第一作者简介: 何海燕(1987 - ),女,硕士,主要从事森林雷达遥感方面的研究。Email: hehaiyan3707@qq.com。
植被覆盖度是描述水土流失程度的重要指标。像元二分模型假设一个像元代表的信息来自土壤和植被2部分,植被信息占整个像元面积的百分比为植被覆盖度。对Radarsat-2数据进行极化分解,得到反映植被疏密程度的雷达植被指数,结合像元二分模型估测植被覆盖度。将基于雷达植被指数的像元二分模型应用于水土流失重点治理区域——福建省长汀县河田镇,并以高分辨率光学影像WorldView-2计算的植被覆盖度作为参考,结合无人机高分影像和实地考察资料对结果进行精度验证。结果表明,估测结果与验证数据具有较好的相关性( R2>0.8),表明该模型可以用于植被覆盖度的估测; 完全基于雷达数据估测植被覆盖度的算法,克服了南方多云雨地区数据不易获取的困难,有助于对水土流失的连续监测。
Fractional vegetation coverage (FVC) is one of the important indicators for describing the extent of water and soil loss. Dimidiate pixel model assumes that a pixel value is only contributed by vegetation and non-vegetation. Fractional vegetation coverage is defined as the area ratio of vegetation. In this study, Radar vegetation index (RVI) was first derived from Radarsat-2 data by polarimetric decomposition. The FVC was estimated from RVI based on dimidiate pixel model. Then this model with RVI was applied to Hetian area in Changting county of Fujian Province. Finally, the authors verified the results with a reference FVC, which was calculated from the high resolution WorldView-2 image and ground-truth data by field work. The results correlate well to the reference data with R2 over 0.8. The result suggests that it is promising to use dimidiate pixel model with RVI to estimate FVC from Radarsat-2 polarimetric data. The method completely based on Radar data has solved the problem of the difficulty in obtaining data in Southern China and is also helpful to monitoring water and soil loss continuously.
植被覆盖度(fraction of vegetation coverage, FVC)指植被在地面的垂直投影面积占统计区总面积的百分比[1, 2]。植被是控制水土流失的关键因子之一[3, 4]。植被覆盖度作为植被的直观量化指标, 很大程度上反映了植被的基本情况, 可为林业工作以及水土流失的治理等提供参考决策资料。植被覆盖度估测方法的发展大致经历了简单目测估算、仪器测量计算和遥感解译分析3个阶段。遥感技术为估测大面积区域植被覆盖度提供了可能[5]。我国南方多云雨天气, 使得光学遥感数据的获取受到了很大的限制。特别是由于植被光谱受到植被本身、环境条件、大气状况等多种因素的影响, 植被指数具有明显的区域性和时效性, 因此基于光学影像数据的方法有很多局限性[6, 7, 8]。
合成孔径雷达(synthetic aperture Radar, SAR)具有全天候、全天时对地观测的能力以及电磁散射矢量特性和微波穿透性等优势, 可准确反演森林和农作物等植被的分布、结构及长势等信息[9, 10]。全极化SAR以极化散射矩阵的形式完整地记录了雷达目标的电磁散射特性[11], 其数据通过极化目标分解, 可以得到不同的特征参数。雷达植被指数(Radar vegetation index, RVI)是基于特征向量分解得到的参数, 常用以描述植被的疏密程度[12]。利用全极化ALOS PALSAR数据分解得到的雷达植被指数进行森林/非森林制图, 将其与光学植被指数如归一化植被指数(normalized difference vegetation index, NDVI)的制图结果比较发现, 其结果更加精确[13]。
最早建立的像元分解模型主要用于分离植被和其他地物[14], 而像元二分模型是像元分解模型中的一种线性分解模型, 它假设地物仅由植被和非植被2部分组成。很多学者基于光学遥感影像将该模型应用于估测植被覆盖度的工作中[15, 16, 17, 18]。像元二分模型可以削弱土壤背景、大气与植被类型的影响, 且其使用不受研究区域大小的限制, 易于推广应用。像元二分模型所用的遥感信息应与植被覆盖度具有较好的线性关系[19]。雷达植被指数RVI与植被疏密程度密切相关, 因此将RVI应用于像元二分模型具有理论上的可行性。
本文将基于雷达影像通过极化分解得到雷达植被指数应用于像元二分模型, 估测50 m像元尺度下福建省长汀县河田镇区域的植被覆盖度; 以高分辨率光学影像计算的植被覆盖度和实地考察数据为真值验证评价了估测结果的精度。
以福建省长汀县河田镇为研究区, 该区位于N25° 31'12″~25° 41'26″, E116° 21'45″~116° 28'20″之间, 属亚热带季风气候区, 长期严重水土流失和人为破坏已造成该区域植被退化成疏林地、亚热带灌丛或无林地, 甚至退化成荒草坡或光板地, 其治理措施主要通过植树造林, 恢复生态, 改善环境来控制水土流失的恶化[20]。研究区地理位置及Radarsat-2影像覆盖范围如图1所示。
Radarsat-2全极化数据的获取日期为2013年11月27日, 分辨率为8 m, 采样间隔为12.5 m。产品类型是单视复型数据。采用Polsarpro软件对该数据进行了辐射定标、正射校正、多视处理(方位向和距离向视数比为2:1)、Lee滤波和极化分解等处理。其中极化分解采用基于特征根/特征向量的方法, 并组合特征值得到RVI。正射校正[21]采用Mapready软件基于1:1万的数字高程模型(digital elevation model, DEM)完成。最后, 基于极化分解得到的原始分辨率RVI影像计算植被覆盖度, 并将计算结果重采样成50 m格网数据, 以分析该尺度下植被覆盖度的意义。
以2013年11月的无人机影像以及2011年12月23日的WorldView-2光学影像为验证数据, 其中, 无人机影像与雷达影像的获取年月一致, 分辨率高达0.1 m, 包括红绿蓝3个波段, 彩色合成后能够清晰地识别植被; WorldView-2影像成像年份与所获取的雷达数据不同, 但相隔不久, 月份日期相近, 因此地物变化不大, 仍具有可比性。对WorldView-2影像进行处理后, 完成了与分辨率为8 m的雷达影像的配准, 配准误差控制在1个像元以内, 以保证模型验证的精度; 然后利用eCognition软件对其进行面向对象的植被-非植被分类。由于影像分辨率较高, 可以清楚地识别植被, 因此分类时较多结合了目视解译方法, 以保证分类的准确性。
Radarsat-2成像期间, 笔者前往实地考察了植被覆盖类型和植被覆盖情况, 并拍摄了各考察点的照片。将WorldView-2影像分类结果与无人机影像叠加, 结合实地考察照片的目视判断, 确保其分类精度在90%以上。最后将WorldView-2影像分类结果图按照50 m范围内植被像元个数占整个范围内像元总数的比例, 计算出50 m分辨率影像下的植被覆盖度。经高清无人机影像和实地考察情况验证, WorldView-2影像计算的分类结果和植被覆盖度均具有较高的精度, 可以作为准确的植被覆盖度验证依据。
基于全极化雷达数据的植被覆盖度估测方法包括2部分内容: ①对Radarsat-2数据进行极化分解, 构建雷达植被指数; ②以雷达植被指数为基础, 应用像元二分模型估测植被覆盖度。
在雷达极化中, 分布式目标的特征值/特征矢量分解是把复相干矩阵T3表示为3个子相干矩阵(T1, T2, T3)加权和的简单统计模型[22], 即
< [T3]> =λ 1[T3]1+λ 2[T3]2+λ 3[T3]3 , (1)
式中, λ 1, λ 2和λ 3分别为3个子相干矩阵的权重。
通常, 分布式目标的平均雷达后向散射是部分极化的, 自然目标的随机性可以用与其相关联的平均相干矩阵的特征值范围来度量。Van用任意取向的介电圆柱体模型分析了植被区域的雷达后向散射, 提出了雷达植被指数RVI[23]的表达式, 即
式中RVI表示目标散射的随机程度, 0≤ RVI≤ 4/3, 光滑表面的RVI=0, 随着植被生长或结构变得复杂, RVI增加。
用像元二分模型来描述雷达像元内的信息构成, 假设一个像元代表的RVI值来自土壤和植被2部分的贡献(图2), 即雷达植被指数RVI0由全植被覆盖地表的信息RVIveg和无植被覆盖地表的信息RVIsoil共同贡献。
像元中有植被覆盖的面积比例为f, 非植被覆盖的面积比例为(1-f)。即f为植被覆盖度, f和1-f分别为RVIveg和RVIsoil在该像元中所贡献信息的权重, 像元的RVI0可以表达为
在理想情况下, RVIsoil和RVIveg的值是确定的。对于大多数裸土地面, RVIsoil理论上接近0, 但受各种客观条件影响, RVIsoil会在一定范围内变化[24, 25]。RVIveg表示纯植被覆盖的最大值, 理论上接近1, 但是受不同植被类型的影响, 其值也随时间和空间的变化而变化。实际情况中植被类型往往不是单一类型, 因此不能简单采用RVI的最小值和最大值作为RVIsoil和RVIveg的取值。
在实际应用中, 很难获取大区域的实测数据, 因此本文采用给定置信度区间范围内的最大值和最小值来确定RVIveg和RVIsoil的值[20]。置信度的大小随影像的尺寸和清晰度不同而异。设置置信区间是为了排除异常值, 不宜设太大, 本文排除水体和不透水面, 确定置信度为5%和95%时RVIsoil和RVIveg的取值分别为0.300和0.825。
确定了模型的参数后, 将根据置信度确定的RVIsoil=0.300和RVIveg=0.825值代入模型中, 并设置条件, 即可通过逆向模型估计植被覆盖度, 即
图3是依据上述设定获得的研究区雷达植被指数影像图, 采样间隔为12.5 m。
从图3可以看出, 影像中部RVI值较低(暗色调), 四周RVI值相对较高(亮色调), 这是因为中部为城镇中心, 建筑物居多, 植被较少; 影像获取季节为冬季, 城镇中心的农田没有作物, 裸露的地表也表现为低RVI值; 影像中部河流也是低RVI区域; 而影像四周多为森林, 是RVI高值的区域, 但由于水土流失问题的存在, 山区森林中有些地方山体裸露, 没有植被覆盖, 也呈现出局部RVI低值区。由此可见, RVI可以准确地反映植被覆盖情况。
根据雷达植被指数和像元二分模型估测的植被覆盖度如图4(采样间隔为50 m), 白色区域为高植被覆盖度地区, 黑色区域是城市、河流以及无植被覆盖的农田等低植被覆盖地区。植被覆盖度的变化与RVI所反映的植被分布较为一致。图5为由WorldView-2影像计算的植被覆盖度结果(采样间隔为50 m)。
对比图4与图5可以看出, 植被覆盖度高低的大致分布是一致的, 表明基于雷达影像的像元二分模型所估测的结果可以反映植被覆盖度的分布。
以0.2为间隔将植被覆盖度分成5个等级: 1级[0, 0.2)、2级[0.2, 0.4)、3级[0.4, 0.6)、4级[0.6, 0.8)和5级[0.8, 1], 如图6所示。
图6表明, 等级为5级和4级的高植被覆盖度多集中在森林密集的山区。这是由于山区基本不受人为活动的影响, 植被保护较好。但受自然灾害等因素的影响, 一些区域因水土流失而植被退化, 造成山区高植被区域中分布着较低植被覆盖区的极端情况。等级为1级的低植被覆盖度则多分布在沿江和城镇区域, 这些地区人类活动频繁, 多建筑物和农田, 影像获取时间为冬季, 农田等为裸土, 因此城镇附近植被覆盖度很低。2级和3级的中等植被覆盖度区域较少, 分布在整个研究区。
为了定量分析估测结果的精度, 以WorldView-2为验证值, 评价Radarsat-2估测的精度。在估测结果图和计算的验证图中分别随机选取位置相对应的120个样点, 统计这些点在2幅影像中值的相关性, 并做误差分析。对随机选取的采样点进行统计分析, 得到Radarsat-2估测值与WorldView-2验证值的散点图和拟合曲线(图7)。
结果表明, 长汀县河田镇区域内虽然还有部分植被覆盖度为0的裸露地, 但研究区植被覆盖度已整体提高, 甚至有区域已达到全植被覆盖, 即植被覆盖度为1。结合实地考察数据分析, 植被覆盖度为0的区域除了山上裸露的山体外, 大部分是城市里的建筑、河流以及没有种植作物的农田等区域。模型估测的植被覆盖度准确地反映了研究区范围内植被的分布情况, 与实际情况相符合。且估测值与验证值高度相关(R2 = 0.812), 均方根误差仅为0.020。因此, 采用基于雷达植被指数的像元二分模型估测植被覆盖度具有较高精度。
图8为每个采样点的估测值、验证值和误差值的曲线统计图, 其中采样点的排列是按照验证值的递增顺序排列的。
由图8可知, 多数估测值大于验证值, 即估测的植被覆盖度整体高于真实的值, 误差曲线大部分值在(-0.25, +0.25)之间浮动。
本文基于Radarsat-2全极化雷达数据, 估测了水土流失治理区长汀县河田镇区域的植被覆盖度。通过极化特征分解获取了可以反映植被信息的雷达植被指数, 并将该指数应用于构建的像元二分模型中, 得到采样间隔为50 m的植被覆盖度估测结果。以高分辨率光学影像WorldView-2计算的植被覆盖度作为验证数据, 结合无人机影像和实地考察数据, 评价了模型估测精度。结果表明, 雷达植被指数和像元二分模型的结合实现了高精度的植被覆盖度提取, R2最高达0.8以上; 该模型可以为长汀的水土保持工作提供科学的辅助决策依据。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|