基于混合像元分解的南方地區植被覆蓋度遙感監測
——以廣州市為例

張志新，鄧孺孺，李 灝，陳 蕾，2，陳啟東，何穎清

(1.中山大學地理科學與規劃學院，廣州 510275;2.國家海洋局南海海洋工程勘察與環境研究院，廣州 510300)

基于混合像元分解的南方地區植被覆蓋度遙感監測
——以廣州市為例

張志新1，鄧孺孺1，李 灝1，陳 蕾1，2，陳啟東1，何穎清1

(1.中山大學地理科學與規劃學院，廣州 510275;2.國家海洋局南海海洋工程勘察與環境研究院，廣州 510300)

通過測量圖像端元的地表反射率，對遙感圖像進行精確大氣校正;在對混合像元分解模型進行改進的基礎上，建立了基于地表反射率的線性混合像元分解(Liner Spectral Unmixing，LSU)模型，有效地避免了因大氣時間、空間差異所造成的多時相誤差，實現了多時相對比;通過增加土壤濕度因子，消除了土壤濕度差異造成的誤差，建立了適用于南方地區的植被覆蓋度遙感監測模型。實地驗證結果表明，該模型具有較高的精度。將該模型運用于廣州市1998～2009年植被覆蓋度時空變化監測，認為城市化、大型工程建設與陡坡開荒是造成廣州市植被覆蓋度變化的主要原因。

植被覆蓋度;線性混合像元分解;地表反射率;土壤濕度;Landsat TM圖像

0 引言

植被是城市生態系統中的重要組成部分。合理的植被景觀空間布局，能夠有效地緩解城市熱島效應，改善城市熱環境。城市發展與城市化是城市植被覆蓋度與植被景觀變化的主要因素，尤其在快速城市化過程中，工程建設的大量實施，耕地面積的大幅減少，造成了城市內部及其周圍地區植被覆蓋度的大幅降低。植被覆蓋度是區域內植被垂直投影面積占地表面積的百分比［1］，對其定量監測于城市生態環境的評估與統籌規劃具有重要意義。

依據植被光譜信息與植被覆蓋度之間的關系對大范圍區域進行遙感監測，是獲取區域植被覆蓋度的重要手段［2］。目前較為普遍的植被覆蓋度遙感監測方法有經驗模型法、植被指數法、混合像元分解法和植被冠層模型法等［3－8］。經驗模型法適用于小區域監測，對實測數據依賴性強;植被指數容易受到大氣、土壤濕度等的影響和制約［9］，導致其與實際植被覆蓋度的關系不清，因此植被指數法的定量化程度較低;植被冠層模型通常依據植被葉面積指數(LAI)計算植被覆蓋度，主要分為以個體隨機集合為特征的幾何光學模型、以均勻散射薄層為特征的輻射傳輸模型及二者的混合模型等，該模型充分考慮了葉片與冠層的結構以及輻射傳輸等問題，但模型結構復雜、變量過多且難以測量;混合像元分解法則通過計算混合像元中各種地物占像元面積的百分比(豐度)［10］實現植被覆蓋度的反演，該方法簡單易行，主要針對植被指數或地物光譜特征對混合像元進行分解。

基于植被指數的混合像元分解法通過計算各種基本地物類型的植被指數(例如純土壤覆蓋像元的植被指數 NDVIsoil，純植被覆蓋像元的植被指數NDVIveg等)對混合像元的植被指數的貢獻，實現對植被覆蓋度的估計［11－15］。由于應用了植被指數，該方法同樣存在定量化程度不高的問題。少數研究依據地物光譜特征建立混合像元分解模型［16－19］，該方法物理機制明晰，但仍存在以下不足:①此類模型一般通過直接讀取或圖像分析的方式［20－22］從遙感圖像上獲得圖像端元的光譜特征，不考慮大氣的時間、空間差異，導致產生時序變化監測誤差;②此類模型通常不考慮土壤含水量對土壤光譜的影響，不宜用于土壤濕度較大、土壤含水量空間差異顯著的我國南方地區的植被覆蓋度監測。

為了更好地實現我國南方地區植被覆蓋度的長期、定量遙感監測，本文對已有線性混合像元分解(Liner Spectral Unmixing，LSU)模型進行了如下改進:①測量各種基本地物(圖像端元)的地表反射率，并將經過大氣精校正的遙感圖像的地表反射率作為模型的輸入值，以消除大氣時空差異的影響，提高時序變化監測結果的可對比性;②簡化含水量與土壤反射率的關系，建立增加了土壤濕度因子的LSU模型。

以廣州市中北部地區為實驗區，借助于林地冠層分析儀測量結果對本文建立的LSU模型進行檢驗。然后利用該模型對廣州市1998、2004和2009年3個時相的Landsat TM圖像進行植被覆蓋度的反演，并對結果進行了分析。

1 基于圖像端元的LSU模型

1.1 增加土壤濕度因子的LSU理論

在遙感探測中，若忽略地形的影響，并將地表視為朗伯體，則行星反射率r可表示為

式中，T為電磁波入射與反射過程中的大氣綜合透過率;ρu為上行路徑散射反照率;R為地表反射率。

大氣中的可變成分(水汽、氣溶膠、云霧水滴等)的分布隨時間和空間的變化較大，導致T與ρu具有很強的時空不確定性，造成時空變化監測誤差，因此必須對遙感圖像進行大氣精校正，以獲得本文中LSU技術的分解對象——混合像元的地表反射率R。

線性光譜模型利用一個線性關系表達遙感系統中一個像元內各地物的類型、比例與光譜響應［23］。該模型假設在瞬時視場下，混合像元的地表反射率是由該像元內的各種圖像端元的地表反射率線性組合而成，其中各種圖像端元在該像元內所占的面積比為線性方程的權重［24，25］，即

式中，e為隨機誤差;Rv、Rs、Rw、…分別為植被、土壤、水體等圖像端元的地表反射率;Av、As、Aw、…分別為植被、土壤、水體等在像元中所占的面積比。

傳統的混合像元分解研究與應用，通常忽略不同濕度土壤間的反射率差異，但對于土壤濕度空間差異顯著的我國南方地區，土壤濕度差異的影響應予以考慮。鄧孺孺等［26，27］的研究指出，在土壤含水量明顯低于土壤田間持水量時，濕潤土壤反射率服從Beer定律，即

其中，Rso為干燥土壤的反射率;Vws為土壤體積含水量;aws為水分的吸收系數。

在土壤含水量較低的情況下，式(3)可改寫為

式(4)表明，在土壤含水量較低的情況下，土壤體積含水量Vws與土壤反射率Rs之間線性相關，因此可以用干燥土壤與水分的反射率的線性疊加代替土壤的反射率，即將土壤作為干燥土壤和水分兩種圖像端元的組合。比照As，定義干燥土壤及土壤水分在混合像元中所占的面積比分別為Aso與Aws;定義水分的反射率為Rws，則式(2)可改寫為

將式(5)改寫為矩陣的形式，即

本文選用最小二乘法求解上述多元線性方程組，當方程組的離差平方和|E|2最小時，可以得到模型參數的估計表達式為

1.2 圖像端元地表反射率的獲取

利用美國ASD公司的ASD FieldSpec光譜儀測量各種地物的輻射亮度，然后計算其光譜反射率。為了與遙感圖像的各個波段相對應，在Landsat TM傳感器各個波段的波長范圍內分別對每種地物的光譜反射率積分，并將積分結果相對于波段寬度的均值作為該地物在相應波段中的地表實測反射率。圖1示出實測的(左)和TM圖像上的(右)6類地物的光譜反射率曲線。

圖1 圖像端元實測(左)與TM(右)反射率光譜Fig.1 Spectral reflectance of basal land covers based on measurement(left)and TM(right)

原始圖像端元包括圖1中顯示的6類地物。其中，灰白石磚、粗糙水泥地與柏油路面的實測反射率與TM影像各波段的反射率都極為相近，由于這3類地物是城市建筑與道路的主要組成部分，為了簡化模型，將它們歸并為同一類，即“建筑與道路”;并將上述3種地物反射率的均值作為“建筑與道路”的地表反射率。最終，本研究以植被、干燥土壤、純凈水體、建筑與道路為圖像端元，將其地表反射率作為參數，用于建立LSU模型。

1.3 用于植被覆蓋度反演的TM波段選擇

在可見光區，紅光被植被葉綠素強吸收，是光合作用的代表性波段;植被在0.55 μm附近有一較低的反射峰，近紅外波段對植被差異和長勢反映敏感;因此，TM 2、3和4波段是植被信息最為豐富的波段，而TM5波段對土壤含水量敏感。綜上所述，本文選擇上述4個波段用于植被覆蓋度的反演。

對土地利用復雜的地區，采用同一種圖像端元組合方式(例如植被與土壤)對全區的混合像元進行分解的方法并不符合實際，為此將地表覆蓋簡化為幾種主要類型，定義其包含的圖像端元類型，設定相應的反演波段(表1)。

表1 混合像元類型Tab.1 Types of mixed pixels

在反演植被覆蓋度時，分別用各種圖像端元組合類型對混合像元進行分解，然后根據式(6)與式(8)計算的各種類型反演結果計算離差平方和(|E|2)。比較并選取|E|2最小的類型作為混合像元的地表覆蓋類型，再根據式(7)與式(8)計算像元的植被覆蓋度。

2 精度驗證

2.1 實驗區與遙感數據

選擇廣州市北部作為實驗區，區內土地利用與植被覆蓋度空間差異顯著:北部為丘陵地區，以林地、耕地與鄉村建筑為主，植被覆蓋程度較高;南部為廣州市中心區，以城市建筑與道路為主，植被覆蓋程度較低。首先，對實驗區2009年1月2日獲取的Landsat TM圖像(圖2(a))進行植被覆蓋度反演，然后根據地表儀器測量結果，對反演精度進行定量評價。

圖2 實驗區 TM5(R)、TM4(G)、TM3(B)假彩色合成圖像及驗證點分布Fig.2 TM5(R)、TM4(G)、TM3(B)pseudo color composite image and distribution of the verifying points in the study area

2.2 數據預處理與植被覆蓋度反演

2.2.1 數據預處理

根據式(7)可知，在進行植被覆蓋度反演時，模型輸入值為地表反射率R。地表反射率可以通過遙感圖像計算獲得(包括行星反射率計算與大氣校正)。

(1)根據遙感圖像DN值計算行星反射率r。首先對遙感圖像進行幾何糾正，獲得具有地理坐標的圖像數據，確保能夠在圖像上找到與地面驗證點(由GPS確定其地理坐標)相對應的像元;然后對圖像進行輻射校正，以消除傳感器誤差;最后計算行星反射率。

(2)利用大氣校正方法消除大氣程輻射的影響，計算地表反射率R。從行星反射率圖像上選取純凈水體像元和位于陰影區的濃密植被像元作為暗像元，采用多暗像元法［28］對圖像進行大氣校正;然后根據式(1)計算地表反射率。

2.2.2 植被覆蓋度反演

將預處理得到的地表反射率作為植被覆蓋度反演模型的輸入值，根據式(7)和式(8)計算實驗區內各個像元的植被覆蓋度。

2.3 精度檢驗

圖3 野外測量與模型反演結果對比Fig.3 Comparison between field survey and Remote sensing retrieval results

則F的觀察值為

根據F分布的臨界值表，得到

當0.56＜F ＜1.79，表明遙感圖像反演值與儀器測量值的方差之間無顯著差異。全部驗證點的平均相對誤差為11.96%;位于植被覆蓋度較高的白云山公園(圖2(c))的驗證點的平均相對誤差為3.68%。結果表明，該模型能夠較為準確地實現南方地區植被覆蓋度的反演，對于高密度植被覆蓋區的反演效果更好。

3 廣州市1998～2009年植被覆蓋度時空變化監測

近十年來廣州市城市化進程不斷加快，房地產侵占農田，丘陵地區陡坡開荒，北部原生植被減少。植被作為城市生態系統的重要組成部分，其覆蓋度時空變化顯著。本文按照2.2節中的數據預處理與植被覆蓋度反演步驟分別對1998年12月、2004年11月和2009年1月獲取的廣州市Landsat TM圖像進行了植被覆蓋度的計算，并對結果進行了分析。

3.1 植被覆蓋度時空變化

廣州市各年份平均植被覆蓋度分別為43.734%(1998年)、45.151%(2004 年)和 45.749%(2009年)，各轄區植被覆蓋度如圖4所示。

圖4 廣州市各轄區植被覆蓋度對比Fig.4 Comparison of vegetation coverage in Guangzhou

從圖4可以看出，廣州市北部及東北部區域(從化市、增城市、蘿崗區、花都區、白云區)平均植被覆蓋度明顯高于南部區域(番禺區、南沙區);市中心區(越秀區、天河區、黃埔區、海珠區、荔灣區)平均植被覆蓋度明顯低于非中心城區。

為了清晰地顯示研究區域植被覆蓋度時空變化，通過 ArcInfo軟件進行柵格計算并分別生成1998～2004年與2004～2009年廣州市植被覆蓋度時空變化圖(圖5)。

圖5 廣州市植被覆蓋度變化Fig.5 Change of vegetation coverage in Guangzhou

圖5 顯示，在1998～2004年和2004～2009年這2個時段中，廣州市植被覆蓋度空間變化特征較為一致:中部和南部平原地區植被覆蓋度降低較為明顯，呈斑雜狀分布;北部和東部丘陵地區部分區域植被覆蓋度增加;其他地區變化不明顯。

3.2 植被覆蓋度變化原因分析

參照原始遙感圖像解譯結果與實地考察發現，近十年來影響廣州市植被覆蓋度變化的3個主要因素為城市化、城市規劃大型工程建設和丘陵地區陡坡開荒。圖6～8為上述3種因素的典型區域及其表現(每幅圖中的(a)與(b)分別為相應區域1998～2004年(時段1)與2004～2009年(時段2)的植被覆蓋度變化空間分布圖，(c)為相應區域2009年1月獲取的TM5(R)、TM4(G)、TM3(B)假彩色合成圖像)。

圖6 城市化對植被覆蓋度的影響Fig.6 Urbanization impact on the vegetation coverage

圖6 選于增城市南端，為城市化對城市植被覆蓋度圖像的一個案例:在時段1中，西南部地區植被覆蓋度整體呈大幅度降低(圖6(a));在時段2中，植被覆蓋度大幅度降低現象已經擴展到東北部地區(圖6(b)。時段1中植被覆蓋度降低的區域在TM圖像中顯示為紫色，已經成為城市建筑區;而時段2中植被覆蓋度降低的區域呈白色版塊狀，為新開發區(圖6(c))。截至2009年1月，該區大部分植被已經或正在被城市建筑替代。圖6表明，城市化過程對植被的破壞具有一定程度的不可逆轉性和時間上的延續性。

圖7為城市發展進程中一類具有代表性的生態影響因素——大型工程建設。圖上居中部分為番禺小谷圍島，于2003年1月開始實施廣州市大學城建設工程。從圖7(a)中可以看出，至2004年11月，該區域植被覆蓋度較1998年整體下降，這主要是由廣州市大學城的建設造成的。圖7(b)中，中心區域植被覆蓋度有所回升，且植被覆蓋度顯著增加的區域呈現較為規整的圖斑，這與2006年12月大學城建設項目的完工以及后續兩年的區域綠化工程密切相關;而在西北部，即位于小谷圍島南面的官洲島的植被覆蓋度變化則是因為自2008年底起廣州國際生物島工程建設的實施。與城市化相比，大型工程建設初期常常會造成較大程度的植被破壞，但工程建設中后期合理的綠地規劃與建設，則能在一定程度上補救和改善建設初期對工程區生態的損害。

圖7 大型工程建設對植被覆蓋度的影響Fig.7 Large－scale architectural engineering impact on the vegetation coverage

圖8 顯示了陡坡開荒活動對植被覆蓋度變化的影響。圖8(a)與圖8(b)中的深綠色斑塊為成熟的陡坡開荒區，白色斑塊為新開墾區，紫色斑塊則為處于陡坡開荒過渡階段的區域。陡坡開荒活動雖然能夠帶來短期、較高的經濟效益，卻破壞了地面植被，且又翻松了土壤，造成了產生嚴重土壤侵蝕的條件，導致水土流失加劇，引起局部生態環境惡化和山體滑坡、泥石流等地質災害的發生，是威脅居民生命與財產安全的不安定因子。

圖8 陡坡開荒對植被覆蓋度的影響Fig.8 Reclamation impact on the vegetation coverage

4 結論

本研究在對線性混合像元分解(LSU)模型進行分析和改進的基礎上，建立了具有較高精度的植被覆蓋度監測模型。該模型具有以下特點:

(1)以地表反射率為LSU的作用對象，削弱了大氣環境與遙感影像成像時間差異的影響，提高了時序變化監測結果的可對比性。

(2)根據土壤含水量與土壤光譜的關系，增加了土壤濕度因子，消除了土壤濕度空間差異的影響，適用于土壤濕度較大、土壤含水量空間差異顯著的我國南方地區的植被覆蓋度反演。

(3)地表儀器測量結果證明該模型具有較高的反演精度。利用該模型對廣州市近十年來的植被覆蓋度進行監測，分析了影響該地區植被覆蓋度變化的主要因素，證明該模型用于我國南方地區植被覆蓋度時空變化的監測可以獲得良好的效果。

致謝:感謝蔣少鋒在野外測量過程中給予的幫助。

［1］ 程紅芳，章文波，陳 鋒.植被覆蓋度遙感估算方法研究進展［J］.國土資源遙感，2008(1):13 －18.

［2］ 秦 偉，朱清科，張學霞，等.植被覆蓋度及其測算方法研究進展［J］.西北農林科技大學學報:自然科學版，2006，34(9):163－170.

［3］ 但尚銘，但 玻.若爾蓋地區典型濕地NDVI動態特點分析［J］.四川氣象，2006，26(3):115 －117.

［4］ Busetto L，Meroni M，Colombo R.Combining Medium and Coarse Spatial Resolution Satellite Data to Improve the Estimation of Sub －pixel NDVI Time Series［J］.Remote Sensing of Environment，2008，112(1):118 －131.

［5］ 陽小瓊，朱文泉，潘耀忠，等.基于修正的亞像元模型的植被覆蓋度估算［J］.應用生態學報，2008，19(8):1860 －1864.

［6］ 陳效逑，王 恒.1982～2003年內蒙古植被帶和植被覆蓋度的時空變化［J］.地理學報，2009，64(1):84 －94.

［7］ 董 印，焦 黎，楊光華，等.基于SPOT－VGT數據的新疆1998～2007年植被覆蓋變化監測［J］.水土保持通報，2009，29(2):125－129.

［8］ 李 娟.蘭州市南北兩山植被覆蓋度動態變化遙感監測［J］.礦山測量，2010(1):34－38.

［9］ 田慶久，閔祥軍.植被指數研究進展［J］.地球科學進展，1998，13(4):327－333.

［10］ Iehoku C，Karnieli A.A Review of Mixture Modeling Techniques for Sub － pixel Land Cover Estimation［J］.Remote Sensing Reviews，1996，13(3 －4):161 －186.

［11］ 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.

［12］ Qi J，Marsett R C，Moran M S，et al.Spatial and Temporal Dynamics of Vegetation in the San Pedro River Basin Area［J］.Agricultural and Forest Meteororology，2000，105(1 －3):55 －68.

［13］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用［J］.遙感學報，2001，5(6):416 －422.

［14］唐世浩，朱啟疆，王錦地，等.三波段梯度差植被指數的理論基礎及其應用［J］.中國科學(D 輯)，2003，33(11):1094－1102.

［15］陽小瓊，朱文泉，潘耀忠，等.基于修正的亞像元模型的植被覆蓋度估算［J］.應用生態學報，2008，19(8):1860 －1864.

［16］ Jasinski M F.Estimation of Subpixel Vegetation Density of Natural Regions Using Satellite Multispectral Imagery［J］.IEEE Transaction on Genscience and Remote Sensing，1996，34(3):804 －813.

［17］ Gilabert M A，García － Haro F J，Melià J.A Mixture Modeling Approach to Estimate Vegetation Parameters for Heterogeneous Canopies in Remote Sensing［J］.Remote Sens Environ，2000，72(3):328－345.

［18］ Paringit E C，Nadaoka K.Using Spectral Mixture Modeling Techniques to Derive Land－cover Parameters for Distributed Ediment Yield Estimation［C］//Proceedings of the 21st Asian Conference on Remote Sensing.Taipei，Taiwan，2000:52 －57.

［19］王天星，陳松林，馬 婭.基于改進線性光譜分離模型的植被覆蓋度反演［J］.地球信息科學，2008，10(1):114 －120.

［20］ Metternicht G I，Fermont A.Estimating Erosion Surface Features by Linear Mixture Modeling［J］.Remote Sensing of Environment，1998，64(3):254 －265.

［21］ Lobell D B，Asner G P.Cropland Distributions from Temporal Unmixing of MODIS Data［J］.Remote Sensing of Environment，2004，93(3):412 －422.

［22］ Bannari A，Pacheco A，Staenz K，et al.Estimating and Mapping Crop Residues Cover on Agricultural Lands Using Hyperspectral and IKONOS Data［J］.Remote Sensing of Environment，2006，104(4):447－459.

［23］趙英時，楊立明，陳冬梅，等.遙感應用分析原理與方法［M］.北京:科學出版社，2003.

［24］蔡 薇，郭洪海，隋學艷，等.基于混合像元分解提取小麥種植面積的技術與方法研究［J］.山東農業科學，2009(5):12－16.

［25］陶雪濤.線性模型下多通道遙感圖像混合像元分解方法研究［D］.上海:復旦大學，2008:10.

［26］鄧孺孺.青藏高原地表反照率反演及冷熱源分析［D］.北京:中國科學院研究生院遙感應用研究所，2002:16－19.

［27］鄧孺孺，田國良，柳欽火，等.粗糙地表土壤含水量遙感模型研究［J］.遙感學報，2004，8(1):75 －80.

［28］齊志新，鄧孺孺.多暗像元大氣校正方法［J］.國土資源遙感，2007(2):16－19.

Remote Sensing Monitoring of Vegetation Coverage in Southern China Based on Pixel Unmixing:A Case Study of Guangzhou City

ZHANG Zhi－ xin1，DENG Ru － ru1，LI Hao1，CHEN Lei1，2，CHEN Qi－ dong1，HE Ying － qing1
(1.School of Geographic Science and Planning，Sun Yat－ sen University，Guangzhou 510275，China;2.South China Sea Marine Engineering and Environment Institute，SOA，Guangzhou 510300，China)

Based on the measurement of the ground spectral reflectance of basal land covers and the accurate atmospheric correction for Landsat TM data，the authors improved the linear spectral mixture model(LSU)and developed a vegetation coverage retrieval model suitable for southern China.The effects of the atmospheric environment and the imaging time of remote sensing data were both reduced，contributing to the multi－ temporal comparison，by the utilization of the ground spectral reflectance from field survey.The soil moisture factor was considered to eliminate its remarkable spatial differentiation error in southern China.The vegetation coverage retrieval model was proved to be efficient with high precision over the in situ field verification and was applied to extract the vegetation coverage information in Guangzhou from 1998 to 2009.It is inferred that the urbanization，the large－scale architectural engineering and the reclamation activities constitute the main factors responsible for the formation of the spatio－temporal vegetation change in this area.

Vegetation coverage;Linear spectral unmixing(LSU);Ground spectral reflectance;Soil moisture;Landsat TM image

TP 79

A

1001－070X(2011)03－0088－07

2010－12－13;

2011－01－09

國家自然科學基金項目(編號:40671144)和水利部948項目(編號:200820)共同資助。

張志新(1985－)，女，碩士研究生，主要從事水質遙感和微波遙感研究。

鄧孺孺(1963－)，男，博士，教授，主要從事環境遙感和 GIS應用研究。E－mail:eesdrr@mail.sysu.edu.cn。

(責任編輯:劉心季)