基于多源遙感影像融合的植被覆蓋度信息提取研究

王體雯 李濤

摘要 植被覆蓋度是評(píng)估生態(tài)環(huán)境的一個(gè)重要參數(shù)，對(duì)于全球環(huán)境變化和監(jiān)測(cè)研究具有重要意義。如何從遙感數(shù)據(jù)資料估算植被覆蓋度，并提高估算精度是建立全球或區(qū)域氣候、生態(tài)模型的基礎(chǔ)工作。該研究以CBERS數(shù)據(jù)與ASAR數(shù)據(jù)為多源遙感數(shù)據(jù)源，進(jìn)行CBERS影像與ASAR影像HPF像素級(jí)融合，生成高空間分辨率的多光譜影像HPF融合影像。分別運(yùn)用CBERS影像和HPF融合影像，提取植被覆蓋度，并對(duì)兩者的提取效果進(jìn)行精度對(duì)比評(píng)價(jià)分析。評(píng)價(jià)結(jié)果表明，HPF融合處理的影像提取的植被信息精度較高、效果較好，為植被覆蓋度信息的提取提供了參考。

關(guān)鍵詞 植被覆蓋度;ASAR遙感影像;CBERS遙感影像;HPF像素級(jí)融合;精度

中圖分類號(hào) S 127 ?文獻(xiàn)標(biāo)識(shí)碼 A

文章編號(hào) 0517-6611（2019）12-0146-03

doi：10.3969/j.issn.0517-6611.2019.12.040

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract Crown cover fraction is an important ecological and environmental parameter and improve the accuracy of estimation are the basic works of establishing a global or regional climate ecological model.Its very important for the study of global environment change and observation.How to estimate crown cover fraction from remotes and improve the accuracy of estimation are the basic works of establishing a global or regional climate ecological model.In the study，CBERS image and ASAR image as date source for image fusion at pixel level HPF，the high spatial resolution multispectrum image HPF fusion image were obtained.CBERS images and HPF fusion images were used respectively to extract vegetation coverage，and the accuracy of extraction results of the two was compared and evaluated.The evaluation results showed that the accuracy and effectiveness of the vegetation information extracted from HPF fusion images were high，which provided a reference for the extraction of vegetation coverage information.

Key words Vegetation coverage;ASAR sensing image;CBERS sensing image;HPF fusion image;Accuracy

植被覆蓋度是指植被在地面的垂直投影面積占統(tǒng)計(jì)區(qū)總面積的百分比，是植物群落地表狀況的一個(gè)綜合量指標(biāo)[1]，是評(píng)估生態(tài)環(huán)境的一個(gè)重要參數(shù)。它不僅是描述生態(tài)系統(tǒng)的一個(gè)重要基礎(chǔ)數(shù)據(jù)，而且是水文、氣象、生態(tài)模式的基本參數(shù)。作為陸地表面模型中的一個(gè)重要變量，植被覆蓋度對(duì)于研究氣候變化、土地荒漠化以及環(huán)境監(jiān)測(cè)等具有重要意義。因此，獲取植被覆蓋信息，對(duì)于揭示地表空間變化規(guī)律、探討變化的驅(qū)動(dòng)因子、分析評(píng)價(jià)區(qū)域生態(tài)環(huán)境具有重要的現(xiàn)實(shí)意義[2]。

植被覆蓋度的計(jì)算方法可分為地表實(shí)測(cè)和遙感監(jiān)測(cè)2類[3]，由于植被覆蓋度具有顯著的時(shí)空分異特性，地表實(shí)測(cè)的方法不僅費(fèi)時(shí)費(fèi)力，而且對(duì)大尺度研究來說，這種方法不現(xiàn)實(shí)。因而遙感監(jiān)測(cè)已成為估算植被覆蓋度的主要手段。但是，在區(qū)域尺度植被覆蓋度調(diào)查中，遙感應(yīng)用存在著遙感數(shù)據(jù)源和信息提取方式的局限性。遙感數(shù)據(jù)源多為美國陸地資源衛(wèi)星TM[4-5]，數(shù)據(jù)應(yīng)用較少，尤其是雷達(dá)數(shù)據(jù)的應(yīng)用較少，信息提取方式單一，主要依賴目視解譯，其他方法的應(yīng)用相對(duì)不足[6]，來自多源傳感器的信號(hào)所提供的信息具有冗余性和互補(bǔ)性。而光學(xué)遙感具有豐富的光譜信息，但雷達(dá)遙感所使用的波長比光學(xué)遙感的長，空間分辨率高，且不受天氣的影響和制約，因此，把多源遙感影像數(shù)據(jù)融合，將多源影像數(shù)據(jù)各自的優(yōu)勢(shì)結(jié)合起來加以利用，可以充分利用其互補(bǔ)信息，且進(jìn)一步提高影像分析、理解與目標(biāo)識(shí)別能力，是現(xiàn)代多源遙感影像處理和分析中非常重要的方法[7-10]。

CBERS數(shù)據(jù)與ASAR數(shù)據(jù)融合處理可以最大限度地獲取對(duì)目標(biāo)或場(chǎng)景的信息描述，特別在對(duì)土壤信息提取方面將會(huì)更加全面、高效，對(duì)提高研究區(qū)植被覆蓋度狀況評(píng)價(jià)的準(zhǔn)確性和全面性有著重要意義[11-15]。

1 材料與方法

1.1 研究區(qū)概況

鎮(zhèn)寧布依族苗族自治縣地處貴州中部丘原西南部，位于105°35′10″～106°0′50″E，25°25′19″～26°10′32″N。全縣土地面積1 713.3 km2，地勢(shì)北高南低，坡度變化較大，海拔356～1 678 m，以亞熱帶氣候?yàn)橹鳎瑢倌蟻啛釒駶櫦撅L(fēng)氣候區(qū)。鎮(zhèn)寧縣是典型的巖溶地區(qū)，山地面積1 098 km2，丘陵面積157.8 km2，分別占全縣總面積的64.08%和9.21%。巖溶地貌分布廣，占全縣總面積60%以上。基巖多為石灰?guī)r、砂頁巖、白云質(zhì)石灰?guī)r、硅質(zhì)灰?guī)r，其土壤多為黃壤、紅黃土壤和黑色石灰土。

1.2 數(shù)據(jù)來源

采用CBERS數(shù)據(jù)與ASAR數(shù)據(jù)為多源遙感數(shù)據(jù)源。CBERS數(shù)據(jù)來源于資源環(huán)境云平臺(tái)（http：//www.resdc.cn/），ASAR數(shù)據(jù)來源于歐洲太空局（https：//earth.esa.int/）。另外，選用野外采集的300個(gè)樣本點(diǎn)進(jìn)行分類精度評(píng)價(jià)。

1.3 影像預(yù)處理

CBERS數(shù)據(jù)采用軟件ENVI5.0，先對(duì)前4個(gè)波段進(jìn)行合成，接著運(yùn)用UTM方式，選取地面控制點(diǎn)（GCP），對(duì)第5波段進(jìn)行幾何校正和融合，然后用鎮(zhèn)寧縣矢量數(shù)據(jù)對(duì)CBERS影像裁剪，最后對(duì)裁剪的數(shù)據(jù)進(jìn)行圖像變換和增強(qiáng)處理。ASAR數(shù)據(jù)通過斑點(diǎn)噪聲去除處理后，然后進(jìn)行影像定標(biāo)、濾波和幾何校正處理。

1.4 CBERS與ASAR影像融合

用HPF（高通濾波融合）融合方法對(duì)CBERS和ASAR遙感影像進(jìn)行融合，生成HPF融合數(shù)據(jù)。

1.5 分類方法 歸一化植被指數(shù)（NDVI）對(duì)植被的生長勢(shì)和生長量非常敏感，可以很好地反映地表植被的繁茂程度，有較好的時(shí)相和空間適應(yīng)性，是植被覆蓋度提取中應(yīng)用最為廣泛的一個(gè)[16]。該研究運(yùn)用歸一化植被覆指數(shù)（NDVI）計(jì)算植被覆蓋度，使用預(yù)處理好的CBERS和HPF融合數(shù)據(jù)，在ENVI軟件的Band Math下，先用NDVI=NIR-R/NIR+R編輯公式float（float（b4-b3）/float（b4+b3））計(jì)算植被指數(shù)。然后根據(jù)公式VC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil）計(jì)算得出植被覆蓋度圖。

1.6 分類結(jié)果評(píng)價(jià)方法

選取制圖精度、用戶精度、漏分誤差和錯(cuò)分誤差4個(gè)指標(biāo)對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)。

圖像精度是指一幅不知道其質(zhì)量的圖像和一幅假設(shè)準(zhǔn)確的參考圖像或者地面真實(shí)樣本訓(xùn)練區(qū)圖像之間的吻合程度。精度評(píng)價(jià)中，多采用抽樣方式以部分像元或部分類別代替整幅圖像來進(jìn)行圖像的精度評(píng)價(jià)。在有了良好的采樣方案和可靠的樣本數(shù)據(jù)的基礎(chǔ)上，便可討論如何進(jìn)行精度評(píng)價(jià)中統(tǒng)計(jì)量的選擇和分析，以最終獲取精度評(píng)價(jià)指標(biāo)。最常用的是建立誤差矩陣（或稱混淆矩陣），以此計(jì)算各種統(tǒng)計(jì)量并進(jìn)行統(tǒng)計(jì)檢驗(yàn)，最終給出對(duì)于總體的和基于各種地面類型的分類精度值，精度指標(biāo)如下。

（1）制圖精度。假定地表真實(shí)為A類，分類器能將一幅圖中的像元?dú)w為A類的可能性。它用于反映生產(chǎn)這張圖的方法的好壞。

PAj=PAareaPjarea

式中，PAj為百分比;PAarea為PA面積;Pjarea為Pj面積。

（2）用戶精度。假定分類器將像元?dú)w到A類，相應(yīng)的地表真實(shí)類別是A的可能性。它反映分類圖中各類別的可信度，即該圖的可靠性。

PUi=PUareaPiarea

式中，PUi為百分比;PUarea為PU面積;Piarea為Pi面積。

制圖精度和用戶精度對(duì)應(yīng)的是漏分誤差和錯(cuò)分誤差。漏分誤差顯示的是實(shí)際的某一類地物有多少被錯(cuò)誤地分到其他類別，而錯(cuò)分誤差顯示的則是圖像中被劃為某一類地物實(shí)際上有多少應(yīng)該是別的類別，漏分誤差與制圖精度互補(bǔ)，而錯(cuò)分誤差與用戶精度互補(bǔ)。

2 結(jié)果與分析

2.1 提取結(jié)果 不同數(shù)據(jù)源遙感影像提取的植被覆蓋度分級(jí)圖分別見圖1、2。

2.2 分類結(jié)果精度分析 基于CBERS影像提取的植被覆蓋度信息結(jié)果如下：各區(qū)間覆蓋度制圖精度和用戶精度都比較低，漏分和錯(cuò)分現(xiàn)象比較嚴(yán)重。觀察覆蓋度信息提取結(jié)果誤差矩陣后發(fā)現(xiàn)，覆蓋度≤30%漏分比較嚴(yán)重，即將原本屬于覆蓋度≤30%的像元主要?jiǎng)澐譃榱?30%～45%和>45%～60%，錯(cuò)分誤差主要是覆蓋度≤30%與>60%～75%混淆，綜合野外考察結(jié)果發(fā)現(xiàn)主要原因是覆蓋度≤30%的地方多數(shù)是造林地，現(xiàn)在造林效果比較好，但是CBERS影像上紋理、色調(diào)都和以前一樣，導(dǎo)致把覆蓋度≤30%錯(cuò)分為>60%～75%，因此覆蓋度≤30%用戶精度比較低。覆蓋度在區(qū)間>30%～45%和>45%～60%分類精度低，主要原因是基于CBERS影像的覆蓋度為>30%～45%和覆蓋度為>45%～60%的影像區(qū)域色調(diào)和紋理相近，且邊界不明顯，兩者劃分極易混淆，造成分類精度低，單從CBERS影像光譜特征很難將它們區(qū)分。

基于HPF融合影像提取的植被覆蓋度信息結(jié)果如下：各區(qū)間覆蓋度制圖精度和用戶精度相差比較大，存在漏分和錯(cuò)分現(xiàn)象，覆蓋度>30%～45%和覆蓋度>45%～60%制圖精度高，漏分誤差小，覆蓋度≤30%和覆蓋度>75%漏分誤差大，除覆蓋度>30%～45%用戶精度比較低，錯(cuò)分誤差大外，其他覆蓋度用戶精度都較高，錯(cuò)分誤差小。觀察覆蓋度信息提取結(jié)果誤差矩陣后發(fā)現(xiàn)，覆蓋度≤30%和覆蓋度>75%漏分誤差大，即將原本屬于覆蓋度≤30%和覆蓋度>75%的像元?jiǎng)澐譃榱烁采w度>30%～45%和覆蓋度>60%～75%，覆蓋度>30%～45%錯(cuò)分誤差主要是由于覆蓋度>30%～45%與覆蓋度≤30%混淆，導(dǎo)致錯(cuò)分。

2.3 分類結(jié)果精度評(píng)價(jià) 總體上來說，不管是制圖精度還是用戶精度，HPF融合影像精度均高于CBERS影像（表1）。從制圖精度來說，精度最高的為HPF融合影像的覆蓋度>45%～60%，精度達(dá)96.6%;精度最低的為CBERS影像的覆蓋度≤30%，精度才為48.3%。從用戶精度來說，精度最高的為HPF融合影像的覆蓋度>75%，精度為92.8%;精度最低的為CBERS影像的覆蓋度>30%～45%，精度為53.6%?；贑BERS影像沒有提取到覆蓋度>75%的植被信息，但HPF融合影像能提取此覆蓋度范圍的植被信息，且用戶精度較高，HPF融合影像彌補(bǔ)了CBERS在這個(gè)范圍的缺陷，說明HPF融合影像不僅具有較高的空間分辨率，而且吸收了CBERS的多光譜信息，使覆蓋度>75%用戶精度達(dá)92.8%。

3 結(jié)論與討論

該研究以CBERS影像和HPF融合影像為數(shù)據(jù)源，采用遙感影像融合、歸一化植被指數(shù)等方法提取鎮(zhèn)寧縣植被覆蓋度信息，結(jié)果如下。

（1）從總體上來說，在提取植被覆蓋度信息方面，不管是制圖精度還是用戶精度，HPF融合影像精度均高于CBERS影像。從制圖精度來說，精度最高的為HPF融合影像的覆蓋度>45%～60%，精度達(dá)96.6%;精度最低的為CBERS影像的覆蓋度≤30%，精度才為48.3%。從用戶精度來說，精度最高的為HPF融合影像的覆蓋度>75%，精度為92.8%;精度最低的為CBERS影像的覆蓋度>30%～45%，精度為53.6%。

（2）基于CBERS影像提取植被覆蓋度信息各區(qū)間覆蓋度制圖精度和用戶精度都比較低，漏分和錯(cuò)分現(xiàn)象比較嚴(yán)重，HPF融合影像除植被覆蓋度>30%～45%用戶精度比較低，錯(cuò)分誤差較大外，其他區(qū)間的植被覆蓋度用戶精度都較高，錯(cuò)分誤差小，HPF融合影像分類效果好于CBERS影像。

（3）多源遙感影像數(shù)據(jù)融合是富集多種傳感器遙感信息的最有效途徑之一，進(jìn)行CBERS和ASAR影像融合，得到高空間分辨率的多光譜HPF融合影像，并應(yīng)用于植被信息提取是提高植被覆蓋度信息提取正確率的有效途徑之一，為植被覆蓋度信息的提取提供了參考。

參考文獻(xiàn)

[1]王國芳.基于遙感技術(shù)的植被覆蓋度的動(dòng)態(tài)監(jiān)測(cè)[J].山西農(nóng)業(yè)科學(xué)，2015，43（5）：592-595.

[2] 陳云浩，李曉兵，史培軍，等.北京海淀區(qū)植被覆蓋的遙感動(dòng)態(tài)研究[J].植物生態(tài)學(xué)報(bào)，2001，25（5）：588-593.

[3] 陳晉，陳云浩，何春陽，等.基于土地覆蓋分類的植被覆蓋率估算亞像元模型與應(yīng)用[J].遙感學(xué)報(bào)，2001，5（6）：416-422.

[4] 袁金國，王衛(wèi).多源遙感數(shù)據(jù)融合應(yīng)用研究[J].地球信息科學(xué)學(xué)報(bào)，2005，7（3）：97-103.

[5] 李衛(wèi)國，李花，黃義德.HJ衛(wèi)星遙感在水稻長勢(shì)分級(jí)監(jiān)測(cè)中的應(yīng)用[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2010，26（6）：1206-1209.

[6] 劉愛霞，王靜，劉正軍.三峽庫區(qū)土壤侵蝕遙感定量監(jiān)測(cè)：基于GIS和修正通用土壤流失方程的研究[J].自然災(zāi)害學(xué)報(bào)，2009，18（4）：25-30.

[7] ULABY F T，CHARLES E.Radar polarimetry for geoscience applications[M].Boston：Artech House Inc.，1990.

[8] 侯淑濤，王洪成.多源遙感數(shù)據(jù)融合技術(shù)研究[J].測(cè)繪與空間地理信息，2008，31（4）：12-14.

[9] 劉前進(jìn)，蔡強(qiáng)國，劉紀(jì)根，等.黃土丘陵溝壑區(qū)土壤侵蝕模型的尺度轉(zhuǎn)換[J].資源科學(xué)，2004，26（S1）：81-90.

[10] 張喜旺，周月敏，李曉松，等.土壤侵蝕評(píng)價(jià)遙感研究進(jìn)展[J].土壤通報(bào)，2010，41（4）：1010-1017.

[11] 金焰，張?jiān)仯Ｖ敬?，?環(huán)境一號(hào)衛(wèi)星CCD數(shù)據(jù)在生態(tài)環(huán)境監(jiān)測(cè)和評(píng)價(jià)工作中的應(yīng)用價(jià)值研究[J].環(huán)境監(jiān)控與預(yù)警，2010，2（4）：29-35.

[12] LANTICAN M A，GUERRA L C，BHUIYAN S I.Impacts of soil erosion in the upper Manupali watershed on irrigated lowlands in the Philippines[J].Paddy water environment，2003，1（1）：19-26.

[13] 徐芳，黃昌狄.基于Worldview影像的植被自動(dòng)提取研究[J].測(cè)繪地理信息，2016，41（1）：47-50.

[14] 卜兆宏，孫金莊，周伏建，等.水土流失定量遙感方法及其應(yīng)用研究[J].土壤學(xué)報(bào)，1997，34（3）：235-245.

[15] 史德明，石曉日，李德成，等.應(yīng)用遙感技術(shù)監(jiān)測(cè)土壤侵蝕動(dòng)態(tài)的研究[J].土壤學(xué)報(bào)，1996，33（1）：48-57.

[16] 張遠(yuǎn)東，徐應(yīng)濤，顧峰雪，等.荒漠綠洲NDVI與氣候、水文因子的相關(guān)分析[J].生態(tài)學(xué)報(bào)，2003，27（6）：816-821.