基于綜合分段優勢的植被覆蓋度模型比較

邊慧芹，王雪梅,2

（1. 新疆師范大學地理科學與旅游學院，新疆 烏魯木齊 830054；2. 新疆干旱區湖泊環境與資源重點實驗室， 新疆 烏魯木齊 830054）

植被作為極其重要的自然環境要素，一般用植被覆蓋度來表示。植被覆蓋度(vegetation coverage, Fc)可綜合表述為植被地上部分在單位面積內的垂直投影占區域總面積的百分比[1]。植被覆蓋度在評估水土保持、改善水文狀況、調節徑流、防止沙漠化及水土流失等方面發揮著重要意義[2]。其變化不僅能夠量度地表植被生長發育情態，還能夠反映生態系統變化狀況[3]。植被覆蓋度反演方法大致可分為地表實測方法和遙感監測方法，地表實測方法又分為目估法、采樣法和儀器法(數碼照相法)。目估法準確度受人為因素影響較大，因絕對誤差較高而不適宜用于植被覆蓋度監測[4]。雖然數碼照相法、采樣法預測植被覆蓋度具有一定精度[5-6]，但數碼照相法易受外界環境條件制約，而采樣法測量過程費時費力，僅適合估算較小區域的植被覆蓋度。遙感技術以其簡捷迅速、無破壞性及節省人力物力等優點，為大范圍的植被覆蓋度反演提供可能，其中較為常用的遙感監測方法有植被指數法、像元分解模型法、FCD (forest canopy density mapping model)模型法和回歸模型法[7-10]。

楊勝天等[11]利用植被指數法反演植被覆蓋度并分析其變化，對近20 年黃河流域生態保護工作進行了初步評估。由于植被指數法易受大氣、土壤、地貌等影響，且植被指數只能反映植被覆蓋度的趨勢，并不能代表實際植被覆蓋度，因此其預測精度有待提高。魏石磊等[12]、陳效逑和王恒[13]通過像元分解模型估測特定區域植被覆蓋度，發現此方法具有較高的估測精度。Carlson 和Ripley[14]、溫小樂等[15]發現利用像元二分模型的平方反演植被覆蓋度在中低植被覆蓋地域更貼近實測數值，但總體精度低于像元二分模型。馬中剛等[16]選取16 種植被指數利用逐步回歸法及線性混合像元分解法構建荒漠化地域植被覆蓋度反演模型發現此方法反演結果較為貼近現實，但還需進一步提高估測精度。王云[17]選用不同植被指數利用分段回歸模型法反演植被覆蓋度，發現此方法在一定程度上能夠解決飽和性問題，并具有較高精度。FCD 模型(forest canopy density mapping Model)能夠綜合裸土指數、陰影指數及植被指數構建復合指數代入像元二分模型反演植被覆蓋度，削弱了裸土、植被陰影及城市用地對反演結果的影響，此方法考慮現實問題且綜合像元二分方法的運用，所得精度普遍高于對應的單獨植被指數[10]。

目前，已有的研究大多通過單一植被指數帶入或構建模型進行植被覆蓋度反演[16]，但植被光譜常因植被所處環境、生長狀態、大氣因素等影響變化而具有一定時效性與區域性，且所選取的最優植被指數也會產生變化。因此，根據不同植被指數特點，采用分段方式在不同植被覆蓋度區間選取最優植被指數聯合預測植被覆蓋度，能夠有效提高反演精度。本研究選擇處于干旱與極端干旱區且地表植被構成較為復雜的渭干河-庫車河三角洲綠洲作為研究區，在前人研究的基礎上選取9 種植被指數，結合野外實測植被覆蓋度數據進行相關性分析，通過敏感植被指數并基于分段方式采用回歸模型及FCD 模型對研究區植被覆蓋度進行反演，為干旱區植被覆蓋度定量監測及生態環境評價工作開展提供一定依據。

1 數據來源與研究方法

1.1 研究區概況

渭干河-庫車河三角洲綠洲處于新疆維吾爾自治區境內，是塔里木盆地北麓較為典型及完整的形似扇形的平原綠洲，空間方位在39°30′ ? 42°40′ N，81°27′ ? 84°07′ E，區域由庫車市、沙雅縣與新和縣構成。該區域是大陸性暖溫帶干旱氣候，具有風沙肆虐、夏日干熱、冬日干冷，日照時間長，蒸發強度大，晝夜溫差大，降水稀少且分布不均勻的特性。年均氣溫介于10.5～14.4 ℃，年均降水量介于50.0～66.5 mm，年均蒸發量在2 000 mm 以上。該區域依靠由中高山地域沿途流下的塔里木河、渭干河、庫車河河水進行灌溉，以種植業為經濟主體產業，主要種植棉花(Gossypium spp.)、紅棗(Ziziphus zizyphus)、玉米(Zea mays)等，地表植被組成較為復雜，鹽漬化現象普遍，常見耐鹽植被有檉柳(Tamarix chinensis)、鹽穗木(Halostachys caspica)及鹽節木(Halocnermum strobilaceum)等。

1.2 數據來源與處理

本研究采用的遙感數據來自具有11 個波段、空間分辨率為30 m、全色波段分辨率提高至15 m、接收時間為2019 年7 月26 日的美國陸地衛星Landsat 8-OLI。因傳感器自身會產生誤差，需在ENVI 5.1 軟件中進行輻射定標，將DN (原始灰度)值轉化成大氣頂層輻射亮度來消除誤差；然后利用FLAASH 模塊進行大氣校正，消除大氣、光照變化等原因對地物反射的干擾以獲得較為真實的地物反射率，最后使用Band Math 工具計算各植被指數，并利用SPSS 22.0 軟件的相關分析工具分析不同植被指數與實測植被蓋度間的相關關系。

2019 年7 月在研究區布設樣地99 個并進行實地調查(圖1)，不含水體及城市建設規劃用地，樣地大小設計為50 m × 50 m。該區域地表植被構成復雜，在每個樣地內選取5 個1 m × 1 m 的草本樣方，在東西南北四角設置10 m × 10 m 的植被樣方，對樣方內植被個數及其東西、南北方向植被冠幅進行測量，計算得到植被覆蓋度值；然后利用1 m × 1 m、10 m ×10 m 植被樣方對50 m × 50 m 植被樣方進行估測計算，得到總樣方植被覆蓋度，并對樣方所處環境的地貌特點、地表植被種類及組成等數據進行記錄。本研究采用分層抽樣方法將實測數據分為兩組，一組79 個用于建模，另一組20 個用于驗證。

圖1 研究區采樣點分布圖Figure 1 Distribution of sampling points in the study area

1.3 植被指數選取

選取較為常用的9 種植被指數并劃分為3 類：

Ⅰ. 簡單差值及比值植被指數：差值植被指數(DVI)、比 值 植 被 指 數 (RVI)、歸 一 化 植 被 指 數(NDVI)、綠色歸一化差值植被指數 (GNDVI)和近紅外光百分比植被指數 (IPVI)。

Ⅱ. 抑制土壤背景因素干擾的植被指數：二次改進型土壤調節植被指數(MSAVI)和優化土壤調節植被指數 (OSAVI)。

Ⅲ. 增添大氣修正元素的植被指數：大氣阻抗植被指數 (ARVI)和增強植被指數 (EVI)。

各植被指數具體計算公式如表1 所列[18-26]。

1.4 飽和性分析

在不同植被覆蓋度等級利用不同植被指數進行反演可以提高估測精度。為了解植被指數特征及判斷各植被指數跟隨植被覆蓋度變化的飽和點，利用分段變化量、分段百分比實行飽和性分析。

分段變化量是不同植被指數在各自植被覆蓋度范圍的變化量(Si)，分段百分比是不同植被指數在各自植被覆蓋度范圍所占的比例(Ti)。計算公式如下[17]：

表1 植被指數計算Table 1 Calculation of vegetation indices

式中：Si是植被覆蓋度為i 時的分段變化量；max(VIi)、min(VIi)分別為在某一植被覆蓋度i 時植被指數所取得最大值和最小值。

式中：Ti為植被覆蓋度為i 時的分段百分比；VIi是植被覆蓋度在i ± 0.005 內所對應的植被指數均值；max(VI)、min(VI)分別為植被指數均值的最大值和最小值。

1.5 FCD 模型

FCD 模型是利用植被指數(vegetation index, VI)、裸土指數(bare-soil index, BI)及陰影指數(shadow index, SI)構成復合指數(vegetation bare-soil shadow index, VBSI)代入像元二分模型對植被覆蓋度進行估測的模型，其優點是可以消除或減弱遙感影像中陰影或裸地等對植被的影響，進一步提高地表植被覆蓋度預測精度。公式如下[27-28]：

式中：VI 為植被指數，BI 為裸土指數，SI 為陰影指數，VBSI 為復合指數，B 為藍波段反射率值，G 為綠波段反射率值，R 代表紅波段反射率值，NIR 為近紅波段反射率值，SWIR 為短波紅外波段反射率值，n 為?0.1。VBSIsoil是實測裸土樣點所對應的VBSI 取值(累計頻率接近5%)，VBSIveg是實測純植被覆蓋樣點所對應的VBSI 取值(累計頻率接近98%)。

1.6 模型精度評估

為檢驗各個植被覆蓋度反演模型的準確度，檢測實測植被覆蓋度與估測植被覆蓋度間的誤差情況，選取總體決定系數(R2)、均方根誤差(RMSE)及預測精度(PRECISION)進行模型精度評價。決定系數越大，變量間聯系越緊密；均方根誤差越小，預測精度越大，說明模型預測精度越高。

式中：ABS 為絕對值，yi為樣本實測值；為樣本估測值；為樣本平均值；n 是樣本總量。

2 結果與分析

2.1 植被指數和實測植被覆蓋度相關關系分析

不同植被指數與實測植被覆蓋度顯現出極顯著正相關關系(P ＜ 0.01) (表2)，說明可以利用其反演植被覆蓋度。植被指數中MSAVI 與實測植被覆蓋度的相關性最高，為0.917；其次為NDVI、OSAVI、IPVI、GNDVI；RVI 最低，為0.668。

表2 實測植被覆蓋度與植被指數的相關性Table 2 Correlation between measured vegetation coverage and vegetation indices

2.2 植被覆蓋度分段點的選定

為研究植被指數特征及判斷各植被指數跟隨植被覆蓋度變化的飽和點，計算不同植被指數的分段百分比。RVI 累積分段百分比約20%時植被覆蓋度在0.5 左右，說明RVI 在植被覆蓋度小于0.5 時分辨率較低；植被指數NDVI、IPVI、OSAVI 因公式中的分子、分母隨植被覆蓋度的增大而增加使得總體差異較小，所對應的植被覆蓋度大致相同(圖2)。

在0.0 ≤ Fc≤0.3 時，不同植被指數間分段百分比變化較一致，且大多數植被指數累積百分比在20%左右；在0.3 ＜ Fc≤0.7 時，各植被指數的變化幅度也較一致，大部分植被指數累積百分比接近70%；在0.7 ＜Fc≤1.0 時，9 種植被指數變化幅度較大，所以本研究選取0.3 和0.7 作為反演植被覆蓋度的分段點。

2.3 基于分段回歸的植被覆蓋度反演模型

2.3.1 分段回歸模型最優植被指數選取

通過計算Fc≤0.3、0.3 ＜ Fc≤0.7 及0.7 ＜ Fc≤1共3 段區間內不同植被指數與實測植被覆蓋度間的分段相關值、分段累計變化量及分段累計百分比，可得到各植被指數分段綜合分析表(表3)。從不同植被指數與實測植被覆蓋度的分段相關值可以得出，在不同區間內各個植被指數和植被覆蓋度均具有較好的相關性。由于利用植被指數分段反演植被覆蓋度存在像元重合或缺失的問題，綜合分段相關性高、分段累計變化量較小及分段累計百分比較高的條件，選定MSAVI 對 [0.0, 0.3]內的植被覆蓋度進行反演，選定GNDVI 對 (0.3, 0.7]內的植被覆蓋度進行反演，選定IPVI 為植被覆蓋度 (0.7, 1.0]內的最佳反演植被指數。

圖2 植被指數與植被覆蓋度分段百分比Figure 2 Vegetation indices and the segmented percentage of vegetation coverage

2.3.2 分段回歸模型建立

選取線性函數、對數函數、倒數函數、二次多項式及三次多項式建立各段實測植被蓋度與最優植被指數的回歸模型。各分段最優植被指數與實測植被覆蓋度建模結果基本符合統計學要求(表4)。各分段最優植被指數選取三次多項式模型反演植被覆蓋度最優，F 檢驗達到0.01 水平，因此本研究選取MSAVI、GNDVI、IPVI 用三次多項式分段反演植被覆蓋度。其中，因植被指數分段組合中MSAVI與GNDVI 在0.0 ≤ Fc≤0.3 時分段點接近，在預測植被覆蓋度時沒有出現像元缺失和重復的現象，GNDVI與IPVI 在植被覆蓋度0.7 處存在像元重復現象，需要對GNDVI 在0.59～0.61 取值范圍與IPVI 做平均像元處理，使預測效果更好。

表3 各植被指數分段綜合分析Table 3 Comprehensive analysis of the different vegetation indices

表4 分段回歸植被覆蓋度模型Table 4 Vegetation coverage model based on segment regression

2.4 綜合分段優勢的FCD 反演模型

利用不同植被指數采用分段回歸方法構建植被覆蓋度模型可以消除飽和性、土壤、地表狀況等因素的影響以提高植被覆蓋度預測精度，因此采用不同復合植被指數代入FCD 模型，選取最優復合植被指數所在的FCD 模型分段反演植被覆蓋度理論上也可以提高預測精度。利用圖2 結果將0.3 和0.7 作為植被覆蓋度分段點，選取決定系數(R2)、均方根誤差(RMSE)及預測精度(PRECISION)分段討論各植被指數代入FCD 模型的預測精度，使用各段模型精度最高的植被指數反演植被覆蓋度對FCD 模型進行優化。對比各段FCD 模型決定系數、均方根誤差及預測精度可以發現(表5)：在0.0 ≤ Fc≤0.3 時，NDVI 及OSAVI 預測植被覆蓋度的精度最高，而復合MSAVI 在此段的精度較低，在0.3 ＜ Fc≤0.7 時，GNDVI 與MSAVI 預測植被覆蓋度的精度最高，在植被覆蓋度大于0.7 時，MSAVI 預測植被覆蓋度的精度最高，再次說明利用MSAVI 預測中，高植被覆蓋度具有較高的精度，而在預測較低植被覆蓋度時精度較弱。由于NDVI 與OSAVI 預測精度相同，但NDVI 在植被覆蓋度研究中應用更為廣泛及預測結果穩定，因此選定NDVI 對[0.0, 0.3]內的植被覆蓋度進行反演，選定MSAVI 對(0.3, 0.7]及(0.7, 1.0]內的植被覆蓋度進行反演。

表5 FCD 模型各分段植被覆蓋度精度分析Table 5 Analysis of vegetation coverage accuracy in each segment of the FCD model

由于部分介于0.3～0.6 的實測植被覆蓋度對應的預測值小于0.3，利用FNDVI代替FMSAVI在0.0～0.3 內的植被覆蓋度進行反演時會使這部分值偏小，使得總體預測結果不理想。對0.0～0.3 內的植被覆蓋度繼續分段研究發現在植被覆蓋度介于0.0～0.1 時復合植被指數NDVI 預測結果更貼近現實，在植被覆蓋度介于0.1～0.3 時復合植被指數NDVI 雖反演效果更好，但考慮研究區整體植被覆蓋度反演效果，最終選取FNDVI(0.0～0.1) + FMSAVI(0.1～1.0)對植被覆蓋度進行反演(表6)。

表6 FCD 模型優選植被指數精度分析Table 6 Accuracy analysis of optimal vegetation indices in the FCD model

2.5 模型精度驗證

分別采用分段回歸模型、結合分段優勢的FCD模型對研究區植被覆蓋度進行反演，并基于驗證樣本進行精度評價及模型比較。結合圖3、圖4 可知，兩種模型PRECISION 均約為79%，但相比于分段回歸模型，基于分段優勢的FCD 模型建模集R2提高0.024 7，RMSE 降 低0.010，驗 證 集R2提 高0.023 9，RMSE 降低0.002，PRECISION 提高1.189%，說明綜合分段優勢的FCD 模型反演結果更準確，可適合用于研究區植被覆蓋度的精準反演。

圖3 分段回歸模型精度驗證圖Figure 3 Verification of the accuracy of the segment regression model

進一步采用分段回歸模型和綜合分段優勢的FCD 模型對研究區植被覆蓋度進行反演(圖5)發現，兩種反演方法估算的研究區植被覆蓋度在整體上具有較為一致的空間分布趨勢，但在不同植被覆蓋度等級還存在一定的反演差異，主要體現在低覆蓋度與中覆蓋度(植被覆蓋度為0.3 和0.7)處反演結果差異較大。結合實地調查數據及景觀照片，并通過Google Earth 地圖和研究區植被覆蓋度反演圖對比發現，分段回歸模型在植被覆蓋度為0.3 及0.7 處反演效果較差，植被覆蓋度較為集中，其誤差較大；而基于分段優勢的FCD 模型在低覆蓋度與中覆蓋度的總體反演結果更貼近現實，再次說明綜合分段優勢的FCD 模型更適合用于研究區總體植被覆蓋度的反演，具有較高的反演精度。

圖4 基于分段優勢的FCD 模型精度驗證圖Figure 4 Verification of the accuracy of the FCD model based on segment advantage

3 討論與結論

本研究表明，分段回歸模型在建模時具有較高的精度，但在反演植被覆蓋度時由于分段點處存在像元重合現象，經像元平均處理后仍與實測植被覆蓋度存在一定誤差，整體植被覆蓋度反演效果較不理想，這與李鑫川等[29]的研究結果較為一致。因此，對于植被覆蓋度較為集中且已有相關實測數據的區域，使用分段回歸模型估測植被覆蓋度，其結果能夠更貼近現實；對于植被組成結構復雜，植被覆蓋度變化范圍較大的地區，利用綜合分段優勢的FCD 模型可得到較好的反演效果。

受地形地貌、地表植被等多種因素的影響，不同植被指數具有不同的適用條件。在不同植被覆蓋度區間，選擇正確的植被指數進行反演，對植被覆蓋度的精準估測研究具有重要意義。江洪等[27]發現FCD 模型不僅適用于Landsat TM 影像，也適用于SPOT 影像，植被覆蓋度反演總體精度可達80%以上。蔡蘅等[28]發現FCD 模型反演植被覆蓋度具有較高精度，并使用其對且末綠洲植被覆蓋度時空變化進行分析。但上述研究僅使用一種植被指數對植被覆蓋度進行反演，其反演精度有待提高。張成才等[30]通過計算熱量指數對FCD 模型進行改進，發現改進后的FCD 模型提高了植被覆蓋度反演精度。夏穎等[10]基于FCD 模型選用4 種植被指數，對裸土指數、陰影指數進行改進，構建復合指數代入像元二分模型反演植被覆蓋度，發現所得精度普遍高于對應的單獨植被指數，其中利用復合植被指數TSAVI 精度最高。但FCD 改進模型應用具有一定地域性，其是否能夠大面積推廣還有待進一步驗證。本研究基于傳統FCD 模型使用分段方式，選取各段最優復合植被指數反演植被覆蓋度，發現此方法具有較高精度，能夠為其他地區植被覆蓋度反演提供一定的方法參考。針對特定區域，基于FCD 改進模型采用分段方式選取最優復合植被指數對植被覆蓋度進行反演，其反演精度將會進一步提高。

結合野外實測植被覆蓋度數據選取9 種植被指數進行相關性分析，通過選擇敏感植被指數基于分段方式采用回歸模型及FCD 模型對渭干河-庫車河三角洲綠洲植被覆蓋度進行反演，可以得到以下結論：

1)根據實測數據計算不同植被指數在植被覆蓋度變化范圍內的比例發現：Fc≤ 0.3 時，不同植被指數分段百分比變化較為一致，0.3 ＜ Fc≤0.7 時，各個植被指數的變化幅度也較為一致，大部分植被指數累積百分比接近70%，0.7 ＜ Fc≤ 1.0 時，這9 種植被指數變化幅度較大，因此以0.3 及0.7 作為反演植被覆蓋度的分段點。

2)分段回歸模型在選擇最優植被指數時考慮不同植被指數存在差異會使反演圖出現像元重合或缺失現象，為減少差異、提高反演精度需綜合考慮相關性高、分段累計變化量較小及分段累計百分比較高的條件進行選取，此模型中MSAVI (0.0～0.3)、GNDVI(0.3～0.7)、IPVI (0.7～1.0)為反演最佳植被指數。

3)綜合分段優勢的FCD 模型中復合植被指數NDVI (0～0.3)、MSAVI (0.3～0.7、0.7～1.0)為反演最佳植被指數，由于部分介于0.3～0.6 的實測植被覆蓋度對應的預測值小于0.3，繼續研究發現0.1 可為FCD 模型反演植被覆蓋度的一個分段點，考慮研究區整體植被覆蓋度反演效果，最終選取FNDVI(0.0～0.1) + FMSAVI(0.1～1.0)對植被覆蓋度進行反演。

4)分段回歸模型及基于分段優勢的FCD 模型建模集PRECISION 均約為79%，但相比于分段回歸模型，基于分段優勢的FCD 模型建模集R2提高0.025，RMSE 降低0.010，其驗證集R2提高0.024，RMSE 降低0.002，PRECISION 提高1.189%，更適合用于研究區整體植被覆蓋度反演，并可為其他地區植被覆蓋度反演提供一定方法參考。

由于受研究區地表環境條件的限制，本研究在后續工作中，還需使用更加科學的植被覆蓋度調查方法，增加對低植被覆蓋度區域地表植被的調查，尋求像元替換的最佳方法，對研究結果再做進一步的優化。