基于遥感数据的植被覆盖度估算方法综述

基于遥感数据的植被覆盖度估算方法综述

1区域及全球fvc估算技术气候变化表明，全球变化对人类生存的环境产生了直接影响，如全球森林减少、土地退化和荒漠化、生态系统退化和植被带移动率。直接影响人类的生活水平和质量。如何确保人类生存环境的可持续发展,减缓全球变化的不良影响,已经引起各国政府、科学家及公众的强烈关注。陆地生态系统作为地球系统重要的组成部分,在维持整个地球系统结构、功能和环境,并调节使之向适宜于人类生存方向发展中扮演着重要角色。植被是陆地生态系统中最基础的部分,所有其他生物都依赖于植被而生。植被覆盖度(FractionalVegetationCover,FVC)通常定义为植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比,是刻画地表植被覆盖的重要参数,也是指示生态环境变化的基本指标,在大气圈、土壤圈、水圈和生物圈中占据着重要的地位。如FVC在气候模式中是描述生态系统的重要生态气候参数,在水文生态模型中的空间分布和时间变化动态是能量和水循环的影响因子,在土壤侵蚀预报模型中是基本的输入变量,其测量精度对土壤侵蚀预报的精度影响很大。因此,区域及全球范围的FVC估算对植被及相关领域的研究具有十分重要的意义。遥感由于其大范围的数据获取和连续观测能力,是区域及全球FVC估算的有效手段。同时由于遥感数据的空间分辨率、光谱分辨率和时相特征的多样性,能够获取不同尺度上的植被覆盖及其变化信息,已经成为估算植被覆盖度的主要技术手段。目前,部分遥感卫星提供了FVC产品,但是产品不确定性较大,在不同区域表现出不同的精度。本文旨在针对基于遥感数据的FVC估算进行分析探讨,重点讨论了遥感数据源、估算方法以及现有产品和存在的问题,并对发展趋势进行了展望。2植被覆盖率估算的遥感数据源2.1基于多光谱成像方法的fvc估算高光谱遥感数据具有波段多、信息量丰富的特点,可以提供连续、精细的光谱信息,并且高光谱数据能够有效消除地表光谱反射率和大气散射等的影响,直接反映植被参数信息,已被许多学者应用到估算FVC的研究中。利用高光谱数据估算FVC的主要方法包括混合像元分解法和植被指数回归法。Kenneth等基于混合像元分解法,利用高光谱数据计算的3个植被指数NDVI,SAVI和MSAVI进行干旱区稀疏植被覆盖度估算研究,取得了满意的结果。李晓松等以Hyperion为数据源,系统比较了NDVI与偏最小二乘回归法估测荒漠化地区FVC的能力,结果表明,基于Hyperion数据的NDVI可以有效地估测荒漠化地区FVC,相比于宽波段NDVI估算值误差明显降低。Zhang等在新疆石河子地区利用环境卫星高光谱数据计算的窄波段植被指数的像元二分模型进行FVC估算,取得了满意的估算精度,决定系数达到0.86。高光谱数据丰富的光谱信息有能力测量低植被覆盖度,受背景光谱变化的影响较小,是FVC准确估算的理想数据源,但目前由于在轨运行的搭载高光谱传感器的卫星很少,数据获取受限。2.2地表分辨率及区域尺度的fvc估算多光谱数据是目前FVC遥感估算的主要数据源。低空间分辨率的NOAA/AVHRR数据、MODIS数据、SPOTVEGETATION数据等由于具有较宽的覆盖范围和较高的时间分辨率,适于进行大区域和全球FVC连续观测。中等空间分辨率的LandsatTM/ETM+,SPOT多光谱数据,ASTER多光谱数据等适于区域尺度的更为精细的FVC估算。高空间分辨率的IKONOS,Quickbird,RapidEye,GeoEye等数据能够更清楚地反映地表特征,广泛应用于局部区域FVC的精细估算。如Geoland-2项目利用NOAA/AVHRR数据生产了覆盖全球的1981年至今的FVC产品;Voorde等利用LandsatETM+数据估算了比利时首都布鲁塞尔地区的FVC;陈巧等利用QuickBird影像数据进行了小范围退耕地植被盖度遥感估算。多光谱数据由于易于获取、覆盖范围大和可连续观测,在全球及区域FVC估算方面将长期成为主力数据源。2.3小麦fvc与asar数据的相关性微波数据由于不受太阳辐射和大气条件的影响,在FVC估算方面具有独特的优势。如Zribi等将ERS-2/SAR信号分解为植被与非植被信息,估算半干旱地区的FVC。鲍艳松等在地面观测数据的基础上分析了小麦FVC与ASAR数据后向散射系数之间的相关关系,发现水平同极化后向散射系数与小麦FVC相关性显著,但是垂直同极化后向散射系数与小麦FVC的相关性不显著。由于微波信号对植被冠层的穿透性,导致微波数据FVC估算精度不高,目前不是FVC估算的主流数据源。2.4ar数据的应用LiDAR作为一种主动式传感器,根据地物后向散射特性,能高精度地获取地面点三维坐标和回波强度信息,为监测植被生长状态提供了新的技术手段,并在植被高度、覆盖度等植被结构参数反演方面取得了很大进展。LiDAR数据是点云数据,主要通过分类地面点和植被点来实现FVC的估算。如Koetz等将LiDAR模型用于生成综合数据表以及研究LiDAR波形模型的可逆性,结果显示森林的冠层覆盖度可以通过LiDAR波形模型反演得到。崔要奎等以玉米为研究对象,提出了利用机载LiDAR点云数据的强度信息和全波形数据中的距离与扫描天顶角信息反演农作物覆盖度的方法,在黑河的飞行试验中取得了较高精度。LiDAR的优势是能够直接测量植被结构信息,弥补其他遥感手段的不足,在FVC估算方面具有广阔的应用前景。但是,目前LiDAR数据大多是机载数据,获取成本较高,而且LiDAR数据是点云数据,在区域上推广使用需要结合其他遥感数据源。3植被覆盖率的遥感估算方法3.1不同植被指数fvc的回归模型回归模型法是通过对遥感数据的某一波段、波段组合或利用遥感数据计算出的植被指数与FVC进行回归分析,建立经验估算模型。根据用于FVC回归的变量不同,可以将估算FVC的变量分为遥感光谱波段和植被指数。利用光谱波段建立回归模型的方法是利用实测的FVC与遥感数据的单一波段或波段组合进行回归分析。如North等使用ATSR-2数据的4个波段值(555,670,870和1630nm)分别与FVC进行了线性回归,结果表明使用4个波段组合的线性混合模型估算FVC比单一植被指数要好。Voorde等利用LandsatETM+数据估算城市FVC,发现FVC与ETM+2,3,5,7波段的回归模型估算效果最好。利用植被指数建立回归模型将FVC与不同植被指数进行回归分析,目前应用最多的植被指数为NDVI,其他还包括土壤调节植被指数、NDVI的变化形式等,常用的植被指数及计算方法如表1所示。Xiao等将LandsatETM+NDVI数据与对应FVC进行线性回归分析,结果表明两者之间存在很强的线性相关关系(R2=0.89)。根据回归关系的不同,回归模型有线形和非线形2种。线性回归模型主要是通过地面测量FVC与遥感图像的波段或植被指数进行线性回归得到研究区域的估算模型。如North等和Xiao等分别使用ATSR-2波段数据和ETM+NDVI数据与FVC进行线性回归分析,估算FVC。非线性回归模型法主要是通过将遥感数据的波段或植被指数与FVC进行拟合,得到非线性回归模型。Carlson等的研究表明对于部分植被覆盖LAI在1~3的区域,如果植被聚集程度高,植被指数和FVC具有很好的非线性相关关系。Boyd等通过建立遥感数据不同波段值的非线性回归模型估算了美国太平洋西北部的针叶林覆盖度,计算结果在99%的置信度下相关性达0.56。回归模型法因其简单易实现而被广泛应用,对局部区域的FVC估算具有较高的精度。但是回归模型一般都具有局限性,只适用于特定的区域与特定的植被类型,而且需要大量的地面实测数据,因此不易推广。区域性的经验模型应用于大尺度上估算FVC可能会由于地表的复杂性而出现较大问题。3.2模型假设及模型拟合混合光谱是指传感器收集的地面反射光谱信息是植被光谱与下垫面光谱的综合信息。混合像元分解法假设每个组分对传感器所观测到的信息都有贡献,建立混合像元分解模型估算FVC。混合像元分解模型分为线性和非线性2种,目前的研究中大多数都是基于线性的。通过求解各组分在混合像元中的比例,植被组分所占的比例即为所需FVC。如Xiao等以ETM+为数据源,分别利用3个端元、4个端元及5个端元的线性光谱混合模型对美国新墨西哥州中部沙漠——高地过渡区内的FVC进行了提取,研究结果表明以2种绿色植被、非光合植被、深色土壤及浅色土壤为端元的线性光谱混合模型表现最好,通过高分辨率影像提取的FVC进行验证,R2达到0.88。像元二分模型是线性混合像元分解模型中最简单的模型,其假设像元只由植被与非植被覆盖地表两部分构成。光谱信息也只由这2个组分线性合成,它们各自的面积在像元中所占的比率即为各因子的权重,其中植被覆盖地表占像元的百分比即为该像元的FVC。像元二分模型的表达式为FVC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil),其中ND-VIveg为全植被覆盖的像元NDVI值,NDVIsoil为裸土像元的NDVI值。像元二分模型由于形式简单和具有一定物理意义而被广泛应用于FVC的估算。李苗苗等在对像元二分模型2个重要参数推导的基础上,改进了已有模型的参数估算方法,建立了用NDVI估算FVC的模型。张喜旺等基于像元二分模型提取伊洛河流域的FVC,并研究其空间分异状况。但是NDVI像元二分模型不可逾越的问题为NDVI的2个极值点(纯植被和纯裸土)的选择存在很大的不确定性,因为它受土壤、植被类型以及叶绿素含量等因素的影响。目前对于这2个极值的确定主要是通过对时间和空间上的NDVI数据进行统计分析来获取,也有学者直接从研究区域的NDVI数据中选取最大值和最小值分别作为纯植被和纯裸土的NDVI值。由于地表的复杂性,在全球尺度单一选取NDVI的2个极值点会对FVC的估算造成很大的不确定性,因此分气候带、区域和植被类型等分别选取纯植被和裸土的NDVI值,是像元二分模型的技术难点。3.3在fvc遥感估测中的应用随着计算机技术的发展,机器学习方法被广泛应用到FVC的估算,包括神经网络、决策树、支持向量机等。机器学习方法的步骤一般为确定训练样本、训练模型和估算FVC。根据训练样本选取的不同,机器学习方法分为基于遥感影像分类和基于辐射传输模型2大类。基于遥感影像分类的方法首先采用高空间分辨率数据进行分类,区分出植被和非植被,再将分类结果聚合到低空间分辨率尺度,计算低空间分辨率像元中植被的比例作为训练样本,训练机器学习模型,进而估算FVC。基于辐射传输模型的方法首先由辐射传输模型模拟出不同参数情况下的光谱反射率值,再根据传感器的光谱响应函数将模拟的光谱反射率值重采样,不同的参数和模拟的波段值作为训练样本对机器学习模型进行训练。机器学习方法的关键在于训练样本的选择,要确保准确性和代表性。神经网络算法是用计算机模拟人类学习的过程,建立输入和输出数据之间联系的方法。神经网络方法不需要对输入数据作任何的假设,而且在一定程度上可以消除噪声的影响,有效地整合多源遥感数据,因此在地表参数遥感反演方面得到了广泛应用。Boyd等在分别比较多元回归法、植被指数法以及神经网络法后,认为神经网络更适用于美国太平洋西北部森林覆盖度的估算,同时比较了多层感知层、径向基函数法以及广义回归神经网络3种方法,最终选择了多层感知层进行研究区域FVC的反演。Voorde等提出了利用多层感知层神经网络对从ETM+图像中随机选取训练样本的方法进行混合像元分解,最终估算亚像元FVC。但神经网络的建立存在较多的主观成分,而且基于黑箱原理,难以确定遥感数据与FVC的模型关系。支持向量机(SupportVectorMachine,SVM)是一种基于统计学习理论的新型机器学习算法,由Vapnik首先提出,在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。SVM的原理是通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类问题。SVM算法多用于遥感数据分类,并取得比其他算法更优的分类结果。如Su等利用SVM方法来识别半干旱地区的植被类型,在SVM分类结果上进一步估算研究区域的FVC。Huang等利用SVM方法生成研究区的森林覆盖度变化产品,经高分辨率的IKONOS验证,产品精度高达90%。但是在SVM算法中如何针对特定问题选择核函数目前没有一个准则,而且核函数对分类精度到底有什么样的影响,还缺乏统一的认识。现有的核函数选择方法是分别试用不同的核函数,选择分类误差最小的核函数,同时核函数的参数也用同样的方法选定。这种选择方法基本是凭经验选择,缺乏足够的理论依据。核函数的选择对SVM算法精度具有一定影响,有必要对核函数进行合理选择、改进、修正和优化。决策树算法是以分层分类思想为指导原则,利用树结构按一定的分割原则把数据分为特征更为均质的子集。利用决策树算法进行FVC估算的一般步骤为:由部分样本数据建立决策树,然后用剩余样本数据对所建立的决策树进行修剪和验证,形成最终用于估算FVC的决策树结构。决策树算法具有计算效率高、无需统计假设、可以处理不同空间尺度数据等优点,在FVC遥感估算方面有着广泛的应用。Hansen等采用AVHRR和MODIS遥感数据,利用红光波段反射率、近红外波段反射率和ND-VI植被指数建立决策树估算非洲中部的乔木覆盖度。并且,Hansen等在此基础上对决策树算法进行改进,建立了MODIS标准产品VegetationContinuousFields算法,在全球范围内估算树和草的覆盖度。虽然决策树算法取得了较大的发展,但是面对地表参数估算中新出现的问题以及应用领域的不同要求,仍需要在很多方面进行深入研究和改进,比如在对传统算法进行改造以提高决策树的预测精度及适用范围、优化简化决策树的方法和寻求新的构造决策树的方法等方面需要进一步加深研究。机器学习算法的主要难点在于训练样本的选取。模型模拟数据理论上可以涵盖地表的所有情况,但是复杂的地表情况和前向模型的模拟精度对训练样本的精确性有较大影响。实测数据虽然可以获得较高精度的样本数据,但是在代表性和全面性方面具有一定的限制。如何选择合适的训练样本成为机器学习算法的重点和难点。3.4在fvc研究中的应用除了上述常用FVC遥感估算方法,主要还包括物理模型法、光谱梯度差法、FCD(ForestCanopyDensity)分级法等应用较少的方法。物理模型法是通过研究光与植被的相互作用,建立植被光谱信息与FVC之间物理关系的模型,如辐射传输模型、几何光学模型等。因为辐射传输模型涉及到较为复杂的物理机制,很难直接计算覆盖度,必须通过查找表或者机器学习法简化反演过程。如EnvisatMERISFVC产品是利用PROS-PECT+SAIL模型模拟光谱数据训练神经网络算法,通过输入MERIS13个波段的观测值得到FVC。物理方法实现了光学信号与植被物理参数之间关系的建立,理论上可以涵盖不同的情况,具有更广泛的适用性。但是这种方法需要大量的数据,现有遥感数据在应用时需要考虑时间、空间、角度、光谱响应等,往往数据不足。另一方面如何选择模型存在着较大问题,如果模型复杂了待估算参数多,难于反演,反之模型自身存在较大误差。因此,物理模型方法的应用受到了限制。光谱梯度差法是在分析植被和土壤反射光谱特征的基础上提出的。唐世浩等提出一种基于绿、红、近红外3个波段计算最大梯度差,进而估算FVC。古丽等利用多种方法提取植被稀疏荒漠地区的FVC,发现光谱梯度差法与其他模型相比简单且易执行,其中耕地和裸地的FVC的估算结果与实地数据最为接近,但会低估植被稀疏地区的FVC。光谱梯度差法假设在有限波段范围内土壤反射率随波长线性变化,在计算FVC时也没有考虑植被、土壤面积随波长的变化情况,与实际情况存在差异,会影响估算精度,而且计算用到的3个波段没有经过比值处理,波段噪声会有较大影响。FCD分级法是ITTO(InternationalTropicalTimberOrganization)在总结众多学者研究的基础上发展而成的一种新的制图方法,其利用LandsatTM数据计算FCD模型的4个因子:植被、裸土、热量和阴影,最后通过FCD值大小划分FVC等级,从而做出FVC等级图。江洪等探讨了利用FCD模型从SPOT影像中提取FVC的方法,通过野外实地考察验证,总体精度达到了80%以上,能够满足大中尺度FVC调查的要求。FCD分级法对植被状态进行了定量分析,并以百分位数来表示结果,其优点是能够表明植被的生长状况,也能够用来检测植被的动态变化。但是该方法计算繁琐,对光谱数据的要求也比较多,所以目前应用相对较少。4fvc产品的物理模型目前,部分遥感数据如POLDER,EnvisatMER-IS,SPOTVEGETATION(VGT)等都提供了FVC产品(表2),其生产算法主要包括经验模型法和物理模型法。其中,在CYCLOPES项目里利用VGT数据生产FVC的算法使用了经验性模型。而POL-DER和EnvisatMERIS卫星数据采用了机器学习方法,通过物理模型模拟产生训练机器学习算法的样本数据,训练后实现FVC的估算[52~54]。POLDER产品的训练模型采用的是Kuusk辐射传输模型,FVC通过与叶面积指数的指数关系得到。EnvisatMERISFVC产品采用PROSPECT+SAIL模型,通过13个波段的光谱反射率值输入神经网络生产FVC产品。基于物理模型获得大量样本数据的机器学习方法可以归入物理模型法。Geoland-2项目中FVC的估算是基于CYCLOPESFVC产品修订获取训练样本训练神经网络模型而实现。从现有FVC产品验证报告来看,SEVIRI和EnvisatMERISFVC产品的空间一致性较好,但是MERISFVC产品系统性偏低,相差0.10~0.20。陆表植被参数产品验证报告中指出SEVIRI和CYC-LOPES项目中VGT数据的产品之间也存在系统性偏差,VGT结果更高些,相差大约0.15,SEVIRI的FVC产品结果介于MERIS和VGT产品结果之间。但是Fillol等的验证报告中提到CYCLOPESFVC产品比高空间分辨率SPOT多光谱数据FVC空间聚合之后的结果还要低一些。而且,Camacho等发现CYCLOPESFVC产品确实存在由于信号饱和问题引起的低估现象。由此推测SEVIRI,CYCLOPES和EnvisatMERIS的FVC产品和真实情况相比都会有系统性低估。Geoland-2FVC产品基于CYC-LOPESFVC产品进行了改进,修补了其低估问题,验证结果与地面估测值更为接近,而且与CYC-LOPESFVC产品具有较好的一致性,但全球验证点较少,需要继续开展更为深入的验证工作。5混合像元分解法在全球变化背景下,陆地生态系统在结构、功能、景观等各方面都发生了深刻变化,同时这种变化又通过改变地表反射率、粗糙度以及加剧温室气体排放等正反馈于全球气候变化。长期高精度的全球植被参数数据集对于检测、表征及量化陆表变化,驱动全球及区域气候模式,以及用于环境政策和资源管理的各种决策支持系统至关重要。因此,综合利用多源遥感数据源,继续深入研究、发展和生产完整的长时间序列、高时空分辨率的全球FVC数据集对于提高全球变化监测能力和促进全球变化学科发展具有重要的科学意义,这也将成为FVC遥感估算的一个研究热点。基于遥感技术估算FVC的已有方法各具特点,但是理论依据、研究背景、使用的遥感数据源和所用的植被指数或波段都各不相同,目前还没有一种标准的方法用来估算FVC。经验模型只适用于特定区域与特定植