基于遙感影像的植被覆蓋度提取方法研究綜述

王澤 趙良軍 牛凱 張蕓 楊號

(四川輕化工大學計算機科學與工程學院，四川 自貢 643000)

引言

植被是植物學、生態學、農學或地球科學中的一個術語，包括許多植物。不同的氣候條件形成不同類型的植被特征。光照、氣溫和降雨都會影響植物的生長和分布，形成不同的植被群落。植被群落在生態系統中通過光合作用生成有機物，吸收CO2，釋放O2，實現碳存儲[1]，在生態系統中發揮至關重要的作用[2]。植被能夠抑制空氣中細菌和病毒的傳播，植被的根部、莖部以及葉面與土壤空氣接觸中，植物會將附著的細菌、塵埃、顆粒物質等有害物質吸收。植被群落具有凈化空氣、控制地表濕度等作用；覆蓋面積較廣的植物群落，能夠發揮減少降水對土壤中有機質的沖刷，具有減緩地表水土流失等作用[3]。植物的根系可以吸收土壤水分，涵養水源，植物的葉片具有蒸騰作用，能夠減少土地干旱的情況，防止土地沙漠化。植被覆蓋度與植被在地面的垂直投影面積占比具有極強的相關性[4]。因此，特定區域的植被生長狀況可以通過其植被覆蓋度估算來表示[5]。

近年來國內外眾多學者提出了大量的植被覆蓋度提取方法，依據技術手段和數據來源的不同，主要分為實地測量和遙感影像提取。然而對植被覆蓋度的實地測量需要消耗大量的人力、物力、財力以及時間成本，不適合做推廣使用且研究意義不大。隨著遙感技術的快速發展與進步，其對植被覆蓋度提取的高效、精確、快速等優勢愈發顯著。更重要的是，遙感影像信息豐富、成本低、可讀性強，客觀真實的反應地理空間分布狀況，且基于遙感衛星監測和估算特定區域植被覆蓋度不會受到自然和人為因素的干擾[6]，是當前估算區域植被覆蓋度的最有效手段之一。鑒于此，本文針對基于遙感影像的植被覆蓋度研究方法進行了分類總結，詳細闡述其原理以及應用；從使用范圍、優劣勢以及影像因子等方面進行綜合分析，提出未來針對植被覆蓋度提取方法的方向與趨勢，對未來的研究工作開展提供一定的可參考性。

1 基于模型法

1.1 回歸模型法

地表的植被和土壤在遙感影像數據中反射率具有明顯的差異性和分辨性，利用此特征擬合分析建立回歸模型，估算研究區的植被生長狀況。依據回歸模型法擬合系數和方法的不同，分為線性和非線性兩種[7]。對遙感影像數據和光譜波段進行擬合回歸分析，針對特定的研究地區創建特定的線性回歸模型。North等人[8]利用ATSR-2反射率測量值和相應的植被參數構建線性回歸模型，發現擁有4個光譜波段值的線性回歸分析模型效果更好。非線性回歸模型是將遙感影像的波段或者植被指數與植被覆蓋度(FVC)擬合，構建出非線性化的回歸模型。Boyd等人[9]在計算美國太平洋西北部的針葉林覆蓋度時，根據遙感影像中植被不同的光譜波段值建立非線性回歸模型，得出該研究地區針葉林覆蓋度68%(99%的置信水平)。

1.2 像元分解模型法

像元分解模型是基于遙感影像中最基礎的植被覆蓋度估算方法之一，因為在遙感影像中植被和裸土的反射率存在巨大的差異性，則在像元分解模型中可以精確劃分植被和非植被，外推計算像元總面積，得到研究區的植被覆蓋度。因為像元存在規則性、均勻性、復雜性以及光譜響應特征的不同，像元分解模型分為像元二分模型和混合像元模型。

1.2.1 像元二分模型

像元二分模型主要對規則、均勻、單一的像元進行植被覆蓋度提取[10]。其原理是判定一個單位像元由植被與非植被2部分組成，而遙感影像中光譜波段組合由這2個組成部分權重線性合成，各因子的權重等于總像元中所占的比例，總像元中植被權重的集合與植被覆蓋度具有很強的相關性[11]。此方法的特點是減少了遙感影像中大氣輻射、土壤色澤和植被種類波段差異化等因素的干擾，極大提高了植被覆蓋度的提取精確度。

基于遙感影像得到的全部像元信息S由地表植被覆蓋信息Sveg和地表土壤覆蓋信息Ssoil2部分組成，公式：

S=Sveg+Ssoil

(1)

該像元單位中植被覆蓋的像元比例大小公式：

Sveg=fc×Sveg

(2)

式中，fc表示在此遙感影像的一個像元中地表植被覆蓋信息所占的比例大小。

該單位像元中非植被覆蓋度信息公式：

Ssoil=(1-fc)×Ssoil

(3)

式中，1-fc表示單位像元中非植被覆蓋信息比例。

通過公式(2)和公式(3)帶入到公式(1)，可得：

S=fc×Sveg+(1-fc)×Ssoil

(4)

公式(4)轉換后得到像元二分模型中的植被覆蓋度(FVC)，公式：

(5)

郭芬芬等[12]建立適用于昌都縣的像元二分模型，并進行植被蓋度估算，根據實測植被蓋度數據對估算結果進行精度驗證,實測值與估算值的相關系數為0.8624,平均精度82.5%。表明該方法適用于研究植被的生長狀況，且具有較高的精確度。孟沌超等[13]構建特定的像元二分模型進行田間冬小麥的覆蓋度提取，充分發揮了該模型方法高效、快速、精確等特點。齊亞霄等[14]通過依據地理空間分布特征以及面積加權重心構建像元二分模型，提取2001—2015年天山北坡的植被覆蓋度動態變化情況。劉廣峰等[10]利用構建像元二分模型提取烏素沙地的植被覆蓋度，經過與地面實測數據進行比較驗證，兩者線性相關系數達到0.92，整體精度達到79.4%。

1.2.2 混合像元分解模型

在遙感影像中像元的地表覆蓋幾乎是不規則的、不均勻的、不單一的[15]，不同的地表覆蓋類型具有不同的光譜響應特征[16]。所以在獲取遙感影像數據的過程中，由于地物的復雜性以及遙感影像的誤差性導致在簡單的單位像元中很難做到植被覆蓋度的精確估算，不能精確反映出該地區的植被生長情況。混合像元分解模型能夠將植被、土壤以及其它復雜的像元信息進行分類，并估計出光譜波段的混合模式、光譜組成和混合像元的比例，利用混合像元分解模型分析得到研究區域的植被覆蓋度[17]。

李曉松等[18]通過構建混合像元分解模型對甘肅省民勤綠洲-荒漠過渡帶的植被進行覆蓋度提取，得到的荒漠植被覆蓋正確率達到了95%以上。證明該方法對植被覆蓋度的估測具有較高的精確度和可靠性。劉勇等[19]通過混合像元分解模型從ETM+融合影像上提取城市植被蓋度,最后利用SPOT影像進行精度檢驗。因此，像元混合分解模型方法適合用于提取建筑物和道路占比偏高的城鎮地區的植被覆蓋度。陳彥兵[20]利用混合像元分解模型對潘陽湖濕地的植被生長狀況進行估算，得到的估算精度相比于像元二分模型有顯著提升，更能真實、客觀地表現出潘陽湖的植被生長狀況和生態環境質量。

2 基于植被指數法

地表植被是水平和垂直分布生長，不同種類的植被顏色和形狀各不相同[21]。所以，基于遙感影像中有關植被的信息主要是通過改變植被光譜帶的特征及其差異來獲得的。不同的植被特征能被不同的光譜波段識別分析。植被指數的原理是利用不同的光譜波段結合不同的計算方法來估算植被覆蓋度。利用植被指數進行植被覆蓋度估算時一般選取信息量大且相關性弱的光譜波段[22,23]，這樣提取光譜波段進行分析時不會存在較大偏差性，能夠確保植被覆蓋度具有較高的精確性。植被指數對區域植被覆蓋度的提取和研究具有高效性、快速性，且不受區域和時間限制。鑒于此，本文針對當前使用最頻繁且高效的幾種植被指數法進行總結和分析。

2.1 歸一化植被指數(NDVI)

NDVI由Rouse在1973年提出[24]，是當前使用最多的一種植被指數方法。原理是增加植被中綠葉近紅外波段光譜通道與紅色波段光譜通道之間葉綠素吸收的差異性。公式：

(6)

式中，NDVI值的范圍是-1～1；NIR表示近紅外波段反射率，R表示紅外波段反射率[25]。NDVI<0代表地面上覆蓋的水、雪以及冰川等成分；NDVI=0表示如沙漠、巖石或裸露地面的成分；NDVI>0表示地表植被生長情況。歸一化植被指數與植被覆蓋度呈正相關關系，綠色植被指數范圍一般為0.2～0.8。

宮兆寧等[26]為了提取北京野鴨湖濕地自然保護區的植被覆蓋度，利用歸一化植被指數在反映植物生長狀況、覆蓋程度以及區分地表覆蓋類型方面的優勢，通過對原始Landsat TM影像增加NDVI數據維對影像進行維度擴展。該方法充分反映了北京野鴨湖濕地自然保護區區域內地物間的光譜差異，進一步提高了植被覆蓋度估計的準確性。馬保東等[27]利用NDVI分析神東礦區1999—2008年10a間礦區植被覆蓋度的動態變化，發現該礦區植被指數趨于上升，表明神東礦區土地荒漠化情況好轉，植被生態得到改善，礦區土地荒漠化問題得到改善。當植物為中低水平時，NDVI值隨覆蓋率的增加而迅速上升，并且在達到一定的覆蓋率后將緩慢增長。因此，NDVI是估算中低覆蓋率作物的理想選擇。

2.2 比值植被指數(RVI)

RVI值等于近紅外波段和紅外波段2個通道反射的比例值，間接反映研究區域的植被覆蓋和樹木生長狀況。RVI的原理是比較紅色區域中綠葉在紅外系統中的分布情況，該系統接近于吸收葉綠素的紅外系統。因為，近紅外波段具有極高的反射率,而紅光波段具有極低反射率,所以RVI值的范圍較大[28]。公式：

(7)

式中，R表示近紅外波段；NIR表示紅外波段；RVI值的范圍是0～30；一般綠色植被區的范圍是2～8。

何霜等[29]對攀枝花地區進行植被覆蓋度估算，結果表明，植被指數與植被覆蓋度之間的擬合相關系數較大，具有很強的關聯性。尹芬等[30]利用RVI提取長沙地區的植被覆蓋度，結果表明，該方法在植被生長茂盛且覆蓋面積大的區域具有較高的靈敏度，該方法的靈敏度轉換峰值是50%。當RVI趨近于1時，則說明該地區為建筑物、土壤、水域等非植被地區，而當RVI>2時，說明該地區的植被覆蓋度很高。

2.3 土壤調整植被指數(SAVI)

SAVI是在NDVI原理的基礎上增加了土壤調節因子L，進一步弱化土壤、大氣等因素對植被光譜反射率造成的干擾。公式：

(8)

式中，ρNIR代表近紅外波段；ρR代表紅光波段；L代表土壤控制指數。SAVI在NDVI基礎上，考慮到了遙感影像中地表表面植被覆蓋情況的差異性，加入了土壤控制指數L。L值不是固定不變的，取值范圍為0～1，L=0說明地表土壤表面沒有植被覆蓋，L=1表明土壤控制指數對植被覆蓋提取的影響較大。對于不同的研究區域和不同的植物覆蓋率，選擇的土壤控制指數各不相同。

付剛等[31]利用SAVI估算西藏高原的青稞在受到紅外增溫的情況下的植被覆蓋度。池宏康等[32]對黃土高原地區提取植被信息的研究中發現，SAVI對于中等密度植被覆蓋提取有更好的效果。高志海等[33]發現，SAVI消除了土壤背景影響以及適應區域內植被密度變化的能力強，提取的植被覆蓋度精確度高。

2.4 增強型植被指數(EVI)

在SAVI基礎上再添加1條藍光波段，以改善植物信號并糾正如土壤底部和氣溶膠分布等因素的影響。增強型植被指數適用于植被生長狀況良好[34]的研究區。公式：

(9)

式中，G為增益因子；L為背景調整因子；C1和C2為擬合調整因子；ρB代表藍光的光譜反射率；ρR代表紅光的光譜反射率；ρNIR代表近紅外波段的光譜反射率。

王正興等[35]利用增強型植被指數反演草地植被生物量，發現EVI不適合提取典型草地和沙地草地等植被覆蓋度適中的地區。盧遠等人[36]利用增強型植被指數和陸地表面溫度(Ts)構建EVI-Ts特征空間,并以該特征空間計算的溫度植被干旱指數(TVDI)作為干旱監測指標,分析廣西2006年秋旱分布。基于EVI構建的特征空間更適合于我國南方干旱地區的植被生長狀況評價。曹燕萍等[37]利用EVI對2002—2016年華北平原植被生長和水文因子進行相關分析，得出華北平原植被生長與降水和土壤蓄水量呈正相關關系，這有助于消除植被生長的不利因素，為區域生態環境產生積極的影響。

3 基于神經網絡

神經網絡是計算機模擬人類學習的過程，依靠極強的模擬學習能力，使其適用于眾多研究方向和領域[38]。近些年神經網絡方法發展迅速且應用廣泛，在基于遙感影像數據源的植被覆蓋度提取中，該方法有極強的容噪能力和非線性處理能力，能解決數據飽和時存在的局限性問題。

張亦然等[39]結合U型神經網絡構建針對植被覆蓋度提取的深度學習模型，該模型由編碼器和解碼器構成，編碼器由4個編碼層和2個卷積層組成，解碼器由4個解碼層和1個softmax層組成。使用跳躍鏈接的手段，將源圖像輸入編碼器進行數據特征提取，再由解碼器解析得到原尺寸大小的植被覆蓋區域，該深度學習模型提取植被覆蓋度精度達到0.86。Voorde等[40]利用感知層神經網絡對隨機選取的訓練樣本進行植被覆蓋度提取[41],估算出布魯塞爾的植被覆蓋度(FVC)。

圖1 基于神經網絡法提取植被覆蓋度過程

4 討論

雖然模型法對植被覆蓋度的提取精度較高，但其適用范圍具有一定的局限性，僅適用于小范圍研究區域，而且對實地測量數據具有較強的依賴性，所以模型法的規模化使用不易實現。像元二分模型雖然削弱了遙感影像中大氣、植被類型、土壤背景等影響因子且能夠提取較高精確度的植被覆蓋度，但其僅適用于單一、規則、均勻的像元。反之，像元混合分解模型克服了地物的復雜性以及遙感影像的誤差性，適用范圍大且估算精確高，但像元中組成成分復雜且多樣，故時間成本較高。

與模型法對比而言，植被指數法更適用于對范圍廣以及任何遙感影像源的研究區域植被覆蓋度提取，且估算精度也更高。但植被指數的精確度很容易受到土壤亮度、土壤顏色、大氣輻射、遙感器光譜響應、雙向反射等影響。所以在實際應用中，不同的植被覆蓋情況以及地物分布情況，需要基于不同的植被指數法來構建一個特定空間和區域的方法，這會大大提高提取植被覆蓋度的精確度。

結合神經網絡構建的深度學習模型是植被覆蓋度提取新的趨勢和方法，不受適用范圍、實測數據以及遙感源的影響，能夠對特定區域構建特定深度學習模型，精確提取該研究區域的植被覆蓋度。但神經網絡算法具有一定主觀性和黑盒子性質，且當前該方向研究內容較少，缺少一定的可靠性和可參考性。

5 展望

本文對利用遙感影像提取研究區域植被覆蓋度中使用頻率最多和使用范圍最廣的方法進行分類總結，為地區植被生長狀況評估提供一定的參考性。目前在植被覆蓋度的提取中，通過結合植被指數和土壤、降水和溫度等影響因素建立特定的植被覆蓋度提取模型是應用最多的方法，不僅不受范圍、信息源等限制，還大大提高了提取精度。由于地表分布是沙漠、濕地、丘陵、河流、城市、沙甸、森林和山地等不同地形地貌組成，造成了不同區域擁有的植被特征差異性較大，所適用的植被覆蓋度提取方法也各不相同。所以，未來對一個地區的植被覆蓋度的提取，需要考慮其地表特征和植被覆蓋類型，削弱相應的影響因子對植被覆蓋度提取的影響。