全 文 ：第 35 卷第 11 期
2015年 6月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.35,No.11
Jun.,2015
http: / / www.ecologica.cn
基金项目:国家科技支撑计划(2011BAH23B04); 国家科技重大专项(21鄄Y30B05鄄9001鄄13 / 15)
收稿日期:2013鄄08鄄14; 摇 摇 网络出版日期:2014鄄06鄄12
*通讯作者 Corresponding author.E鄄mail: lixs@ radi.ac.cn
DOI: 10.5846 / stxb201308142075
李涛, 李晓松, 李飞.基于 Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算.生态学报,2015,35(11):3643鄄3652.
Li T, Li X S, Li F.Estimating fractional cover of photosynthetic vegetation and non-photosynthetic vegetation in the Xilingol steppe region with EO鄄 1
hyperion data.Acta Ecologica Sinica,2015,35(11):3643鄄3652.
基于 Hyperion 的锡林郭勒草原光合植被、非光合植被
覆盖度估算
李摇 涛1,2, 李晓松1,*, 李 摇 飞1,2
1 中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京摇 100094
2 中国科学院研究生院, 北京摇 100101
摘要:掌握草原生态系统光合植被覆盖度( fPV)与非光合植被覆盖度( fNPV)时空动态对了解干旱半干旱草原生态系统特征(覆
盖状况、火灾负载、载畜量、干扰及恢复等)及进行科学、有效地草地资源管理具有重要的意义。 选取锡林郭勒典型草原为试验
区,以 Hypeiron高光谱数据为数据源,利用 NDVI鄄CAI三元线性混合模型对试验区 fPV和 fNPV的时空动态分布进行了估算,并对
不同端元选择方法(最小包含端元特征法、纯净象元指数法和实测法)对估算结果的影响进行了比较分析。 研究结果表明,
NDVI鄄CAI三元线性混合模型是同时估测锡林郭勒草原 fPV和 fNPV的有效方法,且估算的 fPV和 fNPV的季节变化与牧草的物候发
育特征相吻合。 不同端元选择方法对估算精度具有一定的影响,其中基于最小包含端元特征法提取端元进行估算的精度最高,
fPV估算的均方根误差 RMSE= 4.57,估算精度 EA= 91.2%;fNPV估算的 RMSE= 5.90,EA= 67.91%(样本数 N= 52)。
关键词:Hyperion; NDVI鄄CAI模型; 光合植被; 非光合植被; 端元选择
Estimating fractional cover of photosynthetic vegetation and non鄄photosynthetic
vegetation in the Xilingol steppe region with EO鄄1 hyperion data
LI Tao1,2, LI Xiaosong1,*, LI Fei1,2
1 Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
2 Graduate School of Chinese Academy of Sciences, Beijing 100101, China
Abstract: Quantitative estimation of the spatial and temporal dynamics of the fractional cover of photosynthetic vegetation
( fPV) and non鄄photosynthetic vegetation ( fNPV) in semi鄄arid grasslands is critical for understanding grassland conditions
such as vegetation abundance, drought severity, fire fuel load, stocking rate, and disturbance events and recovery. It is also
important for scientific grassland resource management. Over the past several decades, remote sensing has become an
important tool for estimating the fractional cover of vegetation, which is a key descriptor of ecosystem function. However,
most efforts have been devoted to the estimation of fPV rather than fNPV, although the latter is equally important, especially in
arid and semi鄄arid ecosystems. This study describes a linear unmixing approach for estimating fPV and fNPV in the Xilingol
steppe region with hyperspectral and field investigation data. Five Hyperion images acquired on April 4, May 20, July 27,
August 30, and November 15 in 2012 and a field鄄measured spectral library were utilized to explore the spectral feature
space of fPV and fNPV in order to validate the feasibility of a linear unmixing model. This model is based on two
complementary spectral indices of vegetation that have been used in remote sensing analyses to discriminate green and dry
vegetation from soils: the Normalized Difference Vegetation Index (NDVI) and the Cellulose Absorption Index ( CAI).
http: / / www.ecologica.cn
Different end鄄member extraction methods, including the Minimum鄄Volume Enclosing (MVE) method, the Pixel Purity
Index (PPI) method, and a field measurement method, were adopted to retrieve the end鄄member values of photosynthetic
vegetation, non鄄photosynthetic vegetation, and bare soil, respectively, from NDVI and CAI. Then, the influence of end鄄
member extraction on the accuracy of the fPV and fNPV estimation was evaluated through comparison with field鄄measured fPV
and fNPV values acquired from classifications performed on fisheye photos (N = 52). Subsequently, the optimum unmixing
strategy was utilized to retrieve the temporal dynamics of fPV and fNPV in a fenced area, where the grassland was not
influenced by human activities, so that the usefulness of these fractional coverage indices could be validated by checking
their consistency with the phenology of natural grassland. The result shows that the linear unmixing model based on NDVI
and CAI was effective for estimating fPV and fNPV in the Xilingol steppe region. The NDVI鄄CAI feature space follows a
triangular distribution, where the three vertexes represent photosynthetic vegetation, non鄄photosynthetic vegetation, and
bare soil, meeting the essential requirements of the linear unmixing model. The estimation accuracy was different for the
different end鄄member extraction methods. The MVE鄄based estimation had the highest accuracy, with estimated accuracy of
91.2% and 67.91% for fPV and fNPV, respectively, followed by the PPI鄄based estimation (91.0% and 59.5% for fPV and
fNPV, respectively) and the field鄄measurement鄄based estimation (86. 2% and 56. 7% for fPV and fNPV, respectively) . In
general, the estimation accuracy was higher for fPV than fNPV, and the field鄄measured end鄄member performed worse than the
image end鄄member, which was probably due to the inconsistency between the field鄄measured spec and the Hyperion spec.
Additionally, the temporal dynamics of fPV and fNPV were confirmed to be consistent with the phenological seasonal change in
natural grasslands. Therefore, the method proposed here can be used to monitor the temporal and spatial variations of fPV and
fNPV in semi鄄arid grasslands.
Key Words: Hyperion; NDVI鄄CAI model; photosynthetic vegetation (PV); non鄄photosynthetic vegetation (NPV); end鄄
member selection
锡林郭勒草原是我国北方典型的温带干旱草原,面积达 19.7万 km2,可利用草原占 90.6%,是内蒙古草原
的主体部分;植被种类繁多,主要有大针茅、克氏针茅、羊草、蒿类等[1]。 凭借着丰富的草地资源,锡林郭勒盟
成为内蒙古重要的畜牧业生产基地,畜牧业产值占到农林牧渔总产值的 65%左右[2]。 然而近年来,超载放
牧、毁草开地等人为活动及旱灾、雪灾等自然灾害造成草原大面积的破坏。 草原退化、沙化及盐碱化现象日趋
严重,草畜矛盾日趋尖锐,生态环境急剧恶化。 光合植被(PV)和非光合植被(NPV)能够减缓径流,保持水
土,影响土壤理化性质(渗透性,蒸发,孔隙,温度等),改善土壤结构,增加土壤养分,提高土壤质量[3鄄4]。 光合
植被覆盖度( fPV)及非光合植被覆盖度( fNPV)影响生态系统的碳储存、CO2交换量、植被生产力和地表能量平
衡[5],是衡量地表植被覆盖状况的重要参数,也是指示生态环境变化的重要指标。 及时准确地估算 fPV和 fNPV
能够反映牧草资源的空间分布及动态变化,可为制定正确的放牧管理政策、合理利用草原、保护生态环境提供
科学依据。
fPV和 fNPV的传统测算方法有目视估算法、采样法[6]和照相法[7]等地面实测方法。 但这些方法实施繁杂,
耗时耗力,不适合大面积、多频率的测算,而且易受主观性影响。 遥感技术能够及时、客观、准确地估算大尺度
的 fPV和 fNPV。 目前对 fPV的遥感研究较多,而对 fNPV的研究很少。 以往研究提出亮度指数 BI、归一化指数 NDI、
归一化作物茬指数 NDRI、土壤调整作物茬指数 SACRI、木质素鄄纤维素吸收指数 LCA 等,能够较好地估算
fNPV [8鄄12]。 但这些指数都基于仅有 NPV与裸土(BS)两种成分,是否适用于 PV、NPV和 BS三者共存的情况有
待研究。 Daughtry等利用纤维素的吸收谷(2100 nm)和两吸收双肩(2021、2213 nm)3 个波段的反射率,定义
吸收深度为纤维素吸收指数(CAI) [13]。 CAI与 fNPV线性相关,基本不受土壤光学性质的影响[14鄄15],是估算 fNPV
的最佳指数;归一化植被指数(NDVI)可以区分 PV与 NPV和 BS[16鄄17]。 基于此,Guerschman等[18]提出 NDVI鄄
CAI三元线性混合模型,采用纯净象元指数法确定端元特征值,较好地估算澳大利亚稀疏草原的 fNPV和 fPV的
4463 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
时空分布。然而该方法在其它区域的研究尚鲜有报道,其假设的合理及普适性以及端元选择的有效性都需要
更多的应用与验证。
为此,本文以锡林郭勒草原为研究区,以高光谱 Hyperion影像为数据源,尝试应用 NDVI鄄CAI 三元线性混
合模型估算锡林郭勒草原的 fPV和 fNPV,并分析最小包含端元特征法、纯净象元指数法和实测法确定端元特征
值的差异,对 NDVI鄄CAI三元线性混合模型的结果进行精度评估,并在此基础上分析围封区自然草地 fPV及
fNPV的季节变化。
1摇 数据收集与预处理
1.1摇 研究区概况
研究区为内蒙古草原放牧控制实验区(116毅39忆E—116毅41忆E, 43毅33忆N—43毅35忆N),位于内蒙古自治区锡
林郭勒盟白音锡勒牧场境内。 白音锡勒牧区平均海拔 1100 m,是我国典型的温带草原区,属于大陆性半干旱
草原气候。 四季分明,春季多风,夏季暖湿,秋冬寒冷干燥。 年平均气温-0.4 益,最冷月(1 月)平均温度为
-22.3 益,最热月(7月)平均温度达到 18.8 益。 光照资源比较丰富,全年光照为 2603.8 h。 年平均降雨量 350
mm左右,80%集中于生长季 6—9月份[19]。 地带性土壤为栗钙土,有机质含量通常在 1.5%—2.5%间,土层深
度在 1 m左右,腐殖层厚 20—30 cm。 植被以蒙古草原植被区系成分占优势,主要建群种与优势种为大针茅、
克氏针茅、羊草和蒿类(变蒿和冷蒿)等[1]。
1.2摇 野外观测数据
为了评价模型估算精度,2012年 8月 2—8日对内蒙古草原放牧控制实验区内的 56个样地进行观测。 样
地平均大小约 90 m伊180 m,对应 Hyperion影像中 3伊6 个像元,利用 ArcGIS10.0 中区域分析取样地对应像元
的均值来代表该样地。 根据每个样地的异质性特征选取 3—6个 1 m伊1 m样方(图 1),采用鱼眼相机 D90 于
样方正上方 1.5 m处垂直拍摄 3—5张照片。 应用 CAN_EYE_V636 软件对鱼眼照片进行水平校正并人机交
互式地监督分类,计算出各个样方的 fPV和 fNPV(图 1)。 取样地内所有样方的均值来代表该样地。 另外,选择
晴朗无云、风力较小、太阳光强度充足并稳定的时段(10:00—14:00),将地物光谱仪(SVC HR鄄 768)的探头
(视场角 25 毅)置于地物上方 1 m处垂直向下,采集 PV、NPV和 BS 三种端元的光谱(图 1),用于实测法确定
端元特征指数值。
1.3摇 遥感数据及预处理
Hyperion传感器搭载于美国国家宇航局(NASA)2000年 11 月发射的地球观测卫星(EO鄄 1),是第一个星
载高光谱仪器,以推扫方式获取可见光 /近红外和短波红外区域(356—2577 nm)的平均 10 nm 采样间隔的连
续波谱数据,共 242个波段,辐射分辨率 16 bit,空间分辨率 30 m[20]。 Hyperion主要有 Level0和 Level1两级产
品,其中 Level1又分为 L1A、L1B和 L1R 3种。 本文根据牧草的物候发育特征,从 http: / / glovis.usgs.gov 网站
获取 2012年的 4.3、5.20、7.27、8.30和 11.14五期 Hyperion鄄L1R影像。
首先利用 ENVI4.8 去除未标定和受水汽影响的波段,剩下 174 个波段(8—57,79—120,128—165,180—
223);然后利用基于 ENVI的 Hyperion_Workshop模块进行坏线修复、去条纹、去 smile 效应;利用 ENVI4.8 的
flaash模块进行大气校正,以精较准的 TM 影像为参考对 Hyperion 影像进行几何校正(精度在半个像元之
内) [20]。 最后用阈值对影像中的云和阴影地区掩膜处理。
2摇 研究方法
2.1摇 NDVI鄄CAI三元线性混合模型
NDVI鄄CAI三元线性混合模型假定像元由 NPV、PV和 BS三个成分组成,其 NDVI和 CAI指数符合线性关
系(公式(1)—(5)),而且端元的 NDVI和 CAI指数不随时间变化[18]。 影像的 NDVI鄄CAI 特征空间会表现为
三角形(图 2)。 NPV的 NDVI低、CAI高,位于三角形的左上角;PV的 NDVI 高、CAI 几乎接近 0,位于三角形
5463摇 11期 摇 摇 摇 李涛摇 等:基于 Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算 摇
http: / / www.ecologica.cn
图 1摇 研究区与地面数据采集
Fig.1摇 Study area and data collection
a: 样地分布图(红色方框为样地,绿色圆点为样方,蓝色方框为围封草地); b: 实测端元光谱曲线平均值(图中 PV、NPV和 BS 分别为光合
植被、非光合植被和裸土); c: 照片法获取 fNPV、fPV(左图为分类前,右图为分类后:绿色、黄色和橙色分别对应 PV、NPV和 BS三种组分)
的右侧中部;BS的 NDVI、CAI均很低,位于三角形的左下角。
NDVI = (籽NIR - 籽R) / (籽NIR + 籽R) (1)
CAI = [0.5 伊 (籽2.0 + 籽2.2) - 籽2.1] 伊 10 (2)
式中,籽NIR、籽R、籽2.0、籽2.1和 籽2.2分别为近红外、红波段、2000 nm、2100 nm 和 2200 nm 处的反射率,计算时分别取
671—691 nm、793—813 nm、2022—2032 nm、2102—2123 nm 和 2193—2213 nm 波段反射率的平均值。 此处
CAI扩大了 10倍,与 NDVI均处在[-1,1]数量级上,便于绘制 NDVI鄄CAI特征空间图。
V =移 fiVi = fPVVPV + fNPVVNPV + fBSVBS (3)
C =移 fiC i = fPVCPV + fNPVCNPV + fBSCBS (4)
移 fi = fPV + fNPV + fBS = 100 (5)
式中,V代表 NDVI,C代表 CAI,f为百分比(%)。
采用公式(3)—(5)对 Hyperion影像进行分解,分布在三角形内部的像元各成分比例均在 0—100 内,而
对于分布在三角形外部的像元会出现大于 100或小于 0的异常值,采用公式(6)—(10)进行处理。 最终获得
6463 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
图 2摇 NDVI鄄CAI三元线性混合模型
摇 Fig.2摇 Tri鄄endmember linear mixture model with NDVI
(Normalized Difference Vegetation Index ) and CAI ( Cellulose
Absorption Index)
PV、NPV和 BS分别为光合植被、非光合植被和裸土
研究区的 fNPV和 fPV估算值。
摇 Cx = 100,Cy =Cz = 0摇 (100
摇 Cy =Cy / (Cy+Cz)伊100 (-20臆Cx<0) (8)
摇 Cz =Cz / (Cy+Cz)伊100 (-20臆Cx<0) (9)
摇 Cx =Cy =Cz = 0摇 摇 (Cx>120或 Cx<-20) (10)
式中,Cx为混合像元分解后覆盖度落在[0,100]之外的
端元类型,Cy和 Cz为另外两种端元类型。 公式 10 处理
目的是将异常像元标记为无效值。
2.2摇 NPV、PV和 BS端元特征值的确定
应用公式 ( 1)—( 2)计算五期 Hyperion 影像的
NDVI 和 CAI 指数,绘制 NDVI鄄CAI 特征空间图。 理论
上特征空间表现为三角形,利用 PPI 指数(PPI>10)来
检验三角形顶点处是否存在纯净像元。 若存在则说明
三角形顶点可以作为纯净端元。
最小包含端元特征法(Minimum鄄Volume Enclosing
method,MVE):由于噪声的影响,影像的 NDVI鄄CAI 特
征空间图可能不会呈现理想的几何图形。 因此采用统计的方法,计算最小包含几何顶点区域像元的平均指数
值作为相应端元的特征值。
纯净象元指数法(Pixel Purity Index method,简称 PPI):首先对 Hyperion影像进行 MNF变换,取变换后的
前 20个波段。 设定迭代次数为 2000,阈值系数为 3,产生像元纯度指数 PPI。 将 PPI>10 且又靠近特征空间
图顶点的像元视为纯净端元,取各个顶点纯净端元的平均指数值作为相应端元的特征值。
实测法:通过实地观测 PV、NPV和 BS三个端元的光谱曲线(图 1),来确定端元的特征值。
2.3摇 精度检验
本文采用均方根误差 RMSE和估算精度 EA来评价模型估算精度。
RMSE =
移 ni = 1 y^i - y( )i 2
n
(11)
EA = (1 - RMSE
Mean
) 伊 100% (12)
式中,RMSE为均方根误差, yi 和 y^i 分别为第 i个样地的实测值和估算值,n 为样地数,Mean 为样地实测值的
均值,EA为估算精度。
3摇 结果分析
3.1摇 端元特征值的确定
五期 Hyperion影像的 NDVI鄄CAI特征空间(图 3)表现为三角形。 采用 PPI 指数验证,三角形顶点可以作
为纯净端元。 然后分别利用最小包含端元特征法、纯净象元指数法和实测法确定各个端元的特征值(图 4)。
三种方法确定的端元 NDVI比较相近,最小包含端元特征法和纯净象元指数法确定的 PV 端元 NDVI 略高于
实测法;而 CAI差异较大,实测法确定的 NPV和 BS端元 CAI明显大于最小包含端元特征法和纯净象元指数
法,纯净象元指数法确定的 PV端元 CAI值小于最小包含端元特征法和实测法。
3.2摇 估算精度检验
根据最小包含端元特征法、纯净象元指数法和实测法确定各个端元的特征值,利用 NDVI鄄CAI 三元线性
7463摇 11期 摇 摇 摇 李涛摇 等:基于 Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算 摇
http: / / www.ecologica.cn
图 3摇 五期 Hyperion的 NDVI鄄CAI特征空间图
Fig.3摇 Feature space of NDVI vs. CAI
PV、NPV和 BS分别为光合植被、非光合植被和裸土
混合模型对 7月 27 日的 Hyperion 影像进行分解,估算
出 fPV和 fNPV。 采用 52 个样地(4 个样地受云和阴影的
影响严重,作为无效值区)的实测数据进行精度评价。
绘制样地 fPV和 fNPV的实测值与估算值散点图(图 5)。
对于 fPV,基于最小包含端元特征法和纯净象元指数法
估算精度较高,散点基本都分布在参考线 Y = X 周围,
均方根误差 RMSE小于 5,估算精度 EA高达 91%;而基
于实测法明显高估,散点基本都落在参考线左上方,
RMSE= 7.17,相对较大,EA = 86.2%,低于前两个方法。
对于 fNPV,基于最小包含端元特征法的估算效果最好,
均方根误差 RMSE = 5.9,估算精度 EA = 67.9%,但也存
在一定程度的高估;基于纯净象元指数法明显高估,散
点基本位于参考线左上方;而基于实测法明显低估,散
点基本位于参考线右下方,均方根误差最大,RMSE =
7.96,估算精度最低,EA= 56.7%。
图 4摇 三种端元提取法确定的端元特征值
Fig.4摇 The endmember value extracted with Minimum鄄Volume Enclosing method (MVE), PPI method (Pixel Purity Index method) and
field measurement method
PV、NPV和 BS分别为光合植被、非光合植被和裸土,MVE、PPI分别为最小包含端元特征法和纯净象元指数法
3.3摇 fPV和 fNPV的季节性变化
基于 NDVI鄄CAI 三元线性混合模型,利用最小包含端元特征法确定的端元值,估算五期 Hyperion 影像的
fPV和 fNPV,并绘制 fPV、fNPV和 fBS的 RGB合成图)。 选择研究区内受人为及牲畜影响很小的自然草地(图 6中蓝
色框内)为感兴趣区,分析 fPV和 fNPV的季节变化(图 7)。 模型估算的 fPV和 fNPV的季节变化与牧草的物候发育
特征吻合。 感兴趣区 4月初基本呈现荒芜状态,遗留着上一年的干枯植被,基本没有绿色植被,NDVI 较低,
CAI较高,fNPV高达 95%,fPV约等于 0;4月中旬以后,牧草开始返青,返青 20 d后进入积极生长期,NDVI 增加,
CAI减小;5月 20日时,fPV初步增加,fNPV减小(b);7月中旬左右达到最大强度的生长;7 月 27 日时牧草比较
茂盛,大部分 NPV已经被微生物分解,NDVI 较高,CAI 较低,fPV明显大于 fNPV(c);8 月份陆续进入成熟期;8
月 30日时,fPV增加到 68%,fNPV稍微减小;9 月份陆续进入黄枯期,NDVI 减小,CAI 增加;到 11 月 15 日时,牧
草已经枯黄,恢复到荒芜状态,fNPV高达 95%,fPV约等 0。
4摇 讨论
4.1摇 PV、NPV覆盖度估算的复杂性
摇 摇 光学遥感适用于估算彼此分离的 PV和 NPV覆盖度。 而实际上,PV与 NPV错综复杂,相互重叠,影响着
8463 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
图 5摇 fPV、fNPV估算精度分析图
Fig.5摇 Accuracy comparison of fPV and fNPV estimate using the minimum method ( a), PPI index method ( b) and field measurement
method (c)
图 a基于最小包含端元特征法提取端元,图 b基于纯净象元指数法提取端元,图 c基于实测法提取端元; 黑色实线为参考线 Y=X;
fPV:光合植被覆盖度 Fractional Cover of Photosynthetic Vegetation; fNPV: 非光合植被覆盖度 Fractional Cover of Non鄄photosynthetic Vegetation
图 6摇 fPV、fNPV和 fBS的 RGB合成图
Fig.6摇 The RGB image of fPV, fNPV and fBS
蓝色代表裸土比例 fBS,绿色代表光合植被覆盖度 fPV,红色代表非光合植被覆盖度 fNPV,白色代表无效值区(云、阴影等影像质量问题导致
许多无效值),蓝色方框为感兴趣区
9463摇 11期 摇 摇 摇 李涛摇 等:基于 Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算 摇
http: / / www.ecologica.cn
摇 图 7摇 感兴趣区 fPV和 fNPV变化图 (以均值代表整个感兴趣区)
Fig.7摇 Temporal changes of fPV and fNPV in the interested region
PV和 NPV分别代表光合植被和非光合植被覆盖度,NDVI和 CAI
分别为归一化植被指数和纤维素吸收指数
表层植被的 NDVI和 CAI特征值,进而影响 fPV和 fNPV的
估算精度。 牧草生长初期,绿叶容易夹杂在上一年干枯
牧草下,提高像元的 NDVI 而降低 CAI,导致模型低估
fNPV,高估 fPV;而当牧草逐渐枯黄时,枯枝落叶容易夹杂
在绿叶下,提高像元的 CAI 而降低 NDVI,导致模型低
估 fPV,高估 fNPV。 相互交错的 PV 和 NPV 混合像元增
加了 NDVI和 CAI的多变性,使得 fPV和 fNPV的估算变得
复杂。
牧草在衰败的过程中,叶片中水分和叶绿素减少,
光谱特征逐渐转向以纤维素、木质素作用为主,NDVI
值逐渐减小,CAI 值逐渐增大。 但此过程叶片中水分、
叶绿素和纤维素三者共存,共同决定着叶片的 NDVI 与
CAI。 NDVI与叶绿素含量正相关;CAI与纤维素含量正
相关;叶片中的水分吸收作用会降低 CAI 波段的反射
率,减小纤维素的吸收深度,CAI值减小。 叶片中水分、纤维素、叶绿素的含量变化过程及对叶片的 NDVI 和
CAI的影响程度极其复杂,加大了 fPV和 fNPV的估算难度。
卫星传感器的倾斜角度和地形起伏共同决定着观测角度。 不同观测角度对应像元不同的采样面积误差
和地物的 BRDF效应影响像元的 NDVI和 CAI,进而影响模型对 fPV和 fNPV的估算,即使在 2种平坦的朗伯地物
交界处影响依然很大[21]。 这样对于一个混合像元,同时考虑 BRDF 效应和采样面积误差,像元的 NDVI 和
CAI指数随观测角度的变化是增大还是减小不一定,这主要取决于混合像元内部各部分在不同角度的面积比
和地物类型。 角度效应增加了 fPV和 fNPV估算的复杂性。
4.2摇 NDVI鄄CAI三元线性混合模型的不确定性
线性光谱混合模型所用端元有限,简化了电磁波与地物复杂的相互作用过程,忽略了混合像元中其他成
分的作用,势必造成估算误差,而且光谱分解结果容易受到影像质量的影响。 另外端元的光谱异质性也是估
算误差的重要来源[22]。 NDVI鄄CAI三元线性混合模型利用多个波段计算出的指数,减小了端元不足、端元光
谱异质性、以及影像质量等引起的误差,有助于 fPV和 fNPV的估算。
纯净端元的提取对模型估算精度起着至关重要的作用。 最小包含端元特征法选取纯净端元,既能反映端
元的平均光谱特征,又与遥感数据不存在尺度差异,减弱了端元光谱异质性的影响,提高整体的估算精度。 但
最小包含端元特征法在选择最靠近特征空间图顶点的像元时存在主观性和随机性,在一定程度上影响端元特
征值的确定。 利用纯净象元指数法确定端元,地物端元的光谱特征值往往是个极值,而且存在光谱异质性问
题,不足以代表端元光谱特征,尤其端元的纯净像元较少时,容易产生较大误差。 最小包含端元特征法和纯净
象元指数法都基于存在纯净像元的前提,实际中纯净像元比较少,尤其是大尺度上。 实测法不依赖影像,通过
实地观测小尺度上纯净端元的光谱特征来作为像元尺度上的端元特征,势必带来尺度的问题。 而且实地观测
光谱与卫星成像时的条件(大气状况,观测角度等)不同,必然引入一些误差。
NDVI鄄CAI三元线性混合模型基于混合像元的 NDVI 和 CAI 指数符合线性这一前提。 目前研究证实
NDVI与 fPV成线性关系[23鄄24],CAI与 fNPV成线性关系[5]。 但 CAI 指数容易受到其他因素的影响。 BS 的含水
量和土壤成分影响其 CAI,NPV的类型、分解程度、含水量影响其 CAI[5]。 在土壤质地、植被类型比较均一的
地区,含水量成为影响估算精度的主要因素。 在干燥至中等湿润条件下,PV、NPV 和 BS 三者的 CAI 差异范
围大,能够很好的分离,但随着含水量的进一步增加,三者的 CAI差异逐渐减小,fPV和 fNPV的估算误差增大[4]。
因此,NDVI鄄CAI的三元线性混合模型适用于土壤质地和植被类型较均一的干旱半干旱地区,减小土壤类型、
土壤成分、NPV类型等的影响。 另外,绿色植被中的水分也会消弱减小 CAI。 fPV较小时对模型估算基本没影
0563 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
响,但随着 fPV的增加( fPV>30%),fNPV可能会低估[12,14]。 本研究中绿色植被高覆盖,对于估算精度的影响需要
进一步研究。
4.3摇 NDVI鄄CAI三元线性混合模型应用问题
NDVI鄄CAI三元线性混合模型中的 CAI 指数仅能从高光谱传感器中获取,如 Hyperion。 Hyperion 已经超
期运行,存在扫描条带和噪声问题,扫描宽度很窄[25],回访周期较长,可获取的数据非常有限。 并且单期
Hyperion影像存在 PV、NPV和 BS三个纯净端元的机率很小。 为了保证能从影像中选取 PV、NPV和 BS 三个
纯净端元,需要多期 Hyperion影像,并且基于端元的 NDVI和 CAI特征值不随时间变化的假设。 NDVI鄄CAI 三
元线性混合模型的应用受到 Hyperion影像获取量的限制,还受到数据质量的影响,需要应用到多光谱传感器
中,充分利用多光谱数据充足、覆盖范围大的优势。
Guerschman等[18]应用 SR76(SR76=MODIS7 / MODIS6)替代模型中的 CAI 指数,比较准确地估算了澳大
利亚的无树大草原地区的 fPV和 fNPV,充分发挥 MODIS 高时间分辨率的优势。 但是 MODIS 空间分辨率太低,
空间异质性明显,端元提取比较困难。 因此在 MODIS影像中应用该模型需要检验其适用性。 另外,BI、NDI、
NDRI、SACRI、LCA等指数能够较好地估算 fNPV [8鄄12],可尝试着将这些指数替代 CAI,应用到 NDVI鄄CAI 三元线
性混合模型估算 fPV、fNPV。 NDVI鄄CAI三元线性混合模型在多光谱遥感中有着深远的研究前景。
5摇 结论
本文基于 NDVI鄄CAI三元线性混合模型,估算了锡林郭勒草原的 fPV和 fNPV,主要得到以下结论:
(1)NDVI鄄CAI三元线性混合模型是同时估测锡林郭勒草原 fPV和 fNPV的有效方法,锡林郭勒草地 NDVI鄄
CAI特征空间呈三角形分布,三个顶点分别代表 PV、NPV与 BS,满足三元线性混合模型的基本假设。
(2)不同端元选择方法对估算精度具有一定的影响,其中基于最小包含端元特征法提取端元进行估算的
精度最高,fPV估算均方根误差为 4.57,估算精度为 91.2%;fNPV估算均方根误差为 5.90,估算精度为 67.91%(样
本数 N= 52)。 纯净象元指数法估算精度次之( fPV估算精度为 91.0%;fNPV估算精度为 67.91%), 基于实测光
谱端元估测精度相对最差( fPV估算精度为 86.2%;fNPV估算精度为 56.7%)。 总体来说,PV 的估测精度高于
NPV, 基于实测光谱端元估测的精度要低于影像端元。
(3)基于 NDVI鄄CAI三元线性混合模型估算的 fPV和 fNPV的季节变化与牧草的物候发育特征相吻合,可应
用于分析锡林郭勒草原 fPV和 fNPV的时间变化。
参考文献(References):
[ 1 ]摇 朱敬芳, 邢白灵, 居为民, 朱高龙, 柳艺博. 内蒙古草原植被覆盖度遥感估算. 植物生态学报, 2011, 35(6): 615鄄622.
[ 2 ] 摇 魏利平. 不同因素对锡林郭勒盟草原退化影响程度研究 [D]. 内蒙古: 内蒙古农业大学, 2007.
[ 3 ] 摇 Arsenault E, Bonn F. Evaluation of soil erosion protective cover by crop residues using vegetation indices and spectral mixture analysis of
multispectral and hyperspectral data. Catena, 2005, 62(2 / 3): 157鄄172.
[ 4 ] 摇 Daughtry C S T. Discriminating crop residues from soil by shortwave infrared reflectance. Agronomy Journal, 2001, 93(1): 125鄄131.
[ 5 ] 摇 Nagler P L, Inoue Y, Glenn E P, Russ A L, Daughtry C S T. Cellulose absorption index (CAI) to quantify mixed soil鄄plant litter scenes. Remote
Sensing of Environment, 2003, 87(2 / 3): 310鄄325.
[ 6 ] 摇 Morrison J E, Lemunyon J, Bogush H C. Sources of variation and performance of nine devices when measuring percent residue cover. Transaction of
American Society of Agricultural Engineers, 1995, 38(2): 521鄄529.
[ 7 ] 摇 BannariA, PachecoA, Staenz K, McNairn H, Omari K. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and
IKONOS data. Remote Sensing of Environment, 2006, 104(4): 447鄄459.
[ 8 ] 摇 Major D J, Larney F L, Lindwall C W. Spectral reflectance characteristics of wheat residue / / Proceedings of the International Geoscience and
Remote Sensing Symposium (IGARSS忆90) . New Jersey: IEEE, 1990: 603鄄607.
[ 9 ] 摇 McNairn H, Protz R. Mapping corn residue cover on agricultural fields in Oxford County, Ontario, using Thematic Mapper. Canadian Journal of
Remote Sensing, 1993, 19(2): 152鄄159.
[10] 摇 Biard F, Bannari A, Bonn F. SACRI (Soil Adjusted Corn Residue Index): un indice utilisant le proche et le moyen infrarouge pour la d佴tection
1563摇 11期 摇 摇 摇 李涛摇 等:基于 Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算 摇
http: / / www.ecologica.cn
des r佴sidus de culture de ma觙s. Proceedings of the 17th Canadian Symposium on Remote Sensing, 1995: 413鄄419.
[11] 摇 Gelder B K, Kaleita A L, Cruse R M. Estimating mean field residue cover on Midwestern soils using satellite imagery. Agronomy Journal, 2009,
101(3): 635鄄643.
[12] 摇 Daughtry C S T, Hunt E R, Doraiswamy P C, McMurtrey J E. Remote sensing the spatial distribution of crop residues. Agronomy Journal, 2005,
97(3): 864鄄871.
[13] 摇 Daughtry C S T, Nagler P L, Kim M S, McMurtrey J E III, Chappelle E W. Spectral reflectance of soils and crop residues / / Davies A M C,
Williams P, eds. Near Infrared Spectroscopy: The Future Waves. Chichester, UK: NIR Publications, 1996: 505鄄511.
[14] 摇 Daughtry C S T, Hunt Jr E R, McMurtrey J E. Assessing crop residues cover using shortwave infrared reflectance. Remote Sensing of Environment,
2004, 90(1): 126鄄143.
[15] 摇 Bannari A, Chevrier M, Staenz K, McNairn H. Potential of hyperspectral indices for estimating crop residue cover. Revue T佴l佴d佴tection, 2007, 7:
447鄄463.
[16] 摇 Daughtry C S T, McMurtrey J E III, Chappelle E W, Hunter W J, Steiner J L. Measuring crop residue cover using remote sensing techniques.
Theoretical and Applied Climatology, 1996, 54(1 / 2): 17鄄26.
[17] 摇 Wiegand C L, RichardsonA J. Relating spectral observations of the agricultural landscape to crop yield. Food Structure, 1992, 11(3): 249鄄258.
[18] 摇 Guerschman J P, Hill M J, Renzullo L J, Barrett D J, Marks A S, Botha E J. Estimating fractional cover of photosynthetic vegetation, non鄄
photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO鄄1Hyperion and MODIS sensors. Remote Sensing of
Environment, 2009, 113(5): 928鄄945.
[19] 摇 http: / / www1. imau. edu. cn / shenggong / newx. php? type= 18&id= 246.
[20] 摇 Datt B, Jupp D. Hyperion Data Processing Workshop: Hands鄄on processing instructions, 2004.
[21] 摇 郭占军, 阎广建, 冯雪, 王远征, 张霄羽. 遥感估算植被覆盖度的角度效应分析. 北京师范大学学报: 自然科学版, 2007, 43(3):
343鄄349.
[22] 摇 Bateson C A, Asner G P, Wessman C A. Endmember bundles: A new approach to incorporating endmember variability into spectral mixture
analysis. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(2): 1083鄄1094.
[23] 摇 Wittich K P, Hansing O. Area鄄averaged vegetative cover fraction estimated from satellite data. International Journal of Biometeorology, 1995, 38
(4): 209鄄215.
[24] 摇 Purevdorj T S, Tateishi R, Ishiyama T, Honda Y. Relationships between percent vegetation cover and vegetation indices. International Journal of
Remote Sensing, 2013, 19(18): 3519鄄3535.
[25] 摇 Serbin G, Hunt E R, Daughtry C S T, McCarty G W, Doraiswamy P C. An improved SATER index for remote sensing of crop residue. Remote
Sensing, 2009, 1(4): 971鄄991.
2563 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇