基于Sentinel-2數(shù)據(jù)的典型草原光合/非光合植被覆蓋度估算

柴國(guó)奇，王靜璞，鄒學(xué)勇，王光鎮(zhèn)，韓 柳，王周龍

(1.魯東大學(xué)資源與環(huán)境工程學(xué)院，山東 煙臺(tái) 264025； 2.北京師范大學(xué)地表過(guò)程與資源生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100875)

草地作為全球分布最廣的植被類(lèi)型之一，在陸地生態(tài)系統(tǒng)碳循環(huán)中起著重要的作用[1]。草地植被從功能角度可以分為光合植被(photosynthetic vegetation，PV)和非光合植被(non-photosynthetic vegetation,NPV)，其中PV主要指進(jìn)行光合作用的綠葉，NPV主要指枯草、枯葉、枯枝、枯干、凋落物等[2]。PV無(wú)疑是草地植被的重要組成部分，但它并不是唯一的組成部分[3-4]，NPV在草原生態(tài)系統(tǒng)中發(fā)揮著重要的作用，是評(píng)價(jià)地表植被覆蓋狀況的重要指標(biāo)[5-6]。PV和NPV不僅能夠有效減少?gòu)搅骱驼舭l(fā)，增加土壤水分滲透和有機(jī)質(zhì)含量，提高土壤濕度和溫度，改善土壤質(zhì)量[7-10]，而且還影響著生態(tài)系統(tǒng)中C儲(chǔ)存、CO2交換量以及營(yíng)養(yǎng)物質(zhì)的流動(dòng)與循環(huán)[10]。另外，NPV在火災(zāi)風(fēng)險(xiǎn)和頻率、風(fēng)和水侵蝕等方面也起著關(guān)鍵作用[11]。然而，近年來(lái)人們對(duì)草地的過(guò)度使用以及雪災(zāi)、旱災(zāi)的頻繁發(fā)生造成草原大面積退化、沙化和鹽堿化，水土流失和風(fēng)沙危害日益嚴(yán)重[12]。因此，及時(shí)、準(zhǔn)確地掌握草原光合植被覆蓋度(fractional cover of photosynthetic vegetation,fPV)和非光合植被覆蓋度(fractional cover of non-photosynthetic vegetation,fNPV)信息對(duì)草原的合理利用以及草原生態(tài)系統(tǒng)的監(jiān)測(cè)和保護(hù)具有重要意義。

遙感技術(shù)的發(fā)展為快速、準(zhǔn)確地獲取大范圍fPV和fNPV信息提供了新的技術(shù)手段。近幾十年來(lái)，國(guó)內(nèi)外利用遙感技術(shù)對(duì)fPV的估算研究已取得較大進(jìn)展，但對(duì)于fNPV的估算研究較少，同步獲取fPV和fNPV信息的研究更少[13]。研究表明光譜混合分析(spectral mixture analysis,SMA)是利用多光譜影像估算fNPV的一種有效方法[11,14]。然而，每個(gè)像元BS背景的光譜特征是影響fNPV估算效果的關(guān)鍵因素，由于一些地區(qū)BS光譜變化較大，導(dǎo)致了SMA估算fNPV變得較為困難[3]。多端元光譜混合分析(multiple endmember spectral mixture analysis，MESMA)是對(duì)SMA的一種改進(jìn)[15]，可較好地解決包括BS在內(nèi)的地物類(lèi)內(nèi)光譜異質(zhì)性問(wèn)題。目前，MESMA在fPV和fNPV的估算中已得到廣泛應(yīng)用，并取得了較好的估算效果[3,16-17]。如Meyer和Okin[18]基于MODIS數(shù)據(jù)建立PV、NPV和BS光譜庫(kù)，利用MESMA估算博茨瓦納西部地區(qū)的fPV和fNPV，R2分別為0.62和0.55，RMSE分別為0.09和0.16。Numata等[19]利用Landsat TM數(shù)據(jù)，較好地估算了亞馬遜地區(qū)6個(gè)牧場(chǎng)的fPV和fNPV，提高了監(jiān)測(cè)牧場(chǎng)退化的能力。以往研究多基于較低分辨率的數(shù)據(jù)(如MODIS)，空間異質(zhì)性明顯，估算精度具有不確定性；分辨率相對(duì)高的數(shù)據(jù)(如Landsat)重訪(fǎng)周期較長(zhǎng)，很難獲取較密集的時(shí)間序列的影像數(shù)據(jù)。因此，利用時(shí)間和空間分辨率較高的多光譜影像數(shù)據(jù)將成為估算fPV和fNPV的研究重點(diǎn)。

Sentinel-2環(huán)境監(jiān)測(cè)衛(wèi)星目前已發(fā)射Sentinel-2A和Sentinel-2B兩顆，其搭載的多光譜成像儀(MSI)能夠提供最高10 m的空間分辨率及5 d重返周期的多光譜數(shù)據(jù)。但由于該衛(wèi)星是新發(fā)射衛(wèi)星，目前將Sentinel-2影像數(shù)據(jù)應(yīng)用于草原地區(qū)開(kāi)展fPV、fNPV監(jiān)測(cè)的研究較少。為此，本研究以錫林郭勒典型草原為研究區(qū)，以Sentinel-2A多光譜影像為數(shù)據(jù)源，利用MESMA估算錫林郭勒典型草原的fPV和fNPV，并對(duì)其估算的結(jié)果進(jìn)行精度評(píng)價(jià)，在此基礎(chǔ)上，分析典型草原fPV和fNPV的時(shí)空變化。

1 數(shù)據(jù)收集與處理

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古自治區(qū)錫林郭勒盟中北部(114°46′-118°25′ E、43°15′-46°02′ N),海拔800～1 400 m(圖1)。地處中溫帶半干旱大陸性季風(fēng)氣候區(qū)，四季分明，氣溫偏低，年均溫0～3 ℃，無(wú)霜期90～120 d；雨季短促，年均降水量為295 mm，由東南向西北遞減，主要集中在夏秋兩季。研究區(qū)地貌以波狀高平原為主，由東南向西北方向傾斜，東、南部多低山丘陵；西、北部地形平坦，為高原草地；土壤以風(fēng)沙土為主，部分地區(qū)有栗鈣土、粽鈣土，植被群落中主要有羊草(Leymuschinensis)、大針茅(Stipagrandis)、克氏針茅(S.krylovii)等。

1.2 野外數(shù)據(jù)獲取

2017年9月28日至10月3日在錫林浩特市、東烏珠穆沁旗和西烏珠穆沁旗開(kāi)展了野外地面觀測(cè)試驗(yàn)，采集的數(shù)據(jù)為實(shí)測(cè)樣地PV、NPV和BS蓋度數(shù)據(jù)。本研究共獲得51個(gè)樣地?cái)?shù)據(jù)(圖1)，具體采集步驟為：首先，在研究區(qū)相對(duì)平坦均質(zhì)的地區(qū)選擇一個(gè)20 m×20 m(對(duì)應(yīng)Sentinel-2A影像像元)大小的樣地，在樣地中心通過(guò)手持GPS記錄相應(yīng)的地理位置以及樣地植被狀況等信息；其后，在每個(gè)樣地內(nèi)布設(shè)3～5個(gè)0.5 m×0.5 m的樣方，取樣地內(nèi)所有樣方蓋度的平均值作為該樣地最終的蓋度。樣方蓋度測(cè)算采用照相法，利用數(shù)碼相機(jī)于樣方中心點(diǎn)正上方1.5 m處垂直拍攝2張照片，并記錄每個(gè)樣方對(duì)應(yīng)的照片編號(hào)。

圖1 研究區(qū)及采樣點(diǎn)位置Fig. 1 Study areas and sampling location

在測(cè)算樣方蓋度前，首先通過(guò)ENVI 5.3軟件切除照片中非樣方部分，剩余樣方部分用于進(jìn)行植被覆蓋度的測(cè)算，根據(jù)照片的RGB值分出PV-NPV-BS三端元并建立訓(xùn)練樣本。然后利用監(jiān)督分類(lèi)中的最大似然分類(lèi)(Maximum likelihood classification,MLC)算法對(duì)照片進(jìn)行分類(lèi)處理，并結(jié)合目視解譯驗(yàn)證分類(lèi)結(jié)果的精度。最后統(tǒng)計(jì)出各樣方的fPV、fNPV、fBS，取2次結(jié)果的平均值作為樣方的最終蓋度[20]。

1.3 遙感影像獲取與預(yù)處理

Sentinel-2A衛(wèi)星屬于歐洲“哥白尼計(jì)劃”中Sentinel-2系列衛(wèi)星的第一顆光學(xué)遙感衛(wèi)星，已于2015年6月23日發(fā)射升空。Sentinel-2系列衛(wèi)星能夠用于時(shí)間、空間分辨率較高的全球陸地觀測(cè)，可提供植被、土壤和水覆蓋等圖像，還可用于重大自然災(zāi)害的監(jiān)測(cè)。Sentinel-2A衛(wèi)星攜載MSI多光譜成像儀，可覆蓋13個(gè)光譜波段，觀測(cè)幅寬達(dá)到290 km，單顆衛(wèi)星重訪(fǎng)周期為10 d，具有10、20、60 m 3種不同的空間分辨率，部分參數(shù)信息如表1所列。

表1 Sentinel-2A衛(wèi)星數(shù)據(jù)部分參數(shù)信息Table 1 The characteristic of Sentinel-2A

Sentinel-2A影像已經(jīng)經(jīng)過(guò)輻射定標(biāo)和幾何校正處理，投影坐標(biāo)系為UTM/WGS-84，是Level-1C大氣頂表觀反射率數(shù)據(jù)產(chǎn)品，包括陸地、水、云掩模等數(shù)據(jù)。通過(guò)歐空局(ESA)的數(shù)據(jù)共享網(wǎng)站(https://scihub.copernicus.eu/dhus/#/home)獲取到2017年4月8日、5月18日、7月17日、8月26日和10月5日共5期Sentinel-2A影像。

影像預(yù)處理主要通過(guò)ESA提供的SNAP 6.0(sentinel application platform)和ENVI 5.3軟件平臺(tái)完成。首先，利用SNAP 6.0的Sen2Cor(Sentinel to correction)插件對(duì)所有L1C數(shù)據(jù)進(jìn)行大氣校正處理，輸出為20 m分辨率的9個(gè)波段(Band 2、Band 3、Band 4、Band 5、Band 6、Band 7、Band 8a、Band 11和Band 12) L2A地表反射率數(shù)據(jù)；然后，利用ENVI 5.3將9個(gè)波段數(shù)據(jù)合成多光譜影像，并進(jìn)行拼接裁剪處理；最后，用閾值法將影像上的水體掩膜。

2 研究方法

2.1 MESMA模型

MESMA是在線(xiàn)性光譜混合分析(liner spectral mixture analysis, LSMA)的基礎(chǔ)上發(fā)展而來(lái)的一種混合像元分解方法，它針對(duì)每一個(gè)像元建立一系列LSMA模型，然后根據(jù)最小的RMSEs約束為每個(gè)像元挑選出最佳模型進(jìn)行分解，可有效解決同物異譜問(wèn)題[15-16]。每個(gè)LSMA模型是基于這樣一種假設(shè)：混合像元的光譜特征是由像元內(nèi)不同地物的光譜特征線(xiàn)性組合而成[21]。可用以下公式表達(dá)：

(1)

(2)

評(píng)價(jià)模型用均方根誤差(root mean square error,RMSEs)表示：

(3)

式中：M為遙感影像波段數(shù)。

2.2 PV、NPV及BS端元光譜庫(kù)建立

2.2.1端元類(lèi)型確定 對(duì)于線(xiàn)性光譜混合分析，端元的選取是混合像元分解的關(guān)鍵[22]。由于波段之間相關(guān)性的影響，選取的端元過(guò)多會(huì)增加模型對(duì)端元選擇的敏感性[23]；而如果端元數(shù)量太少，則無(wú)法準(zhǔn)確解釋更多的光譜變化[22]。此外，不同地區(qū)的端元選取方式也存在一定差異，如城市地區(qū)常用植被-不透水層-土壤三端元模型[24]；而非城市地區(qū)，多采用植被-土壤-陰影(或干枯植被)模型[25]。由于本研究區(qū)主要分布在相對(duì)平坦均質(zhì)的草原地區(qū)，考慮到模型的解混精度以及地表覆蓋特點(diǎn)，最終選取PV、NPV及BS 3個(gè)端元。

2.2.2最優(yōu)端元選取 MESMA需要PV、NPV及BS每類(lèi)地物的端元光譜(從影像本身、地面實(shí)測(cè)或?qū)嶒?yàn)室獲得)建立端元光譜庫(kù)[26]。在大氣校正后的Sentinel-2A影像中，影像光譜與地面實(shí)測(cè)光譜存在一定差異，為消除這一差異影響，本研究使用純凈像元指數(shù)法(pixel purity index,PPI)從影像本身直接獲取某地物純凈像元光譜作為端元光譜，以保證與影像的尺度一致[25,27]。利用端元均方根誤差(endmember average root mean square error，EAR)[23]、最小平均光譜角(minimum average spectral angle,MASA)[28]選取光譜庫(kù)中的最優(yōu)端元光譜。具體步驟如下，首先對(duì)Sentinel-2A影像進(jìn)行MNF(minimum noise fraction)變換，取變換后的前6個(gè)波段計(jì)算PPI指數(shù)；然后人機(jī)交互式選擇PV、NPV和BS每類(lèi)地物中較為純凈的端元光譜創(chuàng)建光譜庫(kù)，利用“VIPER Tools”計(jì)算光譜庫(kù)中每條光譜的EAR、MASA；最后將選取最優(yōu)端元光譜分類(lèi)并建立PV、NPV和BS光譜庫(kù)。

2.3 MESMA的混合像元分解

MESMA模型結(jié)構(gòu)較為簡(jiǎn)單，物理意義明確、計(jì)算方便，本研究以建立的PV、NPV和BS光譜庫(kù)為基礎(chǔ)，對(duì)Sentinel-2A影像進(jìn)行分解。由于地物陰影在遙感成像過(guò)程中的存在[25]，MESMA將陰影作為一個(gè)端元考慮，不僅提高了fPV和fNPV估算精度，也更符合實(shí)際情況[3]。因此，本研究主要運(yùn)行PV、NPV、BS和陰影四端元模型，采用以下約束條件：端元的比例約束為-0.05～1.05，最大陰影比例為0.8，最大RMSEs為0.025。選擇產(chǎn)生RMSEs最低的模型計(jì)算的端元豐度，然后將陰影歸一化處理，最后得到每個(gè)像元PV、NPV、BS端元的豐度，即為fPV、fNPV和fBS。

2.4 精度檢驗(yàn)

采用均方根誤差(RMSE)、平均誤差(mean error, ME)和決定系數(shù)(R2)來(lái)評(píng)價(jià)模型估算精度。

(4)

(5)

(6)

3 結(jié)果與分析

3.1 最優(yōu)端元選取結(jié)果

在“VIPER Tools”計(jì)算結(jié)果中，選擇EAR、MASA 值較低的端元為最優(yōu)端元，最終選取了19條最優(yōu)端元光譜，分別是6個(gè)PV端元、8個(gè)NPV端元和5個(gè)BS端元(圖2)。

PV、NPV、BS端元內(nèi)部光譜差異相對(duì)較大(圖2)，如果不考慮地物類(lèi)內(nèi)光譜異質(zhì)性的存在，不可避免的會(huì)對(duì)混合光譜分解結(jié)果的合理性產(chǎn)生影響。從平均端元光譜圖中看到PV在VIS-NIR波段(400～1 100 nm)反射率差異明顯，因此，PV相較與NPV和BS相對(duì)容易區(qū)分。然而，NPV與BS在VIS-NIR波段不僅沒(méi)有特別的特征，而且光譜曲線(xiàn)非常相似，其區(qū)分則相對(duì)較為困難。盡管如此，NPV和BS光譜還是存在一些區(qū)別，BS在1 610 nm(Sentinel-2A數(shù)據(jù)Band11)和2 190 nm(Sentinel-2A數(shù)據(jù)Band12)處具有相似的反射率，而NPV在2 190 nm處比在1 610 nm處的反射率低得多。因此，利用SWIR波段的光譜特征來(lái)區(qū)分NPV成為一種可能。

圖2 PV、NPV、BS端元的光譜曲線(xiàn)Fig. 2 Reflectance spectral of PV, NPV and BS endmember

PV、NPV、BS分別為光合植被、非光合植被和裸土。

PV, NPV and BS were photosynthetic vegetation, non-photosynthetic vegetation, and bare soil, respectively.

3.2 fPV和fNPV的估算結(jié)果

根據(jù)選取的PV、NPV、BS最優(yōu)端元光譜，利用MESMA對(duì)10月5日的Sentinel-2A影像進(jìn)行分解，估算出fPV、fNPV。研究區(qū)內(nèi)超過(guò)97.7%的像元(掩膜水體后)能成功分解，模型分解精度RMSEs的平均值為0.004 6，誤差相對(duì)較小。從繪制的fPV、fNPV和fBS的空間分布圖(圖3)中可以清晰地看出，總體的分布特征與本次野外調(diào)查基本一致，從西到東fPV、fNPV在逐漸增大，整體呈現(xiàn)東高西低的趨勢(shì)。由于數(shù)據(jù)采集時(shí)間正處于牧草的收割期(物候條件為黃枯期)，研究區(qū)主要以NPV和BS為主，fNPV高的地區(qū)主要分布在降水較多的東部，fBS高的地區(qū)主要分布在降水相對(duì)較少的西部，而PV則多分布在森林和河流湖泊周邊地區(qū)。未分解的像元約占2.3%，主要分布在東南部的丘陵地區(qū)，這是因?yàn)樯絽^(qū)陰面植被受山體遮擋，陰影現(xiàn)象嚴(yán)重。還有少量分布在城市地區(qū)，城市景觀復(fù)雜多樣，像元混合嚴(yán)重，因此對(duì)城市區(qū)分解時(shí)可能會(huì)產(chǎn)生比較大的誤差。

圖3 fPV、fNPV和fBS的空間分布圖Fig. 3 Map of fPV, fNPV and fBS distribution

3.3 估算精度檢驗(yàn)

為了驗(yàn)證MESMA方法對(duì)fPV、fNPV和fBS的估算效果，本研究采用研究區(qū)51個(gè)樣地的實(shí)測(cè)數(shù)據(jù)進(jìn)行精度評(píng)價(jià)。其估算的fPV、fNPV與實(shí)測(cè)fPV、fNPV之間具有較好的相關(guān)性，R2分別為0.72和0.61(圖4)。對(duì)于fPV來(lái)說(shuō)，估算的RMSE為5.52%，ME為1.49%，散點(diǎn)分布在參考線(xiàn)的Y=X的左上方較多，出現(xiàn)了一定程度的高估；對(duì)于fNPV來(lái)說(shuō)，估算的RMSE為9.37%，散點(diǎn)基本分布在參考線(xiàn)的Y=X的周?chē)?，但ME值為正，說(shuō)明也出現(xiàn)了一定程度的高估。估算結(jié)果的高相關(guān)性，表明利用MESMA可以較好地估算fPV、fNPV；而估算的fNPV精度低于fPV表明，PV相較于NPV較容易區(qū)分，由于NPV與BS端元光譜特征相似，導(dǎo)致NPV與BS誤分的可能性相對(duì)較大。

3.4 fPV和fNPV的季節(jié)性變化

本研究選擇研究區(qū)內(nèi)受人為以及牲畜活動(dòng)影響較小的草地(圖5)作為感興趣區(qū)，利用MESMA估算5期Sentinel-2A影像的fPV、fNPV，并繪制感興趣區(qū)fPV、fNPV和fBS的空間分布圖(圖5)。感興趣區(qū)的fPV和fNPV以均值代表，通過(guò)分析fPV和fNPV(圖6)發(fā)現(xiàn)，MESMA估算的fPV和fNPV的季節(jié)性變化符合草原植被物候發(fā)育特征。4月初分布大量上一年遺留的NPV，幾乎沒(méi)有PV，總體呈現(xiàn)荒蕪狀態(tài)，fNPV約為56%，fPV僅為2%；4月中旬以后，牧草返青期到來(lái)，20 d后牧草進(jìn)入快速生長(zhǎng)期，fPV初步增加，fNPV相應(yīng)減少；5月18日時(shí)，fPV已經(jīng)增加到8.5%，fNPV減少到27.75%；在7月中旬左右，大多數(shù)牧草生長(zhǎng)達(dá)到最大值，7月17日時(shí)，牧草已經(jīng)比較旺盛，fPV(約62.18%)明顯多于fNPV；8月份牧草相繼進(jìn)入成熟期，在8月26日時(shí)，NPV已基本消失，fNPV僅為2.5%，fPV增加到78.89%；9月份左右牧草陸續(xù)開(kāi)始枯黃，到10月5日時(shí)，大部分牧草已經(jīng)枯黃，草地分布大量NPV，基本已恢復(fù)到枯草狀態(tài)，fNPV高達(dá)60.67%，fPV約為2.5%。

圖4 fPV、fNPV和 fBS估測(cè)值與實(shí)測(cè)值散點(diǎn)分布圖Fig. 4 Scatterplot of estimated values and measured values of fPV, fNPV and fBS

4 討論

本研究結(jié)果表明，以Sentinel-2A多光譜數(shù)據(jù)為數(shù)據(jù)源，在PV、NPV和BS三組分共存的情況下，利用MESMA方法能夠同時(shí)估算出fPV和fNPV，并能取得較好的估算效果，這與Meyer和Okin[18]、Numata等[19]使用其他多光譜數(shù)據(jù)的研究結(jié)果相一致。利用MESMA估算fPV和fNPV有兩大優(yōu)點(diǎn)。一是，MESMA計(jì)算所有波段的反射率信息，減少了BS背景的影響[17]；二是，MESMA較好地解決了混合像元同物異譜的問(wèn)題，能夠較準(zhǔn)確地估算fPV和fNPV。然而，Okin等[3]發(fā)現(xiàn)，在一些特殊區(qū)域MESMA并不能取得較好的效果，由于NPV與BS端元光譜特征相似，存在MESMA為了得到光譜擬合更小的RMSEs而造成實(shí)際的PV、NPV和BS端元組合被模型中的另一種組合所取代的可能，使得估算結(jié)果出現(xiàn)偏差[4,26]。因此，如何確定最合適的PV、NPV和BS端元或者如何優(yōu)化MESMA來(lái)提高fPV和fNPV估算精度需要進(jìn)一步的分析。

圖5 不同季節(jié)fPV、fNPV和 fBS的空間分布圖Fig. 5 Map of fPV, fNPV and fBS distribution in different seasons

圖6 感興趣區(qū)fPV、fNPV的季節(jié)性變化圖Fig. 6 Seasonal variation of fPV and fNPV in the studied region

純凈端元的提取對(duì)于混合像元的分解精度起著至關(guān)重要的作用[4,12,29]。本研究利用MNF變換、PPI計(jì)算能夠提取影像中比較純凈的像元，并且可以確定純凈像元的空間位置，但在實(shí)際的遙感影像上很難找到較純凈的像元，在純凈像元較少時(shí)，容易產(chǎn)生較大的誤差。如果能將純凈的實(shí)測(cè)光譜端元與影像端元進(jìn)行結(jié)合，充分利用實(shí)測(cè)光譜端元調(diào)整和校正影像端元，兼顧兩種端元的優(yōu)勢(shì)來(lái)構(gòu)建端元光譜庫(kù)，可進(jìn)一步提高M(jìn)ESMA的精度[30]。

本研究探討了MESMA方法應(yīng)用到Sentinel-2A多光譜遙感數(shù)據(jù)估算典型草原地區(qū)fPV和fNPV的潛力，目前在國(guó)內(nèi)外采用該數(shù)據(jù)估算草原fPV和fNPV還鮮有研究。Sentinel-2A數(shù)據(jù)相較于MODIS、Landsat數(shù)據(jù)擁有更高的空間分辨率，在一定程度上會(huì)降低混合像元的空間異質(zhì)性以及尺度效應(yīng)對(duì)估算結(jié)果的影響，從而進(jìn)一步提高估算精度。本研究通過(guò)分析錫林郭勒草原fPV和fNPV季節(jié)性變化發(fā)現(xiàn)，其季節(jié)性變化同草原植被物候發(fā)育特征相吻合，這與李濤等[12]、王光鎮(zhèn)等[29]分別采用NDVI-CAI三元線(xiàn)性混合模型和NDVI-DFI像元三分模型估算fPV和fNPV的研究結(jié)果一致。因此，借助于Sentinel-2數(shù)據(jù)較高空間分辨率和時(shí)間分辨率(5 d)的優(yōu)勢(shì)可以進(jìn)一步應(yīng)用于典型草原fPV和fNPV的時(shí)空動(dòng)態(tài)變化分析。

值得注意的是，由于野外實(shí)測(cè)數(shù)據(jù)與影像數(shù)據(jù)存在時(shí)間上不同步、樣方蓋度計(jì)算具有主觀性的問(wèn)題，這些數(shù)據(jù)誤差也在一定程度上影響fPV和fNPV的估算精度。另外，本研究?jī)H對(duì)單期遙感影像的估算結(jié)果進(jìn)行了精度檢驗(yàn)，樣地?cái)?shù)量相對(duì)較少且缺乏系統(tǒng)的地面真實(shí)性檢驗(yàn)工作，模型的普適性并未得到充分的驗(yàn)證。因此，在后續(xù)的研究中將選取固定觀測(cè)站點(diǎn)進(jìn)行植被覆蓋度連續(xù)觀測(cè)，獲取更多不同植被生長(zhǎng)狀況下的地面采樣數(shù)據(jù)，以更好地評(píng)價(jià)MESMA估算典型草原fPV和fNPV的精度。

5 結(jié)論

本研究基于Sentinel-2A多光譜數(shù)據(jù)，利用MESMA方法估算錫林郭勒典型草原的fPV和fNPV，并通過(guò)實(shí)地觀測(cè)數(shù)據(jù)進(jìn)行評(píng)價(jià)，主要得到以下結(jié)論：

1)對(duì)于錫林郭勒典型草原來(lái)說(shuō)，PV、NPV和BS的光譜庫(kù)端元存在明顯的光譜異質(zhì)性特征，確定最優(yōu)的端元組合對(duì)于混合像元的分解至關(guān)重要，是成功估算fPV和fNPV的關(guān)鍵。

2)在PV、NPV、BS 3種組分都存在的情況下，MESMA可有效估算典型草原地區(qū)的fPV和fNPV，fPV估算的RMSE為5.52%(R2=0.72)，fNPV估算的RMSE為9.37%(R2=0.61)。

3)以Sentinel-2A MSI多光譜影像為數(shù)據(jù)源，利用MESMA估算的fPV和fNPV的季節(jié)性變化符合草原植被物候發(fā)育特征，可應(yīng)用于典型草原fPV和fNPV的時(shí)空動(dòng)態(tài)變化快速監(jiān)測(cè)。