陸廣勇，楊勤科2，，王海江

（1.中國科學(xué)院 水利部 水土保持研究所，陜西 楊凌712100；2.西北大學(xué)，西安710069）

土地覆蓋是全球變化研究的重要內(nèi)容，其研究為區(qū)域和全球尺度的氣候和生態(tài)過程模型提供了重要的參數(shù)。區(qū)域尺度的土地覆蓋信息主要基于多光譜遙感影像Landsat MSS／TM／ETM＋數(shù)據(jù)提取，但所需數(shù)據(jù)量龐大，而且關(guān)鍵生長時期的影像會受到云的影響而無法獲取，數(shù)據(jù)更新受限［1］。

土地覆蓋變化具有季節(jié)性，這種季節(jié)變化可以利用植被指數(shù)的變化進行定量分析研究［2］。衛(wèi)星遙感影像能夠監(jiān)測植被的物候變化［3－5］，來自遙感影像的區(qū)域植被指數(shù)NDVI值隨時間周期性升高和降低是植被生長周期的典型體現(xiàn)［6］。反映地表覆蓋物季節(jié)性變化特征的多時相NDVI可以作為土地覆蓋的分類特征［5］。

植被指數(shù)時間序列的數(shù)據(jù)源主要包括NOAAAVHRR、SPOT－VGT和MODIS等植被指數(shù)數(shù)據(jù)產(chǎn)品。前兩者的合成周期為10d，空間分辨率約為1 km，多用于全球或大區(qū)域的研究［3，5，7－8］。MODIS植被指數(shù)產(chǎn)品合成周期為16d，但其空間分辨率較高，有500m 和250m 兩種分辨率產(chǎn)品［9－11］，因此應(yīng)用研究也越來越多［1，12－16］。

基于植被指數(shù)時間序列影像的土地覆蓋分類方法可分成非監(jiān)督分類、監(jiān)督分類和分層決策樹分類3種。盛永偉［3］、李道峰［7］、宮攀［1］等基于氣象衛(wèi)星的NDVI時間序列影像、運用非監(jiān)督分類法進行了植被覆蓋類型分類；劉勇洪等基于MODIS地表反射率、植被指數(shù)和地表溫度數(shù)據(jù)產(chǎn)品，選擇6種分類特征，通過監(jiān)督分類，將山東省土地覆蓋分成了8類［13］；張霞等綜合運用ISODATA非監(jiān)督分類法、決策樹法，對華北平原進行了土地覆蓋分類［14］。

但是很多研究應(yīng)用中，土地覆蓋的季節(jié)性變化規(guī)律沒有被作為主要的分類特征，而且非監(jiān)督分類法與決策樹法的應(yīng)用中都是在動態(tài)聚類的基礎(chǔ)上進行的，物理意義不夠明確。目前在地形復(fù)雜區(qū)（如黃土丘陵溝壑區(qū)）基于MODIS植被指數(shù)時間序列影像的土地覆蓋分類研究較少。本實驗綜合運用MODIS地表反射率與NDVI植被指數(shù)兩種數(shù)據(jù)產(chǎn)品、DEM，結(jié)合當(dāng)?shù)匚锖蛱卣鳎治隽送恋馗采w植被指數(shù)內(nèi)變化特征，運用植被指數(shù)、濕度指數(shù)和紋理特征進行分層決策樹分類，利用ISODATA法和當(dāng)?shù)赝恋馗采w分布特征調(diào)整分層決策樹結(jié)果，為區(qū)域環(huán)境動態(tài)監(jiān)測、土壤侵蝕評價提供更高時間分辨率的基礎(chǔ)數(shù)據(jù)。

1 研究區(qū)域概況

延河流域地處陜北黃土高原中部，地理位置為36°23′－37°17′N 和 108°45′－110°28′E，面 積 達(dá)7 684km2。該流域?qū)倥瘻貛Т箨懶园敫珊导撅L(fēng)氣候，年平均氣溫9℃，年均降雨量為500mm，其中7－9月降雨量占全年降雨量的60%以上。流域植被區(qū)劃上屬于森林草原地帶。由于土壤侵蝕嚴(yán)重，土壤類型以黃土母質(zhì)上發(fā)育的黃綿土為主，土壤質(zhì)地均一，土質(zhì)疏松，抗侵蝕能力差。流域內(nèi)溝壑縱橫，地形復(fù)雜，植被覆蓋率低，屬典型黃土丘陵溝壑區(qū)［17－18］。

2 研究方法

2.1 數(shù)據(jù)源

（1）本文采用NASA USGS提供的植被指數(shù)數(shù)據(jù)產(chǎn)品MOD13Q1的歸一化植被指數(shù)MODIS－NDVI，空間分辨率為250m，合成周期為16d。從2006年1月1日至2006年12月30日，共23個時相影像。

（2）NASA USGS提供的地表反射率產(chǎn)品數(shù)據(jù)MOD09GA，空間分辨為500m，影像獲取時間為2006年9月9日，共7個波段，但第5波段存在壞線，故本實驗使用了MODIS的1－4，6－7共6個波段的影像。

（3）2006年9月10日成像的Landsat TM 5圖像解譯生成的2006年土地利用圖（簡稱LU2006）和矢量化的2000年延河流域土地利用圖（簡稱LU2000）。

圖1 延河流域地理位置及地勢圖

（4）DEM：利用1∶5萬地形圖和ANUDEM軟件生成的10m分辨率DEM，用以生成坡度圖。

2.2 數(shù)據(jù)預(yù)處理

（1）基于時間序列諧波分析法（HANTS）對MODIS－NDVI進行濾波。MODIS－NDVI影像局部容易受到云等因素的影響，需要進行平滑處理［15］。本文選擇了HANTS對23景MODIS－NDVI進行平滑處理。該方法的核心主要是通過傅里葉變換和最小二乘法，利用諧波重構(gòu)時間序列數(shù)據(jù)［19］。通過HANTS濾波后，植被指數(shù)時間序列更加光滑（見圖2），更有利于有效揭示物候周期性變化規(guī)律，便于地表覆蓋信息提?。?9－20］。

圖2 平滑處理前后典型土地覆蓋類型NDVI時間序列曲線

（2）延河流域植被年內(nèi)變化可劃分為休眠階段、恢復(fù)階段、生長季節(jié)、退化階段4個時段［18］?；贗DL語言編程，計算平滑后全年和生長期（GD，growth duration）MODIS－NDVI時間序列的最大值（max、GDmax）、最小值（min、GDmin）、差值（最大值－最小值，D、GDd）。（3）對平滑后的全年 MODIS－NDVI影像進行主成分分析（PCA）。基于反映年內(nèi)植被覆蓋差異較大耕地信息PCA第二組分，在3×3窗口下，進行紋理特征局部平滑（Homogeneity，Homo），以便提取耕地信息。

（4）利用ENVI系統(tǒng)的GLT（Geometry Lookup Table）對 MOD09GA和 MODIS－NDVI進行幾何校正［21］。將濾波后的 MODIS－NDVI及其生成數(shù)據(jù)、MOD09GA進行Albers等面積投影。并以DEM為基準(zhǔn)，首先將TM 5影像和2006年土地利用圖等進行空間配準(zhǔn)，然后基于配準(zhǔn)后的TM 5影像對MODIS－NDVI、MOD09GA進行配準(zhǔn)?？臻g配準(zhǔn)的誤差都控制在一個像元以內(nèi)。

（5）基于 MOD09GA提取了影像的濕度指數(shù)（NDMI，Normalized Difference Water Index）［13］，其表達(dá)式如式（1）。

式中：ρ4，ρ6——經(jīng)過標(biāo)準(zhǔn)化處理的 MODIS可見光綠色波段（第4波段）和短紅外波段（第6波段）。波段ρ6處于水的吸收帶，對濕度、含水量信息尤為敏感，而ρ4對水體的反射率較高，因此利用NDMI提取水體的外邊界。

2.3 影像分類方法

不同的土地覆蓋類型具有不同的植被時間序列曲線。根據(jù)當(dāng)?shù)氐哪陜?nèi)植被變化特征，基于植被指數(shù)響應(yīng)曲線特征，進行影像分類。本文綜合運用MODIS數(shù)據(jù)的時間、光譜、空間信息，選取了植被指數(shù)NDVI、濕度指數(shù)、紋理特征作為分層決策樹的分類特征，基于閾值進行分層決策樹分類，然后運用ISODATA法分類別進行動態(tài)聚類，調(diào)整決策樹分類結(jié)果，最后利用DEM調(diào)整耕地類型，最終形成土地覆蓋類型圖。

（1）分析NDVI時間序列曲線，參考LU2000、LU2006和植被年內(nèi)變化特點［18］，選擇各個指標(biāo)閾值，進行分層決策樹分類，并生成各土地覆蓋類型掩膜。如圖3所示，耕地的NDVI曲線在生長期內(nèi)（第113～289d）上升和下降梯度最大，波峰明顯，差值最大；典型林地的NDVI值全年都較大，在生長期內(nèi)最小值略小于0.4；草地也存在較明顯的波峰，但其變化梯度小于耕地，且峰值一般小于林地和耕地；而居民地和水體NDVI年內(nèi)變化較小，因為居民地內(nèi)往往與一些植被（如城市綠地）混合，所以居民地的NDVI值略大于水體。根據(jù)各種土地覆蓋的時間響應(yīng)曲線特征，選擇合適的閾值，進行決策樹分類。

（2）基于決策樹分類類型掩膜，利用迭代自組織數(shù)據(jù)分析法（ISODATA法），對 MODIS－NDVI圖像進行動態(tài)聚類（非監(jiān)督分類）［14］，參考土地利用圖和MOD09GA多光譜影像，調(diào)整決策樹分類結(jié)果。MODIS－NDVI主要反應(yīng)植被信息，因此，基于MODIS－NDVI時間序列影像對林地、高覆蓋草地進行非監(jiān)督分類。在植被蓋度較低區(qū)域，NDVI指標(biāo)反應(yīng)植被蓋度不夠靈敏，單純依靠NDVI時間序列難以正確識別土地覆蓋類型［6］，因此基于地表反射率影像MOD09GA，對低覆蓋草地、水體與居民地進行非監(jiān)督分類。

圖3 決策分類樹示意圖

（3）退耕還林（草）實施后，延河流域內(nèi)大于25°的坡耕地基本都進行了退耕，因此基于DEM形成的坡度圖，將以上遙感分類結(jié)果中大于25°的耕地調(diào)整為草地?？紤]到所用數(shù)據(jù)源分辨率比較低，因而本次研究將要劃分的土地利用類型為耕地、林地、草地、居民地和水體5類。

3 結(jié)果分析

3.1 空間格局與數(shù)量統(tǒng)計分析

基于上述分類方法得到延河流域2006年土地覆蓋分類結(jié)果，結(jié)果見圖4。植被分布由東南到西北逐漸減少，與流域年降雨量空間分布一致，林地主要分布在流域的南部，與李正國的研究結(jié)果一致［18］，占流域總面積的15.9%；草地遍布整個流域，是主要土地覆蓋類，占流域總面67.3%，其中約15%的草地是根據(jù)坡度土從遙感影像分類結(jié)果中的耕地調(diào)整而來；耕地主要沿溝道分布，在流域上游也呈現(xiàn)集中分布，為流域總面積的16.5%；居民地與水體兩者所占比重不足1%，主要原因是兩種流域面積比重較少，分布零散，在250m的影像上，像元混合現(xiàn)象嚴(yán)重［14］。

圖4 2006年土地分類結(jié)果

3.2 精度分析

選擇2006年基于TM的土地利用／覆蓋分類圖LU 2006進行比較，同時參考LU 2000，進行分類精度評價。精度分析在ENVI 4.7軟件下完成，隨機選擇耕地、草地和林地各覆蓋類型的0.1%作為驗證像元；由于居民地、水體的像元較少，故每一類各選擇10個像元作為驗證，5類地表覆蓋類型共152個像元，占總流域面積近0.12%［22］。混淆矩陣（見表1）表明總體分類精度為75.00%，Kappa系數(shù)為0.620 9，除了居民地，其它4類的用戶精度到大于70%，這就說明分類效果良好。用戶精度是分類結(jié)果可靠性指 標(biāo)［6］，是 最 常 用 的 精 度 指 標(biāo)［1，13－14，23］。 表 1表明，實際地表的林地和耕地被錯分為草地的情況較為嚴(yán)重，分類結(jié)果中草地類型被高估，耕地和林地被低估。這主要原因在于延河流域地表破碎，林地、耕地分布不集中，在影像分辨率較粗的情況下，像元內(nèi)信息趨于平滑。同時，居民地與水體兩者地表反射率都較低，反射特征相近，所以兩者之間也存在混分現(xiàn)象。居民地（包括交通用地）和水體的斑塊一般較小，在粗分辨的遙感影像上很難識別，因此分類結(jié)果中兩者容易被低估。

表1 誤差矩陣

4 結(jié)論與討論

（1）以季節(jié)性變化特征作為分類基礎(chǔ)，根據(jù)植被指數(shù)時序曲線、影像紋理和濕度指數(shù)等分類特征，進行分層決策樹分類，并結(jié)合其它輔助數(shù)據(jù)（如地表反射率、DEM等），按類別進行非監(jiān)督分類，最后調(diào)整土地覆蓋分類結(jié)果獲得土地覆蓋分類圖，具有一定的物理意義。分類結(jié)果與2006年土地利用總體一致性為75.00%，Kappa系數(shù)為0.620 9，圖像分類結(jié)果良好，能為區(qū)域環(huán)境監(jiān)測、土壤侵蝕評價提供可靠的年際土地覆蓋基礎(chǔ)數(shù)據(jù)。

（2）根據(jù)退耕還林后大于25°陡坡上耕地稀少的特點，利用DEM生成的坡度圖，調(diào)整遙感分類結(jié)果中的耕地類型，能在一定程度上減小土地覆蓋類型分布破碎對分類結(jié)果帶來的影響，改善分類效果。

（3）MODIS－NDVI雖然在空間分辨率上較NOAA－AVHRR和SPOT－VGT有了提高，但是在地形復(fù)雜、斑塊破碎的黃土丘陵溝壑區(qū)，在250m的影像上像元混合現(xiàn)象嚴(yán)重，小斑塊地類較難識別，導(dǎo)致居民地、水體在分類結(jié)果中面積比重小于實際水平。

（4）分類結(jié)果中相當(dāng)一部分耕地和林地被錯分為草地，主要原因是當(dāng)?shù)赝恋馗采w類型分布破碎，影像分辨率較粗，像元混合現(xiàn)象嚴(yán)重。下一步工作可以結(jié)合當(dāng)?shù)刂脖坏奈锖蛱卣?、分布特點，通過NDVI時間序列曲線的變化特征進行更加細(xì)致地定量分析，參考混合像元分解方法，對區(qū)域土地覆蓋類型進行分類，提高分類精度。

［1］ 宮攀，陳仲新，唐華俊，等.基于 MODIS溫度／植被指數(shù)的東北地區(qū)土地覆蓋分類［J］.農(nóng)業(yè)工程學(xué)報，2006，22（9）：94－99.

［2］ 布和敖斯?fàn)?，劉紀(jì)遠(yuǎn)，吳祖南.基于季相及經(jīng)度特征的中國土地覆蓋變化遙感研究［J］.地理學(xué)報，1998，53（12）：52－60.

［3］ 盛永偉，陳維英，肖乾廣，等.利用氣象衛(wèi)星植被指數(shù)進行我國植被的宏觀分類［J］.科學(xué)通報，1995，40（1）：68－71.

［4］ Jonsson P，Eklundh L.Seasonality extraction by function fitting to time－series of satellite sensor data［J］.Ieee Transactions on Geoscience and Remote Sensing，2002，40（8）：1824－1832.

［5］ 汪權(quán)方，李家永.基于時序NDVI數(shù)據(jù)的中國紅壤丘陵區(qū)土地覆被分類研究［J］.農(nóng)業(yè)工程學(xué)報，2005，21（2）：72－77.

［6］ 趙英時.遙感應(yīng)用分析原理與方法［M］.北京：科學(xué)出版社，2003.

［7］ 李道峰，田英，郝芳華.基于NDVI數(shù)據(jù)的黃河流域地表植被覆蓋綜合分類研究［J］.水土保持研究，2003，10（4）：88－91.

［8］ 盧玲，李新，董慶罕，等.SPOT4－VEGETATION中國西北地區(qū)土地覆蓋制圖與驗證［J］.遙感學(xué)報，2003，7（3）：214－221.

［9］ Vegetation Indices 16－Day L3Global 500m［EB／OL］.https：／／lpdaac.usgs.gov／lpdaac／products／modis＿products＿table／vegetation＿indices／16＿day＿13＿global＿500m／mod13a1.

［10］ Vegetation Indices 16－Day L3Global 250m［EB／OL］.https：／／lpdaac.usgs.gov／lpdaac／products／modis ＿products＿table／vegetation＿indices／16＿day＿l3＿global＿250m／myd13q1.

［11］ 王正興，劉闖，Huetealfredo.植被指數(shù)研究進展：從AVHRR－NDVI到 MODIS－EVI［J］.生態(tài)學(xué)報，2003，23（5）：979－987.

［12］ Guerschman J P，Hill M J，Renzullo L J，et al.Estimating fractional cover of photosynthetic vegetation，nonphotosynthetic 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.

［13］ 劉勇洪，牛錚.基于 MODIS遙感數(shù)據(jù)的宏觀土地覆蓋特征分類方法與精度分析研究［J］.遙感技術(shù)與應(yīng)用，2004，19（4）：217－224.

［14］ 張霞，孫睿，張兵，等.基于 MODIS植被指數(shù)時間譜的華北平原土地覆蓋分類［J］.農(nóng)業(yè)工程學(xué)報，2006，22（12）：128－132.

［15］ 左麗君，張增祥，董婷婷，等.MODIS／NDVI和 MODIS／EVI在耕地信息提取中的應(yīng)用及對比分析［J］.農(nóng)業(yè)工程學(xué)報，2008，24（3）：167－172.

［16］ 王紅說，黃敬峰.基于 MODIS NDVI時間序列的植被覆蓋變化特征研究［J］.浙江大學(xué)學(xué)報：農(nóng)業(yè)與生命科學(xué)版，2009，35（1）：105－110.

［17］ 謝紅霞.延河流域土壤侵蝕時空變化及水土保持環(huán)境效應(yīng)評價研究［D］.西安：陜西師范大學(xué)，2008.

［18］ 李正國，王仰麟，吳健生.等.不同土地利用方式對黃土高原植被覆蓋季節(jié)變化的影響：以陜北延河流域為例［J］.第四紀(jì)研究，2005（06）：762－769.

［19］ Roerink G M，Menent W.Verhoef.Reconstructing cloudfree NDVI composites using Fourier analysis of time series［J］.International Journal of Remote Sensing，2000，21（9）：1911－1917.

［20］ 王丹，姜小光，唐伶俐，等.利用時間序列傅立葉分析重構(gòu)無云 NDVI圖像［J］.國土資源遙感，2005（2）：29－32.

［21］ 張樹譽，王釗，李星敏.提高衛(wèi)星遙感資料利用率的方法［J］.測繪學(xué)院學(xué)報，2004，21（1）：30－33.

［22］ 劉詠梅，楊勤科，溫仲明.地形復(fù)雜地區(qū)遙感圖像分類方法應(yīng)用研究：以黃土丘陵溝壑地區(qū)坡耕地遙感調(diào)查為例［J］.水土保持通報，2003，23（4）：30－32.

［23］ Kumar U N，Kerle T V.Ramachandra.Constrained Linear Spectral Unmixing Technique for Regional Land Cover Mapping Using MODIS Data［J］.Innovations and Advanced Techniques in Systems，Computing Sciences and Software Engineering，2008：416－423，DOI：10.1007／978－1－4020－8735－6＿78.