摘 要
針對傳統植被覆蓋度估算方法只能估算高密度覆蓋的綠色光合植被的問題，該文提出了一種可進行綠色光合植被、非綠色光合植被和裸地覆蓋度估算的方法，選取博爾塔拉蒙古自治州2010年和2016年的Landsat TM/OLI影像，通過構建NDVI-DFI特徵空間提取端元特徵值，運用像元三分模型估算，並與像元二分模型估算結果和實地採樣估算結果對比。結果表明：像元三分模型估算與實際情況相符，且精度較好。2016年博州地區植被覆蓋度較2010年增長顯著，生態環境得到明顯改善。像元三分模型能夠較好地估算光合/非光合植被覆蓋度，提高遙感獲取植被信息的能力，為科學評估生態環境質量提供參考。
引用格式
唐夢迎，丁建麗，夏楠，等．博爾塔拉蒙古自治州植被覆蓋度估算［Ｊ］．測繪科學，２０１９，４４（７）：７４-８１．
正文
引言
植被覆蓋度是乾旱區荒漠化過程發展或逆轉的重要指示因子。對乾旱區生態系統來說，植被在物質能量交換、大氣及水文循環等方面扮演的作用尤為顯著
[1-2]。如何掌握植被覆蓋信息，對區域生態環境保護具有重要意義。遙感技術具有易操作，成本低，可週期性重複的特點能夠宏觀地提取植被覆蓋信息。常用的像元二分法[3-4]在提取混合像元植被蓋度信息時僅考慮光合植被（PV）和裸地（BS）兩種組分，而自然界植被不僅包含綠色健康的光合植被（PV）也包含乾枯的非光和植被（NPV）[5-6]。在乾旱區存在大量NPV[7]，忽略NPV而估算植被覆蓋度是不嚴謹的。文獻[8]首次提出運用像元三分模型估算植被覆蓋度，並構建基於高光譜和多光譜圖像的像元三分模型，較好地估算了澳大利亞熱帶稀疏草原區的fPV和fNPV的時空分佈。文獻[9]利用NDVI-DFI特徵空間構建像元三分模型，估算出fPV和fNPV時空動態變化與牧草物候發育特徵相吻合，說明該方法能較好地提取區域的fPV和fNPV 。文獻[10-11]運用線性模型可以較好估算區域局部的NPV。文獻[12]基於多源數據計算博州地區的植被覆蓋度，分析了不同月份植被覆蓋度的空間差異，但對於植被變化的驅動因素考慮較少。上述研究表明了像元三分模型對於估算植被覆蓋度具有一定的實用性，但相關研究較少，目前僅應用於草原植被覆蓋度的估算及草原火災預測，而乾旱區同樣存在較多NPV和BS，對此需進行進一步探討。
本文研究區設定為“一帶一路”沿線新疆地區發展的重要窗口之一—博爾塔拉蒙古自治州，藉助不同時間尺度的landsat TM/OLI數據，利用像元三分模型估算植被覆蓋度，通過高清影像和實地採樣分析評價估算結果，探討影響該區植被覆蓋度變化的驅動因素，為推廣以NDVI-DFI特徵空間為技術條件的像元三分模型在新疆乾旱半乾旱地區的適用性提供研究基礎，以及為該區生態環境監測和保護提供數據支撐。
1 研究區概況
博爾塔拉蒙古自治州，以下簡稱博州，下轄博樂市、精河縣、溫泉縣和阿拉山口市，地理座標範圍是79°56′～83°52′E， 44°01′～45°24′N，北部和西部與哈薩克斯坦國接壤，東部和南部分別與塔城地區和伊犁地區相毗鄰。地貌特徵三面環山，東南部瑪依力山，西北部阿拉套山，南部婆羅科努山。地形西高東低，最大高程差近1 300 m。該地屬於溫帶大陸性氣候，年均氣溫5.6℃，極端最高氣溫44℃，極端最低氣溫—36℃，年均降水量
181 mm，年均潛在蒸發量1 500~2 000 mm。主要土壤類型為鹽鹼土、沙質土、鈣積土和石膏土等。主要植被類型為耐旱耐鹽鹼的灌木和小半灌木，如梭梭(Haloxy lon ammo dendron)、檉柳（Tamarix laxa willd）、鹽節木（halocnemum strobilaceum）和蘆葦（Phragimites australis）等。農作物主要以棉花為支柱產業，此外還有玉米、小麥和枸杞等高產量作物。
圖1 研究區及採樣點分佈圖
Fig.1 Distribution Map of Study Area and Sampling Points
2 數據與方法
2.1數據來源和處理
本研究中植被覆蓋度估算所使用的遙感影像數據為Landsat TM/OLI數據集（空間分辨率為30 m，重訪週期16 d），下載於http://glovis.usgs.gov。選取時間為2010年8月9日和2016年8月16日拍攝於當地植被生長較好的時期，且雲量較低。首先對每景遙感影像進行輻射定標，將DN（digital number）值轉化為反射率值。然後利用艾比湖流域的矢量邊界，分別對遙感數據進行鑲嵌和裁剪後得到研究區域影像數據。最後用閾值法對影像中的雲量和水體作掩膜處理。
2.2 採樣點佈設
一些研究學者提出[13-14]，垂直照相法結合數字圖像處理計算植被覆蓋度的方法便捷客觀，計算精度高，而考慮到目估法測量植被覆蓋度的不確定性，因此需採點驗證。採樣點的佈設不僅要遵循均勻性原則，還需要考慮道路的可達性，區域代表性和研究區範圍。考慮上述因素，以艾比湖、主要河流周邊、綠洲農場以及沙漠邊緣為重點區域，佈設49個採樣點，獲取植被覆蓋度的垂直拍攝照片，主要圍繞0，0.25，0.50，0.75和1.00共5個等級範圍進行驗證，並用GPS記錄採樣點座標。
2.3 研究方法
1）歸一化植被指數。歸一化植被指數（normalized difference vegetation index，NDVI）是遙感觀測PV的一個重要的指示因子，其特點是操作簡單，植被指示性和地域適用性都較強，公式見式（1）。
式中：BandNIR是近紅外波段，BandR是紅光波段，其中Landsat TM影像的BandNIR都是第4波段，BandR是第3波段，而Landsat OLI的BandNIR和BandR分別是第5波段和第4波段。
2）乾枯燃料指數DFI（dead fuel index）。文獻[15]研究發現NPV和BS在650 nm和850 nm處的反射率高於PV；在1 650 nm NPV和BS的反射率低於PV，在2 100 nm，NPV的反射率在PV和BS之間。這些特徵波段對應於Landsat TM波段由低到高依次為BandR（紅光）、BandNIR（近紅外）、BandSWIR1（短波紅外1）和BandSWIR2（短波紅外2），即Band3、Band4、Band5和Band7；對應Landsat 8_OLI的波段依次為Band4、Band5、Band
6和Band7。其計算公式如式（2）所示，式中將結果乘以100，目的是為突顯DFI值的差異性。
3） NDVI-DFI特徵空間。假定待測像元有NPV、PV和BS 3個組分，其NDVI和DFI指數符合線性關係，其各種比例組合像元的NDVI-DFI特徵空間會表現為三角形（圖2）。NPV的NDVI低、DFI高，位於三角形的左上角；BS的NDVI、DFI均很低，位於三角形的左下角；PV的NDVI高、DFI幾乎接近0，位於三角形的右側。
3） NDVI-DFI特徵空間。假定待測像元有NPV、PV和BS 3個組分，其NDVI和DFI指數符合線性關係，其各種比例組合像元的NDVI-DFI特徵空間會表現為三角形（圖2）。NPV的NDVI低、DFI高，位於三角形的左上角；BS的NDVI、DFI均很低，位於三角形的左下角；PV的NDVI高、DFI幾乎接近0，位於三角形的右側。
圖2 NDVI-DFI特徵空間示意圖
Fig.2 Sketch map of NDVI-DFI Characteristic Space
4） 提取端元特徵值。建立以NDVI和DFI為特徵因子的特徵空間，隨後提取位於3個端元的特徵值。利用遙感方法提取端元值通常包括①幾何頂點提取法；②純淨像元指數法（pixel purity index method，PPI）；③連續最大角凸錐選取法。由於多光譜遙感影像各波段具有嚴重的噪聲[16-17]，採用最小噪聲分離法（minimum noise fraction，MNF）消除其影響。在提取端元值方法中PPI算法較為成熟，且能依據像元自身特點選取端元值，可極大地減少人為選擇造成的誤差。因此，為消除Landsat波段間的相關性，運用MNF法，選取PPI提取端元特徵值。
5） 植被覆蓋度等級表。結合乾旱半乾旱區綠洲植被特有的生態特徵，為更精細研究的需要，採用文獻[18]劃分的植被覆蓋等級，共分為5級，分別為極低覆蓋度、低覆蓋度、中覆蓋度、中高覆蓋度和高覆蓋度。分類標準見表1。
表1 植被覆蓋度等級劃分
Tab.1 The Grades of Vegetation Cover
3結果與分析
3.1 端元值確定及NDVI-DFI特徵空間分析
端元值確定要通過PPI計算獲得[19-20]。首先運用ENVI 5.1軟件MNF Rotation工具實現數據的變換降維，生成大量穿過數據集合內部的隨機測試向量，之後僅對其中6個主要波段進行投影，設定迭代次數為2 000，閾值係數為3。將PPI指數大於3的像元視為端元，取各個頂點純淨端元的平均值作為相應端元的特徵值，得到表2。表中PV端的NDVI最大，說明NDVI是表徵PV的主要因子。NPV端對應的DFI最大，說明DFI是表徵NPV的主要因子。
表2 端元特徵值信息統計
Tab.2 The Statistics of End Member Eigenvalue Information
由2010年NDVI-DFI特徵空間散點圖（圖3）得出，該特徵空間散點分佈較2016年呈現出不太理想的三角形結構，有大量的散點分佈於NDVI值在0~0.25範圍內，且無明顯分佈規律，表明植被生長蓋狀況不佳，大量的裸地和乾枯植被是造成不規則分佈的原因之一，而二者主要分佈於NDVI<0.25的區域。當NDVI值在0.25~0.8時，隨著NDVI值增大，DFI值整體相應地隨之減小，即植被覆蓋度越高，乾枯植被覆蓋越少。2016年該特徵空間的散點分佈呈現出較為規則的三角形，說明2016年植被生長狀況整體較好。NDVI值在0~0.2閾值範圍內，NDVI值增大，DFI隨之增大；當NDVI值在0.2~1之間時，隨NDVI值增大，DFI呈遞減趨勢。
圖3 NDVI-DFI特徵空間散點圖
Fig.3 Scatter Plots of NDVI-DFI Characteristic Space
3.2 植被覆蓋度估算
1)植被覆蓋度估算結果分析。將上述端元特徵值帶入像元三分計算模型，得到的fPV、fNPV和fBS的RGB合成圖（圖4）。圖中亮色表示有PV覆蓋更多的區域，灰色表示有NPV覆蓋更多的區域，深灰色表示裸地覆蓋更多的區域，其間混合的顏色表示混合3種類型的區域，黑色是將水體和積雪進行掩膜處理的部分。
由圖4可知，2010年fPV主要集中在人類活動區，包括農田、林地等；fNPV主要分佈在山地和山前洪積衝擊扇；fBS分佈在博州北部和東部的山區及山前平原，以及東南部的沙漠。相比2010年，2016年fPV、fNPV和f
BS變化顯著，其中fPV沿博爾塔拉河向南北方向擴展，東南部和西南部山區也出現大量綠色植被，覆蓋面積增長了15.37%。fNPV隨著fPV面積的增加而面積發生了一定變化，相比2010年略微減少了4.81%。fBS主要分佈在艾比湖周邊以及綠洲邊緣，面積顯著減少了15.37%。（該數據由通過ENVI軟件的統計工具得出）
圖4 fPV 、fNPV和fBS估算結果圖
Fig.4 The Map of fPV, fNPVand fBS Evaluating Result
綠洲荒漠交錯帶生態關係錯綜複雜，生態系統相對敏感。選擇綠洲荒漠交錯帶典型區域進行局部分析（圖5）。從中看出，2016年影像中部綠洲範圍植被較2010年有所增多，具體表現為PV平均增加了18.68%，NPV平均增加10.61%，BS平均減少29.28%。綠洲面積擴大，生態系統得到一定改善。
圖5 綠洲荒漠交錯帶局部植被覆蓋狀況圖
Fig.5 Local Vegetation Cover Map of Oasis Desert Ecotone
2）與像元二分模型估算結果的比較。為探究像元三分模型對於光合植被、非光合植被和裸地的區別能力，將上述植被估算結果與像元二分模型反演結果進行對比，參考相關反演方法[3]得到2016年像元二分模型估算植被覆蓋度空間分佈圖。從圖6中看出該反演結果與圖4中2016年植被覆蓋狀況近似，說明二者均能一定程度地表述研究區植被覆蓋度。為進行詳細對比，另選取一綠洲荒漠交錯區域，並添加谷歌地球高清影像進行對比驗證。該區域為裸露山地，植被覆蓋度極低，周圍有農田包裹，經實地考察發現其西側為撂荒的旱地，早期種有打瓜和枸杞，因此存在一些植物殘體。像元二分估算結果在該區域未顯示出植被分佈差異，均表現為極低的植被覆蓋，無法判斷是否為裸地或非光合植被。而像元三分模型結果顯示出更多的裸地和非光合植被信息，比較符合實際情況，表明像元三分模型能較好地分辨光合植被、非光合植被和裸地。
圖6 基於兩種模型的綠洲荒漠交錯帶局部對比分析
Fig.6 Comparison of local oasis desert ecotone based on the two models
3） 估算結果驗證。將室外採樣結果與對應點的fPV像元信息進行比較（通過ArcGIS 10.2 Extraction工具實現），得出遙感估算的fPV最小值、最大值、均值和標準差分別是0.000、1.000、0.221和0.302；採樣的fPV最小值、最大值、均值和標準差分別是0.000、1.000、0.177和0.199。二者相關係數為0.767（P<0.01），表明二者存在較好的相關性。再將該兩種結果進行線性擬合（見圖7）。圖中可以看出遙感反演結果與實地採樣結果趨於y=0.6869x+0.112直線，其決定係數R2為0.7515。另外可發現遙感方法對於低植被覆蓋區（fPV<0.05）估算結果與實際存在一定偏差，可能與複雜的地表覆蓋特徵有關。但對於博州地區而言，像元三分模型的估算效果是符合精度要求的。
圖7 fPV與採樣估測值的線性擬合圖
Fig.7 Linear Fitting of fPVValue and Sampling Estimation Value
3.3數據分析
1） 植被覆蓋度等級變化。通過對fPV反演結果的統計得出，博州2010年和2016 年兩個時相的平均植被覆蓋度分別為13.16%和28.52%。再按照植被覆蓋等級將各年fPV分為5級，得到表3。由表可知2010年I級植被所佔百分比最大，為75.42%（面積16884.81 km2），2016年同樣是I級佔比較大，為38.47%（9011.22 km2），但相比2010年顯著減少了36.95%（7873.59 km2）。除I級植被面積有所減少，2016年其餘各級植被覆蓋度均有所增加，表現為II級植被增加最明顯，增加了17.65%，III級植被增加了8.33%，四級和五級植被分別增加了5.57%和5.39%。以上說明自2010年到2016年博州地區植被覆蓋度增長顯著。高等級植被的顯著增加，說明該地區生態環境得到了一定的改善。2010年~2016年6年間各級植被覆蓋度年均增長率分別為-9.94%、23.74%、17.14%、16.93%和10.19%。
表3 植被覆蓋度分級統計
Tab.3 The Grades of PVStatistics
2） 植被覆蓋度的年際轉移狀況。利用 ENVI 軟件轉移矩陣功能模塊，計算出2010年與2016年研究區不同等級植被覆蓋度的面積轉移狀況進行統計和分析（表4）。與2010年相比，2016年共有61 938.15 km2的植被未發生變化。在恢復過程中，IV向V的轉換面積最大，為4 011.63 km2，佔總面積的26.67%，III向V的轉換面積次之，為2 671.60 km
2佔總面積的17.76%，II向V的轉換面積，為1 467.39 km2佔總面積的9.76%；在退化過程中，II向I的轉變面積最大，為575.21 km2佔總面積的43.43%， V向IV的轉變面積次之，為544.46 km2佔總面積的19.88%，IV向II的轉換面積，為457.17 km2佔總面積的0.8%。總的來說，2010—2016年，由低級轉向高級植被覆蓋面積>高級轉向低級植被覆蓋面積，即恢復面積>退化面積。
3.4 驅動力分析
1)自然因素。降水和氣溫同樣影響植被覆蓋度的大小和植被類型的差異[21]。從博州各縣市的氣象數據中獲取2010~2016年各年1~7月的降水量和氣溫數據，並繪製成圖8。由圖得，各年7個月的降水總量差異明顯，但整體呈遞增趨勢，尤其是2016年降水量突破了這六年以來的最大值，在近十年也屬於降水較多的年份。這是由於在2016年6月和7月博州出現爆發式降雨，強度大，範圍廣，持續時間長[22]。而當年博州各縣市中，精河縣和阿拉山口市降水量較常年多約60%，博樂市和溫泉縣較常年也偏多近10%。降水作為乾旱區的氣象指標對該地區植被生長具有至關重要的作用，故一定程度地解釋了2010和2016年植被分佈狀況。2015年7月，新疆出現歷史罕見的大範圍、長時間、高強度的高溫天氣去哪將平原地區出現35℃以上的高溫。而2015年7月博州地區出現最高氣溫突破歷史極值[23]。
2）人為因素。植被覆蓋度受自然因素影響，同時也受人類活動的影響。一方面政策驅動，國家提出的“18億畝耕地紅線”的嚴格保持，生態文明建設的有效推行以及當地部門對艾比湖國家級溼地保護區的有效管理，有利地保護了研究區的耕地、林草地和艾比湖流域的生態環境，為自然生態恢復提供了有力保障。另一方面，近年來全民環保意識不斷增強，人類活動產生的廢棄物得到有效處理，加之對水資源的合理利用也極大促進植被健康生長。但在乾旱區生態環境極為脆弱，為維持區域生態可持續仍需加強環境保護力度。
4結束語
通過構建NDVI-DFI特徵空間的方法，估算博州地區光合/非光合植被覆蓋度取得較好結果，尤其在綠洲和荒漠交錯區域，光合植被、非光合植被和裸地三者間的覆蓋變化表現得較為突出。相比像元二分模型，該方法同樣適合研究區植被覆蓋度估算。
2016年較2010年光合植被覆蓋度增加，非光合植被和裸地減少，生態環境得到改善。將估算結果與實地採樣結果進行對比，二者具有較好的線性關係。植被動態變化監測中，2016年較2010年II級、III級、VI級、V級植被有所增加，I級植被減少。降水量的增多導致植被覆蓋度的增加。
本文系統地分析了博州地區的植被覆蓋狀況，對評估該區域的生態環境綜合治理效果具有重要意義。然而目前NDVI-DFI特徵空間中的DFI多用於草原乾枯植被的遙感估算，本研究針對乾旱區綠洲和荒漠地區的DFI估算具有一定的適用性，但其作用機制是否與草原植被相同，仍需進一步探討。
參考文獻（略）
關於《測繪科學》
主管：中華人民共和國自然資源部
主辦：中國測繪科學研究院
網站：http://chkd.cbpt.cnki.net
閱讀更多 測繪科學 的文章
