论文部分内容阅读
摘 要：本文主要基于多源遥感数据，以沙特吉赞省为例，对遥感影像进行了归一化值被植数（NDVI）的提取，并根据像元二分模型原理估算出研究区的植被覆盖度，结果表明：该地区植被覆盖度整体较低，高植被覆盖区主要集中在东部山地以及多处东西向河谷区域。低植被覆盖区面积占比73%左右，中高及高植被覆盖区面积占比10%左右。
关键词：多源遥感 植被覆盖度 NDVI 像元二分模型
中图分类号：Q948；TP79 文献标识码：A 文章编号：1674-098X（2019）03（b）-0154-04
Abstract： This paper is mainly based on multi-source remote sensing data. take Saudi Arabia as an example， the normalized image was extracted from the remotely sensed image （NDVI）， and estimate the vegetation coverage of the study area according to the pixel binary model principle. the results show： overall coverage of vegetation in the area is low， The high vegetation coverage area is mainly concentrated in the eastern mountainous areas and in many east-west river valley areas. Low vegetation coverage area accounts for about 73%， medium and high vegetation coverage area accounts for about 10%.
Key Words： Multi-source remote sensing； Vegetation coverage； NDVI； Pixel binary model
植被覆盖度是衡量地表植被状况的一个最重要的指标，在生态、土地沙漠化评价、水土流失监测和分布式水文模型中都将植被覆盖度作为重要输入参数。植被覆盖度测算的传统方法是地面测量，最简单的方法就是目估法，还有样方法、样带法、样点法等，以及借助于采样仪器的测量方法，由于野外调查难度大，成本较高，抽样覆盖面小，难以在大范围内快速提取植被覆盖信息，因此应用受到一定限制。遥感技术的发展为准确及时的获取大面积区域植被覆盖度信息提供了可能。目前利用遙感技术估算植被覆盖度的方法很多，其中应用较多的方法是植被覆盖度与光谱指数的相关分析法，回归模型法以及像元二分模型法等，本研究区是建立在像元二分模型的基础上近似估算吉赞省（2008年、2014年、2018年）三期的植被覆盖度。
1 研究区概况及数据源
1.1 研究区概况
吉赞省位于沙特阿拉伯西南部，是沙特阿拉伯面积最小的省份，与也门接壤，西临红海，位于东经42°～43.8°，北纬16.5°～17°之间，面积约为1.2万km2。平均最高温度为38.5°，最低温度为29°，冬季平均最高温度为30°，最低温度为21°。地形多样，沿海地区从北向南延伸，海拔高度为100m，该地区沼泽和盐沼分布较多，其中Tohama地区为吉赞最肥沃的地区，Sarwat山位于吉赞省东部，该地区陡峭多岩，海拔高度超过1800m。此外，吉赞省从北到南分布有许多河谷，洪水通过这些河谷从东部山区流向西部，直至到达红海。吉赞省还包括位于红海上的100多个岛屿，全省可分为3个部分：内陆、林区和平原地区。内陆是绵延的山脉，林区有丰盛的牧草，平原地区盛产农作物，如：咖啡豆、谷类作物（大麦、小米和小麦）和水果（苹果、香蕉、葡萄、芒果、木瓜、李子、柑橘）等。
1.2 数据源
本研究区约1.2万km2，综合应用了3类数据：2008年Landsat-5数据、2014年Landsat-8数据、2018年Landsat-8数据以及2018年国产GF-1数据。其中Landsat TM/OLI数据，空间分辨率为30m，云量均小于10%，下载于“地理空间数据云”网址（http：//www.gscloud.cn）。高分一号数据，空间分辨率为16m，来源于“中国资源卫星应用中心”。详细情况见表1。
2 研究方法
2.1 遥感图像预处理
采用专业遥感图像处理软件ENVI5.3，对工作区内三期（2008年、2014年、2018年） Landsat遥感影像分别进行辐射定标、大气校正、几何配准后，再根据吉赞区行政界矢量进行研究区域有效范围裁剪、镶嵌、影像增强等处理，旨在减少大气和太阳高度角变化等带来的误差，各项预处理的原理和方法在相关文献中都有介绍，在此不再赘述。
2.2 提取归一化植被指数
归一化植被指数最初由Rouse等人提出，是目前应用最广泛的一种植被指数。因为其有高灵敏度的优点，能够消除大部分的噪音、辐射、阴影等带来的误差，并根据植被的反射光谱特征，用植被对红光波段和近红外波段的光谱通道组合，所获得的植被指数来提取植被信息。DNVI计算公式如下：
应用在Landsat_5TM和GF-1遥感影像波段中，反射值为第三通道和第四通道，在Landsat8 OLT_TIRS 遥影像波段中，反射值为第四通道和第五通道。最后的输出结果是灰图像，较亮的部分表明其植被长势较好，覆盖度较高。
2.3 植被覆盖度估算
（1）像元二分模型原理。
假设一个像元的地表由有植被覆盖部分地表与无植被覆盖部分地表组成，而遥感传感器观测到的光谱信息也由这两个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率。 像元二分模型实际上是基于Ssoil与SvegP这2个调节因子秘做的线性拉伸，即将大气、土壤背景与植被类型等对遥感信息的影响降至最低，只留下植被覆盖度的信息。
（2）NDVI估算植被覆盖度。
基于归一化植被指数（NDVI）对绿色植被表现敏感，能更好的适应植被盖度稀疏和盖度差异悬殊的地区，应用比较广泛，常被用来进行区域植被状态调查。公式如下：
VFC=（（NDVI）-（NDVI）min）/（（NDVI）max-（NDVI）min）式中：
VFC为植被覆盖度；（NDVI）min，（NDVI）max分别为最小、最大归一化植被指数值。（NDVI）min=NDVIsoil+噪声DN值，（NDVI）max=NDVIveg-噪声DN值。
通常NDVI的正常值在-1～1之间，提取中可能会存在异常值（小于-1或大于1）的情况，需要对异常值进行处理，方法有两种：一是异常值存在不多时，通过波段运算，在bandmath中输入：（float（b1） lt （-1））* （-1） +（float（b1） gt 1）*1+（float（b1） ge （-1） and float（b1） le 1）*float（b1）；二是异常值过多时，在bandmath 中输入：-1>b1<1。
2.4 植被覆盖度的分级
植被覆盖度的分级标准，参照“土壤侵蚀分类分级标准（SL190—96）”中的植被盖度分级标准，同时结合监测过程中的实际情况，分为高、中高、中、中低、低5级。如表2所示。
3 植被覆盖度提取结果分析
3.1 成果总体特征分析
结果分析显示，研究区植被覆盖度整体较低，高植被覆盖区主要集中在东部山地以及多处东西向河谷区域。低植被覆盖区面积占比73%左右，中高及高植被覆盖区面积占比10%左右，研究区植被覆盖度统计表如表3，研究区植被覆盖度占比图1所示。
3.2 成果空间变化特征分析
2008—2014年，植被覆盖度主要变化特征为，东部山地依然保持为高植被覆盖集中区，但是东部山区省界处植被覆盖略有降低；东南部山区以及多处东西向河谷地区植被覆盖度提升明显。整体呈现出西部平原河谷区植被覆盖度提升、东部山区略有下降的特点。
2014—2018年，植被覆盖度主要变化特征为，东部山区高植被覆盖区形成连片大面积闭合区域，植被覆盖度提升明显；南部人类聚集区的河谷地带植被覆盖度有所下降。整体呈现植被覆盖度东部山区上升，河谷人类聚居区下降的特点。如图2所示。
对变化原因进行简要分析，认为数据时相对各年度植被覆盖度变化具有重要影响。2008年与2014年数据时相为11月份，2018年为7月份。受数据时相影响，西部平原河谷区农作物播种与长势情况差异显著，东部山区自然植被同样会受到部分影响。
3.3 成果空间变化程度分析
2008—2014年，低植被覆盖区面积占比减少9.32%，占研究区总面积的7.34%；中植被覆盖区面积减少33.45%，占研究区总面积的2.47%。同时，中低植被覆盖区面积增加68.63%，占研究区总面积的5.02%；高植被覆盖区面积增加69.97%，占研究区总面积的3.9%。整体来看，上述6年间，该区域植被覆盖度存在上升趋势。
2014—2018年，低植被覆盖区面积占比增加2.69%，占研究区总面积的1.93%；高被覆盖区面积减少21.36%，占研究区总面积的2.02%，上述4年间，该区域植被覆盖度存在下降趋势。
总体来看，研究区三年度不同地区植被覆盖度存在“此消彼长”的特征，即平原河谷农作物种植区植被覆盖度呈现先增加后减少的特征，而东部山区植被覆盖度呈现先减少后增加的特点。但同时，各年度各类型植被覆盖度面积总量占比相对平稳。均为低植被覆盖区面积占比最大，其次为中低植被覆盖区，中高植被覆盖区面积占比最小。如表4所示。
4 结语
（1）植被覆盖度整体较低。
受到当地气候条件等因素影响，研究区植被覆盖度整体较低，2008、2014以及2018年度，该地区低植被覆盖区面积占比均在73%左右，中高及高植被覆盖区面积占比10%左右。
（2）高植被覆盖区主要集中在山区及平原河谷区。
根据调查结果显示，高植被覆盖区主要集中在东部山地以及多处东西向河谷区域。东部山区主要以林地分布为主，而东西向河谷区域同时也是当地人类聚居区，除部分天然植被以外，农作物的耕种也是该区域植被覆盖度较高的主要原因。
（3）平原河谷区植被以耕地为主，植被覆盖度变化受人工影响显著。
根据调查结果显示，受到不同月份的影響，研究区平原河谷区植被覆盖度存在较为显著的变化。结合高分辨率遥感影像判读，可见该区域农作物为主要的植被类型，天然植被占比相对较低。
参考文献
[1] 胡振琪，陈涛.基于ERDAS的矿区植被覆盖度遥感信息提取研究[J].西北林学院学报，2008，23（2）：164-167.
[2] 贾维花，廉丽姝，等.基于TM数据的黄河三角洲地区植被覆盖度提取[J].地理信息世界，2012：12.
[3] 张晓东，刘湘南，赵志鹏.基于像元二分法的盐池县植被覆盖度与地质灾害点时空格局分析[J].国土资源遥感，2018，30（2）：195-201.
[4] 张宇婷，张振飞.新疆大南湖荒漠1992—2014年间植被覆盖度遥感研究[J].国土资源遥感，2018，30（1）：187-195.
[5] 杨钱，席武俊.基于Landsat影像的楚雄市2002—2016年植被覆盖度变化研究[J].世界生态学，2018，7（3）：143-152.
关键词：多源遥感 植被覆盖度 NDVI 像元二分模型
中图分类号：Q948；TP79 文献标识码：A 文章编号：1674-098X（2019）03（b）-0154-04
Abstract： This paper is mainly based on multi-source remote sensing data. take Saudi Arabia as an example， the normalized image was extracted from the remotely sensed image （NDVI）， and estimate the vegetation coverage of the study area according to the pixel binary model principle. the results show： overall coverage of vegetation in the area is low， The high vegetation coverage area is mainly concentrated in the eastern mountainous areas and in many east-west river valley areas. Low vegetation coverage area accounts for about 73%， medium and high vegetation coverage area accounts for about 10%.
Key Words： Multi-source remote sensing； Vegetation coverage； NDVI； Pixel binary model
植被覆盖度是衡量地表植被状况的一个最重要的指标，在生态、土地沙漠化评价、水土流失监测和分布式水文模型中都将植被覆盖度作为重要输入参数。植被覆盖度测算的传统方法是地面测量，最简单的方法就是目估法，还有样方法、样带法、样点法等，以及借助于采样仪器的测量方法，由于野外调查难度大，成本较高，抽样覆盖面小，难以在大范围内快速提取植被覆盖信息，因此应用受到一定限制。遥感技术的发展为准确及时的获取大面积区域植被覆盖度信息提供了可能。目前利用遙感技术估算植被覆盖度的方法很多，其中应用较多的方法是植被覆盖度与光谱指数的相关分析法，回归模型法以及像元二分模型法等，本研究区是建立在像元二分模型的基础上近似估算吉赞省（2008年、2014年、2018年）三期的植被覆盖度。
1 研究区概况及数据源
1.1 研究区概况
吉赞省位于沙特阿拉伯西南部，是沙特阿拉伯面积最小的省份，与也门接壤，西临红海，位于东经42°～43.8°，北纬16.5°～17°之间，面积约为1.2万km2。平均最高温度为38.5°，最低温度为29°，冬季平均最高温度为30°，最低温度为21°。地形多样，沿海地区从北向南延伸，海拔高度为100m，该地区沼泽和盐沼分布较多，其中Tohama地区为吉赞最肥沃的地区，Sarwat山位于吉赞省东部，该地区陡峭多岩，海拔高度超过1800m。此外，吉赞省从北到南分布有许多河谷，洪水通过这些河谷从东部山区流向西部，直至到达红海。吉赞省还包括位于红海上的100多个岛屿，全省可分为3个部分：内陆、林区和平原地区。内陆是绵延的山脉，林区有丰盛的牧草，平原地区盛产农作物，如：咖啡豆、谷类作物（大麦、小米和小麦）和水果（苹果、香蕉、葡萄、芒果、木瓜、李子、柑橘）等。
1.2 数据源
本研究区约1.2万km2，综合应用了3类数据：2008年Landsat-5数据、2014年Landsat-8数据、2018年Landsat-8数据以及2018年国产GF-1数据。其中Landsat TM/OLI数据，空间分辨率为30m，云量均小于10%，下载于“地理空间数据云”网址（http：//www.gscloud.cn）。高分一号数据，空间分辨率为16m，来源于“中国资源卫星应用中心”。详细情况见表1。
2 研究方法
2.1 遥感图像预处理
采用专业遥感图像处理软件ENVI5.3，对工作区内三期（2008年、2014年、2018年） Landsat遥感影像分别进行辐射定标、大气校正、几何配准后，再根据吉赞区行政界矢量进行研究区域有效范围裁剪、镶嵌、影像增强等处理，旨在减少大气和太阳高度角变化等带来的误差，各项预处理的原理和方法在相关文献中都有介绍，在此不再赘述。
2.2 提取归一化植被指数
归一化植被指数最初由Rouse等人提出，是目前应用最广泛的一种植被指数。因为其有高灵敏度的优点，能够消除大部分的噪音、辐射、阴影等带来的误差，并根据植被的反射光谱特征，用植被对红光波段和近红外波段的光谱通道组合，所获得的植被指数来提取植被信息。DNVI计算公式如下：
应用在Landsat_5TM和GF-1遥感影像波段中，反射值为第三通道和第四通道，在Landsat8 OLT_TIRS 遥影像波段中，反射值为第四通道和第五通道。最后的输出结果是灰图像，较亮的部分表明其植被长势较好，覆盖度较高。
2.3 植被覆盖度估算
（1）像元二分模型原理。
假设一个像元的地表由有植被覆盖部分地表与无植被覆盖部分地表组成，而遥感传感器观测到的光谱信息也由这两个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率。 像元二分模型实际上是基于Ssoil与SvegP这2个调节因子秘做的线性拉伸，即将大气、土壤背景与植被类型等对遥感信息的影响降至最低，只留下植被覆盖度的信息。
（2）NDVI估算植被覆盖度。
基于归一化植被指数（NDVI）对绿色植被表现敏感，能更好的适应植被盖度稀疏和盖度差异悬殊的地区，应用比较广泛，常被用来进行区域植被状态调查。公式如下：
VFC=（（NDVI）-（NDVI）min）/（（NDVI）max-（NDVI）min）式中：
VFC为植被覆盖度；（NDVI）min，（NDVI）max分别为最小、最大归一化植被指数值。（NDVI）min=NDVIsoil+噪声DN值，（NDVI）max=NDVIveg-噪声DN值。
通常NDVI的正常值在-1～1之间，提取中可能会存在异常值（小于-1或大于1）的情况，需要对异常值进行处理，方法有两种：一是异常值存在不多时，通过波段运算，在bandmath中输入：（float（b1） lt （-1））* （-1） +（float（b1） gt 1）*1+（float（b1） ge （-1） and float（b1） le 1）*float（b1）；二是异常值过多时，在bandmath 中输入：-1>b1<1。
2.4 植被覆盖度的分级
植被覆盖度的分级标准，参照“土壤侵蚀分类分级标准（SL190—96）”中的植被盖度分级标准，同时结合监测过程中的实际情况，分为高、中高、中、中低、低5级。如表2所示。
3 植被覆盖度提取结果分析
3.1 成果总体特征分析
结果分析显示，研究区植被覆盖度整体较低，高植被覆盖区主要集中在东部山地以及多处东西向河谷区域。低植被覆盖区面积占比73%左右，中高及高植被覆盖区面积占比10%左右，研究区植被覆盖度统计表如表3，研究区植被覆盖度占比图1所示。
3.2 成果空间变化特征分析
2008—2014年，植被覆盖度主要变化特征为，东部山地依然保持为高植被覆盖集中区，但是东部山区省界处植被覆盖略有降低；东南部山区以及多处东西向河谷地区植被覆盖度提升明显。整体呈现出西部平原河谷区植被覆盖度提升、东部山区略有下降的特点。
2014—2018年，植被覆盖度主要变化特征为，东部山区高植被覆盖区形成连片大面积闭合区域，植被覆盖度提升明显；南部人类聚集区的河谷地带植被覆盖度有所下降。整体呈现植被覆盖度东部山区上升，河谷人类聚居区下降的特点。如图2所示。
对变化原因进行简要分析，认为数据时相对各年度植被覆盖度变化具有重要影响。2008年与2014年数据时相为11月份，2018年为7月份。受数据时相影响，西部平原河谷区农作物播种与长势情况差异显著，东部山区自然植被同样会受到部分影响。
3.3 成果空间变化程度分析
2008—2014年，低植被覆盖区面积占比减少9.32%，占研究区总面积的7.34%；中植被覆盖区面积减少33.45%，占研究区总面积的2.47%。同时，中低植被覆盖区面积增加68.63%，占研究区总面积的5.02%；高植被覆盖区面积增加69.97%，占研究区总面积的3.9%。整体来看，上述6年间，该区域植被覆盖度存在上升趋势。
2014—2018年，低植被覆盖区面积占比增加2.69%，占研究区总面积的1.93%；高被覆盖区面积减少21.36%，占研究区总面积的2.02%，上述4年间，该区域植被覆盖度存在下降趋势。
总体来看，研究区三年度不同地区植被覆盖度存在“此消彼长”的特征，即平原河谷农作物种植区植被覆盖度呈现先增加后减少的特征，而东部山区植被覆盖度呈现先减少后增加的特点。但同时，各年度各类型植被覆盖度面积总量占比相对平稳。均为低植被覆盖区面积占比最大，其次为中低植被覆盖区，中高植被覆盖区面积占比最小。如表4所示。
4 结语
（1）植被覆盖度整体较低。
受到当地气候条件等因素影响，研究区植被覆盖度整体较低，2008、2014以及2018年度，该地区低植被覆盖区面积占比均在73%左右，中高及高植被覆盖区面积占比10%左右。
（2）高植被覆盖区主要集中在山区及平原河谷区。
根据调查结果显示，高植被覆盖区主要集中在东部山地以及多处东西向河谷区域。东部山区主要以林地分布为主，而东西向河谷区域同时也是当地人类聚居区，除部分天然植被以外，农作物的耕种也是该区域植被覆盖度较高的主要原因。
（3）平原河谷区植被以耕地为主，植被覆盖度变化受人工影响显著。
根据调查结果显示，受到不同月份的影響，研究区平原河谷区植被覆盖度存在较为显著的变化。结合高分辨率遥感影像判读，可见该区域农作物为主要的植被类型，天然植被占比相对较低。
参考文献
[1] 胡振琪，陈涛.基于ERDAS的矿区植被覆盖度遥感信息提取研究[J].西北林学院学报，2008，23（2）：164-167.
[2] 贾维花，廉丽姝，等.基于TM数据的黄河三角洲地区植被覆盖度提取[J].地理信息世界，2012：12.
[3] 张晓东，刘湘南，赵志鹏.基于像元二分法的盐池县植被覆盖度与地质灾害点时空格局分析[J].国土资源遥感，2018，30（2）：195-201.
[4] 张宇婷，张振飞.新疆大南湖荒漠1992—2014年间植被覆盖度遥感研究[J].国土资源遥感，2018，30（1）：187-195.
[5] 杨钱，席武俊.基于Landsat影像的楚雄市2002—2016年植被覆盖度变化研究[J].世界生态学，2018，7（3）：143-152.