駱義峽，姬翠翠，，李曉松，徐金鴻，楊雪梅

(1.重慶交通大學(xué)，重慶 400074；2.中國科學(xué)院遙感與數(shù)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(qū)占我國國土面積的53%。由于土地荒漠化日劇嚴(yán)重，干旱和半干旱區(qū)植被在防風(fēng)固沙、調(diào)節(jié)生態(tài)平衡等方面具有重要作用，植被的退化嚴(yán)重影響綠洲的生態(tài)安全[1]，因此，干旱區(qū)稀疏植被指標(biāo)定量評價對科學(xué)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(guān)研究較少，同步獲取fPV、fNPV的研究更少[5]。單一的光譜指數(shù)，如表征PV的歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、表征NPV的干枯燃料指數(shù)[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(dāng)同時估算PV、NPV和BS三端元的比例，使用單一光譜指數(shù)估算fPV、fNPV存在一定局限性[7]?；旌舷裨纸馐枪浪愀珊祬^(qū)稀疏植被覆蓋度的有效方法，經(jīng)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(jì)算簡便的優(yōu)勢。

目前植被覆蓋度估算研究中，多數(shù)研究基于光學(xué)遙感數(shù)據(jù)，其中高光譜數(shù)據(jù)獲取困難，且成本較高。因此，本文采用Sentinel-2A多光譜數(shù)據(jù)，考慮光合植被獨(dú)有的特征(葉綠素及紅邊效應(yīng))，選取優(yōu)化的葉綠素吸收指數(shù)[8](modified chlorophyll absorption ratio index，MCARI)和紅邊葉綠素指數(shù)[9](red-edge chlorophyll index，CIred-edge)表征光合植被，以甘肅民勤綠洲為研究區(qū)分別建立NDVI-DFI、MCARI-DFI、CI-DFI像元三分模型。同時，構(gòu)建基于NDVI、DFI、比值土壤指數(shù)(ratio soil index，RSI)的線性指數(shù)模型，開展服務(wù)于PV/NPV覆蓋度估算的最佳線性指數(shù)混合模型研究。為此，本文基于地面控制性實(shí)驗(yàn)獲取純凈端元光譜與端元豐度信息，選擇不同光譜指數(shù)組合建立三分模型，評價各指數(shù)組合的三分模型性能，在最優(yōu)三分模型中加入RSI構(gòu)建線性指數(shù)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(qū)概況

實(shí)驗(yàn)區(qū)位于甘肅省武威市民勤縣綠洲-荒漠過渡帶區(qū)域內(nèi)(38°37′42.60″N，102°55′11.25″E)，該區(qū)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(qū)，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(fā)量2 675.6 mm。受地理位置及氣候影響，土地荒漠化十分嚴(yán)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(gòu)成，PV/NPV及BS鑲嵌景觀廣泛存在[10]。

2 數(shù)據(jù)與方法

2.1 Sentinel-2A數(shù)據(jù)獲取

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

對S2A數(shù)據(jù)的預(yù)處理工作，使用ESA官方發(fā)布的Sen2cor v2.8插件處理L1C級數(shù)據(jù)，得到經(jīng)過輻射校正和大氣校正的L2A級數(shù)據(jù)。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(shí)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(qū)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(tǒng)記錄每個樣地在WGS84坐標(biāo)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(shí)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(zhì)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(dāng)記錄的植被仍然附著葉片時，則記錄人員應(yīng)按照葉片顏色判斷植被是否為光合植被。

圖1 現(xiàn)場測量帶布設(shè)

3 研究方法

3.1 光譜指數(shù)

1)NDVI。NDVI是利用光合植被對于紅、藍(lán)光的高吸收以及對綠光與近紅外的高反射這一獨(dú)有特性提出的。NDVI值取值范圍在-1～1之間，當(dāng)NDVI值為負(fù)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?yàn)橥寥涝诮t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(guān)。

2)紅邊葉綠素指數(shù)(CIred-edge)。紅邊葉綠素指數(shù)是PV在680～750 nm波長范圍內(nèi)受到葉綠素和細(xì)胞結(jié)構(gòu)等因素影響，光譜曲線表現(xiàn)出明顯的波峰和波谷現(xiàn)象，致使PV有著明顯的紅邊光譜特征，且?guī)r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(dú)有特征，因此葉綠素含量能夠有效地將PV從NPV、BS背景中區(qū)分開來。MCARI是基于高光譜數(shù)據(jù)提出的光合植被指數(shù)，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(shù)據(jù)未采集波長為750 nm的反射值，經(jīng)研究發(fā)現(xiàn)，基于S2A多光譜數(shù)據(jù)的band 3、band 4和band 8構(gòu)建的MCARI指數(shù)能夠很好地估算植被葉綠素含量。

4)DFI。DFI是總結(jié)NPV和BS在MODIS影像中的光譜特征提出的。本文總結(jié)NPV和BS在S2A影像中的光譜特征，發(fā)現(xiàn)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(xiàn)波峰，BS反射值呈緩慢持續(xù)增長；在2 190 nm(band 12)附近PV與NPV出現(xiàn)波峰，BS出現(xiàn)波谷。

5)RSI。RSI是根據(jù)BS在S2A多光譜數(shù)據(jù)中的光譜特征曲線總結(jié)得出的表征土壤的指數(shù)。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(jié)出基于S2A多光譜數(shù)據(jù)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(xiàn)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(nèi)，如圖2所示。

圖2 像元三分模型

如圖2所示，本文構(gòu)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(xiàn)為三角形，符合像元三分模型的基本假設(shè)，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??；圖2(b)、圖2(c)、圖2(d)是依據(jù)地面控制性實(shí)驗(yàn)測得純凈端元光譜計(jì)算得到。

3.3 線性指數(shù)模型

線性指數(shù)模型是像元三分模型在應(yīng)用上的延伸，結(jié)合線性光譜混合模型的思路，由多光譜數(shù)據(jù)計(jì)算得到的指數(shù)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(shù)模型是在NDVI-DFI像元三分模型的基礎(chǔ)上加入RSI指數(shù)建立的線性指數(shù)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(shù)據(jù)的NDVI值；D代表S2A數(shù)據(jù)的DFI值；R表示S2A數(shù)據(jù)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(nèi)PV、NPV和BS的占比。

4 結(jié)果分析

4.1 像元三分模型獲取fPV和fNPV結(jié)果分析

基于研究區(qū)的NDVI、MCARI、CIred-edge以及DFI指數(shù)，繪制NDVI-DFI、MCARI-DFI、CI-DFI特征空間(圖3)，特征空間均呈現(xiàn)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(xiàn)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(qū)內(nèi)裸土占比極高、植被覆蓋度低，與干旱區(qū)沙漠邊緣地帶植被覆蓋度低的實(shí)情一致。前人研究證明,NDVI指數(shù)能夠準(zhǔn)確地表達(dá)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(shí)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(gòu)建各三分模型在估算fPV和fNPV性能上進(jìn)行評價，構(gòu)建模型并求解對應(yīng)的端元豐度，同時利用實(shí)地測量端元豐度信息進(jìn)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(xiàn)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(jù)端元豐度散點(diǎn)圖(圖4)，NDVI-DFI模型估算結(jié)果更接近實(shí)測端元豐度，其中fPV散點(diǎn)位置分布均勻，且大部分點(diǎn)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(diǎn)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(jié)果出現(xiàn)嚴(yán)重的堆積現(xiàn)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(jié)果精度較其他兩個模型精度更高，結(jié)合端元豐度驗(yàn)證散點(diǎn)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(lán)色圓圈分別代表PV、NPV和BS端元的位置。圖3 特征空間

根據(jù)3個模型估算與實(shí)測fPV和fNPV散點(diǎn)圖(圖4)來看，fPV的估算在3個模型中均表現(xiàn)出低估現(xiàn)象，fNPV的估算均表現(xiàn)出高估現(xiàn)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(guān)，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(chǔ)以及遙感技術(shù)的估算結(jié)果還是相對可靠的，NDVI-DFI像元三分模型的估算結(jié)果也驗(yàn)證了這一結(jié)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(shù)模型獲取fPV和fNPV結(jié)果分析

從4.1節(jié)得知，NDVI-DFI構(gòu)建三分模型對PV和NPV覆蓋度獲取相對其他兩個指數(shù)具有更強(qiáng)的敏感性，因此本節(jié)在NDVI-DFI三分模型基礎(chǔ)上加入RSI指數(shù)，構(gòu)建NDVI-DFI-RSI的線性指數(shù)模型，由式(2)至式(5)聯(lián)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(shù)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(shù)模型的散點(diǎn)分布更加聚合，部分估算值更加接近實(shí)測值，線性指數(shù)模型估算fPV的RMSE為0.052 4，估算fNPV的RMSE為0.044 4。由以上結(jié)論可知，RSI指數(shù)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(gòu)建線性指數(shù)模型能夠提高干旱區(qū)稀疏植被覆蓋度估算精度。

4.3 線性指數(shù)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(shù)模型，都是通過指數(shù)與覆蓋度之間的線性關(guān)系求解fPV、fNPV和fBS。本文線性指數(shù)模型相較于像元三分模型增加土壤指數(shù)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(diǎn)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(diǎn)分布圖比較，線性指數(shù)模型估算結(jié)果與實(shí)測結(jié)果相關(guān)性略有提高，且其散點(diǎn)分布更貼近于參考線(X=Y)，一定程度上緩解了PV的低估現(xiàn)象和NPV的高估現(xiàn)象。其次，從4.1節(jié)與4.2節(jié)得知，線性指數(shù)模型估算精度要優(yōu)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%?？梢姡瑢⑼寥乐笖?shù)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(shù)模型，指數(shù)與指數(shù)數(shù)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(qū)的應(yīng)用潛力

總結(jié)前人研究，像元三分模型利用多個波段計(jì)算指數(shù)，減少了端元光譜異質(zhì)性以及影像質(zhì)量等引起的誤差，有助于fPV、fNPV的估算[13]，且已有研究結(jié)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(shù)與端元的關(guān)系、純凈端元提取、影像質(zhì)量等因素的影響。本文利用MCARI、CIred-edge與DFI構(gòu)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(shù)適用性的限制以及植被冠層結(jié)構(gòu)不同的影響。經(jīng)研究證實(shí)，NDVI與fPV呈線性關(guān)系[18-19]，DFI與fNPV呈線性關(guān)系[20-21]，結(jié)合4.1節(jié)實(shí)驗(yàn)結(jié)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(qiáng)的相關(guān)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(jié)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(guān)系[24]，但是該指數(shù)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(xiàn)出一定的地域性，估算效果不穩(wěn)定[26]。同時，MCARI、CIred-edge都是基于小麥、油菜等構(gòu)建的，其冠層特征與干旱區(qū)植被冠層差異較大，因此可能導(dǎo)致估算效果不理想，其在干旱區(qū)植被覆蓋度的估算效果還有待進(jìn)一步驗(yàn)證。

5.2 土壤指數(shù)

在傳統(tǒng)的植被指數(shù)構(gòu)建理論中，考慮土壤影響并加以削弱，能夠提高植被指數(shù)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(shù)建立了關(guān)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(shù)，通過對比像元三分模型與線性指數(shù)模型估算fPV和fNPV發(fā)現(xiàn)，擁有土壤指數(shù)的線性指數(shù)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(shù)模型是像元三分模型改進(jìn)而來，同樣存在像元三分模型的局限，因此，增加的指數(shù)與端元覆蓋度之間有無線性關(guān)系影響著線性指數(shù)模型的估算結(jié)果。線性指數(shù)模型增加的RSI指數(shù)是總結(jié)Sentinel-2A的地物光譜特征曲線，表征土壤信息，該指數(shù)與土壤是否存在顯著的線性關(guān)系，有待進(jìn)一步研究確定。在未來基于線性指數(shù)模型估算稀疏植被覆蓋度時，如何更好地選擇建模指數(shù)、參與建模指數(shù)數(shù)量以及純凈端元的確定將會是一個重要的研究方向。

6 結(jié)束語

本文基于對植被具有明顯特征優(yōu)勢的Sentinel-2A多光譜數(shù)據(jù)，結(jié)合地面控制性實(shí)驗(yàn)獲取純凈端元豐度和實(shí)測端元豐度信息，分別構(gòu)建NDVI-DFI、MCARI-DFI、CI-DFI像元三分模型以及NDVI-DFI-RSI線性指數(shù)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(shù)模型在PV/NPV覆蓋度估算上的適用性。經(jīng)研究得出以下結(jié)論。

1)植被指數(shù)NDVI-DFI、MCARI-DFI、CI-DFI特征空間均表現(xiàn)為三角形，符合像元三分模型構(gòu)建的基本條件，因此本文構(gòu)建了基于NDVI-DFI、MCARI-DFI、CI-DFI指數(shù)的像元三分模型，實(shí)現(xiàn)了干旱區(qū)稀疏PV/NPV覆蓋度估算。

2)參考構(gòu)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(xiàn)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(shù)構(gòu)建的線性指數(shù)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(shù)的NDVI-DFI線性植被指數(shù)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(chǔ)。