植被指數模型估算干旱區稀疏光合/非光合植被覆蓋度

駱義峽，姬翠翠，，李曉松，徐金鴻，楊雪梅

(1.重慶交通大學，重慶 400074；2.中國科學院遙感與數字地球研究所，北京 100094；3.甘肅省治沙研究所，蘭州 730070)

0 引言

干旱和半干旱地區占我國國土面積的53%。由于土地荒漠化日劇嚴重，干旱和半干旱區植被在防風固沙、調節生態平衡等方面具有重要作用，植被的退化嚴重影響綠洲的生態安全[1]，因此，干旱區稀疏植被指標定量評價對科學評估土地荒漠化及其治理效果評估具有重要的意義[2]。

目前，針對光合植被(photosynthetic vegetateon，PV)和非光合植被(non-photosynthetic vegetation，NPV)覆蓋度定量估算已有一些研究，但是大部分研究主要集中于光合植被覆蓋度(fractional cover of PV，fPV)[3]，而非光合植被覆蓋度(fractional cover of NPV，fNPV)[4]的估算起步較晚，相關研究較少，同步獲取fPV、fNPV的研究更少[5]。單一的光譜指數，如表征PV的歸一化植被指數(normalized difference vegetation index，NDVI)、表征NPV的干枯燃料指數[6](dead fuel index，DFI)只適用于混合像元由光合植被與裸土(bare soil，BS)或NPV與BS兩種成分組成，當同時估算PV、NPV和BS三端元的比例，使用單一光譜指數估算fPV、fNPV存在一定局限性[7]。混合像元分解是估算干旱區稀疏植被覆蓋度的有效方法，經前人研究所得線性光譜混合模型以及像元三分模型能夠有效估算fPV、fNPV，且具有物理意義明確、計算簡便的優勢。

目前植被覆蓋度估算研究中，多數研究基于光學遙感數據，其中高光譜數據獲取困難，且成本較高。因此，本文采用Sentinel-2A多光譜數據，考慮光合植被獨有的特征(葉綠素及紅邊效應)，選取優化的葉綠素吸收指數[8](modified chlorophyll absorption ratio index，MCARI)和紅邊葉綠素指數[9](red-edge chlorophyll index，CIred-edge)表征光合植被，以甘肅民勤綠洲為研究區分別建立NDVI-DFI、MCARI-DFI、CI-DFI像元三分模型。同時，構建基于NDVI、DFI、比值土壤指數(ratio soil index，RSI)的線性指數模型，開展服務于PV/NPV覆蓋度估算的最佳線性指數混合模型研究。為此，本文基于地面控制性實驗獲取純凈端元光譜與端元豐度信息，選擇不同光譜指數組合建立三分模型，評價各指數組合的三分模型性能，在最優三分模型中加入RSI構建線性指數模型，評價其在PV/NPV覆蓋度估算的精度，為PV/NPV覆蓋度估算提供更可靠的理論方法。

1 研究區概況

實驗區位于甘肅省武威市民勤縣綠洲-荒漠過渡帶區域內(38°37′42.60″N，102°55′11.25″E)，該區域的面積為22.8 km2，主要由沙漠、低山丘陵和平原3種基本地貌組成，溫帶大陸性干旱氣候區，大陸性沙漠氣候明顯，冬冷夏熱，降水稀少，光照充足晝夜溫差大，年均降水量113.2 mm，年均蒸發量2 675.6 mm。受地理位置及氣候影響，土地荒漠化十分嚴重，其自然植被主要由白刺灌叢、梭梭等幾種典型的荒漠植被所構成，PV/NPV及BS鑲嵌景觀廣泛存在[10]。

2 數據與方法

2.1 Sentinel-2A數據獲取

Sentinel-2A(S2A)數據是從Sentinels科學數據中心(https：//scihub.copernicus.eu/)下載的經過正射校正和幾何校正的L1C級多光譜數據，成像時間為2016年7月25日。S2A數據共有13個波段，最高空間分辨率為10 m，是紅邊范圍內唯一含有3個波段的光譜數據源，能夠更好地監測植被的健康信息。

對S2A數據的預處理工作，使用ESA官方發布的Sen2cor v2.8插件處理L1C級數據，得到經過輻射校正和大氣校正的L2A級數據。由于研究中使用了空間分辨率為10 m和20 m的部分波段，因此需要將空間分辨率為20 m的波段重采樣為10 m。

2.2 野外實測獲取

2.3 參考端元豐度獲取

為評價模型精度，2016年8月在研究區選取了111個樣地開展野外觀測工作，分別獲取每塊樣地PV和NPV的植被覆蓋度信息，同時利用全球定位系統記錄每個樣地在WGS84坐標系下的中心位置。植被覆蓋度信息測量采用針刺法(間隔1 m)，實際測量時，對于自然植被群落(圖1(b))，采用3個30 m測量帶交叉布置，測量帶兩兩之間夾角為60°(圖1(a))；對于平行排列的人工植被(圖1(d))，采用2個30 m的測量帶，相互垂直布置并與平行植被交叉角為45°(圖1(c))。觀測者記錄每米的物質類型，包括綠葉、隱花植物、凋落物以及不同類型的裸土。如果有中層(灌木)或上層(樹木)植被則利用儀器記錄頂層覆蓋率。當記錄的植被仍然附著葉片時，則記錄人員應按照葉片顏色判斷植被是否為光合植被。

圖1 現場測量帶布設

3 研究方法

3.1 光譜指數

1)NDVI。NDVI是利用光合植被對于紅、藍光的高吸收以及對綠光與近紅外的高反射這一獨有特性提出的。NDVI值取值范圍在-1～1之間，當NDVI值為負值是表示地表被水體、雪、云等覆蓋；土壤的NDVI值一般都為0，因為土壤在近紅外與紅光波段值近似相等；NDVI值為正值時表示地表有植被覆蓋，且植被覆蓋度與NDVI值呈正相關。

2)紅邊葉綠素指數(CIred-edge)。紅邊葉綠素指數是PV在680～750 nm波長范圍內受到葉綠素和細胞結構等因素影響，光譜曲線表現出明顯的波峰和波谷現象，致使PV有著明顯的紅邊光譜特征，且巖石、土壤和大部分凋落物并不存在該特征。

3)MCARI。葉綠素作為PV的獨有特征，因此葉綠素含量能夠有效地將PV從NPV、BS背景中區分開來。MCARI是基于高光譜數據提出的光合植被指數，利用550、700、750 nm 3個波段估算葉綠素含量效果更好，但是S2A多光譜數據未采集波長為750 nm的反射值，經研究發現，基于S2A多光譜數據的band 3、band 4和band 8構建的MCARI指數能夠很好地估算植被葉綠素含量。

4)DFI。DFI是總結NPV和BS在MODIS影像中的光譜特征提出的。本文總結NPV和BS在S2A影像中的光譜特征，發現在S2A影像與MODIS影像中NPV和BS有著相似的光譜特征：NPV與BS在665 nm(band 4)和842 nm(band 8)處的光譜曲線變化較于平緩，且反射值大于PV；在1 610 nm(band 11)附近PV與NPV出現波峰，BS反射值呈緩慢持續增長；在2 190 nm(band 12)附近PV與NPV出現波峰，BS出現波谷。

5)RSI。RSI是根據BS在S2A多光譜數據中的光譜特征曲線總結得出的表征土壤的指數。BS在665 nm(band 4)到842 nm(band 8)反射值增長相對于PV和NPV較小，且呈緩慢變化趨勢；在2 190 nm(band 12)處的反射值大于1 610 nm(band 11)處的反射值，且PV與NPV在2 190 nm(band 12)處的反射值小于1 610 nm(band 11)處的反射值。因此，總結出基于S2A多光譜數據的RSI，如式(1)所示。

(1)

式中：B4、B8、B11、B12分別代表S2A第4波段(red)、第8波段(NIR)、第11波段(SWIR)和第12波段(SWIR)。

3.2 像元三分模型

像元三分模型[11]是在端元已知的情況下，假定混合像元由PV、NPV以及BS 3個成分組成，通過線性模型來分解混合像元。理想情況下，影像的二維特征空間會表現為三角形，且所有混合像元的PV、NPV和BS理論上都分布在該三角形內，如圖2所示。

圖2 像元三分模型

如圖2所示，本文構建的NDVI-DFI、MCARI-DFI、CI-DFI 3個像元三分模型其二維特征空間均表現為三角形，符合像元三分模型的基本假設，且與理論上的基本概念一致。由圖2(a)可知，在理論上的像元三分模型中PV端元的NDVI值最大；NPV端元的NDVI與BS相近，DFI值最大；BS端元的NDVI值與DFI值均為最小；圖2(b)、圖2(c)、圖2(d)是依據地面控制性實驗測得純凈端元光譜計算得到。

3.3 線性指數模型

線性指數模型是像元三分模型在應用上的延伸，結合線性光譜混合模型的思路，由多光譜數據計算得到的指數替換影像波段，建立線性模型，分解像元得到各個端元覆蓋度的方法。本文使用的線性指數模型是在NDVI-DFI像元三分模型的基礎上加入RSI指數建立的線性指數模型，由式(2)至式(5)所示。

N=∑fiNi=fPVNPV+fNPVNNPV+fBSNBS

(2)

D=∑fiDi=fPVDPV+fNPVDNPV+fBSDBS

(3)

∑fi=fPV+fNPV+fBS=1

(4)

R=∑fiRi=fPVRPV+fNPVRNPV+fBSRBS

(5)

式中：N代表S2A數據的NDVI值；D代表S2A數據的DFI值；R表示S2A數據的RSI值；NPV/DPV/RPV、NNPV/DNPV/RNPV、NBS/DBS/RBS分別表示PV、NPV與BS的NDVI、DFI與RSI端元特征值；fPV、fNPV、fBS分別代表像元內PV、NPV和BS的占比。

4 結果分析

4.1 像元三分模型獲取fPV和fNPV結果分析

基于研究區的NDVI、MCARI、CIred-edge以及DFI指數，繪制NDVI-DFI、MCARI-DFI、CI-DFI特征空間(圖3)，特征空間均呈現出PV端元的NDVI、MCARI以及CIred-edge值較高；NPV端元的DFI值較高且NDVI、MCARI以及CIred-edge值較低；BS端元的NDVI、MCARI、CIred-edge以及DFI值均比較低。

在模型的特征空間圖中，值得注意的是，3個像元三分模型的特征空間均表現為三角形。由圖3可知，大部分像元主要集中在BS端元，表明研究區內裸土占比極高、植被覆蓋度低，與干旱區沙漠邊緣地帶植被覆蓋度低的實情一致。前人研究證明,NDVI指數能夠準確地表達植被生長情況[12]，在NDVI-DFI特征空間中PV端元少部分像元集中，反映出民勤綠洲植被情況良好。研究表明，民勤綠洲植被每年7、8月植被情況最好，該特征空間PV端元信息符合實情。因此，相較于MCARI-DFI、CI-DFI模型，NDVI-DFI模型的特征空間與PV/NPV時空分布最為相似。為了對NDVI-DFI、MCARI-DFI、CI-DFI構建各三分模型在估算fPV和fNPV性能上進行評價，構建模型并求解對應的端元豐度，同時利用實地測量端元豐度信息進行fPV和fNPV的精度評價。NDVI-DFI模型對fPV和fNPV估算的RMSE分別為0.059 0和0.051 0；CI-DFI模型對fPV和fNPV估算的RMSE分別為0.081 3和0.054 6；MCARI-DFI模型對fPV和fNPV估算的RMSE分別為0.085 9和0.059 6；NDVI-DFI模型相較于MCARI-DFI、CI-DFI模型表現出更好的估算效果，fPV和fNPV的估算精度最大提高了31.3%和14.4%。根據端元豐度散點圖(圖4)，NDVI-DFI模型估算結果更接近實測端元豐度，其中fPV散點位置分布均勻，且大部分點位于參考線(X=Y)附近，對于NPV，稀疏NPV覆蓋度的估算值分布均勻，且大量點位于參考線附近，隨著NPV覆蓋度的增加估算誤差變大；MCARI-DFI、CI-DFI模型的估算結果出現嚴重的堆積現象，估算值大量位于0附近。因此，本文采用NDVI-DFI模型估算fPV和fNPV的結果精度較其他兩個模型精度更高，結合端元豐度驗證散點分布，表明基于NDVI-DFI像元三分模型估算民勤綠洲稀疏植被覆蓋度是可行的。

注：綠色、紅色和藍色圓圈分別代表PV、NPV和BS端元的位置。圖3 特征空間

根據3個模型估算與實測fPV和fNPV散點圖(圖4)來看，fPV的估算在3個模型中均表現出低估現象，fNPV的估算均表現出高估現象，主要是由于像元三分模型在枯黃期對fNPV敏感，然而DFI與葉片含水量以及葉綠素含量密切相關，且每年7、8月為雨季生長期，因此PV與NPV的DFI值相對于其他時期相對較低且PV與NPV的相互重疊。成熟的理論基礎以及遙感技術的估算結果還是相對可靠的，NDVI-DFI像元三分模型的估算結果也驗證了這一結論。

圖4 像元三分模型估算fPV和fNPV精度分析圖

4.2 線性指數模型獲取fPV和fNPV結果分析

從4.1節得知，NDVI-DFI構建三分模型對PV和NPV覆蓋度獲取相對其他兩個指數具有更強的敏感性，因此本節在NDVI-DFI三分模型基礎上加入RSI指數，構建NDVI-DFI-RSI的線性指數模型，由式(2)至式(5)聯立組成4個方程，解算3個端元覆蓋度。如圖4所示，線性指數模型的精度分析圖與NDVI-DFI像元三分模型精度分析圖基本一致，但是線性指數模型的散點分布更加聚合，部分估算值更加接近實測值，線性指數模型估算fPV的RMSE為0.052 4，估算fNPV的RMSE為0.044 4。由以上結論可知，RSI指數的加入可以有效提高fPV和fNPV估算精度，將NPV/PV中BS誤分的部分有效分離，本文構建線性指數模型能夠提高干旱區稀疏植被覆蓋度估算精度。

4.3 線性指數模型與像元三分模型比較分析

像元三分模型屬于線性指數模型，都是通過指數與覆蓋度之間的線性關系求解fPV、fNPV和fBS。本文線性指數模型相較于像元三分模型增加土壤指數RSI參與建模，提高土壤在模型中的辨識度，以減少BS的誤分幾率。從繪制散點圖4(a)、圖4(d)來看，與NDVI-DFI像元三分模型fPV和fNPV估算精度散點分布圖比較，線性指數模型估算結果與實測結果相關性略有提高，且其散點分布更貼近于參考線(X=Y)，一定程度上緩解了PV的低估現象和NPV的高估現象。其次，從4.1節與4.2節得知，線性指數模型估算精度要優于像元三分模型，fPV和fNPV的估算精度分別提高了11.2%和12.9%。可見，將土壤指數RSI引入NDVI-DFI三分模型中能夠有效將BS從PV與NPV中分離出來，提高fPV和fNPV的估算精度。針對線性指數模型，指數與指數數量的正確選擇對fPV和fNPV估算精度的影響是不可忽略的。

5 討論

5.1 NDVI在干旱區的應用潛力

總結前人研究，像元三分模型利用多個波段計算指數，減少了端元光譜異質性以及影像質量等引起的誤差，有助于fPV、fNPV的估算[13]，且已有研究結果表明，無論是基于高光譜的像元三分模型(NDVI-CAI)還是基于多光譜的像元三分模型(NDVI-DFI)均能夠有效估算fPV和fNPV[14-17]。但是，像元三分模型受到指數與端元的關系、純凈端元提取、影像質量等因素的影響。本文利用MCARI、CIred-edge與DFI構建像元三分模型，得到的估算精度與NDVI-DFI三分模型估算精度具有較大差異，分析其原因可能主要是受到指數適用性的限制以及植被冠層結構不同的影響。經研究證實，NDVI與fPV呈線性關系[18-19]，DFI與fNPV呈線性關系[20-21]，結合4.1節實驗結果證明，NDVI-DFI像元三分模型能夠較好地估算fPV和fNPV。盡管MCARI能夠較好地估算葉綠素含量，同時葉綠素含量與光合植被覆蓋度之間具有很強的相關性[22]，但是MCARI對背景反射特性非常敏感，在低葉面積的情況下難以獲得較好的估算結果，不適用于稀疏植被的覆蓋度估算[23]。同樣，CIred-edge與植被葉綠素、氮含量具有顯著的線性關系[24]，但是該指數對葉綠素含量估算受到土壤濕度以及光照的影響[25]且表現出一定的地域性，估算效果不穩定[26]。同時，MCARI、CIred-edge都是基于小麥、油菜等構建的，其冠層特征與干旱區植被冠層差異較大，因此可能導致估算效果不理想，其在干旱區植被覆蓋度的估算效果還有待進一步驗證。

5.2 土壤指數

在傳統的植被指數構建理論中，考慮土壤影響并加以削弱，能夠提高植被指數對植被的敏感性[27]。Towers[28]、Xie等[29]基于考慮土壤因素的植被指數建立了關于LAI的最佳估算模型，有效提高估算精度。本研究基于線性混合像元分解理論，引入土壤指數，通過對比像元三分模型與線性指數模型估算fPV和fNPV發現，擁有土壤指數的線性指數模型的估算精度相對于像元三分模型略有提高，成功地將BS誤分為PV與NPV的部分分離出來，從而提高fPV和fNPV估算精度。同樣，本文線性指數模型是像元三分模型改進而來，同樣存在像元三分模型的局限，因此，增加的指數與端元覆蓋度之間有無線性關系影響著線性指數模型的估算結果。線性指數模型增加的RSI指數是總結Sentinel-2A的地物光譜特征曲線，表征土壤信息，該指數與土壤是否存在顯著的線性關系，有待進一步研究確定。在未來基于線性指數模型估算稀疏植被覆蓋度時，如何更好地選擇建模指數、參與建模指數數量以及純凈端元的確定將會是一個重要的研究方向。

6 結束語

本文基于對植被具有明顯特征優勢的Sentinel-2A多光譜數據，結合地面控制性實驗獲取純凈端元豐度和實測端元豐度信息，分別構建NDVI-DFI、MCARI-DFI、CI-DFI像元三分模型以及NDVI-DFI-RSI線性指數模型，尋求適合PV/NPV覆蓋度估算的最佳像元混合模型，探索線性指數模型在PV/NPV覆蓋度估算上的適用性。經研究得出以下結論。

1)植被指數NDVI-DFI、MCARI-DFI、CI-DFI特征空間均表現為三角形，符合像元三分模型構建的基本條件，因此本文構建了基于NDVI-DFI、MCARI-DFI、CI-DFI指數的像元三分模型，實現了干旱區稀疏PV/NPV覆蓋度估算。

2)參考構建3個像元三分模型精度來看，CI-DFI模型，fPV估算的RMSE為0.081 3(R2=0.550 5)，fNPV估算的RMSE為0.054 6(R2=0.651 7)；MCARI-DFI模型，fPV估算的RMSE為0.085 9(R2=0.552 1)，fNPV估算的RMSE為0.059 6(R2=0.654 3)；NDVI-DFI模型相較于MCARI-DFI、CI-DFI模型表現出更高的估算精度，fPV估算的RMSE為0.059 0(R2=0.773 8)，fNPV估算的RMSE為0.051 0(R2=0.8)。

3)在NDVI-DFI模型中融入RSI指數構建的線性指數模型可以提高fPV和fNPV的估算精度，fPV估算的RMSE為0.052 4(R2=0.776 4)，fNPV估算的RMSE為0.044 4(R2=0.811 5)，精度分別提高約11.2%和12.9%。因此，融入RSI指數的NDVI-DFI線性植被指數模型可以有效地提高估算稀疏植被的fPV和fNPV，為NPV覆蓋度估算精度的提高提供更可靠的理論基礎。