植被覆盖率的遥感研究进展_精品文档资料下载.pdf
《植被覆盖率的遥感研究进展_精品文档资料下载.pdf》由会员分享,可在线阅读,更多相关《植被覆盖率的遥感研究进展_精品文档资料下载.pdf(5页珍藏版)》请在冰豆网上搜索。
Q948.2文献标识码:
A文章编号:
1001-070X(2004)01-0001-050引言植被覆盖率作为反映地表信息的重要参数,一直是植被遥感领域的重要研究课题。
测量植被覆盖率的方法可分为地表实测和遥感监测两种。
由于植被覆盖率具有显著的时空分异特性,因而,遥感已成为估算植被覆盖率的主要技术手段。
绿色植物或作物的覆盖率通常定义为绿叶的垂直投影面积与土壤总面积之比,它是植被冠层形状、植被空间分布、叶子倾角及重叠所形成的参量,与植被的光谱特征无关,但是,利用遥感手段反演植被覆盖率时,必须要用到反射率和植被光谱,二者随太阳天顶角、观测角、土壤背景和大气条件等因素的不同而变化,因此,研究覆盖率反演问题是一个很复杂的过程,必须要研究植被自身的几何特征,研究地表反射率和植被光谱,以及它们受太阳天顶角、观测角和土壤背景等因素的影响方式和影响程度,属于多角度遥感研究领域中的重要内容。
本文主要针对植被覆盖率反演中的问题进行探讨。
1植被覆盖率遥感研究的主要方法1.1混合光谱模型方法目前,利用线性混合理论对混合光谱进行应用和解释是较为普遍的方法。
张良培1对线性混合理论做了很好地论述,他认为,由不同物质形成的混合光谱可以表达成每种单物质(Endmember)光谱的线性组合,即R=aRa+bRb+cRc+,
(1)式中,a、b、c等是加权系数;
Ra、Rb、Rc等是单物质的反射比。
在实际应用中,加权系数被认为是各种单成分物质在混合区域内(一个像元内)所占的面积,与其覆盖率有很大关系。
其物理含义是,各个单成分物质的光谱是单独存在的,混合光谱是在单成分光谱进入传感器后形成的。
基于这样的理论,许多遥感学家提出了用线性光谱模型计算植被覆盖率,文献2提出的模型为C=1-G2(RgRvr-RrRvg)(G1Rvr-Rvg)
(2)式中,G1=Rsg/Rsr,G2=Rsir/Rsr;
Rg、Rr分别是混合像元在绿波段和红波段的反射率;
Rvg和Rvr分别是纯植被在绿波段和红波段的反射率;
Rsg、Rsr和Rsir分别是纯土壤绿波段、红波段和近红外波段的反射率。
研究发现,G1和G2随着土壤含水量增加保持一个常数,但随土壤类型的不同而变化。
这个模型的主要缺点是输入参数较多,在实际应用中根据土壤类型确定G1和G2值较繁琐。
根据禹城实验站实测数据验证发现,这个模型往往会高估植被覆盖率,误差较大。
文献2提到的另一个根据混合光谱理论推算植被覆盖率的模型为C=(Q-Qs)/(Qv-Qs)(3)式中,Q为植被与土壤混合光谱宽波段(0.4um1.1um)反射率;
Qv为纯作物宽波段反射率;
Qs为纯土壤宽波段反射率。
通常卫星所获得的遥感数据都是窄波段的反射率,将窄波段反射率换算成宽波收稿日期:
2003-09-01;
修订日期:
2003-12-02第1期,总第59期国土资源遥感No.1,20042004年3月15日REMOTESENSINGFORLAND&
RESOURCESMar.,2004段反射率属于尺度转换理论研究范畴,较为复杂,而且转换也存在一定的偏差。
上述两个模型是把土壤和植被作为组成像元的单物质成分,是最粗略的考虑方法。
在此基础上进一步细分,考虑到阴影效应对混合光谱的影响(图1),遥感学家们建立了多维分量的混合光谱模型。
图1表观覆盖率示意图A-传感器所视部分;
B-太阳光照部分;
C-传感器所视和太阳光照部分文献3使用的模型为Q(K)=miQmi(K)+msQms(K)+giQgi(K)+gsQgs(K)(4)式中,mi、ms、gi和gs分别是太阳直射植被部分、阴影中植被部分、太阳直射土壤部分及阴影中土壤部分各自占整个像元面积的比例,它们的总和为1;
Q是混合像元反射率。
Qmi、Qms、Qgi和Qgs分别是太阳直射植被部分、阴影中植被部分、太阳直射土壤部分和阴影中土壤部分各自像元的反射率。
这就是通常所说的4分量光谱模型。
相似地,文献4中的模型为R(K)=fvRv(K)+fvRisRis(K)+fssRss(K)(5)式中,fv、fis和fss分别是植被部分、太阳直射土壤部分和阴影中土壤部分各自占整个像元面积的比例,它们的总和为1;
R是混合像元反射率。
Rv、Ris和Rss分别是植被部分、太阳直射植被部分和阴影中土壤部分各自的像元反射率。
与式(4)相比,此模型只是将太阳直射植被部分与阴影中植被部分看作一个整体,在原理上二者没有任何区别。
虽然这种多维分量混合光谱模型在理论上更加准确和贴近现实,但目前的遥感图像处理技术很难对阴影区植被和土壤与非阴影区植被和土壤进行区分,它们各自的反射率更加难以取得,因此,这种模型的应用有很大的局限性。
从以上4个模型的形式来看,混合光谱模型都需要纯土壤和纯植被的反射率来计算覆盖率,那么,如何在遥感图像上确定纯土壤像元和纯植被像元的位置,进而获得它们的反射率是比较复杂的。
利用地面定标的方法虽然可以解决这个问题,但需要耗费一定的人力和物力,且很不方便。
总体来说,混合光谱模型估算植被覆盖率方法要考虑的参数比较多,这些参数的获取又相对比较复杂,因此应用有一定的难度。
1.2植被指数方法在遥感应用领域,植被指数作为反映地表植被信息的最重要信息源,已广泛用来定性和定量评价植被覆盖及其生长活力。
用植被指数方法估算植被覆盖率广泛研究于90年代初。
DuncanJ,StowD5等曾研究了墨西哥荒漠地区灌木林覆盖率与NDVI的关系,得到了较好的关系模型;
LarssonH6分别从TM、MSS和SPOT卫星图像数据估算植被指数,并建立了阿拉伯森林地区植被指数与覆盖率的关系模型;
中科院植物所的池宏康7等通过分析沙地反射机理,建立了沙地油蒿群落盖度与修正后的土壤调节植被指数(MSAVI)之间的关系模型。
众所周知,关系模型只适用于特定地区和特定的时间,因此应用起来有很大的局限性。
与关系模型相比,下面的模型应用更加方便也更加普遍。
1992年,张仁华2提出了植被覆盖率与植被指数的模型C=(NDVI-NDVIs)/(NDVIv-NDVIs)(6)式中,NDVIv、NDVIs分别为纯植被与纯土壤的植被指数;
NDVI为被求的地块或像元点的植被指数。
这个模型的关键就是要确定NDVIv和ND-VIs,它们决定了模型的准确性。
与(6)式类似,在考虑植被垂直密度大小的情况下,2001年陈云浩8等发展了一套计算区域植被覆盖度的亚像元分解模型。
当像元中植被类型较为单一且植被垂直密度足够高(叶面积指数LAIy)时,对应的NDVIvyNDVI,设NDVI0是非植被覆盖部分的NDVI值,于是有下式C=(NDVI-NDVI0)/(NDVI-NDVI0)(7)与此类似,像元中植被类型较为单一,但植被垂直密度较小(LAI)时,有下式C=(NDVI-NDVI0)/(NDVIv-NDVI0)(8)式中,NDVIv=NDVI-(NDVI-NDVI0)exp(-klg);
k是消光系数。
显然,这种单纯利用NDVI计算植被覆盖率的模型较混合光谱模型方法更为简单方便,但NDVI计算有很大的不确定性:
一是它受大气和土壤的影响较大;
二是当植被生长到一定程度(2LAI3)#2#国土资源遥感2004年时,NDVI反映植被长势的敏感性显著减弱,而且确定纯土壤和纯植被NDVI值也有一定的难度。
因此,这种模型的计算结果也有一定的误差。
根据我们的实验数据计算显示,式(6)的误差在10%左右。
2002年,Gitelson9等通过植被光谱的分析,指出了用通过红光和近红外反射辐射计算的NDVI值推算植被覆盖率的不准确性,提出了一个可见光植被指数VIg=(Rg-Rr)/(Rg+Rr)和一个抗大气影响的可见光植被指数VARIg=(Rg-Rr)/(Rg+Rr-Rb),并经过模拟实验指出这两个植被指数与植被覆盖率有很好的相关性,后者效果更好。
很显然,无论是混合光谱模型还是植被指数模型都没有考虑角度特征对植被覆盖率估算的影响。
这种影响主要来源于植被的二向反射特性对多角度植被光谱的影响,是一个不容忽视的影响因素。
这种与角度有关的覆盖率,我们称之为方向覆盖率。
虽然苏红波10等利用计算机可视化技术实现了植被方向覆盖率的提取;
PeterRJ11利用ATSR-2卫星的双角度对地观测特征对植被覆盖率进行了估算,但他们都没有给出有效估算方向覆盖率的数学模型,有待进一步研究。
2植被覆盖率反演的影响因素2.1植被特征的影响自然界中植被种类复杂多样,不同种类的植被具有不同的几何特征。
遥感反演中的几何光学模型就是利用植被几何特征发展起来的。
植被冠层的形状、叶子倾角和植被空间分布共同决定了植被的投影特征以及叶间的和植被间的重叠特征,从而影响了在不同太阳角度下太阳直接照射植被面积的比例以及在不同观测角度下视场中植被所占的比例,进而对估算植被覆盖率产生了很大影响。
覃文汉12运用综合解析模型讨论了植被空间结构对NDVI的影响,指出植被结构非均匀性对NDVI的影响非常显著;
苏红波、张仁华10等利用Opengl语言模拟了椭圆形、圆锥形和圆柱形3种冠层植被呈自由分布、边缘分布、中心分布和南北行分布情况下植被覆盖率随观测角度的变化,证明了植被覆盖率与植被的几何特征和观测角度有很大的关系。
2.2角度的影响2.2.1太阳天顶角的影响太阳天顶角(SZA)决定了植被投影产生的阴影大小和位置。
遥感学家们已经对不同植被的红光和近红外反射波谱随太阳天顶角的变化做了大量研究。
早在1983年,Pinter13等研究了小麦的反射波谱和植被指数与太阳天顶角的依赖关系,指出在观测天顶角为零时,随着太阳天顶角的增加,红光的反射值随之减少,近红外的反射值随之变化不太明显,NDVI值随之增加,正午时分,NDVI值出现最小值。
其原因是,随着太阳天顶角的增加,阴影部分的比例增大,天空散射光和太阳直射光比例增大,这样使得整个反射辐射均变小,而且太阳照射植被数量增加,红光吸收较多,因此,红光的反射值随之减小,而植被对近红外波段的反射作用和透过作用都很强,因此情况较为复杂。
Ranson14也研究了作物冠层在可见光和中红外波段反射值的日变化。
Li和Strahler15针对松树林发展了一个3维模型,可以计算出阳光照射部分植被及阴影部分植被的比例;
Kimes16对松树林研究也证实了太阳天顶角与冠层反射有一定的关系;
Ranson17在1987年研究了阴影效应对植被各波段反射波谱的影响,也得出了与Pinter相似的结论;
GaoW18在对草地冠层二向反射模型的应用中,指出了与Pinter和Ranson相同的结论,同时也指出,观测天顶角越大,NDVI随太阳天顶角的变化越不敏感。
2.2.2观测角度的影响观测角度对传感器接收到的反射波谱的影响分观测天顶角和观测方位角两个方面。
如果说太阳天顶角对传感器接收到的可见光和近红外反射波谱产生的影响是因为阴影效应的话,那么,观测天顶角对其产生的影响就是因为视场内地表各组分所占比例变化造成的。
在太阳天顶角较大时,BarnsleyMJ19对甜菜地和草地等5块实验地进行航天飞机观测,得出可见光波段反射率随着观测天顶角的增加而增加,天顶角为0b时出现最小值,在-45b+45b之间的正午时分基本以0b呈对称分布的结论。
因为,在SZA较大时,阴影的数量较多,随着观测天顶角的增加,视场中的植被组分增加,下层阴影减少,从而反射率随观测天顶角增加而增加。
李云梅,等20对水稻冠层二向反射特性进行观测,