研究区位于巴音布鲁克草原, 行政上隶属巴音郭楞蒙古自治州和静县, 位于42° 40'-43° 10' N, 83° 10'-85° 50' E, 海拔为2 4002 600 m, 属于天山中段南麓封闭型高位山间盆地。巴音布鲁克草原由大尤尔都斯盆地和小尤尔都斯盆地组成, 属典型的高寒气候, 年均温约-4.2 ℃, 全年积雪日约137 d, 积雪深度45 cm, 年均降水量280.5 mm, 年蒸发量1 132.4 mm。盆地为典型的高寒草原类型, 优势种为紫花针茅(Stipa purpurea)和羊茅(Festuca ovina), 主要伴生种为冰草(Agropyron cristatum)、艹洽草(Koeleria cristata)、天山赖草(Leymus tiauschanicus)、绢毛委陵菜(Potentilla sericea)等。

野外研究区包括大尤尔都斯盆地和小尤尔都斯盆地, 研究区实测数据的采取于2017年7下旬-8月初植被生长的高峰期。结合遥感影像图, 选取35个样地(图1), 每个样地设置3个1 m× 1 m的样方, 共设置105个样方。用手持GPS记录样地经纬度, 用拍照与针刺法计算样方的植被覆盖度。其中随机选取25个样地的数据用于建立回归模型, 10个样地的数据用于对建立的模型进行精度验证。

图1

Fig. 1

	Figure Option ViewDownloadNew Window
	图1 研究区样地空间分布图Fig. 1 Spatial distribution of study area plots

实测植被覆盖度根据对每个草地样方进行拍摄照片利用ENVI软件提取其样方的覆盖度。由于拍摄角度会影响估算精度的误差, 所以拍摄时最大程度上将相机与地面处于平行的状态在进行拍摄。首先, 利用ENVI中Ground Control Points Selection工具增加5个控制点对照片进行几何纠正。之后利用Basic Tools工具对已经纠正照片的中心地带进行裁剪, 去除边缘存在变形可能的图像, 接着通过非监督分类对植被和裸地进行分类, 最后通过Classification工具对样方内的植被和裸地覆盖度进行计算统计。

遥感数据选取美国国家航空航天局(National Aeronautics and Space Administration, NASA)的陆地卫星Landsat 8 OLI传感器2016年7月22日获取的影像。利用ENVI 5.2对图像进行预处理, 包括辐射定标、大气校正、几何精校正以及图像镶嵌裁剪等。

1.3.1 经验回归模型法 植被指数的选择:根据研究内容及研究区的特点, 本研究选择5种植被指数, 依次为差值植被指数(difference vegetation index, DVI)、比值植被指数(ratio vegetation index, RVI)、归一化植被指数(normalized difference vegetation index, NDVI)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、修正土壤调整植被指数(modified soil adjusted vegetation index, MSAVI)。利用ENVI 5.2中的Band math工具根据计算公式对各个植被指数进行波段组合计算, 计算公式如表1所列。利用ArcGIS 10.2中Spatial Analyst工具提取样地各植被指数值。

表1

Table 1

表1(Table 1)

表1 植被指数计算公式 Table 1 Vegetation index formulan 植被指数Vegetation index 计算公式Formula 参考文献References 差值植被指数DVI Difference vegetation index DVI=RNIR-RRed [12] 比值植被指数RVI Ratio vegetation index RVI=RNIR/RRed [13] 归一化植被指数NDVI Normalized differeential vegetation index NDVI=(RNIR-RRed)/(RNIR+RRed) [14] 土壤调整植被指数SAVI Soil adjusted vegetation index SAVI=(1+L)(RNIR-RRed)/(RNIR+RRed+L) [15] 修正土壤调整植被指数MSAVI Modified soil adjusted vegetation index MSAVI=2RNIR+1- (2RNIR+1)2-89(RNIR-RRed)/2 [16] RNIR为近红外波段; RRed为可见光红光波段; L为土壤调节系数, L=0.5。 RNIR is near infrared band; RRed is visible light red band; L is soil regulation coefficient, L=0.5.

表1 植被指数计算公式 Table 1 Vegetation index formulan

相关分析及模型类型的选择:将计算出的植被覆盖度实测值与提取的各植被指数的计算值进行相关性分析, 通过相关性的差异显著性选择适宜植被指数构建模型。本研究选择线性模型、对数模型、二次多项式模型、指数模型以及幂函数模型5个具有代表性及常用的回归模型, 利用SPSS统计软件对其进行植被覆盖度与各植被指数间的模型构建, 再根据结果分析筛选最佳模型。

1.3.2 像元二分法 像元二分模型假设影像中的像元只由植被和非植被两个部分组成。李苗苗等^[17]、王奎阳^[18]通过分析建模指出像元二分模型以NDVI为参数估算植被覆盖度的精度较高。因此, 本研究选择NDVI作为参数, 其计算公式为

FVC= NDVI-NDVIsoilNDVIveg-NDVIsoil。

式中:FVC为植被覆盖度; NDVl_soil为裸地土壤或非植被区域的NDVI值; NDVl_veg为有植被完全覆盖区域的NDVI值。

由于研究区环境等因素的影响, 对于裸地像元, 理论上NDVI值应当近似为0, 但实际情况中NDVlsoil一般为-0.10.2。并且影像中会存在一定的噪声或离群值, 提取的NDVI极值并不一定是NDVI_max与NDIV_min, 所以, NDVI_max与NDVI_min的值不能直接选择影像中NDVI的最大和最小值。通常根据统计学原理选择合适的置信区间, 在置信区间内NDVI最大值与最小值, 分别为NDVl_veg与NDVI_soil, 这在一定程度上能够减弱遥感影像产生的噪声影响^[19]。本研究对NDVI提取值进行统计, 将统计结果与研究区实测植被覆盖的情况相结合, 最终分别选取累积概率为5%和90%时, NDVI_soil和NDVI_veg的取值分别为0.019 606和0.956 471。

对选择的5种植被指数RVI、DVI、NDVI、SAVI、MSAVI及样地实测植被覆盖度进行相关分析, 结果表明, 经验回归模型中MSAVI与植被覆盖度相关性为-1.8, 无相关关系, 其余4种植被指数与植被覆盖度均呈现显著正相关(P< 0.01)。其中NDVI与植被覆盖度的相关性最高, 达到0.805; SAVI次之, 相关系数均为0.804; 随之为DVI, 相关系数为0.744; RVI与植被覆盖度的相关性最低, 相关系数仅为0.673。像元二分法中NDVI与覆盖度相关性为0.807, 略高于经验回归模型法, 但相差并不明显。

对植被覆盖度与RVI、DVI、NDVI、SAVI、MSAVI进行模型的构建(表2)。由于MSAVI与植被覆盖无显著相关关系, 所以在构建模型时去除。4种植被指数中, 除DVI对数模型的拟合效果(R²=0.490)相比其他模型较好以外, RVI(R²=0.695)、NDVI(R²=0.723)、SAVI(R²=0.713)均为二次多项式模型表现出较好的拟合效果; 其中, NDVI和SAVI的拟合效果最好。

表2

Table 2

表2(Table 2)

表2 植被覆盖度与各植被指数间的反演模型 Table 2 Inversion model of vegetation coverage and vegetation indices 植被指数 Vegetation index 模型类型 Model type 模型 Inversion model 拟合R2 Fit R2 调整R2 Adjustment R2 RVI 线性模型Linear model y=0.057x+0.413 0.462 0.451 对数模型Logarithmic model y=0.179lnx+0.429 0.652 0.639 二次多项式模型Quadratic polynomial model y=-0.021x2+0.206x+0.231 0.695 0.687 幂函数模型Power function model y=0.347x0.424 0.602 0.583 指数模型Exponential model y=0.413e0.109x 0.408 0.391 NDVI 线性模型Linear model y=0.665x+0.258 0.687 0.665 对数模型Logarithmic model y=0.27lnx+0.79 0.717 0.706 二次多项式模型Quadratic polynomial model y=-0.894x2+1.467x+0.099 0.723 0.701 幂函数模型Power function model y=0.868x0.542 0.707 0.696 指数模型Exponential model y=0.302e1.312x 0.645 0.632 SAVI 线性模型Linear model y=0.444x+0.258 0.678 0.665 对数模型Logarithmic model y=0.27lnx+0.68 0.717 0.706 二次多项式模型Quadratic polynomial model y=-0.398x2+0.978x+0.099 0.713 0.698 幂函数模型Power function model y=0.697x0.542 0.707 0.696 指数模型Exponential model y=0.302e0.875x 0.646 0.632 DVI 对数模型Logarithmic model y=0.186lnx-0.844 0.490 0.471 幂函数模型Power function model y=0.035x0.363 0.459 0.438

表2 植被覆盖度与各植被指数间的反演模型 Table 2 Inversion model of vegetation coverage and vegetation indices

通过植被覆盖度与各植被指数间的相关系数及反演模型的拟合R²可以看出, 其中NDVI、SAVI两种植被指数与植被覆盖度的拟合效果较好, 而RVI和DVI拟合效果较不理想。根据数据比较, 本研究选择NDVI、SAVI两种植被指数构建巴音布鲁克草原高寒草地植被覆盖度反演模型。其中, 在NDVI、SAVI的模型类型中对数模型、二次多项式模型、幂函数模型的拟合效果优于线性模型和指数模型。

通过精度验证, 经验回归模型法NDVI二次多项式回归模型为最佳模型, 拟合精度达到0.836 6(表3), 表明在绿色植被生长旺盛期, 基于NDVI构建的植被覆盖度反演模型拟合精度能够达到较高的效果, 能够较真实地反映地面的情况, 其方法也较为简单, 应用广泛。

表3

Table 3

表3(Table 3)

表3 反演模型精度检验 Table 3 Inversion model accuracy test 研究方法 Research method 植被指数 Vegetation index 模型类型 Inversion model 拟合R2 Fit R2 经验回归模型法 Empirical regression model NDVI 对数模型Logarithmic model 0.826 9 二次多项式回归模型Quadratic polynomial model 0.836 6 幂函数模型Power function model 0.776 2 SAVI 对数模型Logarithmic model 0.816 2 二次多项式回归模型Quadratic polynomial model 0.831 5 幂函数模型Power function model 0.770 9 像元二分法 Pixel Dichotomy NDVI 0.825 7

表3 反演模型精度检验 Table 3 Inversion model accuracy test

植被指数是利用遥感不同波段间的组合, 能将相关的光谱信号有效地综合起来, 能够增强各种植被信息, 减少非植被信息, 具有显著的地域性和时效性, 常受到植被本身、环境、大气等条件的影响, 能够反映绿色植被的相对丰度和活性的辐射量值, 与植被覆盖度、绿色植被的叶面积指数(LAI)和被吸收的光合有效辐射(APAR)等指标具有较好的相关性^[20]。

本研究中NDVI和SAVI与植被覆盖度的相关性要高于DVI和RVI, 这可能是由于巴音布鲁克草原气候寒冷而潮湿, 日照强烈, 紫外线作用强, 空气稀薄, 土壤温度高于空气温度, 昼夜温差极大, 植被生长期较短等状况^[21], 使得RVI对高覆盖度和低覆盖度植被有不同的敏感程度, 覆盖度较高时敏感较高, 但当植被覆盖度< 50%时, 这种敏感性显著降低^[22], 同时大气效应也同样影响其指数对植被的灵敏度^[20], 因此需要对遥感数据预处理时进行大气校正, 但仍然可能存在部分误差。DVI虽然能对植被覆盖度的变化有较好的反映能力, 但土壤背景的变化对该指数有较大的影响^[23], 当植被处于低覆盖度时, DVI随生物量呈现增加趋势, 但当植被覆盖度大于80%时, 其敏感性有明显下降趋势。虽然MSAVI能够消除或减弱土壤背景的影响^[24], 同时对覆盖度范围无明确要求, 但由于遥感数据受天气状况(如云层及云影等)的影响, 虽对这些影响进行了校正等处理但可能仍存在误差, 因此影响研究结果。NDVI虽受土壤背景的影响较大, 且较适用于植被生长中期或中度植被覆盖度的区域, 但由于研究区植被生长期较短的特征使得该植被指数适用于研究区。SAVI增加了土壤调节系数, 提高了植被覆盖度反演的精确性。因此, 根据植被指数的特性选择其进行植被覆盖度反演模型的构建。

本研究通过经验回归模型法和像元二分法对巴音布鲁克高寒草地构建植被覆盖度反演模型, 其中利用经验回归模型法NDVI、SAVI两种植被指数与植被覆盖度的相关性较强, NDVI二次多项式回归模型精度验证拟合效果达到0.836 6, 能够较好地反映研究区的植被覆盖度, 这与基于Landsat 8 OLI的荒漠化地区植被覆盖度反演模型研究结果有相似之处^[25], 但研究中结果仍存在差异, 这可能由于多方面原因引起, 实测数据与遥感数据的时间匹配、植被覆盖度计算过程中的误差、仪器的选择、研究区不同的地形条件和气候条件、遥感影像预处理误差等都有可能影响研究结果。利用像元二分法对研究区进行植被覆盖度反演拟合效果略低于经验回归模型法, 可能与NDVI植被指数在较高覆盖区容易饱和从而产生一定的误差有关, 这与基于Landsat 8荒漠绿洲植被覆盖度估算方法对比研究部分结果有相似之处^[8], 但由于研究区覆盖度不相同以及选择的植被指数不同因此最终的结果也略有差异。

本研究通过对经验回归模型法和像元二分法以及植被覆盖度与各植被指数之间的相关关系和反演模型进行对比分析发现, 各植被指数的适用条件存在差异性且经验回归模型法更适用于研究区的植被覆盖度反演。其中NDVI在植被覆盖度为50%70%范围内误差较小, 而本次选择样地内植被覆盖度大部分在此范围内。其中NDVI的反演公式较多利用于植被覆盖度的估算, 能够在影像提取中减少相应误差。因此NDVI模型较适宜对研究区构建反演模型。对于5种回归模型类型, 二次多项式模型的拟合效果最好。一些研究表明, 对植被覆盖度和植被指数构建模型时线性模型和二次多项式模型效果较好^[10], 这与本研究有相似之处也有相同之处。由于本研究只使用一年的实测数据, 且对于像元二分法植被指数的选择单一, 只能对本年份高寒草原进行植被覆盖度的反演, 并且Landsat局部影像受积雪或云层等天气影像, 对部分区域的反演存在一定的误差, 其中经验模型法对实测数据的依赖性较高, 对于较大研究区域有一定的局限性, 因此在未来几年中将对研究区持续进行相同实验并根据研究区情况对植被指数进行多元化的选择, 以提高此研究的科学性及完整性。