全 文 ：第 35 卷第 4 期
2015年 2月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.35,No.4
Feb.,2015
http: / / www.ecologica.cn
基金项目:中国科学院知识创新工程重大项目(KZCX1鄄YW鄄 08鄄 03); 水利部鄄官厅密云水库上游水土保持遥感监测二期工程(HW鄄STBC2004鄄
03); 中国博士后科学基金资助项目(20100470994)
收稿日期:2013鄄05鄄02; 摇 摇 网络出版日期:2014鄄04鄄11
*通讯作者 Corresponding author.E鄄mail: wubf@ radi.ac.cn
DOI: 10.5846 / stxb201305020904
张喜旺, 吴炳方.基于中高分辨率遥感的植被覆盖度时相变换方法.生态学报,2015,35(4):1155鄄1164.
Zhang X W, Wu B F.A temporal transformation method of fractional vegetation cover derived from high and moderate resolution remote sensing data.Acta
Ecologica Sinica,2015,35(4):1155鄄1164.
基于中高分辨率遥感的植被覆盖度时相变换方法
张喜旺1,2, 吴炳方1,*
1 中国科学院遥感与数字地球研究所,北京摇 100094
2 黄河中下游数字地理技术教育部重点实验室,开封摇 475004
摘要:植被覆盖度是衡量地表植被状况、指示生态环境变化的一个重要指标,也是许多学科的重要参数。 传统的测量方法难以
获取时间连续的面状数据,且耗时、耗力,很难大范围推广。 遥感估算方法虽然可以弥补传统方法的不足,但由于云覆盖等天气
条件的影响,获得同一时相覆盖整个研究区的遥感影像非常困难,时相的差异必然导致研究结果产生误差。 针对植被覆盖度这
一重要生态参数,结合低分辨率遥感数据的时间优势和中高分辨率遥感数据的空间优势,提出一种时相变换方法,将源于中高
分辨率影像的植被覆盖度变换到研究需要的时相上。 首先,利用像元二分模型计算 MODIS 尺度的时间序列植被覆盖度,并利
用已经获得的 SPOT影像计算其获取时相上的植被覆盖度;其次,利用土地利用图划分植被覆盖类型,并利用 MODIS数据和土
地利用数据之间的空间对应关系制作 MODIS像元内各类植被覆盖的面积百分比数据;再次,利用面积百分比数据提取各类植
被覆盖的纯像元,结合 MODIS植被覆盖度时间序列,从而提取各类植被覆盖纯像元的植被覆盖度时间序列曲线;最后利用像元
分解的方法提取 MODIS像元内各类植被覆盖组分的植被覆盖度的变化规律,将其应用到该组分对应位置上 SPOT像元的植被
覆盖度上,从而将其变换到所需要的时相上。 在密云水库上游进行试验,将覆盖研究区的 10 景 SPOT5多光谱影像计算的植被
覆盖度统一变换到 7 月上旬,结果显示:视觉效果上明显好转,且空间上连续一致;变换前后植被覆盖度的统计量对比结果也符
合植被生长规律;利用外业样点数据与对应位置的植被覆盖度变换结果进行回归分析,结果发现各植被覆盖类型的 R2均在 0郾 8
左右,表明变换结果与实测值非常接近,时相变换的效果较好,从而可以很好地促进相关研究精度的提高。
关键词:植被覆盖度; 时相变换; 像元分解; 遥感
A temporal transformation method of fractional vegetation cover derived from
high and moderate resolution remote sensing data
ZHANG Xiwang1,2, WU Bingfang1,*
1 Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
2 Key Laboratory of Geospatial Technology for Middle and Lower Yellow River Regions, Ministry of Education, Kaifeng 475004, China
Abstract: Fractional vegetation cover (FVC) is an important index of land surface vegetation status. It is also an indicator
of ecological environment changes and an important spatial parameter for various ecological modeling. The traditional
methods of FVC measurement are time鄄consuming and labor鄄intensive, and thus difficult to obtain large鄄scale time series
FVC data. Remote sensing technique is an effective approach to estimate FVC, but it is very difficult to acquire high and
moderate resolution remote sensing images covering the entire study area during the same period because of the cloud cover
and other weather conditions. Consequently, the FVC data derived from multi鄄temporal images inevitably lead to uncertain
research results. To address the problem, this paper proposes a novel method to eliminate the impact of acquisition time
http: / / www.ecologica.cn
differences on FVC from high and moderate resolution remote sensing images. For FVC data derived from images with
different resolutions and acquisition dates, this proposed temporal transformation method is used to estimate high resolution
FVC combined with a low鄄resolution time series FVC. Firstly, low and high resolution FVC data can be calculated from time
series MODIS images and acquired SPOT images respectively using the dimidiate pixel model. Secondly, the vegetation
cover is divided into different vegetation types based on the land use map derived from these SPOT images. And for each
MODIS pixel, the area percentages of various types of vegetation cover are calculated based on the spatial overlay of MODIS
image and land use data. As a result, the area percentage data represent that the area ratio of the different vegetation types
within each MODIS pixel. Thirdly, the pure pixels of various types of vegetation cover can be extracted based on the area
percentage data where the ratio is equal to 1, and the FVC time series curve of each type of vegetation cover can be
generated based on these pure pixels and time series MODIS FVC data. Finally, the sub鄄pixel FVC variation of each type of
vegetation cover can be extracted from MODIS pixels based on the pixel unmixing technique, and then apply them to the
same location of SPOT FVC. Thus, the SPOT FVC can be transformed from its acquisition date to the specific date, which
satisfies the need of our research. The feasibility of this temporal transformation method is examined in the upstream of
Miyun Reservoir. The FVC data derived from 10 SPOT images are transformed to the same date of early July. The case study
results show that: (1)The visual effects of the transformed FVC are significantly improved and consistent with the spatial
patterns of vegetation cover; (2)The changes of FVC statistics information before and after the transformation are also in
line with the laws of vegetation growth; (3) The linear regression of the FCV data on field measurement samples shows
strong positive correlations between them, and the R2 is about 0郾 8 for each vegetation cover indicating the transformation
results is close to the field measured values. The transformation results with higher precision can promote the accuracy of
related researches. This method has also a certain reference value for the transformation of other parameters.
Key Words: fractional vegetation cover; temporal transformation; pixel unmixing; remote sensing
植被是陆地生态系统的基础,连结土壤和大气的自然纽带[1],也是大气鄄植被鄄土壤系统的重要组成部
分[2]。 植被覆盖度(FVC)被定义为植被(包括叶、茎、枝)在单位面积内的垂直投影面积所占百分比[3]。 它是
衡量地表植被状况、指示生态环境变化的一个最重要的指标,也是许多学科的重要参数[4鄄6]。 区域及全球范
围的植被覆盖度估算对研究大气、土壤、水文和生态等具有重要的意义[7鄄9]。
传统的测量和估算方法主要有目测法、照相法、采样法、仪器法等[10鄄11],虽然可以利用插值扩展到区域
上,但耗时、耗力,且难以获取时间连续的面状数据,局限性大,很难大范围推广[12]。 遥感能提供不同时空尺
度的植被覆盖信息及其动态变化,为实时、连续的监测与评估提供了技术支撑,已成为区域植被覆盖度研究的
主要手段。 遥感估算方法主要有经验模型法、植被指数法、亚像元分解法、光谱梯度法等[13]。 应用最广泛的
主要有经验模型、植被指数法和亚像元分解 3种[14]。 经验模型是建立实测数据与光谱信号之间的经验模型,
并向区域推广以求取植被覆盖度[15鄄16],当区域较大时,精度会降低;植被指数法是通过分析植被类型及其分
布,建立与植被指数间的关系[17鄄18];亚像元分解是根据像元的特点,分析亚像元结构,针对不同结构,建立不
同的植被覆盖模型[19],相对于植被指数法有所改进。 其中,像元分解法在研究中应用最广,优点是模型简单
可靠、输入通用易得。
中高分辨率遥感影像已经广泛应用于区域尺度研究,然而应用的限制除价格昂贵外,最主要的是云覆盖
的影响,例如 ETM+数据在全球平均有 35%的云覆盖[20鄄21],加之观测频率与幅宽有限,获得同一时相覆盖整个
研究区的遥感影像非常困难[22]。 通常覆盖研究区影像之间时间跨度较大,如本文中影像时间从 5 月 18 日到
9 月 9 日,如果不做处理将使研究结果出现偏差。 因此针对研究对影像时相的要求,有必要发展一种时相变
换方法,将参数变换到研究所需要的时相上。
物候特征导致植物在不同发育阶段表现出迥然不同的光谱特性及生态参数,且季相节律在不同植物类型
6511 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
之间存在差异[23]。 低分辨率影像,如 MODIS,具有很高的时间分辨率,即使在天气状况较差的时期,如经常有
云覆盖,也有机会获取无云的单景影像或合成产品,因此可以用于研究植被参数的季相变化规律[24鄄25]。 本文
以植被覆盖度为研究对象,综合低分辨率影像在时间上的优势与中高分辨率影像在空间上的优势,发展一种
针对植被覆盖度的时相变换方法,利用 MODIS 时间序列数据,对 SPOT5 遥感影像获得的植被覆盖度进行变
换,以得到统一时相特征的、覆盖整个研究区的数据。
1摇 研究区及数据
图 1摇 研究区位置
Fig.1摇 Location of study area
1.1摇 研究区
密云水库上游位于北京市北大约 80 km,东经 115毅
24忆—117毅35忆,北纬 40毅19忆—41毅38忆,涉及密云、怀柔、延
庆、兴隆、栾平、赤城、丰宁、沽源和崇礼等 9 个县(部
分),面积约为 15388 km2,如图 1 所示。 地势西北高,
东南低;地貌以丘陵为主,低山为辅,还有极少部分中
山,东南部多低山丘陵。 境内小块平原多分布在河谷型
盆地两侧,典型台地很少。 属大陆性季风气候,四季分
明,降水主要集中在 6—9 月。 冬季寒冷干燥;夏季盛行
东南季风,年内气温变化显著。 自然植被以落叶阔叶林
和旱生灌丛草类为主。 褐土分布最广,遍布 150—1000
m的低山丘陵,占流域面积的 60郾 3%;棕壤分布于海拔
600—1000 m以上的中低山,占流域面积的 34.4%;草
甸土分布在潮、白两河河谷,占流域面积的 1.9%;栗钙
土分布在坝根一带,占总面积的 2.2%,是重要的牧业用地。
1.2摇 数据及预处理
1.2.1摇 SPOT5数据
SPOT5卫星是法国 SPOT公司于 2002 年 5 月 4 日成功发射的用于对地遥感的近极地太阳同步轨道卫
星。 本文涉及 10 景 SPOT5多光谱遥感影像(表 1),完全覆盖研究区。 由于天气、观测周期等原因,影像获取
时间在 5—9 月之间。 研究中根据影像重叠情况裁切了过多的重叠部分。
表 1摇 研究所用 SPOT5影像
Table 1摇 SPOT5 images list used in this study
轨道编号
Path / Row
获取时间
Acquisition time
轨道编号
Path / Row
获取时间
Acquisition time
描述
Description
278267 2004鄄07鄄19 281267 2004鄄06鄄02 Spot5多光谱影像;1—4波段:绿、红、
278268 2004鄄07鄄28 281268 2004鄄06鄄02 近红、短波红外;空间分辨率 10 m
279266 2004鄄05鄄23 281269 2004鄄06鄄02
279267 2004鄄05鄄23 282268 2004鄄09鄄09
279268 2004鄄05鄄23 282269 2004鄄05鄄18
1.2.2摇 NDVI时间序列
归一化植被指数(NDVI)在利用遥感进行植被以及物候研究中得到广泛应用,是植物生长状态以及植被
空间分布密度的最佳指示因子[25]。 可以很容易地从各种影像数据中提取,虽受土壤背景和植被活力影
响[26鄄27],但可以指示植被在时空上的相对变化[28]。 本文采用美国国家航空航天局(National Aeronautics and
Space Administration, NASA)免费提供(http: / / reverb.echo.nasa.gov / )的 MODIS 植被指数 250 m 16 d 合成产
7511摇 4期 摇 摇 摇 张喜旺摇 等:基于中高分辨率遥感的植被覆盖度时相变换方法 摇
http: / / www.ecologica.cn
品(MOD13Q1),通过 2004 年全年时间序列的 NDVI数据分析各类植被的年内变化趋势。 优势是观测频率非
常高,即使在经常有云覆盖的时期也有机会获取无云的单景影像或合成产品,从而形成时间上的连续序列,被
广泛用于生态环境监测。
1.2.3摇 土地利用数据
土地利用数据采用基于 2004 年覆盖研究区的 10 景 SPOT5 遥感影像的解译结果,主要用于分析研究区
内不同植被类型的生长变化规律,以及计算所对应的 MODIS 数据像元内的各类植被像元百分比。 首先将其
转换为栅格数据,空间分辨率重采样为 5 m;并与 MODIS 数据严格配准;然后将 50伊50 个土地利用像元聚合
成一个 250 m大小的像元,对应于 MODIS像元,从而统计获得每个 MODIS像元内各类植被所占百分比。
1.2.4摇 外业数据
外业主要调查植被类型、土地利用类型以及各类植被的覆盖度,采用样线法,主要沿道路两侧调查,植被
覆盖度测量采用垂直照相的方法,样点采用 GPS定位。
1.2.5摇 投影统一处理
所有数据均转换为 Albers等面积投影,中央经线 110毅,标准纬线 25毅和 47毅。
2摇 方法
2.1摇 FVC计算方法
研究区面积较大,采用的遥感影像存在分辨率与光谱特性的差异,应用像元二分模型较为合适[29]。 原理
是假定图像中的一个像元由土壤和植被两个组分构成,每个组分对遥感传感器所观测到的信息都有贡献,因
此可以将遥感信息分解,建立像元分解模型,从而估算植被覆盖度。 利用 NDVI的像元二分模型如公式(1):
FVC=
NDVI-NDVISoil
NDVIVeg-NDVISoil
(1)
式中,FVC为植被覆盖度;NDVISoil为裸土或无植被区的 NDVI 值;NDVIVeg为纯植被区的 NDVI 值。 因此该方
法关键在于确定 NDVISoil与 NDVIVeg的值。
对于 SPOT5影像,分辨率为 10 m,即使在一景内,获取纯像元也相对容易,不会影响计算精度;对于同一
时相的多景影像先拼接成一超级景,统一计算 NDVI,进而计算 FVC。 NDVISoil与 NDVIVeg取值时,将像元 NDVI
按从小到大和从大到小排列,首先将极端值去除,然后根据外业调查和影像实际情况判断全土壤覆盖和植被
覆盖的比例,按照该比例分别在首尾扣除相应数量的像元,得到 NDVI 区间,以该区间的最大最小值作为
NDVISoil与 NDVIVeg,从而计算 FVC,这样做的好处是保证了区域内有合理比例的全植被、土壤覆盖的像元。
对于 MODIS NDVI 250 m数据,为了提高获取纯植被和纯土壤像元的几率,先将影像从研究区范围向外
扩展,以使影像有足够大的面积获取纯净像元,并统计全年不同时相各类植被的 NDVI。 在计算全年序列的
FVC时,NDVISoil取 2 月末的裸土纯净像元的 NDVI 值,NDVIVeg取 7 月中旬的全植被覆盖的 NDVI 值,以这样
的参数计算全年序列的植被覆盖度,最后截取研究区内的植被覆盖度。
2.2摇 FVC年内变换规律
由于不同植被的生长发育规律不一样,导致不同植被类型 FVC年内变化存在差异,因此先对植被进行细
分,分析各自 FVC的年内变化。 本文根据 SPOT5遥感影像分类得到的土地利用图将植被覆盖类型分为耕地、
乔木林、灌木林、草地、其他五种,其中水域的覆盖度接近于零,这里不作考虑。 并计算各类植被覆盖的像元百
分比,从中提取五类植被覆盖像元百分比为 100%的 MODIS 像元(表 2),即各类植被覆盖的纯像元。 利用这
些纯像元为掩膜,统计 MODIS NDVI 250 m数据,从而得到各类植被的 FVC的时间序列。
2.3摇 中高分辨尺度 FVC时相变换
2.3.1摇 像元分解思路
假如一个 MODIS像元包含 3种植被覆盖类型 X、Y与 Z,它们本身的植被覆盖度分别为 x、y 与 z,分别占
8511 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
有 MODIS像元的面积百分比为 琢、茁与 酌,如图 2所示。 那么这个 MODIS像元的植被覆盖度 FVC可以用公式
(2)表示:
FVC = x·琢 + y·茁 + z·酌 (2)
式中,琢、茁与 酌可以从像元百分比数据中获取;FVC可以从 2.1节计算方法获取。
表 2摇 不同植被覆盖类型纯像元个数统计
Table 2摇 Pure pixel number of each vegetation cover
植被覆盖类型
Vegetation cover type
耕地
Farmland
乔木
Forest
灌木
Shrub
草地
Grass
其他
Other
纯像元 Pixel number /数 1298 4460 756 2843 943
图 2摇 组成MODIS像元的植被覆盖类型示意图
Fig.2摇 Sketch map of different vegetation cover in a MODIS pixel
假设植被覆盖类型 X、Y 与 Z 的覆盖度比例为
x颐 y颐 z = k颐 m颐 l ,则:
x = k·FVC
k·琢 + m·茁 + l·酌
(3)
y = m·FVC
k·琢 + m·茁 + l·酌
(4)
z = l·FVC
k·琢 + m·茁 + l·酌
(5)
2.3.2摇 不同植被覆盖的覆盖度比例关系确定
本文 3.1节得到各类植被覆盖纯像元 FVC 均值的
年内变化规律,从中可以得到年内各个时相上不同植被
的覆盖度均值的比例关系,将其代替各种植被覆盖的 FVC 比例,即 x、y、z 的比例关系,从而可以计算 MODIS
像元内各类植被组分的覆盖度[30]。
对于在时间节点上的情况,可以直接用在该节点上的值直接获取比例关系。 对于不在节点上的情况,可
以对比距前后节点的距离按线性插值计算,从而获取比例关系。 如某一时刻 T距离上个节点 T1时间为 t1天,
距离后一节点 T2为 t2天,则 t1+t2 = 16。 根据线性插值方法可以得到时间 T上的植被覆盖度为:
FVC i,T = FVC i,T1 +
(FVC i,T2 - FVC i,T1)·t1
t1 + t2
(6)
式中, FVC i,T 、 FVC i,T1 、 FVC i,T2 分别表示 T、T1、T2时相上第 i类植被覆盖的覆盖度。
图 3摇 综合MODIS和 SPOT的植被覆盖度时相变换模型
摇 Fig. 3 摇 FVC ( Fractional Vegetation Cover ) temporal
transformation model integrating MODIS and SPOT image
2.3.3摇 中高分辨率尺度 FVC时相变换
假如所获取的中高分辨率植被覆盖的时相为 T1,
目的是要将其变换到时相 T2 上。 与之时相对应的
MODIS植被覆盖度分别为 FVCM鄄T1与 FVCM鄄T2,如图 3 所
示。 其中,xm1、ym1与 zm1分别表示 MODIS 像元内植被覆
盖组分 X、Y与 Z 在时相 T1 时的覆盖度,xm2、ym2与 zm2
分别表示 MODIS 像元中植被覆盖组分 X、Y 与 Z 在时
相 T2时的覆盖度;xs1、ys1与 zs1分别表示与 MODIS 像元
空间位置对应的 SPOT 影像中植被覆盖类型 X、Y 与 Z
在时相 T1 时的覆盖度均值,xs2、ys2与 zs2分别表示与
MODIS像元空间位置对应的 SPOT 影像中植被覆盖类
型 X、Y与 Z在时相 T2的覆盖度均值。
9511摇 4期 摇 摇 摇 张喜旺摇 等:基于中高分辨率遥感的植被覆盖度时相变换方法 摇
http: / / www.ecologica.cn
理论上,xm1、ym1与 zm1应分别与 xs1、ys1与 zs1相等,但由于尺度等原因一般不会相等,但 MODIS 像元内不同
植被覆盖组分的覆盖度与 SPOT所对应的植被覆盖的覆盖度在 T1与 T2时相上的比值应近似相等,即:
xm1
xm2
抑
xs1
xs2
(7)
ym1
ym2
抑
ys1
ys2
(8)
zm1
zm2
抑
zs1
zs2
(9)
根据 2.3.1部分的推导,两个时相 T1和 T2上 MODIS像元内各类植被覆盖的覆盖度可以表示为:
xm 1 =
k1·FVCM鄄T1
k1·琢 + m1·茁 + l1·酌
(10)
xm2 =
k2·FVCM鄄T2
k2·琢 + m2·茁 + l2·酌
(11)
ym 1 =
m1·FVCM鄄T1
k1·琢 + m1·茁 + l1·酌
(12)
ym2 =
m2·FVCM鄄T2
k2·琢 + m2·茁 + l2·酌
(13)
zm 1 =
l1·FVCM鄄T1
k1·琢 + m1·茁 + l1·酌
(14)
zm2 =
l2·FVCM鄄T2
k2·琢 + m2·茁 + l2·酌
(15)
而 xs1,ys1与 zs1可以从 SPOT影像上获取,从而所要求的 T2时相 SPOT影像上各类植被覆盖的覆盖度 xs2、
ys2与 zs2分别可以表示为:
xs2 =
xm2·xs1
xm1
(16)
ys2 =
ym2·ys1
ym1
(17)
zs2 =
zm2·xs1
zm1
(18)
3摇 结果与分析
3.1摇 不同植被 FVC年内变化
基于 2.2节得到的纯像元,从 MODIS FVC时间序列中提取各类植被覆盖的均值,并绘制成随时间变化的
曲线如图 4所示。 其中每个 16 d合成数据的时间被定位在这 16 d的中间。
从图 4可以看出,研究区 1—4 月间植被未开始生长,基本处于平稳状态,FVC在 0郾 15—0郾 4之间,从 4月
中旬开始发育。 其中乔木 FVC增长最快,5 月末几乎达到峰顶,并开始趋于稳定,直到 8 月末 9 月初开始下
降;灌木 FVC增长速度仅次于乔木,4 月中旬到 5 月中旬为其快速上升期,然后速度放慢,7 月中旬达到峰值,
并趋于稳定,8 月中下旬开始下降;草地 FVC增长速度又次于灌木,4 月中旬到 5 月末增长速度较快,然后开
始放缓,直到 8 月中旬开始达到峰值,随即开始下降,没有稳定状态;对于耕地,4 月中旬到 6 月中旬生长缓
慢,6 月中旬至 7 月中旬迅速增长,然后速度放慢,直到 8 月中旬达到峰值,随即开始下降;“其他冶类植被覆盖
度变化较为杂乱,因为该类所包含的地类较多,如居民点、工矿以及交通等,所以变化不够自然。 研究区内的
农作物多为一年一季,因此其曲线为单峰。
0611 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
图 4摇 各类植被覆盖的覆盖度年内变化
摇 Fig.4摇 FVC (Fraction Vegetation Cover) changes characteristic of
different vegetation cover type in the year
3.2摇 FVC时相变换结果
按照上述植被覆盖度时相变换方法将研究区各个
时相的 SPOT影像计算的 FVC变换到 7 月初,并与变换
前的结果进行对比,结果如图 5所示。
由图 5(A)可知,进行时相变换前的植被覆盖度
图,从整体上看,左上角、左下角与右上角的三景影像的
覆盖度明显要高于中间几景;而中间部分为 5 月下旬和
6 月上旬,植被还没有生长起来,因此拼接后整体不够
和谐。 图 5(B)显示了在 FVC统一变换到 7 月初后,中
间部分(5 月下旬和 6 月上旬)的植被覆盖度明显得到
了增强;而两边部分(如 7 月末和 9 月初)的 FVC 明显
得到了抑制,整体变得更加协调。
图 5摇 时相变换前后对比(A) SPOT5影像直接计算并拼接的植被覆盖度(B)将各个时相的植被覆盖度统一变换到 7月初的结果
Fig.5摇 Contrast of FVC (Fractional Vegetation Cover) before and after transformation for (A) FVC derived from SPOT images and (B)
FVC transformed to early July using the proposed method
将各个时相的 SPOT覆盖度变换前后的统计量进行对比如表 3所示。
7 月 19日相对于 7 月初,除乔木已经处于稳定状态外,其他植被都仍处于生长状态,因此 FVC 都有所提
高,从而使这一景影像的均值与 7 月初相比提高了 4.66%,因此变换后的 FVC得到了一定的抑制;
7 月 28日与 7 月 19 日相似,除乔木外其他 FVC 都有所提高,从而使整体的均值与 7 月初相比提高了
4郾 99%,时相变换后该景 FVC也得到了一定的抑制;
5 月 18 日、5 月 23 日与 6 月 2 日的植被都处于快速生长阶段,所有植被类型都没有达到稳定状态,因此
时相变换到 7 月初的 FVC的整体均值相对于原始覆盖度分别提高了 17.21%、28.14%和 16.96%。
9 月 9 日植被已经过了最高覆盖度阶段,开始衰败,FVC开始下降,但离最大 FVC出现时间(8 月中旬)不
远,因此覆盖度仍很高,相对于变换后的 7 月初,覆盖度均值减小了 3.60%。
FVC的变化与时相有关,同时也与该地区的植被类型组成有关,因此 FVC值改变的多少并不完全取决于
时相,但 FVC是否变化却和时相密切相关。
3.3摇 验证
FVC估算值和实测值很难完全一致,因此,验证时比较估算值与实测值的接近程度,与实测值越接近认
为估算精度越高。 利用 2006 年 7 月测得的实测资料共 213 个样点的数据与对应位置的进行时相变换后的覆
1611摇 4期 摇 摇 摇 张喜旺摇 等:基于中高分辨率遥感的植被覆盖度时相变换方法 摇
http: / / www.ecologica.cn
盖度进行相关分析(图 6),结果 R2达到 0郾 7967—0郾 8535,验证结果比较令人满意。 虽然利用的实测数据和影
像数据不是同一年的,但季节上与时相变换的结果是同步的,保证了利用该数据做相关分析的合理性。
表 3摇 时相变换前后影像覆盖度统计量对比
Table 3摇 Statistics of FVC (Fraction Vegetation Cover) between before and after temporal transformation
影像时间
Acquisition time
状态
Status
最大值
Maximum
最小值
Minimum
均值
Mean
中值
Median
离差
Deviation
07鄄19 变换前 B鄄T 1.000 0郾 002 0郾 741 0郾 758 0郾 149
变换后 A鄄T 0郾 999 0郾 002 0郾 708 0郾 714 0郾 155
07鄄28 变换前 B鄄T 1.000 0郾 016 0郾 779 0郾 804 0郾 130
变换后 A鄄T 0郾 999 0郾 014 0郾 742 0郾 753 0郾 140
05鄄23 变换前 B鄄T 0郾 978 0郾 015 0郾 636 0郾 659 0郾 186
变换后 A鄄T 1.000 0郾 027 0郾 815 0郾 859 0郾 153
06-02 变换前 B鄄T 0郾 999 0郾 001 0郾 678 0郾 703 0郾 174
变换后 A鄄T 1.000 0郾 019 0郾 793 0郾 832 0郾 163
09-09 变换前 B鄄T 1.000 0郾 003 0郾 830 0郾 848 0郾 106
变换后 A鄄T 1.000 0郾 003 0郾 861 0郾 883 0郾 116
05鄄18 变换前 B鄄T 0郾 979 0郾 016 0郾 773 0郾 802 0郾 129
变换后 A鄄T 1.000 0郾 022 0郾 906 0郾 931 0郾 095
摇 摇 B鄄T:指植被覆盖度转换之前 Before Transformation,A鄄T指植被覆盖度转换之后 After Transformation
图 6摇 不同植被的覆盖度验证结果
Fig.6摇 Validation of FVC (Fractional Vegetation Cover) for different vegetations
4摇 结论
植物的物候特征导致其在不同生长发育阶段表现出迥然不同的光谱特性,并且这种季相节律在不同植物
类型之间又存在差异。 因此,选择正确时相的遥感影像对于研究的顺利开展具有重要意义。
然而,由于天气等因素,同时获得覆盖区域尺度整个研究区的中高分辨率尺度的光学影像非常困难。 往
往在得到覆盖整个研究区的数据之间存在着较大的时相差异。 因此,对于时相敏感的研究,将遥感影像进行
2611 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇
http: / / www.ecologica.cn
时相变换是非常必要的。
本文针对基于遥感计算的 FVC,提出一个时相变换方法,可以将从不同时相的遥感影像中提取的 FVC 变
换到研究需要的时相上。 基本思路是,首先利用土地利用数据划分植被覆盖类型,提取 MODIS 尺度的纯像
元;以纯像元为掩膜,利用时间序列的 MODIS数据提取各类植被覆盖的 FVC 时间序列;利用像元分解的思想
从 MODIS像元中提取各组分的植被覆盖度 FVCM;利用 SPOT影像也可以得到的该组分对应位置的植被覆盖
度 FVCS;FVCM与 FVCS的变化规律应该与他们所对应的实际地物的植被覆盖度变化规律相似,从而建立关
系,提取所需要时相上的中高分辨率 FVC,研究结果经验证,与实测数据的 R2均在 0郾 8 左右,表明本文的时相
变换方法是可靠的。
从 FVC时相变换结果可以看出,无论是视觉效果还是实测数据验证结果,该方法都是可行的,且具有可
操作性。 时相不一致的问题是所有研究都可能遇到的问题,因此也有必要发展用于其他参数的时相变换
方法。
参考文献(References):
[ 1 ]摇 孙红雨, 王长耀, 牛铮, 布和敖斯尔, 李兵. 中国地表植被覆盖变化及其与气候因子关系: 基于 NOAA 时间序列数据分析. 遥感学报,
1998, 2(3): 204鄄210.
[ 2 ] 摇 李克让,王绍强,曹明奎. 中国植被和土壤碳贮量. 中国科学(D辑), 2003, 33(1): 72鄄80.
[ 3 ] 摇 Gitelson A A, Kaufman Y J, Stark R, Rundquist D. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment,
2002, 80(1): 76鄄87.
[ 4 ] 摇 李苗苗,吴炳方,颜长珍,周为峰. 密云水库上游植被覆盖度的遥感估算. 资源科学, 2004, 26(4): 153鄄159.
[ 5 ] 摇 张清春, 刘宝元, 翟刚.植被与水土流失研究综述. 水土保持研究,2002, 9(4): 96鄄101.
[ 6 ] 摇 崔天翔,宫兆宁,赵文吉,赵雅莉,林川. 不同端元模型下湿地植被覆盖度的提取方法———以北京市野鸭湖湿地自然保护区为例. 生态学
报, 2013, 33(4): 1160鄄1171.
[ 7 ] 摇 林川, 宫兆宁, 赵文吉. 叶冠尺度野鸭湖湿地植物群落含水量的高光谱估算模型. 生态学报, 2011, 31(22): 6645鄄6658.
[ 8 ] 摇 Qi J, Marsett R C, Moran M S, Goodrich D C, Heilman P, Kerr Y H, Dedieu G, Chehbouni A, Zhang X X. Spatial and temporal dynamics of
vegetation in the San Pedro River basin area. Agricultural and Forest Meteorology, 2000, 105(1 / 3): 55鄄68.
[ 9 ] 摇 Zhang X W, Wu B F, Ling F, Zeng Y, Yan N N, Yuan C. Identification of priority areas for controlling soil erosion. Catena, 2010, 83(1):
76鄄86.
[10] 摇 章文波,刘宝元,吴敬东.小区植被覆盖度动态快速测量方法研究. 水土保持通报, 2001, 21(6): 60鄄63.
[11] 摇 Xing Z R,Feng Y G,Yang G J,Wang P,Huang W J. Method of estimating vegetation coverage based on remote sensing. Remote Sensing Technology
and Application, 2009, 24(6): 849鄄854.
[12] 摇 马娜, 胡云锋, 庄大方, 张学利. 基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化. 地理科学, 2012, 32(2):
251鄄256.
[13] 摇 顾祝军,曾志远. 遥感植被盖度研究. 水土保持研究, 2005, 12(2): 18鄄21.
[14] 摇 张云霞, 李晓兵, 陈云浩. 草地植被盖度的多尺度遥感与实地测量方法综述. 地球科学进展, 2003, 18(1): 85鄄93.
[15] 摇 Duncan J, Stow D, Franklin J, Hope A. Assessing the relationship between spectral vegetation indices and shrub cover in the Jornada Basin, New
Mexico. International Journal of Remote Sensing, 1993, 14(18): 3395鄄3416.
[16] 摇 Yang J, Prince D. Remote sensing of savanna vegetation changes in Eastern Zambia 1972鄄1989. International Journal of Remote Sensing, 2000, 21
(2): 301鄄322.
[17] 摇 Purevdorj T S, Tateishi R, Ishiyama T, Honda Y. Relationships between percent vegetation cover and vegetation indices. International Journal of
Remote Sensing, 1998, 19(18): 3519鄄3535.
[18] 摇 Larsson H. Linear regressions for canopy cover estimation in Acacia woodlands using Landsat鄄TM, MSS and SPOT HRV XS data. International
Journal of Remote Sensing, 1993, 14(11): 2129鄄2136.
[19] 摇 Gutman G, Ignatov A. The derivation of the green vegetation fraction from NOAA / AVHRR data for use in numerical weather prediction models.
International Journal of Remote Sensing, 1998, 19(8): 1533鄄1543.
[20] 摇 Ju J C, Roy D P. The availability of cloud鄄free Landsat ETM + data over the conterminous United States and globally. Remote Sensing of
Environment, 2008, 112(3): 1196鄄1211.
3611摇 4期 摇 摇 摇 张喜旺摇 等:基于中高分辨率遥感的植被覆盖度时相变换方法 摇
http: / / www.ecologica.cn
[21]摇 Roy D P, Ju J C, Lewis P, Schaaf C, Gao F, Hansen M, Lindquist E. Multi鄄temporal MODIS鄄Landsat data fusion for relative radiometric
normalization, gap filling, and prediction of Landsat data. Remote Sensing of Environment, 2008, 112(6): 3112鄄3130.
[22] 摇 Vrieling A, de Jong S M, Sterk G, Rodrigues S C. Timing of erosion and satellite data: A multi鄄resolution approach to soil erosion risk mapping.
International Journal of Applied Earth Observation and Geoinformation, 2008, 10(3): 267鄄281.
[23] 摇 齐腊, 刘良云, 赵春江, 王纪华, 王锦地. 基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究. 遥感技术与应用, 2008, 23(2):
154鄄160.
[24] 摇 彭光雄, 沈蔚, 郭继发. 泸西县烤烟面积遥感监测最佳时相的选择. 山地学报, 2009, 27(3): 326鄄332.
[25] 摇 张喜旺,秦耀辰,秦奋. 综合季相节律和特征光谱的冬小麦种植面积遥感估算. 农业工程学报,2013,29(8): 154鄄163.
[26] 摇 De Jong S M. Derivation of vegetative variables from a Landsat TM image for modelling soil erosion. Earth Surface Processes and Landforms, 1994,
19(2): 165鄄178.
[27] 摇 张喜旺, 吴炳方. 降雨与植被耦合关系对土壤侵蚀的影响分析———以密云水库上游为例. 生态环境学报, 2010, 19(6): 1290鄄1294.
[28] 摇 Carlson T N, Ripley D A. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 1997,
62(3): 241鄄252.
[29] 摇 杨胜天,李茜,刘昌明,智泓,王雪蕾. 应用“北京一号冶遥感数据计算官厅水库库滨带植被覆盖度. 地理研究, 2006, 25(4): 570鄄578.
[30] 摇 张喜旺. 面向水蚀风险遥感评估的有效植被覆盖提取与应用 [D]. 北京:中国科学院遥感应用研究所,2009.
4611 摇 生摇 态摇 学摇 报摇 摇 摇 35卷摇