Microsoft Word - s doc

Size: px

Start display at page:

Download "Microsoft Word - s doc"

今丁
7 years ago
Views:

1 植物生态学报 2013, 37 (1): Chinese Journal of Plant Ecology 不同地形条件下植被盖度信息提取技术研究 * 吴见刘民士李伟涛滁州学院地理信息与旅游学院, 安徽滁州摘要为系统地研究特定区域的植被盖度信息提取技术, 在不同的地形条件下, 比较了目前流行的多种高光谱遥感植被盖度提取方法结果表明 : 最优高光谱归一化植被指数 (NDVI 1 ) 的建模和精度均高于其他两种归一化植被指数 (NDVI), 直接采用 NDVI 建立的回归模型对研究区植被盖度的估测能力低于像元二分模型 ; 阴坡的最佳模型为基于一阶微分的偏最小二乘回归模型 (PLSR 模型 ), 其建模决定系数 (R 2 ) 为 0.810, 均方根误差 (RMSE) 为 6.29, R 2 为 0.773, RMSE 为 8.85; 阳坡的最佳模型为基于二阶微分的 PLSR 模型, 其建模 R 2 为 0.823, RMSE 为 6.04, R 2 为 0.801, RMSE 为 7.35; 平原的最佳模型为全受限的线性光谱混合分解模型 (FCLS), 其 R 2 为 0.852, RMSE 为 5.86 关键词干旱半干旱, 高光谱, 模型, 植被盖度 Research on vegetation cover information extraction technologies under different terrain conditions WU Jian *, LIU Min-Shi, and LI Wei-Tao Geographic Information and Tourism College, Chuzhou University, Chuzhou, Anhui , China Abstract Aims We compared a variety of vegetation cover extraction s by hyperspectral remote sensing that are currently popular. Our aims were to systematically study vegetation information extraction technology and provide a reference for further study of vegetation cover. Methods The s of vegetation index, dimidiate pixel model, principal component regression (PCR), partial least squares regression first order differential (PLSR) and linear spectral mixture decomposition model were used to extract vegetation information. Important findings The vegetation cover estimation ability of dimidiate pixel models established by different normalized differential vegetation index (NDVI) was higher than that of the regression models established by NDVI directly. The optimization model for shady slopes was PLSR model based on the first order differential (FD) with modeling R 2 = 0.810, root mean square error (RMSE) = 6.29 and validation R 2 = 0.773, RMSE = The optimization model for sunny slopes was PLSR model based on the second order differential (SD), with modeling R 2 = 0.823, RMSE = 6.04 and validation R 2 = 0.801, RMSE = The optimization model for plains was full confine linear spectral mixture model (FCLS), with validation R 2 = 0.852, RMSE = Key words arid and semi-arid, high spectrum, model, vegetation coverage 植被盖度的定义为一定的观测区域内植被投影面积占区域总面积的比率, 该指标不仅反映了区域的植被生长状况, 也指示了区域生态环境的优劣状况 ( 程红芳等, 2008) 随着遥感技术的迅速发展, 为大范围全面及时准确地获取植被盖度信息提供了可能不同的区域和不同的地形条件下, 植被盖度及生长状况差异很大, 增加了植被信息的提取难度 (Townshend & Justice, 1986) 传统的遥感数据源, 如 MSS SPOT TM 影像等, 光谱分辨率低收稿日期 Received: 接受日期 Accepted: * xiangfeidewujian@126.com 波段少, 因此包含的植被信息量相对较少 (Blackburn, 1998) 为适应实际需求, 近年来高光谱遥感技术应运而生, 高光谱遥感数据具有很多窄波段, 能够提供连续的光谱曲线, 解决了传统遥感数据地物光谱信息不足的难题, 为准确地提取地物信息提供了新的手段 (Elvidge & Chen, 1995; Thenkabail et al., 2000) 目前, 用于获取植被盖度信息的方法主要是计算植被指数 (VI) ( 杜明义等, 2002) 回归分析法和光

2 吴见等 : 不同地形条件下植被盖度信息提取技术研究 19 谱混合分析法 (SMA) (Hansen et al., 2002) 在植被稀疏的区域, 土壤背景等因素对归一化植被指数 (NDVI) 等常用的植被指数影响较大 (Kremer & Running, 1993), 且大范围评价时需要确定土壤调节植被指数的一系列参数, 带来了较多的人为影响 ( 杨晓晖和慈龙骏, 2006) 因此, SMA 开始被逐步用于获取地面植被信息 (Asner & Lobell, 2000), 其中大多数研究均采用线性光谱混合分解模型 (LSSM) (Drake et al., 1999) 目前针对特定区域植被盖度信息提取方法的研究多是采用某一种或两种方法进行的, 且在同一研究区域不同地形条件下对各种方法进行系统全面分析的研究还未见报道, 适合不同地形条件下植被盖度提取模型的选择尚需要进一步的探索为系统地研究特定区域的植被盖度信息提取技术, 本文在不同的地形条件下, 比较了目前流行的多种高光谱遥感植被盖度提取方法, 旨在为特定区域植被盖度信息提取技术的深入研究提供参考 1 研究区概况和数据获取 1.1 研究区概况怀柔地处北京东北部, 总面积达 km 2, 是华北平原内蒙古高原以及燕山山脉的过渡地带该区北部环山, 南部是草原, 地形包括深山浅山平原 3 种类型, 从南向北绵延 128 km, 且山地面积占整个怀柔区的 88.7%, 宜林山场森林面积达 41% 地势呈北高南低, 海拔变化较大, 在 m 之间该区气候冬天受西伯利亚冷空气影响, 寒冷干燥, 夏天受海洋气团影响, 温热湿润, 春秋季节短且干旱多风年平均气温在 6 12 之间, 常年平均年降水量在 mm 之间土壤主要包括草甸土褐土棕壤风砂土等类型 1.2 数据获取本研究选取北京怀柔部分地区 2001 年 5 月 19 日的 EO-1 Hyperion 高光谱数据, 该数据共有 242 波段, 其中 1 70 波段是可见光近红外波段 (VNIR), 波段是短波红外波段 (SWIR), 光谱分辨率为 10 nm, 空间分辨率为 30 m 首先删除 2 个重复 20 个受水汽影响严重及 44 个未定标波段, 剩余 176 个波段 ; 然后对剩余波段进行处理, 包括坏线修复条纹去除以及 smile 效应去除 ; 最后, 对处理后的图像进行检验, 继续删除质量差的波段 7 个, 剩余 169 个波段被删除的具体波段为 : 利用 FLAASH 软件对剩余的 169 个波段进行大气纠正, 得到反射率图像大气纠正后, 采用 1: 地形图对影像进行几何纠正, 总误差是 0.35 个像元 1.3 地面数据获取样地大小为 30 m 30 m 的正方形, 调查因子主要包括 : 植被盖度样地中心点和 4 个顶角的坐标坡度坡向植被类型等, 其中植被盖度采用对角线法获取将调查数据以阴坡 ( 坡向为西北和东北 ) 阳坡 ( 坡向为东南和西南 ) 和平原 3 种地形进行划分, 每种地形选取样地数为 60 块地面数据调查的时间为 2001 年 5 6 月 2 植被盖度信息提取技术 2.1 基于 NDVI 的植被盖度估测 NDVI 的计算方法植被指数 NDVI 的计算式为 : NDVI = (NIR Red) / (NIR + Red) (1) 其中 NIR 代表近红外波段光谱, Red 代表红色波段光谱为比较不同 NDVI 在干旱地区估测植被覆盖度的能力, 选取了最优高光谱 NDVI (NDVI 1 ) 标准高光谱 NDVI (NDVI 2 ) 和 TM 波段 NDVI (NDVI 3 ) 3 种植被指数进行植被盖度估测不同 NDVI 选取的 NIR 与 Red 波段的光谱不同 : 对于 NDVI 1, 选取 Hyperion 高光谱影像中 NIR 光谱范围 ( nm) 和 Red 光谱范围 ( nm) 内的全部波段两两组合计算 NDVI 1, 同时计算所有的 NDVI 1 值与实测植被盖度的相关性, 采用相关系数最大的 NDVI 1 进行植被盖度估测, 本研究采用李晓松等 (2011) 的研究结果, 选择构建 NDVI 1 的 NIR 与 Red 最优波长组合为 / nm; 对于 NDVI 2, NIR 与 Red 的值选择 TM 的 ρ 4 与 ρ 3 波段中心波长处对应的高光谱波段光谱值 ; 对于 NDVI 3, 将高光谱数据重采样成 Landsat TM 波段数据, 并以 ρ 4 ρ 3 的光谱值作为 NIR 和 Red 的取值不同地形条件下不同 NDVI 估测植被盖度能力分析采用 NDVI 1 NDVI 2 和 NDVI 3 对阴坡阳坡和平原 3 种地形条件下的植被盖度分别进行估测, 每种地形的建模样本随机选取 35 个, 样本为 25 个

3 20 植物生态学报 Chinese Journal of Plant Ecology 2013, 37 (1): 不同地形条件下的建模和结果分别见表 1 表 2 和表 3 表 1 不同归一化植被指数 (NDVI) 估测阴坡植被盖度的建模和结果 Table 1 Modeling and verification results of shady slope vegetation coverage estimation of different normalized differential vegetation index (NDVI) NIR (nm) Red 建模 Modeling Verification (nm) R 2 RMSE R 2 RMSE NDVI NDVI NDVI 3 TM4 TM NDVI 1, 最优高光谱 NDVI; NDVI 2, 标准高光谱 NDVI; NDVI 3, TM 波段 NDVI; NIR, 近红外波段光谱 ; Red, 红色波段光谱 ; RMSE, 均方根误差 NDVI 1, optimal hyper spectral NDVI; NDVI 2, standard high spectral NDVI; NDVI 3, TM band NDVI; NIR,near infrared band spectrum;red, red band spectrum;rmse, root mean square error. 从表 1 可以看出, NDVI 1 的建模和精度均高于其他两种 NDVI, 建模 R 2 达 0.656, RMSE 为 10.73, R 2 为 0.638, RMSE 为 NDVI 2 比 NDVI 3 的建模和结果稍好, 但总体来看 NDVI 2 和 NDVI 3 的建模和结果精度均较低, 不能满足实际植被盖度监测需求图 1 为 NDVI 1 对阴坡植被盖度预测值的结果由图 1 可知, 该指数在高植被盖度区的估测精度较高, 误差主要来源于对 30% 以下的低盖度植被估测效果较差这主要是因为阴坡的植被盖度整体较低, 高植被盖度区较少, 大多在 50% 以下, NDVI 自身对土壤背景比较敏感, 在植被盖度较低时会受到土壤背景的影响, 造成在低植被盖度区估测精度降低表 2 不同归一化植被指数 (NDVI) 估测阳坡植被盖度的建模和结果 Table 2 Modeling and verification results of sunny slope vegetation coverage estimation of different normalized differential vegetation index (NDVI) NIR (nm) Red (nm) 建模 Modeling Verification R 2 RMSE R 2 RMSE NDVI NDVI NDVI 3 TM4 TM NDVI 1, 最优高光谱 NDVI; NDVI 2, 标准高光谱 NDVI; NDVI 3, TM 波段 NDVI; NIR, 近红外波段光谱 ; Red, 红色波段光谱 ; RMSE, 均方根误差 NDVI 1, optimal hyper spectral NDVI; NDVI 2, standard high spectral NDVI; NDVI 3, TM band NDVI; NIR,near infrared band spectrum;red, red band spectrum;rmse, root mean square error. 表 3 不同归一化植被指数 (NDVI) 估测平原植被盖度的建模和结果 Table 3 Modeling and verification results of plain vegetation coverage estimation of each normalized differential vegetation index (NDVI) NIR (nm) Red (nm) 建模 Modeling Verification R 2 RMSE R 2 RMSE NDVI NDVI NDVI 3 TM4 TM NDVI 1, 最优高光谱 NDVI; NDVI 2, 标准高光谱 NDVI; NDVI 3, TM 波段 NDVI; NIR, 近红外波段光谱 ; Red, 红色波段光谱 ; RMSE, 均方根误差 NDVI 1, optimal hyper spectral NDVI; NDVI 2, standard high spectral NDVI; NDVI 3, TM band NDVI; NIR,near infrared band spectrum;red, red band spectrum;rmse, root mean square error. 图 1 最优高光谱归一化植被指数 (NDVI 1 ) 的阴坡植被盖度预测值结果 RMSE, 均方根误差 Fig. 1 Verification results of the prediction value of shady slope vegetation coverage by the optimal hyper spectral normalized differential vegetation index (NDVI 1 ). RMSE, root mean square error. 从表 2 可以看出, NDVI 1 的建模和精度均高于其他两种 NDVI, 建模 R 2 达 0.731, RMSE 为 8.85, R 2 为 0.711, RMSE 为 9.94 尽管 NDVI 2 和 NDVI 3 的建模和精度较 NDVI 1 低, 但相对于阴坡的估测精度来看, 整体精度已较高阳坡的林地生长较好, 植被丰富, 平均盖度较高, 土壤背景等因素的影响较小, 3 种 NDVI 均可用于阳坡的植被盖度估测从表 3 可以看出, NDVI 1 的建模和精度均高于其他两种 NDVI, 建模 R 2 达 0.746, RMSE 为 7.09, R 2 为 0.732, RMSE 为 8.95 与阴坡和阳坡的植被盖

4 吴见等 : 不同地形条件下植被盖度信息提取技术研究 21 表 4 不同地形条件下不同归一化植被指数 (NDVI) 的像元二分模型结果 Table 4 Verification results of pixel binary model of different normalized differential vegetation index (NDVI) under different terrain conditions NDVI soil NDVI veg 阴坡 Shady slope 阳坡 Sunny slope 平原 Plain R 2 RMSE R 2 RMSE R 2 RMSE NDVI NDVI NDVI NDVI 1, 最优高光谱 NDVI; NDVI 2, 标准高光谱 NDVI; NDVI 3, TM 波段 NDVI; NDVI soil, 全裸土覆盖像元的 NDVI 值 ; NDVI veg, 全植被覆盖像元的 NDVI 值 ; RMSE, 均方根误差 NDVI 1, optimal hyper spectral NDVI; NDVI 2, standard high spectral NDVI; NDVI 3, TM band NDVI; NDVI soil, NDVI value of pixel covered by naked soil; NDVI veg, NDVI value of pixel covered by all the vegetation. 度估测结果相比, 不同 NDVI 对平原植被盖度的估测精度相对较高这主要是由于平原地区植被盖度较高, 裸土光谱对各 NDVI 的影响较小, 且实地调查数据获取时不受坡度干扰, 结果更加精确不同地形条件下像元二分模型植被盖度估测采用以上 3 种 NDVI 建立像元二分模型, 公式为 : f c = ( NDVI NDVI soil ) /( NDVI veg NDVI soil ) 式中, f c 为植被覆盖度, NDVI 为影像中各像元的 NDVI 值, NDVI soil 为全裸土覆盖像元的 NDVI 值, NDVI veg 为全植被覆盖像元的 NDVI 值从中可以看出, NDVI soil 和 NDVI veg 的确定是关键, 将直接影响植被覆盖度估算结果本研究取 NDVI 影像中的最小值作为 NDVI soil, 取 NDVI 影像中的最大值作为 NDVI veg 不同地形条件下 3 种 NDVI 建立的像元二分模型对研究区植被盖度进行了估测, 结果见表 4 由表 4 可知, 不同 NDVI 的像元二分模型对平原植被盖度的整体估测精度最高, 阳坡次之, 阴坡最差另一方面, 在 3 种地形条件下, 基于 NDVI 1 的像元二分模型精度均高于其他两种 NDVI, 其中阴坡的 R 2 为 0.656, RMSE 为 10.38, 阳坡的 R 2 为 0.730, RMSE 为 9.15, 平原的 R 2 为 0.758, RMSE 为 8.06 图 2 为基于 NDVI 1 的像元二分模型阴坡植被盖度预测值结果从图 2 可知, 实测植被盖度小于模型的预测值, 这主要是因为阴坡植被生长稀疏, 整体盖度较低, 很难找到 30 m 30 m 的纯植被覆盖像元, 因此 NDVI veg 值偏小, 根据像元二分模型计算时, 估测结果偏大对比表 1 4 可知, 除 NDVI 3 建立的像元二分模型对阳坡植被盖度的估测精度低于直接采用 NDVI 3 建立的回归模型外, 其他情况下, 直接采用 NDVI 建立的回归模型对研究区植被盖度图 2 基于最优高光谱 NDVI(NDVI 1 ) 的像元二分模型阴坡植被盖度预测值结果 RMSE, 均方根误差 Fig. 2 Verification results of the prediction value of shady slope vegetation coverage of pixel binary model based on the optimal high spectral NDVI (NDVI 1 ). RMSE, root mean square error. 的估测能力低于像元二分模型通过比较表 1 至表 4 可知, 各种方法的 R 2 和 RMSE 指标的差别不是特别明显, 说明基于 NDVI 指标的植被盖度估测方法总体差别并不大, 体现了 NDVI 较强的反映植被状况的能力, 并且 NDVI 的 NIR 与 Red 波段的光谱越细致, 对植被盖度的估测越准确 2.2 基于主成分回归 (PCR) 与偏最小二乘回归 (PLSR) 的植被盖度估测主成分回归时, 自变量光谱数据首先被分解成得分矩阵和特征向量, 然后再与因变量进行回归 PLSR 与 PCR 非常相似, 但 PLSR 回归对自变量光谱数据进行分解时兼顾了因变量信息并从中提取因子, 进而根据因子间相关性的高低对其重新排列, PLSR 得到的权重矩阵体现了自变量光谱数据和因

5 22 植物生态学报 Chinese Journal of Plant Ecology 2013, 37 (1): 变量间的协方差结构 PLSR 的建模步骤 ( 李晓松等, 2011) 为 : 1) 将自变量矩阵 X = (x ij ) n p 和因变量矩阵 Y = (y ij ) n m 分解为特征向量 : Y = UQ + F (2) X = TP + E (3) 其中, U T 代表 X 与 Y 的特征因子矩阵 ( n d 阶, d 代表抽象组分数 ), Q ( d m 阶 ) P ( d p 阶 ) 代表 X 与 Y 的载荷阵, F( n m 阶 ) E ( n p 阶 ) 代表 Y 与 X 的残差阵 2) 按照特征向量的相关性将 Y 和 X 进行分解, 建立回归模型 : U = TB + E d (4) 其中, B 代表 d 维对角回归系数阵, E d 代表随机误差阵采用交叉法确定最佳维数 d, 当交叉均方根误差最小时, 选取其对应的维数 d 作为最佳维数为了分析不同数据处理方法预测研究区植被盖度的效果, 获取最佳回归预测模型, 对反射率光谱分别进行一阶微分 (FD) 二阶微分(SD) 包络线去除 (CR) 等 3 种光谱处理, 加上原始反射率无变换数据 (NO) 共 4 种不同光谱处理方法, 作为建立回归预测模型的输入数据集对阴坡阳坡和平原 3 种地形条件下的植被盖度分别进行估测, 每种地形的建模样本选取 35 个, 样本为 25 个, 与 NDVI 估测法选取的建模和样本一致选取 RMSE 和 R 2 来检验建立的回归模型拟合效果和预测能力 PCR 模型植被盖度估测表 5 为 4 种光谱处理方法 PCR 模型阴坡植被盖度建模和结果由表 5 可知, 基于 CR 的 PCR 模型的建模和精度均较其他光谱处理高, 其建模 R 2 为 0.794, RMSE 为 8.49, R 2 为 0.753, RMSE 为 9.06 基于 FD 的 PCR 模型对阴坡植被盖度的估测效果次之, 基于 NO 的 PCR 模型效果最差 4 种光谱处理方法 PCR 模型对阴坡植被盖度的建模精度由高到低为 : CR > FD > SD > NO; 精度由高到低为 : CR > FD > SD > NO 表 6 为 4 种光谱处理方法 PCR 模型阳坡植被盖度建模和结果由表 6 可知, 对于建模精度, 基于 SD 的 PCR 模型精度最高, 其 R 2 为 0.775, RMSE 为 8.90, FD 光谱建模精度次之, NO 建模效果最差 ; 对于精度, 基于 FD 光谱的 PCR 模型精度最高, 其表 5 不同光谱处理方法主成分回归 (PCR) 模型阴坡植被盖度建模和结果 Table 5 Modeling and verification results of shady slope vegetation coverage by principal component regression (PCR) models based on different spectral processing s 光谱处理方法变量个数建模 Spectrum processing Variable Modeling Verification 无变换数据 NO 一阶微分 FD 二阶微分 SD 包络线去除 CR 表 6 不同光谱处理方法主成分回归 (PCR) 模型阳坡植被盖度建模和结果 Table 6 Modeling and verification results of sunny slope vegetation coverage by principal component regression (PCR) model based on different spectral processing s 光谱处理方法变量个数建模 Spectrum processing Variable Modeling Verification 无变换数据 NO 一阶微分 FD 二阶微分 SD 包络线去除 CR R 2 为 0.685, RMSE 为 11.57, CR 精度次之, SD 的结果最差 4 种光谱处理方法 PCR 模型的阳坡植被盖度建模精度由高到低为 : SD > FD > CR > NO; 精度由高到低为 : FD > CR > NO > SD 从以上分析结果可以看出, 4 种光谱处理方法的整体建模精度较高, 但精度下降均较大, 这主要是因为阳坡植被盖度普遍较高, 低植被区域较少, 拟合过程容易出现过度拟合现象表 7 为 4 种光谱处理方法 PCR 模型平原植被盖度建模和结果由表 7 可知, 基于 FD 的 PCR 模型的建模和精度均较其他光谱处理高, 其建模 R 2 为 0.759, RMSE 为 9.71, R 2 为 0.726, RMSE 为种光谱处理方法 PCR 模型平原植被盖度的建模精度由高到低为 : FD > NO > CR > SD; 精度由高到低为 : FD > CR > NO > SD 从以上分析结果可以看出, 采用 PCR 模型估测植被盖度时, 基于 CR 的 PCR 模型对阴坡植被盖度估测效果最佳, 基于 FD 光谱的 PCR 模型对阳坡和平

6 吴见等 : 不同地形条件下植被盖度信息提取技术研究 23 表 7 不同光谱处理方法主成分回归 (PCR) 模型平原植被盖度建模和结果 Table 7 Modeling and verification results of plain vegetation coverage by principal component regression (PCR) model based on different spectral processing s 光谱处理方法 Spectrum processing 变量个数 Variable 建模 Modeling Verification 无变换数据 NO 一阶微分 FD 二阶微分 SD 包络线去除 CR 表 9 不同光谱处理方法偏最小二乘回归 (PLSR) 模型阳坡植被盖度建模和结果 Table 9 Modeling and verification results of sunny slope vegetation coverage by partial least squares regression (PLSR) model based on different spectral processing s 光谱处理方法 Spectrum processing 变量个数 Variable 建模 Modeling Verification 无变换数据 NO 一阶微分 FD 二阶微分 SD 包络线去除 CR 原植被盖度估测效果最佳 PLSR 模型植被盖度估测表 8 为 4 种光谱处理方法 PLSR 模型阴坡植被盖度建模和结果由表 8 可知, 无论是建模精度还是精度, 基于 FD 的 PLSR 模型精度均为最高, 其中建模时的 R 2 为 0.810, RMSE 为 6.29, 精度的 R 2 为 0.773, RMSE 为种光谱处理方法 PLSR 模型阴坡植被盖度的建模精度由高到低为 : FD > SD > NO > CR; 精度从高到低为 : FD > SD > NO > CR 表 8 不同光谱处理方法偏最小二乘回归 (PLSR) 模型阴坡植被盖度建模和结果 Table 8 Modeling and verification results of shady slope vegetation coverage by partial least squares regression (PLSR) model based on different spectral processing s 光谱处理方法 Spectrum processing 变量个数 Variable 建模 Modeling Verification 无变换数据 NO 一阶微分 FD 二阶微分 SD 包络线去除 CR 表 9 为 4 种光谱处理方法 PLSR 模型阳坡植被盖度建模和结果由表 9 可知, 无论是建模精度还是精度, 基于 SD 的 PLSR 模型精度均为最高, 其中建模时的 R 2 为 0.823, RMSE 为 6.04, 精度的 R 2 为 0.801, RMSE 为种光谱处理方法 PLSR 模型阳坡植被盖度的建模精度由高到低为 : SD > FD > NO > CR; 精度从高到低为 : SD > FD > NO > CR 表 10 为 4 种光谱处理方法 PLSR 模型平原植被盖度建模和结果由表 10 可知, 对于建模精度, 基于 SD 的 PLSR 模型精度最高, 其建模时的 R 2 为 0.836, RMSE 为 6.13; 对于精度, 基于 FD 的 PLSR 模型精度最高, 其时的 R 2 为 0.809, RMSE 为 6.95; 4 种光谱处理方法 PLSR 模型平原植被盖度的建模精度由高到低为 : SD > FD > CR > NO; 精度从高到低为 : FD > SD > NO > CR 表 10 不同光谱处理方法偏最小二乘回归 (PLSR) 模型平原植被盖度建模和结果 Table 10 Modeling and verification results of plain vegetation coverage by partial least squares regression (PLSR) model based on different spectral processing s 光谱处理方法 Spectrum processing 变量个数 Variable 建模 Modeling Verification 无变换数据 NO 一阶微分 FD 二阶微分 SD 包络线去除 CR 从以上分析结果可以看出, 采用 PLSR 模型估测植被盖度时, 基于 FD 的 PLSR 模型对于阴坡和平原植被盖度估测效果最佳, 基于 SD 的 PLSR 模型对阳坡植被盖度估测效果最佳通过表 5 至表 10 的比较可以看出, PCR 的精度与 NDVI 相比没有改善多少, 而 PLSR 的精度整体提高较为明显, 这主要是由于 PLSR 回归对自变量光谱数据进行分解时兼顾了因变量信息并从中提取因子, 同时更有效地降低了

7 24 植物生态学报 Chinese Journal of Plant Ecology 2013, 37 (1): 不同波段数据的相关性, 使得回归模拟的效果更好 2.3 基于线性光谱混合分解模型的植被盖度估测线性光谱混合分解模型的分解结果与实测植被盖度可直接对应起来, 具有明确的物理意义, 因此本研究选择线性光谱混合模型 (LSMM) 分解研究区域影像, 公式为 : ρ i, j, k= F i, j, mρm, k + ei, j, k (5) m= 1,p 式中 : ρ i, j, k 为 i 行 j 列像元在 k 波段的反射率 (%); F i, j, m 为基本组分 m 在 i 行 j 列像元中所占分量值 ; ρ m, k 为基本组分 m 在 k 波段的反射率 ; e i, j, k 为 k 波段 i 行 j 列像元的误差值此模型为非受限的 LSMM (LS), 该算法的分解结果常常不能准确地反映各端元的真实分布为改善分解效果, 需要对公式 (5) 附加 2 个限制性条件, 即 : 此模型为全受限的 LSMM (FCLS) 为进行比较, 本研究同时采用了 FCLS 和 LS 模型对影像进行分解影像分解的精度往往取决于端元的选取, 从实验室或野外光谱数据库中选取各端元光谱时, 影像的大气校正要求严格, 且获取光谱数据时间经常与影像不一致, 因此本研究直接从影像中获取端元光谱, 无需复杂的大气校正, 且可以代表影像尺度上的光谱测量值, 易与地面特征相联系 ( 李晓松等, 2010) 首先, 采用最小噪声白化变换 (MNF) 对原始影像进行处理, 以压缩维数消除波段间的高相关性然后, 将研究区内的水体掩模去除, 以使基本组分的选取更具代表性最后, 本研究以极端基本组分法选择了基本组分利用去除水体后的 MNF 分量 1 与 MNF 分量 2 构建特征空间, 经分析及实地调查可知特征空间的 4 个顶角分别代表耕地裸岩地植被滩涂因此, 去除水体后研究区域的地物反射率可以用耕地裸岩地植被滩涂 4 个基本组分的混合模型来表达本研究采用最小包含特征空间法, 即选择最靠近特征空间顶角的大约 100 个像元的反射率均值来确定基本组分光谱基本组分的数目及光谱特征确定以后, 本研究采用 FCLS 和 LS 两种模型对原始反射率影像进行了分解针对 FCLS 和 LS 两种模型对原始反射率影像分解的植被分量进行了精度, 在阳坡阴坡和平原 3 种地形条件下各选取野外实测的 25 个样本 ( 与 NDVI PCR 和 PLSR 的样本一致 ), 与分解结果建立回归关系, 结果见表 11 表 11 不同地形条件下全受限的 LSMM (FCLS) 和非受限的 LSMM (LS) 模型分解的植被分量精度结果 Table 11 Accuracy verification results of vegetation component unmixed by full confining linear spectral mixture model (FCLS) and linear spectral mixture model (LS) under different terrain conditions 分解模型 Verification Decomposition 阴坡阳坡平原 model Shady slope Sunny slope Plain R 2 RMSE R 2 RMSE R 2 RMSE LS FCLS 表 11 是 FCLS 和 LS 两种模型对原始反射率影像分解的不同地形条件下植被分量精度结果由表 11 可知, 两种分解模型的精度在阴坡阳坡和平原区域逐步提高, 这主要是因为阴坡分解时受到阴影和坡度的影响较大, 阳坡主要受坡度干扰, 平原相对较容易分解另外, FCLS 分解的精度在不同地形条件下均高于 LS 的分解结果, 这主要是由于 LS 模型对各基本组分分量没有约束条件, 造成植被分量中既有正值又有负值, 使得结果与实测植被盖度相关性下降从以上分析结果可以看出, 采用线性光谱混合分解模型估测植被盖度时, FCLS 对阴坡阳坡和平原的植被盖度估测效果均为最佳 3 结论为系统地研究干旱半干旱区植被盖度信息提取技术, 本文以北京怀柔为例, 采用 EO-1 Hyperion 高光谱数据, 在不同地形条件下, 对目前流行的多种高光谱遥感植被盖度提取方法进行了对比研究, 得到如下主要结论 : 1) NDVI 1 的建模和精度均高于其他两种 NDVI, 在 3 种地形条件下, 基于 NDVI 1 的像元二分模型精度均高于其他两种 NDVI; 直接采用 NDVI 建立的回归模型对研究区植被盖度的估测能力低于像元二分模型 2) 采用 PCR 模型估测植被盖度时, 基于 CR 的 PCR 模型对阴坡植被盖度估测效果最佳, 基于 FD 光谱的 PCR 模型对阳坡和平原植被盖度估测效果最

8 吴见等 : 不同地形条件下植被盖度信息提取技术研究 25 佳 ; 采用 PLSR 模型估测植被盖度时, 基于 FD 的 PLSR 模型对于阴坡和平原植被盖度估测效果最佳, 基于 SD 的 PLSR 模型对阳坡植被盖度估测效果最佳 ; 采用线性光谱混合分解模型估测植被盖度时, FCLS 对阴坡阳坡和平原的植被盖度估测效果均为最佳 3) 阴坡的最佳模型为基于 FD 的 PLSR 模型, 其建模 R 2 为 0.810, RMSE 为 6.29, R 2 为 0.773, RMSE 为 8.85; 阳坡的最佳模型为基于 SD 的 PLSR 模型, 其建模 R 2 为 0.823, RMSE 为 6.04, R 2 为 0.801, RMSE 为 7.35; 平原的最佳模型为 FCLS, 其 R 2 为 0.852, RMSE 为 5.86 基金项目安徽省高等学校省级优秀青年人才基金项目 (2011SQRL124) 和滁州学院科研项目 (2010- kj-027b) 参考文献 Asner GP, Lobell DB (2000). A biogeophysical approach for automated SWIR unmixing of soils and vegetation. Remote Sensing of Environment, 74, Blackburn GA (1998). Quantifying chlorophylls and caroteniods at leaf and canopy scales: an evaluation of some hyperspectral approaches. Remote Sensing of Environment, 66, Cheng HF, Zhang WB, Chen F (2008). Advances in researches on application of remote sensing to estimating vegetation coverage. Remote Sensing for Land & Resources, 20(1), (in Chinese with English abstract) [ 程红芳, 章文波, 陈锋 (2008). 植被覆盖度遥感估算方法研究进展. 国土资源遥感, 20(1), ] Drake NA, Mackin S, Settle JJ (1999). Mapping vegetation, soils, and geology in semi-arid shrublands using spectral matching and mixture modeling of SWIR AVIRIS imagery. Remote Sensing of Environment, 68, Du MY, Wu WB, Guo ZD (2002). Research on multi-source geographic information based classification of desertification. Journal of Image and Graphics, 7, (in Chinese with English abstract) [ 杜明义, 武文波, 郭达志 (2002). 多源地学信息在土地荒漠化遥感分类中的应用研究. 中国图形图像学报, 7, ] Elvidge CD, Chen ZK (1995). Comparison of broad-band and narrow-band red and near-infrared vegetation indices. Remote Sensing of Environment, 54, Hansen MC, Defries RS, Townshend JRG, Sohlberg R, Dimiceli C, Carroll M (2002). Towards an operational MODIS continuous field of percent tree cover agorithm: examples using AVHRR and MODIS data. Remote Sensing of Environment, 83, (in Chinese with English abstract) Kremer RG, Running SW (1993). Community type differentiation using NOAA/AVHRR data within a sagebrush-steppe ecosystem. Remote Sensing of Environment, 46, Li XS, Gao ZH, Li ZY, Bai LN, Wang BY (2010). Estimation of sparse vegetation coverage in arid region based on hyperspectral mixed pixel decomposition. Chinese Journal of Applied Ecology, 21, (in Chinese with English abstract) [ 李晓松, 高志海, 李增元, 白黎娜, 王琫瑜 (2010). 基于高光谱混合像元分解的干旱地区稀疏植被覆盖度优测. 应用生态学报, 21, ] Li XS, Li ZY, Gao ZH, Bai LN, Wang BY (2011). Estimation of vegetation cover in desertified regions from hyperion imageries using NDVI and partial least squares regression. Journal of Desert Research, 31, (in Chinese with English abstract) [ 李晓松, 李增元, 高志海, 白黎娜, 王琫瑜 (2011). 基于 NDVI 与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感优测. 中国沙漠, 31, ] Thenkabail PS, Smith RB, de Pauw E (2000). Hyperspectral vegetation indices and their relationships with agricultural crop characteristics. Remote Sensing Environment, 71, Townshend JRG, Justice CO (1986). Analysis of dynamics of African vegetation using the normalized difference vegetation index. International Journal of Remote Sensing, 12, Yang JH, Ci LJ (2006). Progress on remote sensing-based desertification assessment. World Forestry Research, 19(6), (in Chinese with English abstract) [ 杨晓晖, 慈龙骏 (2006). 基于遥感技术的荒漠化评价研究进展. 世界林业研究, 19(6), ] 特邀编委 : 范闻捷责任编辑 : 李敏

39 7 : ASDFieldSpec?3 2) (350~2500 : nm) 50 W, 25, 15, (root mean square error of 40cm 15cm 10,cross-validation,RMSECV) (R 2 cv) ; (350~399nm

39 7 : ASDFieldSpec?3 2) (350~2500 : nm) 50 W, 25, 15, (root mean square error of 40cm 15cm 10,cross-validation,RMSECV) (R 2 cv) ; (350~399nm 39 7 20147 GeomaticsandInformationScienceofWuhanUniversity Vol.39No.7 July2014 DOI:10.13203/j.whugis20130202 :1671-8860(2014)07-0862-05 1 2 3 1,,430079 2,,518060 3,,430079 : 基于江苏省宜兴市 100 个土样的可见光 - 近红外高光谱反射率