應用Landsat8數據改進FCD模型方法

張成才， 羅蔚然， 竇小楠， 王金鑫

(1.鄭州大學水利與環境學院,鄭州 450001； 2.河南省基礎地理信息中心,鄭州 450000)

應用Landsat8數據改進FCD模型方法

張成才1， 羅蔚然1， 竇小楠2， 王金鑫1

(1.鄭州大學水利與環境學院,鄭州 450001； 2.河南省基礎地理信息中心,鄭州 450000)

植被覆蓋度是衡量地表植被狀況的重要指標，在水文、氣象和生態等方面的研究中具有重要作用。以Landsat8為數據源，采用Gram-Schmidt變換的光譜銳化融合方法提高熱紅外波段的空間分辨率，計算熱量指數，對傳統FCD模型(forest canopy density mapping model)進行改進，根據4種指數的關系計算植被覆蓋度。通過與傳統FCD模型方法計算結果比較，改進后的植被覆蓋度計算方法具有更高的精度。

植被覆蓋度； Landsat8； FCD模型； 熱量指數

0 引言

植被覆蓋度是土地沙漠化評價、水土流失監測和分布式水文模型構建的重要參數。利用遙感技術能夠有效、快速獲取植被信息，可以充分反映植被在時間和空間上的變化情況，對于監測植被覆蓋度具有很好的效果[1]。目前，國內外學者研究植被覆蓋度估算方法大致分為基于回歸模型法、基于像元分解法和基于智能算法3類[2]。

基于回歸模型法的植被覆蓋度估算，North[3]用ATSR-2 數據各波段值(555 nm，670 nm，870 nm和1 630 nm)分別與植被覆蓋度進行線性回歸分析，結果表明該線性混合模型估算植被覆蓋度比單一植被指數更好； Van de Voorde等[4]利用Landsat7數據估算城市植被覆蓋度，發現利用第2，3，5和7波段建立的回歸模型估算植被覆蓋度效果最好； 楊峰等[5]應用TM和實測數據，對5種植被指數(NDVI，RVI，GNDVI，SAVI和MSAVI)與植被覆蓋度進行回歸分析，結果表明MSAVI和GNDVI精度最佳，達90%以上。

基于像元分解法的植被覆蓋度估算，Zribi等[6]基于像元分解模型，使用雷達ERSZ/SAR數據估算了半干旱地區的植被覆蓋度，取得了較好的成果； Gutman等[7]在像元二分模型基礎上提出了對均一像元和混合像元植被覆蓋度的不同求解方法； 李苗苗等[8]在對像元二分模型2個重要參數推導的基礎上，改進了已有模型的參數估算方法，建立了用NDVI估算植被覆蓋度的模型； 馬娜等[9]在充分考慮區域土壤和植被類型等背景基礎上，先后使用了MNF、二維散點圖以及PPI方法，得到了具有時空針對性的純凈像元，以此為基礎運用像元二分模型計算了植被覆蓋度及其空間分布。

基于智能算法的植被覆蓋度估算中，Van de Voorde等[4]提出了利用多層感知層神經網絡，采用Landsat7圖像中隨機選取訓練樣本的方法進行混合像元分解，估算亞像元植被覆蓋度； 陳濤等[10]采用BP神經網絡算法對密云水庫流域內的植被覆蓋進行反演，結果表明該方法以其對非線性過程的精確模擬而具有比傳統算法更高的精度。

但是，回歸模型法估算植被覆蓋度對實測數據依賴性較強，地表的復雜性易導致區域內的經驗模型應用于大尺度的植被估算時誤差較大； 像元分解法由于植被的光譜信息受多種地物的影響，較難獲取純凈的像元; 基于智能算法的植被覆蓋度估算訓練樣本的選取困難，雖然實測數據可以獲得較高精度的樣本數據，然而在代表性和全面性方面受到一定的限制。

近年來，國際熱帶木材組織(international tropical timber organization，ITTO)在眾多學者研究的基礎上提出了一種植被覆蓋度估算方法——FCD模型(forest canopy density mapping model)。傳統的FCD模型方法以 Landsat TM /ETM+為數據源，主要構造 4種指數，分別為植被指數(vegetation index，VI) 、裸土指數(bare soil index，BI) 、陰影指數(shadow index，SI) 及熱量指數(thermal index，TI) 。由于 TM/ETM+圖像的熱紅外波段空間分辨率較低，所以一般只構建前3種指數。本文以Landsat8為數據源，采用Gram-Schmidt(GS)變換的光譜銳化融合方法提高熱紅外波段的空間分辨率，然后計算熱量指數，根據4種指數的相關關系計算植被覆蓋度。

1 數據源及其預處理

研究區位于黃河一級支流沁河流域上游，中心經緯度坐標為N36°5′59.49″，E112°7′31.56″，范圍為16 km×16 km。該區域主要地表覆蓋類型為灌木、林地、草地、耕地及水體，另有少量居民地和道路，植被生長狀況較好。

以2014年6月獲取的Landsat8影像為數據源，并進行輻射定標、大氣校正等預處理。采用FLAASH模型對定標后的影像進行大氣校正，消除大氣中水蒸氣、氧氣、二氧化碳、甲烷和臭氧等物質對地物反射的影響以及大氣分子和氣溶膠散射的影響。校正后的圖像如圖1所示。

圖1 研究區校正后Landsat8影像Fig.1 Corrected Landsat8 image in study area

2 改進 FCD模型

2.1 模型參數選取

由于Landsat8熱紅外波段空間分辨率較低，傳統的 FCD模型熱量指數一般不參與計算植被覆蓋度。首先，本文通過GS變換的光譜銳化融合方法對熱紅外波段和全色波段進行融合，提高了熱紅外波段空間分辨率，同時保持豐富的光譜信息。Landsat8熱紅外波段與全色波段GS變換融合前后結果如圖2所示。

(a) 融合前 (b) 融合后

圖2Landsat8熱紅外波段與全色波段融合結果

Fig.2FusionofthermalinfraredimageandpanchromaticimageofLandsat8

然后,應用融合后的數據，構建熱量指數。利用綠光、紅光、近紅外、短波紅外和熱紅外波段進行4種指數的計算，計算公式分別為

NDVI=(B4-B3)/(B4+B3)，

(1)

BI=100(B5+B3-B4-B1)/(B5+B4+B3+B1)+100,

(2)

SI=[(256-B1)(256-B2)(256-B3)]1/3,

(3)

TI=K2/ln(K1/Lλ+1),

(4)

K1=774.89 W/(m2·sr·μm)，

(5)

K2=1 321.08 K，

(6)

式中：B1，B2，B3，B4和B5分別為藍光、綠光、紅光、近紅外和短波紅外波段值；Lλ為Landsat8 TIRS 熱紅外波段表觀輻射亮度(本文選取第10波段)；K1和K2為常數。

4種指數的計算結果如圖3所示。

(a) 植被指數(b) 裸土指數

(c) 陰影指數(d) 熱量指數

圖3模型4種指數計算結果

Fig.3Resultsoffourkindsofindexesinmodel

2.2 植被覆蓋度計算

研究發現NDVI和BI呈現負相關，SI與TI也呈現負相關[11-13]。利用NDVI和BI建立二維空間區域，求協方差矩陣，計算正交變換矩陣，對此二維空間進行正交變換，得到第一主成分分量作為植被密度。原始影像可用以下矩陣表示

(7)

式中p和n分別為波段數和每幅影像的像素數，矩陣中每一行向量表示一個波段的圖像。協方差矩陣公式為

(8)

根據協方差矩陣求出特征值λ、特征向量v，以特征向量構成矩陣，并求其轉置得到變換矩陣T，將變換矩陣T代入Y=TX，即

(9)

式中矩陣Y的行向量即為第p主成分分量。其中第一主成分分量為植被密度分量，如圖4所示。

圖4 植被密度Fig.4 Vegetation density

同理，對SI與TI組成的二維空間進行正交變換，得到第一主成分分量作為調節陰影指數，如圖5所示。

圖5 調節陰影指數Fig.5 Adjust shadow index

將植被密度和調節陰影指數進行歸一化處理，利用調節陰影指數對植被密度進行修正，消除地面上陰影等因素的影響。采用Rikimaru等[13]提出的植被覆蓋度計算方法，計算公式為

(10)

2.3 植被覆蓋度等級劃分

為了進一步顯示植被覆蓋情況的空間分布特征，對植被覆蓋度計算結果劃分9個等級，植被覆蓋度在(0,0.1]為第1級，(0.1,0.2]為第2級，(0.2,0.3]為第3級，(0.3,0.4]為第4級，(0.4,0.5]為第5級，(0.5,0.6]為第6級，(0.6,0.7]為第7級，(0.7,0.8]為第8級，(0.8,1]為第9級。

3 結果及精度評價

傳統FCD模型和改進FCD模型植被覆蓋度分級結果對比如圖6所示。

(a) 傳統FCD模型(b) 改進FCD模型

圖6植被覆蓋度分級結果對比

Fig.6Comparisonoffractionalvegetationcoverage

對2種方法的分級結果進行定量分析，得到各等級植被覆蓋度統計結果如表1所示。

表1 研究區植被覆蓋度統計結果Tab.1 Statistical results of fractional vegetation coverage in the study area

從表1中可以看出，2種方法的結果總體上一致。第9級植被所占的面積比例最大，約占總面積的25%，相差較大的是第8級植被。為了進一步分析2種方法的優劣，在研究區內隨機選取樣本點，將傳統FCD模型和改進后的FCD模型計算的植被覆蓋度與資源三號(ZY-3)高分遙感影像提取的植被覆蓋度進行二維散點分析，結果如圖7所示。

圖7 植被覆蓋度散點圖Fig.7 Scatter plots of fractional vegetation cover

圖8中傳統FCD方法的相關系數為0.87，改進后的FCD模型相關系數提升到了0.91，改進后的模型與ZY-3高分影像提取的植被覆蓋度相關性更高，改進效果明顯。

為了進一步檢驗計算誤差范圍變化情況，計算均方根誤差為

(11)

通過計算，傳統的FCD模型RMSE為0.11，改進后的FCD模型RMSE為0.10，誤差減少了0.01，說明改進后的FCD模型在一定程度上減小了誤差，提高了植被覆蓋度估算精度。

4 結論

研究基于Gram-Schmidt變換融合方法提高了Landsat8數據熱紅外波段空間分辨率，通過計算熱量指數對傳統的FCD模型進行改進，并根據植被指數、裸土指數、陰影指數和熱量指數4種指數計算植被覆蓋度，得出結論如下：

1)基于Landsat8數據分別采用傳統的與改進的FCD模型計算植被覆蓋度，2種方法計算結果總體上一致。其中相差較大的是第8級植被，所占面積分別為133.148 km2和270.113 km2。為了進一步驗證改進的效果，應用均方根誤差和相關系數進行對比分析，結果顯示改進后的FCD模型相關系數達到0.91，均方根誤差降低了0.01，提高了植被覆蓋度的估算精度。

2)分析發現誤差較大的第8級植被部分包含大部分水體，原因是模型參數中沒有考慮水體參數，從而導致包含水體部分的區域計算誤差較大。后續在使用FCD模型時可先將水體部分剔除，或者在模型中引入水體指數，通過分析各參數之間的關系，建立合適的植被覆蓋度計算模型，避免水體與植被陰影之間的混淆。

[1] 韓蘭英,王寶鑒,張正偲,等.基于RS的石羊河流域植被覆蓋度動態監測[J].草業科學,2008,25(2):11-15.

Han L Y,Wang B J,Zhang Z C,et al.Remote sensing based dynamic monitoring on change of vegetation cover in Shiyanghe River watershed[J].Pratacultural Science,2008,25(2):11-15.

[2] 賈 坤,姚云軍,魏香琴,等.植被覆蓋度遙感估算研究進展[J].地球科學進展,2013,28(7):774-782.

Jia K,Yao Y J,Wei X Q,et al.A review on fractional vegetation cover estimation using remote sensing[J].Advances in Earth Science,2013,28(7):774-782.

[3] North P R J.Estimation of fAPAR,LAI,and vegetation fractional cover from ATSR-2 imagery[J].Remote Sensing of Environment,2002,80(1):114-121.

[4] Van de Voorde T,Vlaeminck J,Canters F.Comparing different approaches for mapping urban vegetation cover from Landsat ETM+ data:A case study on Brussels[J].Sensors,2008,8(6):3880-3902.

[5] 楊 峰,李建龍,錢育蓉,等.天山北坡典型退化草地植被覆蓋度監測模型構建與評價[J].自然資源學報,2012,27(8):1340-1348.

Yang F,Li J L,Qian Y R,et al.Estimating vegetation coverage of typical degraded grassland in the Northern Tianshan Mountains[J].Journal of Natural Resources,2012,27(8):1340-1348.

[6] Zribi M,Le Hégarat-Mascle S,Taconet O,et al.Derivation of wild vegetation cover density in semi-arid regions:ERS2/SAR evaluation[J].International Journal of Remote Sensing,2003,24(6):1335-1352.

[7] 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.

[8] 李苗苗,吳炳方,顏長珍,等.密云水庫上游植被覆蓋度的遙感估算[J].資源科學,2004,26(4):153-159.

Li M M,Wu B F,Yan C Z,et al.Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing[J].Resources Science,2004,26(4):153-159.

[9] 馬 娜,胡云鋒,莊大方,等.基于遙感和像元二分模型的內蒙古正藍旗植被覆蓋度格局和動態變化[J].地理科學,2012,32(2):251-256.

Ma N,Hu Y F,Zhuang D F,et al.Vegetation coverage distribution and its changes in Plan Blue Banner based on remote sensing data and dimidiate pixel model[J].Scientia Geographica Sinica,2012,32(2):251-256.

[10] 陳 濤,牛瑞卿,李平湘,等.基于人工神經網絡的植被覆蓋遙感反演方法研究[J].遙感技術與應用,2010,25(1):24-30.

Chen T,Niu R Q,Li P X,et al.An artificial neural network method for vegetation cover retrieval with “Beijing-1” microsatellite data[J].Remote Sensing Technology and Application,2010,25(1):24-30.

[11] 蔡 蘅,王結貴,楊瑞霞,等.基于FCD模型的且末綠洲植被覆蓋度時空變化分析[J].國土資源遙感,2013,25(2):131-137.doi:10.6046/gtzyyg.2013.02.22.

Cai H,Wang J G,Yang R X,et al.Analysis of spatial-temporal change of Qiemo oasis vegetation coverage based on FCD model[J].Remote Sensing for Land and Resources,2013,25(2):131-137.doi:10.6046/gtzyyg.2013.02.22.

[12] Joshi C,De Leeuw J,Skidmore A K,et al.Remotely sensed estimation of forest canopy density:A comparison of the performance of four methods[J].International Journal of Applied Earth Observation and Geoinformation,2006,8(2):84-95.

[13] Rikimaru A,Miyatake S.Development of forest canopy density mapping and monitoring model using indices of vegetation,bare soil and shadow[EB/OL].GIS Development,1997.2009-12-23.https://www.geospatialworld.net/.

ResearchonthemethodofusingLandsat8datatoimproveFCDmodel

ZHANG Chengcai1, LUO Weiran1, DOU Xiaonan2, WANG Jinxin1

(1.CollegeofWaterConservancandEnvironmentalEngineering,ZhengzhouUniversity,Zhengzhou450001，China;2.GeomaticsCentreofHenanProvince,Zhengzhou450000，China)

As an important indicator, fractional vegetation coverage plays a critical role in the study of hydrology, weather, ecology and so on. Based on the Landsat8 as the data source and using Gramm - Schmidt transform spectrum sharpening fusion method, the authors improved the spatial resolution of thermal infrared band and calculated the thermal index. The traditional forest canopy density mapping model is improved based on the utilization of four indices to calculate the fractional vegetation coverage. A comparison with the traditional method shows that the improved model has a higher precision.

fractional vegetation coverage； Landsat8； forest canopy density mapping model； thermal index

10.6046/gtzyyg.2017.04.06

張成才,羅蔚然,竇小楠,等.應用Landsat8數據改進FCD模型方法[J].國土資源遙感,2017,29(4)：33-38.(Zhang C C,Luo W R,Dou X N,et al.Research on the method of using Landsat8 data to improve FCD model[J].Remote Sensing for Land and Resources,2017,29(4)：33-38.)

TP 79

A

1001-070X(2017)04-0033-06

2016-04-01；

2016-06-26

河南省基礎與前沿技術研究項目“缺資料地區小流域山洪災害預警及評估研究”(編號： 152300410044)和河南省農業氣象保障與應用技術重點實驗室開放基金項目“基于多源遙感的冬小麥全生育期墑情監測”(編號： AMF201407)共同資助。

張成才(1964- ),男,教授,主要從事遙感技術應用研究。Email: zhangcc2000@163.com。

羅蔚然(1991-),男,研究生,主要從事遙感技術應用研究。Email: 171230855@qq.com。

(責任編輯：陳理)