基于Sentinel-2A影像估算黃土高原光合/非光合植被蓋度

呂 渡,劉寶元,何 亮,張曉萍1,,程 卓,賀 潔

基于Sentinel-2A影像估算黃土高原光合/非光合植被蓋度

呂 渡1,2,劉寶元3*,何 亮3,張曉萍1,3,程 卓4,賀 潔3

(1.中國科學院水利部水土保持研究所,陜西 楊凌 712100；2.中國科學院大學,北京 100049；3.西北農林科技大學水土保持研究所,陜西 楊凌 712100；4.北京師范大學地理科學學部, 地表過程與資源生態國家重點實驗室,北京 100875)

以黃土高原為例,基于Sentinel-2A影像和地表實測地物光譜與蓋度數據,分別在模擬混合場景和野外實測混合場景中,評估4種NPV植被指數(NPVI):SWIR32(短波紅外比值指數)、DFI(干枯燃料指數)、STI(土壤耕作指數)和NDTI(歸一化差異耕作指數)估算非光合植被蓋度(NPV)的有效性,并利用優化法確定線性光譜混合模型的關鍵參數端元值,估算研究區光合植被蓋度(PV)和NPV.結果表明,在模擬混合場景下,4種NPVI與模擬NPV線性關系的2是0.365～0.750;在野外場景中,其相關性均有一定程度的降低,2是0.147～0.211.研究構建NDVI-SWIR32像元三分模型,并確定了最優端元值:NDVIPV=0.80,SWIR32PV=0.60, NDVINPV=0.17,SWIR32NPV=0.77,NDVIBS=0.23,SWIR32BS=0.99.模型對PV和NPV估算精度2分別是0.817和0.463,NSE分別是0.806和0.458.利用該模型估算全區2019年4、8和12月的平均PV和NPV,分別為20.3%和59.2%,48.6%和33.1%,10.7%和59.0%.隨時間推移,PV從東南向西北不斷增加而后減小,NPV與之相反. NDVI-SWIR32模型可以用于Sentinel-2A影像數據來監測黃土高原地區PV和NPV的時空動態變化.

Sentinel-2A；光合植被蓋度；非光合植被蓋度；線性光譜混合模型；黃土高原

植被從功能角度一般可以分為光合植被(PV)和非光合植被(NPV)[1].植被覆蓋度(FVC)作為植被因子的重要量化指標[2],被廣泛應用于各種生產力模型和土壤侵蝕預報模型中[3-6].準確預估光合植被蓋度(PV)和非光合植被蓋度(NPV)對于準確評價生態系統中植被主導的物質遷移和能量聚耗具有重要意義.

遙感技術作為區域植被覆蓋度估算的主要手段,方法主要包括光譜指數法和光譜混合分析法.NDVI(歸一化植被指數)是目前應用最為廣泛的用來估算PV的光譜指數[7].Daughtry等[8]基于NPV在短波紅外波段(SWIR,1100～2400nm)診斷性的反射特性,利用高光譜影像建立了CAI(Cellulose Absorption Index,纖維素吸收指數)估算了NPV.由于高光譜影像應用普遍性較差,學者們開始發掘多光譜影像SWIR波段的應用潛力,并基于不同的遙感影像建立了不同的非光合植被光譜指數(NPVI)去估算NPV.如基于TM影像構建的NDRI指數[9](Normalized Difference Residue Index,歸一化差異殘茬指數),STI指數[10">[10">[9](Normalized Difference Residue Index,歸一化差異殘茬指數),STI指數[10](Soil tillage index,土壤耕作指數).Guerschman等[11]基于MODIS數據建立了SWIR32(Shortwave Infrared Ratio,短波紅外比值指數)替代了CAI,對澳大利亞稀疏草原中的NPV蓋度有較好的估算效果.Cao等[12]根據不同種類NPV地物的高光譜曲線的分析,發現NPV在MODIS的第7波段和第6波段的比值明顯低于裸土(Bare soil, BS),由此建立了DFI指數(干枯燃料指數),對錫林郭勒草原地區的NPV蓋度進行了較高精度的估算,準確率達到80%. Landsat和MODIS影像已經成為區域植被蓋度估算的可靠信息源;目前, Sentinel- 2A(哨兵)衛星數據以其較短的重訪周期和高分辨率的優勢[13],成為開發監測PV和NPV變化工具的發展方向.

利用光譜混合分析法進行區域PV和NPV估算,最常見的是線性解混模型[14-15]. Guerschman等[11]在此基礎上,構建了基于光譜指數NDVI-CAI的線性像元三分模型,估算了澳大利亞稀疏草原的PV和NPV.李濤[16]和Wang等[17]通過篩選最優NPVI構建不同的像元三分模型,基于不同分辨率影像,進一步證實了該模型在我國錫林郭勒草原地區估算PV和NPV適用性.然而目前國內學者對NPV的研究主要集中在內蒙古典型草原等空間異質性較低的生態系統中的NPV反演. NDVI-NPVI像元三分模型在我國其它區域的應用還較少,而該模型反演的精度很大程度取決于純凈PV、NPV和BS的選擇[18].其假設的合理及普適性都需要進一步的驗證.

黃土高原地處半濕潤半干旱地區,起著重要的生態屏障功能.1999年實施“退耕還林還草”工程后,生態環境顯著改善[19].近年來,大量研究集中在利用GIMMS NDVI、SPOT NDVI和MODIS NDVI等遙感產品分析生態工程前后植被覆蓋演變[20-21].本研究將基于Sentinel-2A哨兵影像,通過優化法確定模型關鍵參數,嘗試構建“NDVI-NPVI”像元三分模型,為準確估算黃土高原PV和NPV提供可行算法,研究將為監測黃土高原的植被特別是NPV的覆蓋變化提供理論參考,為提高土壤侵蝕預報模型精度、評估生態屏障功能提供科技支撐.

1 研究區概況和數據源

1.1 研究區和調查樣地概況

圖1 黃土高原植被帶以及采樣點分布

Ⅰ為暖溫帶南部落葉闊葉林帶;Ⅱ為暖溫帶北部落葉闊葉林帶;Ⅲ為溫帶森林草原帶;Ⅳ為溫帶典型草原帶;Ⅴ為溫帶荒漠草原帶;Ⅵ為溫帶草原化荒漠帶[23]

表1 黃土高原2019年7種典型植被類型樣地基本信息

注:帶有“*”的植被是該樣地中的優勢種,代表每個樣地用于建模的植被蓋度樣本數; “-”表示無數據.

黃土高原(100°52′～114°33′E,33°41′～41°16′N,圖1),面積約62.4′104km2,是我國重要的自然地理單元和生態屏障區.該區屬于大陸性季風氣候,年平均氣溫9～12℃,年平均降雨量100～800mm,呈現從東南向西北遞減趨勢.地勢西北高、東南低,海拔72～4885m.地貌類型主要分為黃土丘陵和黃土塬,約占黃土高原面積的70%.植被表現出明顯的地帶性.主要土地覆被類型為耕地(38%)、森林(16%),草地(37%),灌木林(1%),裸地(4%)[22].本研究借助Google Earth工具,結合黃土高原植被分布特征,從南至北選擇7塊2km×2km大小的平坦均質樣地,代表7種典型植被類型,進行定點逐月觀測實驗,樣地位置如圖1所示,樣地基本信息見表1.

1.2 野外植被蓋度和地物光譜獲取

采用樣帶法[24],于2019年全年內逐半月/月野外調查樣地植被群落PV、NPV和BS的蓋度.樣帶法是在自然植被群落中,使用3個100m長的皮尺,從樣方中心點出發,使其交叉呈星形布設,對于平行播種的農業作物樣地,在確定中心點后,使用2個100m長的皮尺,使其交叉并與田壟呈45°角.地表覆蓋的測量是垂直向下,每隔1m記錄地物信息,包括:綠色植被、枯死植被、枯落物、苔蘚或者藻類和幾種裸露地面(即土壤物理結皮、巖石、擾動土壤).如果存在中間層(灌木層)或者上層(喬木層),需要向上觀察,記錄覆蓋情況.最后,通過將下層、中層和上層合并,以PV、NPV和BS分類,分別除以總數(300或200),計算出樣方內的FVC.共得到60組有效的蓋度數據.

地物光譜儀采用ASD-Field4便攜式高光譜儀,波段范圍350～2500nm,波長精度為0.5nm.每次野外作業,于晴天的10:00～14:00之間進行光譜測定,針對樣方中不同類別的植被和地物,盡可能多測量,做到應測盡測.在測量時離地物垂直距離為20～30cm,對喬木采集的是冠層光譜.剔除了1350～1420, 1790～ 1930nm處的兩段噪聲區[25],共測量整理得到PV端元221條,NPV端元169條,BS端元113條的高光譜實測數據.根據Sentinel-2A的光譜響應函數,將實測地物高光譜按照Sentinel-2A波段范圍重采樣.

1.3 遙感數據獲取與預處理

采用Sentinel-2A多光譜衛星數據,其分辨率為10m,重訪周期為10d[26].基于Google Earth Engine (GEE)平臺,提取了地面試驗開展的臨近時段內,樣帶法覆蓋的直徑為100m的影像范圍的像元值.具體操作是沿著樣點中心向皮尺的方向輻射,每次提取28個(10m×10m)像元的反射率值并進行平均,最終得到60組數據用于建模優化分析.Sentinel-2數據已經經過輻射定標和幾何矯正處理,基于GEE平臺最終篩選出了2019年云量較少的4月、8月和12月,共3期合成的去云全黃土高原的Sentinel-2A影像,用ESRI的10m 分辨率的土地利用數據(GEE數據庫位置:projects/sat-io/open-datasets/landcover/ ESRI_Global-LULC_10m),將影像上的水體和建設用地掩膜,用來完成空間尺度上的FVC估算.

1.4 野外樣地異質性檢驗

對觀測樣地的異質性進行了檢驗.對1.3節中每次野外測量同期的哨兵影像的28個像元,計算每個像元的NDVI,再利用變異系數CV來反映28個像元的NDVI值波動程度,CV大于20%則說明樣地的異質性較大[27].天然林地、草地、耕地等樣地NDVI的CV值均遠遠小于20%,然而沙地樣地在4月、5月、6月和8月的異質性分別為24.4%、36.3%、37.4%、26.6%.研究將會對沙地進行特別關注.

2 研究方法

2.1 光譜指數及評價

本研究中實地測量的PV與同期哨兵影像提取的NDVI之間存在顯著的線性關系(=1.2876- 0.1751,2=0.838, RMSE=0.06).因此,選擇NDVI來表征PV.實測的地物光譜反射率曲線表明(圖2),指征NPV的植被指數(NPVI)應該要包含診斷波段SWIR2和SWIR3(對應于Sentinel的11和12波段).

選擇包含這兩個波段的4種NPVI:SWIR32、DFI、STI和歸一化差異耕作指數(NDTI),通過比較NPVI與NPV之間的決定系數(2)和均方根誤差(RMSE)來評估它們指征NPV的有效性.所選植被指數的計算公式如下[10-11,28]:

式中:RED,NIR,SWIR2,SWIR3分別代表Sentinel-2A衛星的紅、近紅外、短波紅外2和短波紅外3的反射率.

圖2 耕地樣地中的實測PV/NPV/BS反射率曲線及Sentinel-2A的部分波段范圍

橫坐標1～12表示Sentinel影像的12個波段號

2.2 三元線性光譜混合模型

線性光譜混合模型假設,一個混合像元內的信息是由像元內端元信息以其所占像元面積比例為權重系數的線性組合[29].Guerschman等[11]提出的基于光譜指數的三元線性光譜混合分析法,其原理見下式:

式中: NDVImix和CAImix是混合像元的NDVI和CAI值. NDVIPV、NDVINPV、NDVIBS與CAIPV、CAINPV、CAIBS這6個端元值是影響線性光譜混合模型精度的重要參數[30].

本研究通過構建模擬混合場景來評估不同NPVI估算FVC的理論精度.具體操作是,利用在耕地樣地3月采集的小麥綠葉(PV)、玉米殘茬(NPV)和裸土(BS)的平均光譜(圖2)作為示例,將其重采樣到Sentinel-2A的波段范圍,采用表2中公式計算各植被指數,并作為模擬端元值.然后設定PV,NPV和BS在0～1的范圍內分別以0.1為步長變化,具體為(0,0,1),(0,0.1,0.9),…,(0,1,0);(0.1,0,0.9),(0.1,0.1,0.8),…,(0.1,0.9,0);…(0.9,0,0),(0.9,0.1,0),(1,0,0),將圖2的示例曲線分別按照以上的66組假設蓋度計算得到66條模擬混合光譜曲線,用以構建模擬混合場景.

2.3 端元值的確定

本研究基于豐富的現場實測蓋度數據,采用優化法確定最佳端元值.步驟如下:

(1)根據Sentinel-2A的光譜響應函數,將7種樣地的純凈PV、NPV和BS地物的實測光譜重采樣到相應波長范圍,計算其NDVI和NPVI(研究選擇SWIR32指數)值,確定純凈地物光譜指數變化范圍.

(2)提取與野外同期對應的哨兵影像波段反射率,計算60組影像像元的NDVI和NPVI(SWIR32)值.再隨機分為兩組,一組為優化組,共40組數據;另一組為驗證組,共20組數據.所用的目標函數是:

式中: RMSEPV、RMSENPV和RMSEBS分別是估算值與實測PV、NPV和BS蓋度之間的均方根誤差,6個端元值的約束條件在步驟(1)確定的范圍內,優化步長為0.01.重復上述步驟,直到確定出值最小的一組端元值.

(3)采用決定系數(2)、Nash-Sutcliffe模型效率系數(NSE)和均方根誤差(RMSE)3個指標對線性解混模型在估算FVC中的效果進行評價[15].

3 結果與分析

3.1 光譜指數與模擬fNPV的相關性

表2 三種混合場景下不同光譜指數與模擬fNPV的回歸分析結果

注:以上回歸分析進行顯著性檢驗,**<0.01,*<0.05.

基于線性光譜混合理論模型,將模擬場景下PV、NPV、BS的66條混合光譜曲線分為PV-NPV、NPV-BS和PV-NPV-BS這3類,分別為11,11和44組.分別討論這3種混合場景下4種NPVI與NPV(以0.1為步長,在0～1變化的模擬蓋度)的回歸分析結果.結果表明(表2), SWIR32隨著NPV的增加而增大,DFI、STI和NDTI是隨著NPV的增加而減小.證明了Sentinel-2A的SWIR波段在估算NPV上的理論可行性.NPVI指數在NPV-BS場景與NPV的線性擬合關系達到了顯著水平(<0.05).決定系數2變化范圍是0.365～0.992,均方根誤差RMSE為0.299～ 1.138. PV-NPV-BS混合場景下4種指數擬合的2相對于PV-NPV混合場景雖有一定程度下降,也能達到0.365～0.750.相對來說,SWIR32指數在不同混合場景下的估算精度均較高.

3.2 光譜指數與實測fNPV的相關性

在野外實際情況下,基于遙感像元計算的4種NPVI與實測NPV的線性擬合2變化范圍是0.147～ 0.211(表3).分植被類型來看,4種NPVI與林地、灌木、草地樣地中實測的NPV均表現出顯著和極顯著相關性,然而在耕地和沙地中相關性不大.其中,NPVI對天然林地(秦嶺和黃陵)的NPV估算精度均較高,2最大.SWIR32、STI、NDTI三個指數2都在0.96以上,DFI指數2也在0.85以上.其次是對草地、人工灌木林地和人工喬木林地NPV估算,2在0.492～0.735間.整體來看,實際混合場景中, SWIR32估算的RMSE最小,為0.411,2也只有0.147,對其它植被類型的NPV估算精度并不全都是最優.但是考慮到其在模擬混合場景中表現出較高的有效性,實際場景中總體擬合效果差也主要是受沙地的影響,本研究決定采用SWIR32作為適宜黃土高原地區的NPVI,結合NDVI建立像元三分模型,估算該區NPV.

表3 不同光譜指數和地表實測fNPV之間的線性關系

注:以上回歸分析進行顯著性檢驗,**<0.01,*<0.05.

3.3 端元值的確定

基于在7塊樣地累積一年實測的不同PV、NPV和BS地物的光譜曲線,計算NDVI和SWIR32指數(基于Sentinel-2A波段范圍),建立端元值的約束條件(表4),優化得到一組最優端元值,即NDVIPV為0.80,NDVINPV為0.17,NDVIBS為0.23,SWIR32PV為0.60,SWIR32NPV為0.77,SWIR32BS為0.99.將該組端元值分別帶入優化組和驗證組,得到FVC預測值與觀測值之間的線性關系(表4)和散點圖(圖3).結果表明, NDVI-SWIR32模型對樣地尺度PV和NPV蓋度的估算值與實測值之間有極顯著的線性關系,2分別達到0.817和0.463,NSE分別是0.806和0.458.

表4 優化過程中各個端元值的約束條件及模型估算結果與實測蓋度的線性關系(n=60)

注:以上回歸分析進行顯著性檢驗,**<0.01,*<0.05.

每幅圖中異質性較高的沙地樣地的點,基本分布在=線附近,對于估算精度的影響并不明顯.值得注意的是,4種NPVI與沙地實測NPV的線性關系都不顯著(表3).研究利用不包括沙地的其它52組數據重新進行優化及驗證,其中優化組共34組數據(RMSEPV=0.161,RMSENPV=0.223,RMSEBS=0.106),驗證組共28組數據(RMSEPV=0.133,RMSENPV= 0.234,RMSEBS=0.163),優化精度與包含沙地數據的結果相差不大(表4).說明本研究中沙地對參數優化精度沒有顯著影響.

圖a表示優化組中PV蓋度觀測值與估算值的散點分布,圖c表示優化組中NPV蓋度觀測值與估算值的散點分布,圖e表示優化組中BS蓋度觀測值與估算值的散點分布;圖b表示驗證組中PV蓋度觀測值與估算值的散點分布,圖d表示驗證組中NPV蓋度觀測值與估算值的散點分布,圖e表示驗證組中BS蓋度觀測值與估算值的散點分布;每幅圖中兩個黑色實心圓點,表示像元組提取NDVI的CV值超過20%的沙地樣地

3.4 fPV和fNPV的估算結果

根據上述確定的最佳端元,構建NDVI-SWIR32像元三分模型,對2019年4,8和12月的Sentinel-2A影像進行了解混,如圖4所示.黃土高原4月PV和NPV總蓋度為79.5%,8月為81.7%,12月為69.6%.12月總蓋度略有降低,可能是由于影像數據有一定程度的缺測造成.隨著溫度升高,4月植被開始逐漸返綠,PV只有20.3%,NPV還保持在59.2%.8月植物生長旺盛,PV迅速增長至48.6%,NPV下降但仍占33.1%;12月PV迅速下降至10.7%,NPV返至4月水平,為59.0%.三期影像解混結果表明,BS在月際間相對穩定,與實際情況基本相符.該區PV全年基本呈現東南和中部較高,西北較低的分布特征,與降雨量在年內的分布特征基本一致.夏季PV高的地區主要分布在南部的秦嶺林區和中部的子午嶺林區,變化總體與野外調查情況一致.南部及中部的部分地區在冬季PV仍較高,這可能與該區主要糧食作物冬小麥的分布有關.東南和中部的PV隨著時間的變化量也明顯大于西北.全區NPV在冬春季節呈現東南和中部高,西北較低的分布特征,而在夏季的規律則相反.

4 討論

4.1 光譜指數對模型精度的影響

在模擬混合場景下,4種NPVI與模擬NPV的線性相關性都較高,而且估算結果之間存在明顯的差異.由于野外環境下,太陽高度、大氣狀況、植被類型等因素對衛星接收地表反射率的影響,與理論分析結果相比,野外情況下的NPVI估算精度有所降低,結果之間的差異也并不明顯,尤其是在草地、人工灌木林地和人工喬木林地中.可能是由于這3種樣地都處于干旱半干旱區,基本的物種類型和地貌形態都相似.而且人工灌木林以檸條為主要物種,人工喬木林以幼林齡的油松為主要物種,長勢較低矮、稀疏.三者的生境比較接近,因此植被指數在這3種樣地上的有效性也比較相似.4種指數與耕地和沙地NPV的線性關系不顯著.這可能與被觀測地物的性質有關.6月初小麥剛成熟,根據顏色判斷成熟的小麥為NPV,但是實際上小麥此時并不完全表現為NPV的波譜特征,會引起實測值與遙感觀測值之間的誤差.9月時的玉米屬于開花期,大量玉米櫻的存在,會導致遙感影像不表現為純PV指征[31].可見,野外蓋度觀測的主觀性還是不免會為結果引入誤差[15].

基于綜合考慮,研究構建了NDVI-SWIR32模型.其中NDVI與實測PV顯著相關,本研究也證實了SWIR32指數基本與多種植被類型樣地中的實測NPV均有良好的線性相關性,與Guerschman等[11]的研究結果一致. Wang等[17]基于DFI指數構建像元三分模型,在區域NPV估算中也取得了良好的結果.在今后的研究中,可嘗試分別利用STI和NDTI與NDVI構建像元三分模型,探索更多多光譜指數估算NPV的可能性.本研究中,4種NPVI與沙地實測NPV的線性關系均較差.有研究發現,土壤性質、水分和顏色對NDVI-SWIR32模型的估算精度并沒有顯著影響[32],因此猜測還可能是由于沙地的裸沙占比較大,BS的背景減弱了NPV的光譜特征[33].也有可能是因為沙地的實測蓋度數據較少(=8),影響了估算結果.

4.2 端元值對模型精度的影響

一般情況下,端元值的確定方法分為影像端元法和實測端元法.柴國奇等[15]基于Sentinel-2A影像,利用影像端元法,對錫林郭勒草原的FVC進行了估算(NPV估算的RMSE為0.09,2為0.61).本研究的估算2與其相近,RMSE略大,這可能還是由于研究區復雜的地形和植被引起的誤差.盡管是10m分辨率的影像,要通過相關算法(PPI算法等)得到大量影像上的純凈像元,在黃土高原這樣異質性較高的地區,也必定會引入誤差.此外,影像端元法存在著同物異譜的現象,對模型估算精度具有較大的影響[34].本研究結合實測的端元光譜確定了純凈端元變化范圍,并利用優化試算法進行最佳端元值的確定,在一定程度上彌補了影像端元法的缺點.

端元值取值對估算精度的影響比較大.表5是采用Guerschman估算全球FVC時NDVI-SWIR32模型的端元值[27]在本研究區樣地尺度估算植被蓋度的結果.與本研究估算結果對比發現,兩者對PV的估算精度比較一致.利用哨兵影像和優化法確定的黃土高原端元值對NPV和BS的估算精度更高,2分別增加了37%和40%,RMSE分別減小了36%和50%,NSE指數分別達到了0.458和0.577,認為達到了可以接受的程度[35].在地形、植被復雜地區使用高精度Sentinel-2A估算區域NPV還鮮少有研究.研究結果表明該區的NPV在夏季仍占地表總覆被的40%,若只考慮PV而不考慮NPV,則可能會使黃土高原植被生態效益低估達40%.結果顯示該區PV與NPV隨時間的變化與植被物候規律一致,其在區域上的分布符合野外實際調查的情況,與該區雨量空間分布規律相吻合[36].因此可應用該影像數據與模型進行該區更長時間序列的PV與NPV植被動態變化監測,補充該區關于NPV的研究.

野外實測蓋度數據與影像數據也不完全同期,尤其對于春季和秋季,地表PV、NPV、BS組分變化較快的時期,也會在一定程度上影響FVC的估算精度[15].盡管本研究已經在時間尺度上進行了不同植被類型下的蓋度觀測,但是樣地數量相對還較少.因此在后續的研究中,可以考慮從以下幾點方向增加模型估算FVC的精度:1)加入更大時空范圍內的野外地表蓋度測量,引入多維度測量方法,以提高地面FVC的準確性,例如加入無人機對FVC的圖像解譯;2)加入更多的地表最純凈地物端元的高光譜測量,以幫助最佳端元值的確定;3)對比使用傳統的線性光譜混合模型解混該區FVC,以確定最優的混合像元解混方法.

表5 利用Guerschman端元值估算的FVC與實測蓋度的線性關系(n=60)

注:以上回歸分析進行顯著性檢驗,**<0.01,*<0.05.

5 結論

5.1 4種NPVI(SWIR32,DFI,STI,NDTI)與模擬NPV均表現出顯著相關性,與天然林地、人工檸條林地、人工油松林地和草地中實測的NPV線性相關性最好,與沙地的最差.總體上SWIR32有效性較高.

5.2 像元三分模型中的端元值是影響其精度的關鍵.利用優化法確定的NDVI-SWIR32端元值分別是:NDVIPV=0.80,SWIR32PV=0.60,NDVINPV=0.17, SWIR32NPV=0.77, NDVIBS=0.23, SWIR32BS=0.99.模型估算PV和NPV的2分別是0.817和0.463,NSE分別是0.806和0.458.

5.3 利用該模型,以Sentinel-2A為數據源,估算研究區2019年4、8、12月的PV和NPV分別為20.3%和59.2%,48.6%和33.1%,10.7%和59.0%,其時空動態變化規律與實地調查結果及植被物候特征相符.本研究方法可用于黃土高原PV和NPV的時空動態變化的快速監測.

[1] Feng Q, Zhao W, Ding J, et al. Estimation of the cover and management factor based on stratified coverage and remote sensing indices: A case study in the Loess Plateau of China [J]. Journal of Soils and Sediments, 2018,18(3):775-790.

[2] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction [J]. Remote Sensing of Environment, 2002,80(1):76-87.

[3] Liu B, Zhang K, Yun X. An empirical soil loss equation; proceedings of the Proc 12th ISCO Conf, F [C]. Beijing, 2002.

[4] Renard K G, Foster G R, Weesies G A, et al. Predicting soil erosion by water: A guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE) [M]. United States Government Printing, 1997.

[5] Wischmeier W H, Smith D D. Predicting rainfall erosion losses: a guide to conservation planning [M]. Department of Agriculture, Science and Education Administration, 1978.

[6] 江忠善,鄭粉莉.坡面水蝕預報模型研究 [J]. 水土保持學報, 2004,18(1):66-69.

Water Erosion Prediction Model at Hillslope Scale [J]. Journal of Soil and Water Conservatio, 2004,18(1):66-69.

[7] Gillies R R, Carlson T N. Thermal remote sensing of surface soil water content with partial vegetation cover for incorporation into climate models [J]. Journal of Applied Meteorology, 1995,34(4):745-756.

[8] Daughtry C S T, Mcmurtrey J E, Chappelle E W, et al. Measuring crop residue cover using remote sensing techniques [J]. Theoretical & Applied Climatology, 1996,54(1/2):17-26.

[9] Gelder B, Kaleita A, Cruse R. Estimating mean field residue cover on midwestern soils using satellite imagery [J]. Agronomy journal, 2009, 101(3):635-643.

[10] van Deventer A P, Ward A D, Gowda P H, et al. Using thematic mapper data to identify contrasting soil plains and tillage practices [J]. Photogrammetric Engineering and Remote Sensing, 1997,63(1): 87-93.

[11] Guerschman J P, Hill M J, Renzullo L J, et al. Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO-1Hyperion and MODIS sensors [J]. Remote Sensing of Environment, 2009,113(5):928-945.

[12] Cao X, Chen J, Matsushita B, et al. Developing a MODIS-based index to discriminate dead fuel from photosynthetic vegetation and soil background in the Asian steppe area [J]. International Journal of Remote Sensing, 2010,31(6):1589-1604.

[13] 歐陽倫曦,李新情,惠鳳鳴,等.哨兵衛星Sentinel_1A數據特性及應用潛力分析 [J]. 極地研究, 2017,29(2):286-295.

Ouyang L X, Li X Q, Hui F M, et al. Sentinel-1A data products’ characteristics and the potential applications [J]. Chinese Journal of Polar Research, 2017,29(2):286-295.

[14] 鄭國雄,李曉松,張凱選,等.渾善達克沙地光合/非光合植被及裸土光譜混合機理分析 [J]. 光譜學與光譜分析, 2016,36(4):1063-1068.

Zheng G X, Li X S, Zhang K X, et al. Spectral mixing mechanism analysis of photosynthetic/non-photosynthetic vegetation and bared soil mixture in the hunshandake(Otindag) sandy land [J]. Spectroscopy and Spectral Analysis, 2016,36(4):1063-1068.

[15] 柴國奇,王靜璞,鄒學勇,等.基于Sentinel-2數據的典型草原光合/非光合植被覆蓋度估算 [J]. 草業科學, 2018,35(12):2836-2844.

Chai G Q, Wang J P, Zou X Y, et al. Estimating fractional cover of photosynthetic/non-photosynthetic vegetation in a typical steppe region based on sentinel-2data [J]. Pratacultural Science, 2018,35(12): 2836-2844.

[16] 李 濤,李曉松,李 飛.基于Hyperion的錫林郭勒草原光合植被、非光合植被覆蓋度估算 [J]. 生態學報, 2015,35(11):3643-3652.

Li T, Li X S, Li F. Estimating fractional cover of photosynthetic vegetation and non-photosynthetic vegetation in the Xilingol steppe region with EO-1hyperion data [J]. Acta Ecologica Sinica, 2015,35 (11):3643-3652.

[17] Wang G, Wang J, Zou X, et al. Estimating the fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil from MODIS data: Assessing the applicability of the NDVI-DFI model in the typical Xilingol grasslands [J]. International Journal of Applied Earth Observation and Geoinformation, 2019,76:154-166.

[18] Mishra N B, Crews K A, Okin G S. Relating spatial patterns of fractional land cover to savanna vegetation morphology using multi-scale remote sensing in the Central Kalahari [J]. International Journal of Remote Sensing, 2014,35(6):2082-2104.

[19] 何 亮,呂 渡,郭晉偉,等.基于MODIS的北洛河流域植被蓋度變化研究 [J]. 人民黃河, 2020,42(2):67-71.

He L, Lyu D, Guo J W, et al. Study on vegetation coverage change of beiluo river basin based on MODIS [J]. Yellow River, 2020,42(2): 67-71.

[20] 劉國彬,上官周平,姚文藝,等.黃土高原生態工程的生態成效 [J]. 中國科學院院刊, 2017,32:11-19.

Liu G B, Shangguan Z P, Yao W Y, et al. Ecological effects of soil conservation in Loess Plateau [J]. Chinese Academy Journal, 2017, 32:11-19.

[21] Chen N, Ma T, Zhang X. Responses of soil erosion processes to land cover changes in the Loess Plateau of China: A case study on the Beiluo River basin [J]. Catena, 2016,136:118-127.

[22] Sun R, Chen S, Su H. Spatiotemporal variations of NDVI of different land cover types on the Loess Plateau from 2000 to 2016 [J]. Progress in Geography, 2019,38(8):1248-1258.

[23] 王義鳳.黃土高原地區植被資源及其合理利用 [M]. 北京:中國科學技術出版社, 1991.

Wang Y F. Vegetation Resources and their Rational Utilization in the Loess Plateau Region [M]. Beijing: Science and technology of China press, 1991.

[24] Muir J S, M., Tindall, D., Trevithick, R., Scarth, P., & Stewart, J. B. Field measurement of fractional ground cover: a technical handbook supporting ground cover monitoring for Australia [J]. 2011.

[25] Lyu D, Liu B, Zhang X, et al. An experimental study on field spectral measurements to determine appropriate daily time for distinguishing fractional vegetation cover [J]. Remote Sensing, 2020,12(18):2942.

[26] Drusch M, Del Bello U, Carlier S, et al. Sentinel-2: ESA's optical high-resolution mission for GMES operational services [J]. Remote Sensing of Environment, 2012,120:25-36.

[27] Guerschman J P, Oyarzabal M, Malthus T, et al. Evaluation of the MODIS-based vegetation fractional cover product [J]. 2012.

[28] Gates D M, Keegan H J, Schleter J C, et al. Spectral properties of plants [J]. Applied Optics, 1965,4(1):11-20.

[29] Asner G P, Heidebrecht K B. Spectral unmixing of vegetation, soil and dry carbon cover in arid regions: Comparing multispectral and hyperspectral observations [J]. International Journal of Remote Sensing, 2002,23(19):3939-3958.

[30] 李曉錦.基于混合像元分解的植被覆蓋度估算及動態變化分析 [D]. 西安:西北大學, 2011.

Li X J. Estimation and dynamic change analaysis of vegetation fractional coverage based mixed-pixel unmixing model in the Loess Plateauy [D]. Xi’an: Northwest University, 2011.

[31] 唐延林,王秀珍,王人潮.玉米高光譜及其紅邊特征分析 [J]. 山地農業生物學報, 2003,22(3):189-194.

Tang Y L, Wang X Z, Wang R C. Study on the hyperspectral and their red edge characteristics of corn [J]. Journal of Mountain Agriculture and Biolog, 2003,22(3):189-194.

[32] Guerschman J P, Scarth P F, McVicar T R, et al. Assessing the effects of site heterogeneity and soil properties when unmixing photosynthetic vegetation, non-photosynthetic vegetation and bare soil fractions from Landsat and MODIS data [J]. Remote Sensing of Environment, 2015,161:12-26.

[33] Serbin G, Daughtry C S T, Hunt E R, et al. Effects of soil composition and mineralogy on remote sensing of crop residue cover [J]. Remote Sensing of Environment, 2009,113(1):224-238.

[34] 王光鎮,王靜璞,鄒學勇,等.基于像元三分模型的錫林郭勒草原光合植被和非光合植被覆蓋度估算 [J]. 生態學報, 2017,37(17):5722- 5731.

Wang G Z, Wang J P, Zou X Y, et al. Estimation of fractional cover of photosynthetic and non-photosynthetic vegetation in the Xilingol steppe region using the NDVI-DFI model [J]. Acta Ecologica Sinica, 2017,37(17):5722-5731.

[35] Popov E. Gidrologicheskie prognozy (Hydrological forecasts) [J]. Leningrad: Hydrometeoizdat, 1979,126:256.

[36] Xu X, LYU D, Lei X, et al. Variability of extreme precipitation and rainfall erosivity and their attenuated effects on sediment delivery from 1957 to 2018 on the Chinese Loess Plateau [J]. Journal of Soils and Sediments, 2021,21(12):3933-3947.

致謝：感謝楊希華老師帶來的研究興趣點;感謝許小明,易海杰,薛帆,鄒亞東,郭晉偉,王舉鳳,黃濤,曹琦,趙明,蘇敬博等同學在野外采樣時的幫助;感謝北京師范大學周紅敏老師對光譜儀使用的指導.

Sentinel-2A data -derived estimation of photosynthetic and non-photosynthetic vegetation cover over the loess plateau.

Lü Du1,2, LIU Bao-yuan3*, HE Liang3, ZHANG Xiao-ping1,3, CHENG Zhuo4, HE Jie3

(1.Institute of Soil and Water Conservation, Chinese Academy of Sciences and Ministry of Water Resources, Yangling 712100；2.University of Chinese Academy of Sciences, Beijing 100049；3.Institute of Soil and Water Conservation, Northwest A&F University, Yangling 712100；4.State Key Laboratory of Earth Surface Processes and Resource Ecology, School of Geography, Beijing Normal University, Beijing 100875)., 2022,42(9)：4323～4332

In this study, we evaluated four non-photosynthetic vegetation indices (NPVI), including Shortwave Infrared Ratio (SWIR32), Dead Fuel Index (DFI), Soil Tillage Index (STI) and Normalized Difference Tillage Index (NDTI) for Non-photosynthetic Vegetation (NPV) estimation in the simulated and field mixed scenarios, respectively, and applied them to estimateNPVusing Sentinel-2A data (10m) over the Loess Plateau. We applied a linear unmixing model to estimatePhotosynthetic Vegetation (PV) andNPVbased on the triangular relationship between Normalized Vegetation Difference Index (NDVI) and NPVI (e.g., SWIR32). The NDVI-NPVI endmember values were determined. The results showed that the correlation coefficient (2) between each NPVI and simulatedNPVwas between 0.365 to 0.750, and 0.147 to 0.211 between each NPVI andNPVunder the field mixed scenario. Using this approach, we estimated the Loess Plateau’s averagePVandNPVfor April, August and December in 2019, being 20.3% and 59.2%, 48.6% and 33.1%, and 10.7% and 59.0%, respectively. The2of the model forPVandNPVestimation reached 0.817 and 0.463, respectively, while the NSE was 0.806 and 0.458, respectively. The results also revealed the seasonal variationPVfrom southeast to northwest over time, and the opposite trend forNPV. Our study suggests that the NDVI-SWIR32 model can be used with Sentinel-2A data to adequately monitor the spatiotemporal dynamics ofPVandNPVin the Loess Plateau.

Sentinel-2A；photosynthetic vegetation；non-photosynthetic vegetation；linear spectral mixture model；the Loess Plateau

X171,TP79

A

1000-6923(2022)09-4323-10

2022-02-08

國家自然科學基金資助項目(41877083)

*責任作者, 教授, baoyuan@bnu.edu.cn

呂 渡(1992-),女,陜西西安人,中國科學院教育部水土保持與生態環境研究中心博士研究生,研究方向為生態遙感.