植被覆蓋區VIIRS與MODIS遙感指數的相關性

孟令奎， 李曉香, 張 文

(武漢大學遙感信息工程學院，湖北 武漢 430079)

植被在生物圈中扮演著重要角色，影響著生態系統的平衡，是環境、氣候的重要指示因子，因此，植被監測一直是人們關注的重點。近年來，隨著遙感技術的發展，采用衛星影像實時獲取大面積植被信息，成為植被監測的重要手段。

植被指數通過強化可見光(主要是紅光)與近紅外波段反射率之間的差異來反映植被生長狀況[1-2]，比較典型的是歸一化差分植被指數(NDVI)，NDVI在耕地信息提取、草地牧草鮮質量估算、土地覆被分類及其變化、作物長勢監測、物候監測、氣候變化監測、氣象因子監測、干旱監測等[3-5]方面得到廣泛應用。MODIS(Moderate resolution imaging spectroradiometer)NDVI自1999年起逐步替代AVHRR(Advanced very high reso- lution radiometer)NDVI，提供近20年全球NDVI數據。其繼承了AVHRRNDVI的優點，同時彌補AVHRRNDVI的部分不足，如定標精度更高，更靈敏，能更好地反映植被狀況[6-7]，已成為目前應用最廣泛歸一化差分植被指數。2011年10月28日美國發射了Suomi NPP(The suomi national polar-orbiting partnership)衛星，該衛星用來接替超期服役的Terra、Aqua。Suomi NPP攜帶包括VIIRS(The first visible/Infrared imager/Radiometer suite)在內的5個對地觀測儀器，VIIRS傳感器在波段設置方面總體上與MODIS傳感器較為相似。

VIIRS植被指數環境產品包含TOA(The top of the atmosphere)NDVI和TOC(The TOP of canopy)EVI(The enhanced vegetation index)[8]，未來JPSS-1和JPSS-2計劃中，植被指數環境產品將包含TOCNDVI[9]。當前各類植被覆蓋區的干旱模型、作物估產模型、作物長勢監測模型等各類模型涉及最多的是MODISNDVI。現今處于MODIS隨時失效的階段，探究植被覆蓋區VIIRSNDVI與MODISNDVI的關系，以獲取長時間序列的MODISNDVI，具有十分重要的現實意義。Vargas等發現VIIRS TOANDVI與MODIS TOANDVI反映植被覆蓋程度的能力具有一致性[8]，二者的每天和16 d的值均非常相似，植被覆蓋區2種指數隨時間變化趨勢相同，采用VIIRSNDVI獲取時間序列MODISNDVI是可行的。國內外關于植被覆蓋區VIIRSNDVI和MODISNDVI關系的研究是空白的，為填補空白，解決現實需求，本研究以河南地區為例，采用探索性數據分析方法，探究農田、林地、草地等植被覆蓋區的VIIRSNDVI與MODIS TOCNDVI定量關系，并對模型的精度和時序應用進行分析，以期為獲取長期序列NDVI提供模型支撐和科學依據。

1 材料與方法

1.1 研究區概況

河南省地處中國中東部，位于北緯31°23′～36°22′，東經110°21′～116°39′。其處于暖溫帶-亞熱帶、濕潤-半濕潤季風氣候，夏季高溫多雨，冬季寒冷干燥。境內多平原，約占總面積的55.7%，植被覆蓋類型主要為農田、林地和草地。河南省是中國的糧食大省，主要糧食作物為冬小麥和夏玉米。

1.2 數據分析與處理

MODIS和VIIRS具體技術指標如表1所示，2顆衛星在同一個軌道平面運行，NPP衛星和Aqua衛星有相同的降交點時間，軌道高度略高于Aqua，相應的運行周期大。NPP 和Aqua日過境次數均為2次，因此，對于有時間限制的數據需求，NPP亦能與Aqua一樣滿足要求。其次，VIIRS幅寬大于MODIS。VIIRS傳感器紅光和近紅外波段的空間分辨率為375 m[10]，MODIS相應波段的空間分辨率為250 m[11]，但VIIRS采用一種特別的“蝴蝶結”效應去除方法，通過像元聚合控制越靠近邊沿象素重疊越嚴重的現象，最終VIIRS的像素尺寸只在條帶邊緣加倍。VIIRS紅光波段較MODIS紅光波段整體擴大，增幅較小，近紅外波段設置極其相近。

表1 VIIRS和MODIS主要技術指標對比

植被分布數據采用國家基礎地理信息中心的GlobeLand30產品，植被類型選取農田、林地、草地等3類(圖1)。為減少環境因子對試驗結果的影響，選用MODIS和VIIRS 8 d最大值合成的地表反射率產品，分別為MYD09A1和NPP_D8SRFHKM_L3D，均來源于NASA LAADS，空間分辨率同為500 m。

圖1 河南省植被分布圖Fig.1 Vegetation distribution of Henan province

遙感數據MYD09A1和NPP_D8SRFHKM_L3D是經過輻射定標、大氣校正和精確的地理定位等預處理的合成產品，為方便存儲，NASA LAADS將地表反射率通過一定的方法轉化為了整型，因此，需采用其逆向方法[公式(1)]轉化為真實地表反射率，然后采用公式(2)得到相應的NDVI合成產品。

T_V= 0.000 1*S_V

(1)

1.3 NDVI指數建模

1.3.1 不同植被覆蓋區MODISNDVI和VIIRSNDVI相關性建模 遙感圖像密度散點圖是2個波段組合光譜空間結構信息的最佳圖示方式，是探索相同空間位置不同數據未知關系的重要定量方法，本試驗采用密度散點圖探究農田、林地和草地等植被覆蓋區MODISNDVI和VIIRSNDVI呈現的空間關系特征。為減弱環境因子對試驗結果的影響，選取2種傳感器 2013-2015年3年每月受環境因子影響小的同時序影像作為樣本，得到如圖2所示的密度散點圖(試驗序列較多，本研究僅給出2013年單數月)。

圖2中1月份、3月份、5月份、7月份、9月份、11月份農田、林地、草地MODISNDVI和VIIRSNDVI點分布密集，集中于一條直線，呈現出明顯的線性關系。采用Pearson相關分析法分析其相關性的強弱，圖3為樣本數據的相關系數，農田、林地、草地的MODISNDVI和VIIRSNDVI存在顯著的正相關，相關系數多數集中在 0.75～0.95，最高可達0.96，平均在0.80以上。

圖2 各類植被覆蓋區MODIS NDVI和VIIRS NDVI密度散點圖Fig.2 Density scatter plots of VIIRS NDVI and MODIS NDVI in different vegetation coverage areas

圖3顯示，同時期農田、林地、草地MODISNDVI和VIIRSNDVI的相關性相差不大，基本相等。同類別不同時期，相關性存在一定的波動，大多數時期波動較小。其次每年的七月或者八月相關性較小，且各類植被相關性相差較大。結合原始影像發現，影像質量越好相關性越高，七、八月份影像質量較差，相應的相關性較弱。影響影像質量的因素有很多，如云、霧、氣溶膠顆粒等，結合研究區特點分析可知，影響本研究區影像質量的主要是季節因素，與其他月份相比，七、八月份河南省云雨天氣較多。通過與前后期影像對比，VIIRS受云雨天氣影響較大，近紅外波段和紅光波段反射率受到不同程度影響，出現較多異常值。

a:2013-01;b:2013-05;c:2013-09;d:2014-01;e:2014-05;f:2014-09;g:2015-01;h:2015-05;i:2015-09;j:2016-01。圖3 2013-2015年各類植被覆蓋區MODIS NDVI和VIIRS NDVI的相關系數Fig.3 Correlation coefficient between VIIRS NDVI and MODIS NDVI in different vegetation coverage areas from 2013 to 2015

最小二乘法是最常用的多元線性擬合方法，通過最小化誤差的平方和找到樣本數據的最佳匹配關系模型，用最簡單的方法求得不可知的數據反演，同時保證誤差平方之和最小。試驗在2013年2月、5月、8月和11月各選一景受環境因子影響小的同時序VIIRSNDVI和MODISNDVI影像數據作為樣本，裁剪出農田、林地和草地同時序影像數據，獲取各類別4個時期總的VIIRSNDVI和MODISNDVI數據，進行最小二乘法線性擬合，得到農田、林地、草地VIIRSNDVI和MODISNDVI相對較優的關系模型。

y1=0.873 0x1+0.048 3

(3)

y2=0.932 0x2+0.032 5

(4)

y3=0.857 9x3+0.048 7

(5)

式中y1、x1,y2、x2,y3、x3分別表示農田、林地和草地的MODISNDVI和VIIRSNDVI。

1.3.2 植被覆蓋區MODISNDVI和VIIRSNDVI綜合關系模型 模型的好壞取決于精度，但在實際應用中還需滿足便捷性，為了實現模型的便捷性，研究求取了植被覆蓋區的綜合關系模型。研究綜合農田、林地和草地MODISNDVI和VIIRSNDVI的關系特征，分析農田、林地、草地的MODISNDVI和VIIRSNDVI綜合定量關系是線性的。

將農田、林地和草地3類植被總樣本的MODISNDVI和VIIRSNDVI像元值一一對應，采用最小二乘線性擬合，得到綜合關系模型(6)。

y=0.893 9x+0.039 2

(6)

式(6)中y、x分別為植被覆蓋區MODISNDVI和VIIRSNDVI。

2 結果與分析

2.1 模型精度與適用性分析

選取2014年1月、4月、7月、10月受環境因子影響小的同時序 MODISNDVI和VIIRSNDVI對各類植被關系模型和綜合模型進行驗證。本研究采用相關系數、均方根誤差和平均絕對誤差3個精度指標進行精度評價，各類植被覆蓋區采用2種模型反演結果的精度如表2所示。各類植被采用各自關系模型反演結果相關系數集中在0.870 0以上，農田、林地、草地平均相關系數分別為0.917 4、0.907 4、0.902 9，對應的均方根誤差主要集中在0.07以下，絕對值誤差主要集中在0.05以下，7月份略大，這與7月份2種傳感器受環境因子影響不同有關。與各自關系模型相比，綜合模型反演結果的相關性不變，均方根誤差與絕對值誤差與采用各自關系模型的誤差相差不大，有的綜合關系模型結果更優。說明，在保證精度的前提下，采用綜合模型反演MODIS NDVI，更能滿足實際需求。

(7)

(8)

公式(7)、公式(8)中xi表示通過模型反演的值，xi0表示對應像元的真值，n為參與驗證的像元總數。

為驗證綜合模型的普適性，本研究將全中國作為驗證區，選取全國普遍天氣較好的2013年第282～289 d的合成產品作為驗證數據，采用GlobeLand30產品判定植被覆蓋區，隨機均勻地選擇28處區域(50 km×50 km)對綜合模型進行精度分析，3種精度指標的結果如下：相關性最大值為0.931 8，最小值為0.678 2，平均為0.833 9；均方根誤差最大值為0.081 8，最小值為0.022 5，平均為0.046 7；絕對值誤差最大值為0.053 3，最小值為0.016 5，平均為0.046 6。從3個指標可以看出，綜合模型可在全國植被區有效用于2種傳感器的歸一化差分植被指數的轉換。

2.2 綜合模型分析

為了直觀表現綜合模型的反演情況，探究不同季節綜合模型的適用情況，選取了2014年單數月進行分析，圖4為綜合反演結果以及相應的植被覆蓋區VIIRSNDVI和MODISNDVI空間分布圖。

表2 精度評價結果

圖中的空白區為其他地物類別。圖4 綜合模型反演結果對比分析圖Fig.4 Analysis chart of inversion results of comprehensive model

由圖4可知，1月、3月、11月NDVI<0.2的區域，VIIRSNDVI、反演MODISNDVI、MODISNDVI三者的一致性差。各月0.20.8)的林地、農田和草地區域反演MODISNDVI與MODISNDVI一致性高，幾乎可以替代MODISNDVI，VIIRSNDVI與MODISNDVI一致性差，表現為VIIRSNDVI高植被區范圍大于MODISNDVI。根據研究區的實際情況，1月、3月、11月NDVI<0.2的區域為裸土區，因此，綜合模型在各類植被的生命周期內不同生長階段適用度都很高，未來MODIS停用后，可繼續用VIIRS數據獲取植被覆蓋區長時間序列的MODISNDVI。

2.3 模型時序應用

植被指數是用于植被物候監測的重要參數，受植物生長季節的影響，隨著植被的生長而變化，植被指數的時序曲線與植被的時序特征關系密切，因此植被指數反演模型的時序應用是檢驗模型好壞的重要方面。本試驗選取研究區2015年重合時段VIIRSNDVI和MODISNDVI，采用綜合模型得到反演MODISNDVI，然后利用農田、草地和林地矢量圖裁剪出各類植被覆蓋區，最后統計得到如圖5所示的2015年農田、林地和草地的時序曲線。

由圖5分析可知，同時期MODISNDVI和反演MODISNDVI走勢相同。農田在秋、冬季節植被覆蓋率低，4月開始返青，5月底和10月初，河南省大量的作物成熟收獲，植被覆蓋率驟然降低，6月中旬和10月下旬耕種，植被覆蓋率逐漸升高。林地與草地在春末夏初開始返青，春末夏初植被生長茂盛，持續到秋末。上述植被變化情況均能在MODISNDVI和反演MODISNDVI體現。河南省在每年10月至次年6月主要農作物為冬小麥，7月至9月主要農作物為夏玉米。結合冬小麥和夏玉米的實測圖[12](圖6)可知，10月至次年6月初的MODISNDVI和反演MODISNDVI走勢與實測冬小麥植被生物量的變化趨勢線相同。7月至9月MODISNDVI和反演MODISNDVI與實測夏玉米植被生物量的變化趨勢線相同，這表明反演MODIS歸一化植被指數與MODISNDVI在反映植被生物量方面具有一致性。此外，模型反演的MODISNDVI整體均衡化程度高，實際MODISNDVI相對出現極端的情況略多，多數時期二者大小極其接近，整體上變化趨勢一致。綜上分析可知，模型反演的MODISNDVI在反映植被的時序特征方面具有很好的效果。

圖5 植被覆蓋區時序曲線Fig.5 Time series curve of ture and derived MODIS NDVI in the vegetation coverage area

圖中冬小麥生長周期跨越兩個年份，從第一年的第288 d至第二年的148 d。圖6 冬小麥和夏玉米的生物量變化趨勢線Fig.6 Trend line for biomass of winter wheat and summer maize

3 討 論

VIIRS具有中高分辨率2種工作模式，是NOAA衛星上高分辨率輻射儀AVHRR和EOS系統Terra以及Aqua衛星上中分辨率成像光譜儀MODIS系列的拓展和性能改進[13]。當MODIS失效時，VIIRS在延續MODIS的任務上將發揮重要作用。本研究主要針對MODIS 歸一化差分植被指數延續展開研究，綜合采用二維密度散點圖和數學統計方法分析植被覆蓋區MODISNDVI和VIIRSNDVI的定量關系，結果發現：

(1)農田、林地、草地的VIIRSNDVI和MODISNDVI間均存在顯著的線性關系，相關系數平均在0.8以上。

(2)驗證并分析農田、林地、草地的VIIRSNDVI和MODISNDVI關系模型和基于所有植被覆蓋區的綜合關系模型，結果表明各自關系模型和綜合關系模型均能較好地反映兩者之間的定量關系，實現二者的轉換。綜合模型能滿足人們對精度和便捷性的要求，在中國植被覆蓋區(農田、林地和草地)具有很好的普適性。

(3)對比分析綜合模型反演的MODISNDVI與MODISNDVI的時序曲線，發現二者在反映植被季節性如返青等和植物生物量方面具有一致性，均具有很好的指示作用。

未來VIIRSNDVI將逐步應用于各項工作，如大面積農作物估產,植物的物候期研究,以及地表植被分類，本研究為這些工作提供了有力的技術支持，為各項植被監測所需的長時序MODISNDVI提供了模型。

VIIRSNDVI和MODISNDVI在7、8月份相關性稍弱，與NDVI易受環境因子影響有關，研究雖然選擇了8 d合成產品，且盡可能選用了受天氣影響較小的影像作為研究樣本，在一定程度上減弱了天氣的影響，但是仍無法徹底消除影響。今后的研究應致力于如何減弱環境因子對VIIRS影像數據的影響，使得VIIRS數據獲取更準確的地表覆蓋信息，能更好地監測植被覆蓋和植物生長狀況。

參考文獻：

[1] 王正興，劉 闖，ALFREDO H. 植被指數研究進展:從AVHRR-NDVI到MODIS-EVI[J].生態學報，2003，23(5)：979-987.

[2] 衛 煒，吳文斌，李正國，等. 時間序列植被指數重構方法比對研究[J]. 中國農業資源與區劃，2014，35(1)： 34-43.

[3] 左麗君，張增祥，董婷婷，等. MODIS/NDVI和MODIS/EVI在耕地信息提取中的應用及對比分析[J].農業工程學報，2008，24(3):167-172.

[4] 米兆榮，張耀生，趙新全，等.NDVI和EVI在高寒草地牧草鮮質量估算和植被動態監測中的比較[J].草業科學，2010，203(6)：13-19.

[5] 朱 滿，胡光宇，于之峰. 基于融合NDVI和EVI時間序列的遙感影像分類研究[J]. 遙感信息，2009，105(5)：44-46,66.

[6] 劉良明，梁益同，馬慧云，等. MODIS 和 AVHRR 植被指數關系的研究[J]. 武漢大學學報(信息科學版)，2004，29(4)： 307-310.

[7] 梁天剛，崔 霞，馮琦勝. 2001-2008年甘南牧區草地地上生物量與載畜量遙感動態監測[J].草業學報，2009，18(6)：12-22.

[8] VARGAS M，MIURA T，SHABANOV N，et al. An initial assessment of Suomi NPP VIIRS vegetation index EDR[J]. Journal of Geophysical Research： Atmospheres，2013，118(12)：301-312，316.

[9] SHABANOV N，VARGAS M，MIURA T，et al. Evaluation of the performance of suomi NPP VIIRS top of canopy vegetation indices over AERONET sites[J]. Remote Sensing of Environment，2015，162： 29-44.

[10] XIA L，MAO K，MA Y，et al. Retrieval land surface temperature from visible infrared imager radiometer suite data[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30(8)： 109-116.

[11] 趙明洋，別 強，何 磊，等. 基于去云處理的祁連山積雪覆蓋遙感監測研究 [J]. 干旱地理, 2014，37(2)：325-332.

[12] 范 蘭，呂昌河，王學春，等. EPIC模型對華北平原冬小麥與夏玉米生長和產量模擬的適用性評價[J]. 麥類作物學報，2014，34(12)：1677-1684.

[13] 李旭文，牛志春，姜 晟，等. 環境監測衛星 Suomi NPP 業務特性及生態環境監測應用[J]. 環境監控與預警，2014，6(3)：1-6.