基于GF-1 WFV和Landsat-8 OLI提取植被信息方法比較研究

楊 斌,高桂勝,王 磊,程 璐

(西南科技大學 環境與資源學院，四川 綿陽 621010)

植被是環境的重要組成因子，在氣候、水文和生化循環中起著重要的作用，是反映區域生態環境質量的重要標志。因此，對植被分布及其時空演化規律的研究一直是各國政府和科研機構的關注熱點[1]。遙感技術是植被生態調查的重要手段，相比常規的調查方法，遙感具有觀測范圍廣、調查速度快等優點，利用遙感技術進行植被信息提取可以為環境監測、生物多樣性保護及農業、林業等相關部門提供數據支持和信息服務[2-3]。

高分一號(簡稱GF-1)衛星自2013年發射以來，廣泛應用于作物估產、污染監測、災害預警、環境規劃等領域。如王利民等對冬小麥面積的識別，陳金鳳、程乾對杭州灣濕地典型植被的提取，陳文倩等對山區水體的提取，黃振國、楊君對水稻種植面積的監測，張云英等對尾礦庫目視解譯最佳波段的組合分析等[4-13]。同時，也有一些針對GF-1和Landsat-8的對比分析，如張晰等對海冰的探測能力對比研究，賈玉秋等在玉米LAI的反演比較，宋軍偉對土地覆蓋分類上的比較分析等[14-16]。而針對于GF-1衛星WFV傳感器和Landsat-8衛星OLI傳感器的植被覆蓋反演能力比較研究還不多見，嘗試選取歸一化植被指數(NDVI)、增強植被指數(EVI)、大氣阻抗植被指數(ARVI)、土壤調整植被指數(SAVI)和修正的土壤調整植被指數(MSAVI)對比分析不同衛星傳感器下指數估算植被覆蓋度的效果，為綜合應用推廣這兩種衛星數據在植被信息提取過程中提供參考。

1 研究區與數據源

1.1 研究區概況

茂縣位于四川省西北部，地勢西北高、東南低。所處經緯度坐標范圍為102°56′E～ 104°10′E， 31°25′N～ 32°16′N，該區域東西長為116.62 km，南北長為93.73 km，面積約為3 900多km2。地形表現主要為高山溝谷，平均海拔約2 000 m，相對高度1 500～2 500 m(見圖1)。截至2012年，茂縣國土總面積3903.28 km2，其中耕地占2.61%，林地占67.5%，草地21.6%，森林覆蓋率為31.3%。

圖1 研究區數字高程模型分布圖(DEM)

1.2 數據源介紹

GF-1衛星于2013-04-26在酒泉衛星發射中心成功發射，開啟了中國對地觀測的新時代。GF-1衛星搭載了兩臺2 m全色/8 m多光譜PMS相機，4臺16 m分辨率多光譜WFV相機。衛星側擺條件下重訪周期4 d，其中2/8 m分辨率PMS相機覆蓋周期需要41 d[18]。 而Landsat-8衛星是美國航空航天局(NASA)于2013-02-11成功發射，衛星上攜帶兩個傳感器(陸地成像儀OLI和熱紅外傳感器TIRS)。衛星覆蓋周期為16 d。GF-1 WFV影像包括藍、綠、紅、近紅外4個波段，Landsat-8 OLI影像覆蓋可見光到短波紅外共9個波段。其中兩種傳感器在可見光波段的波譜分布基本一致，差別主要表現在近紅外波段，其中Landsat-8 OLI傳感器為了排除0.825 μm 處的水汽吸收特征，將近紅外波段波譜范圍設置為0.85～0.88 μm，而GF-1WFV傳感器的近紅外波段波譜范圍為0.77～0.89 μm。而且兩種傳感器影像均可免費獲得。詳細對比見表1。

表1 Landsat-8與GF-1兩種傳感器參數對比

研究共采用4景遙感數據：GF-1衛星兩景數據(從“遙感集市”網站免費獲取)；Landsat-8衛星兩景數據(從“地理空間數據云”網站免費獲取)；4景數據的參數等具體信息見表2。

表2 獲取的遙感影像信息表

1.3 數據預處理

遙感圖像預處理過程對于植被指數的提取至關重要。針對GF-1數據，先對L1A級數據進行正射校正，再利用不同時期的遙感定標參數進行輻射校正處理，得到表觀反射率輻亮度數據，然后采用ENVI軟件中的 FLAASH大氣校正模塊，獲取地表反射率的光譜數據；最后結合研究區矢量圖層對其進行裁剪。預處理的數據投影統一選擇UTM-Zone-48N投影，WGS-84 地理坐標系。 Landsat-8數據是L1T級別數據，已經過正射校正，故而預處理除了不進行正射校正，其余處理流程與GF-1數據類似，數據預處理流程如圖2所示。

圖2 遙感數據預處理流程圖(Landsat-8數據不進行正射校正)

2 植被指標選取與分析

2.1 植被指數選取

利用植被指數來反演植被覆蓋度是一種廣泛應用的方法，結合前人研究成果和研究區植被分布特點選用5種植被指數[19-27]，分別是：歸一化植被指數(NDVI)、增強型植被指數(EVI)、大氣阻抗植被指數(ARVI)、土壤調整植被指數(SAVI)和修正的土壤調整植被指數(MSAVI)。5種植被指數的計算式和適用特點見表3。

表3 植被指數及其計算式

注：表中ρNIR為近紅外波段的反射率，ρR為紅光波段的反射率，ρB為藍光波段的反射率，L代表土壤調節系數，根據前人研究成果和研究區植被特點，將L設定為0.5[22,25]

2.2 植被指數相關性分析

以NDVI作為基準，分析NDVI與EVI、ARVI、SAVI、MSAVI植被指數之間的相關性。利用GF-1數據的2015年影像，在ENVI軟件下獲取其相關性分布圖，通過對比分析發現SAVI與NDVI的相關性最高，R2指標為0.11，相關性依次為SAVI>MSAVI>EVI>ARVI。利用2015年Landsat-8數據，SAVI與NDVI的相關性也是最高，R2指標為0.09，其相關性依次為SAVI>MSAVI>ARVI>EVI。由此可見，研究區內數據的NDVI與SAVI植被指標相關性最高，但這5種植被指數之間的相關性并不顯著，NDVI與SAVI植被指標線性相關性分布圖如圖3所示。

圖3 研究區NDVI與SAVI線性關系分布圖

2.3 植被覆蓋度估算方法

像元二分模型以其計算方便、結果可靠等優點廣泛應用于植被覆蓋度的估算[28-29]。根據像元二分模型的原理，假定一個像元的信息S可被分解為土壤(Ssoil) 和植被(Sveg)兩部分，像元中有植被覆蓋的面積比例fc(即該像元的植被覆蓋度)，則無植被覆蓋地表(土壤覆蓋)的面積比例為1-fc；設全部由植被所覆蓋的純像元所得的遙感信息為Sveg，全部由土壤覆蓋的純像元所得的遙感信息為Ssoil，則二者的權重為它們在像元中所占比例的面積，變換后的植被覆蓋度計算式[28-29]為

(1)

式中：S為所求覆蓋度下的植被指數參數指標，其中，Ssoil與Sveg是模型的2個參數，Ssoil為植被覆蓋度為0%時的植被指數信息，亦指裸地狀態；Sveg為植被覆蓋度為100%時的植被指數信息，亦指全植被覆蓋狀態。

將 NDVI 代入式(1)，可得：

(2)

按其研究思路，將EVI、ARVI、SAVI和MSAVI 這4類植被指數變量也分別代入式(1)中可進行不同植被指標體系下的研究區植被覆蓋度估算。

3 結果分析

對上述獲取的5類植被覆蓋度信息做進一步精度驗證。其思路是將同期的SPOT 2.5 m全色影像與多光譜影像進行融合，獲得的2.5 m彩色融合影像作為參考影像進行精度驗證。應用隨機采樣法，在研究區選取200～300個驗證點，建立各指數影像的混淆矩陣，獲得植被提取的總精度和Kappa系數(見表4)，計算式[30]為

(3)

(4)

式中：N為驗證點總數；k為混淆矩陣的行列數，即類別數，本次研究中為植被和非植被2類；k=2，xii為第i行第i列的數值，xi+與x+i分別代表第i行與第i列的總像元數。Kappa系數越大代表分類精度越高。

從表4的統計結果可知，GF-1和Landsat-8的總體精度都較高，都在80%以上，提取效果理想。其中GF-1為2013年數據，5種植被指數的提取精度依次為NDVI>SAVI>MSAVI>EVI>ARVI，GF-1為2015年數據時，5種植被指數的提取精度依次為NDVI>MSAVI >EVI>ARVI>SAVI，原因是茂縣地處川西高原，加上實驗采用的數據獲取時間是十二月份，植被覆蓋度不高，植被指數未達到飽和值，所以NDVI的提取效果最好。對于Landsat-8 2013年數據，5種植被指數的提取精度依次為SAVI>NDVI >EVI>ARVI>MSAVI，Landsat-8 2015年數據，5種植被指數的提取精度依次為SAVI>NDVI >MSAVI >EVI>ARVI，具體提取結果見圖4—圖7。綜合對比得出：高原山區地形環境下GF-1數據在植被指數提取精度要優于Landsat-8數據，分析原因主要表現在GF-1WFV傳感器比Landsat-8OLI傳感器在近紅外的波譜范圍更加寬廣，且具有更高的空間分辨率。

表4 茂縣植被提取精度驗證

4 結 論

1)針對茂縣地區，利用像元二分模型進行精度驗證，GF-1 遙感影像采用NDVI的提取效果最好，分類總精度分別為94.55%(2013年數據)、90.47%(2015年數據)，對應的Kappa系數分別為0.88、0.85，Landsat-8的SAVI提取效果最好，分類總精度94.38%(2013年數據)、95.83%(2015年數據)，對應的Kappa系數分別為0.86、0.88。

圖4 2013年GF-1號數據植被覆蓋度

圖5 2013年LC-8號數據植被覆蓋度

圖6 2015年GF-1號數據植被覆蓋度

圖7 2015年LC-8號數據植被覆蓋度

2)對比兩種衛星傳感器的同期影像植被信息提取結果，2013年GF-1采用NDVI的提取效果要略優于Landsat-8采用SAVI的結果，而2015年剛好相反，GF-1的提取精度要低于Landsat-8的提取結果。原因是2015年獲取的GF-1數據質量較差，影像左下角云量偏大，導致植被指數提取結果精度下降。

總之，在茂縣地區進行植被覆蓋度估測反演研究中，GF-1衛星WFV傳感器數據完全可以代替Landsat-8衛星OLI傳感器數據，而WFV傳感器數據更具有空間分辨率高，重訪周期短，覆蓋面積大的優點，將為GF-1衛星數據及其他GF系列衛星的推廣使用提供更加廣闊的前景。

[1] 賈海峰, 劉雪華. 環境遙感原理與應用[M]. 北京:清華大學出版社，2006:169-181.

[2] 王文杰, 蔣衛國, 王維, 等. 環境遙感監測與應用[M]. 北京：中國環境科學出版社，2011:163-173.

[3] JENSEN J R.Remote Sensing of the Environment: An Earth Resource Perspective, 2E, Prentice Hall, 2011:355-400.

[4] 楊長坤, 王崇倡, 張鼎凱, 等. 基于SVM的高分一號衛星影像分類[J]. 測繪與空間地理信息, 2015(9):142-144.

[5] 劉劍鋒,張可慧,馬文才. 基于高分一號衛星遙感影像的礦區生態安全評價研究——以井陘礦區為例[J]. 地理與地理信息科學, 2015(5):121-126.

[6] 黃振國,楊君. 高分一號衛星影像監測水稻種植面積研究綜述[J]. 湖南農業科學, 2014(13):76-78.

[7] 曾小箕. 面向對象的高分一號影像信息提取技術研究[D]. 烏魯木齊：新疆大學, 2014.

[8] 張星星,何政偉,趙銀兵,等. 基于OLI影像植被覆蓋度估算探索[J]. 地理空間信息,2015(4):99-101,14.

[9] 朱利,李云梅,趙少華,等. 基于GF-1號衛星WFV數據的太湖水質遙感監測[J]. 國土資源遙感, 2015, 27(1):113-120.

[10] 陳文倩,丁建麗,李艷華,等. 基于國產GF-1遙感影像的水體提取方法[J]. 資源科學, 2015(6):1166-1172.

[11] 許瑩,張友靜,張琴. 基于高分影像的水利空間要素提取規則集構建[J]. 地理空間信息,2016(5):71-74,7.

[12] 王利民,劉佳,楊福剛,等. 基于GF-1衛星遙感的冬小麥面積早期識別[J]. 農業工程學報,2015,31(11):194-201.

[13] 翁進,曾海波,羅國斌. GF-1衛星數據在土地利用變更調查遙感監測中的應用[J]. 安徽農業科學,2015(16):358-362, 392.

[14] 張晰,張杰,孟俊敏. Landsat-8與GF-1衛星渤海海冰探測能力對比研究[J]. 海洋科學, 2015(2):50-56.

[15] 賈玉秋,李冰,程永政,等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J]. 農業工程學報, 2015, 31(9):173-179.

[16] 宋軍偉,張友靜,李鑫川,等. 基于GF-1與Landsat-8影像的土地覆蓋分類比較[J]. 地理科學進展, 2016, 35(2):255-263.

[17] 董有福, 趙永華, 張錫枝. 岷江上游茂縣土地利用格局[J]. 遼寧工程技術大學學報(自然科學版), 2008(增1):282-284.

[18] 陸春玲,王瑞,尹歡. “高分一號”衛星遙感成像特性[J]. 航天返回與遙感, 2014, 35(4):67-73.

[19] 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(2):251-256.

[20] 穆少杰,李建龍,陳奕兆,等. 2001-2010年內蒙古植被覆蓋度時空變化特征[J]. 地理學報, 2012(9):1255-1268.

[21] 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.

[22] 李向婷,白潔,李光錄,等. 新疆荒漠稀疏植被覆蓋度信息遙感提取方法比較[J]. 干旱區地理, 2013(3):502-511.

[23] 羅慧芬,苗放,葉成名,等. 汶川地震前后茂縣植被覆蓋度變化研究[J]. 水土保持通報, 2013(3):202-205,327.

[24] 蘇曉軍. 遙感影像植被邊界提取方法研究[D].鄭州：信息工程大學, 2013.

[25] 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.

[26] 王正興,劉闖,HUETE Alfredo. 植被指數研究進展:從AVHRR-NDVI到MODIS-EVI[J]. 生態學報,2003,23(5):979-987.

[27] 郭鈮. 植被指數及其研究進展[J]. 干旱氣象,2003(4):71-75.

[28] ZRIBI M, LE Hegarat-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．

[29] ICHOKU 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．

[30] 呂長春,王忠武,錢少猛. 混合像元分解模型綜述[J]. 遙感信息, 2003(3):55-58,60．