孫斌，李增元，郭中，高志海，王琫瑜

(1.中國林業(yè)科學研究院資源信息研究所，北京 100091；2.內蒙古自治區(qū)林業(yè)科學研究院，呼和浩特 010010)

高分一號與Landsat TM數(shù)據(jù)估算稀疏植被信息對比

孫斌1，李增元1，郭中2，高志海1，王琫瑜1

(1.中國林業(yè)科學研究院資源信息研究所，北京 100091；2.內蒙古自治區(qū)林業(yè)科學研究院，呼和浩特 010010)

為了分析高分一號衛(wèi)星數(shù)據(jù)在稀疏植被信息提取方面的能力，該文選取渾善達克沙地及其周邊為研究區(qū)，以GF-1和Landsat TM為數(shù)據(jù)源，結合地面同步實測數(shù)據(jù)，比較了兩個傳感器在荒漠化地區(qū)植被覆蓋度和地上生物量估算方面的能力與差異。結果表明：在該區(qū)域，兩種數(shù)據(jù)基于NDVI建立的對數(shù)模型可用于植被覆蓋度的估測(GF-1：R2=0.7966，RMSEP=0.0908；Landsat 8：R2=0.8080，RMSEP=0.0871)，GF-1基于SAVI和Landsat 8基于NDVI建立的乘冪模型進行地上生物量的估測效果最好(R2=0.4866，0.3715；RMSEP=143.46，130.71)。其次，在該區(qū)域，經(jīng)過修正的土壤調節(jié)植被指數(shù)MSAVI相對于沒有經(jīng)過修正的土壤調節(jié)植被指數(shù)SAVI，與植被覆蓋度和植被生物量的相關性并沒有多大提高。第三，兩種數(shù)據(jù)通過引入藍色、綠色波段的多元回歸模型估算植被覆蓋度相比單一植被指數(shù)植被要好，尤其是對于Landsat影像改進效果更為明顯，R2提高了0.3。總之，GF-1的16m數(shù)據(jù)具有相對較高的質量，可以代替Landsat 8多光譜數(shù)據(jù)，而且其具有更高的分辨率、重訪周期和覆蓋范圍。

高分一號；Landsat 8；植被指數(shù)；植被覆蓋度；地上生物量；回歸模型

0 引 言

荒漠化是指包括氣候變化和人類活動在內的種種因素造成的干早、半干早和干早亞濕潤地區(qū)的土地退化[1]。在荒漠化地區(qū)，植被覆蓋度和植被生物量是衡量地表植被狀況的兩個重要指標，同時也是影響土壤侵蝕與水土流失的主要因子[2-3]。因此，準確地評估荒漠化地區(qū)的植被覆蓋度和植被生物量狀況，對于掌握荒漠化發(fā)展態(tài)勢具有重要意義[4-5]。

目前，植被覆蓋度的估測主要包括地面測量和遙感估算兩種方法。其中地面測量主要包括目估法、采樣法和儀器測量法等。如任杰等人[6]、趙繼強等人[7]對從數(shù)碼照片中提取植被覆蓋度的方法進行了探索?？傮w而言，這些方法都具有簡單易操作的特點，缺點是主觀隨意性較大，工作效率較低，不適合大范圍的植被覆蓋度估測[8-9]。隨著科學技術的發(fā)展，遙感成為估算植被覆蓋度的主要技術手段，它具有適應尺度大和工作效率高的特點，其主要方法有植被指數(shù)法、混合像元分解法和神經(jīng)網(wǎng)絡的方法[10]。如Mohamma等[11]基于SPOT影像的NDVI植被指數(shù)計算了敘利亞地區(qū)植被覆蓋度并分級；李曉松等[12]基于星載高光譜Hyperion數(shù)據(jù)，系統(tǒng)比較了NDVI與偏最小二乘回歸(PLS)估測荒漠化地區(qū)植被覆蓋度的能力；張瑾[13]使用長時間序列的MODIS NDVI數(shù)據(jù)，基于改進的混合像元二分模型的方法，對我國2000年～2010年植被覆蓋度進行了反演；陳濤等[14]使用BJ-1影像數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡法對密云水庫流域內的植被覆蓋進行了反演。

在荒漠化地區(qū)植被地上生物量估測中，傳統(tǒng)的野外調查實測方法獲得的數(shù)據(jù)精度很高，但是對于大范圍的研究區(qū)難以做到均勻的實地調查，而且通過有限的樣點推算整個區(qū)域生物量會產(chǎn)生較大誤差[15]。遙感技術的應用在很大程度上彌補了地面調查取樣的不足，通過植被指數(shù)與地上生物量建立相應的函數(shù)關系，進而推算整個研究區(qū)生物量的方法取得了一定的研究成果。如除多等人[16]基于該方法，對青藏高原中部草地地上生物量遙感估算方法進行了探索；高添等人[17]基于MODIS NDVI數(shù)據(jù)和樣地調查數(shù)據(jù)，對內蒙古西部草原地上生物量進行了估算；孫曉芳等人[18]基于野外調查數(shù)據(jù)和同期的遙感影像數(shù)據(jù)，發(fā)展了一種草地地上生物量的高精度曲面建模的方法。

通過對比可以發(fā)現(xiàn)，在這些方法中，以植被指數(shù)法估算植被覆蓋度和地上生物量的方法最為簡潔易行且具有較高的精度。植被指數(shù)(Vegetation index，VI)是指對多光譜遙感數(shù)據(jù)的波段進行線性組合或非線性組合，得到的對植被長勢、覆蓋狀況、生物量、葉面積指數(shù)等有一定指示意義的數(shù)值[19]。在衛(wèi)星影像中，紅光和紅外波段等包含了90%以上的植被信息[20]，因此可以利用這些波段的不同組合形式提取不同的植被指數(shù)，進行大范圍植被覆蓋度和生物量估測。近年來，國內外學者做了大量的研究工作[21-25]，今已發(fā)展了40余種植被指數(shù)，雖然大多數(shù)植被指數(shù)都可應用于植被參量遙感估測，但不同環(huán)境下的效果存在爭論，至今尚未明確各種植被指數(shù)間的相互關系及其適用范圍[26-29]。

2013 年2月11日在美國加州成功發(fā)射的Landsat 8衛(wèi)星，填補了Landsat系列衛(wèi)星近1年4個月無數(shù)據(jù)的空白[30]。而作為中國高分辨率對地觀測系統(tǒng)的首發(fā)星，“高分一號”(GF-1)衛(wèi)星于2013年4月26日發(fā)射成功，衛(wèi)星搭載了2臺8m分辨率和4臺16m分辨率多光譜相機[31]。作為目前比較新的兩顆衛(wèi)星，GF-1和Landsat 8各有優(yōu)勢，GF-1擁有比Landsat 8更高的分辨率，而Landsat 8擁有更多的波段設置。GF-1的幅寬為60km(8m多光譜)和800km(16m多光譜)，Landsat 8的幅寬為185km。在重訪周期上，Landsat 8為16天，而GF-1僅為4天，這在一定程度上提高了同一地區(qū)的長時間序列數(shù)據(jù)的獲取能力。兩個衛(wèi)星影像的相同波段的波長參數(shù)列表如表1所示。

表1 GF-1和Landsat 8相同波段性能參數(shù)列表

從表1可以發(fā)現(xiàn)，在相同波段的設置中，兩顆衛(wèi)星的不同主要集中在近紅外波段波長的設置，為了去除在0.825μm處的水汽吸收的影響[32]，Landsat 8收窄了它的近紅外波段的范圍。其次，在全色波段的設置中，Landsat 8衛(wèi)星中的全色波段分辨率為15m，而且不包含近紅外波段，而GF-1的全色波段為2m分辨率，包含了近紅外波段。

目前兩顆衛(wèi)星均正常運行，由于兩者都是系列衛(wèi)星，因此在將來都是長時間序列數(shù)據(jù)集構建的重要數(shù)據(jù)源，這對于基于遙感手段進行植被變化和生態(tài)環(huán)境變化動態(tài)監(jiān)測意義重大。目前對于Landsat系列衛(wèi)星相關研究較多，而應用GF-1數(shù)據(jù)的相關研究還很少。本研究以GF-1號衛(wèi)星的16m分辨率影像和Landsat 8的OLI影像為主要數(shù)據(jù)源，通過提取不同植被指數(shù)與獲取同期地面實測數(shù)據(jù)，建立不同植被參量的反演統(tǒng)計模型，旨在分析兩種新的遙感數(shù)據(jù)在半干旱荒漠化地區(qū)植被參量反演能力，從而為兩種遙感數(shù)據(jù)的使用提供參考。

1 數(shù)據(jù)和研究方法

1.1 研究區(qū)概況

研究獲取的遙感影像覆蓋了渾善達克沙地及其周邊，影像列表如表2所示。渾善達克沙地地處內蒙古自治區(qū)中部的內蒙古高原上，是我國四大沙地之一，也是華北區(qū)域近年來頻繁發(fā)生沙塵暴的主要沙塵源地之一[33]。其地理位置介于42°06′N～43°45′N和112°41′E～117°30′E之間，面積約5.2萬平方公里，平均海拔1300m。渾善達克沙地屬溫帶大陸性氣候，年平均氣溫為1.5℃，年均降水為365.1mm，主要降水集中在7月～9月，占全年降水的80%～90%。渾善達克沙地內多為固定或半固定沙丘，周邊為多為戈壁、稀疏草地等覆蓋，土壤多為栗鈣土和沙土。主要的植被類型包括羊草(Leymuschinensis(Trin.) Tzvelev.)、冰草(Agropyroncristatum(L.) Gaertn.)、冷蒿(ArtemisiafrigidaWilld.)、黑沙蒿(ArtemisiaordosicaKrasch.)、沙蓬(Agriophyllumsquarrosum(L.) Moq)、蟲實(CorispermumhyssopifoliumL.)、沙鞭(Psammochloavillosa(Trin.) Bor)、蘆葦(Phragmitesaustralis(Cav.) Trin.ex Steud.)、苔草(CarexcallitrichosV.Krecz)、糙隱子草(Cleistogenessquarrosa(Trin.) Keng)、芨芨草(Achnatherumsplendens(Trin.) Nevski)、小葉錦雞兒(CaraganamicrophyllaLam.)等。

1.2 遙感數(shù)據(jù)的預處理

對GF-1數(shù)據(jù)的預處理主要包括大氣校正和幾何校正兩個部分，根據(jù)GF-1提供的波段、半波長信息和中國衛(wèi)星應用中心提供的GF-1 WFV相機的輻射定標系數(shù)和GF-1載荷光譜響應函數(shù)，利用ENVI的Flaash模塊進行大氣校正，以消除大氣、光照等因素對地物反射的影響。使用ERDAS Imagine軟件提供的Geometric Correction模塊，以Landsat TM影像為參考，結合已經(jīng)過幾何精校正的高分辨率影像，選取38個均勻分布在整景影像的控制點，基于二次多項式模型對影像做了幾何糾正，誤差控制在一個像元之內。同樣，基于ENVI的Flaash模塊對Landsat 8影像也進行了大氣校正，之后對兩種數(shù)據(jù)都進行了影像拼接。

表2 獲取的遙感影像信息表

1.3 樣地數(shù)據(jù)

課題組于2013年8月21日～30日對研究區(qū)進行樣地植被覆蓋度和植被地上生物量的野外調查，獲取了與影像同期的實測數(shù)據(jù)。在研究區(qū)內共布設樣地點54個，并用GPS(Trimble GeoExplorer 3000 Series)定位，記錄下樣地的經(jīng)緯度。圖1為研究區(qū)地理位置、獲取影像及野外調查樣地點分布圖。

采用“針刺法”對植被覆蓋度進行測量，具體方法為：沿著兩條互相垂直的樣線，以1m為單位依次判斷落針處有無植被覆蓋，有植被覆蓋記為1(同時記錄植被種名)，無覆蓋記為0，最后統(tǒng)計并計算植被的覆蓋度。

采用“收割法”對植被生物量進行地面測量，具體方法為：在樣地的對角線方向布設2個1m×1m的小樣方，取其平均值作為小樣方的生物量鮮重，進而推算整個大樣地的生物量鮮重。將小樣方地上部分的植被貼地全部剪起，稱量鮮重，然后帶回室內用烘箱烘干至恒量，然后稱量，計算植被樣品的含水率，進而推算生物量干重(單位：g/m2)。

在野外調查中，同時記錄的樣地信息還有主要草種、優(yōu)勢種高度、土壤類型和樣地類型等信息，以便為后面的結果分析提供參考。

圖1 研究區(qū)地理位置及野外調查樣地點分布

1.4 植被指數(shù)選取

根據(jù)影像位置特點，研究選取的植被指數(shù)主要是考慮了土壤背景對植被信息提取的影響。選取的植被指數(shù)主要包括：歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)[34]、土壤調整植被指數(shù)(Soil Adjusted Vegetation Index，SAVI)[35]和修正的土壤調節(jié)植被指數(shù)(Modified Soil Adjusted Vegetation Index，MSAVI)[36]。

(1)

(2)

(3)

其中，RNIR為近紅外波段的反射率，Rred為紅光波段的反射率，Rblue為藍光波段的反射率，L1為降低土壤背景的影響而設置的一個土壤調節(jié)參數(shù)，它隨著植被密度變化而變化，Huete認為在稀疏植被覆蓋地區(qū)消除土壤背景影響的恰當調節(jié)參數(shù)為L1=0.5[26，28]。

1.5 多元回歸分析

本研究所選取的3種植被指數(shù)都是通過紅波段與近紅波段的組合計算出來的，而GF-1傳感器中有4個波段，Landsat 8中的OLI傳感器更是擁有9個波段，為了探索這些未參與計算的波段與提取的植被指數(shù)結合能否提高遙感反演的精度，本研究嘗試將藍色波段、綠色波段的波段反射率結合相應的植被指數(shù)構建多元回歸模型來探索能否提高植被覆蓋度和地上生物量的估測精度。

1.6 回歸模型建立與檢驗

以GPS記錄的樣地位置為中心，提取2×2個窗口像元的植被指數(shù)的平均值作為影像對應位置的植被指數(shù)值，這樣可以最大程度上保證實測植被參量數(shù)據(jù)和遙感影像光譜數(shù)據(jù)在幾何位置上的匹配。以影像計算的各個植被指數(shù)的數(shù)值為自變量，實測的植被覆蓋度和地上生物量作為因變量建立4種回歸模型：線性模型、指數(shù)模型、乘冪模型和對數(shù)模型。

回歸模型之間用決定系數(shù)R2和均方根誤差(RMSE)來進行植被覆蓋度和地上生物量估測精度的評價。R2越高、RMSE越小表明估測的效果越好。R2和RMSE的計算公式如下：

(4)

(5)

結合影像進行分析，去除位于云下的2個樣地和不在GF-1和Landsat 8公共區(qū)域影像的1個樣地，有效的樣地數(shù)據(jù)51個，其中，41個用于建模(n=41)，10個用于驗證(n=10)。

2 結果分析

2.1 植被指數(shù)與植被地表參量的擬合比較

根據(jù)GF-1影像和Landsat 8影像提取的植被指數(shù)與實測樣地數(shù)據(jù)建立不同的回歸模型，R2、建模校正誤差均方根(RMSEC)和預測誤差均方根(RMSEP)結果如表3、表4所示。植被指數(shù)與植被覆蓋度和地上生物量相關性最優(yōu)模型擬合效果如圖2、圖3所示。從統(tǒng)計結果可以看出，總體而言，基于植被指數(shù)法的植被覆蓋度估測效果明顯好于地上生物量的估測效果。在植被覆蓋度的估測中，R2都在0.5～0.8之間，而地上生物量的估測中，R2在0.1～0.5之間，明顯低很多。

在植被覆蓋度的估測中，對于GF-1影像，3種植被指數(shù)估測效果依次為NDVI>SAVI>SAVI，4種不同模型的估算效果為估測效果依次為對數(shù)>乘冪>線性>指數(shù)。雖然通過SAVI和MSAVI所建立的對數(shù)模型雖然有較高的R2，但是RMSEP均較大。因此總體結果以基于NDVI的對數(shù)模型表現(xiàn)最好(R2=0.7966，RMSEP=0.0841)。經(jīng)過統(tǒng)計，基于NDVI構建的對數(shù)模型RMSEP約為驗證實測數(shù)據(jù)平均值的14%，從圖2可以看出誤差主要集中在對于覆蓋度0.8以上的點估測過高。而SAVI構建的對數(shù)模型的RMSEP占驗證實測數(shù)據(jù)平均值的18%，誤差主要集中在對覆蓋度0.8左右的兩個樣地的高估和低估。MSAVI構建的對數(shù)模型的RMSEP占驗證實測數(shù)據(jù)平均值的22%，誤差主要集中在對覆蓋度0.3以下的兩個樣地和0.8以上一個樣地的估測過高。對于Landsat 8數(shù)據(jù)，表現(xiàn)最好的植被指數(shù)為NDVI，其次是SAVI和MSAVI。4種不同模型的估算效果為估測效果依次為對數(shù)>線性>乘冪>指數(shù)，總體結果以基于NDVI的對數(shù)模型表現(xiàn)最好(R2=0.8080，RMSEP=0.0871)。綜合分析，兩種數(shù)據(jù)均以NDVI構建的對數(shù)模型表現(xiàn)最佳，而且NDVI指數(shù)提取植被信息范圍更廣，在值0.8以上才達到飽和，而SAVI和MSAVI提取植被信息范圍較窄，在0.4左右就達到了飽和。相比GF-1數(shù)據(jù)，Landsat 8數(shù)據(jù)的SAVI和MSAVI構建的模型R2均低很多，RMSEP也較大。

表3 不同植被指數(shù)估算植被覆蓋度表現(xiàn)

表4 不同植被指數(shù)估算植被地上生物量表現(xiàn)

圖2 不同植被指數(shù)估測植被覆蓋度最佳模型及驗證結果

圖3 不同植被指數(shù)估測植被地上生物量最優(yōu)模型

在地上生物量的估測中，對于GF-1數(shù)據(jù)，3種植被指數(shù)的估測效果依次為SAVI>MSAVI>NDVI，4種不同估算模型的估測效果依次為乘冪>指數(shù)>對數(shù)>線性，總體結果以基于SAVI的乘冪模型表現(xiàn)最好(R2=0.4866，RMSEP=143.46)。對于Landsat 8數(shù)據(jù)，表現(xiàn)最好的植被指數(shù)為NDVI，其次是SAVI和MSAVI。4種不同的模型的估算效果為估測效果依次為乘冪>對數(shù)>指數(shù)>線性，總體結果以基于SAVI的乘冪模型表現(xiàn)最好(R2=0.3715，RMSEP=124.90)。綜合分析，兩種數(shù)據(jù)均以植被指數(shù)建立的乘冪模型表現(xiàn)最好，其中GF-1數(shù)據(jù)構建的模型效果好于Landsat 8。

在本研究區(qū)，經(jīng)過修正的土壤調節(jié)植被指數(shù)MSAVI相對于沒有經(jīng)過修正的土壤調節(jié)植被指數(shù)SAVI，表現(xiàn)效果更好，這一結果與李曉松等人[37]在甘肅民勤-荒漠化過渡帶典型區(qū)的研究結果是一致的。就兩種數(shù)據(jù)相對而言，GF-1數(shù)據(jù)提取的植被指數(shù)，與地面實測的覆蓋度以及生物量的相關性(除了NDVI估測植被覆蓋度相關性稍低于)均較高于Landsat 8影像。這在很大程度上是由于GF-1具有相對較高的分辨率，對于荒漠化地區(qū)的稀疏植被具有更準確的反映。因此，在本研究區(qū)植被覆蓋度和地上生物量的估測中，GF-1數(shù)據(jù)可以代替Landsat 8數(shù)據(jù)。但是，對于兩種數(shù)據(jù)而言，相對于植被覆蓋度反演的較高精度，植被地上生物量的反演精度較低，因此在本研究區(qū)不能使用該方法進行植被地上生物量的估算。

2.2 多元回歸估測植被參量比較

根據(jù)前文的分析，基于3種植被指數(shù)的線性模型在植被覆蓋度的估測中表現(xiàn)出了不同的估算效果。在此基礎上，本節(jié)嘗試將未參與指數(shù)計算的藍色波段反射率、綠色波段反射率引入，與3種植被指數(shù)建立多元回歸模型估算植被覆蓋度和地上生物量，探索對于這兩個植被參量的估算精度是否有提高(表5、表6)。

表5 多元回歸模型估測植被覆蓋度表現(xiàn)

表6 多元回歸模型估測植被地上生物量表現(xiàn)

研究發(fā)現(xiàn)，3種植被指數(shù)引入藍色波段反射率和綠色反射率后構建的模型R2都較為接近，但相對于前文單獨的植被指數(shù)構建的模型，R2均有不同程度的提高。其中以MSAVI最為明顯，對于GF-1而言，基于MSAVI的擬合模型R2提高了0.1，達到了0.758，SAVI與NDVI也略有提高，表征結果預測的RMSEP也有所減小。對于Landsat 8數(shù)據(jù)而言，提高更為明顯，基于MSAVI、SAVI和NDVI的擬合模型R2由0.4794、0.5499和0.7439都提高到了0.83以上，RMSEP的值也有所減小?？傮w而言，兩種影像數(shù)據(jù)通過引入藍色、綠色波段的多元回歸模型對于植被覆蓋度的估測能力顯著提高，尤其是對于Landsat 8影像效果更為明顯。

對于植被地上生物量的多元回歸估算，相對一元線性回歸模型，各模型的R2和RMSEP均略有提高，但是不夠明顯，仍然無法滿足高精度估算要求。

2.3 兩種數(shù)據(jù)在兩種估算方法中的表現(xiàn)

在植被覆蓋度的一元回歸和多元回歸的估測中，兩種數(shù)據(jù)均表現(xiàn)出了較好的估測效果。其中，在一元回歸的估測中，GF-1的估測效果明顯好于Landsat 8，尤其是SAVI和MSAVI兩個植被指數(shù)的估測效果相對Landsat 8表現(xiàn)更好(SAVI：R2=0.7371、0.5499；MSAVI：R2=0.6596、0.4794)。而在多元回歸的估測中，引入藍色、綠色波段的反射率之后，Landsat 8的估測能力優(yōu)于GF-1。Landsat 8的擬合模型R2在0.84左右，而GF-1的在0.73～0.80之間。相對一元線性回歸的擬合效果，Landsat 8的R2提高了0.3左右。綜上所示，在植被覆蓋度的一元回歸估測中，GF-1表現(xiàn)較好，而在多元回歸的估測中Landsat 8表現(xiàn)更好。

3 結束語

從研究結果可以看出，在半干旱的荒漠化地區(qū)，GF-1和Landsat 8衛(wèi)星提取的植被指數(shù)與植被覆蓋度均具有很高的相關性，對于兩種數(shù)據(jù)，均以NDVI建立的對數(shù)模型表現(xiàn)最好(GF-1：R2=0.7966，RMSEP=0.0908；Landsat 8：R2=0.8080，RMSEP=0.0871)，而且，NDVI比SAVI和MSAVI擁有更廣的植被信息覆蓋范圍。在地上生物量的估測，GF-1表現(xiàn)最好的為基于SAVI的乘冪模型(R2=0.4866，RMSEP=143.46)Landsat 8表現(xiàn)最好的為基于NDVI構建的乘冪模型(R2=0.3715，RMSEP=130.71)，相對于植被覆蓋度反演的較高精度，植被地上生物量的反演精度較低，因此不能使用該方法進行植被地上生物量的估算。這些反演結果表明非線性模型與線性模型比，更加適合植被參量模型的構建。這一研究結果與渠翠平等人[38]、楊連英等人[39]的研究結果是一致的。與此同時，在本研究區(qū)，經(jīng)過修正的土壤調節(jié)植被指數(shù)MSAVI相對于沒有經(jīng)過修正的土壤調節(jié)植被指數(shù)SAVI，在植被覆蓋度和植被生物量的估算中并沒有多大的提高。分析原因可能是由于2013年研究區(qū)生長季降雨量相對其他年份要高很多，在一定程度上植被長勢使得植被覆蓋度濃密，從而使得消除土壤因素的植被指數(shù)限制了結果的準確性。這一問題，在下一步的工作中還要結合氣象因素進行討論分析。

在一元回歸模型的估測中，總體上3種植被指數(shù)建立的4種回歸模型中，GF-1表現(xiàn)明顯優(yōu)于Landsat 8。一方面，這與GF-1相對較高的分辨率有關，另一方面與GF-1傳感器本身性能有關。在多元回歸分析估測植被覆蓋度的分析中，GF-1和Landsat 8通過引入藍色波段、綠色波段的反射率所構建的多元回歸模型對于植被覆蓋度的估測能力有顯著提高，尤其是對于Landsat 8影像效果更為明顯。分析原因，可能與Landsat 8近紅波段波長有關，它的波長在0.85μm～0.88μm之間，相比于GF-1影像，窄了一半還多。這在一定程度上可能影響了一元線性回歸模型的估測效果。因此，在引入其他幾個波段之后使得3種植被指數(shù)在估測植被覆蓋度的能力較單獨使用植被指數(shù)進行估測能力上有顯著提高。具體的原因，還需要進一步結合相應的其他波段設置相同或相近的遙感影像進行進一步的研究與分析。

研究發(fā)現(xiàn)，GF-1與Landsat 8在使用植被指數(shù)法估測植被覆蓋度時表現(xiàn)良好，主要原因還是取決于他們具有較高的空間分辨率，其次是在荒漠化地區(qū)植被以稀疏草地為主，植被指數(shù)沒有達到飽和的問題。因此，我們也應該看到該方法相應的局限性，該方法建立的回歸模型受區(qū)域性的限制，而區(qū)域的經(jīng)驗模型應用于大尺度的推算，可能會帶來較大的誤差[40]。在以稀疏草地為主要植被類型的荒漠化地區(qū)，可以通過植被指數(shù)法建立非線性模型進行植被覆蓋度的估算，而對于地上生物量的估算，使用該方法可能會造成較大誤差，尤其是在植被覆蓋度高的區(qū)域，NDVI會達到飽和，影響植被生長高峰季和高植被覆蓋度區(qū)域的估測。因此，在下一步研究中，需要結合不同的生長期進行分析，可能效果會更好。而相關研究發(fā)現(xiàn)，非參數(shù)的方法如神經(jīng)網(wǎng)絡法可能是較好的選擇[40]。這些都是未來研究提高荒漠化地區(qū)地上生物量估測的方向。

總體來說，反演結果表明，在該研究區(qū)GF-1 16m數(shù)據(jù)可以代替Landsat 8數(shù)據(jù)用于植被覆蓋度和地上生物量的估測，而且，其空間分辨率更高，重訪周期更短，覆蓋面積也更大。這為GF-1及以后其他的GF系列衛(wèi)星和國產(chǎn)衛(wèi)星提供了廣闊的應用前景。同時，GF-1和Landsat 8通過引入藍色或綠色波段的多元回歸模型對于植被覆蓋度的估測能力顯著提高。這些研究都將會對荒漠化地區(qū)的植被參量提取工作提供參考作用。

[1] UNEP.United Nations convention to combat desertification in those countries experiencing serious drought and/or desertification，particularly in Africa[S].Geneva：United Nation Environment Programme for the Convention to Combat Desertification (CCD)，Interim Secretariat for the CCD，1994：71.

[2] 徐爽，沈潤平，楊曉月.利用不同植被指數(shù)估算植被覆蓋度的比較研究[J].國土資源遙感，2012(4)：95-100.

[3] 張峰，周廣勝，王玉輝.基于CASA模型的內蒙古典型草原植被凈初級生產(chǎn)力動態(tài)模擬[J].植物生態(tài)學報，2008，32(4)：786-797.

[4] JIN Y X，XU B，YANG X C，et al.Remote sensing dynamic estimation of grass production in Xilinguole，Inner Monglia[J].Scientia Sinica Vitae，2011，41：1185-1195.

[5] 高志海，李增元，魏懷東，等.干旱地區(qū)植被指數(shù)(VI)的適宜性研究[J].中國沙漠，2006，26(2)：243-248.

[6] 任杰，柏延臣，王錦地.從數(shù)碼照片中快速提取植被覆蓋度的方法研究[J].遙感技術與應用，2010，25(5)：719-724.

[7] 趙繼強，謝東輝，孟夏，等.規(guī)則林地覆蓋度照相測量法的精度分析[J].農(nóng)業(yè)工程學報，2013，29(19)：152-158.

[8] 凌成星，張懷清，鞠洪波，等.基于Worldview-2數(shù)據(jù)的東洞庭湖濕地區(qū)域植被覆蓋度估算研究[J].科學技術與工程，2012，12(29)：7515-7520.

[9] 王紅巖，高志海，王琫瑜，等.基于SPOT5遙感影像豐寧縣植被地上生物量估測研究[J].遙感技術與應用，2010，25(5)：639-646.

[10] 陳巧，陳永富，鞠洪波.基于3S技術的天保區(qū)植被變化監(jiān)測方法研究[J].林業(yè)科學研究，2013，26(6)：736-742.

[11] MONTANDON L M，SMALL E E.The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI[J].Remote Sensing of Environment，2008，112：1835-1845.

[12] 李曉松，李增元，高志海，等.基于NDVI與偏最小二乘回歸的荒漠化地區(qū)植被覆蓋度高光譜遙感估測[J].中國沙漠，2011，(1)：162-167.

[13] 張瑾.全國時空連續(xù)植被覆蓋度遙感監(jiān)測[D].北京：中國科學院研究生院，2013.

[14] 陳濤，牛瑞卿，李平湘，等.基于人工神經(jīng)網(wǎng)絡的植被覆蓋遙感反演方法研究[J].遙感技術與應用，2010，25(1)：24-30.

[15] FANG J Y，YANG Y H，MA W H，et al.Ecosystem carbon stocks and their changes in China's grasslands[J].Science China Life Science，2010，53：757-765.

[16] 除多，普布次仁，德吉央宗，等.西藏高原中部草地地上生物量遙感估算方法[J].山地學報，2013，31(6)：664-671.

[17] 高添，徐斌，楊秀春，等.內蒙古西部草原地上生物量的遙感估算[J].中國沙漠，2013，33(2)：597-603.

[18] 孫曉芳，岳天祥，王情.草地地上生物量高精度曲面建模[J].遙感學報，2013，17(5)：1060-1076.

[19] 趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.

[20] 天慶久，閔祥軍.植被指數(shù)研究進展[J].地球科學進展，1998，13(4)：327-333.

[21] 李曉松，高志海，李增元，等.基于高光譜混合像元分解的干旱地區(qū)稀疏植被覆蓋度估測[J].應用生態(tài)學報，2010，(1)：152-158.

[22] 樸世龍，方精云，賀金生，等.中國草地植被生物量及其空間分布格局[J].植物生態(tài)學報，2004，28(4)：491-498.

[23] 王正興，劉闖，陳文波，等.MODIS 增強型植被指數(shù)EVI與NDVI 初步比較[J].武漢大學學報(信息科學版)，2006，31(5)：407-410.

[24] 金云翔，徐斌，楊秀春，等.草原生物量及碳密度遙感估算--以內蒙古正藍旗為例[J].中國農(nóng)學通報，2013，29(5)：11-16.

[25] 范建友，丁國棟，關博源，等.正藍旗植被覆蓋動態(tài)變化的遙感監(jiān)測[J].中國水土保持科學，2005，3(4)：54-59.

[26] MYNENI R B，HALL F B，SELLERS P J，et a1.The interpretation of spectral vegetation indices[J].IEEE Transactions on Geoscience and Remote Sensing，1995，33：481-486.

[27] 李京，陳晉，袁清.應用NOAA/AVHRR遙感資料對大面積草場進行產(chǎn)草量定量估算的方法研究[J].自然資源學報，1994，9(4)：365-374.

[28] 張艷楠，牛建明，張慶，等.植被指數(shù)在典型草原生物量遙感估測應用中的問題探討[J].草業(yè)學報，2012，21(1)：229-238.

[29] WU J J，GAO Z H，LI Z Y，et al.Estimation for sparse vegetation information in desertification region based on Tiangong-1 hyperspectral image[J].Spectroscopy and Spectral Analysis，2014，34(3)：751-756.

[30] NASA.LDCM Launch.[EB/OL].http：//www.nasa.Gov/mission_pages/landsat/launch/index.html，2013/4/18.

[31] 中國資源衛(wèi)星應用中心.[EB/OL].http：//www.cresda.com/n16/index.html.

[32] 徐涵秋，唐菲.新一代Landsat系列衛(wèi)星：Landsat 8 遙感影像新增特征及其生態(tài)環(huán)境意義[J].生態(tài)學報，2013，33(11)：3249-3257.

[33] 銀山.內蒙古渾善達克沙地荒漠化動態(tài)研究[D].呼和浩特：內蒙古農(nóng)業(yè)大學，2010.

[34] DEERING D W，ROUSE J W，HAAS R H，et a1.Measuring forage production of grazing units from Landsat MSS data[J].Proceedings of the 10th International Symposium on Remote Sensing of Environment，1975：1169-1178.

[35] HUETE A R.A soil-adjusted vegetation index (SAVI)[J].Remote Sensing of Environment，1988，25(3)：295-309.

[36] QI J，CHEHBOUNI A，HUETE A R，et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment，1994，48：119-126.

[37] 李曉松，李增元，高志海，等.基于Hyperion植被指數(shù)的干旱地區(qū)稀疏植被蓋度估測[J].北京林業(yè)大學學報，2010，32(3)：95-100.

[38] 渠翠平，關德新，王安志，等.基于MODIS數(shù)據(jù)的草地生物量估算模型比較[J].生態(tài)學雜志，2008，27(11)：2028-2032.

[39] 楊英蓮，邱新法，殷青軍，等.2007.基于MODIS增強型植被指數(shù)的青海省牧草產(chǎn)量估產(chǎn)研究[J].氣象，33(6)：102-107.

[40] 梁順林，李小文，王錦地，等.定量遙感：理念與算法[M].北京：科學出版社，2013.

Comparison of Sparse Vegetation Information Estimation Based on GF-1 and Landsat Multi-spectral Data

SUN Bin1，LI Zeng-yuan1，GUO Zhong2，GAO Zhi-hai1，WANG Beng-yu1

(1.ResearchInstituteofForestResourceInformationTechniques，ChineseAcademyofForestry，Beijing100091；2.InnerMongoliaAcademyofForestry,Huhhot010010)

With the wide use of GF-1 data，the ability of sparse vegetation information estimation of the data needs to be further analyzed.Based on the data of domestic satellite GF-1and Landsat 8 as well as the simultaneous field survey of vegetation cover and above-ground biomass，the research was implemented on Otindag sandy land and its surrounding areas，in which abilities of two sensors to estimate vegetation physiological parameters in desertification areas were compared with each other.It was shown that，firstly，in study region，logarithmic functions which were established on NDVI of GF-1 data (R2=0.7966，RMSEP=0.0841) and Landsat 8 data (R2=0.8080，RMSEP=0.0871) could be used to estimate the vegetation coverage perfectly，the power functions which were established on NDVI of GF-1and SAVI of Landsat 8 have the best estimation effect (R2=0.4866，0.3715；RMSEP=143.46，130.71).Secondly，compared with the unrevised vegetation index SAVI，the correlation of MSAVI with vegetation cover and above-ground biomass was not significantly improved.Thirdly，blue and green band were introduced into multiple regression models，which were supposed to enhance the ability of estimating vegetation coverage，especially for Landsat，andR2was improve 0.3.In general，GF-1 has a relatively high data quality，it can replace Landsat 8 data in vegetation parameter inversion，and it has a higher resolution，shorter revisit cycle and wider coverage.

GF-1；Landsat 8；vegetation index；vegetation coverage；above-ground biomass；regression model

2014-10-10

2014-10-21

國家863計劃項目(2012AA12A03)；國家高分辨率對地觀測系統(tǒng)重大專項(21-Y30B05-9001-13/15)。

孫斌(1987—)，男，博士研究生，研究方向為荒漠化遙感監(jiān)測與評價。

E-mail：sunbin5448@126.com

高志海(1963—)，男，研究員，博士，研究方向為荒漠化遙感監(jiān)測與評價、生態(tài)遙感。

E-mail：zhihai_gao@163.com

10.3969/j.issn.1000-3177.2015.05.008

P237

A

1000-3177(2015)141-0048-09