基于LSMM的青海湖流域植被覆蓋度時空變化分析

鮑文楷 張研 代李犇

摘要：基于2000、2008、2016年3個時相的Landsat影像，采用線性光譜混合分解模型提取了三期的青海湖流域植被覆蓋度。結(jié)果表明，2000-2008年植被覆蓋度有小幅度上升；而2008-2016年則表現(xiàn)出植被覆蓋度極明顯增加，這一變化與2008年啟動的青海湖流域綜合治理項目密切相關(guān)。

關(guān)鍵詞：青海湖流域；線性光譜混合分解模型；植被覆蓋變化

中圖分類號：X87；Q948.2 文獻標(biāo)識碼：A

文章編號：0439-8114（2018）20-0044-05

DOI：10.14088/j.cnki.issn0439-8114.2018.20.011 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Abstract： Based on Landsat images from three phases in 2000，2008 and 2016，the linear spectral mixture model（LSMM） was used to extract the vegetation coverage of the Qinghai Lake Basin in the three phases. The results showed that there was a slight increase in vegetation coverage between 2000 and 2008，while the vegetation coverage indicated a very significant increase during 2008 to 2016，and the increase between 2008 and 2016 was closely related to the Qinghai Lake Basin Comprehensive Restoration Project initiated in 2008.

Key words： Qinghai Lake Basin； linear spectral mixture model； vegetation coverage change

青海湖流域地處西部干旱區(qū)、東部季風(fēng)區(qū)、青藏高原區(qū)三大區(qū)域的交匯處和過渡地帶，流域中湖泊及湖周豐茂的林、草等植被不僅控制和調(diào)節(jié)著湖區(qū)流域生態(tài)環(huán)境，而且起到了遏制西部荒漠化向東蔓延的重要屏障作用[1]。但該地區(qū)草原生態(tài)系統(tǒng)及高原湖泊生態(tài)系統(tǒng)結(jié)構(gòu)簡單，屬于全球變化的敏感地區(qū)及生態(tài)環(huán)境典型脆弱地區(qū)[2]。

近幾十年來，隨著國民經(jīng)濟的快速增長，青海湖的生態(tài)環(huán)境出現(xiàn)了明顯的變化。其中青海湖湖體的變化和青海湖流域的草原退化狀況成為學(xué)術(shù)界、公眾和政府決策部門關(guān)注的焦點。潘耀忠等[3]認為研究植被覆蓋度及其變化是全球氣候變化及陸地生態(tài)系統(tǒng)響應(yīng)的重要表征也是有價值的研究內(nèi)容。因此通過青海湖流域植被覆蓋度的研究可以衡量該區(qū)地表植被狀況和區(qū)域生態(tài)環(huán)境變化。

在應(yīng)用遙感手段進行環(huán)境變化的監(jiān)測和評價中，植被指數(shù)法（如NDVI）、回歸模型法和監(jiān)督/非監(jiān)督分類是人們常用的方法，然而由于青海湖流域?qū)儆诖竺娣e半干旱地區(qū)，植被相對稀疏，以草地、低矮灌木為主，以上方法均在本研究中表現(xiàn)出其不適宜性。例如，在干旱、半干旱地區(qū)NDVI對植被的檢測能力明顯下降，因而并不能很好地反映植被蓋度和土地覆蓋的變化?；貧w模型法雖然精度較高，但需要大量實測數(shù)據(jù)參與訓(xùn)練和建模，其建模結(jié)果僅適于小范圍的特定地區(qū)，可推廣性差。至于常規(guī)的監(jiān)督/非監(jiān)督分類的方法，由于研究區(qū)環(huán)境背景的復(fù)雜性，以及不同時相遙感影像間的差異性，也同樣不利于結(jié)果的分析和對比[4]，而光譜混合分解模型不需要實測數(shù)據(jù)參與建模，尤其適用于大尺度低分辨率遙感影像，在植被覆蓋度遙感估算應(yīng)用上具有較大的潛力。張熙川等[5]的研究表明通過線性光譜混模型（LSMM）的分析方法對內(nèi)蒙古中西部地區(qū)進行土地退化的快速評價，可取得較滿意的結(jié)果；趙英時[6]以美國中西部沙山地區(qū)為研究對象，借助LSMM模型提取了對該區(qū)有生態(tài)環(huán)境指示意義的沙地、濕地、植被蓋度信息，并分析了該區(qū)近20年來的環(huán)境變化及其與氣候變化的關(guān)系；周紀等[7]基于LSMM模型，提出了城市地表端元的優(yōu)化選取方法，進行北京城市不透水層覆蓋度的估算，結(jié)果符合實際情況，精度較高。

本研究擬采用線性光譜混合分解模型，基于2000、2008、2016年3個時相的Landsat TM/ETM+數(shù)據(jù)，對青海湖流域植被覆蓋度進行分別提取。同時通過多角度調(diào)查和綜合分析，揭示青海湖流域植被覆蓋度時空分布特點，并對青海湖流域植被覆蓋度變化原因進行討論。

1 研究區(qū)概況

青海湖流域位于青海省東北部，介于36°15′-38°20′N，97°50′-101°22′E，呈四周環(huán)山封閉式盆地狀，面積29 660 km2，海拔3 194～5 174 m。青海湖流域地處亞歐大陸內(nèi)部，為半干旱溫帶大陸性氣候。受大陸氣團影響，干旱少雨，太陽輻射強，夏天和秋天短暫而涼爽，春季和冬季寒冷而漫長，流域多年平均氣溫-1.4～1.7 ℃[8]。

流域內(nèi)河網(wǎng)分布不均衡，西北部與東南部比較而言，河網(wǎng)較密集，也有較大徑流量。大小河流40多條，約有16條集水面積可達300 km2以上，主要的河流有布哈河、沙柳河等[9]。

流域區(qū)內(nèi)有高山、低山丘陵、低洋的湖盆灘地和湖濱沼澤以及眾多分散的沙地，復(fù)雜的地形地貌及生境條件造就湖區(qū)植被的復(fù)雜多樣性，表現(xiàn)為溫性植被與高寒植被共存的分布格局。其主要植被類型為寒溫性針葉林、高寒灌叢、溫性草原、高寒草原、高寒草甸、沼澤草甸等[10]。

2 數(shù)據(jù)源與預(yù)處理

2.1 數(shù)據(jù)源

基于3期（2000年、2008年和2016年，每期各6景）30 m分辨率Landsat系列5、7、8 TM/ETM+/OLI影像，云量均控制在5%以內(nèi)，且云區(qū)基本控制在流域范圍以外（表1）。輔以1∶100萬土壤圖和植被分類圖，開展青海湖流域植被覆蓋度信息提取工作。

2.2 數(shù)據(jù)預(yù)處理

2.2.1 輻射定標(biāo)與大氣校正 輻射定標(biāo)的主要目的是將傳感器記錄值轉(zhuǎn)換成輻射亮度值以便消除傳感器帶來的誤差，是進行大氣校正的前導(dǎo)步驟。輻射定標(biāo)可以通過ENVI中Radiometric calibration模塊進行處理；但需要說明的是由于Landsat7ETM+機載掃描行校正器（SLC）在2003年發(fā)生故障，導(dǎo)致此后獲取的Landsat7影像出現(xiàn)數(shù)據(jù)條帶丟失，而經(jīng)過ENVI補丁工具修復(fù)后的影像只能通過Band Math功能進行公式定標(biāo)，其余處理步驟均相同。

傳感器在探測地表信息的過程中由于受到地形因素和大氣成分吸收和散射的影響會夾雜一些多余的目標(biāo)外信息，導(dǎo)致遙感影像的精度下降。大氣校正的目的就是為了盡量消除這些因素的影響。本次研究采用MODTRAN模型進行大氣校正（通過ENVI中FLAASH模塊實現(xiàn)）從而得到真實地面反射率等物理量。

2.2.2 鑲嵌與裁剪 為了得到完整的青海湖流域，需要將每期各6景影像進行鑲嵌拼接，但是由于每景影像都帶有齒紋邊，所以鑲嵌之前要對每景影像進行去邊處理。將影像鑲嵌完成后，利用青海湖流域的矢量邊界進行裁剪即可得到研究區(qū)域。如圖1所示為采用真彩色合成的2016年青海湖流域遙感影像圖。

3 研究方法

3.1 線性光譜混合分解模型

遙感影像顯示的像元是地表一定范圍內(nèi)地物的光譜特征的綜合表現(xiàn)，而且這種綜合表現(xiàn)的形式是混合像元。光譜混合模型先假定地表物質(zhì)組分足夠大或者不透光，從而可以保證光子僅與一個地表物質(zhì)組分發(fā)生作用。而又因為輻射傳遞過程是具有可加性的，地物光譜組合可以利用最小二乘法并保證各組分（端元）總和為1，從而通過線性混合方程進行分解[11-13]。

3.2 端元提取

3.2.1 主成分確定與端元選擇 端元類型、數(shù)量、取值都會直接影響到遙感估算的最終結(jié)果[15]。關(guān)于端元的數(shù)量，理論上認為端元數(shù)量不超過影像波段數(shù)即可，普遍認為端元數(shù)目越多，分類越詳細，就能更精確地反映地表的真實組成。然而當(dāng)端元數(shù)目增多時，端元間干擾因素增大，模型擬合的準(zhǔn)確性會隨之降低[16]。因此在本研究中采用了針對非城鎮(zhèn)地區(qū)最為常用的植被-土壤-陰影（Vegetation-Soil-Shade，V-S-S）三端元模型。

3.2.2 端元波譜提取 純凈像元指數(shù)法（PPI）是目前應(yīng)用最廣且最被認可的方法，并且已經(jīng)成功在ENVI中實現(xiàn)，因此本研究選取此法進行端元波譜的提取。運行該算法，首先要對影像利用最小噪聲分離變換（MNF），進行降維處理從而確定主成分次序（類似于PCA主成分分析）。PPI的運算結(jié)果標(biāo)識了像元為純像元的概率，為后續(xù)的人機交互解譯提供指導(dǎo)作用[17]。之后，通過ENVI中內(nèi)置的n維可視化工具手動選取端元，再結(jié)合遙感影像和其他專業(yè)知識進行對比驗證，才能最終確定端元的類別，獲得各端元的波譜特征信息。

3.2.3 端元解混 將各端元提取出來之后，使用ENVI spectral unmixing工具進行豐度解混，得到各端元及RMS誤差影像。其中植被端元影像中每個像元的data值代表了在該像元中植被所占的百分比。

3.2.4 分類后處理 由于采用了半約束的混合分解模型，因此分解得到的百分比存在部分小于0或大于1的情況。結(jié)合國內(nèi)外相關(guān)研究發(fā)現(xiàn)，data值在-0.1～1.1屬于可以接受的范圍。因此將極少部分不在此范圍的值進行掩膜后，再采用相同的方法將 -0.1～0的值重置為0，1.0～1.1的值重置為1。這樣處理后的結(jié)果相對比較理想，相當(dāng)于間接滿足了全約束的條件。

4 結(jié)果與分析

4.1 植被覆蓋度分級

參考當(dāng)前應(yīng)用最為廣泛的植被覆蓋度分級體系，同時考慮到本研究區(qū)植被普遍較為稀疏的特點，對覆蓋度<60%的部分進行了更詳細的劃分，從而使該體系更契合研究區(qū)的特點。如表2所示，共分為5級，包括裸地、低、中低、中、高植被覆蓋5種不同的類型。通過ArcGIS10.3制圖功能將處理結(jié)果重新分類后制成植被覆蓋度分布示意。

4.2 植被覆蓋變化分析

如表3所示，3年期各不同覆蓋度類別的面積比例可以較為直觀地讀出。作者并未將青海湖及流域內(nèi)其他河流等水體算入裸地類別，且認為其面積在2000—2016年期間并無明顯變化。

4.2.1 面積比例變化 由圖2可以看出，裸地表現(xiàn)出了持續(xù)下降趨勢，而中植被覆蓋度類別持續(xù)上升，其余3類在2000—2016年均表現(xiàn)出波動變化的特征。當(dāng)僅觀察始、末點的變化時，發(fā)現(xiàn)裸地的比例減少了26.83%，低植被覆蓋地類的比例減少了26.74%；相對應(yīng)的高覆蓋度地類比例增加了37.63%，中低和中覆蓋度地類共增加了15.95%。

僅從數(shù)量上來看，在這16年間，植被覆蓋度低于30%的地類（裸地和低覆蓋度地類）面積大幅減少，取而代之的主要是植被覆蓋度大于60%的高覆蓋度地類和其他少部分覆蓋度介于30%～60%的地類。

4.2.2 空間分布變化 由圖3可以看出，由于2002年以后青海湖流域內(nèi)多項生態(tài)保護措施的推行，2000—2016年總體植被覆蓋度有了較明顯的增加，裸地等低覆蓋度地類面積大幅下降，而高覆蓋度的面積明顯增加。而從空間分布角度可以更加直觀地看出植被覆蓋變化的主要地點和擴展規(guī)律。

2000—2008年，由于植被生長周期較長，因而退耕還林的效果還不明顯，但仍能看出植被覆蓋增加的趨勢，裸地比例由35.26%降至28.35%，低覆蓋度、中低和中覆蓋度地類比例均表現(xiàn)出不同程度的增加。從空間上來看，流域中南部的大片裸地在2008年部分轉(zhuǎn)變?yōu)榈秃椭械透采w度地類；此外，還有一個明顯的變化是2008年高覆蓋度地類的分布相對更加集中，推測應(yīng)該與在湖區(qū)南部的人工造林活動有關(guān)；其余的變化并不明顯。

2008—2016年，可以觀察到植被覆蓋度分布有了極為明顯的變化。高覆蓋度地類占比高達44.16%，主要分布在流域中部和青海湖的北部及南部，幾乎完全取代了2008年的大片裸地和中、低覆蓋度地類。此外，原來的裸地中除了部分常年性沙地和高山外也基本被低覆蓋度地類替代；而原來在流域西部占主導(dǎo)的低覆蓋度地類也大部分轉(zhuǎn)變?yōu)榱酥械透采w度類型。

總體來說，隨著退耕還林還草政策的落實及流域生態(tài)保護項目的開展，2000-2016年間流域內(nèi)植被覆蓋度有了極為明顯的上升，全流域除個別地區(qū)情況特殊外基本實現(xiàn)了植被全覆蓋，其中植被較為茂密的地區(qū)主要分布在流域的中部和湖區(qū)的北部及南部。

5 小結(jié)與討論

研究表明，植被覆蓋變化主要來自兩方面：一是青海湖流域內(nèi)植被覆蓋度受各種自然及人為因素的影響而產(chǎn)生的植被覆蓋度真實變化；二是進行數(shù)據(jù)采集和處理時因設(shè)備原因、天氣原因和技術(shù)手段不足而造成的偏差。

影響植被覆蓋變化的因素主要有以下3個方面。

1）退耕還林及流域綜合治理措施。從2002年開始，國家在青海湖流域開始實行退耕還林和退牧還草等生態(tài)保護政策；2008年，總投資超過15億元的青海湖流域生態(tài)環(huán)境保護與綜合治理項目啟動。以上多種措施無疑都為流域植被覆蓋的增加和生態(tài)改善做出了巨大貢獻。

2）氣候變化及人類干擾。近20年來全球氣候變暖的趨勢日益凸顯，氣候變化引起的物種優(yōu)勝劣汰和植被分布模式的變化盡管從短期來看并不明顯，但其影響仍不容忽視。

此外，煤炭粗放式開采、城市擴張、放牧、鐵路公路的建設(shè)以及旅游業(yè)的發(fā)展都會在不同程度上對植被的分布產(chǎn)生影響，造成植被分布的無規(guī)律波動。

3）其他條件帶來的偏差。首先是氣象條件，盡管遙感圖像經(jīng)過大氣校正等處理手段，但仍不可避免薄云、薄雪覆蓋等因素帶來的分類誤差。第二是土壤條件，有研究學(xué)者發(fā)現(xiàn)植被覆蓋度受到土壤結(jié)構(gòu)、土壤顏色的影響，且在類似本研究區(qū)這樣的干旱、半干旱環(huán)境下產(chǎn)生的影響更大。第三是陰影，由于影像拍攝角度及地形起伏、地物遮擋等因素，不可避免會產(chǎn)生陰影，而這將在很大程度上影響分類的準(zhǔn)確性。國內(nèi)外的相關(guān)研究一般都將陰影剔除后再進行植被覆蓋度計算。最后是遙感器的不同產(chǎn)生的影響，由于本研究的時間跨度較大，采用的影像涉及3種不同的衛(wèi)星傳感器，而不同傳感器由于技術(shù)的升級和光譜響應(yīng)函數(shù)的不同導(dǎo)致影像質(zhì)量不盡相同，這也必將會對分類結(jié)果的對比帶來挑戰(zhàn)[18]。

參考文獻：

[1] 陳克龍，朵海瑞，李 準(zhǔn)，等.基于景觀結(jié)構(gòu)變化的青海湖流域濕地空間分析[J].濕地科學(xué)與管理，2009，5（4）：36-39.

[2] 高會軍，李小強，張 峰，等.青海湖地區(qū)生態(tài)環(huán)境動態(tài)變化遙感監(jiān)測[J].中國地質(zhì)災(zāi)害與防治學(xué)報，2005，16（3）：100-103.

[3] 潘耀忠，李曉兵，何春陽.中國土地覆蓋綜合分類研究——基于NOAA/AVHRR和Holdridge PE[J].第四紀研究，2000，20（3）：270-281.

[4] 趙英時，楊 憶.全新世海侵痕跡遙感信息特征提取方法研究[J].地理研究，1996，15（1）：73-81.

[5] 張熙川，趙英時.應(yīng)用線性光譜混合模型快速評價土地退化的方法研究[J].中國科學(xué)院研究生院學(xué)報，1999，16（12）：169-176.

[6] 趙英時.美國中西部沙山地區(qū)環(huán)境變化的遙感研究[J].地理研究，2001，20（2）：213-219.

[7] 周 紀，陳云浩，張錦水，等.北京城市不透水層覆蓋度遙感估算[J].國土資源遙感，2007（3）：13-17，27.

[8] 陳克龍，李雙成，周巧富，等.近25年來青海湖流域景觀結(jié)構(gòu)動態(tài)變化及其對生態(tài)系統(tǒng)服務(wù)功能的影響[J].資源科學(xué)，2008， 30（2）：274-280.

[9] 劉 佳，王 芳，于福亮.青海湖水位動態(tài)趨勢預(yù)測[J].水利學(xué)報，2009，40（3）：319-327.

[10] 張 偉.青海湖流域濕地生態(tài)環(huán)境質(zhì)量現(xiàn)狀評價[D].西寧：青海師范大學(xué)，2012.

[11] ROBERTS D A，GARDNER M，CHURCH R，et al. Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models[J].Remote Sensing of Environment，1998，65（3）：267-279.

[12] SMITH M O，USTIN S L，ADAMS J B，et al. Vegetation in deserts：I. A regional measure of abundance from multispectral images[J].Remote Sensing of Environment，1990，31（1）：1-26.

[13] PIWOWAR J M，PEDDLE D R，LEDREW E F. Temporal mixture analysis of arctic sea Ice imagery：A new approach for monitoring environmental change[J].Remote Sensing of Environment，1998，63（3）：195-207.

[14] ZHOU X，F(xiàn)OLVING S. Application of spectral mixture modelling to the regional assessment of land degradation： A case study from basilicata，Italy[J].Land Degradation & Development，1994，5（3）：215-222.

[15] 廖春華，張顯峰，劉 羽.基于多端元光譜分解的干旱區(qū)植被覆蓋度遙感反演[J].應(yīng)用生態(tài)學(xué)報，2012，23（12）：3243-3249.

[16] 周亞男，駱劍承，沈占鋒，等.基于局部端元提取的遙感影像波段模擬[J].光譜學(xué)與光譜分析，2013，33（12）：3349-3353.

[17] 楊 強，張 志，覃志豪，等.基于ASTER數(shù)據(jù)的混合像元分解技術(shù)在水質(zhì)監(jiān)測與評價中的應(yīng)用[J].遙感信息，2011（2）：20-25.

[18] 劉金鋒.基于多源遙感數(shù)據(jù)的青海湖流域植被指數(shù)研究[D].西寧：青海師范大學(xué)，2014.