城市植被覆盖度变化检测与分析

刘 辉

（辽宁省自然资源事务服务中心—辽宁省基础测绘院，辽宁 锦州 121003）

0.引言

植被是人类生存环境的重要组成部分，它能够防沙固土，净化空气，防止水土流失。对植被进行监测和保护对于治理环境问题具有重要的意义，在生态系统中占有举足轻重的作用。植被覆盖度变化分析是当今衡量地表状况的重要手段，它能很好地反映出城市生态环境变化，是评价环境健康状况的主要指标。

作为衡量生态环境的重要指标，植被覆盖度在植被变化监测方面引起了国内外广大学者的关注。传统的获取植被覆盖度的主要方法是地面测量，主要包括目估法、采样法和仪器法等[1]。实地测样方法估算植被覆盖度的变化要耗费巨大的人力、物力，并且在大区域的测量中难以保证精度。遥感解译方法是利用遥感解译技术提取研究区的植被光谱信息，然后建立与植被覆盖度的关系，之后获取植被覆盖度数据方法。当今提取植被覆盖度最普遍的方法就是遥感解译方法，该方法主要包括经验模型法、植被指数法、像元分解模型法[2]。Wittich等人针对不同的土地利用类型建立了植被覆盖度与NDVI的经验模型，并用NOAA AVHRR数据计算了研究区的植被覆盖度[3]。刘玉安等利用“北京一号”小卫星数据，基于像元二分模型对淮河上游植被覆盖度进行了估算[4]。王宁等在计算得到的归一化植被指数NDVI的基础上建立像元二分模型，用实测数据对估算到的植被覆盖度进行验证，结果表明使用此模型进行植被覆盖度监测是可行的[5]。本文采用三期Landsat影像，基于像元二分模型和土地利用分类两种方法提取植被覆盖度，分析城市十年间的植被覆盖度变化情况以及发展趋势。

1.技术路线

利用城市地区2007年、2011年、2016年三期Landsat遥感影像数据，对图像进行预处理后计算每期影像的归一化植被指数NDVI，并以此为基础建立像元二分模型，估算三期影像的植被覆盖度，并分析植被覆盖度的时空变化，并进一步对其影响因素进行分析和讨论。技术路线（如图1所示）：

2.数据准备

本文选取了2007年9月和2011年9月的Landsat TM影像以及2016年9月的Landsat OLI影像，空间分辨率分别为15米和30米，比较适合城市尺度的监测应用。下载影像的轨道号分别为120/30和120/31，三个时相共计6景影像，影像含云量均为0，影像质量良好。由于研究的是植被覆盖度，所以影像时相选在能够较好反映植被生长状况的季节，本文选取的6景影像都是在9月份获取的。以2007年9月影像作为基准影像，分析至2011、2016年的植被生长变化情况。

3.城市植被覆盖度估算

3.1 基于像元二分模型植被覆盖度提取

像元二分模型比较简单，应用广泛。许多研究人员通过建立像元二分模型对不同研究区的植被覆盖度进行估算，经过验证，都得到了较高的精度。本文基于此模型，利用三期影像，研究城市十年来的植被覆盖度变化情况。

通过对影像分析可知：城市内部分区域完全被植被覆盖或覆盖度较高，部分区域植被覆盖度较低或完全为裸地，所以研究区域内植被覆盖度最大值取1，植被覆盖度最小值取0。NDVI的最大值和最小值分别为纯植被的NDVI值和纯土壤的NDVI值。在确定NDVI的最大值和最小值时具有较大的主观性，有些学者根据累计像元数达到5位数来获取阈值，而本文采用的是根据像元累加数的比重划分，置信度为95%和5%。再根据植被指数与植被覆盖度之间的关系得到植被覆盖度。

3.1.1计算不同时相的NDVI图像

NDVI计算公式利用影像的红色波段和近红外波段，其中，Landsat TM中，红外波段为3，近红外波段为4；Landsat OLI中，红外波段为4，近红外波段为5。由于影像中有水体、背景、建筑等地物，所以会出现NDVI异常值的情况，为使NDVI值在-1—1之间，利用下式避免异常值的出现。

3.1.2获取阈值

选取三期去除异常值处理的NDVI图像，统计每个NDVI值出现的概率。本文选择的置信度为5%和95%。

其中，5%对应的值为NDVI最小值，95%对应的值为NDVI最小值。得出2007年、2011年和2016年的NDVI概率分布情况，找出NDVImax、NDVImin。三期NDVI最大值与最小值统计情况（如表1所示）：

表1 NDVI阈值统计

3.1.3植被覆盖度计算

三个监测期的NDVI参数值已经确定，根据式（1）来计算植被覆盖度。首先，将整个研究区分为三个部分：当NDVI值小于NDVImin时，植被覆盖度取值为0；当NDVI值大于NDVImax时，植被覆盖度取值为1。对三期植被覆盖度图像进行统计，得到2007年城市的平均植被覆盖度为55.77%，2011年平均植被覆盖度为54.82%，2016年平均植被覆盖度为51.20%。2007年、2011年和2016年的植被覆盖度图（如图2所示）：

图2 2007年、2011年和2016年的植被覆盖度图

3.1.4植被覆盖度分级

在上述植被覆盖度图的基础上，按照分级标准，将植被覆盖度分为五个等级：0-0.2、0.2-0.4、0.4-0.6、0.6-0.8、0.8-1.0。并为每类设置不同颜色，颜色越深代表的植被覆盖度越大。覆盖度所对应的地物类别如下：一级为低植被覆盖，植被覆盖度为0-0.2，对应于裸地、居民区、建筑、交通道路、水体、荒草地等；二级为中低植被覆盖度，植被覆盖度为0.2-0.4，对应荒地、居民点、农田等；三级为中植被覆盖度，植被覆盖度为0.4-0.6，对应农田、低产草地、旱地、退化土地等；四级为中高植被覆盖，植被覆盖度为0.6-0.8，对应高产草地、林地、农田等地物；五级为高植被覆盖度，植被覆盖度为0.8-1.0，对应林地、高产草地、灌木林、优质耕地等。得到2007年、2011年、2016年植被覆盖度分级图（如图3所示）：

图3 2007年、2011年和2016年的植被覆盖度分级图

3.1.5精度验证

检验植被覆盖度计算精度使用的是同期的高分影像，该影像的空间分辨率为1米。将高分影像上分布的五个级别的植被与上面得到的植被覆盖度分类图进行地理配准，检验对应区域的分类级别与高分影像上的地物是否匹配。通过比较发现，地物与各分类级别吻合度较高。因此，得出像元二分模型提取的植被覆盖度精度基本可靠。

3.2 基于遥感图像分类结果的植被覆盖度提取

3.2.1监督分类

根据监督分类的原理，将影像分为两类：植被和非植被。在对遥感影像进行分类时，选择能够代表各类地物特征的样本区域来判别选取各类地物是否合适。本文研究的三期影像两类地物分离度都在1.9以上，分离性好。采用最大似然分类器并对分类结果图进行分类后处理。

3.2.2分类精度验证

本文采用分类结果叠加和混淆矩阵两种方法来验证分类精度。

（1）分类结果叠加

将分类结果与原图进行叠加，着重检查原图与分类结果图中易于判别的地物，如，道路、河流等，查看重叠程度，目视判读分类的精度。这种精度检验方法准确性较低。

（2）混淆矩阵

计算混淆矩阵可以使用一幅地表真实图像或地表真实的感兴趣区域，本文将分类结果与原图进行叠加，选择吻合度较高的分类结果计算混淆矩阵。通过精度验证，三期影像总体分类精度均在80%以上，Kappa系数也在0.68以上，总体精度可靠。

3.2.3植被覆盖度提取

根据三期的植被分类结果，统计植被的占比，总体估算三期影像的植被覆盖度。可以得出：2007年植被面积为3578.17km2，占所有类别的34.49%，则2007年植被覆盖度为34.49%；2011年植被面积3295.84km2，占所有类别的31.77%，植被覆盖度估算为31.77%；2016年植被面积为3020.02km2，占所有类别的29.11%，2016 年植被覆盖度估算结果为29.11%。可以看出，从2007年到2016年城市植被覆盖度总体呈现下降趋势。

4.城市植被覆盖度变化检测

本文以2007年、2011年和2016年三期影像作为影像数据源，分析了城市植被覆盖度及变化情况。为了能够更加明显地表示每年植被覆盖度的具体状况，对三期植被覆盖度各等级的面积、占比以及不同等级之间的变化关系进行了统计（如表2所示）：

表2 植被覆盖度随时间变化的情况

从表2可以看出：2007年—2016年植被覆盖度变化明显。一级、四级、五级植被覆盖面积减少，二级、三级植被覆盖面积增加。由此可以看出，植被破坏和保护并存，但整体来看，城市呈现植被退化的趋势。三级植被覆盖面积增加明显，五级植被覆盖面积减少明显，可以看出，虽然低植被覆盖面积增加了，但是总体来看，植被退化严重。

5.植被覆盖度变化的驱动力分析及发展趋势预测

5.1 城市植被覆盖度变化驱动力

5.1.1自然因素

城市气候干旱，降雨量少，风大沙多，地表土层主要是由岩石风化物和松散的泥沙冲积物组成，在大风和雨水的冲击下很容易造成水土流失、土地退化等现象。在调查研究中发现，水土流失现象在坡度较大的地区很容易发生，坡度越大，土壤侵蚀越严重。虽然在植被生长期，干旱抑制了植被的生长，但在大风的作用下，地面失去植被的保护，导致土地进一步旱化，植被难以再次植入土壤，导致生态环境遭到破坏。

5.1.2人为因素

随着城市化进程的加速，人口也大大增加。过度砍伐森林、毁草种田、不合理地开发土地资源导致城市植被覆盖度下降。另外，畜牧业也是造成植被退化的重要原因，大面积的草地被开垦为荒地，牛、羊的草地面积迅速减少，草场被过度啃食、践踏，使得草场的植被恢复力极度脆弱。再者，矿产资源不合理开发也是导致植被退化的主要原因，矿山周围的植被、水体、自然景观受到不同程度的影响，呈现植被退化趋势。

5.2 城市植被覆盖度发展趋势

为了更加详细地表示城市植被覆盖度的变化趋势，利用2007年、2011年、2016年三个时期的植被覆盖度图像，将植被覆盖度图两幅间做差值运算，得到2007—2011年、2011—2016年、2007—2016年的植被覆盖度变化图（如图5所示）：

图5 2007—2011年、2011—2016年、2007—2016年植被覆盖度演变图

根据图6得出：2007—2011年间，城市植被覆盖状况以轻微改善和一般改善类型为主，植被改善主要位于南部地区，南部地区主要是明显改善类型，东北部地区和北部地区也有零星分布；植被退化区主要在西部地区和东北部地区。2011—2016年间，城市植被覆盖状况以一般改善和轻微改善为主，植被明显改善地区位于城市中部地区和东北部地区。植被一般改善和轻微改善位于西北部和东北部地区，分布比较零散；植被退化区域主要位于西部和东北部，城市植被覆盖发展趋势以退化为主。2007—2016年间，植被退化比较严重，主要位于东北部地区和西部地区，主要以明显退化为主，一般退化和轻微退化比较分散；植被明显改善区主要位于南部地区，北部地区有零散分布，植被一般改善和轻微改善区位于西部地区和东北部，分布较为零散。

6.结束语

本文利用Landast TM/OLI遥感影像数据，应用植被归一化植被指数和像元二分模型对城市植被覆盖度状况进行了估算和分析。通过像元二分模型，得到2007年、2011年和2016年三期影像植被覆盖度，并对每期植被覆盖度图进行分级并统计各类别面积，从时间和空间的角度来分析2007—2016年十年间植被覆盖度变化情况。由于影像的空间分辨率为15米和30米，因此，不可避免地会存在混合像元问题。另外，在本文中，由于没有真实的土地利用分类图对分类结果进行验证，所以采用了手动选取分类结果与原图叠加来进行验证。此过程存在较大的主观性，所以分类结果不够精确。但是，通过图像分类和像元二分模型法都得出城市植被覆盖度呈现退化趋势的结论，两种方法的结论一致，所以根据本文方法提出的结论具有一定的可靠性。