利用计算机技术对遥感影像进行水体信息的提取方法, 可分为单波段法和多波段法^[1]。其后, 研究人员先后又提出了阈值法、差值法、比值法、密度分割法、比率测算法、基于先验知识的水体自动判别方法和基于形状等相关信息进行水体提取的方法^[2]。使用遥感影像估算植被覆盖度的一种常用方法是基于对植被信息敏感, 同时对背景信息不敏感的植被指数与植被覆盖度之间的关系, 建立估算植被覆盖度的回归模型(也可以直接用植被指数来表示植被覆盖度而不建立回归模型)。另一种方法则是认为一个像元可以分解为植被信息和非植被信息, 这样可估算出研究区的植被覆盖度^[3], 即在像元二分模型的原理基础上, 认为通过遥感传感器所观测到的信息(S)可以表达为由绿色植被部分所贡献的信息(S_V)和由无植被覆盖(裸土)部分所贡献的信息(S_S)两部分,即 S=S_V+S_S。

1 研究区及数据介绍

阜康市位于新疆维吾尔自治区中北部, 地理坐标为北纬43°45′~45°30′, 东经87°46′~88°44′(见图 1)。本地区具有新疆地区典型地理地貌特征(山地-绿洲-荒漠石流)^[4]。由于河流较窄、水浅, 河流两侧植被信息明显, 河床岩石丰富, 因此本文尝试直接利用影像提取河流水体。根据踏勘分析实际情况, 实验区的特征地物可大体上分为煤矿、植被、水体和荒原。

本文选用了1998-2013年美国陆地卫星(Landsat)的TM/OLI数据, Landsat的重复周期为16 d, 卫星上携带了两种不同的遥感器主题成像传感器, 分别为多光谱扫描仪MSS与专题制图扫描仪TM(thematic mapper), 均采用的是扫描镜进行机械扫描的成像方式。2013 年2 月11 号, NASA 成功发射了Landsat 8卫星, 卫星上携带有两个主要载荷: OLI 和TIRS。Landsat 8 数据和其他TM 数据类似, 发布的数据标示 L1T, 已做过地形参与的几何校正, 一般情况下可以直接使用而不需要做几何校正。

2 径流和植被覆盖度的提取

谱间关系法一直被普遍使用在水体提取领域。文献[5]对鄱阳湖等实验区的水体进行了提取, 得出如下结论: Landsat影像TM2和TM3、TM4、TM5分别相加, 这样就可以增大水体与阴影光谱值之间的差异, 而且通过比较研究发现, 只有水体符合如下的特征:

$\text{TM}2\text{+TM}3＞\text{TM}5$

(1)

利用这种方法对于本实验的河流的提取工作是失败的, 见图 2(a), 分析主要原因是水流湍急, 且水浅、河道窄。由于河道旁树木浓密, 遮盖了本就不太明显的河流信息。为了准确地确定阈值, 提取出水体信息, 本文对实验区涉及到的特征地物(即煤矿、植被、荒原和水体), 通过多种组合进行对比和认真的研判, 确定提取水体的最佳算法^[6]。

本文选取了2000年6月6日的TM5、2001年8月6日的TM5和2013年7月4日的OLI资料的煤矿、植被、水体和荒原等特征地区不同波段所计算的水体指数进行统计比较。

根据图 3所求的一系列水体指数, 为提取水体(2011年8月16日的TM5) , 可用如下步骤: ①利用(TM3-TM4) /(TM3+TM4) ＞-0.3区分出了水体与植被, 但未区分出荒原、水体和煤矿；②利用(TM2-TM3) /(TM2+TM3) ＜0.005区分出了水体与荒原及煤矿, 见图 2(b)。

三波段梯度差植被指数(TGDVI)为:

$\left\{ \begin{align} & \text{TGDVI=}\frac{{{R}_{ir}}{{R}_{r}}}{{{\lambda }_{ir}}-{{\lambda }_{r}}}-\frac{{{R}_{r}}-{{R}_{g}}}{{{\lambda }_{r}}-{{\lambda }_{g}}} \\ & \text{TGDVI}=0,若\text{TGDVI}0 \\ \end{align} \right.$

(2)

式中, R_ir、λ_ir分别指近红外波段的反射率以及相对应的波段波长； R_r、λ_r分别指红光波段的反射率以及相对应的波段波长；R_g、λ_g分别指绿光波段的反射率以及相应的波段波长。

普遍使用的像元二分模型是假设建立在遥感传感器所获得的信息仅由植被与土壤信息组成^[7],则植被覆盖的面积比为:

$\left\{ \begin{align} & {{F}_{c}}=\left( \text{NDVI}-\text{NDV}{{\text{I}}_{\text{soil}}} \right)/\left( \text{NDV}{{\text{I}}_{\text{veg}}}-\text{NDV}{{\text{I}}_{\text{soil}}} \right) \\ & \text{TGDVI}={{F}_{c}}\cdot \left[ \frac{{{R}_{sir}}-{{R}_{sr}}}{{{\lambda }_{ir}}-{{\lambda }_{r}}}-\frac{{{R}_{sr}}-{{R}_{sg}}}{{{\lambda }_{r}}-{{\lambda }_{g}}} \right] \\ \end{align} \right.$

(3)

式中, F_c指植被覆盖的面积比；NDVI指遥感影像中各像元所具有的NDVI值；NDVI_soil则是指纯裸土像元所具有的NDVI值；NDVI_veg为纯植被像元所具有的NDVI值。利用像元二分模型确定植被覆盖度时, 确定式(3) 中NDVI_soil和NDVI_veg的准确值非常关键。

三波段最大梯度差法模型^[8](TGDVI model)是依据地物生物物理的光谱特性, 采用了近红外波段、红光波段、绿光波段3个波段梯度差与全覆盖植被在这3个波段的梯度差之比来获取植被覆盖度。该模型假设在绿光、红光、近红外波段影像上植被、土壤面积比不随波段的变化而变化,并假定在所选定波段上,土壤光谱随波长呈线性变化。根据对比分析, 植被覆盖度基于TGDVI完成了1998-2013年间新疆阜康地区的植被覆盖的分析(见图 4)与河流面积变化分析(见图 5)。

3 结束语

本文对于新疆阜康矿区径流信息进行了提取, 并分析了本区径流变化对于植被覆盖度的变化影像, 结果较为理想, 然而矿区的径流变化与植被变化分析监测作为一项长期的工作, 有待进一步研究^[9]。

1) 数据源问题。本次实验分析研究主要应用 Landsat 数据, 数据单一且精度中等, 下一步可以考虑使用多源数据类型, 完善长时间序列的径流与植被覆盖变化分析。

2) 混合像元的问题。利用改进的水体提取方案进行水体提取工作时, 由于径流宽度普遍较窄等原因, 混合像元大量存在, 容易出现错分、漏分现象。

3) 植被覆盖度提取时, 采用了三波段梯度法, TGDVI 在计算植被覆盖度时也没有考虑植被、土壤面积比随波长的变化情况, 与实际情况存在差异,可能会影响TGDVI的精度和使用效果。