1 研究目的

遥感为大量的数据更新创造了有利条件^[1]，由于技术的发展和适宜的重访周期，能够在各种情况下实现对同一地点地表信息的周期性观测^[2]，为矿产开发管理提供服务^[3]。完整、连续、规范化的时间序列数据，才能够提供研究对象的更多信息，也才能够更全面地了解和更深入的了解^[4]。

有效监测植被污染的现状和变化是空间遥感技术的优势。南方某稀土矿区地处典型的高植被覆盖山区，稀土矿矿山长期的开采导致生态环境脆弱。本项目的主要研究目标是运用遥感方法进行矿产资源开发对植被污染信息的调查，证实运用遥感技术对矿产资源周围植被污染信息进行监测的可行性，为在更大范围内推行矿产资源植被遥感调查奠定理论和实践基础。

2 植被指数

植被指数是遥感监测地面植物生长和分布的一种方法。由于不同绿色植被对不同波长光的吸收率不同，光线照射在植物上时，近红外波段的光大部分被植物反射，而可见光波段的光则大部分被植物吸收，通过对近红外和红光波段反射率的线性或非线性组合，可以消除地物光谱产生的影响，得到的特征指数称为植被指数。植被指数是遥感领域中用来表征地表植被覆盖、生长状况的一个简单与有效的度量参数^[5]。确定遥感植被指数的目的是要建立一种经验的或半经验的、强有效的、对地球上所有生物群体都适用的植被观测量。植被指数是无量纲量，是利用叶冠的光学参数提取的独特的光谱信号（特别是在红色和近红外光谱区的信号），适用于开展对植被的辐射度量。其主要优势是简单，除了辐射观测之外，不需要其他的辅助资料，也没有假设条件。问题的关键就是如何有效地综合各观测通道的信息，在增强植被信号的同时使非植被信号最小化。

许多研究已经说明红色通道和近红外通道反射能量与地表植被量有关。由于光合作用植物叶绿素对光的吸收，随着植物的成长，反射的红光能量降低。另一方面，健康植物对近红外波段的辐射吸收很少，反射的近红外波段的能量随着植物的成长而增加。但由于被植物叶冠反射并到达卫星传感器的辐射量与太阳辐射、大气条件、非光合作用植物、叶冠背景、叶冠结构和成分等许多因素有关，所以不可能使用单一的光谱测量来量化植物生物的物理参数。这个问题可以用两个或更多通道辐射资料的组合建立综合“植被指数”的方法来解决。

比值处理采用高质量比值功能，使比值图像得到拉伸，有效地消除了地形影响，使阴影区的结构得到显示。处理出来的图像色彩丰富，既保留了原有地貌特征，又突出了线环构造，为矿区的研究提供了更为直观可靠的资料，立体感得到增强，阴影区结构清楚。比值法适用于对多波段图像进行增强处理，突出不同地物的波谱特征差别，而且有效减轻阴影对植被的影响。比值植被指数（RVI）是最早的植被指数：RVI=NIR/RED。但对于浓密植物，反射的红光辐射很小，VI将无限增大。Deering^[6]提出如下形式的“归一化差分植被指数”（NDVI-Normalized Difference Vegetation Index），将比值限定在[-1, 1]范围内：

(1)

式中：R_NIR-植被在近红外波段的反射率；

R_R-植被在红光波段的反射率。

植被由于活性叶片的叶肉组织在近红外波段具有较高的反射率，叶绿素的吸收作用在红光波段具有低的反射率，因此，绿色植被的NDVI值趋向于1。相反，云、水和雪在红光波段的反射率比近红外波段大，NDVI为负值；岩石和裸土在这两个波段的反射率相似，NDVI值接近0。由于利用了植被冠层对电磁波谱中红色和近红外两个波谱段反射能量的光谱对比特性，NDVI对植被测量是强有力的，同时也很敏感。目前，在已有的40多种植被指数定义中，只有NDVI得到了广泛应用。这里，部分原因是“比值”的特有属性，通过比值可以消除大部分与太阳角、地形、云、暗影和大气条件有关的辐照度条件的变化，增强了NDVI对植被的响应能力。NDVI是广泛应用于定性和定量评价植被覆盖与生长活力的指标，将多波谱数据变换成唯一的图像波段显示植被分布。

在诸多植被指数中，笔者主要采用了归一化植被指数（NDVI）来提取植被绿度信息。在快鸟数据中，3波段和4波段分别为红光波段和近红外波段。代入到公式（1）中可以得到反映植被状况的单波段灰度图像。NDVI值指示着像元中绿色植被的数量，较高的NDVI值预示着较多的绿色植被。同样，它也显示出植被健康程度。本次研究获得的快鸟图像是12月份的数据，虽然已是冬季，但是对于南方仍是植被长势较好的季节，可以忽略植被自身生长状况对反射率的影响，因此，受开矿污染的植被信息一定反映在NDVI低值区。对NDVI单波段图像进行密度分割（见图 1），得到反映植被污染的影像图。密度分割图像中，植被与水体及开矿地区的分界线比较清楚，很容易确定临界值，因此，将非植被覆盖区给予黑色。

归一化植被单波段图中灰度值在-0.4007~0.6293之间，图中矿区、泥沙、居民区等地的灰度值-0.4007~0.1600被赋予黑色，参考归一化植被单波段直方图的概率分布频数统计的转折点，来确定临界点。将灰度值在0.1601~0.2500，0.2501~0.3884，0.3885~0.4396和0.4397~0.6293依次赋予红色（植被严重污染区）、黄色（植被中等污染区）、蓝色（植被可能污染区）、绿色（植被茂盛区）。从图中可以清楚地看到由于矿山开发活动产生的污染源对植被的影响，严重污染的植被大都分布在矿山周围以及泥沙附近。植被长势稍好的地区在矿区周围，植被长势较差的地区都远离矿区。

3 植被绿度

许多地面、飞机和卫星观测已显示NDVI对叶冠背景的亮度过分敏感。所有研究表明，当背景反射率或“亮度”增加时，NDVI也系统性地增加，叶冠辐射传输模式证实了这一点。一个普遍的误解，对背景污染的考虑只有在稀疏植被、干旱或半干旱地区才重要，因为在这些地区背景的频谱变化最大。可是，大多数研究和模拟表明，在中等程度的植被区，如潮湿或次潮湿土地覆盖类型（含开阔森林），NDVI对背景的敏感度最大。Bausch^[7]指出，红色通道背景反射率在0.06~0.33之间，当LAI（叶面积指数）为0、1、2时，叶冠背景反射对NDVI有影响，分别为0.2、0.3、0.2。LAI>2时，背景影响消失，即又出现“饱和”问题。人们已经提出一些减少背景反射对NDVI影响的方法。Richardson^[8]介绍了使用“土壤线”的概念对观测场特定背景进行修正的垂直植被指数（PVI）。“土壤线”是土壤背景的“亮度”为0的植被基线。植被指数可用于“基线”的相对值来度量。Clevers^[9]发现加权差分植被指数（WDVI）能减少背景效应，极大地改善LAI估计。Elvidge和Chen^[10]的研究表明波段较窄的通道作为植被指数的输入资料可以减少较宽波段通道中出现的与背景有关的问题。Major等人^[11]提出了一系列基于比值的植被指数，有效地估计出了用简单反射率模式得到的植被等值线的斜率。有一些人在研究中利用简单的反射率模式得到的植被等值线方程，Huete^[12]发展了土壤调节植被指数（SAVI），提供一种全球的初级背景修正方法。Baret等^[13]用转换的土壤调节植被指数（TSAVI）改进了SAVI。参照前人摸索的经验方法思路，笔者参照了植被在红光波段与近红外波段坐标系中的散点图特征^[14]进行了如下研究。

3.1 植被视面内坐标旋转

科学家们研究发现，在红光波段和近红外波段的坐标系下，影像的灰度值分布都存在着如下典型的特征。图 2是某一幅包含10 000个像元数的多光谱特征趋势图。为了更好地分析植被生长过程中植被与土壤特征的变化，将红光波段和近红外波段两分量（图 2植被在红光波段和近红外波段坐标下的生长特征图）组成的二维平面叫做“植被视面”。

上图中反映出植被在生长过程中，各生长阶段在植被视面中的位置。左图中白色直线代表土壤线，当植物还没有发芽时，各种裸露的土壤由湿土壤逐步过渡到干土壤形成一条土壤线，也就是说，湿土壤在红光波段和近红外波段反射值比较低，反之，干土壤发射值高。在植被生长成熟时，它反射更多的近红外能量，同时又为了光合作用而吸收较多的红光辐射通量，这就引起植被光谱反射值沿垂直于土壤线的方向远离土壤线。当植被叶面逐渐增多和植被覆盖度逐渐增大时，植被区域就会在红光和近红外光谱空间里更远离土壤线。右图显示的则是在典型的生长期内一个植被单元如何在红光和近红外光谱空间内移动的，白色曲线表示植物的生长移动过程。在生长初期，植被单元还没有破土发芽，位于在红光和近红外低反射的裸露的湿土壤区内；当植被生长时，它逐渐离开土壤线，直到最终达到完全的植被覆盖，此时，它反射的近红外辐射通量最高而红光发射最低。在植被达到茂盛时期后，此植被单元逐渐衰老枯萎，在干燥条件下又回落到裸露的干土壤线上^[15]。

为了便于进行密度分割和直观统计分析，将原坐标系逆时针旋转，使土壤线与横坐标轴平行，那么纵坐标轴则显示的是反映植被生长状况的绿度信息。从几何意义来看，变换后的空间坐标系与变换前的多光谱空间坐标系相比旋转了一个角度。从物理意义上来说，它是绿色植物对近红外波段的强反射和对可见光红波段的强吸收特征的复合，是用于监测植物生长状况的一个很有用的指数。它同地表植被覆盖状况、叶面积指数及生物量密切相关，并随景观环境中的植被荣枯周期呈有序的变化，在理论上它显示的是独立于土壤背景之外的纯植被信息，消除和减轻了土壤背景值对植物光谱的影响，可以直观地分析植被生长过程中的植被长势^[16]。

设红光波段与近红外波段的坐标系为x-y，旋转后的坐标系为x'-y'，且x'坐标与土壤线平行（图 3坐标旋转示意图）。设原坐标系x-y中点坐标为x（a，b），坐标旋转后，在x'-y'坐标系下的坐标为：

(2)

(3)

(4)

(5)

则旋转后的坐标中亮度值与原坐标系的亮度值之间具有如下计算关系：

(6)

3.2 植被绿度信息提取

图 4为稀土矿区快鸟图象3和4波段图像的二维散点图。对图中土壤线上的点（包括主矿区、泥沙区、果园区、居民生活区、公路区等地171个样点）进行采样分析线性回归（见图 5），回归出线性土壤线方程y=0.8082x+27.477。其中斜率为0.8082，则角度α=38.9462°，线性回归方程拟合度R²达到0.965。通过对原始快鸟图像3和4波段进行波段运算，得到新坐标系下的图像（见图 6）。对反映绿度信息的分量图像，即旋转后的纵轴图像进行密度分割则得到反映植被绿度信息的彩色图（见图 7）。

植被绿度单波段图中灰度值在-142.4276~433.7397之间，图中低于土壤线（主要是矿区、泥沙区、居民区）的灰度值-142.4276~135.8415被赋予黑色，参考绿度单波段直方图的概率分布频数统计的转折点，将绿度分量值135.8416 ~160.3579，160.3580 ~189.2571，189.2572 ~221.5438和221.5439~433.7397依次被赋予红色（植被严重污染区）、黄色（植被中等污染区）、蓝色（植被可能污染区）、绿色（植被茂盛区）。植被重度污染区主要分布于稀土矿区和泥沙周围，说明开采稀土矿区成为主要污染源，也不排除在一定程度上由矿区采矿的人为活动对植被长势的影响。靠近矿区的植被为中等污染区，这是因为在开采稀土矿时，采用各种酸性液体，各种残留的微量元素会影响周围植被的生长。酸性废水的流动使得污染物扩散，在离矿区不太远的地方为植被可能污染区。植被长势茂盛的地区一般都远离矿区周围。

4 结语

由于南方离子型稀土矿区的开采使得各种酸性液体在土壤中富集，影响了植被根部对有机物质的吸收。本文首先采用常规的归一化指数对植被污染信息提取，发现效果不够理想。由于植被受多种因素的影响，随后根据植被在近红外和红外波段的二维散点图特征，通过将坐标旋转，获得了消除土壤信息干扰，较真实的植被受污染影响不同程度的信息，此方法比较适合矿区植被茂密区应用。

缓解南方离子型稀土矿开采引发的植被污染问题，需采用复垦措施与开采稀土矿工程相结合的技术，以促进稀土矿区的可持续发展。