论文部分内容阅读
摘要 基于2013年国产资源遥感卫星数据和Google Earth高分数据,利用ArcGIS9.3及Eardas9.2软件,对研究区域的遥感影像进行克里金插值分析,在此基础上得出研究区域遥感影像的植被指数NDVI,最后反演出该区域的植被覆盖度结果。通过与该区域的真实植被覆盖度进行比较分析,得出了基于克里金插值法的植被覆盖度分析方法,该方法对植被覆盖度分析有一定的实际性的参考意义。此次实验研究了黄河源头姊妹湖扎陵湖、鄂陵湖区域的植被覆盖度,同时也是三江源地理国情监测的一部分。
关键词:植被覆盖度;克里金插值;植被指数;三江源
中图分类号:S126 文献标识码 A 文章编号 0517-6611(2015)08-321-04
三江源植被覆盖度普查目前是地理国情监测的重要工作,普查的手段除了利用人工实地调研外,由于三江源区域位于青藏高原地区,地形复杂,气候多变,沼泽较多,人类及交通工具无法实地调研。遥感覆盖范围广、获得信息量大、效率高、周期短、受地理环境因素小等优点,特别适用于地理国情监测,因而,其作为一种进行植被覆盖度估算的手段被广泛应用。
植被覆盖度是指单位面积内植被垂直投影面积所占百分比,它是衡量一个地区的植被覆盖程度的一个重要综合指标,也是评价一个地区的生态环境状况的重要指标[1-2]。研究发现,植物叶子叶面反射光波普曲线主要由绿色植物中所含的叶绿素、水及其他生物元素决定的。在荒漠或植被稀疏的地方,植物的光谱特征反差最为不明显;而在植被覆盖中等的地区,植物光谱特征反差主要是来自红外波段和近红外波段变化的结果;在植被覆盖较为稠密的地区,植物的光谱特征的反差只来自近红外波段的贡献,红外波段对其几乎没有影响,接近趋于饱和的阶段,因此,根据红外波段及近红外波段对植被反射光谱的对不同密度的植被区域的影响的差异性,可以利用遥感影像中红外波段与近红外波段进行处理,可以得到研究区域的植被覆盖度[3]。
国内外学者对植被覆盖度的估算研究主要是利用植被指数NDVI,通过提取影像中反映植物植被指数的NDVI来分析得出植被覆盖度。笔者另辟蹊径,通过人工利用Google Earth高分数据与国产资源遥感影像进行插值分析,通过克里金插值方法,获得特征点的植被指数,通过插值比较,得出最终的植被覆盖度。
1 研究区域概况
研究区域位于黄河源头姊妹湖扎陵湖和鄂陵湖周边,其也属于三江源自然保护区内,该区域位于青海省巴颜喀拉山北麓的果洛藏族自治州玛多县境内,是黄河源头最大的2个高原淡水湖,淡水资源较为丰富,植被情况相对于其他同等区域种类多而全。该区域属于高海拔地区,平均海拔超过4 300 m,因此区域内主要是高海拔植物。该地年降水量200~400 mm,属于偏干旱地区,研究区域海拔高,植物生长期比较短,植被覆盖不是很密集。该区域位于三江源保护区内,该湿地被联合国《湿地公约》秘书处正式批准为国际重要湿地,这标志着我国面积最大、海拔最高,也是世界高海拔地区生物多样性最集中的三江源自然保护区成为全球最具影响力的高原湿地之一。
2 基于克里金插值法的植被覆盖度的研究
2.1 植被覆盖度估算 所采用的数据主要基于两部分:一是采用2013年国产环境卫星8月份青海省遥感数据,遥感数据影像分辨率为30 m,共有4个波段;二是基于Google Earth高分数据,在此基础上,获取了13个高覆盖植被特征点,18个低植被覆盖的裸土特征点,这些特征点的目的是为了在基于国产卫星遥感数据得到的NDVI影像中获得该特征点的NDVI,以便插值计算。
因为卫星存在严重的形变数据,引起几何形变的原因是多种的,主要原因是地球的形状不均匀、地球的运动轨迹变化、卫星的姿态轨道运行变化、遥感设备自身因素、扫描镜的不规则运动、配准失调等内部因素,所以国产环境资源卫星遥感影像首先要进行几何纠正。
几何纠正后,遥感影像的几何变形得到了一定程度的纠正,但是,由于遥感所利用的所有辐射能都会受到大气层的影响,大气会对辐射能量进行吸收、散射等,会使能量衰减,大气纠正的目的就是要尽量减少大气层对影像的干扰,该研究运用6S模型进行了大气辐射纠正。6S模型中共有6个参数,分别是太阳天顶角、太阳方位角、卫星天顶角、卫星方位角、平均高程、大气气溶胶厚度。6S模型通过利用辐射定标参数遥感原始影像的DN值、增益、偏益来获得大气表观反射率。其中定标公式为:
L=DN/g+L0
式中,DN是原始影像的值;g是增益;L0是偏益;L为大气表观反射率。不同波长范围的g、L0辐射定标参数见表1。6S模型参数见表2。
经过几何纠正后,得到如图1的几何纠正影像,纠正后的数据影像采用CGCS2000大地坐标系,高斯克吕格投影,中央经线东经99°,东偏500 000 m。再次经过6S定标模型进行辐射纠正后,得到如图2的辐射纠正影像,影像也从原来的8位的byte形变为32位的float形。通过大气纠正,辐射纠正的目的是纠正因辐射误差而引起的影像畸变。经过辐射纠正后,不同植被所表现出的差值更为明显,植被指数提取更为精确。目的是使影像地物分辨更为明显,植被分布更易分析。
此次样点数据主要是采用Google Earth的高分数据,样点的选取是基于2种植被覆盖类型。一种是基于极高植被覆盖度的样点,此处Google Earth影像显示该点覆盖几乎是100%;一种是基于极低植被覆盖度样点,此处Google Earth影像显示改点覆盖几乎为0;样点数据的采集基于尽量均匀分布于整个实验区域,但由于实验需求及样点采集有限,实验中2种样点的采集原始高值被覆盖植被样点是多于实验样点的,实验过程中要删去部分DN值过小的样点或区域过于密集的样点,此次实验所采用的样点数为高覆盖植被样点13个,如图3分布所示;对于低植被覆盖样点,分布原则同高植被覆盖样点等同,亦要采用均匀分布原则,但是也要去除DN值较高的样点及密度较大区域的样点,最后保留的低植被覆盖样点为18个,如图4分布所示。 2.2 插值分析 在许多预测性试验中,大多数时候需要通过已知数据来估计未知数据,而未知数据的估计是一个统计的过程[4]。
此次实验基于克里金插值法对影像进行插值计算,在地质探测或地表环境研究中,常常会用到克里金插值的方法,该方法是一种用于对局部估计的方法,能根据已知量估计未知量,克里金插值能提供某个区域的最佳平均值估计值[5-6]。克里金插值是一种对非均匀取样的内插方法,具备误差的估计能力[7-8]。克里金插值的这些特性,也可以用于植被覆盖度估计中。
该研究运用传统的克里金插值法,利用Eardas imagine 9.2软件获得样点的坐标值,根据坐标值获得植被覆盖度指数NDVI,最后利用ArcGIS软件对两种样点数据进行克里金插值,插值得出高植被覆盖点插值结果,如图5;低植被覆盖点插值结果,如图6。
2.3 植被指数的计算 此次实验采用归一化植被指数(NDVI),其是最早被提出来的植被指数,在许多研究中得到了应用。NDVI反映了绿色生物量、叶绿素含量和冠层水势变化[9]。在遥感科学中,归一化植被指数(NDVI)在植被监测中应用最为广泛,它能很好地反映植被覆盖、生物量及生态系统参数覆盖[10]。归一化植被指数(NDVI)常常用于土地利用、植被覆盖度、植被覆盖动态变化、环境监测等[11]。
假如植被冠层不是过于浓密或过于稀疏,该植被指数可以有效地预测实验区域地表的植被覆盖情况。但是,如果地表植被很稀疏,土壤或水体等非植物信号可能会严重改变NDVI的值;但是,如果植被很茂盛,NDVI值将达到其极值,无法正确地反应植被的疏密度。因此,为了避免NDVI的这个不足,有人提出了这样的原理:
Fg=NDVIi-NDVIminNDVImax-NDVImin
根据二分模型原理[12-13],假设一个像元的地表是由有植被覆盖部分地表与无植被覆盖部分地表组成,而遥感传感器观测的光谱信息也由这2个组分因子合成,各因子的权重是各自的面积在像元中所占的比率,即可以把植被覆盖度作为植被的权重。
植被覆盖度是指植被所覆盖区域的比例,如果卫星遥感影像所得到的遥感信息为Y,由植被覆盖的信息为Yz,由土壤得到的信息为Yt,则可以综合为一个线性关系,可以简单地得到如下公式:
Y=Yz+Yt
NDVImax影像见图7。NDVImin影像见图8。最终得出植被覆盖度示意图(图9)。
植被覆盖度统计结果见图10。通过数据分析,植被覆盖最大值为1.0,最小值为0.000 1,平均值为0.330 840,方差为0.255 76;从图10可看出,有相当一部分点值位于0.15~0.45之间,可以得出该地区植被覆盖度相对较低,大多数地区处于荒漠化状态,方差值低,也充分说明该地区植被覆盖区分度比较低。根据三江源区植被覆盖度分级(表3),可以得出插值法反演后得出的植被覆盖度比例与实际比例的差值对比,从而评价插值法分析植被覆盖度的精度。从表4可以看出,通过克里金插值法获得的植被覆盖度分级比例与实际植被覆盖度分级比例一致性;分级比例差值最大的是极低覆盖区,这可能受到湖泊、冰川、雾气的影响;最小的是高覆盖区,克里金插值法对植被覆盖度估计有一定的参考意义。
3 结论
该研究通过利用国产遥感卫星数据及Google Earth高分数据,基于克里金插值法,通过利用植被指数NDIV对青海鄂陵湖、扎陵湖区域的植被数据进行了反演实验,得出了青海鄂陵湖、扎陵湖区域植被覆盖度,并给出了满意的结果:
(1)该研究结合最新地理国情监测最新植被覆盖分类方法确定了鄂陵湖、扎陵湖区域周边植被覆盖度,并给出了相对准确的分类结果。这表明在植被覆盖度的统计中,可以利用该方法作为一种检核植被覆盖度的检核方法。
(2)基于Google Earth高分数据,获得的高植被覆盖分布点和高植被覆盖分布点,对其进行克里金插值分析后,进行一些列植被覆盖度试验,获得相对准确的植被覆盖度,达到满意的结果。
参考文献
[1] 温小乐.基于影像的长乐市植被覆盖度变化研究[J].遥感信息,2013,28(6):56-61.
[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] 罗亚.基于遥感影像的植被指数研究方法述评[J].生态科学,2005,24(1):75-79.
[4] DAVIS J C.Statisticsanddataanalysisingeology[M].3rd edition.New York:John Wileyand Sons,2002:57-61.
[5] 刘世翔.专家克里金插值法在空间插值中的应用[J].地质与资源,2011,20(4):292-294.
[6] 郭鹏,董兰芳,夏泽举.地质数据的等值线绘制方法研究[J].计算机仿真,2009(9):168-171.
[7] 孙洪泉.地质统计学及其应用[M].北京:中国矿业大学出版社,1990:38-39.
[8] 弓小平,杨毅恒.普通Kriging法在空间插值中的运用[J].西北大学学报:自然科学版,2008(12):878-882.
[9] 赵娟.冬小麦不同生育时期叶面积指数繁衍方法[J].光谱学与光谱分析,2013,33(9):2546-2551.
[10] TUCHKER C J.African land-cover classificationusing satellite data(J).Science,1985,227(4685):369-375.
[11] 李惠敏,刘洪斌,武伟.近10年重庆市归一化植被指数变化分析[J].地理科学,2010,30(1):119-123.
[12] 赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.
[13] 顾祝军,曾志远.遥感植被盖度研究[J].水土保持研究,2005,12(2):18-21.
关键词:植被覆盖度;克里金插值;植被指数;三江源
中图分类号:S126 文献标识码 A 文章编号 0517-6611(2015)08-321-04
三江源植被覆盖度普查目前是地理国情监测的重要工作,普查的手段除了利用人工实地调研外,由于三江源区域位于青藏高原地区,地形复杂,气候多变,沼泽较多,人类及交通工具无法实地调研。遥感覆盖范围广、获得信息量大、效率高、周期短、受地理环境因素小等优点,特别适用于地理国情监测,因而,其作为一种进行植被覆盖度估算的手段被广泛应用。
植被覆盖度是指单位面积内植被垂直投影面积所占百分比,它是衡量一个地区的植被覆盖程度的一个重要综合指标,也是评价一个地区的生态环境状况的重要指标[1-2]。研究发现,植物叶子叶面反射光波普曲线主要由绿色植物中所含的叶绿素、水及其他生物元素决定的。在荒漠或植被稀疏的地方,植物的光谱特征反差最为不明显;而在植被覆盖中等的地区,植物光谱特征反差主要是来自红外波段和近红外波段变化的结果;在植被覆盖较为稠密的地区,植物的光谱特征的反差只来自近红外波段的贡献,红外波段对其几乎没有影响,接近趋于饱和的阶段,因此,根据红外波段及近红外波段对植被反射光谱的对不同密度的植被区域的影响的差异性,可以利用遥感影像中红外波段与近红外波段进行处理,可以得到研究区域的植被覆盖度[3]。
国内外学者对植被覆盖度的估算研究主要是利用植被指数NDVI,通过提取影像中反映植物植被指数的NDVI来分析得出植被覆盖度。笔者另辟蹊径,通过人工利用Google Earth高分数据与国产资源遥感影像进行插值分析,通过克里金插值方法,获得特征点的植被指数,通过插值比较,得出最终的植被覆盖度。
1 研究区域概况
研究区域位于黄河源头姊妹湖扎陵湖和鄂陵湖周边,其也属于三江源自然保护区内,该区域位于青海省巴颜喀拉山北麓的果洛藏族自治州玛多县境内,是黄河源头最大的2个高原淡水湖,淡水资源较为丰富,植被情况相对于其他同等区域种类多而全。该区域属于高海拔地区,平均海拔超过4 300 m,因此区域内主要是高海拔植物。该地年降水量200~400 mm,属于偏干旱地区,研究区域海拔高,植物生长期比较短,植被覆盖不是很密集。该区域位于三江源保护区内,该湿地被联合国《湿地公约》秘书处正式批准为国际重要湿地,这标志着我国面积最大、海拔最高,也是世界高海拔地区生物多样性最集中的三江源自然保护区成为全球最具影响力的高原湿地之一。
2 基于克里金插值法的植被覆盖度的研究
2.1 植被覆盖度估算 所采用的数据主要基于两部分:一是采用2013年国产环境卫星8月份青海省遥感数据,遥感数据影像分辨率为30 m,共有4个波段;二是基于Google Earth高分数据,在此基础上,获取了13个高覆盖植被特征点,18个低植被覆盖的裸土特征点,这些特征点的目的是为了在基于国产卫星遥感数据得到的NDVI影像中获得该特征点的NDVI,以便插值计算。
因为卫星存在严重的形变数据,引起几何形变的原因是多种的,主要原因是地球的形状不均匀、地球的运动轨迹变化、卫星的姿态轨道运行变化、遥感设备自身因素、扫描镜的不规则运动、配准失调等内部因素,所以国产环境资源卫星遥感影像首先要进行几何纠正。
几何纠正后,遥感影像的几何变形得到了一定程度的纠正,但是,由于遥感所利用的所有辐射能都会受到大气层的影响,大气会对辐射能量进行吸收、散射等,会使能量衰减,大气纠正的目的就是要尽量减少大气层对影像的干扰,该研究运用6S模型进行了大气辐射纠正。6S模型中共有6个参数,分别是太阳天顶角、太阳方位角、卫星天顶角、卫星方位角、平均高程、大气气溶胶厚度。6S模型通过利用辐射定标参数遥感原始影像的DN值、增益、偏益来获得大气表观反射率。其中定标公式为:
L=DN/g+L0
式中,DN是原始影像的值;g是增益;L0是偏益;L为大气表观反射率。不同波长范围的g、L0辐射定标参数见表1。6S模型参数见表2。
经过几何纠正后,得到如图1的几何纠正影像,纠正后的数据影像采用CGCS2000大地坐标系,高斯克吕格投影,中央经线东经99°,东偏500 000 m。再次经过6S定标模型进行辐射纠正后,得到如图2的辐射纠正影像,影像也从原来的8位的byte形变为32位的float形。通过大气纠正,辐射纠正的目的是纠正因辐射误差而引起的影像畸变。经过辐射纠正后,不同植被所表现出的差值更为明显,植被指数提取更为精确。目的是使影像地物分辨更为明显,植被分布更易分析。
此次样点数据主要是采用Google Earth的高分数据,样点的选取是基于2种植被覆盖类型。一种是基于极高植被覆盖度的样点,此处Google Earth影像显示该点覆盖几乎是100%;一种是基于极低植被覆盖度样点,此处Google Earth影像显示改点覆盖几乎为0;样点数据的采集基于尽量均匀分布于整个实验区域,但由于实验需求及样点采集有限,实验中2种样点的采集原始高值被覆盖植被样点是多于实验样点的,实验过程中要删去部分DN值过小的样点或区域过于密集的样点,此次实验所采用的样点数为高覆盖植被样点13个,如图3分布所示;对于低植被覆盖样点,分布原则同高植被覆盖样点等同,亦要采用均匀分布原则,但是也要去除DN值较高的样点及密度较大区域的样点,最后保留的低植被覆盖样点为18个,如图4分布所示。 2.2 插值分析 在许多预测性试验中,大多数时候需要通过已知数据来估计未知数据,而未知数据的估计是一个统计的过程[4]。
此次实验基于克里金插值法对影像进行插值计算,在地质探测或地表环境研究中,常常会用到克里金插值的方法,该方法是一种用于对局部估计的方法,能根据已知量估计未知量,克里金插值能提供某个区域的最佳平均值估计值[5-6]。克里金插值是一种对非均匀取样的内插方法,具备误差的估计能力[7-8]。克里金插值的这些特性,也可以用于植被覆盖度估计中。
该研究运用传统的克里金插值法,利用Eardas imagine 9.2软件获得样点的坐标值,根据坐标值获得植被覆盖度指数NDVI,最后利用ArcGIS软件对两种样点数据进行克里金插值,插值得出高植被覆盖点插值结果,如图5;低植被覆盖点插值结果,如图6。
2.3 植被指数的计算 此次实验采用归一化植被指数(NDVI),其是最早被提出来的植被指数,在许多研究中得到了应用。NDVI反映了绿色生物量、叶绿素含量和冠层水势变化[9]。在遥感科学中,归一化植被指数(NDVI)在植被监测中应用最为广泛,它能很好地反映植被覆盖、生物量及生态系统参数覆盖[10]。归一化植被指数(NDVI)常常用于土地利用、植被覆盖度、植被覆盖动态变化、环境监测等[11]。
假如植被冠层不是过于浓密或过于稀疏,该植被指数可以有效地预测实验区域地表的植被覆盖情况。但是,如果地表植被很稀疏,土壤或水体等非植物信号可能会严重改变NDVI的值;但是,如果植被很茂盛,NDVI值将达到其极值,无法正确地反应植被的疏密度。因此,为了避免NDVI的这个不足,有人提出了这样的原理:
Fg=NDVIi-NDVIminNDVImax-NDVImin
根据二分模型原理[12-13],假设一个像元的地表是由有植被覆盖部分地表与无植被覆盖部分地表组成,而遥感传感器观测的光谱信息也由这2个组分因子合成,各因子的权重是各自的面积在像元中所占的比率,即可以把植被覆盖度作为植被的权重。
植被覆盖度是指植被所覆盖区域的比例,如果卫星遥感影像所得到的遥感信息为Y,由植被覆盖的信息为Yz,由土壤得到的信息为Yt,则可以综合为一个线性关系,可以简单地得到如下公式:
Y=Yz+Yt
NDVImax影像见图7。NDVImin影像见图8。最终得出植被覆盖度示意图(图9)。
植被覆盖度统计结果见图10。通过数据分析,植被覆盖最大值为1.0,最小值为0.000 1,平均值为0.330 840,方差为0.255 76;从图10可看出,有相当一部分点值位于0.15~0.45之间,可以得出该地区植被覆盖度相对较低,大多数地区处于荒漠化状态,方差值低,也充分说明该地区植被覆盖区分度比较低。根据三江源区植被覆盖度分级(表3),可以得出插值法反演后得出的植被覆盖度比例与实际比例的差值对比,从而评价插值法分析植被覆盖度的精度。从表4可以看出,通过克里金插值法获得的植被覆盖度分级比例与实际植被覆盖度分级比例一致性;分级比例差值最大的是极低覆盖区,这可能受到湖泊、冰川、雾气的影响;最小的是高覆盖区,克里金插值法对植被覆盖度估计有一定的参考意义。
3 结论
该研究通过利用国产遥感卫星数据及Google Earth高分数据,基于克里金插值法,通过利用植被指数NDIV对青海鄂陵湖、扎陵湖区域的植被数据进行了反演实验,得出了青海鄂陵湖、扎陵湖区域植被覆盖度,并给出了满意的结果:
(1)该研究结合最新地理国情监测最新植被覆盖分类方法确定了鄂陵湖、扎陵湖区域周边植被覆盖度,并给出了相对准确的分类结果。这表明在植被覆盖度的统计中,可以利用该方法作为一种检核植被覆盖度的检核方法。
(2)基于Google Earth高分数据,获得的高植被覆盖分布点和高植被覆盖分布点,对其进行克里金插值分析后,进行一些列植被覆盖度试验,获得相对准确的植被覆盖度,达到满意的结果。
参考文献
[1] 温小乐.基于影像的长乐市植被覆盖度变化研究[J].遥感信息,2013,28(6):56-61.
[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] 罗亚.基于遥感影像的植被指数研究方法述评[J].生态科学,2005,24(1):75-79.
[4] DAVIS J C.Statisticsanddataanalysisingeology[M].3rd edition.New York:John Wileyand Sons,2002:57-61.
[5] 刘世翔.专家克里金插值法在空间插值中的应用[J].地质与资源,2011,20(4):292-294.
[6] 郭鹏,董兰芳,夏泽举.地质数据的等值线绘制方法研究[J].计算机仿真,2009(9):168-171.
[7] 孙洪泉.地质统计学及其应用[M].北京:中国矿业大学出版社,1990:38-39.
[8] 弓小平,杨毅恒.普通Kriging法在空间插值中的运用[J].西北大学学报:自然科学版,2008(12):878-882.
[9] 赵娟.冬小麦不同生育时期叶面积指数繁衍方法[J].光谱学与光谱分析,2013,33(9):2546-2551.
[10] TUCHKER C J.African land-cover classificationusing satellite data(J).Science,1985,227(4685):369-375.
[11] 李惠敏,刘洪斌,武伟.近10年重庆市归一化植被指数变化分析[J].地理科学,2010,30(1):119-123.
[12] 赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.
[13] 顾祝军,曾志远.遥感植被盖度研究[J].水土保持研究,2005,12(2):18-21.