基于Landsat-8OLI数据的植被覆盖度反演模型研究——以西安市雁塔区为例

李紫涵

(长安大学地球科学与资源学院，陕西 西安 710064)

引言

植被指数常常是用来表现区域内地表植被覆盖和分布状况[1,2]。而植被覆盖度则是表现区域内地表植物群落空间分布的一个重要参数。目前应用比较广泛的方法是通过遥感影像数据各像元中植被类型及其空间分布的探究，建立植被指数与植被覆盖度间的相关关系来估算植被覆盖度[3]。

常用的植被覆盖度提取方法包含2类：基于地表实测的方法，包括目视估算法、采样法等，但这种方法比较费时费力，且结果容易受主观影响，目前主要用于较小区域范围内的植被覆盖度测量，常作为遥感监测的辅助手段，为遥感监测提供基础数据[4,5]；遥感监测法，近年来，遥感技术的迅速发展为很多学者在植被覆盖度的监测方面发挥了不可忽视的作用，遥感监测法中常用的方法有回归模型法、像元分解模型等[6]。像元分解模型的原理是先求解出混合像元中各地物所占的比例并基于结果来估算该像元内的植被覆盖度的空间分布状况，其中，像元二分模型应用最为普遍，其原理是将像元内的地物首先判别出植被与非植被，并求出其中植被所占的比例，如郭秀丽等[5]基于像元二分模型，利用Landsat-TM数据反演了内蒙古自治区杭锦旗的植被覆盖度分布。

目前，很多学者在估算植被覆盖度时主要采用MODIS等作为遥感影像数据源，利用归一化植被指数对其进行估算。但植被指数有很多种，利用多类型植被指数来反演植被覆盖度的研究还比较少，相关分析也比较缺乏。随着Landsat-8OLI的出现，为植被覆盖度的测量又提供了新的数据源，该数据源覆盖区域较为全面并且方便下载。遥感反演是根据观测信息和前向模型求解或估算出描述地物特征的应用参数[7]。本研究利用Landsat-8OLI数据提取3种常用的植被指数(NDVI、EVI、RVI)，并采用经典的像元二分模型来反演研究区内植被覆盖度的分布，最后利用交叉验证的方式对结果进行精度评价，以此来探讨基于各种植被植被指数的植被覆盖度反演方法在该区域的适用性。

1 植被覆盖度遥感反演模型

1.1 提取植被信息

植被是环境诸要素中对环境依赖性最大的因子之一，同时在遥感数据应用中也作为土壤、水文等的重要解译标志[7]。遥感影像数据详细记录了区域内地表各种类型的植被的分布信息，一般可以通过对遥感影像色调、色彩和几何形态的分析来判别地表植被的分布特征状况，同时也是研究其它自然要素的重要依据[8]。要判别地表植被的分类信息，最常用的方法是在遥感影像上先区分出地表内有无植被，然后再对研究区内地表的植被划分具体的类型，如针叶林，阔叶林等。

在实际研究中则表现为先计算出归一化植被指数值，确定其一个阈值，大于阈值确定为植被区，小于该阈值则确定为非植被区；在植被覆盖区，根据各种植被不同的色调、形状等特征判别出不同的植被类型，还有一种方法是通过遥感监督分类的方式对地表植被分出针叶林、阔叶林、灌木林等类型[9]。

1.2 植被指数

常用的植被指数有很多种，为了体现不同效果且为了方便相互比较，本研究主要选择提取3种植被指数来估算植被覆盖度：NDVI(归一化植被指数)、RVI(比值植被指数)、EVI(增强型植被指数)

NDVI为归一化植被指数，是Rouse等在归一化处理比值植被指数时提出的，后来在植被分析和估算应用较为广泛，公式[1]：

(1)

值的范围是-1～1，小于该阈值则表现为非植被区。

RVI为比值植被指数，最初是由Jordan等提出，其是一个比较简单的线性比植被指数，作用是通过遥感影像利用近红外波段和红色波段反射率的比值来体现它们之间的差异，当一个区域内植被覆盖度大于50%时，RVI对植被的分辨力会随着植被覆盖度的增大而增大[1]，公式：

(2)

值的范围是0～30，在2～8范围内是绿色植被区。

EVI最初是由Liu等为了修正土壤背景值和消除大气因素的影响，提出了增强型植被指数。公式[10]：

(3)

值的范围是-1～1。

式中，G为增益因子，其值为2.5；C1、C2为气溶胶阻抗系数，其值分别为6和7.5；L为土壤调整因子，值为1；B为蓝色波段的反射率；NIR为遥感影像中近红外波段反射率；R为红色波段反射率。

1.3 像元二分模型

首先假设遥感影像中任意一个像元的反射率R可以分成植被部分Rv和非植被部分Rs，则反射率R可以表示为：

R=Rv+Rs

(4)

假设影像上一个像元中有植被覆盖的面积比例为Fc，即该像元的植被覆盖度，那么非植被覆盖的面积比例为1-Fc，如果该像元全由植被所覆盖，则所得的反射率为Rveg、如果该像元不包含植被，则反射率R为Rsoil，因此混合像元的植被区的Rv可以表示为植被反射率Rveg与像元中植被区的覆盖面积Fc的乘积，而非植被区的Rs可以表示为Rsoil与1-Fc的乘积[12]：

Rv=Fc×Rveg

(5)

Rs=(1-Fc)×Rsoil

(6)

植被覆盖度的计算公式可以由上述公式得到：

Fc=(R-Rsoil)/Rveg-Rsoil

(7)

式中，Fc为植被覆盖度；R为任意一个像元的反射率；Rsoil为土壤反射率；Rveg为植被反射率。

由于遥感影像中任意一个像元包含这个范围内所有像素的集合，在实际计算过程中很难区分纯土壤像元和纯植被像元，因而通常用影像中的植被指数取值一般选取一定置信度范围的VImax和VImin来代替Rveg和Rsoil。

1.4 模型评价

为了更好地评价像元二分模型产生的结果精度，本研究选用交叉验证法来判断3种结果的精度。交叉验证法的原理是利用每个实测点周围的点对该实测值进行预测，将预测值与该实测值本身进行比较[9]。本研究选取2个参数，相关系数与均方根误差进行精度评价。

(8)

(9)

2 数据处理

2.1 数据源

为了获得更准确的植被覆盖度结果，选择夏天植被处于茂盛期的遥感影像，挑选6—8月时间段无云影响、质量较高数据下载，选择2016年6月17日西安市的Landsat-8OLI影像图。其中，1～7波段为多光谱数据，8波段为全色波段数据，影像的具体参数如表1所示。

表1 影像详细参数

2.2 辐射定标与大气校正

2.2.1 辐射定标

在进行植被覆盖度的估算之前要处理原始的遥感影像，主要步骤包括辐射定标与大气校正以及融合和裁剪。辐射定标的原理：最初的遥感影像数据记录的是没有明确物理意义的地物灰度值(DN值)，因此需要其转化为有物理意义的辐射亮度、反射率或地表温度值等[12]。

2.2.2 大气校正

大气对影像反射率有不同方面的影响，大气对太阳光辐射能量具有吸收和阻碍作用，所以原始的遥感影像反射率会受到大气反射的光线干扰而体现不出真实的地面反射率，这样产生的影响就是会造成影像失真，大气校正模型可以有效校正大气对传感器产生的影响，可以平滑地物光谱，以此来获取到更为准确的地表反射率、辐射率和地表温度等信息[12,13]，表2为大气校正时所设置的具体参数。

表2 大气校正参数设置

2.3 影像融合与裁剪

为了提高遥感影像分辨率，获得较为清晰的遥感影像，因此将大气校正过的影像图与原始影像的全色波段进行融合。用GS融合方法将8波段30m多光谱数据和15m全色波段进行进行融合得到更高分辨率的影像。利用ROI工具选择一块大小为1920m×1442m的区域，生成ROI文件，并加载雁塔区的边界shape图层，裁剪经过融合的影像图。裁剪后影像如图1所示。

3 植被覆盖度遥感反演计算

3.1 计算植被指数

提取植被信息，计算出NDVI值，确定NDVI的一个阈值，大于该阈值为植被区，小于该阈值为非植被区，从而区分出植被与非植被如图2所示；由图1可知，提取的植被信息符合真实情况。

图1 雁塔区裁减后影像数据

图2 雁塔区植被指数提取结果

计算整个研究区的归一化植被指数NDVI，增强型植被指数EVI，比值植被指数RVI，并分别做二值化处理。

3.2 植被覆盖度估算

对二值化的归一化植被指数进行概率统计，在一定的置信区间范围内来获取阈值，根据实验结果分别选取NDVI的阈值为(0.003922，0.992157)、RVI的阈值为(2，8)、RVI的阈值为(0.2，0.8)。本文植被覆盖度的反演模型采用像元二分模型进行估算。模型中的数据主要包括二值化后在选取的阈值范围内的3种植被指数包括归一化植被指数NDVI，增强型植被指数EVI，比值植被指数RVI，利用EVNI软件，通过像元二分估算模型公式，从而得出雁塔区植被覆盖度估算结果，3种结果如图3～5所示。

图3 NDVI估算植被覆盖度结果图

图4 RVI估算植被覆盖度结果

图5 EVI估算植被覆盖度结果图

4 模型评价

将获得的3种植被覆盖度数据转化成矢量点图层，并导入Excel与原始影像提取的植被覆盖进行比较分析，选取2个参数，相关系数与均方根误差进行精度评价，评价结果如表3所示。

表3 模型验证结果

从图1～3以及验证指标的表现可以看出，3个植被指数均能反演出研究区植被覆盖度，且相关性都>0.5，均通过了0.01的显著性检验，说明像元二分模型能够很好地反演研究区域的植被覆盖度，具有普适性。综合来看，基于NDVI估算的植被覆盖结果精度最高，基于RVI与EVI估算的植被覆盖结果精度较低。归一化差植被指数NDVI是最常使用的一种光谱植被指数。基于本次研究结果也表明其最能反映研究区内地表的植被覆盖度真实情况，反演效果较好。

5 结论

本研究利用Landsat-8OLI数据提取3种植被指数分别进行反演研究区植被覆盖度的研究并进行精度评价，由原始遥感影像及其提取出植被覆盖区可知，雁塔区的植被区多分布在左上部分与右下部分，其它部分为建筑区，植被覆盖较少，通过视觉比较，3种植被指数计算的覆盖度中，在植被覆盖度较低时，EVI对植被的敏感性最差，NDVI敏感性最强，最能反映地表整体的真实覆盖度，RVI、EVI效果较差，在植被覆盖度较高的区域RVI、EVI能够反映出地表植被覆盖情况，但在植被覆盖度较低的区域不能反映真实的地表覆被情况，说明EVI和RVI对高植被覆盖度的敏感性较强，对低植被覆盖度敏感性较差。因此RVI、EVI更适用于高植被覆盖度区域的植被评估。

获取植被覆盖度的方法中传统的地表实测法很容易受到地形和天气等客观影响以及时间和人力资源等主观因素的制约，因此很难获取到大范围内的植被覆盖度分布信息。目前基于遥感影像的植被覆盖度测量法逐渐被更多学者应用到实际研究中。而其中基于像元二分模型反演植被覆盖度的方法逻辑明晰原理简单，且方便计算，并不依赖实测数据，也不受其它主客观因素的影响，使用高分辨率的遥感影像也会增加模拟精度，所以像元二分模型具有普适性。

植被指数种类比较多，但这些植被指数都很难消除土壤背景产生的影响，这可能是使用植被指数反演区域植被覆盖度精度不高的主要原因。未来可以对研究数据进行优化，以及使用更高分辨率的原始遥感影像数据来提高估算模型中参数精度，从而进一步提高植被覆盖度估算模型精度，以使其更好地反演和表演出研究区域内地表植被覆盖的真实情况，便于后续深入研究。