基于混合像元分解方法的康?？h植被覆蓋度估測

陳 松，孫 華，陳振雄，吳 童

( 1.中南林業(yè)科技大學(xué)林業(yè)遙感信息工程研究中心，長沙 410004； 2.林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點實驗室，長沙 410004； 3.南方森林資源經(jīng)營與監(jiān)測國家林業(yè)局重點實驗室，長沙410004；4.國家林業(yè)與草原局中南調(diào)查規(guī)劃設(shè)計院，長沙410014)

植被覆蓋度是衡量地表植被狀況的重要指標(biāo)，早期的植被覆蓋度調(diào)查方法采用傳統(tǒng)的地表實測法，分為目測估算法、采樣法、儀器法、模型法[1-2]。但是地表實測法的工作量大，耗時耗力，不適于進行大范圍的測算。隨著遙感技術(shù)的不斷發(fā)展，遙感測量已成為監(jiān)測植被覆蓋的主要途徑[3-6]，地表實測法則逐步成為了遙感測量的輔助手段,遙感測量植被覆蓋度常用的方法有回歸模型法、植被指數(shù)法和混合像元分解?；貧w模型法是利用單一波段或者幾個波段的遙感數(shù)據(jù)，計算出植被覆蓋指數(shù)和植被覆蓋度，并通過回歸分析得到相應(yīng)的植被覆蓋統(tǒng)計模型，然后根據(jù)空間的外延模型進而推求更大范圍的植被覆蓋度[7-8]。植被指數(shù)法是根據(jù)植被的光譜特征，選擇與植被覆蓋度有良好相關(guān)性的植被指數(shù)，然后通過數(shù)據(jù)分析，得出植被指數(shù)與植被覆蓋度之間的關(guān)系來估算出植被覆蓋度[9-11]?；旌舷裨纸馐窃谀撤N假定的比例關(guān)系下，將圖像中的一個實際像元分解成由多個組分構(gòu)成的遙感數(shù)據(jù)信息，利用得到的遙感數(shù)據(jù)信息從而構(gòu)建像元分解模型從而進行植被覆蓋度的估算[12-14]。相比于前兩種方法，混合像元分解的優(yōu)點是其便于大范圍的遙感估測且不過多依賴實際數(shù)據(jù)，可有效減少人力和物力的消耗且易于使用和推廣。

1 研究區(qū)概況

本文研究區(qū)是中國河北省張家口市西北部的康?？h， 114°11′—114°56′E， 41°25′—42°08′N?？h域東西跨度最大達80 km，南北跨度最大達62 km，總面積3365 km2。地勢由東北向西南緩緩傾斜，北部、東部為丘陵區(qū)，南部為波狀平原區(qū)，平均海拔1 450 m。丘陵地區(qū)無高山峻嶺，山頭禿圓，山坡平緩，山間廣布谷地、盆地。南部廣大地區(qū)為波狀平原，地形開闊，地勢平坦[15-16]。截至2018年，康?？h林地面積共126299 hm2，其中喬木林32417 hm2，疏林地218 hm2，灌木林地34975 hm2，未成林地6550 hm2，苗圃地961 hm2，宜林地面積51178 hm2，縣森林覆蓋率為20.2%。

2 材料與方法

2.1 影像數(shù)據(jù)的獲取與處理

研究使用的遙感數(shù)據(jù)為Langdsat8 OLI，接收時間為2014-08-01。數(shù)據(jù)共有11個波段，本次研究僅用到前7個波段，分辨率均為30 m×30 m。

2.2 樣地的調(diào)查

研究區(qū)內(nèi)共布設(shè)樣地134個(圖1)，抽樣間隔為5 km×5 km，樣地大小為30 m×30 m，在樣地中心及對角線位置選出5個1 m×1 m的小樣方進行調(diào)查。在小樣方內(nèi)，用皮尺分別在東西和南北方向上測量，以10 cm為間隔觀察是否有植被覆蓋。以兩次測量的均值為植被覆蓋度，同時記錄植被的高度。

圖1 樣地布設(shè)圖

2.3 植被覆蓋度的反演方法

2.3.1 像元二分法

通過Compute Statistics對歸一化差值植被指數(shù)(Normalized Difference Vegetation Index，NDVI)影像進行統(tǒng)計，以NDVI為5%和90%的累計率作為NDVImin和NDVImax，用以替代NDVIsoil和NDVIveg。將整個研究區(qū)分為三個部分：當(dāng)NDVI小于0.047 848時，VFC取值為0；當(dāng)NDVI大于1.742240時，VFC取值為1；當(dāng)NDVI在兩者之間，使用公式

2.3.2 完全約束最小二乘法

在混合像元分解中，基于線性的混合像元分解是認為在遙感影像中各個像元反射率的值是像元內(nèi)的每個地物反射率按照線性關(guān)系組合而成的。因此線性方程的權(quán)重可認為是純凈端元的面積與該像元的總面積的比值。

式中，n為混合像元內(nèi)端元的總數(shù)；ε為殘差項[26-31]。

2.3.3 隨機森林

隨機森林是多個決策樹組合而成的模型。決策樹是一種樹形結(jié)構(gòu)，在進行分類時，每次分類判定就像樹的分枝節(jié)點一樣把后續(xù)樹枝分開，而后的每一個分枝就代表了一個分類結(jié)果。隨機森林在分類中返回得票數(shù)最多的分類選項，在回歸中返回所有決策樹輸出的平均值。隨機森林模型分類效果優(yōu)于多元線性回歸，并且不需要預(yù)先給定模型的形式假定[33-35]。提取出NDVI、增強植被指數(shù)(Enhanced Vegetation Index，EVI)、差值植被指數(shù)(Difference Vegetation Index，DVI)、比值植被指數(shù)(Simple Ratio Index，SR)等15個植被指數(shù)，再分別與實測數(shù)據(jù)通過回歸分析做相關(guān)性分析，同時對它們進行自相關(guān)分析。選出自相關(guān)性較小且與實測數(shù)據(jù)相關(guān)性較大的4個植被指數(shù)：SR13,RGVI,DVI31和DVI21；再用這4個植被指數(shù)建立隨機森林模型。

3 結(jié)果與分析

3.1 像元二分法

將研究區(qū)分為NDVINDVImax和NDVI介于二者之間的三部分。利用上述方法計算得到研究區(qū)植被覆蓋的混合像元分解結(jié)果(圖2(a))，獲得研究區(qū)植被覆蓋度的預(yù)測值。通過對圖1與圖2(a)的植被覆蓋度反演結(jié)果比較，明顯發(fā)現(xiàn)圖2(a)中植被豐度在某些區(qū)域較低。通過計算RMSE發(fā)現(xiàn)(表1)像元二分法模型的RMSE為0.243，表明混合光譜分解后像元中各地物豐度值和原始圖像相同像元中各地物的豐度之間存在較大誤差。圖2(a)的混合像元分解結(jié)果顯示的植被覆蓋度與圖1中樣地實測點的植被覆蓋度相比有較大的差異，說明在研究區(qū)使用像元二分模型得到的結(jié)果精度較差。

圖2 植被覆蓋度反演圖

3.2 完全約束最小二乘法

通過對原線性光譜模型添加兩個限制條件，導(dǎo)出植被覆蓋豐度fk,得到研究區(qū)植被覆蓋的混合像元分解圖(圖2(b))，獲得研究區(qū)植被覆蓋度預(yù)測結(jié)果。由圖2(b)可知，研究區(qū)的植被多分布在研究區(qū)中部地區(qū)，另外在研究區(qū)的邊界附近也有部分的植

表1 三種估測方法的精度比較估算方法R2RMSEI/%像元二分法0.6840.2435.27完全約束最小二乘法0.6840.2189.43隨機森林0.6640.1276.25

被密集區(qū)，與圖1進行比較發(fā)現(xiàn)其縣域中部地區(qū)的植被覆蓋度較高，通過計算RMSE為0.218(表1)，表明混合光譜分解后像元中各地物豐度值和原始圖像相同像元中各地物的豐度之間存在較大的誤差。

3.3 隨機森林

通過隨機森林模型得到研究區(qū)植被覆蓋的混合像元分解圖(圖2(c))，獲得研究區(qū)植被覆蓋度預(yù)測值，通過對圖2(c)與圖1的比較，發(fā)現(xiàn)兩幅圖像的植被覆蓋豐度大致相同，通過計算得出此模型的RMSE為0.127(表1)，表明混合光譜分解后像元中各地物豐度值和原始圖像相同像元中各地物的豐度之間誤差較小，估算結(jié)果較為精準(zhǔn)。

3.4 模型精度評價

模型的精度主要從兩個方面進行檢驗，一是預(yù)測數(shù)值與實測數(shù)值的擬合度R2(圖3)；二是對三種模型的預(yù)測結(jié)果進行殘差分析(圖4)，用均方根誤差RMSE作為檢驗標(biāo)準(zhǔn)，結(jié)果顯示混合光譜的效果隨著RMSE的減小而精度越來越高(表1)。

圖3 線性擬合圖

圖4 殘差分布圖

4 結(jié)論與討論

4.1 結(jié)論

使用landsat8 OLI數(shù)據(jù)，采用像元二分法、完全約束最小二乘法混合像元分解和基于隨機森林模型的混合像元分解對康?？h植被覆蓋度進行估測，結(jié)合地面調(diào)查結(jié)果，利用預(yù)測值與實測值的回歸分析和均方根誤差對三種估測方法進行擬合分析與精度驗證，得出以下結(jié)論：

1)采用基于混合像元分解的方法進行植被覆蓋度的估測能夠較為便捷和精準(zhǔn)地對植被覆蓋度進行估測，這將是以后大尺度監(jiān)測地表植被覆蓋的有效迅捷手段。

2) 基于隨機森林的混合像元分解模型的精度高于像元二分法與完全約束的最小二乘法混合像元分解模型，表明基于非線性的模型能夠更加精準(zhǔn)地對地表植被覆蓋進行監(jiān)測，因為其限制條件更加嚴格，需要結(jié)合部分地面實測數(shù)據(jù)來進行隨機森林模型的構(gòu)建。

4.2 討論

像元二分法和完全約束最小二乘法混合像元分解的R2均較高，但是它們的RMSE都較大，精度偏低，分析原因可能是：

1)由于研究區(qū)為荒漠化地區(qū)，在進行像元二分法時，NDVImin過小，NDVImin和NDVImax差值過大，近似為1.7，因而在使用公式VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)計算植被覆蓋圖時將NDVI累計率在5%～90%之間的值近似地除以了1.7，導(dǎo)致原本植被豐度高的區(qū)域在預(yù)測圖像中的植被豐度較低，集中在了0.4～0.6，因此與實測數(shù)據(jù)產(chǎn)生了偏差。

2)在進行完全約束最小二乘法混合像元分解時，忽略了植被與地面間的二次反射，因此在混合像元分解時將一些原本的其他地物歸到了植被范疇，導(dǎo)致其中部區(qū)域的植被覆蓋密度相對較大，與實測數(shù)據(jù)產(chǎn)生了偏差。