基于-遥感影像的土地利用覆被数据获取

基于-遥感影像的土地利用覆被数据获取

1在森林测量、光学仪器测定法上的应用叶面积指数（lai）是单位表面总叶面积的一半它是生态系统最重要的结构参数之一，也是生态、水文、物质循环和能量交换等模型的重要输入参数。因此，如何快速准确地确定区域乃至全球植被的数量，对于生态系统的研究非常重要，也是当前定量遥感的一个重要课题。目前,获取LAI的方法大致可以分为直接获取法和间接获取法。直接获取法最为准确可靠,但大多需要破坏性采样,对于森林尤其费时费力,难以实现,因此只能用于小范围的测量。而将遥感数据与地面光学仪器测定法相结合成为估测大面积森林LAI的唯一途径［５－６］。遥感反演LAI的方法可分为物理模型与经验模型,前者物理意义明确,但存在模型输入参数多且不易获取、计算量大、耗时长等不足;而经验模型基于光谱信息或植被指数与LAI的统计关系,虽然存在模型参数随时间和地点而变化的缺陷,但具有高效、易于实现等优点,更适于遥感影像大范围估算植被LAI［７－８］。当前为了满足不同需求构建了很多植被指数,但存在土壤背景及大气效应对其影响,易饱和或忽略地物二向性反射等缺陷［９－１１］,并且由于森林垂直与水平结构的复杂性与异质性,其特征参量仅依靠某个植被指数往往很难准确获取。因此,本文以长白山腹地———吉林省安图县为研究区,基于TM遥感影像6个波段反射率及RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10个植被指数,并辅助DEM、AS-PECT、SLOPE等地形信息,同时考虑针叶林、阔叶林及针阔混交林的差异性,对比分析多元线性回归方法(MLR)与偏最小二乘法(PLS)的模拟效果,从而构建了适用于区域尺度的森林叶面积指数遥感反演模型。2材料和方法2.1阴山南部山东北部山地长白山林区是我国重要的森林储备库,是世界上森林景观保存最完整、生长最良好的温带原始森林生态系统之一。而本文以长白山北坡吉林省安图县为研究区,地理位置为127°48′~129°11′E,42°01′~43°24′N,属于受季风影响的大陆性山地气候,气候受地势高低影响大,冬季漫长寒冷,夏季较短,温暖湿润。安图县地处长白山北麓,境内群山起伏,沟壑纵横,长白山脉由南向北延伸,使全县地势呈现南高北低、东高西低、南北长而东西窄的特点。全县总面积74.58万hm２,其中林地面积占62.53万hm２,森林覆盖率达83.8%。该区域植物种类繁多,结构复杂,北部主要是落叶阔叶林,南部主要是针叶林及针阔混交林,分布于广大山地和丘陵地带,但由于人们的各类活动,现今多为天然次生林。针叶树主要有红松(Pinuskoraiensis)、云杉(Piceakoraiensis)、臭松(Abiesnephrolepis)和长白落叶松(LarixolgensisHenry),阔叶树多为紫椴(Tiliaamurensis)、蒙古栎(Quercusmongolica)、水曲柳(Fraxinusmandschurica)、黄菠萝(Phellodendronamurense)、大青杨(Populusussuriensis)、枫桦(Betulacostata)、色木槭(Acermono)和白桦(Betu-laplatyphylla)等。2.2森林样地调查野外样地设置应尽量涉及所有的森林生态系统类型,本研究于2011年8月植被最旺盛节点历时20余天,共开展了两次野外样地调查实验,对研究区各森林类型结构参数及生理信息进行了广泛而细致的调查,囊括了落叶阔叶林、针阔混交林、落叶针叶林以及常绿针叶林,并根据研究需要按针叶林、阔叶林及针阔混交林3种类型进行分析。两次野外调查共采集了60个森林样地信息,其中针叶林16个、阔叶林24个、针阔混交林20个。样地调查内容主要包括GPS经纬度、群落类型、海拔、坡度、坡向、干扰状况、郁闭度、叶面积指数等,并对样地内胸径大于5cm的乔木逐木检尺,内容包括树种、胸径、树高、林龄等。样地的大小为100m×100m,相当于TM多光谱影像3×3个像元,在每个样方内利用TRAC沿不同线路对叶面积指数进行测量,并以这些测量的平均值作为该样地的叶面积指数值。2.3遥感数据处理2.3.1地物的光谱信息在遥感影像数据的分析和应用中,特别是定量遥感方面,地物的光谱信息是定量计算的一个重要依据。然而,影像中的光谱信息受多种因素影响,诸如地形效应、大气效应等。特别是在地形起伏较大地区,地形影响尤为突出,像元所接收到的有效光照可能存在较大的差别,导致相同的地物却有着不一样的光谱信息,严重影响遥感影像的信息提取精度［１２－１３］。下载获取2010年9月8日覆盖研究区两景LandsatTM多光谱数据,并结合GDEM高程及地形图等辅助数据,依次进行辐射校正、大气校正、正射校正与几何精校正等预处理,消除大气及地形等因素造成的影响,获取地表反射率数据。本研究采用ENVI4.8自带的FLAASH大气校正模块(基于改进的MOR-TRAN4+辐射传输模型)进行校正,有效地改善了地物的光谱信息;并在ERDASImagine9.1中利用GDEM高程信息及地面控制点进行正射校正与几何精校正,校正后RMS残差均值为0.52个像元,最后生成研究区地表反射率图像。2.3.2土地覆盖分类内容分析准确的土地利用/覆盖类型信息对于地表参数区域遥感估算起着关键性的作用。eCognition软件采用多尺度对象分割方法生成图像对象,提高了分类信息的信噪比,并且基于对象的分类技术还包含了许多可用于分类的一些其他特征如形状、纹理、相互关系、上下关系等,同时考虑将基于样点和知识的监督分类以及人工修改相结合,相对传统基于像素的图像分类方法解译精度更高［１４－１５］。本研究参照中国科学院碳专项“基于生态特征的土地覆盖分类系统”,基于校正后的TM数据,利用eCognition面向对象分类算法获取研究区土地覆盖信息,共分成落叶阔叶林、落叶针叶林、常绿针叶林、针阔混交林、落叶阔叶灌木林、旱地、水田、灌丛湿地、草本湿地、草甸、河流、湖泊、水库/坑塘、交通用地、居住地、苔藓/地衣、裸岩等17个二级类,经验证,精度达92%;并根据研究需要,进一步分为针叶林、阔叶林、针阔混交林及非林地,解译结果如图1所示。由ArcGIS空间统计分析可知,针叶林占7.8%,阔叶林占60.4%,针阔混交林占15.5%,其余各覆盖类型等共占16.3%。2.3.3森林叶面积指数建模植被指数是指对遥感数据经线性与非线性组合而构成的对植被信息有一定增强意义的光谱参数。本研究结合前人经验及LandsatTM数据特点,共选用了RVI、NDVI、SLAVI、EVI、VII、MSR、ND-VIc、BI、GVI和WI10种植被指数作为森林叶面积指数建模的参量,各植被指数详细说明及来源见表1。公式中的b１…b７代表的是TM数据的波段号,本研究中b５ｍａｘ与b５ｍｉｎ分别取距离该波段反射率最大值与最小值1%位置处的值［２４］。2.3.4基于3gem的空间分析研究区数字高程GDEM数据(http://datamir-/index.jsp)空间分辨率为30m,基于GDEM在ArcGIS平台下利用空间分析模块计算生成坡向图与坡度图。2.4叶面积指数与单因素模型构建依据实测森林样地中心点位置信息,对校正后的TM各个波段、选取的RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10个植被指数以及辅助的海拔、坡向、坡度3个地形指数等共19个因子提取相对应的3×3个像元的平均值,利用SPSS软件与实测叶面积指数进行相关性分析。不同于草地与农田,对于复杂的森林植被,首先分析叶面积指数与单一指标建立遥感反演模型的可行性;在单一指标建模效果较差的情况下,再尝试采用多元线性回归方法建立多元模型,同时探讨引入地形指数能否改善模型的反演效果;而后基于相同参量,利用偏最小二乘回归方法构建模型,选择效果最佳的模型留作该森林类型LAI反演之用。本研究分别获取野外样地调查数据针叶林16个,阔叶林24个,针阔混交林20个,将各森林类型数据均按照3∶1分作建模集与验证集。对于模型的预测效果采用可决系数R２,与均方根误差RMSE两个评价指标进行检验:3结果与分析3.1主要指标相关分析表2所示为各森林类型叶面积指数与相应光谱参数及地形因子的相关性分析结果。对针叶林而言,各植被指数及单波段中的中红外b５、近红外b４及蓝波段b１都呈现出较好的相关性,且相关系数均大于0.5,植被指数中相关性最好的为有效叶面积指数SLAVI,各地形因子也呈现出一定的相关性;对阔叶林而言,所有的指标因子与叶面积指数相关性都很小,除蓝波段b１外,相关系数均小于0.4,植被指数中以经K-T变换后生成的亮度分量BI及中红外校正的比值植被指数MSR相关性较好;对针阔混交林而言,除归一化植被指数NDVI、三波段模型VII及红波段b３相关系数略大于0.4外,其余各指标与样地叶面积指数的相关性都较弱。综上可以看出,虽然考虑了包括原始光谱、植被指数及地形因子在内的共19项指标,各相关系数对于建模反演仍严重偏低,单一的指标因子很难准确估测森林叶面积指数。3.2森林类型叶面积指数回归模型的建立及验证基于利用单一指数因子难以准确反演森林LAI的问题,本研究考虑融合各因子特点,采用多元线性回归方法进行建模,同时探讨引入地形指数前后能否改善模型的反演效果;而后基于相同参量,利用偏最小二乘回归方法构建模型。偏最小二乘法考虑自变量集与因变量整体的关联关系,基于寻找自变量集和因变量的最大相关为目的抽取自变量的主要成分,从而能够在自变量集与因变量存在严重多重相关性的条件下进行回归建模［２５－２６］。表3详细列出了针叶林、阔叶林及针阔混交林3种森林类型叶面积指数遥感反演最佳模型的构建及验证。从表3中可以看出,基于多元线性回归方法建立的模型能够较好地模拟各森林类型叶面积指数的反演精度,以针叶林的估算效果最佳,独立验证R２与RMSE可达0.791和0.945,其次是阔叶林(R２=0.639,RMSE=1.110)和针阔混交林(R２=0.357,RMSE=0.911),这恰恰也说明了森林群落组成越复杂,越难准确把握垂直结构特征,这与董立新等［２７］在三峡库区的研究相一致;同时可发现,无论针叶林、阔叶林还是针阔混交林,独立验证R２与RMSE都表明引入地形指数后,显著降低了模型的预测精度。图2比较了各森林类型叶面积指数实测值与估算值的关系。由图可知,针叶林LAI较为集中地分布在1∶1对角线两侧,在LAI较大时有一定程度的高估;阔叶林LAI值分布较为均匀,较为密集地分布在对角线两侧,但当LAI值较大时偏差较大;而针阔混交林LAI值分布较集中,高估现象较为严重。在利用PLS方法对各森林类型叶面积指数进行回归模拟时,需要设置不同的潜在因子数量。分析表明,当针叶林、阔叶林及针阔混交林潜在因子量分别超过10个、8个和13个时,其解译能力呈现下降趋势。因此依据该拐点潜在因子量数分别构建PLS模型,如表3所示;并通过模型预测值与实测值之间的散点图(图3)与基于多元线性回归模型模拟效果进行对比。可以发现,针叶林R２虽未有明显提高,但是模型的RMSE有显著的降低;阔叶林的整体估算效果都有较大的改善,R２与RMSE分别为0.795和0.786,同时PLS抑制了基于多元线性回归的LAI值较大时偏差较大的问题;对针阔混交林而言,虽然模型仍存在高估的现象,但估算效果也有很好的提高。总体而言,基于PLS建立的各森林类型LAI反演模型相对多元线性回归方法均有一定的改善,能够更好地把握森林LAI动态变化。3.3叶面积指数分布基于上述选择出的针叶林、阔叶林及针阔混交林LAI最佳遥感反演模型,并结合研究区森林覆被信息分别计算再通过空间叠加获取研究区森林叶面积指数分布图,如图4所示。从图中可以看出,安图县南部的森林叶面积指数明显高于中部及北部地区。同时,安图县南部也是长白山自然保护区的保护范围,森林植被生长较好。将研究区森林叶面积指数以2为步长共分为5级,空间统计分析可知,0~2、2~4、4~6、6~8及8~10所占比例分别为16.7%、29.1%、31.4%、17.2%和5.6%,整个研究区森林叶面积指数均值为4.27。4定量遥感反演的前提与意义(1)本研究以面向对象分类算法获取的森林覆被信息为本底数据,对比了应用多元线性回归和偏最小二乘回归方法进行针叶林、阔叶林及针阔混交林叶面积指数遥感反演的效果。研究表明偏最小二乘回归分析可以更好地把握森林叶面积指数的变化趋势,反演精度较高。而本研究也存在一定的问题,即研究区2011年野外采样时期由于云覆盖,没有较好的遥感影像相匹配,因此考虑到对森林而言变化不是很大,本研究才选用了同时期2010年的遥感数据进行研究分析。同时为了尽可能减少大气效应对遥感影像数据的影响,本研究基于FLAASH大气校正模块(基于改进的M