光学遥感植被指数与SAR遥感参数的相关性及其主要影响因素研究

doi:10.6046/gtzyyg.2020.02.17

光学遥感植被指数与SAR遥感参数的相关性及其主要影响因素研究

王川¹, 范景辉², 林思美¹, 饶月明¹, 黄华国^,¹

1.北京林业大学省部共建森林培育与保护教育部重点实验室,北京 100083

2.中国自然资源航空物探遥感中心,北京 100083

Study of the correlation between optical vegetation index and SAR data and the main affecting factors

WANG Chuan¹, FAN Jinghui², LIN Simei¹, RAO Yueming¹, HUANG Huaguo^,¹

1. The Key Laboratory for Silviculture and Conservation of Ministry of Education, Beijing Forestry University, Beijing 100083, China

2. China Aero Geophysical Survey and Remote Sensing Center for Natrual Resources, Beijing 100083, China

通讯作者: 黄华国(1978-),教授,博士生导师,主要研究方向为植被定量遥感。Email:huaguo_huang@bjfu.edu.cn。

责任编辑: 张仙

收稿日期: 2019-07-12 修回日期: 2019-11-25 网络出版日期: 2020-06-15

基金资助:

国家重点研发计划项目“大兴安岭火烧及采伐迹地植被恢复遥感监测及其辅助决策技术”. 2017YFC0504003-4
国家自然科学基金项目“基于相关生长理论的森林光学微波信息互补机理研究”. 41971289

Received: 2019-07-12 Revised: 2019-11-25 Online: 2020-06-15

作者简介 About authors

王川(1994-),男,硕士研究生,研究方向为植被定量遥感。Email:W3170099@bjfu.edu.cn。。

摘要

建立合成孔径雷达(synthetic aperture Radar,SAR)数据和光学植被指数的定量关系有助于融合这两种数据源,提高山区森林遥感的时序监测能力。为此,以内蒙古大兴安岭根河林区为例,首先分析了归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、绿度植被指数(greenness vegetation index,GVI)和归一化水分指数(normalized difference water index,NDWI)与C波段雷达数据的相关性,接着对比了不同森林干扰下NDVI,NDWI与X,C,L波段雷达数据的相关性差异。结果表明: ①极化比(polarization ratio,PR)和干涉相干系数与各植被指数呈显著负相关,PR与NDVI,EVI,GVI线性趋势好(R²=0.40~0.49),VH的干涉相干系数与各植被指数线性趋势好(R²=0.43~0.51); ②地表类型会影响VH与NDVI线性回归结果,在植被密集的灌草、火烧迹地和森林内线性趋势好(R²=0.64~0.76); ③不同森林干扰下相关性存在差异: 在火烧迹地内NDVI与X波段HH和C波段PR呈显著负相关,NDWI与C波段VH呈显著正相关; 在未受干扰林地内NDVI和NDWI与C波段PR呈显著正相关; 在采伐迹地内L波段PR与NDVI呈显著负相关,L波段VV和VH的PR与NDWI呈显著负相关。

关键词： 植被指数 ; SAR遥感参数 ; 火烧迹地 ; 森林采伐 ; 相关性

Abstract

Vegetation index is an important approach in vegetation monitoring and investigation. SAR data are free with weather condition observing data day and night. Building relationships between SAR data and vegetation indices can contribute to fusing two data to improve temporal monitoring in forest of mountain areas. Therefore, the authors made a statistical analysis between vegetation indices including NDVI, EVI, GVI, NDWI and C band SAR data and then made a comparison about difference of correlation between NDVI, NDWI and X, C, L band SAR data in different forest disturbances in Genhe forest region of Da Hinggan Mountains in Inner Mongolia. The results are as follows: ①PR and interferometry coefficients both have significant negative correlations with optical vegetation indices, PR has strong linear correlations with NDVI, EVI, GVI (R²=0.40~0.49), and interferometry coefficients have strong linear correlations with all optical indices (R²=0.43~0.51). ②Ground cover can affect linear regression between VH and NDVI. Scrub-grass land and fires scars with thick vegetation layer and forest land have a strong linear correlation with NDVI (R²=0.64~0.76). ③The correlations are different for different forest disturbances: In fires scars, NDVI has significant negative correlations with X- band HH, and C band PR and NDWI have a significant positive correlation with C band VH. In deforestation areas, L-band PR has significant negative correlations with NDVI, and L band VV and VH have significant positive correlations with NDWI. In undisturbed forest land, C-band PR has significant negative correlations with NDVI and NDWI.

Keywords： vegetation index ; SAR remote sensing parameter ; fire scar ; deforestation ; correlation

PDF (2953KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

王川, 范景辉, 林思美, 饶月明, 黄华国. 光学遥感植被指数与SAR遥感参数的相关性及其主要影响因素研究. 国土资源遥感[J], 2020, 32(2): 130-137 doi:10.6046/gtzyyg.2020.02.17

WANG Chuan, FAN Jinghui, LIN Simei, RAO Yueming, HUANG Huaguo. Study of the correlation between optical vegetation index and SAR data and the main affecting factors. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(2): 130-137 doi:10.6046/gtzyyg.2020.02.17

0 引言

植被是陆地生态系统的重要组成部分。遥感监测能够不受自然和社会条件限制快速获取大范围的观测数据,已经成为监测全球植被的重要方式。光学遥感植被指数形式简单,能够有效反映地表植被状况,广泛应用于植被监测、植被调查的各个方面。目前已经定义的植被指数有40余种^[1]。但是云、雨等因素的干扰常会造成光学数据缺失,特别是在植被的时序监测^[2,3]、植被模型输入^[4]等方面有很大影响。合成孔径雷达(synthetic aperture Radar,SAR)技术能够不受气候条件的影响进行全天候观测。因此,建立光学植被指数与SAR数据的联系,有助于恢复缺失的光学影像数据,提高遥感监测的时间频率,也有利于融合植被指数到微波模型当中。

目前已经发射的SAR卫星主要有X,C,L 3个波段。X波段的卫星可以达到很高的空间分辨率,但易产生噪声,导致光学植被指数如归一化植被指数(normalized difference vegetation index,NDVI)与后向散射系数的相关性不显著^[5]; 而如果基于NDVI对影像进行分割,各区域NDVI和后向散射系数的平均值之间则具有较好的相关性^[4]。对于C波段,研究表明多种地物类型(如针叶树、阔叶树等)NDVI与后向散射系数均具有比较高的相关性^[6]。对于L波段,已有研究表明NDVI的变化能够引起后向散射系数的变化,而极化比(polarization ratio,PR)则不会发生显著变化^[7]。Wang等^[8]对同一植被区多个季节的植被指数与SAR数据进行了分析,结果表明C波段后向散射系数与NDVI具有显著的线性相关关系,L波段后向散射系数与NDVI和归一化水分指数(normalized difference water index,NDWI)均具有显著的相关关系。

虽然已有许多相关研究,但是仍然存在以下2方面不足: ①现有研究多集中在NDVI和NDWI与后向散射系数的相关性分析,甚少见到植被指数和干涉相干系数的相关分析。这主要是由于之前相干数据源的缺乏。Sentinel-1A和Sentinel-1B分别于2014年和2016年发射,目前已经积累了大量数据,同时高时间分辨率(单星重访周期为12 d)使其能够稳定地进行干涉测量。因此,现在已经初步具备了干涉相干系数的分析条件。②缺少针对森林受干扰后恢复过程中植被区相关性变化的分析。干扰下的森林结构发生了明显的变化间接改变了植被指数和SAR数据的相关性,例如受不同程度火烧干扰后差分归一化火烧指数(difference normalized burn ratio,dNBR)与SAR数据具有一定的相关性^[9]。

因此,以内蒙古自治区根河市为研究区,在NDVI和NDWI的基础上增加增强型植被指数(enhanced vegetation index,EVI)和绿度植被指数(greenness vegetation index,GVI),分析4个植被指数与Sentine-1B的后向散射系数和干涉相干系数的关系; 在此基础上,分析在火烧和采伐干扰后森林恢复过程中X,C,L 3个波段SAR数据与植被指数相关性的变化规律,以拓展在森林干扰监测中的应用。

1 数据与方法

1.1 研究区概况

根河市(图1)是内蒙古自治区呼伦贝尔市下辖的县级市,位于E120°12'~122°55',N50°20'~52°30'之间,面积达2万km²,平均海拔为950 m,地势为东高西低,属丘陵山区。该地区属于寒温带湿润型森林气候,同时兼具大陆季风性气候特征,年均气温为-5.3 ℃,年降水量为350~550 mm。该林区主要树种有兴安落叶松(Larix gmelinii)、白桦(Betula platyphylla)和山杨(Populus davidiana)等。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区卫星遥感影像

(底图为Google Earth B3 (R),B2(G),B1(B)影像)

Fig.1 Satellite image of the study area

由于自然或人为等因素,根河林区曾多次发生不同程度的森林火灾,如2003年根河市金河镇发生“5·5”特大森林火灾,2007年根河林业局约安里林场、2015年根河市满归林业局阿鲁自然保护区、2019年根河林区都发生过不同程度的森林火灾。基于对历史Landsat系列卫星影像的目视解译和历史资料复核,已获取了2003—2016年兴安岭地区火烧迹地数据,表1为从中选择出的2003—2016年根河林区火烧迹地信息。

表1 火烧迹地基本信息

Tab.1 The essential information of fire scars

火烧时间	面积/hm²	火烧时间	面积/hm²
2003年	238.05	2010年	369.77
2003年	102 136.62	2010年	121.57
2003年	137.57	2010年	138.73
2003年	3 377.03	2010年	99.39
2003年	716.92	2010年	1 740.77
2003年	1 307.02	2010年	98.35
2003年	137.48	2010年	221.82
2004年	61.67	2010年	389.75
2008年	1 740.77	2012年	171.18
2010年	1 174.03	2012年	948.42
2010年	77.08	2016年	728.81

新窗口打开| 下载CSV

根河林区采伐作业包括针对火烧木、病害木和受风灾雪灾影响林地的皆伐作业、经营性择伐和大强度择伐、二次渐伐等方式。基于Google Earth影像对根河地区采伐迹地进行目视判读和勾绘,确定采伐时间主要集中在1984—1991年,表2为采伐迹地信息。

表2 采伐迹地基本信息

Tab.2 The essential information of deforestation areas

采伐时间	面积/hm²	采伐时间	面积/hm²
1984年	1.51	1989年	2.80
1984年	9.13	1989年	4.25
1984年	7.99	1989年	6.05
1984年	7.05	1989年	2.76
1984年	3.79	1989年	2.34
1984年	3.40	1989年	7.03
1984年	4.98	1989年	11.41
1984年	3.45	1989年	7.96
1985年	9.63	1990年	3.99
1985年	4.02	1990年	2.17
1985年	2.32	1990年	1.32
1987年	2.50	1990年	0.96
1988年	4.31	1991年	2.80
1988年	3.24	1991年	2.42

新窗口打开| 下载CSV

1.2 遥感数据

SAR数据包括X波段的TerraSAR-X影像、C波段的Sentinel-1B影像和L波段的ALOS PALSAR2影像。光学数据选择与SAR数据时空上最接近的Lansat8 OLI影像,由于TerraSAR-X数据的成像时间较早,因此选择同时期的Landsat5 TM光学影像(Landsat系列卫星在轨时间长,历史数据更充足)。表3为所涉及的各卫星传感器的参数信息和分析用途。

表3 各卫星传感器参数和分析用途

Tab.3 The basic information and purpose of analysis about satellite sensors

卫星及传感器	波段	成像时间	空间分辨率/m	极化模式	数量/景	分析用途
Landsat8 OLI	光学	2018年8月	30	—	2	根河林区植被指数与SAR数据相关性分析和回归分析
Sentinel-1B	C	2018年8月	30	VV+VH	2	根河林区植被指数与SAR数据相关性分析和回归分析
Landsat5 TM	光学	2011年5月16日	30	—	1	火烧、采伐、对照区域植被指数与SAR数据相关性分析
Landsat8 OLI	光学	2017年4月30日	30	—	2
TerraSAR-X	X	2011年4月24 日	11	HH	1
Sentinel-1B	C	2017年5月2日	30	VV+VH	2
ALOS PALSAR2	L	2017年4—5月	4.4	HH+VV+ HV+VH	5

新窗口打开| 下载CSV

Landsat5和Landsat8影像的预处理步骤包括辐射定标、FLAASH大气校正、SCS+C地形校正^[10],采用ENVI5.1软件完成。SAR数据(强度数据和干涉测量数据)的预处理步骤包括辐射定标、多视处理、Refine Lee滤波处理(窗口大小为5×5)、距离-多普勒地形校正、辐射归一化^[11]等。SAR数据均投影到UTM(ZONE_51N)投影坐标系,采用SARScape 5.1软件完成。

1.3 研究方法

本研究首先对植被指数与Sentinel-1B SAR数据进行相关性分析,对相关性显著的结果进行线性回归分析,并尝试对分析结果进行解释; 其次进行火烧迹地和采伐迹地的多波段SAR数据与植被指数相关性分析,比较分析相关性差异。

1.3.1 植被指数

选择NDVI,EVI,GVI和NDWI 4个指数进行分析,其中NDVI^[12]是最常使用的植被指数; EVI^[13]通过增加蓝光波段增强了植被信号; GVI^[14]则是影像经过穗帽变换之后的绿度信息。三者相关性强,不作相互之间的相关分析。NDWI与冠层含水量相关性更高^[15,16]。各植被指数计算公式为:

(1)NDVI=(ρ_nir-ρ_red)/(ρ_nir+ρ_red) ,

(2)EVI=2.5

(\frac{ρ_{nir} - ρ_{red}}{1 + ρ_{nir} + 6 ρ_{red} - 7.5 ρ_{blue}})

(3)GVI=-0.294 1ρ_blue-0.243ρ_green-0.542 4ρ_red+0.727 6ρ_nir+0.071 3ρ_swir1-0.160 8ρ_swir2 ,

(4)NDWI=

\frac{ρ_{nir} - ρ_{swir 1}}{ρ_{nir} + ρ_{swir 1}}

式中ρ_blue,ρ_green,ρ_red,ρ_nir,ρ_swir1,ρ_swir2分别为Landsat数据蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率。

1.3.2 极化比和干涉相干系数

PR能够反映地物去极化能力,对于森林地区,微波在植被层中发生的体散射现象是造成电磁波信号去极化的主要原因,因而PR可以反映出像元的植被状况^[17],计算公式为:

(5)PR=

σ_{pp}^{0}

σ_{pq}^{0}

式中: p和q为极化方式(V或H); $σ_{pp}^{0}$ 为同极化后向散射系数; $σ_{pq}^{0}$ 为交叉极化后向散射系数。

在干涉测量中干涉相干系数用于衡量干涉像对的相位稳定性。两景单视复图像(single look complex,SLC)的干涉相干系数γ计算公式为:

(6)γ=

\frac{\sum_{j, k \in ω} | S_{1} (j, k) \times S_{2}^{*} (j, k) |}{\sqrt[]{\sum_{j, k \in ω} | S_{1} (j, k) \times S_{1}^{*} (j, k) | \times \sum_{j, k \in ω} | S_{2} (j, k) \times S_{2}^{*} (j, k) |}}

式中: $S_{1}^{*}$ 和 $S_{2}^{*}$ 分别为SLC图像S₁和S₂的复共轭; ω为进行相干性估计算子的矩形窗口。相干系数γ的范围在0~1之间,1表示完全相关,0表示完全不相关^[18]。植被层的体散射能够造成干涉像对相干性降低,因此通过干涉相干系数可以反映出像元的植被状况^[19]。

1.3.3 植被指数和C波段SAR数据的相关分析

图2为相关植被指数与SAR数据分析流程。首先基于Landsat8影像提取NDVI,EVI,GVI和NDWI,基于SAR数据提取后向散射系数、PR和干涉相干系数; 然后根据NDVI值选取像元作为样本点; 最后对样本点的光学植被指数与SAR数据进行相关性分析,并对相关性显著的数据进行回归分析。依据2期NDVI图像,共选取124个像元进行分析,覆盖NDVI范围为0.2~0.9。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 光学植被指数与极化SAR数据相关分析流程

Fig.2 Flow chart of correlation analysis between optical indices and SAR data

1.3.4 火烧迹地和采伐迹地的多波段相关分析

图3为受干扰林分的相关分析流程。波段上涉及X,C和L 3个波段。相关性分析方法与1.3.3一致。区别在于需要区分火烧、采伐和对照区域,分别针对3个波段进行相关性分析,通过相关系数来比较受干扰区域与未受干扰区域的差异。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 森林干扰对光学植被指数与极化SAR数据相关性影响分析

Fig.3 Influence of forest disturbance on correlation between optical indices and SAR data

2 结果与讨论

2.1 植被指数与SAR数据的相关性分析

统计了SAR数据与植被指数的相关系数R,结果如表4所示。

表4 Sentinel-1B影像SAR数据与Landsat8影像植被指数的相关性分析

Tab.4 Correlation analysis between SAR data of Sentinel-1B and optical indices of Landsat8 images

植被指数	${R_{1}}^{①}$			${R_{2}}^{②}$
植被指数	VV	VH	PR	VV	VH	PR
NDVI	0.06	0.49^**	-0.71^**	-0.03	0.37^**	-0.67^**
EVI	0.09	0.47^**	-0.64^**	0.04	0.43^**	-0.68^**
GVI	0.10	0.48^**	-0.63^**	-0.03	0.36^**	-0.66^**
NDWI	0.31^**	0.59^**	-0.54^**	0.31^**	0.54^**	-0.49^**

①R₁为2008年8月13日SAR数据与8月14日植被指数的相关系数; ②R₂为8月25日SAR数据与8月30日植被指数的相关系数; **表示在 0.01 级别,双尾检验相关性显著。

新窗口打开| 下载CSV

由表 4可知,在2组影像中VH与NDVI,EVI和GVI均具有显著的正相关关系,而VV则没有显著的相关关系; PR与3个植被指数均具有显著的负相关关系,说明像元内植被越多去极化能力越强; PR与各个光学植被指数的相关性优于VH极化。NDWI与VV和VH均具有显著的正相关关系,同时与PR具有显著的负相关关系。其中,VH极化与NDWI最相关(R₁=0.59,R₂=0.54)。NDWI主要与冠层的水分含量有关,这一结果反映出植被体水分含量越高后向散射系数越强。

表5为干涉相干系数γ与植被指数的相关性分析结果,其中干涉相干系数与各植被指数均具有显著的负相关关系,表明植被体越多、冠层含水量越高则去相干能力越强干涉相干系数越低。其中VH极化的干涉相干系数γ_VH与各个光学植被指数的相关性优于VV极化的干涉相干系数γ_VV。

表5 干涉相干系数与Landsat8影像植被指数的相关性分析

Tab.5 Correlation analysis between interferometry coefficients and optical indices of Landsat8 images

植被指数	8月14日		8月30日
植被指数	γ_VV	γ_VH	γ_VV	γ_VH
NDVI	-0.5 ${1^{**}}^{①}$	-0.72^**	-0.49^**	-0.70^**
EVI	-0.49^**	-0.68^**	-0.47^**	-0.66^**
GVI	-0.50^**	-0.67^**	-0.48^**	-0.66^**
NDWI	-0.50^**	-0.68^**	-0.42^**	-0.59^**

①**表示在 0.01 级别,双尾检验相关性显著。

新窗口打开| 下载CSV

对相关性显著的VH,PR,干涉相干系数与各植被指数进行线性回归分析,表6为线性回归分析结果,各线性回归结果均显著。与相关性分析结果一致,在2期影像中PR与NDVI,EVI和GVI线性拟合的调整决定系数R²(0.39~0.50)均高于VH。γ_VH线性拟合的调整R²(0.35~0.51)均高于γ_VV。

表6 Sentinel-1B影像VH极化、PR、干涉相干系数与Landsat8影像植被指数的相关性分析^①

Tab.6 Correlation analysis between VH, PR, interferometry coefficients of Sentinel-1B and optical indices of Landsat8 images

植被指数	$R_{1}^{2}$		$R_{2}^{2}$		$R_{3}^{2}$		$R_{4}^{2}$
植被指数	VH	PR	VH	PR	γ_VV	γ_VH	γ_VV	γ_VH
NDVI	0.23	0.50	0.14	0.45	0.26	0.51	0.24	0.47
EVI	0.21	0.39	0.18	0.44	0.24	0.46	0.21	0.43
GVI	0.22	0.39	0.13	0.44	0.24	0.45	0.22	0.43
NDWI	0.34	0.28	0.29	0.23	0.24	0.46	0.18	0.35

① $R 12$ 为8月13日SAR数据与8月14日植被指数的调整决定系数; $R 22$ 为8月25日SAR数据与8月30日植被指数的调整决定系数; $R 32$ 与 $R 42$ 分别为干涉相干系数与8月14日和8月30日植被指数的调整决定系数; 显著性均<0.01。

新窗口打开| 下载CSV

2.2 地表类型对线性回归的影响

在对VH与NDVI进行线性回归时发现,在拟合直线两侧明显呈现为2种聚集分布特征,如图4为一期影像中VH与NDVI的散点分布特征,NDVI与地表植被的覆盖程度密切相关,因此该分布特征很有可能与地表类型有关。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 后向散射系数与NDVI的散点分布

Fig.4 The scatter diagram between backscattering coefficient and NDVI

为分析其原因,本研究补充选取了293个像元,首先依据VH与NDVI的回归方程将像元标记为NDVI高于预测值(above hope,AH)和低于预测值(below hope,BH)2种类型,分别进行线性回归分析; 然后结合Google Earth影像将像元进一步标记为裸地、灌草、森林、火烧迹地4种地物类型,对2类像元的不同地表类型进行分类汇总。其中,AH类型VV和VH与NDVI线性拟合的调整R²较高,分别为0.64和0.76(显著性p<0.01); BH类型则较低,分别为0.03和0.18(显著性p<0.05和p<0.01)。图5为对AH和BH不同地物类型像元数量百分比的统计结果,其中裸地像元均属于BH类型; 90%以上森林像元属于AH类型,灌草和火烧迹地则存在一定的不确定性。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 AH类型和BH类型不同地物特征像元频数统计结果

Fig.5 Quantitative statistic for pixels with different ground objects for AH and BH

图6为2种类型像元中灌草和火烧迹地的NDVI分布特征,其中AH类型NDVI分布范围明显高于BH类型,即植被稀疏时后向散射系数与NDVI的线性拟合结果接近裸地类型,而植被浓密时则接近森林类型。可以认为仍然是地表类型影响了拟合结果,导致2种类型拟合结果差异较大。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 灌草和火烧迹地内NDVI分布特征

Fig.6 Distribution characteristics of NDVI in shrub areas and fire scars

2.3 火烧迹地和采伐迹地多波段分析

表 4中,仅NDWI与VV具有显著相关性,而NDVI与VH的相关性系数最高,据此选择NDVI和NDWI这2个植被指数与多波段SAR数据进行相关性分析。需说明的是,由于数据覆盖空间范围不同,X波段与C和L波段分析的火烧和采伐迹地不同。

2.3.1 X波段结果分析

X波段SAR数据与植被指数相关性分析结果表明,火烧迹地内NDVI与HH呈显著的负相关关系(R=-0.72),而在不同受干扰区域内NDWI与HH相关性均不显著。

图 7 (a)为至2010年不同恢复年龄火烧迹地的数量,其中60%的火烧迹地恢复年龄在1 a左右,而雷达影像成像时间在4月份,此时尚未进入生长季,因此植被层主要是散射体较小且分布相对稀疏的草本植物和萌生的幼苗,X波段对其敏感性强。图7 (b)为火烧、采伐、对照区NDVI分布特征,由于采伐时间集中在1984—1991年间(表 2),采伐迹地恢复时间长,因此相较于火烧迹地NDVI分布相对集中且平均值较高,林下植被层主要是灌木和幼树等,散射体较大且植被层密度大,导致X波段敏感性较低。林地的NDVI显著高于受干扰区域,因此X波段对其敏感性更低。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 火烧迹地恢复时间和NDVI分布特征

Fig.7 Recovering time of fires scars and distribution characteristics of NDVI

2.3.2 C波段结果分析

C波段SAR数据与植被指数的相关性分析结果表明: ①火烧迹地NDVI与PR具有显著的负相关关系(R=-0.72),NDWI则与VH具有显著的正相关关系(R=0.69); ②采伐迹地NDVI,NDWI与后向散射系数、PR均无显著的相关关系; ③对照区域NDVI和NDWI均与PR具有显著的正相关关系(R分别为0.64和0.79)。

上述差异的原因可能是受火干扰的地区地表通常会受到影响,而采伐迹地则主要是植被层受到影响,因此不同迹地以及对照之间相关性分析结果差异较大。

2.3.3 L波段结果分析

L波段SAR数据与植被指数的相关性分析结果表明: ①火烧迹地NDVI和NDWI与后向散射系数及PR均无显著的相关关系; ②采伐迹地NDVI与PR有显著负相关关系(PR_VV/VH和PR_HH/HV的R分别为-0.57和-0.61)。NDWI与VV,VH均具有显著的负相关关系,VH的相关性更高(R=-0.61); ③对照区域NDVI与HH和PR_VV/VH具有显著的正相关关系,相关系数接近(R分别为0.51和0.48)。NDWI与VH和PR_HH/VH具有显著的正相关关系,相关系数接近(R分别为0.47和0.51)。

L波段通常只与植被层内较大的散射体如枝、干等产生相互作用^[20],因此在火烧迹地内与植被指数相关性不显著,采伐和对照区域植被层具有较大的散射体,但由于受到采伐干扰导致采伐迹地和对照区域相关性不同。

3 结论和展望

基于根河林区多波段雷达数据和Landsat8光学数据,系统分析了光学植被指数与SAR数据的相关性,发现了一些和地表类型、森林干扰有关的规律。

1)在根河林区不同极化方式的雷达信号和光学信号间的相关性有变化,但都是显著相关性。其中,极化比PR与NDVI,EVI和GVI的相关性最强,具有显著的负相关关系,VH与NDWI的相关性最强; 干涉相干系数与植被指数均具有显著的负相关关系。其相关性机理仍需要进一步研究。

2)地表类型会影响后向散射系数与NDVI的线性回归结果。其中,森林后向散射系数与NDVI拟合的调整决定系数较高,裸地则较低,灌草和火烧迹地由于植被覆盖程度的差异会影响与NDVI的线性回归结果。

3)不同波段雷达信号的响应有差异,X波段有可能指示干扰恢复阶段。X波段和C波段更适于在火烧迹地内构建与光学植被指数的联系,L波段在一定程度上可以反映采伐迹地内光学植被指数的变化,但需要进一步考虑其植被特点对后向散射特征和光学影像的影响,从而提高SAR数据与光学植被指数的相关性。

光学与微波对植被的敏感部位不同(光学波段对叶片更敏感,而微波则对枝干更敏感),但在理论上植物生物量在叶、枝、干、根等器官的分配具有内在的相关性^[21,22]。因此下一步将结合森林生长模型和光学微波一体化的三维遥感机理模型(如RAPID2)进行系统的模拟分析^[23],明确建立叶片和枝干在生物量或者消光方面的波段相关性模型,从而对光学和微波相关性的机理获得更深入的理解。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

田庆久, 闵祥军.

植被指数研究进展

[J]. 地球科学进展, 1998,13(4):327-333.