基于Landsat-8OLI數據的植被覆蓋度反演模型研究
——以西安市雁塔區為例

李紫涵

(長安大學地球科學與資源學院，陜西 西安 710064)

引言

植被指數常常是用來表現區域內地表植被覆蓋和分布狀況[1,2]。而植被覆蓋度則是表現區域內地表植物群落空間分布的一個重要參數。目前應用比較廣泛的方法是通過遙感影像數據各像元中植被類型及其空間分布的探究，建立植被指數與植被覆蓋度間的相關關系來估算植被覆蓋度[3]。

常用的植被覆蓋度提取方法包含2類：基于地表實測的方法，包括目視估算法、采樣法等，但這種方法比較費時費力，且結果容易受主觀影響，目前主要用于較小區域范圍內的植被覆蓋度測量，常作為遙感監測的輔助手段，為遙感監測提供基礎數據[4,5]；遙感監測法，近年來，遙感技術的迅速發展為很多學者在植被覆蓋度的監測方面發揮了不可忽視的作用，遙感監測法中常用的方法有回歸模型法、像元分解模型等[6]。像元分解模型的原理是先求解出混合像元中各地物所占的比例并基于結果來估算該像元內的植被覆蓋度的空間分布狀況，其中，像元二分模型應用最為普遍，其原理是將像元內的地物首先判別出植被與非植被，并求出其中植被所占的比例，如郭秀麗等[5]基于像元二分模型，利用Landsat-TM數據反演了內蒙古自治區杭錦旗的植被覆蓋度分布。

目前，很多學者在估算植被覆蓋度時主要采用MODIS等作為遙感影像數據源，利用歸一化植被指數對其進行估算。但植被指數有很多種，利用多類型植被指數來反演植被覆蓋度的研究還比較少，相關分析也比較缺乏。隨著Landsat-8OLI的出現，為植被覆蓋度的測量又提供了新的數據源，該數據源覆蓋區域較為全面并且方便下載。遙感反演是根據觀測信息和前向模型求解或估算出描述地物特征的應用參數[7]。本研究利用Landsat-8OLI數據提取3種常用的植被指數(NDVI、EVI、RVI)，并采用經典的像元二分模型來反演研究區內植被覆蓋度的分布，最后利用交叉驗證的方式對結果進行精度評價，以此來探討基于各種植被植被指數的植被覆蓋度反演方法在該區域的適用性。

1 植被覆蓋度遙感反演模型

1.1 提取植被信息

植被是環境諸要素中對環境依賴性最大的因子之一，同時在遙感數據應用中也作為土壤、水文等的重要解譯標志[7]。遙感影像數據詳細記錄了區域內地表各種類型的植被的分布信息，一般可以通過對遙感影像色調、色彩和幾何形態的分析來判別地表植被的分布特征狀況，同時也是研究其它自然要素的重要依據[8]。要判別地表植被的分類信息，最常用的方法是在遙感影像上先區分出地表內有無植被，然后再對研究區內地表的植被劃分具體的類型，如針葉林，闊葉林等。

在實際研究中則表現為先計算出歸一化植被指數值，確定其一個閾值，大于閾值確定為植被區，小于該閾值則確定為非植被區；在植被覆蓋區，根據各種植被不同的色調、形狀等特征判別出不同的植被類型，還有一種方法是通過遙感監督分類的方式對地表植被分出針葉林、闊葉林、灌木林等類型[9]。

1.2 植被指數

常用的植被指數有很多種，為了體現不同效果且為了方便相互比較，本研究主要選擇提取3種植被指數來估算植被覆蓋度：NDVI(歸一化植被指數)、RVI(比值植被指數)、EVI(增強型植被指數)

NDVI為歸一化植被指數，是Rouse等在歸一化處理比值植被指數時提出的，后來在植被分析和估算應用較為廣泛，公式[1]：

(1)

值的范圍是-1～1，小于該閾值則表現為非植被區。

RVI為比值植被指數，最初是由Jordan等提出，其是一個比較簡單的線性比植被指數，作用是通過遙感影像利用近紅外波段和紅色波段反射率的比值來體現它們之間的差異，當一個區域內植被覆蓋度大于50%時，RVI對植被的分辨力會隨著植被覆蓋度的增大而增大[1]，公式：

(2)

值的范圍是0～30，在2～8范圍內是綠色植被區。

EVI最初是由Liu等為了修正土壤背景值和消除大氣因素的影響，提出了增強型植被指數。公式[10]：

(3)

值的范圍是-1～1。

式中，G為增益因子，其值為2.5；C1、C2為氣溶膠阻抗系數，其值分別為6和7.5；L為土壤調整因子，值為1；B為藍色波段的反射率；NIR為遙感影像中近紅外波段反射率；R為紅色波段反射率。

1.3 像元二分模型

首先假設遙感影像中任意一個像元的反射率R可以分成植被部分Rv和非植被部分Rs，則反射率R可以表示為：

R=Rv+Rs

(4)

假設影像上一個像元中有植被覆蓋的面積比例為Fc，即該像元的植被覆蓋度，那么非植被覆蓋的面積比例為1-Fc，如果該像元全由植被所覆蓋，則所得的反射率為Rveg、如果該像元不包含植被，則反射率R為Rsoil，因此混合像元的植被區的Rv可以表示為植被反射率Rveg與像元中植被區的覆蓋面積Fc的乘積，而非植被區的Rs可以表示為Rsoil與1-Fc的乘積[12]：

Rv=Fc×Rveg

(5)

Rs=(1-Fc)×Rsoil

(6)

植被覆蓋度的計算公式可以由上述公式得到：

Fc=(R-Rsoil)/Rveg-Rsoil

(7)

式中，Fc為植被覆蓋度；R為任意一個像元的反射率；Rsoil為土壤反射率；Rveg為植被反射率。

由于遙感影像中任意一個像元包含這個范圍內所有像素的集合，在實際計算過程中很難區分純土壤像元和純植被像元，因而通常用影像中的植被指數取值一般選取一定置信度范圍的VImax和VImin來代替Rveg和Rsoil。

1.4 模型評價

為了更好地評價像元二分模型產生的結果精度，本研究選用交叉驗證法來判斷3種結果的精度。交叉驗證法的原理是利用每個實測點周圍的點對該實測值進行預測，將預測值與該實測值本身進行比較[9]。本研究選取2個參數，相關系數與均方根誤差進行精度評價。

(8)

(9)

2 數據處理

2.1 數據源

為了獲得更準確的植被覆蓋度結果，選擇夏天植被處于茂盛期的遙感影像，挑選6—8月時間段無云影響、質量較高數據下載，選擇2016年6月17日西安市的Landsat-8OLI影像圖。其中，1～7波段為多光譜數據，8波段為全色波段數據，影像的具體參數如表1所示。

表1 影像詳細參數

2.2 輻射定標與大氣校正

2.2.1 輻射定標

在進行植被覆蓋度的估算之前要處理原始的遙感影像，主要步驟包括輻射定標與大氣校正以及融合和裁剪。輻射定標的原理：最初的遙感影像數據記錄的是沒有明確物理意義的地物灰度值(DN值)，因此需要其轉化為有物理意義的輻射亮度、反射率或地表溫度值等[12]。

2.2.2 大氣校正

大氣對影像反射率有不同方面的影響，大氣對太陽光輻射能量具有吸收和阻礙作用，所以原始的遙感影像反射率會受到大氣反射的光線干擾而體現不出真實的地面反射率，這樣產生的影響就是會造成影像失真，大氣校正模型可以有效校正大氣對傳感器產生的影響，可以平滑地物光譜，以此來獲取到更為準確的地表反射率、輻射率和地表溫度等信息[12,13]，表2為大氣校正時所設置的具體參數。

表2 大氣校正參數設置

2.3 影像融合與裁剪

為了提高遙感影像分辨率，獲得較為清晰的遙感影像，因此將大氣校正過的影像圖與原始影像的全色波段進行融合。用GS融合方法將8波段30m多光譜數據和15m全色波段進行進行融合得到更高分辨率的影像。利用ROI工具選擇一塊大小為1920m×1442m的區域，生成ROI文件，并加載雁塔區的邊界shape圖層，裁剪經過融合的影像圖。裁剪后影像如圖1所示。

3 植被覆蓋度遙感反演計算

3.1 計算植被指數

提取植被信息，計算出NDVI值，確定NDVI的一個閾值，大于該閾值為植被區，小于該閾值為非植被區，從而區分出植被與非植被如圖2所示；由圖1可知，提取的植被信息符合真實情況。

圖1 雁塔區裁減后影像數據

圖2 雁塔區植被指數提取結果

計算整個研究區的歸一化植被指數NDVI，增強型植被指數EVI，比值植被指數RVI，并分別做二值化處理。

3.2 植被覆蓋度估算

對二值化的歸一化植被指數進行概率統計，在一定的置信區間范圍內來獲取閾值，根據實驗結果分別選取NDVI的閾值為(0.003922，0.992157)、RVI的閾值為(2，8)、RVI的閾值為(0.2，0.8)。本文植被覆蓋度的反演模型采用像元二分模型進行估算。模型中的數據主要包括二值化后在選取的閾值范圍內的3種植被指數包括歸一化植被指數NDVI，增強型植被指數EVI，比值植被指數RVI，利用EVNI軟件，通過像元二分估算模型公式，從而得出雁塔區植被覆蓋度估算結果，3種結果如圖3～5所示。

圖3 NDVI估算植被覆蓋度結果圖

圖4 RVI估算植被覆蓋度結果

圖5 EVI估算植被覆蓋度結果圖

4 模型評價

將獲得的3種植被覆蓋度數據轉化成矢量點圖層，并導入Excel與原始影像提取的植被覆蓋進行比較分析，選取2個參數，相關系數與均方根誤差進行精度評價，評價結果如表3所示。

表3 模型驗證結果

從圖1～3以及驗證指標的表現可以看出，3個植被指數均能反演出研究區植被覆蓋度，且相關性都>0.5，均通過了0.01的顯著性檢驗，說明像元二分模型能夠很好地反演研究區域的植被覆蓋度，具有普適性。綜合來看，基于NDVI估算的植被覆蓋結果精度最高，基于RVI與EVI估算的植被覆蓋結果精度較低。歸一化差植被指數NDVI是最常使用的一種光譜植被指數。基于本次研究結果也表明其最能反映研究區內地表的植被覆蓋度真實情況，反演效果較好。

5 結論

本研究利用Landsat-8OLI數據提取3種植被指數分別進行反演研究區植被覆蓋度的研究并進行精度評價，由原始遙感影像及其提取出植被覆蓋區可知，雁塔區的植被區多分布在左上部分與右下部分，其它部分為建筑區，植被覆蓋較少，通過視覺比較，3種植被指數計算的覆蓋度中，在植被覆蓋度較低時，EVI對植被的敏感性最差，NDVI敏感性最強，最能反映地表整體的真實覆蓋度，RVI、EVI效果較差，在植被覆蓋度較高的區域RVI、EVI能夠反映出地表植被覆蓋情況，但在植被覆蓋度較低的區域不能反映真實的地表覆被情況，說明EVI和RVI對高植被覆蓋度的敏感性較強，對低植被覆蓋度敏感性較差。因此RVI、EVI更適用于高植被覆蓋度區域的植被評估。

獲取植被覆蓋度的方法中傳統的地表實測法很容易受到地形和天氣等客觀影響以及時間和人力資源等主觀因素的制約，因此很難獲取到大范圍內的植被覆蓋度分布信息。目前基于遙感影像的植被覆蓋度測量法逐漸被更多學者應用到實際研究中。而其中基于像元二分模型反演植被覆蓋度的方法邏輯明晰原理簡單，且方便計算，并不依賴實測數據，也不受其它主客觀因素的影響，使用高分辨率的遙感影像也會增加模擬精度，所以像元二分模型具有普適性。

植被指數種類比較多，但這些植被指數都很難消除土壤背景產生的影響，這可能是使用植被指數反演區域植被覆蓋度精度不高的主要原因。未來可以對研究數據進行優化，以及使用更高分辨率的原始遙感影像數據來提高估算模型中參數精度，從而進一步提高植被覆蓋度估算模型精度，以使其更好地反演和表演出研究區域內地表植被覆蓋的真實情況，便于后續深入研究。