《毕业论文（设计）-基于ETM+ 图像的植被覆盖度遥感估算模型38740.doc》由会员分享，可在线阅读，更多相关《毕业论文（设计）-基于ETM+ 图像的植被覆盖度遥感估算模型38740.doc（9页珍藏版）》请在三一文库上搜索。
1、顾祝军等：基于ETM+图像的植被覆盖度遥感估算模型 779基于ETM+图像的植被覆盖度遥感估算模型顾祝军1, 2, 3，曾志远2*，史学正1, 3，郑伟2，张振龙2，胡子付21. 土壤与农业可持续发展国家重点实验室/中国科学院南京土壤研究所，江苏 南京210008；2. 南京师范大学地理科学学院，江苏 南京210097；3. 中国科学院研究生院，北京100039摘要：植被覆盖度（VFC）的定量遥感是多种地表过程研究的迫切需要。文章选用南京市一幅Landsat 7 ETM+图像，经大气校正后提取了归一化植被指数（NDVI），与地面实测的植被覆盖度进行回归分析，建立了14次多项式关系模型。结果表明
2、，NDVI与VFC呈极显著的正相关关系（r = 0.874, P 0.001）。在NDVI-VFC的14次多项式关系模型中，模型幂次越高，拟合程度越好。综合考虑模型的精度和稳定性，3次多项式模型作为最优模型推荐使用：VFC = -1.3438 NDVI 3 + 0.9774 NDVI 2 + 0.9988 NDVI + 0.1507 (R2 = 0.7961, RMSE = 0.1094)，该模型精度在植被中等密集区域（VFC0.40.8）最高，植被稀疏区域（VFC 0.8）居中。模型可直接用于全图像的VFC计算，并可通过植被指数的校准，进行推广使用。关键词：ETM+；NDVI；植被覆盖度；模
3、型中图分类号：F301.24；TP79；Q948 文献标识码：A 文章编号：1672-2175（2008）02-0771-06植被不仅是重要的环境要素，也是陆地生态系统敏感的状态指示因子。植被覆盖度 (Vegetation Fractional Coverage，VFC)，作为反映地表植被分布特征的定量指标，是景观生态1、气候变化2和水土流失3等多种地表过程研究的关键参数。因此，如何精确高效地获取地表植被覆盖度，一直受到人们的普遍关注。植被覆盖度的获取主要包括地表实测和遥感估算两种方法，前者多用于田间尺度，后者多服务于区域尺度（地区、国家乃至全球）的VFC监测。自20世纪70年代以来，VFC的
4、遥感监测在全世界得到了蓬勃发展。在VFC遥感监测的各种方法中，最为简便、使用时间最久的是基于遥感数据与VFC进行回归分析的经验模型法。人们对多种遥感图像、不同波段或波段组合与VFC之间的相互关系做了广泛研究4。Graetz等5 将Landsat MSS第5波段与VFC实测数据进行回归分析，并利用得到的回归模型估算了澳大利亚南部半干旱稀疏草地的植被覆盖度，结果证明利用MSS影像的单波段可以概略估测区域地表植被覆盖度。North6基于ATSR-2遥感图像，将555 nm、670 nm、870 nm和1630 nm四个波段数据与植被覆盖度进行线性回归，结果表明使用四波段组合的线性混合模型估算植被覆盖
5、度较好。随着研究的深入，利用遥感数据波段线性和非线性组合而形成的各种植被指数在VFC遥感估算中的作用日益得到认可，其中使用最为广泛的是归一化植被指数（Normalized Difference Vegetation Index，NDVI）。Dymond等7运用SPOT影像建立地表植被覆盖度与NDVI（该文称为NVI）之间的非线性关系模型，成功估测了新西兰南部典型草原的植被覆盖度。Wittich 和Hansing8 使用NOAA/AVHRR数据研究了德国西部草地(包括农田和森林)的VFC与NDVI 之间的线性和非线性关系模型，结果表明对于范围较大且异质性较强的研究区，线性关系模型更适合。从上述报
6、道可见，现有研究多位于植被类型较为均一的干旱半干旱地区9, 而用于VFC遥感监测的适宜波段随不同的植被、不同的研究区域存在差异，植被指数与VFC的关系模型及其预测能力也不尽相同，所以有必要进一步深入研究和定量分析植被指数与VFC的相互关系。本文目的是在植被类型较为复杂的地区分析VFC和植被指数的关系，建立VFC估算模型，并提出模型的推广使用方法，以期为更大范围的VFC估算提供理论基础和技术途径。1 材料与方法1.1 基础数据遥感数据选用 Landsat 7 ETM+图像 (列号 120, 行号038)，成像时间为2001年11月6日。遥感影像覆盖了南京市主城区及郊区，其中研究区面积约820 k
7、m2 (11838E, 3156N) (图1)。研究区地形主要为低山丘陵和沿江平原，平原海拔多为710 m，城东南的紫金山海拔448 m, 是全市最高峰。气候类型为亚热带季风气候，年平均气温15.1 ，年平均降雨量1019 mm，降雨集中在68月的夏季，雨热同期。乔木、灌木和草本植被都有大量分布。采样区草本植物主要分布于河谷、滨湖的平原，以及长江中的洲地，灌木和林地采样区多分布于坡度小于15的低缓丘陵区。此外，为了便于实测样方的选取和布局，还使用了110000地形图, 150000土地利用图, 和1600000植被类型图作为基础数据10。1.2 研究方法1.2.1 植被覆盖度地面实测为确定实测
8、位置，首先参考地形图、植被类型图和遥感影像目视判读结果，用Ringrose等11的方法选取了15个样区。每个样区布置样方25个，这样共实测了57个样方，样方大小与所用遥感影像空间分辨率对应，为30 m 30 m (图1)。样方经纬度位置用Starlink Invicta 210型差分GPS测量 (RAVEN Industries, INC. USA)。为进行遥感图像几何校正，还实测了道路交叉点、桥梁中部等12个地面控制点(GCP)的经纬度。VFC测量于2002年11月份进行，与卫星图像成像月份一致。测量使用数码相机垂直照相法12。在每个样方内均匀选择58个拍摄点，拍摄点距地面垂直高度约2 m，
9、灌草样方和林地样方分别采用固定在套杆上的数码相机垂直向下和垂直向上拍摄，即相机主光轴垂直于地面，镜头分别向下和向上。拍摄时采用遥控器控制快门。相机型号为Canon PowerShot G5 (Canon Co., Japan)，分辨率2592 1944像元。相片的地物用Purevdorj等9的方法在遥感图像通处理软件ENVI 4.0中被分为植被和非植被两类，并自动计算植被像元占像元总数的百分比，即每张相片的VFC值。每个样方多张相片的VFC值取平均，作为样方的VFC值。1.2.2 遥感植被指数提取为提取植被指数，需对遥感图像进行预处理。为了统一坐标系统，首先对遥感图像进行几何校正。基于实测的1
10、2个GCP点，用二次多项式模型进行校正，用最邻近法进行重采样。几何校正达到均方根误差 (RMSE) 小于0.5个像元。图像辐射校正的方法同 Soudani等13，首先进行辐射定标，以消除传感器本身产生的误差，然后计算大气上界的反射率，进而采用黑暗像元法进行大气校正，获得地物反射率影像。最后基于地物反射率，提取归一化植被指数NDVI，其计算方法为14：NDVI=NIRR/NIR+R （1）其中NIR和R分别是红外和红波段值。为减少位置偏移带来的误差，以VFC采样点为中心、边长为60 m的方形区域作为采样缓冲区，用缓冲区内的植被指数均值，作为VFC实测样方的植被指数值。1.2.3 数据分析方法F:
11、林地；S：灌木；G：草地；N:非植被区图1 采样区分布(背景为ETM+影像第4波段)Fig. 1 Locations of the sampling sites (the background is band 4 of the ETM+ image)为了建立和验证VFC估算模型，先将57个样方实测数据分为建模用数据和用于模型验证的数据两个独立的数据集。分选方法是：将57个样方数据按照VFC值大小排序，然后按照 “建模验证建模”的顺序确定样方所属的数据集，这样获取建模用数据和用于模型验证的数据分别为38个和19个。然后使用最小二乘法建立NDVI-VFC多项式关系模型。为比较不同模型在VFC计算中
12、的差异，多项式幂次选择1 4次。模型的拟合程度用决定系数R2和均方根误差(RMSE)来衡量，后者的计算方法为： （2）这里N表示验证用样方数（19），ei是估算残差，即样方i的VFC估算值与实测值之差。数据统计主要使用软件SPSS 13.0 (SPSS inc.，USA) 进行。2 结果与讨论2.1 NDVI-VFC关系模型在38个用于建立NDVI-VFC关系模型的样方中，共有林地、灌木和草地样方分别为13、10和12个（表1），此外还有3个分布于水体和裸地区域的非植被样方（图1）。各种植被类型的VFC与NDVI都呈正相关关系，以灌木样方的相关系数最高，其次为草地和林地。总体38个样方的VFC
13、和NDVI也呈极显著的正相关关系（r=0.874, P 0.001）（表1）。对3种植被类型和总体38个样方，用最小二乘法分别建立NDVI-VFC的14次多项式关系模型（表2）。比较基于不同植被的模型可见，基于灌木的模型决定系数R2最高，基于草地和林地的次之。这主要是因为本区林地和草地的覆盖度普遍较大（图2），而NDVI的变化对密集植被的响应不灵敏，显示出该指数的饱和效应15。此外，由于采样区不同植被的覆盖度并未涵盖01的全部范围，各植被类型的样点数目也较少，这些基于植被类型的模型精度尚待验证。表1 不同植被的VFC与NDVI相关性分析Table 1 Correlation analysis
14、between VFC and NDVI of different vegetation types样方类型相关系数（r）显著性水平（sig.）样方数林地0.6360.01913灌木0.9160.00010草地 0.6730.01612总体 0.8740.00038表2 NDVI-VFC关系模型Table 2 Regression models between NDVI and VFC植被类型模型幂次决定系数R2Sig.模型参数b0b1b2b3b4林地(N= 13)10.4050.0190.44680.596920.4160.0680.58620.06520.460130.4410.139-0
15、.17624.7908-8.30525.019140.6940.000-9.163875.97-203.84230.38-93.05草地(N= 12)10.4530.0160.41640.56220.5720.0220.11452.087-1.52730.6150.0450.4161-0.64355.0282-4.568340.6200.0000.6765-3.978317.999-24.11110.042灌木(N= 10)10.8380.000-0.00751.424220.8400.0020.04331.08480.45130.8750.0040.5667-4.537717.4797-15
16、.3140.9100.000-0.693215.279-83.826188.96-141.06总体2) (N= 38)10.7650.0000.24980.860620.7670.0000.25220.9398-0.128230.7960.0000.15070.99880.9774-1.343840.8000.0000.11721.22621.1568-3.05011.4877注：1） NDVI-VFC关系模型为 VFC = b0 + b1* NDVI + b2* NDVI2 + b3* NDVI3+ b4* NDVI4 ；2）增加了3个非植被样点；N为样方数。基于样方总体的模型在一定程度上克
17、服了样方数目和覆盖度范围的不足。就模型决定系数而言，同基于植被类型的模型一样，多项式幂次越高，决定系数越大，在P 0.8）区域：前者基本呈线性变化，后者则显示渐近趋势。在VFC0.20.8时，四种曲线基本都呈线性增长，NDVI-VFC显著正相关（r=0.9037, p 0.001）。从模型精度来看，根据19个验证数据的计算，14次多项式模型的均方根误差RMSE分别为0.1178、0.1158、0.1094和0.1089，与模型决定系数R2高度负相关（r = -0.9914, p 0.001）。综上所述，在基于样方总体的14次多项式模型中，模型幂次越高，拟合程度越好，其中1次和2次模型接近，3次
18、和4次接近。但是模型的幂次越高，模型越复杂，模型的稳定性也随之降低。综合考虑上述因素，我们选择基于样方总体的3次多项式模型作为最优模型推荐使用：VFC = -1.3438 NDVI3+0.9774 NDVI2 + 0.9988 NDVI + 0.1507 （3）(R2 = 0.7961, RMSE = 0.1094)2.2 模型精度上述模型的均方根误差RMSE显示了模型的总体精度。为分析模型（3）在不同VFC范围的精度，作出19个验证数据的估算值与实测值的散点图如图3。从图3可见，VFC估算值分布在11线附近，与实测值高度相关（r = 0.9006, P 0.001），但在不同的VFC范围，估
19、算值偏离实测值的趋势不一，表明模型（3）的精度在不同VFC范围存在差异。模型精度在植被中等密集区域（VFC0.40.8）最高，植被稀疏区域（VFC 0.4）最低，显示了土壤背景对植被稀疏区域地物波谱信号的影响15。这一结论与Purevdorj 等9的研究相反，他们基于蒙古和日本草原区建立的VI-VFC模型在植被稀疏区（VFC 0.8），模型精度介于植被稀疏（VFC 0.8时曲线斜率减小并继而由正转负，显示出植被指数NDVI的饱和效应15。建立“抗饱和”的植被指数可能有助于这一问题的解决，需要深入研究。此外，在植被指数与VFC的关系建模中，采用植被指数与其它遥感信息相结合，运用不同的统计建模方法
20、16，也值得进一步探索。2.3 模型应用模型（3）是基于遥感图像所有地物的NDVI-VFC关系建立的，因而可以直接用于全图像的VFC计算。对于VFC = 0的非植被区域，结合图像分类技术将河流、建筑物、典型裸露地等地物掩膜去除，使之不参与VFC的计算，可以有效提高VFC的制图精度。但是仍存在植被区域和非植被区域的边界分类问题，有待深入分析。图4（a）和（b）分别是NDVI和基于模型（3）的VFC计算结果。图4（b）的对比度明显高于图4（a），显示经过模型（3）的非线性变换，得到的VFC结果图锐化了图像的植被覆盖信息。然而从不同VFC范围的模型精度可见（图3），模型估算的VFC值在植被稀疏区域（
21、VFC 0.8）偏低，表明要提高估算精度，这种锐化还需向VFC的两端进一步拓展，即估算的VFC低值再向0趋近，高值更接近于1。显示在图像上，就是图4（b）中的图像对比度进一步加强。图4 ETM+图像归一化植被指数与植被覆盖度估算结果Fig. 4 Image of NDVI and VFC calculating result由于不同地区的遥感图像成像条件和处理方式的不同，同类地物的植被指数大小在不同图像上并不一致，因而在模型估算VFC中植被指数的校准（calibration）至关重要17。作为经验统计模型，本研究所得模型并不能直接推广到其它地区的图像。植被指数的校准可通过建立中间模型进行18。
22、中间模型是在所要研究的遥感图像与本研究区图像上各选取清而深的水体、干燥裸地和密集植被等3种典型地物，通过典型地物的植被指数建立的相关模型。三种典型地物的植被指数都采用该类平均值，然后与待研究图像的3个均值构成3对数据，经最小二乘法回归获得中间模型。本文中ETM+图像NDVI统计结果如表3。这样在借助表3和待研究图像建立中间模型后，就可以使用模型（3）。3 结论表3 ETM+ 图像中几种典型地物的NDVI值Table 3 NDVI values of some typical objects on the studied ETM+ image地物类型平均值方差清而深的水体-0.31400.085
23、9密集植被0.77720.0385干燥裸地0.13990.0541注：各植被指数NDVI均值分别用约3001000个同类像元计算，括号内为标准差NDVI与植被覆盖度（VFC）呈正相关关系，在VFC0.2 0.8时，二者的相关性更显著（r= 0.9037, p 0.001）。在NDVI-VFC的14次多项式关系模型中，模型幂次越高，拟合程度越好。从模型曲线看，1次和2次模型接近，3次和4次接近。考虑模型的精度和稳定性，3次多项式模型作为最优模型推荐使用：VFC=-1.3438 NDVI3+0.9774 NDVI2+0.9988 NDVI+0.1507 (R2= 0.7961, RMSE = 0.
24、1094)。该模型精度在不同VFC范围存在差异：在植被中等密集区域（VFC0.40.8）最高，植被稀疏区域（VFC 0.8）居中。该模型在经过植被指数校准后，可用于其他地区的植被覆盖度估算，但其精度尚待验证。参考文献：1 赵哈林, 张铜会, 赵学勇, 等. 放牧对沙质草地生态系统组分的影响J. 应用生态学报, 2004, 15(3): 420-424.Zhao Halin, Zhang Tonghui, Zhao Xueyong, et a1. Effect of grazing on sandy grassland ecosystem in Inner MongoliaJ. Chinese
25、Journal of Applied Ecology, 2004, 15(3): 420-424.2 孙睿, 刘昌明, 朱启疆. 黄河流域植被覆盖度动态变化与降水的关系J. 地理学报, 2001, 56(6): 667-672.Sun Rui, Liu Changming, Zhu Qijiang. Relationship between the fractional vegetation cover change and rainfall in the Yellow River BasinJ. Acta Geographica Sinica, 2001, 56(6): 667-672.3
26、高素华, 郭建平, 刘玲, 等.中国北方地区植被覆盖度的遥感解译及水土保持作用系数推算研究J. 水土保持学报, 2001, 3: 65-67.Gao Suhua, Guo Jianping, Liu Lin, et al. Study on remote sensing interpretation of vegetation coverage and calculation of water and soil conservation effect coefficient in northern region of ChinaJ. Journal of Soil and Water Cons
27、ervation, 2001, 15(3): 65-67.4 张云霞, 张云飞, 李晓兵. 地面测量与ASTER影像综合计算植被盖度J. 生态学报, 2007, 27(3): 964-976.Zhang Yunxia, Zhang Yunfei, Li Xiaobing. The synthetically estimating vegetation fractional coverage of grassland using field data and ASTER remote sensing imagineJ. Acta Ecologica Sinica, 2007, 27(3): 96
28、4-976.5 GRAETZ R D, Pech R R, Davis A W. The assessment and monitoring of sparsely vegetated rangelands using calibrated Landsat dataJ. International Journal of Remote Sensing, 1988, 9:1201-1222.6 NORTH P R J. Estimation of f (APAR), LAI, and vegetation fractional cover from ATSR-2 imageryJ. Remote
29、Sensing of. Environment, 2002, 80: 114-121.7 DYMOND J R, STEPHENS P R, Newsome P F, et al. Percent vegetation cover of a degrading rangeland from SPOTJ. International Journal of Remote Sensing, 1992, 13(11): 1999-2007.8 WITTICH K P, HANSING O. Area-averaged vegetative cover fraction estimated from s
30、atellite dataJ. International Journal of Biometerology, 1995, 38(3): 209-215.9 Purevdorj T, Tateishi R, Ishiyama T, et al. Relationship between percent vegetation cover and vegetation indicesJ. International Journal of Remote Sensing, 1998, 19(18), 3519-3535.10 江苏省测绘局, 江苏省地图集M, 广东地图出版社, 1997: 89.Jia
31、ngsu Maping bureau, Atlas of Jiangsu Province, Guangdong Maping press, Guangdong, China, 1997: 89.11 Ringrose S, Matheson W, Wolski P, et al. Vegetation cover trends along the Botswana Kalahari transect J. Journal of Arid Environment, 2003, 54: 297-317.12 章文波, 刘宝元, 吴敬东. 小区植被覆盖度动态快速测量方法研究J. 水土保持通报, 2
32、001, 21(6): 60-63.Zhang Wenbo, Liu Baoyuan, Wu Jingdong. Monitoring of plant coverage of plots by visual estimation and overhead photographJ. Bulletin of Soil and Water Conservation, 2001, 21(6): 60-63.13 Soudani K, Francois C, le Maire G, et al. Comparative analysis of IKONOS, SPOT, and ETM+ data f
33、or leaf area index estimation in temperate coniferous and deciduous forest standsJ. Remote Sensing of. Environment, 2006, 102: 161-175.14 Rouse J W, Haas R H. Monitoring vegetation systems in the great plain with ERTSC. Third ERTS Symposium, .Washington, DC: NASA. 1973, 1: 309-317.15 Carlson T N, Pe
34、rry E M, Schmugge T J. Remote estimation of soil moisture availability and fractional vegetation cover for agricultural fieldsJ. Agricultural and Forest Meteorology, 1990, 52: 45-69.16 蔡体久, 琚存勇, 姚月峰. 基于RS和GIS的毛乌素沙地植被盖度定量估测J. 应用生态学报, 2005, 16(12): 2301-2305.Cai Tijiu, Ju Cunyong, Yao Yuefeng. Quantit
35、ative estimation of vegetation coverage in Mu Us sandy land based on RS and GISJ. Chinese Journal of Applied Ecology, 2005, 16(12): 2301-2305.17 Chen Q. Multisensor comparisons for validation of MODIS vegetation indicesJ. Pedosphere, 2006, 16(3): 362-370. 18 曾志远. 卫星图像计算机分类与地学应用研究M. 北京: 科学出版社, 2004:
36、322-326.Zeng Zhiyuan. Research on Computer Classification of Satellite Images and Application in GeoscienceM. Beijing: Science Press, 2004: 322-326.A model calculating vegetation fractional coverage from ETM+ imageryGu Zhujun1,2,3, Zeng Zhiyuan2, Shi Xuezheng1,3, Zheng Wei2, Zhang Zhenlong2, Hu Zifu
37、21. State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China; 2. School of Geography Science, Nanjing Normal University, Nanjing 210097, China; 3. Graduate University of Chinese Academy of Sciences, Beijing 100039, ChinaA
38、bstract: Quantative remote sensing of Vegetation Fractional Coverage (VFC) is needed by various studies on land surface process. A Landsat 7 ETM+ image of Nanjing was used to derive normalized difference vegetation index (NDVI) after atmospheric correction. Regressed NDVI with VFC from ground measur
39、ement, linear, quadratic, cubic, and quartic polynomial models were established. The results showed that, NDVI was positively correlated with VFC, no matter what the vegetation type was. Comparisons of the 4 models indicated that, the bigger the exponential power, the more robust models would be. Co
40、nsidering the accuracy and stability of the models, the cubic polynomial model was the best and recommended for use: VFC =-1.3438 NDVI 3 + 0.9774 NDVI 2 + 0.9988 NDVI + 0.1507 (R2 = 0.7961, RMSE = 0.1094). The accuracy of this model was the highest on middle-densely vegetated areas （VFC0.40.8）, lowe
41、st on sparsely vegetated areas （VFC 0.8）. The model could be used for VFC calculating on the whole ETM+ imagery of the studied area, and on other places after calibration of the vegetation index.Key words: ETM+; NDVI; vegetation fractional coverage; model Editors note: Judson Jones is a meteorologis
42、t, journalist and photographer. He has freelanced with CNN for four years, covering severe weather from tornadoes to typhoons. Follow him on Twitter: jnjonesjr (CNN) - I will always wonder what it was like to huddle around a shortwave radio and through the crackling static from space hear the faint
43、beeps of the worlds first satellite - Sputnik. I also missed watching Neil Armstrong step foot on the moon and the first space shuttle take off for the stars. Those events were way before my time.As a kid, I was fascinated with what goes on in the sky, and when NASA pulled the plug on the shuttle pr
44、ogram I was heartbroken. Yet the privatized space race has renewed my childhood dreams to reach for the stars.As a meteorologist, Ive still seen many important weather and space events, but right now, if you were sitting next to me, youd hear my foot tapping rapidly under my desk. Im anxious for the next one: a space capsule hanging from a crane in the New Mexico desert.Its like the set for a G