全 文 ：基于多源遥感数据的荒漠植被覆盖度估测*
万红梅摇 李摇 霞**摇 董道瑞
(新疆农业大学草业与环境科学学院, 乌鲁木齐 830052)
摘摇 要摇 以塔里木河下游为靶区,根据地面调查和不同分辨率的多源遥感数据,逐级建立荒
漠植被覆盖度遥感估测模型,并对不同模型、不同估测方法的估测精度进行比较.结果表明:
随着遥感数据空间分辨率的提高,植被覆盖度遥感估测模型精度增加;基于高分辨率、中高分
辨率及中低分辨率遥感数据建立的植被覆盖度模型的估测精度分别为 89. 5% 、87. 0%和
84郾 6% ;遥感模型法的估测精度高于植被指数法.不同分辨率遥感数据估测荒漠植被覆盖度
的精度变化规律,实现了荒漠植被覆盖度估测的高、中、低分辨率遥感数据参数及尺度的定量
转换,可为研究区生态恢复遥感综合监测方案的制定和实施提供直接依据.
关键词摇 荒漠植被覆盖度摇 多源遥感数据摇 遥感模型摇 尺度转换
文章编号摇 1001-9332(2012)12-3331-07摇 中图分类号摇 TP79摇 文献标识码摇 A
Estimation of desert vegetation coverage based on multi鄄source remote sensing data. WAN
Hong鄄mei, LI Xia, DONG Dao鄄rui (College of Pratacultural and Environmental Science, Xinjiang
Agricultural University, Urumqi 830052, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(12): 3331-3337.
Abstract: Taking the lower reaches of Tarim River in Xinjiang of Northwest China as study area
and based on the ground investigation and the multi鄄source remote sensing data of different resolu鄄
tions, the estimation models for desert vegetation coverage were built, with the precisions of differ鄄
ent estimation methods and models compared. The results showed that with the increasing spatial
resolution of remote sensing data, the precisions of the estimation models increased. The estimation
precision of the models based on the high, middle鄄high, and middle鄄low resolution remote sensing
data was 89. 5% , 87. 0% , and 84. 56% , respectively, and the precisions of the remote sensing
models were higher than that of vegetation index method. This study revealed the change patterns of
the estimation precision of desert vegetation coverage based on different spatial resolution remote
sensing data, and realized the quantitative conversion of the parameters and scales among the high,
middle, and low spatial resolution remote sensing data of desert vegetation coverage, which would
provide direct evidence for establishing and implementing comprehensive remote sensing monitoring
scheme for the ecological restoration in the study area.
Key words: desert vegetation coverage; multi鄄source remote sensing data; remote sensing model;
scale conversion.
*国家自然科学基金项目(40961027)资助.
**通讯作者. E鄄mail: xjlx782@ 126. com
2012鄄02鄄19 收稿,2012鄄09鄄21 接受.
摇 摇 植被覆盖度是衡量地表植被状况的重要指标,
是确定生态系统状态的基础数据,也是区域生态系
统环境变化的重要指示,对水文、生态、区域变化等
都具有重要意义[1] .获取植被覆盖度的方法有地表
实测法和遥感监测法两种. 地表实测法可提供小尺
度范围植被结构和分布状况的变化信息[2-3],难以
用于大空间尺度植被覆盖度的获取;而遥感具备大
尺度和周期探测的特性,使区域尺度[4-5]植被覆盖
度的获取成为可能,因而得到了日益广泛的应用.目
前,用遥感数据获取植被覆盖度的方法主要有经验
模型法、植被指数法和亚像元分解法[2,4,6-7] .
在内陆干旱区,由于降水稀少、蒸发强烈,导致
植被稀疏、类群结构简单,使从遥感数据上获取的植
被光谱信息极其微弱,甚至难以检测[7-8] .上述常用
的植被覆盖度遥感反演方法对干旱区荒漠植被是否
有适用性? 测量精度如何? 还有待进一步考证. 现
阶段植被覆盖度遥感反演大都基于某一种尺度的单
源遥感数据[4,7,9-10],基于多源遥感数据(多传感器)
应 用 生 态 学 报摇 2012 年 12 月摇 第 23 卷摇 第 12 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Dec. 2012,23(12): 3331-3337
进行多尺度(多空间分辨率)的研究还较少[11-16],且
大多集中于草地盖度测量[17-18]及土地利用覆盖变
化(LUCC)研究[19-21],使用多源遥感数据进行干旱
区荒漠植被覆盖度估测的研究尚未见报道. 本研究
以塔里木河(以下简称塔河)下游为研究区,在地面
调查的基础上,以多源遥感数据 (ALOS、TM、MO鄄
DIS)为信息源,采用回归分析方法,确立了地面调
查数据与不同分辨遥感参数间的量化关系;建立了
基于高、中、低分辨遥感参数的植被盖度综合估测模
型,并确定其估测精度,为研究区大尺度植被恢复的
遥感监测和生态评价提供直接依据.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
塔里木河是我国最长的内陆河,干流全长 1321
km.本研究区位于塔河干流下游输水区中植被分布
主要区段英苏至喀尔达依(图 1). 研究区属大陆性
暖温带极端干旱沙漠气候,四季分明,降水稀少,空
气极度干燥;春季多大风和风沙天气,常伴有沙尘暴
和浮尘,沙尘暴最多年份在 40 d 以上;年降水量
17郾 4 ~ 42郾 0 mm,年蒸发量 2965 mm,年均温度高于
10 益,最低气温-20 益,最高气温 39 益,年日照时
数 3000 h.地表水主要来自塔河上游.土壤有盐化草
甸土、胡杨林土、盐土、风沙土和沼泽土等类型.在地
下水埋深较高的河漫滩、低阶地、湖滨和低洼地分布
着不依赖天然降水的非地带性植物.它们依靠洪水漫
溢或地下水维持生命,起着隔断沙漠、保护绿洲的作
用.该区主要植物种类有胡杨(Populus euphratica)、多
枝柽柳 (Tamarix ramosissima)、刚毛柽柳 ( Tamarix
hispida)、黑果枸杞(Lycium ruthenicum)、芦苇(Phrag鄄
mites communis)、疏叶骆驼刺(Alhagi sparsifolia)、大
叶白麻(Apocynum venetum)、花花柴(Karelinia caspi鄄
ca)、胀果甘草(Glycyrrhiza inflata)等[22-24] .
1郾 2摇 数据收集
1郾 2郾 1 地面数据收集 摇 2010 年 9 月 2 日—10 月 15
日进行样地调查.调查样地选取尽可能遵守 3 条原
则[18]:1)能在遥感影像上实现精确定位;2)最大可
能地体现植被和土壤均质性;3)植被覆盖度应处于
一定变化范围内.在以上 3 条原则指导下,地面调查
布设 2 种类型样地:样带样地和典型样地.
样带样地:有研究表明,在塔河下游输水区,随
着离河距离增加,地下水埋深下降,归一化植被指数
(NDVI)和植被覆盖度总体呈降低趋势,植被类型逐
渐减少[22,24] .本研究选取塔河下游植被生长较好、
且有胡杨连续分布的英苏(C)和喀尔达依(E)断面
进行样带样地的布设与调查.英苏断面以 218 国道
929 km处为中心、喀尔达依断面以 218 国道 948 km
处为中心,沿河流流向每 2 km 设一条调查样带,每
断面设 3 条样带.以河边为样带起点,根据地下水埋
深和植被实际分布,垂直河道(西侧)按离河 50、
300、600、1000、1500、2000 m设置 60 m伊60 m样地,
共调查 30 块样地.以样地为调查单位对研究区建群
种胡杨、柽柳及其他灌木(数量较少)进行每木检
尺,用皮尺实测样地内木本植株的冠幅(东西、南北
冠径),用于计算冠幅面积,进而求算样地植被覆盖
度.由于研究区草本种类和数量均较少,调查时记录
样地内所有草本的种类和株数,按种类根据长势大、
中、小各选 3 株,详细测量株高和冠幅用以估测其盖
度.用 GPS记录样地中心及四角坐标.
典型样地:在塔河下游沿 218 国道附近增设不
同群落类型、不同郁闭度(高、中、低)林分的典型样
地.林分中,纯林类型主要有:胡杨林、柽柳灌木林、
图 1摇 研究区位置示意图[25]
Fig. 1摇 Sketch map of location of the study area[25] .
2333 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
花花柴、骆驼刺、黑果枸杞;混交林类型主要有:胡
杨鄄柽柳混交林、胡杨鄄柽柳鄄草本混交林.调查方法和
记录的指标同样带样地.样地大小为 30 m伊30 m,共
调查 53 块样地.
1郾 2郾 2 遥感数据收集 摇 选取的遥感数据分别为
ALOS、TM和 MODIS,所选遥感数据与现地调查数
据在时间上基本一致(表 1).
1郾 3摇 数据处理
1郾 3郾 1 地面数据处理 摇 采用近似法[26 ]计算样地植
被覆盖度.将所测树木的树冠近似为圆,已知圆的半
径或直径,即可得到圆面积.现地调查时记录每株乔
木和灌木的冠径(东西、南北),东西、南北求平均后
即为圆的直径,据此可求算第 i棵树的树冠面积,进
而得到样地植被覆盖度 Vc:
Si = 仔d2i / 4 (1)
Vc =移
n
i = 1
Si / S (2)
式中:di为第 i 棵树的树冠直径;Si为第 i 棵树的树
冠面积;S为样地面积;n为样地内植株总数.
1郾 3郾 2 遥感数据处理摇 对 ALOS、TM、MODIS 数据进
行预处理:1)利用重投影校正工具 MODIS Repro鄄
duction TOOL(MRT)提取本研究所需的 MODIS 影
像近红外和红光波段数据,并进行投影转换. 2)分
别在 ENVI 4. 7 下对 3 种影像进行辐射定标、Flaash
大气校正. 3)对 3 种影像进行精确配准,几何校正
均采用多项式法. ALOS、TM 影像校正精度的 RMS
误差均在 0. 5 个像元以内;MODIS 1B数据根据自带
经纬度文件构建查询表,实现数据的几何校正. 4)
在 ENVI 4. 7 中的 ENVI_Zoom下对 ALOS 影像进行
融合得到空间分辨率为 2. 5 m的数据.
1郾 4摇 植被指数的选取
郭玉川等[27]对塔河下游多种植被指数的研究
结果表明,植被指数反演植被覆盖度的精度由高到
低依次为 NDVI、增强型植被指数(EVI)、土壤调整
植被指数 ( SAVI )和修改型土壤调整植被指数
表 1摇 遥感数据源
Table 1摇 Remote sensing data source
数据类型
Data type
日期
Date
空间分辨率
Spatial resolution
(m)
高空间分辨率 ALOS 2009鄄10鄄03 2郾 5
High spatial resolution 2010鄄10鄄06 10摇
中空间分辨率
Middle spatial resolution
TM 2010鄄09鄄30 30摇
低空间分辨率
Low spatial resolution
MODIS 2010鄄10鄄03 250摇
(MSAVI).其中,NDVI 对土壤背景变化较敏感,是
单位像元内植被类型、植被覆盖形态、生长状况等的
综合反映,其大小取决于植被覆盖度和叶面积指数
等要素,可用其估算植被覆盖度[22] . 故本研究选取
的植被指数为 NDVI,计算公式如下:
NDVI=(籽nir-籽r) / (籽nir+籽r) (3)
式中:籽nir为近红外波段的反射率;籽r 为红波段的反
射率.
1郾 5摇 不同分辨率遥感数据植被覆盖度综合估测模
型的构建
本文借鉴张云霞等[18]估算草地盖度时建立两
阶段经验模型的思想,结合地面实测数据,分别基于
中高分辨遥感数据和中低分辨遥感数据建立植被覆
盖度综合估测模型.基于中高分辨率数据:先对地面
实测植被盖度与 ALOS 植被指数进行回归分析,建
立基于 ALOS数据的植被盖度经验模型;然后对 TM
植被指数与 ALOS数据植被盖度估测值进行回归分
析,建立中高分辨率数据的植被盖度二次回归模型.
基于此模型,利用中分辨率 TM 数据即可估测植被
覆盖度.基于中低分辨率数据:先对地面实测植被盖
度与 TM 植被指数进行回归分析,建立基于 TM 数
据的植被盖度一次回归模型;然后对 MODIS 植被指
数与 TM数据植被盖度估测值进行回归分析,建立
中低分辨率数据的植被盖度估测模型.基于此模型,
利用低分辨率 MODIS 数据即可获得植被覆盖度估
测信息.
1郾 5郾 1 基于中、高分辨率遥感数据的植被覆盖度估
测模型摇 基于地面调查数据和 ALOS 数据:计算不
同尺度(60 m伊60 m、30 m伊30 m)样地植被盖度;基
于 ALOS数据计算 NDVI;分别提取与不同尺度地面
样地相对应的基于 ALOS 数据的像元 NDVI 均值;
建立不同样地尺度地面实测植被盖度值与 NDVI 之
间的回归模型;最后对模型进行显著性检验.
基于 ALOS数据和 TM 数据:将地面调查数据
与高分辨率 ALOS数据之间建立的模型运用到利用
ALOS数据估算植被盖度;对 ALOS数据中植被盖度
估测图重采样,由于融合后 ALOS 数据在可见光和
近红外波段的空间分辨率为 2. 5 m,而 TM数据的分
辨率为 30 m,为便于像元匹配,将 ALOS影像重采样
至像元大小为 3 m伊3 m;计算 TM 数据相应位置的
NDVI;在 TM数据和 ALOS数据上确定 20 个进行回
归分析的样本点;对样本点上 TM数据各像元 NDVI
均值与相应 ALOS各像元的植被盖度估测值均值进
行回归分析,建立高分辨率 ALOS 与中分辨率 TM
333312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 万红梅等: 基于多源遥感数据的荒漠植被覆盖度估测摇 摇 摇 摇 摇
数据间的二次回归模型,即植被覆盖度综合估测模
型;最后对模型进行显著性检验.
1郾 5郾 2 基于中、低分辨遥感数据的植被覆盖度估测
模型摇 基于地面调查数据和 TM 数据:计算不同尺
度(60 m伊60 m、30 m伊30 m)样地的植被盖度;基于
TM影像计算 NDVI;分别提取与不同尺度地面样地
相对应的基于 TM 影像的像元 NDVI 均值;建立不
同样地尺度地面实测植被盖度值与 NDVI 之间的回
归模型;最后对模型进行显著性检验.
基于 TM 数据和 MODIS 数据:将地面调查数据
与中分辨率 TM 数据之间建立的模型运用到利用
TM数据估算植被盖度;对 MODIS数据进行重采样,
由于 MODIS数据在可见光和近红外波段的空间分
辨率为 250 m,而 TM影像的分辨率为 30 m,为便于
像元匹配,将 MODIS数据重采样至 300 m伊300 m像
元;在 TM 和 MODIS 影像上确定 20 个回归分析的
样本点,对样本点处 MODIS像元植被指数值与相应
TM像元的植被盖度估测值均值进行回归分析,建
立中分辨率 TM 与低分辨率 MODIS 数据间的估测
模型,即植被盖度综合估测模型;最后对模型进行显
著性检验.
1郾 6摇 植被指数法
为比较多源遥感数据建立的植被覆盖度估测模
型精度,运用植被指数法[9] 反演植被覆盖度
(VFC).计算公式如下:
VFC=(NDVI-NDVIs) / (NDVIv-NDVIs) (4)
式中:NDVIs为裸土或无植被覆盖区域的 NDVI 值;
NDVIv为纯植被像元的 NDVI值.
NDVIs =(VFCmax 伊NDVImin -VFCmin 伊NDVImax ) / (VFCmax -
VFCmin) (5)
NDVIv =[(1 - VFCmin)伊NDVImax-(1-VFCmax)伊 NDVImin] /
(VFCmax-VFCmin) (6)
式中,NDVImax和 NDVImin分别为区域内最大和最小
的 NDVI 值. 由于存在不可避免的噪声,NDVImax和
NDVImin一般取一定置信度范围内的最大值和最小
值,置信度的取值主要根据图像实际情况而定.本文
在对 TM影像和 MODIS 影像进行统计分析的基础
上,确定 NDVImax、NDVImin分别在累积概率 98%和
20%处,此时式(4)转变为:
VFC = (NDVI - NDVImin) / (NDVImax - NDVImin)
(7)
采用 SPSS 18. 0 软件对数据进行统计分析.
2摇 结果与分析
2郾 1摇 中高分辨率遥感数据的植被覆盖度估测模型
2郾 1郾 1 基于高分辨率 ALOS 数据的植被覆盖度估测
模型摇 基于 30 m伊30 m 的典型样地和 60 m伊60 m
的样带样地实测数据建立高分辨率 ALOS 数据的线
性和非线性(二次多项式)植被覆盖估测模型,并从
中选优.在 琢=0. 01 水平下对高分辨率植被覆盖度
估测模型(表 2)进行检验,其 P 值均小于 0. 01,且
R2均大于 0. 7,表明 NDVI与植被覆盖度之间存在较
好的相关关系.尤其是 60 m伊60 m 样地尺度模型的
相关系数远大于 30 m伊30 m样地尺度模型;不同样
地尺度非线性模型的相关系数均大于线性模型. 本
文中 60 m伊60 m 样地尺度非线性模型的拟合效果
最佳.
VFC=8郾 469NDVI2-2郾 544NDVI+0郾 249 (8)
2郾 1郾 2 基于中高分辨率数据的植被覆盖度二次回归
估测模型摇 使用经验模型法(式 8)和植被指数法估
算植被覆盖度的平均精度分别为 89. 5% 、83. 6%
(图 2).两种常用方法均可以满足研究需要,基于高
分辨率 ALOS数据的经验模型估测植被覆盖度的精
度明显高于植被指数法. 将验证后的式(8)运用到
使用 ALOS数据估算植被覆盖度,并将其结果与 TM
数据上对应样地的 NDVI 均值建立模型. 由表 3 可
以看出, NDVI 与植被覆盖度线性模型的 R2 为
0郾 812,非线性模型的 R2为 0. 813.有研究表明,数学
建模时,随着模型幂次的升高和复杂程度的增加,模
型稳定性将逐步降低[28 ] .故本文确立中高分辨率遥
感数据的植被覆盖度二次回归估测模型(综合估测
模型)为:
表 2摇 基于高分辨数据的植被覆盖度估测模型
Table 2摇 Estimated models of vegetation coverage based on
high resolution data (n=20)
样方大小
Sample
size (m)
模型
Model
R2
30伊30 线性 Linear VFC=1. 866NDVI-0. 298 0. 798**
非线性 Non linear VFC=-1. 752NDVI2+
0. 936NDVI-0. 183
0. 802**
60伊60 线性 Linear VFC=1. 399NDVI-0. 179 0. 817**
非线性 Non linear VFC=8. 469NDVI2-
2. 544NDVI+0. 249
0. 901**
VFC:植被覆盖度 Vegetation fraction cover; NDVI:归一化植被指数 Normalized
difference vegetation index. ** P<0. 01. 下同 The same below.
表 3摇 基于中高分辨率数据的植被覆盖度二次回归估测模型
Table 3摇 Quadratic regression estimated models of vegeta鄄
tion coverage based on high鄄middle resolution data
模型
Model
R2
线性 Linear VFC=1. 469NDVI+0. 167 0. 812**
非线性 Non鄄linear VFC=-0. 628NDVI2+1. 521NDVI+0. 168 0. 813**
4333 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
摇 摇 VFC=1郾 469NDVI+0郾 167 (9)
2郾 1郾 3 基于中分辨率遥感数据植被覆盖度估算方法
的精度分析摇 选取 20 个观测点在 TM 数据上检验
植被覆盖二次回归模型(经验模型法,式 9)和植被
指数法估算植被覆盖度的精度. 由于绝对误差只反
映计量值与实际值的差别,不能反映计量的精度高
低.而相对误差(相对误差 =昨估测值-实测值佐/实
测值伊100% )以百分比表示,数值越小表示计量的
精度越高.故本文以相对误差反映模型精度.基于中
分辨率遥感数据的回归模型法和植被指数法估测精
度均较高,平均估测精度分别为 87. 0% 、80. 3% (图
2),前者的估算精度明显高于后者.
2郾 2摇 中低分辨率遥感数据的植被覆盖度估测模型
2郾 2郾 1 基于中分辨率 TM 数据的植被覆盖度一次回
归估测模型摇 由表4可以看出,60 m伊60 m样地尺
图 2摇 基于 ALOS和 TM数据的植被盖度估测误差
Fig. 2 摇 Errors of VFC estimated methods based on ALOS and
TM.
玉:回归模型法 Regression model method;域:植被指数法 Vegetation
index method. 下同 The same below.
表 4摇 基于中分辨率数据的植被覆盖度一次回归估测模型
Table 4 摇 Simple regression estimated models of vegetation
coverage based on middle resolution data
样方大小
Sample size
模型
Model
R2
30伊30 线性 Linear VFC=2. 08NDVI+0. 191 0. 715**
二次多项式
Non鄄linear
VFC=-4. 194NDVI2+
2. 273NDVI+0. 207 0. 734
**
60伊60 线性 Linear VFC=1. 717NDVI+0. 147 0. 810**
二次多项式
Non鄄linear
VFC=0. 09NDVI2+1. 717NDVI+
0. 146 0. 810
**
度建立的回归模型的相关系数大于 30 m伊30 m 样
地尺度模型;不同样地尺度建立的线性和非线性模
型相关系数差别不大,60 m伊60 m 样地尺度所建模
型的 R2相同.故本文确立中分辨率 TM 数据的植被
覆盖度一次回归估测模型为:
VFC=1郾 717NDVI+0郾 147 (10)
2郾 2郾 2 中分辨率 TM数据估测模型的比较摇 根据 20
个观测点数据,比较基于 TM 数据的一次(式 10)、
二次回归模型(式 9)的估测精度,结果表明,基于
中、高空间分辨遥感数据建立的二次回归模型估算
植被覆盖度的平均精度为 87. 0% ,而基于中分辨遥
感数据建立的一次回归模型平均精度为 80. 3% (图
3).用多源遥感数据逐级确定不同分辨率遥感参数
间的量化关系,可以提高荒漠植被覆盖度的估测
精度.
2郾 2郾 3 基于中低分辨率遥感数据的植被覆盖度估测
模型摇 将式(10)运用到基于 TM数据估算植被覆盖
度,利用所得到的植被覆盖度估测值与 MODIS 数据
上对应样地的 NDVI 值建立模型(表 5),其线性和
非线性模型的相关系数 R2分别为 0. 742 和 0. 758.
本文确定中低分辨率遥感数据的植被覆盖度综合估
测模型为:
VFC=3郾 038NDVI-0郾 203 (11)
2郾 2郾 4 低分辨率数据植被覆盖度估算方法的精度分
图 3摇 基于 TM数据的一次、二次回归模型的比较
Fig. 3摇 Comparison between liner and quadratic regression mod鄄
els based on TM.
L:一次回归模型 Liner regression model; Q:二次回归模型 Quadratic
regression model.
表 5摇 基于中低分辨率数据的植被覆盖度估测模型
Table 5摇 Estimated models of vegetation coverage based on
middle鄄low resolution
模型 Model R2
线性 Linear VFC=3. 038NDVI-0. 203 0. 742**
二次多项式 Non鄄linear VFC=15. 621NDVI2-0. 072NDVI-0. 055 0. 758**
533312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 万红梅等: 基于多源遥感数据的荒漠植被覆盖度估测摇 摇 摇 摇 摇
图 4摇 基于 MODIS数据的植被盖度估测误差
Fig. 4摇 Errors of VFC estimated methods based on MODIS.
析摇 在塔河下游,建群种胡杨、柽柳及其他植被类型
均呈沿河条带状分布,若按 MODIS 空间分辨率,在
地面布设 300 m伊300 m 的大样地,不仅工作量较
大,且难以找到分布均质的样地,故难以用地面实测
值来检验模型精度. 本文在融合后的高分辨率
ALOS数据上采用人机交互式解译法,按照植被盖
度低、中、高沿河共选取 20 块大样地作为目视解译
的样地,得到植被覆盖真值,根据式(2)得到实测植
被覆盖度来检验模型精度.基于低分辨率 MODIS 数
据,回归模型法和植被指数法估测植被覆盖度的平
均精度分别为 84. 6% 、78. 7% ,回归模型法估算精
度明显高于植被指数法(图 4).
运用精度较高的二次回归模型(式 9)建立植被
盖度综合估测模型,验证后模型平均估测精度仅为
72. 5% ;运用一次回归模型(式 10)建立植被盖度综
合估测模型,验证后模型平均估测精度达 84. 6% .
由于地面调查数据是借助回归模型通过高分辨率数
据扩展到中分辨率尺度上,建模过程中已有 2 次误
差累积,在此基础上,再借助回归模型扩展到低分辨
率尺度上时误差累积达 3 次,导致综合估测模型精
度降低.
3摇 讨摇 摇 论
基于高分辨率 ALOS数据建立植被覆盖度估测
模型的平均估测精度为 89. 5% ,高于常用植被指数
法(83. 6% ).基于中分辨率 TM 数据分别建立其与
地面调查数据和高分辨率 ALOS 数据的一次、二次
回归植被覆盖度估测模型,经验证二次回归模型平
均估测精度为 87. 0% ,而一次回归模型为 80. 3% .
与植被指数法的精度(80. 3% )相比,基于中高分辨
率遥感数据植被覆盖度综合估测模型的精度较高.
基于地面调查数据,以中分辨率遥感数据为桥梁,构
建了中低分辨率遥感数据植被覆盖度综合估测模
型,平均估测精度为 84. 6% ,明显高于植被指数法
(78. 7% ).
基于中、高空间分辨率遥感数据建立的二次回
归模型估算植被覆盖的精度为 87. 0% ,一次回归模
型为 80. 3% .将精度较高的二次回归模型用于建立
中低分辨率遥感数据的植被覆盖三次回归估测模型
时,其模型平均估测精度仅为 72. 5% ;将精度较低
的一次回归模型用于建模的平均估测精度达
84郾 6% .表明在地面调查基础上,基于多源遥感数据
进行植被覆盖估测建模时,随着回归次数和误差传
导次数的增加,估测精度逐渐降低.
有研究表明,植被盖度估测精度与遥感影像分
辨率的高低密切相关[6,18] .本研究结果表明,基于高
分辨率、中分辨率、低分辨率遥感数据所建模型的植
被覆盖度估测精度分别为 89郾 5% 、 87郾 0% 和
84郾 6% .
在塔河下游,不同大小的地面样地对植被覆盖
度遥感估测模型有较大影响. 60 m伊60 m 地面样地
的 NDVI与植被覆盖度的相关性明显高于 30 m伊30
m地面样地,研究区较适宜的地面调查样地应为 60
m伊60 m.当地面调查样地的面积大于或小于遥感影
像的空间分辨率时,易发生错配,采用取均值方法在
一定程度上可提高植被指数与植被覆盖度之间的相
关性,减少遥感反演误差.
根据地面调查数据和多源遥感数据可显著提高
干旱区荒漠植被覆盖度估测精度;运用回归模型法
提取植被覆盖度的精度明显高于植被指数法. 基于
多源遥感数据,使用由回归模型法建立的综合估测
模型提取干旱区植被信息是可行的. 本文以大量地
面实测数据为依据,结合高空间分辨率 ALOS 数据、
中分辨率 TM 数据及低分辨率 MODIS 数据实现了
植被覆盖度与高分辨率、中分辨率、低分辨率遥感数
据间参数及尺度的定量转换. 这将为研究区生态恢
复遥感综合监测方案的制定和实施提供直接依据.
参考文献
[1]摇 Ma Z鄄Y (马志勇), Shen T (沈摇 涛), Zhang J鄄H (张
军海), et al. Vegetation changes analysis based on veg鄄
etation coverage. Bulletin of Surveying and Mapping (测
绘通报), 2007(3): 45-48 (in Chinese)
[2] 摇 Gong J鄄Z (龚建周), Xia B鄄C (夏北成). Remote
sensing estimation of vegetation coverage in Guangzhou
based on the correction of atmospheric radiation. Chinese
Journal of Applied Ecology (应用生态学报), 2007, 18
(3): 575-580 (in Chinese)
[3]摇 Zhang Y (张 摇 岩), Yuan J鄄P (袁建平), Liu Y鄄B
(刘宝元). Advance in researches on vegetation cover
6333 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
and management factor in the soil erosion prediction
model. Chinese Journal of Applied Ecology (应用生态
学报), 2002, 13(8): 1033-1036 (in Chinese)
[4]摇 Zhu J鄄F (朱敬芳), Xing B鄄L (邢白灵), Ju W鄄M (居
为民), et al. Remote鄄sensing estimation of grassland
vegetation coverage in Inner Mongolia, China. Chinese
Journal of Plant Ecology (植物生态学报), 2011, 35
(6): 615-622 (in Chinese)
[5]摇 Forzieri G, Catani F. Scale鄄dependent relations in land
cover biophysical dynamics. Ecological Modelling,
2011, 222: 3285-3290
[6]摇 Yang S鄄T (杨胜天), Li Q (李摇 茜), Liu C鄄M (刘昌
明). Detecting vegetation fractional coverage of riparian
buffer strips in Guanting Reservoir based on “Beijing鄄1冶
remote sensing data. Geographical Research (地理研
究), 2006, 25(4): 570-578 (in Chinese)
[7]摇 Gully J鄄P (古丽·加帕尔), Chen X (陈摇 曦), Bao
A鄄M (包安明). Coverage extraction and up鄄scaling of
sparse desert vegetation in arid area. Chinese Journal of
Applied Ecology (应用生态学报),2009, 20 (12):
2925-2934 (in Chinese)
[8]摇 Gully J鄄P (古丽·加帕尔), Chen X (陈 摇 曦), Ma
Z鄄G (马忠国), et al. Classification of sparse desert ri鄄
parian forest in extreme arid region. Journal of Desert
Research (中国沙漠), 2009, 29(6): 1153-1161 ( in
Chinese)
[9]摇 Li M鄄M (李苗苗), Wu B鄄F (吴炳方), Yan C鄄Z (颜
长珍), et al. Estimation of vegetation fraction in the
upper basin of Miyun Reservoir by remote sensing. Re鄄
sources Science (资源科学), 2004, 26(4): 153-159
(in Chinese)
[10]摇 Xu S鄄S (徐水师), Tan K鄄L (谭克龙), Yan Z鄄L (闫
正龙), et al. Remote sensing analysis on the dynamic
change of vegetation coverage in the lower reaches of Ta鄄
rim River. Journal of Northwest University (Natural Sci鄄
ence) (西北大学学报·自然科学版), 2010, 40
(2): 323-326 (in Chinese)
[11]摇 Li S鄄C (李双成), Cai Y鄄L (蔡运龙). Some scaling
issues of geography. Geographical Research (地理研
究), 2005, 24(1): 11-18 (in Chinese)
[12]摇 Meng B (孟摇 斌), Wang J鄄F (王劲峰). A review on
the methodology of scaling with geo鄄data. Acta Geo鄄
graphica Sinica (地理学报), 2005, 60(2): 277-288
(in Chinese)
[13]摇 Buhe A鄄S (布和敖斯尔), Ma J鄄W (马建文), Wang
Q鄄X (王勤学), et al. Scaling transformation of remote
sensing digital image with multiple resolutions from dif鄄
ferent sensors. Acta Geographica Sinica (地理学报),
2004, 59(1): 101-110 (in Chinese)
[14]摇 Tang H鄄J (唐华俊), Wu W鄄B (吴文斌), Yang P (杨
鹏), et al. Recent progresses of land use and land cov鄄
er change ( LUCC) models. Acta Geographica Sinica
(地理学报), 2009, 64(4): 456-468 (in Chinese)
[15]摇 Cai Y鄄L (蔡运龙). A study on land use / cover change:
The need for a new integrated approach. Geographical
Research (地理研究), 2001, 20(6): 645 -652 ( in
Chinese)
[16]摇 Su L鄄H (苏理宏), Li X鄄W (李小文), Huang Y鄄X
(黄裕霞), et al. A review on scale in remote sensing.
Advance in Earth Sciences (地球科学进展), 2001, 16
(4): 544-548 (in Chinese)
[17]摇 Li X鄄B (李晓兵), Chen Y鄄H (陈云浩), Shi P鄄J (史
培军), et al. Detecting vegetation fractional coverage of
typical steppe in northern China based on multi鄄scale re鄄
motely sensed data. Acta Botanica Sinica (植物学报),
2003, 45(10): 1146-1156 (in Chinese)
[18]摇 Zhang Y鄄X (张云霞), Li X鄄B (李晓兵), Zhang Y鄄F
(张云飞). Determining vegetation cover based on field
data and multi鄄scale remotely sensed data. Chinese Jour鄄
nal of Plant Ecology (植物生态学报), 2007, 31(5):
842-849 (in Chinese)
[19]摇 DeKoning GHJ, Veldkamp VPH. Multi鄄scale modeling
of land use change dynamics in Ecuador. Agricultural
Systems, 1999, 61: 77-93
[20]摇 Zhang P鄄F (张佩芳), Deng X鄄Q (邓喜庆), Liu G鄄Q
(刘桂青). A comparative study of the remote sensing
land use classification model for the mountain watershed
area in Yunnan Province. Remote Sensing for Land &
Resources (国土资源遥感), 2007 (1): 89 - 93 ( in
Chinese)
[21]摇 Chen H (陈摇 海), Yang W鄄G (杨维鸽), Liang X鄄Y
(梁小英), et al. Multi鄄scale modeling of land use
based on the MAS from field to village: A case study for
Mengcha Village of Mizhi County of Shaanxi Province.
Geographical Research (地理研究), 2010, 29 (8):
1519-1527 (in Chinese)
[22]摇 Niu T (牛 摇 婷). Analysis on Vegetation Recovery in
the Lower Reaches of Tarim River based on Low Resolu鄄
tion Remote Sensing Images. PhD Thesis. Urumqi:
Xinjiang Agricultural University, 2008 (in Chinese)
[23]摇 Li J鄄C (李基才). Quantity Analysis on Species Diversi鄄
ty of Desert Plant Communities in the Lower Researches
of Tarim River. PhD Thesis. Urumqi: Xinjiang Agricul鄄
tural University, 2007 (in Chinese)
[24]摇 Wang J鄄G (王建刚), Li X (李摇 霞), Zhang H鄄F (张
绘芳). Ecological responses of Populus euphratica to
water supply in the lower reaches of Tarim River. Jour鄄
nal of Natural Resource (自然资源学报), 2008, 23
(4): 619-625 (in Chinese)
[25]摇 Chen Y鄄P (陈亚鹏), Chen Y鄄N (陈亚宁), Li W鄄H
(李卫红), et al. Effect of ecological water input on
MDA Populus euphratica Oliv leaf in the lower reaches of
the Tarim River. Chinese Journal of Applied & Environ鄄
mental Biology (应用与环境生物学报), 2004, 10
(4): 408-411 (in Chinese)
[26]摇 Liu X鄄S (刘晓双), Huang J鄄W (黄建文), Ju H鄄B
(鞠洪波). Study on extraction of forest parameters by
high spatial resolution remote sensing. Forest Resource
Management (林业资源管理), 2009(2): 111 -117
(in Chinese)
[27]摇 Guo Y鄄C (郭玉川), He Y (何 摇 英), Li X (李 摇
霞). Remote sensing inversion of vegetation coverage
and optimization of vegetation index based on MODIS
data in arid area. Remote Sensing for Land & Resources
(国土资源遥感), 2011(2): 115-118 (in Chinese)
[28]摇 Gu Z鄄J (顾祝军), Zeng Z鄄Y (曾志远), Shi X鄄Z (史
学正), et al. A model calculating vegetation fractional
coverage from ETM+ imagery. Ecology and Environment
(生态环境), 2008, 17(2): 771-776 (in Chinese)
作者简介摇 万红梅,女,1986 年生,硕士研究生.主要从事资
源生态遥感研究,发表论文 3 篇. E鄄mail: wanhongmei0508@
163. com
责任编辑摇 杨摇 弘
733312 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 万红梅等: 基于多源遥感数据的荒漠植被覆盖度估测摇 摇 摇 摇 摇