作为重要的生态气候参数, 植被覆盖度是许多全球及区域气候数值模型中所需的重要信息, 也是描述生态系统的重要基础数据。植被覆盖度是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比(章文波等, 2001; Leprieur et al., 2000), 它是衡量地表植被覆盖的一个最重要的指标。植被覆盖度及其变化是区域生态系统环境变化的重要指示, 对水文、生态、全球变化等都具有重要意义。利用遥感技术监测植被覆盖度一直是林业工作者不断探索和实践的内容, 过去林业上卫星遥感应用的信息源主要是TM, 利用这种图像只能监测到较大范围内植被覆盖度的变化, 且细部特征不能很好地表征。随着遥感技术的飞速发展, 遥感图像的分辨率有了大幅度提高, 如高分辨率QuickBird数据全色光学通道波长范围0.45~0.90 μm, 空间分辨率为0.61 m; 4个多光谱波段的位置与Landsat TM1~TM4相同, 空间分辨率为2.44 m。地面重访率可达3 d。高分辨率遥感图像不仅能显示出大的地形地貌, 还能清楚地反映出地物的细部特征, 因此在这种影像上进行退耕地植被监测的研究是可行的(黄建文等, 2004)。

在退耕还林遥感监测中, 由于植被覆盖度可在一定程度上反映退耕苗木的生长状况, 因此通过对植被覆盖度的监测, 可以辅助林业生产者和决策者了解退耕地的各项状况。

1 研究区概况

研究区位于海南省昌江县七差镇王下乡, 周边森林覆盖率较高, 地形以山地为主, 坡度较大。样地中心为19°00′N, 109°13′E, 共设置3块样地, 树种均为橡胶树(Hevea brasiliensis), 属经济林。样地1、2、3 (样地3作为对照样地)的退耕时间分别为2001、2002和2003年。退耕地多在山坡上沿等高线呈弧线分布。一般株间除草(即垄内除草), 行间不除草。

2 QuickBird数据预处理

2002年8月和2004年8月获取覆盖试验区的QuickBird遥感影像, 分别反映造林1年左右和3年左右的情况。采用ERDAS软件对影像做分辨率融合, QuickBird影像的多光谱数据光谱特征与融合前基本没有变化, 具有高保真的色彩效果, 融合后的图像更加可视化, 更易于解译。根据1:10 000地形图做了几何校正。另外, 收集了影像范围内的1:10 000的退耕还林规划设计图, 将其数字化, 可与遥感影像叠加。用GPS进行退耕地块的定位。

3 样地覆盖度测量

1) 量测不同样地的株行距及地垄宽度, 样地1、2、3的株行距分别为3 m×4 m, 3.5 m×5 m, 3.5 m×4.5 m。2)在样地1和样地2中分别选取54株和39株退耕苗木量测其冠幅、郁闭度及生长状况, 并用数码相机从多角度拍摄退耕苗木, 辅助实际植被覆盖度的判定。由于遥感影像取值为样本中心点附近3×3像元的平均值, 因此为了与遥感影像估算的植被覆盖度进行匹配, 实测植被覆盖度为以样本点为中心3 m×2 m (地垄宽度为1.5 m左右)范围内的植被覆盖度。

4 NDVI像元二分法监测植被覆盖度 4.1 NDVI像元二分法简介(陈晋等, 2001; 陈云浩等, 2001; 李苗苗等, 2004; 田静等, 2004; 张仁华, 1996; Weismiller et al., 1977)

假设1个像元的信息可以分为土壤与植被2部分。对于1个由土壤与植被2部分组成的混合像元, 像元中有植被覆盖的面积比例即为该像元的植被覆盖度f_c, 而土壤覆盖的面积比例为1-f_c。可得计算植被覆盖度的公式为:

(1)

式中:S为混合像元的信息, S_soil为纯土壤像元的信息, S_veg为纯植被像元的信息, 因而可以根据式(1)利用遥感信息来估算植被覆盖度。

NDVI为归一化植被指数, 其计算公式如:

(2)

式中:在QuickBird影像中第4波段(0.76~0.9 μm)对应于近红外波段NIR, 第3波段(0.63 ~0.69 μm)对应于红波段R。

由于NDVI、NDVI_soil、NDVI_veg可分别看作混合像元的植被指数、纯土壤的植被指数、纯植被的植被指数, 因此可将代表不同类型信息的归一化植被指数作为式(1)中3种类型像元的信息代入, 即式(1)可以被近似为:

(3)

式中:NDVI_soil为裸土或无植被覆盖区域的NDVI值, 即无植被像元的NDVI值; 而NDVI_veg则代表完全被植被所覆盖的像元的NDVI值, 即纯植被像元的NDVI值。

对于NOAA/AVHRR或TM影像, 由于其分辨率相对较低, 混合像元的存在相当普遍, 混合像元的类型比较复杂, 因此有学者(陈晋等, 2001; Weismiller et al., 1977)将混合像元分为等密度、非密度、混合密度3种情况进行考虑。对于高分辨率的QuickBird影像, 尽管仍存在混合像元的问题, 但相对NOAA/AVHRR和TM而言, 其混合像元的情况相对简单, 因此本文中仅考虑等密度一种情况。

4.2 NDVI像元二分法中参数的确定(陈晋等, 2001; 李苗苗等, 2004; 田静等, 2004)

NDVI_soil对于大多数类型的裸地表面, 理论上应该接近零, 但由于受众多因素影响, NDVI_soil的变化范围一般在-0.1~0.2之间(Bradley, 2002; Carlson et al., 1997), 在对QuickBird影像的研究中, 本文发现NDVI_soil的变化范围在-0.1~0.3之间。NDVI_veg代表全植被覆盖像元的最大值, 由于植被类型的影响, NDVI_veg值也会随着时间和空间而改变。因此, 在计算大范围植被覆盖度时, 即使同一景影像, NDVI_soil和NDVI_veg的取值也不固定。在本文中, 由于数据的覆盖范围不大, 且植被、土壤类型都比较单一, 因此同一景数据使用的NDVI_soil和NDVI_veg值为一固定值。

对于NDVI_soil和NDVI_veg值的确定, 可分为以下2种情况:

1) 图像中存在纯土壤和纯植被像元对于图像中存在纯土壤和纯植被像元的QuickBird影像, 可用2种方法确定NDVI_soil和NDVI_veg的值。方法1:借助QuickBird高分辨率的特性, 直接在影像中寻找多个纯土壤和纯植被像元, 分别取其NDVI平均值, 作为NDVI_soil和NDVI_veg的取值。方法2:NDVI_soil=NDVI_min; NDVI_veg=NDVI_max, 式中NDVI_max和NDVI_min分别代表影像中NDVI的极大值和极小值。由于QuickBird影像的分辨率很高, 可达0.61 m, 因此这种情况在QuickBird影像中较为常见。由于图像中不可避免地存在着噪声, NDVI极值并不一定是NDVI_max和NDVI_min, 因此在对其取值时, 不直接取区域中NDVI的最大值和最小值, 而是取给定置信区间内的最大值与最小值。置信度的取值主要由图像大小、图像清晰度等情况来决定。

对比以上2种方法, 尽管都不需要实测数据, 但方法2在确定NDVI_soil和NDVI_veg时需要根据图像的大小和清晰程度先确定置信度的取值, 因此需要一定的经验知识; 而方法1只需直接在图像中进行读取, 直观、简便而又快捷。因此, 可以认为方法1优于方法2。

2) 图像中不存在纯土壤或纯植被像元这种情况在QuickBird影像中不常见, NDVI_soil和NDVI_veg的取值需要借助实测数据进行确定和检验。方法为:实测2个以上点的植被覆盖度, 并在图中找到该实测点对应的NDVI值, 而其余实测数据可以作为检验值。NDVI_soil和NDVI_veg的具体计算为方法3:对于NDVI_soil和NDVI_veg这2个像元, 应用式(3)可得:

对此方程中的NDVI_soil和NDVI_veg求解得:

对比以上3种方法, 方法1、2均较为简便, 不需实测数据即可进行估算。情况2是情况1中的特例, 因此方法3也适合情况1。用方法1和方法3分别确定2004年QuickBird影像的NDVI_soil和NDVI_veg值, 再将该参数代入式(3), 分别估算2004年样地1的植被覆盖度, 并将2004年样地1 (3年生)中的实际植被覆盖度与之对比, 结果(表 1)显示:对于相同的样地和样本, 方法1和方法3的平均相对误差分别为13.3%和10.9%, 方法3比方法1低2.4%;方法1和方法3的平均绝对误差分别为0.103和0.084, 方法3比方法1少0.019。但用2种方法估算的植被覆盖度平均相对误差都不大, 均在14%以内, 精度可达86%, 因此用方法1进行NDVI_soil和NDVI_veg的确定更为可行, 但方法3的精度略高。

4.3 NDVI像元二分法监测植被覆盖度结果与分析

用方法3确定2002年和2004年NDIV_soil和NDVI_veg值。为了去除奇异值, 分别提取样地1和样地2中对应样本中心点附近3×3像元的平均值作为样本点的植被覆盖度, 并与实测的垄内植被覆盖度作对比分析(表 2)。

1) 由表 2可看出, 用NDVI像元二分法计算植被覆盖度时, 绝对误差都不大, 2001年样地1、样地2绝对误差分别为0.2和0.06, 2004年样地1、样地2绝对误差分别为0.08和0.11。且平均绝对误差最大值出现在树龄为1年、平均实际植被覆盖度为0.29的样地里。

2) 由表 2可看出, 用NDVI像元二分法计算植被覆盖度时, 对于不同植被覆盖度的样地, 其平均相对误差差距较大。2002年样地1 (树龄为1年, 平均植被覆盖度为0.29)、样地2 (树龄为0.5年, 平均植被覆盖度为0.05)平均相对误差分别为70%和122%, 2004年样地1 (树龄为3年, 平均植被覆盖度为0.78)、样地2 (树龄为2.5年, 平均植被覆盖度为0.65)平均相对误差分别为11%和17%。由此可看出, 实际植被覆盖度越大, 则估计值的相对误差越小, 二者成反比。

3) 由表 2可以看出, 树龄在1年以内的2块样地(2002年样地1和样地2)的平均样本数为46.5, 其平均相对误差较大, 为81%, 其平均绝对误差不大, 仅0.13。树龄为2.5年的样地, 样本数为39, 其平均相对误差和平均绝对误差不大, 分别为17%和0.11;树龄在2.5年以上的2块样地(2004年样地1和样地2)的平均样本数同样为46.5, 其平均相对误差和平均绝对误差均不大, 分别为14%和0.095。

4) 由图 1可看到, 随着树龄的增加, 平均相对误差呈现出减小的趋势。树龄在0.5~2.5年的阶段, 平均相对误差变化的斜率较大; 至树龄为2.5~3年处, 平均相对误差折线的斜率变小, 减小的趋势变缓。

4.4 NDVI像元二分法监测植被覆盖度小结

由以上分析可知, 用NDVI像元二分法估算植被覆盖度对于树龄为1年以下的幼树, 绝对误差不大, 小于0.2, 但相对误差较大, 为70%以上。因此用该方法对1年以下的幼树(树冠小于1.3 m)进行植被覆盖度监测的效果不太理想; 用NDVI法估算2.5年以上的退耕苗木(树冠大于2.3 m), 则无论是相对误差还是绝对误差均不大, 相对误差在17%以内, 绝对误差在0.11 m以内, 因此可以认为用该方法对2.5年以上的退耕地进行植被覆盖度的监测, 其精度可达到83%以上。

2002年样地2中植被覆盖度的相对误差很大, 主要是因为该样地中的退耕苗木冠幅太小, 部分苗木树冠不足1个像元。2002年样地1中植被覆盖度相对误差仍很大, 一方面是因为苗木冠幅(平均仅1.29 m)仍不够大, 另一方面样地中部分苗木株间没有除草, 使得监测到的植被覆盖度比实际值偏大, 这也是造成相对误差较大的另一重要原因。

5 NDVI法估算植被覆盖度的应用

将校正后的2002年8月和2004年8月海南QuickBird影像用NDVI法分别计算植被覆盖度, 并将计算的植被覆盖度值相减, 则可得到2002年和2004年海南植被覆盖度差值图。最后将同一地区经过坐标匹配的退耕还林工程设计图与之进行叠加。图 2为叠加退耕还林工程设计图后的2004年与2002年的植被覆盖度变化图(黑白图片), 可以看出, 退耕地范围内的植被覆盖度有显著的增加(亮度越大, 则增加越多), 而土地类型没有发生变化的地块植被覆盖度变动很小。因此可以通过植被覆盖度变化图, 结合退耕还林工程设计图, 较为快速而又准确地判定退耕地的落实情况, 包括退耕地的位置、面积和生长情况。

6 结论与讨论

对于NDVI像元二分法模型中2个参数NDVI_soil和NDVI_veg的确定, 比较方法1、2, 方法1较方法2更为简便。由于方法1、2不需实测资料, 因此较方法3更为简便; 但用方法3确定的参数估算植被覆盖度, 精度较方法1高出2.4%。总体上讲, 用2种方法(方法1和方法3)确定的参数估测3年生树木的植被覆盖度精度都较高(能达到86%以上), 均能满足监测的需要。

QuickBird影像监测退耕地的植被覆盖度受到退耕苗木树冠大小的限制, 树龄小于1年(冠幅小于1.3 m)的树木监测效果不佳; 对树龄大于2.5年(冠幅大于2.3 m)的树木监测效果较好, 精度可达83%以上。

以退耕地前后期植被覆盖度的高变化率为监测依据, 利用QuickBird影像对退耕地面积、位置的落实情况以及退耕苗木的生长情况有较好的监测效果。但该方法对前后2期影像的匹配精度要求很高, 如果匹配不准, 则结果意义不大。另外, 2期影像的时相不宜相差太大, 且最好选在植被茂密的夏季。前期影像最好选择在退耕初期, 这样植被覆盖度的变化更大, 监测效果更好, 如果前期影像选在退耕前, 则不能显示退耕地苗木的生长变化情况, 因此也不能很好地指示退耕地及退耕苗木的情况。如图 2中样地3, 由于2002年还没退耕, 因此植被覆盖度变化图中植被覆盖度不增反减。

目前研究的对象主要是退耕地中的经济林(退耕政策要求株间除草), 退耕地内株间除草与否对植被覆盖度变化的监测有一定的影响, 如果没有除草, 则监测到的植被覆盖度会比实际植被覆盖度偏高, 2期对比可能出现植被覆盖度变化不够显著的现象。因此在对退耕地中的生态林进行监测时, 由于生态林没有要求株间除草, 在郁闭度较低时, 监测效果可能不佳。如图 2中样地1, 由于部分地块没有进行株间除草, 未除草部分植被覆盖度变化不太明显。因此, 对于退耕地中生态林的监测, 还需做进一步的探索。