好地反映植被状况[6-7]，已成为目前应用最广泛归一化差分植被指数。2011年10月28日美国发射了Suomi NPP(The suomi national polar-orbiting partnership)卫星，该卫星用来接替超期服役的Terra、Aqua。Suomi NPP携带包括VIIRS(The first visible/Infrared imager/Radiometer suite)在内的5个对地观测仪器，VIIRS传感器在波段设置方面总体上与MODIS传感器较为相似。
VIIRS植被指数环境产品包含TOA(The top of the atmosphere)NDVI和TOC(The TOP of canopy)EVI(The enhanced vegetation index)[8]，未来JPSS-1和JPSS-2计划中，植被指数环境产品将包含TOCNDVI[9]。当前各类植被覆盖区的干旱模型、作物估产模型、作物长势监测模型等各类模型涉及最多的是MODISNDVI。现今处于MODIS随时失效的阶段，探究植被覆盖区VIIRSNDVI与MODISNDVI的关系，以获取长时间序列的MODISNDVI，具有十分重要的现实意义。Vargas等发现VIIRS TOANDVI与MODIS TOANDVI反映植被覆盖程度的能力具有一致性[8]，二者的每天和16 d的值均非常相似，植被覆盖区2种指数随时间变化趋势相同，采用VIIRSNDVI获取时间序列MODISNDVI是可行的。国内外关于植被覆盖区VIIRSNDVI和MODISNDVI关系的研究是空白的，为填补空白，解决现实需求，本研究以河南地区为例，采用探索性数据分析方法，探究农田、林地、草地等植被覆盖区的VIIRSNDVI与MODIS TOCNDVI定量关系，并对模型的精度和时序应用进行分析，以期为获取长期序列NDVI提供模型支撑和科学依据。
1 材料与方法
1.1 研究区概况
河南省地处中国中东部，位于北纬31°23′～36°22′，东经110°21′～116°39′。其处于暖温带-亚热带、湿润-半湿润季风气候，夏季高温多雨，冬季寒冷干燥。境内多平原，约占总面积的55.7%，植被覆盖类型主要为农田、林地和草地。河南省是中国的粮食大省，主要粮食作物为冬小麦和夏玉米。
1.2 数据分析与处理
MODIS和VIIRS具体技术指标如表1所示，2颗卫星在同一个轨道平面运行，NPP卫星和Aqua卫星有相同的降交点时间，轨道高度略高于Aqua，相应的运行周期大。NPP 和Aqua日过境次数均为2次，因此，对于有时间限制的数据需求，NPP亦能与Aqua一样满足要求。其次，VIIRS幅宽大于MODIS。VIIRS传感器红光和近红外波段的空间分辨率为375 m[10]，MODIS相应波段的空间分辨率为250 m[11]，但VIIRS采用一种特别的“蝴蝶结”效应去除方法，通过像元聚合控制越靠近边沿象素重叠越严重的现象，最终VIIRS的像素尺寸只在条带边缘加倍。VIIRS红光波段较MODIS红光波段整体扩大，增幅较小，近红外波段设置极其相近。
表1 VIIRS和MODIS主要技术指标对比
植被分布数据采用国家基础地理信息中心的GlobeLand30产品，植被类型选取农田、林地、草地等3类(图1)。为减少环境因子对试验结果的影响，选用MODIS和VIIRS 8 d最大值合成的地表反射率产品，分别为MYD09A1和NPP_D8SRFHKM_L3D，均来源于NASA LAADS，空间分辨率同为500 m。
图1 河南省植被分布图Fig.1 Vegetation distribution of Henan province
遥感数据MYD09A1和NPP_D8SRFHKM_L3D是经过辐射定标、大气校正和精确的地理定位等预处理的合成产品，为方便存储，NASA LAADS将地表反射率通过一定的方法转化为了整型，因此，需采用其逆向方法[公式(1)]转化为真实地表反射率，然后采用公式(2)得到相应的NDVI合成产品。
T_V= 0.000 1*S_V
(1)
1.3 NDVI指数建模
1.3.1 不同植被覆盖区MODISNDVI和VIIRSNDVI相关性建模 遥感图像密度散点图是2个波段组合光谱空间结构信息的最佳图示方式，是探索相同空间位置不同数据未知关系的重要定量方法，本试验采用密度散点图探究农田、林地和草地等植被覆盖区MODISNDVI和VIIRSNDVI呈现的空间关系特征。为减弱环境因子对试验结果的影响，选取2种传感器 2013-2015年3年每月受环境因子影响小的同时序影像作为样本，得到如图2所示的密度散点图(试验序列较多，本研究仅给出2013年单数月)。
图2中1月份、3月份、5月份、7月份、9月份、11月份农田、林地、草地MODISNDVI和VIIRSNDVI点分布密集，集中于一条直线，呈现出明显的线性关系。采用Pearson相关分析法分析其相关性的强弱，图3为样本数据的相关系数，农田、林地、草地的MODISNDVI和VIIRSNDVI存在显著的正相关，相关系数多数集中在 0.75～0.95，最高可达0.96，平均在0.80以上。
图2 各类植被覆盖区MODIS NDVI和VIIRS NDVI密度散点图Fig.2 Density scatter plots of VIIRS NDVI and MODIS NDVI in different vegetation coverage areas
图3显示，同时期农田、林地、草地MODISNDVI和VIIRSNDVI的相关性相差不大，基本相等。同类别不同时期，相关性存在一定的波动，大多数时期波动较小。其次每年的七月或者八月相关性较小，且各类植被相关性相差较大。结合原始影像发现，影像质量越好相关性越高，七、八月份影像质量较差，相应的相关性较弱。影响影像质量的因素有很多，如云、雾、气溶胶颗粒等，结合研究区特点分析可知，影响本研究区影像质量的主要是季节因素，与其他月份相比，七、八月份河南省云雨天气较多。通过与前后期影像对比，VIIRS受云雨天气影响较大，近红外波段和红光波段反射率受到不同程度影响，出现较多异常值。
a:2013-01;b:2013-05;c:2013-09;d:2014-01;e:2014-05;f:2014-09;g:2015-01;h:2015-05;i:2015-09;j:2016-01。图3 2013-2015年各类植被覆盖区MODIS NDVI和VIIRS NDVI的相关系数Fig.3 Correlation coefficient between VIIRS NDVI and MODIS NDVI in different vegetation coverage areas from 2013 to 2015
最小二乘法是最常用的多元线性拟合方法，通过最小化误差的平方和找到样本数据的最佳匹配关系模型，用最简单的方法求得不可知的数据反演，同时保证误差平方之和最小。试验在2013年2月、5月、8月和11月各选一景受环境因子影响小的同时序VIIRSNDVI和MODISNDVI影像数据作为样本，裁剪出农田、林地和草地同时序影像数据，获取各类别4个时期总的VIIRSNDVI和MODISNDVI数据，进行最小二乘法线性拟合，得到农田、林地、草地VIIRSNDVI和MODISNDVI相对较优的关系模型。
y1=0.873 0x1+0.048 3
(3)
y2=0.932 0x2+0.032 5
(4)
y3=0.857 9x3+0.048 7
(5)
式中y1、x1,y2、x2,y3、x3分别表示农田、林地和草地的MODISNDVI和VIIRSNDVI。
1.3.2 植被覆盖区MODISNDVI和VIIRSNDVI综合关系模型 模型的好坏取决于精度，但在实际应用中还需满足便捷性，为了实现模型的便捷性，研究求取了植被覆盖区的综合关系模型。研究综合农田、林地和草地MODISNDVI和VIIRSNDVI的关系特征，分析农田、林地、草地的MODISNDVI和VIIRSNDVI综合定量关系是线性的。
将农田、林地和草地3类植被总样本的MODISNDVI和VIIRSNDVI像元值一一对应，采用最小二乘线性拟合，得到综合关系模型(6)。
y=0.893 9x+0.039 2
(6)
式(6)中y、x分别为植被覆盖区MODISNDVI和VIIRSNDVI。
2 结果与分析
2.1 模型精度与适用性分析
选取2014年1月、4月、7月、10月受环境因子影响小的同时序 MODISNDVI和VIIRSNDVI对各类植被关系模型和综合模型进行验证。本研究采用相关系数、均方根误差和平均绝对误差3个精度指标进行精度评价，各类植被覆盖区采用2种模型反演结果的精度如表2所示。各类植被采用各自关系模型反演结果相关系数集中在0.870 0以上，农田、林地、草地平均相关系数分别为0.917 4、0.907 4、0.902 9，对应的均方根误差主要集中在0.07以下，绝对值误差主要集中在0.05以下，7月份略大，这与7月份2种传感器受环境因子影响不同有关。与各自关系模型相比，综合模型反演结果的相关性不变，均方根误差与绝对值误差与采用各自关系模型的误差相差不大，有的综合关系模型结果更优。说明，在保证精度的前提下，采用综合模型反演MODIS NDVI，更能满足实际需求。
(7)
(8)
公式(7)、公式(8)中xi表示通过模型反演的值，xi0表示对应像元的真值，n为参与验证的像元总数。
为验证综合模型的普适性，本研究将全中国作为验证区，选取全国普遍天气较好的2013年第282～289 d的合成产品作为验证数据，采用GlobeLand30产品判定植被覆盖区，随机均匀地选择28处区域(50 km×50 km)对综合模型进行精度分析，3种精度指标的结果如下：相关性最大值为0.931 8，最小值为0.678 2，平均为0.833 9；均方根误差最大值为0.081 8，最小值为0.022 5，平均为0.046 7；绝对值误差最大值为0.053 3，最小值为0.016 5，平均为0.046 6。从3个指标可以看出，综合模型可在全国植被区有效用于2种传感器的归一化差分植被指数的转换。
2.2 综合模型分析
为了直观表现综合模型的反演情况，探究不同季节综合模型的适用情况，选取了2014年单数月进行分析，图4为综合反演结果以及相应的植被覆盖区VIIRSNDVI和MODISNDVI空间分布图。
表2 精度评价结果
图中的空白区为其他地物类别。图4 综合模型反演结果对比分析图Fig.4 Analysis chart of inversion results of comprehensive model
由图4可知，1月、3月、11月NDVI<0.2的区域，VIIRSNDVI、反演MODISNDVI、MODISNDVI三者的一致性差。各月0.2
2.3 模型时序应用
植被指数是用于植被物候监测的重要参数，受植物生长季节的影响，随着植被的生长而变化，植被指数的时序曲线与植被的时序特征关系密切，因此植被指数反演模型的时序应用是检验模型好坏的重要方面。本试验选取研究区2015年重合时段VIIRSNDVI和MODISNDVI，采用综合模型得到反演MODISNDVI，然后利用农田、草地和林地矢量图裁剪出各类植被覆盖区，最后统计得到如图5所示的2015年农田、林地和草地的时序曲线。
由图5分析可知，同时期MODISNDVI和反演MODISNDVI走势相同。农田在秋、冬季节植被覆盖率低，4月开始返青，5月底和10月初，河南省大量的作物成熟收获，植被覆盖率骤然降低，6月中旬和10月下旬耕种，植被覆盖率逐渐升高。林地与草地在春末夏初开始返青，春末夏初植被生长茂盛，持续到秋末。上述植被变化情况均能在MODISNDVI和反演MODISNDVI体现。河南省在每年10月至次年6月主要农作物为冬小麦，7月至9月主要农作物为夏玉米。结合冬小麦和夏玉米的实测图[12](图6)可知，10月至次年6月初的MODISNDVI和反演MODISNDVI走势与实测冬小麦植被生物量的变化趋势线相同。7月至9月MODISNDVI和反演MODISNDVI与实测夏玉米植被生物量的变化趋势线相同，这表明反演MODIS归一化植被指数与MODISNDVI在反映植被生物量方面具有一致性。此外，模型反演的MODISNDVI整体均衡化程度高，实际MODISNDVI相对出现极端的情况略多，多数时期二者大小极其接近，整体上变化趋势一致。综上分析可知，模型反演的MODISNDVI在反映植被的时序特征方面具有很好的效果。
图5 植被覆盖区时序曲线Fig.5 Time series curve of ture and derived MODIS NDVI in the vegetation coverage area
图中冬小麦生长周期跨越两个年份，从第一年的第288 d至第二年的148 d。图6 冬小麦和夏玉米的生物量变化趋势线Fig.6 Trend line for biomass of winter wheat and summer maize
3 讨 论
VIIRS具有中高分辨率2种工作模式，是NOAA卫星上高分辨率辐射仪AVHRR和EOS系统Terra以及Aqua卫星上中分辨率成像光谱仪MODIS系列的拓展和性能改进[13]。当MODIS失效时，VIIRS在延续MODIS的任务上将发挥重要作用。本研究主要针对MODIS 归一化差分植被指数延续展开研究，综合采用二维密度散点图和数学统计方法分析植被覆盖区MODISNDVI和VIIRSNDVI的定量关系，结果发现：
(1)农田、林地、草地的VIIRSNDVI和MODISNDVI间均存在显著的线性关系，相关系数平均在0.8以上。
(2)验证并分析农田、林地、草地的VIIRSNDVI和MODISNDVI关系模型和基于所有植被覆盖区的综合关系模型，结果表明各自关系模型和综合关系模型均能较好地反映两者之间的定量关系，实现二者的转换。综合模型能满足人们对精度和便捷性的要求，在中国植被覆盖区(农田、林地和草地)具有很好的普适性。
(3)对比分析综合模型反演的MODISNDVI与MODISNDVI的时序曲线，发现二者在反映植被季节性如返青等和植物生物量方面具有一致性，均具有很好的指示作用。
未来VIIRSNDVI将逐步应用于各项工作，如大面积农作物估产,植物的物候期研究,以及地表植被分类，本研究为这些工作提供了有力的技术支持，为各项植被监测所需的长时序MODISNDVI提供了模型。
VIIRSNDVI和MODISNDVI在7、8月份相关性稍弱，与NDVI易受环境因子影响有关，研究虽然选择了8 d合成产品，且尽可能选用了受天气影响较小的影像作为研究样本，在一定程度上减弱了天气的影响，但是仍无法彻底消除影响。今后的研究应致力于如何减弱环境因子对VIIRS影像数据的影响，使得VIIRS数据获取更准确的地表覆盖信息，能更好地监测植被覆盖和植物生长状况。
参考文献：
[1] 王正兴，刘 闯，ALFREDO H. 植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J].生态学报，2003，23(5)：979-987.
[2] 卫 炜，吴文斌，李正国，等. 时间序列植被指数重构方法比对研究[J]. 中国农业资源与区划，2014，35(1)： 34-43.
[3] 左丽君，张增祥，董婷婷，等. MODIS/NDVI和MODIS/EVI在耕地信息提取中的应用及对比分析[J].农业工程学报，2008，24(3):167-172.
[4] 米兆荣，张耀生，赵新全，等.NDVI和EVI在高寒草地牧草鲜质量估算和植被动态监测中的比较[J].草业科学，2010，203(6)：13-19.
[5] 朱 满，胡光宇，于之峰. 基于融合NDVI和EVI时间序列的遥感影像分类研究[J]. 遥感信息，2009，105(5)：44-46,66.
[6] 刘良明，梁益同，马慧云，等. MODIS 和 AVHRR 植被指数关系的研究[J]. 武汉大学学报(信息科学版)，2004，29(4)： 307-310.
[7] 梁天刚，崔 霞，冯琦胜. 2001-2008年甘南牧区草地地上生物量与载畜量遥感动态监测[J].草业学报，2009，18(6)：12-22.
[8] VARGAS M，MIURA T，SHABANOV N，et al. An initial assessment of Suomi NPP VIIRS vegetation index EDR[J]. Journal of Geophysical Research： Atmospheres，2013，118(12)：301-312，316.
[9] SHABANOV N，VARGAS M，MIURA T，et al. Evaluation of the performance of suomi NPP VIIRS top of canopy vegetation indices over AERONET sites[J]. Remote Sensing of Environment，2015，162： 29-44.
[10] XIA L，MAO K，MA Y，et al. Retrieval land surface temperature from visible infrared imager radiometer suite data[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30(8)： 109-116.
[11] 赵明洋，别 强，何 磊，等. 基于去云处理的祁连山积雪覆盖遥感监测研究 [J]. 干旱地理, 2014，37(2)：325-332.
[12] 范 兰，吕昌河，王学春，等. EPIC模型对华北平原冬小麦与夏玉米生长和产量模拟的适用性评价[J]. 麦类作物学报，2014，34(12)：1677-1684.
[13] 李旭文，牛志春，姜 晟，等. 环境监测卫星 Suomi NPP 业务特性及生态环境监测应用[J]. 环境监控与预警，2014，6(3)：1-6.
