基于ETM图像的植被覆盖度遥感估算模型.docVIP

基于ETM+图像的植被覆盖度遥感估算模型 顾祝军1, 2, 3，曾志远2*，史学正1, 3，郑伟2，张振龙2，胡子付2 1. 土壤与农业可持续发展国家重点实验室中国科学院南京土壤研究所江苏 南京210008；2. 南京师范大学地理科学学院，江苏 南京210097；3中国科学院研究生院，北京100039 植被覆盖度（VFC）的定量遥感是多种地表过程研究的迫切需要。文选用南京市一幅Landsat 7 ETM+图像，经大气校正后提取了归一化植被指数（NDVI），与地面实测的植被覆盖度进行回归分析，建立了1～4次多项式关系模型。结果表明，NDVI与VFC呈极显著的正相关关系（r = 0.874, P 0.001）。在NDVI-VFC的1～4次多项式关系模型中，模型幂次越高，拟合程度越好。综合考虑模型的精度和稳定性，3次多项式模型作为最优模型推荐使用：VFC = -1.3438 NDVI 3 + 0.9774 NDVI 2 + 0.9988 NDVI + 0.1507 (R2 = 0.7961, RMSE = 0.1094)，该模型精度在植被中等密集区域（VFC＝0.4～0.8）最高，植被稀疏区域（VFC 0.4）最低，植被密集区域（VFC 0.8）居中。模型可直接用于全图像的VFC计算，并可通过植被指数的校准，进行推广使用。 ETM+；NDVI；植被覆盖度；模型中图分类号：F301.24；TP79；Q948 文献标识码：A 文章编号：1672-2175（2008）02--06植被不仅是重要的环境要素，也是陆地生态系统敏感的状态指示因子。植被覆盖度 (Vegetation Fractional Coverage，VFC)，作为反映地表植被分布特征的定量指标，是景观生态[1]、气候变化[2]和水土流失[3]等多种地表过程研究的关键参数。因此，如何精确高效地获取地表植被覆盖度，一直受到人们的普遍关注。 植被覆盖度的获取主要包括地表实测和遥感估算两种方法，前者多用于田间尺度，后者多服务于区域尺度（地区、国家乃至全球）的VFC监测。自20世纪70年代以来，VFC的遥感监测在全世界得到了蓬勃发展。在VFC遥感监测的各种方法中，最为简便、使用时间最久的是基于遥感数据与VFC进行回归分析的经验模型法。人们对多种遥感图像、不同波段或波段组合与VFC之间的相互关系做了广泛研究[4]。Graetz等[5] 将Landsat MSS第5波段与VFC实测数据进行回归分析，并利用得到的回归模型估算了澳大利亚南部半干旱稀疏草地的植被覆盖度，结果证明利用MSS影像的单波段可以概略估测区域地表植被覆盖度。North[6]基于ATSR-2遥感图像，将555 nm、670 nm、870 nm和1630 nm四个波段数据与植被覆盖度进行线性回归，结果表明使用四波段组合的线性混合模型估算植被覆盖度较好。随着研究的深入，利用遥感数据波段线性和非线性组合而形成的各种植被指数在VFC遥感估算中的作用日益得到认可，其中使用最为广泛的是归一化植被指数（Normalized Difference Vegetation Index，NDVI）。Dymond等[7]运用SPOT影像建立地表植被覆盖度与NDVI（该文称为NVI）之间的非线性关系模型，成功估测了新西兰南部典型草原的植被覆盖度。Wittich 和Hansing[8] 使用NOAA/AVHRR数据研究了德国西部草地(包括农田和森林)的VFC与NDVI 之间的线性和非线性关系模型，结果表明对于范围较大且异质性较强的研究区，线性关系模型更适合。从上述报道可见，现有研究多位于植被类型较为均一的干旱半干旱地区[9], 而用于VFC遥感监测的适宜波段随不同的植被、不同的研究区域存在差异，植被指数与VFC的关系模型及其预测能力也不尽相同，所以有必要进一步深入研究和定量分析植被指数与VFC的相互关系。本文目的是在植被类型较为复杂的地区分析VFC和植被指数的关系，建立VFC估算模型，并提出模型的推广使用方法，以期为更大范围的VFC估算提供理论基础和技术途径。 遥感数据选用 Landsat 7 ETM+图像 (列号 120, 行号038)，成像时间为2001年11月6日。遥感影像覆盖了南京市主城区及郊区，其中研究区面积约820 km2 (118°38′E, 31°56′N) (图1)。研究区地形主要为低山丘陵和沿江平原，平原海拔多为7～10 m，城东南的紫金山海拔448 m, 是全市最高峰。气候类型为亚热带季风气候，年平均气温15.1，年平均降雨量1019 mm，降雨集中在6～8月的夏季，雨热同期。乔木、灌木和草本植被都有大量分布。采样区草本植物主要分布于河谷、滨湖的平原，以及长江中的洲地，灌木和林地采样区多分