Print

出版日期: 2017-01-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176016
2017 | Volumn21 | Number 1





                              上一篇|





下一篇
遥感应用
南方丘陵区植被覆盖度遥感估算的地形效应评估
expand article info 吴志杰1,2 , 何国金2 , 黄绍霖3,4 , 王猛猛2 , 林金堂1
1. 龙岩学院资源工程学院, 龙岩 364012
2. 中国科学院遥感与数字地球研究所, 北京 100094
3. 深圳市建筑科学研究院股份有限公司, 深圳 518049
4. 哈尔滨工业大学深圳研究生院, 深圳 518055
收稿日期: 2016-01-22; 修改日期: 2016-05-29; 优先数字出版日期: 2017-01-25
基金项目: 福建省自然科学基金（编号：2012D104）
第一作者简介: 吴志杰(1971-),男,副教授,研究方向为亚热带环境与资源遥感。E-mail:wuzhijiefj@163.com
中图分类号: TP79;Q948
文献标识码: A
文章编号: 1007-4619(2017)01-0159-09

摘要

植被覆盖变化是生态环境领域的核心研究内容之一，但其估算精度常受到地形效应、土壤背景、大气效应等各种因素影响。以Landsat 8 OLI为遥感数据源，基于像元二分模型，分别利用归一化差值植被指数（NDVI）、经Cosine-C校正的归一化差值植被指数（NDVI）和归一化差值山地植被指数（NDMVI）建立植被覆盖度估算模型，以评估南方丘陵区植被覆盖度的地形效应。结果表明，3种植被覆盖度估算模型均能削弱地形效应，但消除或抑制地形效应影响的能力不同。比较而言，基于NDMVI指数构建的植被覆盖度估算模型的地形效应最小，更适合地形复杂区域的植被覆盖度遥感估算；基于Cosine-C校正的NDVI植被指数构建的植被覆盖度估算模型的地形效应次之，但存在一定的过度校正现象；基于NDVI植被指数构建的植被覆盖度估算模型的地形效应最大，尤其当坡度≥10°时，阴坡植被覆盖度比阳坡明显偏低。

关键词

植被覆盖度 , NDVI , NDMVI , Cosine-C校正 , 地形效应

Terrain effects assessment on remotely sensed fractional vegetation cover in hilly area of southern China
expand article info WU Zhijie1,2 , HE Guojin2 , HUANG Shaolin3,4 , WANG Mengmeng2 , LIN Jintang1
1.College of Resources Engineering, Longyan University, Longyan 364012, China
2.Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences, Beijing 100094, China
3.Shenzhen Institute of Building Research Company Limited, Shenzhen 518049, China
4.Harbin Institute of Technology Shenzhen Graduate School, Shenzhen 518055, China

Abstract

Changes in Fractional Vegetation Cover (FVC) is one of the core research fields in eco-environment assessment. FVC estimation from satellite image is significantly influenced by the terrain, soil, and atmosphere. Among of them, terrain variation can arouse miscalculation of biomass information of similar kind of vegetation, and it is a main bottleneck of quantitative remote sensing of vegetation. Therefore, it is urgent to find a method of FVC estimation that can eliminate or reduce the effects of terrain variation, in order to improve the FVC estimation using the satellite data over mountainous and hilly areas. Taking Landsat 8 OLI image as a data source. Firstly, three vegetation indexes, including the normalized difference vegetation index (NDVI), Cosine-C corrected NDVI, and the normalized difference mountain vegetation Index (NDMVI), are estimated. Then FVC are calculated from three vegetation indexes, using a linear unmixing model. Finally, the impact of terrain variation of three estimation methods of FVC are assessed and compared, considering altitude, slope, aspect, and solar incident angle. five altitude ranges, (i.e. 100-400 m, 400-600 m, 600-800 m, 800-1000 m and ≥1000 m), 72 aspect ranges (from 0 to 360° with a 5° interval), four slope ranges (i.e. 0-10°, 10°-20°, 20°-30° and ≥30°), and ten solar incident angle ranges (i.e. 0-10°, 10°-20°, …, ≥90°) are considered, and the Coefficient of Variation (CV) is used to measure the impacts. The results show that the CV is minimal when the altitude is lower than 400 m, and the CV increases with the increasing altitude in three method. The minimal CV is 0.39%, -8.15% and -3.14% for NDVI-based method, NDVI-C based method and NDMVI-based method, respectively. The CV also increases with increasing slope. The CV of NDVI-based method reaches 11.5% when the slope is larger than 30°, indicating a significant impact of terrain variation. The CV of NDMVI-based method is slightly larger than that of NDVI-C based method when the slope is lower than 10°. The CV of NDMVI is the nearest to 0 when slope ranges from 20° to 30°, indicating a little impact of terrain variation. The terrain effects are reduced for all three VI-based methods. The NDMVI-based method has a best performance, and the terrain variation has little effect on FVC estimate. However, there is over-corrected phenomenon when the Cosine-C is corrected. The NDVI-based method has the poorest result, indicating that it is heavily influenced by the terrain variation when the slope is larger than 10°. The estimated FVC in shady slope is significantly lower than that of sunny slope. Based on the analysis above, it is shown that the NDMVI-based method can effectively eliminate or reduce the effects of terrain variation to improve the FVC estimation from the remote sensing data over mountainous and hilly areas in southern China. However, only Landsat 8 image with spatial resolution of 30 m is employed in this study. The magnitude of terrain effects may also depends on the spatial resolution of image. Therefore, further studies should be focused on terrain correction for high spatial resolution satellite image.

Key words

fractional vegetation cover , NDVI , NDMVI , Cosine-C correction , terrain effect

1 引言

植被覆盖度FVC (Fractional Vegetation Cover)是区域生态环境的重要指标，既可反映植被生长状况，又可表征区域生态环境状况(程红芳 等，2008；吴见 等，2013)。植被覆盖变化成为生态环境领域的核心研究内容之一(胡玉福 等，2014)。美国RUSLE土壤流失方程和中国土壤侵蚀分级标准等均需要植被覆盖度因子(赵善伦 等，2002；张春玲 等，2009)。遥感植被指数已被广泛应用于植被覆盖度估算，而像元二分模型估算方法是最常用的区域植被遥感动态监测技术(张宝庆 等，2011；马娜 等，2012)。

植被覆盖度估算精度常受到地形效应、土壤背景、大气效应等各种因素影响。复杂地形阴影的影响常导致遥感影像出现“同物异谱”特征，而地形差异也常会引起同类植被生物量信息估算误差(王培娟 等，2006；徐爽 等，2012)，地形效应成为山地植被信息定量遥感的主要障碍(段四波 等，2007；闻建光 等，2008)。研究表明非比值型植被指数(如RSR，MNDVI等)受地形影响强烈，比值型植被指数(SR、NDVI)虽然可以消除大量的地形噪声，但受崎岖地区的地形影响仍然很强烈(朱高龙 等，2013；姚晨 等，2009)。

南方丘陵山地植被覆盖度较高，但地形复杂且不规则。因此，本研究在选用常用的归一化差值植被指数(NDVI)的基础上，还选择能够有效消除或抑制地形影响的归一化差值山地植被指数NDMVI(Normalized Difference Mountain Vegetation Index)来估算植被覆盖度，并对比评估其地形效应，以探讨适合于南方丘陵地形复杂区植被覆盖度遥感估算的方法。

2 数据与研究方法

2.1 实验区概况

实验区为植被覆盖度高的福建省永定县，该县位于福建省西南部，与广东省大埔县接壤，汀江流域下游，其地理位置为北纬24°23′—25°06′，东经116°25′—117°05′，面积2216.3 km2。该县属中低山丘陵区，全境地形起伏较大，地势西南低、东北高，海拔最高达1503 m，相对落差约1400 m。气候属亚热带海洋性季风气候，湿热多雨，年均降雨量可达1800 mm，多年均气温20.1 ℃。植被覆盖度高，平均可达70%以上，且森林植被覆盖度受季节变化影响较小，每年10月份的森林植被仍然郁郁葱葱。

2.2 遥感数据处理

2.2.1 影像校正

遥感数据选用2014年10月17日获取的Landsat 8多光谱影像，太阳方位角为148.18°，太阳高度角为51.42°，同时也收集了30 m空间分辨率的DEM数据。影像数据预处理包括：(1) 使用DEM数据对多光谱影像进行正射校正，校正精度0.5个像元(RMS)；(2) 采用美国地质调查局(USGS)提供的辐射定标公式进行辐射校正，将Landsat 8 OLI各波段的像元灰度值(DN)转换为表观反射率(${\rho _\lambda }$)(张灿 等，2015)，减少由于日照和大气影响所带来的噪音。辐射定标模型为式(1)：

$ {\rho _\lambda } = \frac{{{M_\rho }{Q_{\rm {cal}}} + {A_\rho }}}{{\cos {\theta _{\rm {sz}}}}} $ (1)

式中，${\rho _\lambda }$为表观反射率；Qcal为像元DN值；θsz为太阳天顶角；Mρ 、Aρ 为相应波段的调整系数和偏差值。

2.2.2 反射率地形校正方法

在地形复杂地区，太阳入射角($ i $)是一个最重要的山区遥感干扰因子，也是卫星遥感影像地形校正及其效应评估的关键指标(Proy 等，1989)。基于DEM数据运用式(2)计算太阳入射角($ i $)的余弦值：

$ \cos i = \cos \delta \cos {\theta _{\rm {SZ}}} + \sin \delta \sin {\theta _{\rm {SZ}}}\cos (\beta - \omega ) $ (2)

式中，$ i $为太阳入射角，δ和β分别为坡度和坡向方位角，可由DEM数据计算获取；$\omega $为太阳方位角。

崎岖山区的地形校正和地物遥感反射率计算主要以朗伯体特性地表为假设前提(闻建光 等，2008)。地表直射光照射像元的反射辐射取决于坡面的直射入射辐射，天空和周围的散射辐射随方向变化很小，且对总反射辐射的贡献值很小(张宝庆 等，2011)。Cosine-C地形校正模型是目前较常用的半经验模型(Teillet 等，1982)，计算公式如下：

$ {\rho _{\rm H}} = {\rho _{\rm T}} \times (\cos {\theta _{\rm {SZ}}} + c)/(\cos i + c) $ (3)

式中，ρH和ρT分别为水平地面和斜坡地面像元的反射率；$c$为调节参数，$c = b/a$，$a$和$b$分别为ρT和cos$ i $线性回归方程的斜率和截距。

2.3 植被覆盖度模型选择

2.3.1 植被指数

NDVI指数由Rouse等人(1973)提出，它是最为广泛应用的植被指数。NDMVI指数由NDVI变换而来，能够减弱地形效应，可应用于复杂山区的植被指数(吴志杰 等，2011)。该指数只使用调节参数，不需引入外部参数，具有很强的可操作性和普适性。NDVI和NDMVI指数模型分别为式(4)和式(5)：

$ {\rm{NDVI}} = \frac{{({\rho _{{\rm{nir}}}} - {\rho _{{\rm{red}}}})}}{{({\rho _{{\rm{nir}}}} + {\rho _{{\rm{red}}}})}} $ (4)
$ {\rm{NDMVI}} = \frac{{({\rho _{{\rm{nir}}}} - {\rho _{{\rm{red}}}}) + ({R_{\min }} - NI{R_{\min }})}}{{({\rho _{{\rm{nir}}}} + {\rho _{{\rm{red}}}}) - ({R_{\min }} + NI{R_{\min }})}} $ (5)

式中，ρred、ρnir分别为经式(1)反演的红光波段、近红外波段的表观反射率，Rmin和NIRmin分别为红光波段和近红外波段表观反射率最小值。为了快速客观地获取Rmin和NIRmin，本文采用直接汇总统计的方法获取波段最小值，将整个研究区影像红光波段的反射率最小值赋予Rmin，近红外波段的反射率最小值赋给NIRmin，不需要剔除水体、建成区等信息，避免了其取值的主观性和不确定性。

2.3.2 植被覆盖度估算模型

像元二分模型是一种简单实用的植被覆盖度遥感估算模型，具有明确的物理含义，它假设每个像元地表均为植被覆盖部分与无植被(土壤)覆盖部分两个组份构成，那么传感器获取到的波谱信息就由两因子线性加权合成(Zribia 等，2003；李苗苗 等，2004)。植被覆盖度像元二分模型为公式(6)：

$ FVC = (S - {S_{{\rm{soil}}}})/({S_{{\rm{veg}}}} - {S_{{\rm{soil}}}}) $ (6)

式中，FVC代表植被覆盖度，S代表像元的植被指数，Sveg为完全由植被覆盖地表的植被指数信息，Ssoil为全裸土地表的植被指数信息。

基于像元二分法构建的植被覆盖度估算模型中，除了选择合适的植被指数外，最大的难点就是确定植被指数最大值和最小值。为了客观地比较不同模型估算结果，本研究不是人为选取全裸地或全植被覆盖区的指数值作为最小值和最大值，而是在置信度区间1%—99%取最小值与最大值。

2.4 地形效应评估方法

首先，对地形要素图进行分类处理。将高程、坡向、坡度等地形要素分级分类。制作成4种地形要素栅格分类图：(1) 高程分类图：将高程分成5个层级(即100—400 m，400—600 m，600—800 m，800—1000 m，≥1000 m)；(2) 坡向分类图：将坡向从0—360°均分成72级(即0—5°，5°—10°，10°—15°，······，355°—360°)；(3) 坡度分类图：将坡度分成4个等级(即0—10°，10°—20°，20°—30°，≥30°)；(4) 入射角分类图：将太阳入射角度按10°间隔分成10级(即0—10°，10°—20°，······，≥90°)。

其次，叠置处理与分区统计。将高程分类图与坡向分类图进行叠置处理，分割成含360种不同高程和坡向的分区图；将高程分类图与坡度分类图进行叠置处理，分割成含288种不同高程和坡度的分区图；将高程分类图与入射角分类图进行叠置处理，分割成含50种不同高程和入射角的分区图。应用ArcGIS软件分区统计功能，获取植被覆盖度在各分区的均值。

最后，构建定量评估指标：变异系数CV (Coefficient of Variation)。为评价地形要素对植被覆盖度的影响程度，本研究以阳坡与阴坡的植被覆盖度差异幅度来表示变异系数，公式如下：

$ {\rm{CV}} = {\rm{MD}}/{\rm{Mean}} \times 100\% $ (7)

式中，MD表示阳坡与阴坡植被覆盖度的均值差，Mean表示各坡向植被覆盖度的均值。

CV值越接近于0，阴阳坡植被覆盖度差异就越小，地形效应也越小；若CV为负值则表示阳坡小于阴坡的植被覆盖度，说明阳坡负偏离；若CV为正值则表示阳坡大于阴坡的植被覆盖度，说明阳坡正偏离。由于本研究所选用影像的太阳方位角和高度角分别为148.18°和51.42°，因此，选择地形效应显著的坡向90°—180°和270°—360°两个方向范围统计植被覆盖度均值，分别代表阳坡和阴坡。以此反映出植被覆盖度最大地形效应程度。

采用变异系数(CV)比较遥感估算植被覆盖度的坡向效应，其假设条件是某一高度或坡度等级内的阳坡与阴坡的实际植被覆盖度大体一样，其差异主要是由地形造成。但是实际上有些地区阴阳坡的植被种类、长势存在差异，从而造成不同坡向植被覆盖度的本身差异，遥感数据的地形效应有可能进一步加强或减弱这种差异。经过野外实地勘查发现，处于南亚热带实验区，其山地的阴坡水热条件也非常充沛，阴坡与阳坡的天然林长势极为接近，阳坡的植被覆盖度仅略大于阴坡，研究基本符合变异系数的使用条件。因此，本文选择3种遥感植被指数分别估算植被覆盖度，利用变异系数定量地对比评估地形效应的相对强弱，以期选择适宜南方丘陵山地的植被覆盖度遥感估算的方法。

3 结果分析

为了对比评估植被覆盖度的地形效应，选择3种不同方法分别估算研究区的植被覆盖度：第1种为基于表观反射率计算NDMVI植被指数后，估算的植被覆盖度用FVCNDMVI表示；第2种为基于表观反射率计算NDVI植被指数后，估算的植被覆盖度用FVCNDVI表示；第3种为采用Cosine-C模型进行地形校正表观反射率，再计算NDVI植被指数，估算的植被覆盖度用FVCNDVI-C表示。

为了研究复杂山地的地形效应的局部特征，还选择了永定县域内复杂山地作为实验区，实验区的相对落差达1200 m，图1为该实验区的植被覆盖度图和真彩色原始影像；图2为2014年永定县植被覆盖度和真彩色原始影像；图3和图4为2014年永定县植被覆盖度分区统计的极坐标图，其中，圆周代表坡向，半径代表植被覆盖度(用0—1表示)。


图 1 实验区2014年植被覆盖度图
Fig. 1 Images of fractional vegetation cover of experimental area in 2014


图 2 永定县2014年植被覆盖度图
Fig. 2 Images of fractional vegetation cover of Yongding County in 2014


图 3 不同高程的植被覆盖度随坡向变化图(圆周代表坡向，半径代表植被覆盖度)
Fig. 3 Variations of FVC with aspect in the study area (The polar angle represents aspect, and the radius represents the mean value of each FVC)


图 4 不同坡度的植被覆盖度随坡向变化图(圆周代表坡向，半径代表植被覆盖度)
Fig. 4 Variations of FVC with aspect in the study area (The polar angle represents aspect, and the radius represents the mean value of each FVC)

3.1 植被覆盖度的坡向效应分析

3.1.1 高程相同的植被覆盖度坡向效应比较

从图1可以定性地表明FVCNDMVI阴阳坡植被覆盖度相当，地形纹理最不明显，而FVCNDVI、FVCNDVI-C的阴阳坡植被覆盖度均存在差异，具有一定的地形纹理特征，比如图1中标注的3对阳阴坡植被覆盖度(A1—A2、B1—B2、C1—C2)。永定县域的植被覆盖度也呈现雷同的现象(图2(a)—(c))，尤其在植被覆盖度高的山地区域。

从表1定量对比分析，FVCNDMVI的变异系数最小，尤其在海拔600 m以上区域，说明FVCNDMVI随坡向变化很小，阴阳坡植被覆盖度较接近；FVCNDVI随坡向变化较明显，阴坡明显低于阳坡，地形坡向效应较明显；FVCNDVI-C阴坡均超过阳坡的植被覆盖度，其变异系数均为负值，且为FVCNDMVI变异系数的2—3倍，也说明Cosine-C地形校正模型存在一定的过校正现象。

表 1 变异系数(CV)与高程关系统计表
Table 1 Statistics of relation between CV and elevation

下载CSV 
变异系数 高程区间/m
0—1500 0—400 400—600 600—800 800—1000 1000—1500
FVCNDMVI变异系数/% –2.21 –3.45 –1.12 –0.26 –0.31 –0.22
FVCNDVI-C变异系数/% –6.07 –8.15 –4.87 –3.31 –2.41 –2.02
FVCNDVI变异系数/% 2.31 0.39 3.48 5.07 5.61 6.02

3.1.2 高程变化对植被覆盖度坡向效应的影响

从表1分析，可以反映出：

(1) 在海拔400 m以下，地表植被覆盖度比较低，随坡向变化较大且无规律，表征其受人类活动干扰大，系人类的居住与耕作区。随着高程增加，植被覆盖度也快速提升，直至1400 m左右转低，主要原因在于到了这个区域之后，植被类型转变为高山草甸植被(草甸植被的植被覆盖度低于林地的植被覆盖度)。

(2) FVCNDVI在海拔400 m以下坡向效应最小，变异系数仅为0.39%，但随着高程的增加变异系数急剧增加，当海拔超过400 m其坡向效应越来越明显。这是因为随海拔升高地面坡度逐渐变大，其变异系数越来越大，表现出阴坡的植被覆盖度明显比阳坡低的特征。

(3) FVCNDVI-C在海拔400 m以下坡向效应最大，变异系数达–8.15%。虽然随着高程增加，变异系数在逐渐降低，但均为负值，说明阴坡的植被覆盖度均大于阳坡。

(4) FVCNDMVI在海拔400 m以下变异系数为–3.45%，阳坡植被覆盖度小于阴坡，但随着海拔升高其变异系数快速地降低，当海拔超过600 m时其变异系数接近于0。说明海拔超过600 m时FVCNDMVI的坡向效应已很弱。

因为在海拔低于600 m的阳坡地区受人类活动干扰破坏比阴坡严重，使得阳坡植被覆盖度均值低于阴坡的现象，而海拔超过600 m的区域受人类活动干扰较少，天然林草保护较好，阴阳坡的植被种类和长势相当，所以，综合比较3种植被覆盖度的估算方法，FVCNDMVI的坡向效应最小，其估算结果更为接近实际植被覆盖情况；FVCNDVI存在阳坡正偏离；FVCNDVI-C存在阳坡负偏离，具有一定过校正现象(如图3所示)。

3.2 植被覆盖度的坡度效应

(1) 从图4可以看出，当坡度小于10°时，植被覆盖度比较低，且随坡向变化强烈。因为该区域海拔高度一般较低，属人类活动比较强烈的区域。植被覆盖度的坡向效应随坡度变化较强烈，明显强于随高程变化的坡向效应。FVCNDVI、FVCNDVI-C随着坡度变大，坡向效应更趋明显，说明二者的坡度效应较明显，而FVCNDMVI的坡度效应最小，随坡度变化不明显。

(2) 从表2分析，可以看出FVCNDVI-C随着坡度变化始终存在较大的阳坡负偏离现象。虽然随着坡度增加，其变异系数的绝对值在缓慢降低，但变异系数的绝对值始终在4.33%以上；当坡度小于10°时，FVCNDVI的变异系数最小(仅为–1.12%)，说明坡向效应最小。然而，随着坡度的增加，变异系数在加速上扬，坡度效应越发明显。当坡度大于30°时，变异系数高达11.5%，说明NDVI受地形坡度影响相当明显；当坡度小于10°时，FVCNDMVI的变异系数略大于FVCNDVI，但随着坡度增加变异系数的绝对值快速地降低，当坡度20°—30°时坡向效应最弱，对地形坡向最不敏感。综合来看，FVCNDMVI地形坡度效应最小。

表 2 变异系数(CV)与坡度关系统计表
Table 2 Statistics of relation between CV and slope

下载CSV 
变异系数 坡度分级
0—10° 10°—20° 20°—30° > 30°
FVCNDMVI的变异系数/% –3.31 –2.07 0.14 1.57
FVCNDVI-C的变异系数/% –6.04 –6.05 –4.63 –4.33
FVCNDVI的变异系数/% –1.12 2.15 6.79 11.50

3.3 植被覆盖度估算结果分析

从表3可知，FVCNDVI、FVCNDVI-C和FVCNDMVI的均值分别为81.32%、82.14%和82.53%，用3种模型估算研究区的植被覆盖度均值接近，FVCNDMVI和FVCNDVI-C的均值更为接近，二者差值仅0.39%(不到0.5个百分点)。然而，若从植被覆盖度的分布看，3种模型估算结果存在较大的差异，抑制地形阴影影响的能力不同；主要差异表现在高覆盖度的区域面积占比不同，如FVCNDMVI、FVCNDVI-C和FVCNDVI高植被覆盖度(90%—100%)区域面积分别占53.79%、43.53%和40.63%，这些高植被覆盖区域主要分布在海拔较高地区，差异部分主要处于高海拔地区的阴坡。经实地现场勘查对比，此区域大多森林茂密，阴坡和阳坡的植被覆盖度均非常高，但由FVCNDVI-C、FVCNDVI两种方法估算的阴坡植被覆盖度仅为80%—90%，比实际情况偏低。究其原因，高海拔区域(600—1200 m)地形复杂，森林植被受人类活动干扰和破坏少，基本保持了高植被覆盖度的水平。需要有效抑制地形影响的遥感估算模型，才能更准确地估算出地形复杂区的植被覆盖度。从表3分析结果，表明FVCNDVI-C、FVCNDVI两种模型方法抑制地形影响的效果还略显不足，比较而言，利用NDMVI指数模型估算植被覆盖度，可更明显地削弱阴坡植被覆盖度的地形效应，从而提高植被覆盖度的遥感估算精度。

表 3 2014年永定县植被覆盖度统计表
Table 3 Statistics of FVC of the study area in 2014

下载CSV 
植被覆盖度 面积占比/% 面积占比差值/%
FVCNDVI FVCNDVI-C FVCNDMVI FVCNDMVI-FVCNDVI-C FVCNDMVI-FVCNDVI
0—10% 1.60 1.37 1.88 0.52 0.28
10%—20% 0.87 0.67 0.87 0.20 0.00
20%—30% 1.06 1.04 1.10 0.06 0.04
30%—40% 1.47 1.39 1.60 0.20 0.12
40%—50% 2.18 2.12 2.25 0.13 0.06
50%—60% 3.11 3.05 3.05 0.00 –0.06
60%—70% 4.85 4.66 4.36 –0.30 –0.49
70%—80% 11.00 9.61 7.96 –1.66 –3.05
80%—90% 33.19 32.54 23.14 –9.40 –10.05
90%—100% 40.63 43.53 53.79 10.25 13.15
FVC的均值 81.32 82.14 82.53 0.39 1.21

4 结论

以南方丘陵地区为实验区，Landsat 8 OLI为数据源，基于像元二分模型，分别利用NDVI植被指数、经Cosine-C校正的NDVI植被指数和NDMVI植被指数建立植被覆盖度估算模型，评估南方丘陵区植被覆盖度遥感估算受高程、坡向和坡度等地形因素的影响程度。本文可以得出以下结论：

研究结果说明归一化差值山地植被指数(NDMVI)能更为有效地消除或抑制地形效应影响，有助于提高地形复杂山区的植被覆盖度遥感估算精度。基于3种方法计算的植被覆盖度均不同程度地削弱地形效应，但其抑制地形阴影影响的能力不同。比较而言，NDMVI指数模型估算的植被覆盖度的地形效应最小；经C余弦模型反射率校正的NDVI指数估算植被覆盖度的地形效应次之，但存在一定过校正现象；未经C余弦模型反射率校正的NDVI指数估算植被覆盖度的地形效应最大，尤其当坡度≥10°时，阴坡植被覆盖度比阳坡明显偏低。本研究解决了在地形复杂山区提高遥感估算植被覆盖度精度的实际问题。

虽然比值型植被指数(如NDVI)可以消除大量的地形噪声，但在坡度变化较大的地形复杂山区地形影响仍然很强烈，且最大地形效应发生在阴坡和阳坡，C余弦校正模型能削弱NDVI植被指数的地形效应，这与朱高龙(2013)的结论基本一致。但研究发现C余弦校正模型会产生一定的过校正现象。在此基础上，本文提出选用归一化差值山地植被指数能更有效地消除或抑制地形效应影响，可以进一步提高植被覆盖度估算精度，而且该指数只使用调节参数，不需引入外部参数，具有很强的可操作性。

当然，为了评估研究区植被覆盖度的地形影响，本文假定了10°坡度、5°坡向间隔内植被覆盖度的变化只受地形因素影响，忽略别的干扰因素，主要目的是为方便分析地形对植被覆盖度的影响，但对其仍可能存在一定的不确定性需要做进一步详尽调查。同时，本文仅考虑了同一期30 m空间分辨的Landsat 8卫星影像的地形效应问题，但随着影像的空间分辨率变化，其地形效应强弱也随之变化，尤其是对高空间分辨率影像。因此，不仅需要进一步研究不同空间分辨率影像的地形效应问题，还需进一步研究不同太阳高度角影像的地形效应问题，并进一步优化能有效消除和抑制地形影响的植被覆盖度遥感估算模型及其方法。

参考文献(References)

数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献