利用Hyperion圖像估算森林覆蓋度

王新云，郭藝歌

(寧夏大學(xué)西北退化生態(tài)系統(tǒng)恢復(fù)與重建教育部重點(diǎn)實(shí)驗(yàn)室，銀川 750021)

1 研究背景

植被是陸地生態(tài)系統(tǒng)的重要組成部分，它在維系陸地－大氣之間的碳循環(huán)、水循環(huán)、能量交換中發(fā)揮著重要的作用。植被覆蓋度(Fractional Vegetation Coverage)是植被在單位土地面積內(nèi)的垂直投影面積所占百分比［1－2］，是衡量植被群落覆蓋地表狀況的一個(gè)綜合量化指標(biāo)，是陸面過程、碳循環(huán)、水循環(huán)模型等的重要特征參量。植被覆蓋度作為一個(gè)重要的生態(tài)學(xué)參數(shù)在許多氣候模型和生態(tài)模型中被廣泛應(yīng)用，同時(shí)它也是評估土地退化、土地沙漠化的敏感性指標(biāo)［3－4］。遙感技術(shù)是獲取區(qū)域尺度地表特征的一種有效手段。因此利用遙感技術(shù)獲取地表植被覆蓋信息，對揭示地表植被空間變化規(guī)律、探討植被空間分布變化的驅(qū)動(dòng)因子以及分析評價(jià)區(qū)域生態(tài)環(huán)境、氣候、水文等變化規(guī)律具有重要的研究意義。

遙感為測量區(qū)域尺度上植被的覆蓋提供了一種全新的研究手段，利用遙感技術(shù)可以有效地估算地表的植被覆蓋度，是獲取區(qū)域尺度上植被覆蓋度的最有效的途徑?，F(xiàn)有的利用遙感數(shù)據(jù)估算植被覆蓋度的方法主要有:植被指數(shù)法、回歸分析法、分類決策樹法、神經(jīng)網(wǎng)絡(luò)法、混合像元分解、物理模型反演等方法。利用幾何光學(xué)模型和線性混合像元分解是估算植被覆蓋度的常用方法。Pech等(1986)利用混合像元分解方法估算了澳大利亞半干旱灌木林地的植被覆蓋度，在模型建立時(shí)除考慮裸土、灌木、草地3種組分，還考慮植被陰影覆蓋組分［5］。Peter Scarth等(2000年)采用幾何光學(xué)模型和光譜線性混合分解(SMA)方法從TM圖像反演了澳大利亞東南部的森林年齡和生長階段指標(biāo)［6］。

賀蘭山橫跨寧夏、內(nèi)蒙古2個(gè)自治區(qū)，隸屬于北溫帶草原和荒漠的過渡區(qū)。賀蘭山作為我國西部溫帶草原與荒漠的分界線和連接青藏高原、蒙古高原及華北植物區(qū)系的樞紐［7－8］，受不合理土地利用和氣候變化的影響，生態(tài)系統(tǒng)極端脆弱，進(jìn)而導(dǎo)致荒漠化在該區(qū)域特別突出。植被覆蓋度是評價(jià)土地荒漠化的最有效的指標(biāo)，準(zhǔn)確獲取該區(qū)域的植被覆蓋度對于土地資源的合理開發(fā)利用和土地荒漠化的準(zhǔn)確評價(jià)具有重要的意義。

近年來，很少見到利用遙感技術(shù)對該地區(qū)森林生物量、碳循環(huán)、水文、氣候變化等方面的研究相關(guān)報(bào)道?；谶@些原因，本文選擇位于西北干旱風(fēng)沙區(qū)的賀蘭山自然保護(hù)區(qū)的天然植被(主要為針葉林和灌木林)為研究對象，利用Li-Strahler幾何光學(xué)模型和混合像元模型2種方法從EO-1 Hyperion圖像上提取了該區(qū)域的森林覆蓋度，為進(jìn)一步研究賀蘭山區(qū)域的植被生物量、碳循環(huán)、水文、氣候變化等方面的研究提供理論依據(jù)。

2 研究區(qū)和數(shù)據(jù)處理

2.1 研究區(qū)

本文的研究區(qū)選擇位于寧夏賀蘭山自然保護(hù)區(qū)，地理坐標(biāo)為北緯 38°19'～ 39°22'，東經(jīng) 105°49'～ 106°41'，總面積為2 062.66 km2。賀蘭山地處內(nèi)陸，冬季嚴(yán)寒，夏季干燥炎熱，降水量少，年平均氣溫8.2 ～8.6℃;年平均降水量250 ～438 mm;年平均蒸發(fā)量1 600～1 800 mm之間。主要的喬木樹種有青海云杉(Picea crassifolia)、油松(Pinus tabulaeformis)、山楊(Populus davidiana Dode)、灰榆(Ulmus glaucescens Franch)和杜松(Juniperus rigida)。灌木樹種主要有小葉金露梅、蒙古扁桃、蒙古繡線菊、華西銀露梅和忍冬。

2.2 植被覆蓋度測量

2009年7月11—18日對研究區(qū)進(jìn)行了實(shí)地考察和野外測量。本次實(shí)驗(yàn)中，覆蓋度實(shí)測數(shù)據(jù)的獲取包括:①設(shè)置樣方，拍攝植被覆蓋的數(shù)碼照片;②對數(shù)碼照片進(jìn)行處理計(jì)算森林覆蓋度。在研究區(qū)內(nèi)布設(shè)30個(gè)有代表性的30 m×30 m樣地，每個(gè)樣地內(nèi)的植被分布相對均勻，用GPS記錄每個(gè)樣地的位置。在每個(gè)樣地內(nèi)選擇5個(gè)有代表性的點(diǎn)進(jìn)行數(shù)碼照片的拍攝。將數(shù)碼相機(jī)拍攝的影像讀入圖像處理軟件進(jìn)行分析處理，從圖像上計(jì)算得到覆蓋度。

2.3 Hyperion介紹

2.3.1 Hyperion 高光譜數(shù)據(jù)

本文研究中采用的數(shù)據(jù)是寧夏賀蘭山自然保護(hù)區(qū)的EO-1衛(wèi)星上的Hyperion高光譜遙感數(shù)據(jù)，成像時(shí)間為2003年9月15日，過境時(shí)間為3:25:44。影像覆蓋范圍為38.62°～ 39.41°N，105.9°～106.23°E之間。文件類型為 L1R級的HDF數(shù)據(jù)，波段交叉(BIL)格式。WRS編號為130－33。Hyperion數(shù)據(jù)有242個(gè)波段，空間分辨率為30 m，光譜分辨率為10 nm，波長范圍為355.59～2 577.08 nm，覆蓋可見光、近紅外和短波紅外波段。

2.3.2 Hyperion 影像處理

針對高光譜EO-1 Hyperion遙感圖像數(shù)據(jù)的成像特點(diǎn)，對Hyperion圖像的預(yù)處理包括未標(biāo)定及水氣影響波段的去除、壞線修復(fù)、輻射校正、大氣校正、幾何校正和地形校正。

高光譜Hyperion的L1產(chǎn)品有242個(gè)波段，1～70(356～1 058 nm)為可見光—近紅外波段(VNIR)，71～242(852～2 577 nm)為短波紅外波段(SWIR)。其中，198個(gè)波段經(jīng)過輻射定標(biāo)處理，定標(biāo)的波段分別為VNIR8～57，SWIR77～224。由于VNIR56～57與SWIR77～78重疊，實(shí)際上只有196個(gè)波段。沒有定標(biāo)的波段值為0。

由于傳感器的標(biāo)定存在一定的錯(cuò)誤，在Hyperion的L1級產(chǎn)品中，存在無數(shù)據(jù)或數(shù)據(jù)非常小的一行或一列稱為壞線。對Hyperion逐波段檢查，并記錄壞線存在的波段和對應(yīng)的列號。然后，用其相鄰行或列的平均值修復(fù)［9］。

獲取的Hyperion L1R級數(shù)據(jù)是DN值，以16 bit的有符號整型存儲，單位是(W/m2·sr·μm)，需要進(jìn)行輻射定標(biāo)，將其轉(zhuǎn)化成輻射亮度值，輻射定標(biāo)采用EO-1使用手冊給定的定標(biāo)系數(shù)［10］:

式中:DN表示影像的灰度值;VNIR為可見光、近紅外波段(波段1～70);SWIR為短波紅外波段(波段數(shù)為71～242)。

研究區(qū)的Hyperion影像的大氣校正采用ENVI 4.3軟件的 FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)大氣校正模塊進(jìn)行。幾何校正利用該區(qū)域的30 m分辨率的EO-1 ALI圖像作為參考圖，采用最近鄰法，校正后的圖像采用UTM投影，WGS84橢球體。選取了41個(gè)控制點(diǎn)，誤差控制在RMS小于0.2個(gè)像元。利用輻射地形校正模型［11］和ASTER GDEM(30 m)數(shù)據(jù)消除了由于地形導(dǎo)致的光照投影面積變化，將坡地光譜信號校正為水平地面信號，得到等效水平面條件下的圖像反射率圖。

3 遙感模型

3.1 幾何光學(xué)模型

幾何光學(xué)模型主要考慮地物的宏觀幾何結(jié)構(gòu)，把地面目標(biāo)假定為具有已知幾何形狀和光學(xué)性質(zhì)，按一定方向排列的幾何體，通過分析這些幾何體對光線的截獲和遮陰及地表面的反射率來確定植被冠層的方向反射。幾何光學(xué)模型的核心是4個(gè)分量的計(jì)算:光照植被、陰影植被、光照地面和陰影地面。根據(jù)這4個(gè)參數(shù)在不同光照和觀測條件下的幾何光學(xué)關(guān)系建立二向反射分布模型。

Li-Strahler幾何光學(xué)模型［12］被發(fā)展用于遙感影像像元尺度的樹冠大小和樹密度的反演，目前廣泛用于植被結(jié)構(gòu)參數(shù)的反演［13］。Li-Strahler幾何光學(xué)模型將遙感影像上的地表反射信號描述成4個(gè)分量的面積加權(quán)和，即

式中:S表示每一像元的反射率;4個(gè)分量:Kg，Kc，Kt和Kz分別表示光照背景、光照冠層、陰影冠層和陰影背景的面積比例;G，C，T和Z分別表示光照背景、光照冠層、陰影冠層和陰影背景的權(quán)重。光照背景的比例表達(dá)為

式中:θi，θv分別為太陽和衛(wèi)星的天頂角;φ 是太陽與衛(wèi)星之間的相對方位角;O(θi，θv，φ)為光照陰影和觀測陰影的重疊部分，稱為重疊函數(shù)，

其中

M被稱為“treeness”，當(dāng)樹不相互重疊時(shí)，它表示樣地內(nèi)的平均冠層覆蓋大小由式(6)求得M

式中h和r分別為平均樹高、樹冠的平均長半徑。

最后由式(7)求得森林覆蓋度Fc為

3.2 線性光譜混合分解

線性光譜混合分解模型(LSMM)是混合像元分解的常用方法，它假設(shè)圖像中每一個(gè)像元的反射率值是該像元內(nèi)每種地物反射率以及每種地物類型在該像元內(nèi)所占像元面積比例作為權(quán)重系數(shù)的線性組合。它的數(shù)學(xué)表達(dá)式為［14］:

式中:Ri，j是第i個(gè)純像元、第j個(gè)波段的反射率;Ki是第i個(gè)純像元的面積百分比;vj是第j個(gè)波段的誤差;m為組分的個(gè)數(shù);p為圖像波段的個(gè)數(shù)。

3.3 混合像元模型

混合像元模型假設(shè)像元由2部分構(gòu)成，植被覆蓋地表與無植被覆蓋地表。植被不能完全覆蓋整個(gè)像元，其像元的NDVI值是植被覆蓋部分的NDVI值(NDVIveg)與非植被覆蓋部分NDVI值(NDVIsoil)的加權(quán)平均，即［15－16］:

因此，植被覆蓋度Fc為

式中:NDVI為影像中各像元的NDVI值(NDVI=ρ864－ ρ671)/(ρ864+ ρ671)ρ864和 ρ671分別為近紅外 44波段和紅光25波段的反射率);NDVIsoil為全裸土覆蓋區(qū)域的NDVI值;NDVIveg為純植被覆蓋像元NDVI值。

4 結(jié)果與分析

本文的研究區(qū)位于賀蘭山自然保護(hù)區(qū)的生態(tài)定位站，其植被類型主要以原始森林為主。利用遙感圖像反演幾何光學(xué)交互遮蔽(GOMS)模型獲得組分光譜，再對高光譜圖像進(jìn)行組分光譜分解，然后再利用幾何光學(xué)模型計(jì)算得到森林覆蓋度。

研究中采用基于純凈像元指數(shù)(Pixel Purity Index，PPI)的方法從 Hyperion影像上提取組分端元［17］。利用噪聲白化變換(MNF)壓縮數(shù)據(jù)維數(shù)，去除波段之間相關(guān)性［18］。選擇包括原始影像的大部分有用信息的前10個(gè)波段進(jìn)行混合像元分解。PPI算法的實(shí)現(xiàn)在ENVI軟件內(nèi)完成。為保證選擇“純凈”的像元的質(zhì)量及數(shù)量，迭代次數(shù)為10 000次，“純凈”像元閾值為2.50，最后計(jì)算得到影像中的純凈像元，并將其定義為感興趣區(qū)域(Region of Interest，ROI)。利用ENVI提供的N維散度法對ROI中純凈像元進(jìn)行N維散度分析。經(jīng)N維散度分析后，最終確定了4種類型的端元:光照背景(G)、光照冠層(C)、陰影冠層(Z)和陰影背景(T)。然后利用線性光譜混合分解模型(公式8)進(jìn)行混合像元分解得到分量Kg。最后利用公式(4)－(7)計(jì)算得到植被覆蓋度Fc。圖1和圖2為分別采用幾何光學(xué)模型和混合像元模型估算的森林覆蓋度圖。

圖1 幾何光學(xué)模型估算的覆蓋度Fig.1 FC map using geometric-optical model

圖2 混合像元模型估算的覆蓋度Fig.2 FC map using mixed-pixel model

利用EO-1 Hypeion數(shù)據(jù)，基于幾何光學(xué)模型和混合像元模型反演算法分別計(jì)算了每個(gè)像元的植被覆蓋度Fc，圖像區(qū)域主要以森林為主，圖像大小為466×655。圖1和圖2分別為基于幾何光學(xué)模型和混合像元模型反演算法計(jì)算的植被覆蓋度，其中O:Bare表示空白區(qū)域。為了比較2種算法反演的植被覆蓋度，將圖1和圖2反演的植被覆蓋度做二維散點(diǎn)圖(如圖3)，圖中的斜線為1∶1線。結(jié)果表明:

(1)大部分點(diǎn)主要分布于1∶1線附近，2種模型算法估算的植被覆蓋度主要介于0.2～0.8，在該區(qū)域2種算法反演的結(jié)果存在很小的差異，利用幾何光學(xué)模型反演的覆蓋度低于混合像元估算的結(jié)果;

(2)2種算法反演結(jié)果有少數(shù)像元相差較大，在此區(qū)域Kg接近于0，森林覆蓋比較稠密，幾何光學(xué)模型反演的覆蓋度值介于0.8～1.0，而混合像元模型反演的覆蓋度介于0.7～0.8，這說明在此區(qū)域利用幾何光學(xué)模型反演的植被覆蓋度高于混合像元模型反演的結(jié)果，幾何光學(xué)模型明顯高估了這些點(diǎn)的覆蓋度。

圖3 圖1和圖2的二維散點(diǎn)圖Fig.3 Two-dimensional scatter plot between Fig.1 and Fig.2

為了進(jìn)一步驗(yàn)證反演的植被覆蓋度，將幾何光學(xué)和混合像元模型反演的覆蓋度及地面實(shí)測覆蓋度進(jìn)行了比較(見圖4、圖5)，以地面實(shí)測的覆蓋度作為真值，對2種算法計(jì)算結(jié)果進(jìn)行對比驗(yàn)證。選取了30個(gè)樣方進(jìn)行驗(yàn)證，分別計(jì)算了決定系數(shù)R2、均方根誤差(RMSE)和回歸關(guān)系。其中，虛線為1∶1線;實(shí)線為回歸關(guān)系。通過模型估算的森林覆蓋度和實(shí)測的覆蓋度主要分布在1∶1線附近，用模型反演的覆蓋度比較接近于真實(shí)值。幾何光學(xué)模型反演的覆蓋度決定系數(shù)R2=0.76;均方根誤差RMSE=0.06;混合像元模型反演的覆蓋度決定系數(shù)R2=0.71;均方根誤差RMSE=0.07。這說明幾何光學(xué)模型算法要優(yōu)于混合像元法。利用遙感物理模型反演的植被覆蓋度精度存在著一些不確實(shí)性，如Kg估算的精度、地面實(shí)測結(jié)果的精度，這些都對遙感物量模型反演的結(jié)果有一定的影響。

圖4 幾何光學(xué)模型反演值和實(shí)測值比較Fig.4 Comparison of FC scatter plots between the geometric-optical model estimated and ground measured data

圖5 混合像元模型反演值和實(shí)測值比較Fig.5 Comparison of FC scatter plots between the mixed-pixel model estimated and ground measured data

5 結(jié)論

本文以高光譜EO-1 Hyperion圖像為數(shù)據(jù)源，分別采用幾何光學(xué)模型和混合像元分解以及混合像元模型估算了西北干旱地區(qū)的賀蘭山的森林覆蓋度，并將這2種方法反演的森林覆蓋度進(jìn)行了對比。研究結(jié)果表明:2種方法計(jì)算結(jié)果比較接近。最后將幾何光學(xué)模型和混合像元模型反演的森林覆蓋度和野外測量數(shù)據(jù)進(jìn)行了驗(yàn)證。

賀蘭山地處西北干旱區(qū)，其植被類型主要以原始森林為主。利用幾何光學(xué)模型和混合像元模型反演干旱地區(qū)的森林覆蓋度，精度較高，具有較為廣泛的適用性。

由于Hyperion圖像本身的質(zhì)量問題，估算的植被覆蓋度的精度受到一些因素的影響，主要影響因素有:

(1)遙感影像校正誤差的影響。因?yàn)镠yperion圖像幾何校正誤差和大氣校正誤差的存在，同時(shí)校正過程中存在不可避免的人為因素的影響，影響圖像校正的質(zhì)量。

(2)地形對反演精度的影響。實(shí)驗(yàn)區(qū)的地形起伏較大，由于地形的影響，不同的坡度和坡向?qū)g有一定的影響，因此影響了最后的反演精度。

(3)反演算法精度根據(jù)研究區(qū)有限的野外測量數(shù)據(jù)進(jìn)行評價(jià)，存在一定的局限性。今后有必要增加樣本數(shù)據(jù)，尤其是覆蓋度較大的數(shù)據(jù)，且需針對多個(gè)區(qū)域進(jìn)行反復(fù)驗(yàn)證。

遙感測量已成為植被覆蓋度監(jiān)測的主要途徑，更好地利用高光譜分辨率和高空間分辨率的遙感數(shù)據(jù)，提高模型及反演結(jié)果的精度是今后研究的一個(gè)重點(diǎn)。

［1］GITELSON A A，KAUFMAN Y J，STARK R，et al.Novel Algorithms for Remote Estimation of Vegetation Fraction［J］.Remote Sensing of Environment，2002，80(1):76－87.

［2］朱敬芳，邢白靈，居為民，等.內(nèi)蒙古草原植被覆蓋度遙感估算［J］.植物生態(tài)學(xué)報(bào)，2011，35(6):615－622.(ZHU Jing-fang，XING Bai-ling，JU Wei-min，et al.Remote-Sensing Estimation of Grassland Vegetation Coverage in Inner Mongolia，China［J］.Chinese Journal of Plant E-cology，2011，35(6):615 －622.(in Chinese))

［3］DYMOND J R，STEPHENS P R，NEWSOME P F，et al.Percentage Vegetation Cover of a Degrading Rangeland from Spot［J］.International Journal of Remote Sensing，1992，13(11):1999－2007.

［4］XIAO Jing-feng，MOODY A.A Comparison of Methods for Estimating Fractional Green Vegetation Cover within a Desert-to-Upland Transition Zone in Central New Mexico，USA［J］.Remote Sensing of Environment，2005，98(2):237－250.

［5］PECH R P，GRAETZ R D，DAVIS A W.Reflectance Modelling and the Derivation of Vegetation Indices for an Australian Semi-arid Shrubland［J］.International Journal of Remote Sensing，1986，7(3):389－403.

［6］SCARTH P，PHINN S.Determining Forest Structural Attributes Using an Inverted Geometric-Optical Model in Mixed Eucalypt Forests，Southeast Queensland，Australia［J］.Remote Sensing of Environment，2000，71(2):141－157.

［7］梁存柱，朱宗元，王 煒，等.賀蘭山植物群落類型多樣性及其空間分異［J］.植物生態(tài)學(xué)報(bào)，2004，28(3):361－368.(LIANG Cun-zhu，ZHU Zong-yuan，WANG-Wei，et al.The Diversity and Spatial Distribution of Plant Communities in the Helan Mountains［J］.Chinese Journal of Plant Ecology，2004，28(3):361 －368.(in Chinese))

［8］鄭敬剛，董東平，趙登海，等.賀蘭山西坡植被群落及其與環(huán)境因子的關(guān)系［J］.生態(tài)學(xué)報(bào)，2008，28(9):4559－4567.(ZHENG Jing-gang，DONG Dong-ping， ZHAO Deng-hai，et al.Relationship Between Vegetation Community Characteristics and Its Environmental Factors in the West Slope of Helan Mountain［J］.Acta Ecologica Sinica，2008，28(9):4559 －4567.(in Chinese))

［9］譚炳香，李增元，陳爾學(xué)，等.EO-1 Hyperion高光譜數(shù)據(jù)的預(yù)處理［J］.遙感信息，2005，(6):36－41.(TAN Bing-xiang，LI Zeng-yuan，CHEN Er-xue，et al.Preprocessing of EO-1 Hyperion Hyperspectral Data［J］.Remote Sensing Information，2005，(6):36 －41.(in Chinese))

［10］BECK R.EO-1 User Guide V.2.3［EB/OL］.(2011 －12－13)［2012 －11 －15］.http://eo1.usgs.gov

［11］RIA?O D，CHUVIECO E，SALAS J，et al.Assessment of Different Topographic Corrections in Landsat-TM Data for Mapping Vegetation Types［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(5):1056 －1061.

［12］LI Xiao-wen，STRAHLER A H.Geometric-Optical Bidirectional Reflectance Modeling of the Discrete Crown Vegetation Canopy:Effect of Crown Shape and Mutual Shadowing［J］.IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):276－291.

［13］ZENG Y，SCHAEPMAN M E，WU B，et al.Scaling-Based Forest Structural Change Detection Using an Inverted Geometric-Optical Model in the Three Gorges Region of China［J］.Remote Sensing of Environment，2008，112(12):4261－4271.

［14］JACOB B G，MWANGANGI J M，MBOGO C M，et al.A Taxonomy of Unmixing Algorithms Using Li-Strahler Geometric-Optical Model and other Spectral Endmember Extraction Techniques for Decomposing a QuickBird Visible and Near Infra-Red Pixel of an Anopheles arabiensis Habitat［J］.The Open Remote Sensing Journal，2011，4(1):1－25.

［15］GUTMAN G，IGNATOV A.The Derivation of the Green Vegetation Fraction from NOAA/AVHRR Data for Use in Numerical Weather Prediction Models［J］.International Journal of Remote Sensing，1998，19(8):1533－1543.

［16］丁艷梅，張繼賢，王 堅(jiān)，等.基于TM數(shù)據(jù)的植被覆蓋度反演［J］.測繪科學(xué)，2006，31(1):43－45.(DING Yan-mei，ZHANG Ji-xian，WANG Jian，et al.Vegetation Fraction Estimation Based on TM Data［J］.Science of Surveying and Mapping，2006，31(1):43 － 45.(in Chinese))

［17］BOARDMAN J W，KRUSE F A，GREEN R O.Mapping Target Signature Via Partial Unmixing of AVIRIS Data［C］∥Proceedings of the Fifth JPL Airborne Geoscience Workshop，Pasadena，California，January 23－26，1995:23－26.

［18］GREEN A A，BERMAN M，SWITZER P，et al.A Transformation for Ordering Multispectral Data in Terms of Image Quality with Implications for Noise Removal［J］.IEEE Transactions on Geoscience and Remote Sensing，1988，26(1):65－74.