李 濤, 李曉松, 李 飛

1 中國(guó)科學(xué)院遙感與數(shù)字地球研究所, 數(shù)字地球重點(diǎn)實(shí)驗(yàn)室, 北京 100094 2 中國(guó)科學(xué)院研究生院, 北京 100101

基于Hyperion的錫林郭勒草原光合植被、非光合植被覆蓋度估算

李 濤1,2, 李曉松1,*, 李 飛1,2

1 中國(guó)科學(xué)院遙感與數(shù)字地球研究所, 數(shù)字地球重點(diǎn)實(shí)驗(yàn)室, 北京 100094 2 中國(guó)科學(xué)院研究生院, 北京 100101

掌握草原生態(tài)系統(tǒng)光合植被覆蓋度(fPV)與非光合植被覆蓋度(fNPV)時(shí)空動(dòng)態(tài)對(duì)了解干旱半干旱草原生態(tài)系統(tǒng)特征(覆蓋狀況、火災(zāi)負(fù)載、載畜量、干擾及恢復(fù)等)及進(jìn)行科學(xué)、有效地草地資源管理具有重要的意義。選取錫林郭勒典型草原為試驗(yàn)區(qū)，以Hypeiron高光譜數(shù)據(jù)為數(shù)據(jù)源，利用NDVI-CAI三元線性混合模型對(duì)試驗(yàn)區(qū)fPV和fNPV的時(shí)空動(dòng)態(tài)分布進(jìn)行了估算，并對(duì)不同端元選擇方法(最小包含端元特征法、純凈象元指數(shù)法和實(shí)測(cè)法)對(duì)估算結(jié)果的影響進(jìn)行了比較分析。研究結(jié)果表明，NDVI-CAI三元線性混合模型是同時(shí)估測(cè)錫林郭勒草原fPV和fNPV的有效方法，且估算的fPV和fNPV的季節(jié)變化與牧草的物候發(fā)育特征相吻合。不同端元選擇方法對(duì)估算精度具有一定的影響，其中基于最小包含端元特征法提取端元進(jìn)行估算的精度最高，fPV估算的均方根誤差RMSE=4.57，估算精度EA=91.2%；fNPV估算的RMSE=5.90，EA=67.91%(樣本數(shù)N=52)。

Hyperion; NDVI-CAI模型; 光合植被; 非光合植被; 端元選擇

錫林郭勒草原是我國(guó)北方典型的溫帶干旱草原，面積達(dá)19.7萬(wàn)km2，可利用草原占90.6%，是內(nèi)蒙古草原的主體部分；植被種類繁多，主要有大針茅、克氏針茅、羊草、蒿類等[1]。憑借著豐富的草地資源，錫林郭勒盟成為內(nèi)蒙古重要的畜牧業(yè)生產(chǎn)基地，畜牧業(yè)產(chǎn)值占到農(nóng)林牧漁總產(chǎn)值的65%左右[2]。然而近年來(lái)，超載放牧、毀草開(kāi)地等人為活動(dòng)及旱災(zāi)、雪災(zāi)等自然災(zāi)害造成草原大面積的破壞。草原退化、沙化及鹽堿化現(xiàn)象日趨嚴(yán)重，草畜矛盾日趨尖銳，生態(tài)環(huán)境急劇惡化。光合植被(PV)和非光合植被(NPV)能夠減緩徑流，保持水土，影響土壤理化性質(zhì)(滲透性，蒸發(fā)，孔隙，溫度等)，改善土壤結(jié)構(gòu)，增加土壤養(yǎng)分，提高土壤質(zhì)量[3- 4]。光合植被覆蓋度(fPV)及非光合植被覆蓋度(fNPV)影響生態(tài)系統(tǒng)的碳儲(chǔ)存、CO2交換量、植被生產(chǎn)力和地表能量平衡[5]，是衡量地表植被覆蓋狀況的重要參數(shù)，也是指示生態(tài)環(huán)境變化的重要指標(biāo)。及時(shí)準(zhǔn)確地估算fPV和fNPV能夠反映牧草資源的空間分布及動(dòng)態(tài)變化，可為制定正確的放牧管理政策、合理利用草原、保護(hù)生態(tài)環(huán)境提供科學(xué)依據(jù)。

fPV和fNPV的傳統(tǒng)測(cè)算方法有目視估算法、采樣法[6]和照相法[7]等地面實(shí)測(cè)方法。但這些方法實(shí)施繁雜，耗時(shí)耗力，不適合大面積、多頻率的測(cè)算，而且易受主觀性影響。遙感技術(shù)能夠及時(shí)、客觀、準(zhǔn)確地估算大尺度的fPV和fNPV。目前對(duì)fPV的遙感研究較多，而對(duì)fNPV的研究很少。以往研究提出亮度指數(shù)BI、歸一化指數(shù)NDI、歸一化作物茬指數(shù)NDRI、土壤調(diào)整作物茬指數(shù)SACRI、木質(zhì)素-纖維素吸收指數(shù)LCA等,能夠較好地估算fNPV[8- 12]。但這些指數(shù)都基于僅有NPV與裸土(BS)兩種成分，是否適用于PV、NPV和BS三者共存的情況有待研究。Daughtry等利用纖維素的吸收谷(2100 nm)和兩吸收雙肩(2021、2213 nm)3個(gè)波段的反射率，定義吸收深度為纖維素吸收指數(shù)(CAI)[13]。CAI與fNPV線性相關(guān)，基本不受土壤光學(xué)性質(zhì)的影響[14- 15]，是估算fNPV的最佳指數(shù)；歸一化植被指數(shù)(NDVI)可以區(qū)分PV與NPV和BS[16- 17]。基于此，Guerschman等[18]提出NDVI-CAI三元線性混合模型，采用純凈象元指數(shù)法確定端元特征值，較好地估算澳大利亞稀疏草原的fNPV和fPV的時(shí)空分布。然而該方法在其它區(qū)域的研究尚鮮有報(bào)道，其假設(shè)的合理及普適性以及端元選擇的有效性都需要更多的應(yīng)用與驗(yàn)證。

為此，本文以錫林郭勒草原為研究區(qū)，以高光譜Hyperion影像為數(shù)據(jù)源，嘗試應(yīng)用NDVI-CAI三元線性混合模型估算錫林郭勒草原的fPV和fNPV，并分析最小包含端元特征法、純凈象元指數(shù)法和實(shí)測(cè)法確定端元特征值的差異，對(duì)NDVI-CAI三元線性混合模型的結(jié)果進(jìn)行精度評(píng)估，并在此基礎(chǔ)上分析圍封區(qū)自然草地fPV及fNPV的季節(jié)變化。

1 數(shù)據(jù)收集與預(yù)處理

1.1 研究區(qū)概況

研究區(qū)為內(nèi)蒙古草原放牧控制實(shí)驗(yàn)區(qū)(116°39′E—116°41′E, 43°33′N—43°35′N)，位于內(nèi)蒙古自治區(qū)錫林郭勒盟白音錫勒牧場(chǎng)境內(nèi)。白音錫勒牧區(qū)平均海拔1100 m，是我國(guó)典型的溫帶草原區(qū)，屬于大陸性半干旱草原氣候。四季分明，春季多風(fēng)，夏季暖濕，秋冬寒冷干燥。年平均氣溫-0.4 ℃，最冷月(1月)平均溫度為-22.3 ℃，最熱月(7月)平均溫度達(dá)到18.8 ℃。光照資源比較豐富，全年光照為2603.8 h。年平均降雨量350 mm左右，80%集中于生長(zhǎng)季6—9月份[19]。地帶性土壤為栗鈣土，有機(jī)質(zhì)含量通常在1.5%—2.5%間，土層深度在1 m左右，腐殖層厚20—30 cm。植被以蒙古草原植被區(qū)系成分占優(yōu)勢(shì)，主要建群種與優(yōu)勢(shì)種為大針茅、克氏針茅、羊草和蒿類(變蒿和冷蒿)等[1]。

1.2 野外觀測(cè)數(shù)據(jù)

為了評(píng)價(jià)模型估算精度，2012年8月2—8日對(duì)內(nèi)蒙古草原放牧控制實(shí)驗(yàn)區(qū)內(nèi)的56個(gè)樣地進(jìn)行觀測(cè)。樣地平均大小約90 m×180 m，對(duì)應(yīng)Hyperion影像中3×6個(gè)像元，利用ArcGIS10.0中區(qū)域分析取樣地對(duì)應(yīng)像元的均值來(lái)代表該樣地。根據(jù)每個(gè)樣地的異質(zhì)性特征選取3—6個(gè)1 m×1 m樣方(圖1)，采用魚(yú)眼相機(jī)D90于樣方正上方1.5 m處垂直拍攝3—5張照片。應(yīng)用CAN_EYE_V636軟件對(duì)魚(yú)眼照片進(jìn)行水平校正并人機(jī)交互式地監(jiān)督分類，計(jì)算出各個(gè)樣方的fPV和fNPV(圖1)。取樣地內(nèi)所有樣方的均值來(lái)代表該樣地。另外，選擇晴朗無(wú)云、風(fēng)力較小、太陽(yáng)光強(qiáng)度充足并穩(wěn)定的時(shí)段(10:00—14:00)，將地物光譜儀(SVC HR- 768)的探頭(視場(chǎng)角25 °)置于地物上方1 m處垂直向下，采集PV、NPV和BS三種端元的光譜(圖1)，用于實(shí)測(cè)法確定端元特征指數(shù)值。

圖1 研究區(qū)與地面數(shù)據(jù)采集

1.3 遙感數(shù)據(jù)及預(yù)處理

Hyperion傳感器搭載于美國(guó)國(guó)家宇航局(NASA)2000年11月發(fā)射的地球觀測(cè)衛(wèi)星(EO- 1)，是第一個(gè)星載高光譜儀器，以推掃方式獲取可見(jiàn)光/近紅外和短波紅外區(qū)域(356—2577 nm)的平均10 nm采樣間隔的連續(xù)波譜數(shù)據(jù)，共242個(gè)波段，輻射分辨率16 bit，空間分辨率30 m[20]。Hyperion主要有Level0和Level1兩級(jí)產(chǎn)品，其中Level1又分為L(zhǎng)1A、L1B和L1R 3種。本文根據(jù)牧草的物候發(fā)育特征，從http://glovis.usgs.gov網(wǎng)站獲取2012年的4.3、5.20、7.27、8.30和11.14五期Hyperion-L1R影像。

首先利用ENVI4.8去除未標(biāo)定和受水汽影響的波段，剩下174個(gè)波段(8—57，79—120，128—165，180—223)；然后利用基于ENVI的Hyperion_Workshop模塊進(jìn)行壞線修復(fù)、去條紋、去smile效應(yīng)；利用ENVI4.8的flaash模塊進(jìn)行大氣校正，以精較準(zhǔn)的TM影像為參考對(duì)Hyperion影像進(jìn)行幾何校正(精度在半個(gè)像元之內(nèi))[20]。最后用閾值對(duì)影像中的云和陰影地區(qū)掩膜處理。

2 研究方法

2.1 NDVI-CAI三元線性混合模型

圖2 NDVI-CAI三元線性混合模型

NDVI-CAI三元線性混合模型假定像元由NPV、PV和BS三個(gè)成分組成，其NDVI和CAI指數(shù)符合線性關(guān)系(公式(1)—(5))，而且端元的NDVI和CAI指數(shù)不隨時(shí)間變化[18]。影像的NDVI-CAI特征空間會(huì)表現(xiàn)為三角形(圖2)。NPV的NDVI低、CAI高，位于三角形的左上角；PV的NDVI高、CAI幾乎接近0，位于三角形的右側(cè)中部；BS的NDVI、CAI均很低，位于三角形的左下角。

NDVI=(ρNIR-ρR)/(ρNIR+ρR)

(1)

CAI=[0.5×(ρ2.0+ρ2.2)-ρ2.1]×10

(2)

式中，ρNIR、ρR、ρ2.0、ρ2.1和ρ2.2分別為近紅外、紅波段、2000 nm、2100 nm和2200 nm處的反射率，計(jì)算時(shí)分別取671—691 nm、793—813 nm、2022—2032 nm、2102—2123 nm和2193—2213 nm波段反射率的平均值。此處CAI擴(kuò)大了10倍，與NDVI均處在[-1,1]數(shù)量級(jí)上，便于繪制NDVI-CAI特征空間圖。

V=∑fiVi=fPVVPV+fNPVVNPV+fBSVBS

(3)

C=∑fiCi=fPVCPV+fNPVCNPV+fBSCBS

(4)

∑fi=fPV+fNPV+fBS=100

(5)

式中，V代表NDVI，C代表CAI，f為百分比(%)。

采用公式(3)—(5)對(duì)Hyperion影像進(jìn)行分解，分布在三角形內(nèi)部的像元各成分比例均在0—100內(nèi)，而對(duì)于分布在三角形外部的像元會(huì)出現(xiàn)大于100或小于0的異常值，采用公式(6)—(10)進(jìn)行處理。最終獲得研究區(qū)的fNPV和fPV估算值。

Cx=100，Cy=Cz=0 (100

(6)

Cx=0 (-20≤Cx<0)

(7)

Cy=Cy/(Cy+Cz)×100 (-20≤Cx<0)

(8)

Cz=Cz/(Cy+Cz)×100 (-20≤Cx<0)

(9)

Cx=Cy=Cz=0 (Cx>120或Cx<-20)

(10)

式中，Cx為混合像元分解后覆蓋度落在[0,100]之外的端元類型，Cy和Cz為另外兩種端元類型。公式10處理目的是將異常像元標(biāo)記為無(wú)效值。

2.2 NPV、PV和BS端元特征值的確定

應(yīng)用公式(1)—(2)計(jì)算五期Hyperion影像的NDVI和CAI指數(shù)，繪制NDVI-CAI特征空間圖。理論上特征空間表現(xiàn)為三角形，利用PPI指數(shù)(PPI>10)來(lái)檢驗(yàn)三角形頂點(diǎn)處是否存在純凈像元。若存在則說(shuō)明三角形頂點(diǎn)可以作為純凈端元。

最小包含端元特征法(Minimum-Volume Enclosing method，MVE)：由于噪聲的影響，影像的NDVI-CAI特征空間圖可能不會(huì)呈現(xiàn)理想的幾何圖形。因此采用統(tǒng)計(jì)的方法，計(jì)算最小包含幾何頂點(diǎn)區(qū)域像元的平均指數(shù)值作為相應(yīng)端元的特征值。

純凈象元指數(shù)法(Pixel Purity Index method，簡(jiǎn)稱PPI)：首先對(duì)Hyperion影像進(jìn)行MNF變換，取變換后的前20個(gè)波段。設(shè)定迭代次數(shù)為2000，閾值系數(shù)為3，產(chǎn)生像元純度指數(shù)PPI。將PPI>10且又靠近特征空間圖頂點(diǎn)的像元視為純凈端元，取各個(gè)頂點(diǎn)純凈端元的平均指數(shù)值作為相應(yīng)端元的特征值。

實(shí)測(cè)法：通過(guò)實(shí)地觀測(cè)PV、NPV和BS三個(gè)端元的光譜曲線(圖1)，來(lái)確定端元的特征值。

2.3 精度檢驗(yàn)

本文采用均方根誤差RMSE和估算精度EA來(lái)評(píng)價(jià)模型估算精度。

(11)

(12)

3 結(jié)果分析

3.1 端元特征值的確定

圖3 五期Hyperion的NDVI-CAI特征空間圖

五期Hyperion影像的NDVI-CAI特征空間(圖3)表現(xiàn)為三角形。采用PPI指數(shù)驗(yàn)證，三角形頂點(diǎn)可以作為純凈端元。然后分別利用最小包含端元特征法、純凈象元指數(shù)法和實(shí)測(cè)法確定各個(gè)端元的特征值(圖4)。三種方法確定的端元NDVI比較相近，最小包含端元特征法和純凈象元指數(shù)法確定的PV端元NDVI略高于實(shí)測(cè)法；而CAI差異較大，實(shí)測(cè)法確定的NPV和BS端元CAI明顯大于最小包含端元特征法和純凈象元指數(shù)法，純凈象元指數(shù)法確定的PV端元CAI值小于最小包含端元特征法和實(shí)測(cè)法。

圖4 三種端元提取法確定的端元特征值

3.2 估算精度檢驗(yàn)

根據(jù)最小包含端元特征法、純凈象元指數(shù)法和實(shí)測(cè)法確定各個(gè)端元的特征值，利用NDVI-CAI三元線性混合模型對(duì)7月27日的Hyperion影像進(jìn)行分解，估算出fPV和fNPV。采用52個(gè)樣地(4個(gè)樣地受云和陰影的影響嚴(yán)重，作為無(wú)效值區(qū))的實(shí)測(cè)數(shù)據(jù)進(jìn)行精度評(píng)價(jià)。繪制樣地fPV和fNPV的實(shí)測(cè)值與估算值散點(diǎn)圖(圖5)。對(duì)于fPV，基于最小包含端元特征法和純凈象元指數(shù)法估算精度較高，散點(diǎn)基本都分布在參考線Y=X周圍，均方根誤差RMSE小于5，估算精度EA高達(dá)91%；而基于實(shí)測(cè)法明顯高估，散點(diǎn)基本都落在參考線左上方，RMSE=7.17，相對(duì)較大，EA=86.2%，低于前兩個(gè)方法。對(duì)于fNPV，基于最小包含端元特征法的估算效果最好，均方根誤差RMSE=5.9，估算精度EA=67.9%，但也存在一定程度的高估；基于純凈象元指數(shù)法明顯高估，散點(diǎn)基本位于參考線左上方；而基于實(shí)測(cè)法明顯低估，散點(diǎn)基本位于參考線右下方，均方根誤差最大，RMSE=7.96，估算精度最低，EA=56.7%。

3.3fPV和fNPV的季節(jié)性變化

基于NDVI-CAI三元線性混合模型，利用最小包含端元特征法確定的端元值，估算五期Hyperion影像的fPV和fNPV，并繪制fPV、fNPV和fBS的RGB合成圖)。選擇研究區(qū)內(nèi)受人為及牲畜影響很小的自然草地(圖6中藍(lán)色框內(nèi))為感興趣區(qū)，分析fPV和fNPV的季節(jié)變化(圖7)。模型估算的fPV和fNPV的季節(jié)變化與牧草的物候發(fā)育特征吻合。感興趣區(qū)4月初基本呈現(xiàn)荒蕪狀態(tài)，遺留著上一年的干枯植被，基本沒(méi)有綠色植被，NDVI較低，CAI較高，fNPV高達(dá)95%，fPV約等于0；4月中旬以后，牧草開(kāi)始返青，返青20 d后進(jìn)入積極生長(zhǎng)期，NDVI增加，CAI減?。?月20日時(shí)，fPV初步增加，fNPV減小(b)；7月中旬左右達(dá)到最大強(qiáng)度的生長(zhǎng)；7月27日時(shí)牧草比較茂盛，大部分NPV已經(jīng)被微生物分解，NDVI較高，CAI較低，fPV明顯大于fNPV(c)；8月份陸續(xù)進(jìn)入成熟期；8月30日時(shí)，fPV增加到68%，fNPV稍微減小；9月份陸續(xù)進(jìn)入黃枯期，NDVI減小，CAI增加；到11月15日時(shí)，牧草已經(jīng)枯黃，恢復(fù)到荒蕪狀態(tài)，fNPV高達(dá)95%，fPV約等0。

4 討論

4.1 PV、NPV覆蓋度估算的復(fù)雜性

光學(xué)遙感適用于估算彼此分離的PV和NPV覆蓋度。而實(shí)際上，PV與NPV錯(cuò)綜復(fù)雜，相互重疊，影響著表層植被的NDVI和CAI特征值，進(jìn)而影響fPV和fNPV的估算精度。牧草生長(zhǎng)初期，綠葉容易夾雜在上一年干枯牧草下，提高像元的NDVI而降低CAI，導(dǎo)致模型低估fNPV，高估fPV；而當(dāng)牧草逐漸枯黃時(shí)，枯枝落葉容易夾雜在綠葉下，提高像元的CAI而降低NDVI，導(dǎo)致模型低估fPV，高估fNPV。相互交錯(cuò)的PV和NPV混合像元增加了NDVI和CAI的多變性，使得fPV和fNPV的估算變得復(fù)雜。

圖5 fPV、fNPV估算精度分析圖

圖6 fPV、fNPV和fBS的RGB合成圖

圖7 感興趣區(qū)fPV和fNPV變化圖 (以均值代表整個(gè)感興趣區(qū))

牧草在衰敗的過(guò)程中，葉片中水分和葉綠素減少，光譜特征逐漸轉(zhuǎn)向以纖維素、木質(zhì)素作用為主，NDVI值逐漸減小，CAI值逐漸增大。但此過(guò)程葉片中水分、葉綠素和纖維素三者共存，共同決定著葉片的NDVI與CAI。NDVI與葉綠素含量正相關(guān)；CAI與纖維素含量正相關(guān)；葉片中的水分吸收作用會(huì)降低CAI波段的反射率，減小纖維素的吸收深度，CAI值減小。葉片中水分、纖維素、葉綠素的含量變化過(guò)程及對(duì)葉片的NDVI和CAI的影響程度極其復(fù)雜，加大了fPV和fNPV的估算難度。

衛(wèi)星傳感器的傾斜角度和地形起伏共同決定著觀測(cè)角度。不同觀測(cè)角度對(duì)應(yīng)像元不同的采樣面積誤差和地物的BRDF效應(yīng)影響像元的NDVI和CAI，進(jìn)而影響模型對(duì)fPV和fNPV的估算，即使在2種平坦的朗伯地物交界處影響依然很大[21]。這樣對(duì)于一個(gè)混合像元，同時(shí)考慮BRDF效應(yīng)和采樣面積誤差，像元的NDVI和CAI指數(shù)隨觀測(cè)角度的變化是增大還是減小不一定，這主要取決于混合像元內(nèi)部各部分在不同角度的面積比和地物類型。角度效應(yīng)增加了fPV和fNPV估算的復(fù)雜性。

4.2 NDVI-CAI三元線性混合模型的不確定性

線性光譜混合模型所用端元有限，簡(jiǎn)化了電磁波與地物復(fù)雜的相互作用過(guò)程，忽略了混合像元中其他成分的作用，勢(shì)必造成估算誤差，而且光譜分解結(jié)果容易受到影像質(zhì)量的影響。另外端元的光譜異質(zhì)性也是估算誤差的重要來(lái)源[22]。NDVI-CAI三元線性混合模型利用多個(gè)波段計(jì)算出的指數(shù)，減小了端元不足、端元光譜異質(zhì)性、以及影像質(zhì)量等引起的誤差，有助于fPV和fNPV的估算。

純凈端元的提取對(duì)模型估算精度起著至關(guān)重要的作用。最小包含端元特征法選取純凈端元，既能反映端元的平均光譜特征，又與遙感數(shù)據(jù)不存在尺度差異，減弱了端元光譜異質(zhì)性的影響，提高整體的估算精度。但最小包含端元特征法在選擇最靠近特征空間圖頂點(diǎn)的像元時(shí)存在主觀性和隨機(jī)性，在一定程度上影響端元特征值的確定。利用純凈象元指數(shù)法確定端元，地物端元的光譜特征值往往是個(gè)極值，而且存在光譜異質(zhì)性問(wèn)題，不足以代表端元光譜特征，尤其端元的純凈像元較少時(shí)，容易產(chǎn)生較大誤差。最小包含端元特征法和純凈象元指數(shù)法都基于存在純凈像元的前提，實(shí)際中純凈像元比較少，尤其是大尺度上。實(shí)測(cè)法不依賴影像，通過(guò)實(shí)地觀測(cè)小尺度上純凈端元的光譜特征來(lái)作為像元尺度上的端元特征，勢(shì)必帶來(lái)尺度的問(wèn)題。而且實(shí)地觀測(cè)光譜與衛(wèi)星成像時(shí)的條件(大氣狀況，觀測(cè)角度等)不同，必然引入一些誤差。

NDVI-CAI三元線性混合模型基于混合像元的NDVI和CAI指數(shù)符合線性這一前提。目前研究證實(shí)NDVI與fPV成線性關(guān)系[23- 24]，CAI與fNPV成線性關(guān)系[5]。但CAI指數(shù)容易受到其他因素的影響。BS的含水量和土壤成分影響其CAI，NPV的類型、分解程度、含水量影響其CAI[5]。在土壤質(zhì)地、植被類型比較均一的地區(qū)，含水量成為影響估算精度的主要因素。在干燥至中等濕潤(rùn)條件下，PV、NPV和BS三者的CAI差異范圍大，能夠很好的分離，但隨著含水量的進(jìn)一步增加，三者的CAI差異逐漸減小，fPV和fNPV的估算誤差增大[4]。因此，NDVI-CAI的三元線性混合模型適用于土壤質(zhì)地和植被類型較均一的干旱半干旱地區(qū)，減小土壤類型、土壤成分、NPV類型等的影響。另外，綠色植被中的水分也會(huì)消弱減小CAI。fPV較小時(shí)對(duì)模型估算基本沒(méi)影響，但隨著fPV的增加(fPV>30%)，fNPV可能會(huì)低估[12,14]。本研究中綠色植被高覆蓋，對(duì)于估算精度的影響需要進(jìn)一步研究。

4.3 NDVI-CAI三元線性混合模型應(yīng)用問(wèn)題

NDVI-CAI三元線性混合模型中的CAI指數(shù)僅能從高光譜傳感器中獲取，如Hyperion。Hyperion已經(jīng)超期運(yùn)行，存在掃描條帶和噪聲問(wèn)題，掃描寬度很窄[25]，回訪周期較長(zhǎng)，可獲取的數(shù)據(jù)非常有限。并且單期Hyperion影像存在PV、NPV和BS三個(gè)純凈端元的機(jī)率很小。為了保證能從影像中選取PV、NPV和BS三個(gè)純凈端元，需要多期Hyperion影像，并且基于端元的NDVI和CAI特征值不隨時(shí)間變化的假設(shè)。NDVI-CAI三元線性混合模型的應(yīng)用受到Hyperion影像獲取量的限制，還受到數(shù)據(jù)質(zhì)量的影響，需要應(yīng)用到多光譜傳感器中，充分利用多光譜數(shù)據(jù)充足、覆蓋范圍大的優(yōu)勢(shì)。

Guerschman等[18]應(yīng)用SR76(SR76=MODIS7/MODIS6)替代模型中的CAI指數(shù)，比較準(zhǔn)確地估算了澳大利亞的無(wú)樹(shù)大草原地區(qū)的fPV和fNPV，充分發(fā)揮MODIS高時(shí)間分辨率的優(yōu)勢(shì)。但是MODIS空間分辨率太低，空間異質(zhì)性明顯，端元提取比較困難。因此在MODIS影像中應(yīng)用該模型需要檢驗(yàn)其適用性。另外，BI、NDI、NDRI、SACRI、LCA等指數(shù)能夠較好地估算fNPV[8- 12]，可嘗試著將這些指數(shù)替代CAI，應(yīng)用到NDVI-CAI三元線性混合模型估算fPV、fNPV。NDVI-CAI三元線性混合模型在多光譜遙感中有著深遠(yuǎn)的研究前景。

5 結(jié)論

本文基于NDVI-CAI三元線性混合模型，估算了錫林郭勒草原的fPV和fNPV，主要得到以下結(jié)論：

(1)NDVI-CAI三元線性混合模型是同時(shí)估測(cè)錫林郭勒草原fPV和fNPV的有效方法，錫林郭勒草地NDVI-CAI特征空間呈三角形分布，三個(gè)頂點(diǎn)分別代表PV、NPV與BS，滿足三元線性混合模型的基本假設(shè)。

(2)不同端元選擇方法對(duì)估算精度具有一定的影響，其中基于最小包含端元特征法提取端元進(jìn)行估算的精度最高，fPV估算均方根誤差為4.57，估算精度為91.2%；fNPV估算均方根誤差為5.90，估算精度為67.91%(樣本數(shù)N=52)。純凈象元指數(shù)法估算精度次之(fPV估算精度為91.0%；fNPV估算精度為67.91%)， 基于實(shí)測(cè)光譜端元估測(cè)精度相對(duì)最差(fPV估算精度為86.2%；fNPV估算精度為56.7%)?？傮w來(lái)說(shuō)，PV的估測(cè)精度高于NPV, 基于實(shí)測(cè)光譜端元估測(cè)的精度要低于影像端元。

(3)基于NDVI-CAI三元線性混合模型估算的fPV和fNPV的季節(jié)變化與牧草的物候發(fā)育特征相吻合，可應(yīng)用于分析錫林郭勒草原fPV和fNPV的時(shí)間變化。

[1] 朱敬芳, 邢白靈, 居為民, 朱高龍, 柳藝博. 內(nèi)蒙古草原植被覆蓋度遙感估算. 植物生態(tài)學(xué)報(bào), 2011, 35(6): 615- 622.

[2] 魏利平. 不同因素對(duì)錫林郭勒盟草原退化影響程度研究 [D]. 內(nèi)蒙古: 內(nèi)蒙古農(nóng)業(yè)大學(xué), 2007.

[3] Arsenault E, Bonn F. Evaluation of soil erosion protective cover by crop residues using vegetation indices and spectral mixture analysis of multispectral and hyperspectral data. Catena, 2005, 62(2/3): 157- 172.

[4] Daughtry C S T. Discriminating crop residues from soil by shortwave infrared reflectance. Agronomy Journal, 2001, 93(1): 125- 131.

[5] Nagler P L, Inoue Y, Glenn E P, Russ A L, Daughtry C S T. Cellulose absorption index (CAI) to quantify mixed soil-plant litter scenes. Remote Sensing of Environment, 2003, 87(2/3): 310- 325.

[6] Morrison J E, Lemunyon J, Bogush H C. Sources of variation and performance of nine devices when measuring percent residue cover. Transaction of American Society of Agricultural Engineers, 1995, 38(2): 521- 529.

[7] BannariA, PachecoA, Staenz K, McNairn H, Omari K. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and IKONOS data. Remote Sensing of Environment, 2006, 104(4): 447- 459.

[8] Major D J, Larney F L, Lindwall C W. Spectral reflectance characteristics of wheat residue // Proceedings of the International Geoscience and Remote Sensing Symposium (IGARSS′90). New Jersey: IEEE, 1990: 603- 607.

[9] McNairn H, Protz R. Mapping corn residue cover on agricultural fields in Oxford County, Ontario, using Thematic Mapper. Canadian Journal of Remote Sensing, 1993, 19(2): 152- 159.

[10] Biard F, Bannari A, Bonn F. SACRI (Soil Adjusted Corn Residue Index): un indice utilisant le proche et le moyen infrarouge pour la détection des résidus de culture de ma?s. Proceedings of the 17th Canadian Symposium on Remote Sensing, 1995: 413- 419.

[11] Gelder B K, Kaleita A L, Cruse R M. Estimating mean field residue cover on Midwestern soils using satellite imagery. Agronomy Journal, 2009, 101(3): 635- 643.

[12] Daughtry C S T, Hunt E R, Doraiswamy P C, McMurtrey J E. Remote sensing the spatial distribution of crop residues. Agronomy Journal, 2005, 97(3): 864- 871.

[13] Daughtry C S T, Nagler P L, Kim M S, McMurtrey J E III, Chappelle E W. Spectral reflectance of soils and crop residues // Davies A M C, Williams P, eds. Near Infrared Spectroscopy: The Future Waves. Chichester, UK: NIR Publications, 1996: 505- 511.

[14] Daughtry C S T, Hunt Jr E R, McMurtrey J E. Assessing crop residues cover using shortwave infrared reflectance. Remote Sensing of Environment, 2004, 90(1): 126- 143.

[15] Bannari A, Chevrier M, Staenz K, McNairn H. Potential of hyperspectral indices for estimating crop residue cover. Revue Télédétection, 2007, 7: 447- 463.

[16] Daughtry C S T, McMurtrey J E III, Chappelle E W, Hunter W J, Steiner J L. Measuring crop residue cover using remote sensing techniques. Theoretical and Applied Climatology, 1996, 54(1/2): 17- 26.

[17] Wiegand C L, RichardsonA J. Relating spectral observations of the agricultural landscape to crop yield. Food Structure, 1992, 11(3): 249- 258.

[18] Guerschman J P, Hill M J, Renzullo L J, Barrett D J, Marks A S, Botha E J. Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO- 1Hyperion and MODIS sensors. Remote Sensing of Environment, 2009, 113(5): 928- 945.

[19] http: //www1. imau. edu. cn/shenggong/newx. php?type=18&id=246.

[20] Datt B, Jupp D. Hyperion Data Processing Workshop: Hands-on processing instructions, 2004.

[21] 郭占軍, 閻廣建, 馮雪, 王遠(yuǎn)征, 張霄羽. 遙感估算植被覆蓋度的角度效應(yīng)分析. 北京師范大學(xué)學(xué)報(bào): 自然科學(xué)版, 2007, 43(3): 343- 349.

[22] Bateson C A, Asner G P, Wessman C A. Endmember bundles: A new approach to incorporating endmember variability into spectral mixture analysis. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(2): 1083- 1094.

[23] Wittich K P, Hansing O. Area-averaged vegetative cover fraction estimated from satellite data. International Journal of Biometeorology, 1995, 38(4): 209- 215.

[24] Purevdorj T S, Tateishi R, Ishiyama T, Honda Y. Relationships between percent vegetation cover and vegetation indices. International Journal of Remote Sensing, 2013, 19(18): 3519- 3535.

[25] Serbin G, Hunt E R, Daughtry C S T, McCarty G W, Doraiswamy P C. An improved SATER index for remote sensing of crop residue. Remote Sensing, 2009, 1(4): 971- 991.

Estimating fractional cover of photosynthetic vegetation and non-photosynthetic vegetation in the Xilingol steppe region with EO- 1 hyperion data

LI Tao1,2, LI Xiaosong1,*, LI Fei1,2

1KeyLaboratoryofDigitalEarthScience,InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100094,China2GraduateSchoolofChineseAcademyofSciences,Beijing100101,China

Quantitative estimation of the spatial and temporal dynamics of the fractional cover of photosynthetic vegetation (fPV) and non-photosynthetic vegetation (fNPV) in semi-arid grasslands is critical for understanding grassland conditions such as vegetation abundance, drought severity, fire fuel load, stocking rate, and disturbance events and recovery. It is also important for scientific grassland resource management. Over the past several decades, remote sensing has become an important tool for estimating the fractional cover of vegetation, which is a key descriptor of ecosystem function. However, most efforts have been devoted to the estimation offPVrather thanfNPV, although the latter is equally important, especially in arid and semi-arid ecosystems. This study describes a linear unmixing approach for estimatingfPVandfNPVin the Xilingol steppe region with hyperspectral and field investigation data. Five Hyperion images acquired on April 4, May 20, July 27, August 30, and November 15 in 2012 and a field-measured spectral library were utilized to explore the spectral feature space offPVandfNPVin order to validate the feasibility of a linear unmixing model. This model is based on two complementary spectral indices of vegetation that have been used in remote sensing analyses to discriminate green and dry vegetation from soils: the Normalized Difference Vegetation Index (NDVI) and the Cellulose Absorption Index (CAI). Different end-member extraction methods, including the Minimum-Volume Enclosing (MVE) method, the Pixel Purity Index (PPI) method, and a field measurement method, were adopted to retrieve the end-member values of photosynthetic vegetation, non-photosynthetic vegetation, and bare soil, respectively, from NDVI and CAI. Then, the influence of end-member extraction on the accuracy of thefPVandfNPVestimation was evaluated through comparison with field-measuredfPVandfNPVvalues acquired from classifications performed on fisheye photos (N=52). Subsequently, the optimum unmixing strategy was utilized to retrieve the temporal dynamics offPVandfNPVin a fenced area, where the grassland was not influenced by human activities, so that the usefulness of these fractional coverage indices could be validated by checking their consistency with the phenology of natural grassland. The result shows that the linear unmixing model based on NDVI and CAI was effective for estimatingfPVandfNPVin the Xilingol steppe region. The NDVI-CAI feature space follows a triangular distribution, where the three vertexes represent photosynthetic vegetation, non-photosynthetic vegetation, and bare soil, meeting the essential requirements of the linear unmixing model. The estimation accuracy was different for the different end-member extraction methods. The MVE-based estimation had the highest accuracy, with estimated accuracy of 91.2% and 67.91% forfPVandfNPV, respectively, followed by the PPI-based estimation (91.0% and 59.5% forfPVandfNPV, respectively) and the field-measurement-based estimation (86.2% and 56.7% forfPVandfNPV, respectively). In general, the estimation accuracy was higher forfPVthanfNPV, and the field-measured end-member performed worse than the image end-member, which was probably due to the inconsistency between the field-measured spec and the Hyperion spec. Additionally, the temporal dynamics offPVandfNPVwere confirmed to be consistent with the phenological seasonal change in natural grasslands. Therefore, the method proposed here can be used to monitor the temporal and spatial variations offPVandfNPVin semi-arid grasslands.

Hyperion; NDVI-CAI model; photosynthetic vegetation (PV); non-photosynthetic vegetation (NPV); end-member selection

國(guó)家科技支撐計(jì)劃(2011BAH23B04); 國(guó)家科技重大專項(xiàng)(21-Y30B05- 9001- 13/15)

2013- 08- 14;

2014- 06- 12

10.5846/stxb201308142075

*通訊作者Corresponding author.E-mail: lixs@radi.ac.cn

李濤, 李曉松, 李飛.基于Hyperion的錫林郭勒草原光合植被、非光合植被覆蓋度估算.生態(tài)學(xué)報(bào),2015,35(11):3643- 3652.

Li T, Li X S, Li F.Estimating fractional cover of photosynthetic vegetation and non-photosynthetic vegetation in the Xilingol steppe region with EO- 1 hyperion data.Acta Ecologica Sinica,2015,35(11):3643- 3652.