Scientia Geographica Sinica  2012 , 32 (2): 251-256 https://doi.org/10.13249/j.cnki.sgs.2012.02.251

Orginal Article

基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化

马娜12, 胡云锋1, 庄大方1, 张学利2

1.中国科学院地理科学与资源研究所,北京 100101
2. 江苏省有色金属华东地质勘查局,江苏 南京 210007

Vegetation Coverage Distribution and Its Changes in Plan Blue Banner Based on Remote Sensing Data and Dimidiate Pixel Model

MA Na12, HU Yun-feng1, ZHUANG Da-fang1, ZHANG Xue-li2

1.Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
2. East China Mineral Exploration and Development Bureau, Nanjing,Jiangsu 210007, China

中图分类号:  TP79

文献标识码:  A

文章编号:  1000-0690(2012)02-0251-06

通讯作者:  胡云锋,副研究员。E-mail:huyf@lreis.ac.cn

收稿日期: 2011-01-21

修回日期:  2011-06-8

网络出版日期:  2012-02-20

版权声明:  2012 《地理科学》编辑部 本文是开放获取期刊文献,在以下情况下可以自由使用:学术研究、学术交流、科研教学等,但不允许用于商业目的.

基金资助:  科技部973计划(2010CB950904)和国家自然科学基金项目(40701150,40971223)资助

作者简介:

作者简介:马 娜(1984-),女,山东青岛市人,助理工程师,研究方向为GIS与遥感应用。E-mail:mana.hailang@163.com

展开

摘要

以内蒙古锡林郭勒盟正蓝旗为研究区,应用中国环境与灾害监测预报小卫星数据(HJ-1A CCD)及美国陆地卫星数据(Landsat ETM+),在充分考虑区域土壤和植被类型等背景基础上,先后使用了MNF、二维散点制图以及PPI方法,得到具有时空针对性的纯净像元;以此为基础,运用像元二分模型计算得到研究区植被覆盖度空间分布数据;最后,结合研究区其它权威土地覆被和土地利用(LUCC)数据,对比分析了本研究所得的植被覆盖度数据精度,评价了2000~2009年间区域植被覆盖度动态变化过程,指出本区在实施有关生态工程后植被覆盖度恶化趋势得到遏制。研究结果证明,在锡林郭勒盟正蓝旗地区应用像元二分模型计算植被覆盖度的方法是简洁且有效的。

关键词: 内蒙古 ; 环境与灾害监测预报小卫星 ; 植被覆盖度 ; 像元二分模型

Abstract

Vegetation fraction is a general and quantitative index related with vegetation growth, and it has many important applications in the water resources, land desertification, regional ecology and global change research. The authors selected Plain Blue Banner of Inner Mongolia as a case study region, and used the remote sensing data from the Chinese Environmental Disaster Monitoring and Forecasting Satellite data (HJ-1A CCD) and the American Landsat ETM+ data. In the study, the background factors including soil and vegetation type were fully considered firstly, and then the MNF (Minimum Noise Fraction), 2-D scatter plot, and PPT (Pixel Purity Index) method were then applied to obtain the pure soil pixels and pure vegetation pixels. Based on the above NDVI index of pure pixels, the dimidiate pixel model was applied to calculate the regional vegetation fraction distribution. Finally, the result datasets were compared with other authoritative land cover / land use dataset and the accuracy was believed to be acceptable. The regional vegetation change tendency during 2000 and 2009 was also assessed, and it infer to a good transition after the implementation of large scale ecological engineering in Plain Blue Banner from 2000. In the paper, the method of dimidiate pixel model was proved simple and effective in the case study region. Also, a meaningful conclusion about the effects of ecological engineering was deduced base on ETM+ and HJ-1A data sets.

Keywords: Mongolia Plateau ; Chinese Environment and Disaster Monitoring and Forecasting Satellite (HJ-1A) ; vegetation fraction degree ; Dimidiate Pixel Model

0

PDF (570KB) 元数据 多维度评价 相关文章 收藏文章

本文引用格式 导出 EndNote Ris Bibtex

马娜, 胡云锋, 庄大方, 张学利. 基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化[J]. , 2012, 32(2): 251-256 https://doi.org/10.13249/j.cnki.sgs.2012.02.251

MA Na, HU Yun-feng, ZHUANG Da-fang, ZHANG Xue-li. Vegetation Coverage Distribution and Its Changes in Plan Blue Banner Based on Remote Sensing Data and Dimidiate Pixel Model[J]. Scientia Geographica Sinica, 2012, 32(2): 251-256 https://doi.org/10.13249/j.cnki.sgs.2012.02.251

植被覆盖度是指单位面积内植被地上部分的垂直投影面积所占的百分比值。植被覆盖度指示了植被的茂密程度及植物进行光合作用面积的大小,是一个反映地表植被群落生长态势的综合量化指标。美国的通用土壤流失方程(USLE)和修正通用土壤流失方程(RUSLE)、国家水利部发布的土壤侵蚀分级标准等均考虑了植被覆盖度因子,同时也是应用生态学、水土保持科学以及风沙学在野外测量、遥感反演、模型估算研究中的重要指标[1~4]。传统上,对植被覆盖度的测量和估算方法包括目测法、采样法、仪器法等[5, 6]。这些传统的田间测量结果在空间统计和空间插值方法支持下,可以扩展到区域尺度上。但是这种点上抽样、面上插值的方法也存在耗时、耗力,且难以获取时间连续的、空间展布的面状数据等不足。

遥感技术的发展为实时、动态和连续地植被覆盖度监测、评价提供了技术支撑。基于遥感反演植被覆盖度主要有两种路线:一种是基于遥感数据各波段特点,直接建立各波段反射率值与植被覆盖度之间的关系,或者是间接地以植被指数为桥梁,建立植被覆盖度与相关植被指数之间的关系,这方面具体的模型方法包括经验模型法、植被指数法、像元分解法和光谱梯度法;另一种则是基于空间数据挖掘技术(SDMKD ,Spatial Data Mining and Knowledge Discover)的植被覆盖度计算方法,这方面的具体方法包括决策树和人工神经网络等方法。在上述两种方法中,像元分解法在一般的工程性研究中应用广泛,其最大的优点就是计算模型简单可靠、输入参数通用易得。在像元分解法研究方面,Gutman针对不同的像元植被种类组合以及植被密度情况,提出了均一像元、等密度模型、非密度模型和混合密度模型等多种模型方法[7];陈晋等使用像元分解法对北京市海淀区的植被覆盖进行了估测,指出其总体精度可达70%左右[8];Zribi基于像元分解模型,使用雷达 ERSZ/SAR信号估算了半干旱地区的植被覆盖度,也取得了较好的成果[9]

本文应用中国环境与灾害监测预报小卫星数据及美国陆地卫星数据,基于像元二分模型建立内蒙古锡林郭勒盟正蓝旗植被覆盖度模型,并对正蓝旗2000年和2009年的植被覆盖进行了对比。研究试图揭示正蓝旗在2000~2009年期间地表植被覆盖的动态变化,为地方政府准确掌握区域生态变化态势、评估生态工程成效提供参考。

1 研究区、数据和方法

1.1 研究区

正蓝旗位于内蒙古自治区锡林郭勒盟、浑善达克沙地南缘,距离北京仅180 km(图1)。本区生态系统以草地生态系统、沙地生态系统以及农田生态系统为主,生态结构简单,生态平衡易受干扰、自我调节能力差 。“风大沙多,干旱少雨,草场退化沙化严重,自然灾害频繁”是正蓝旗20世纪末生态环境的主要特征[10],境内大量的退化草地和撂荒耕地被认为是京津沙尘暴的主要源区之一。2000年,时任国务院总理的朱镕基同志专门视察了锡林郭勒盟多伦县、正蓝旗和太仆寺旗,提出“治沙止漠刻不容缓,生态必建绿色屏障”,京津风沙源治理工程也因此呼之而出,内蒙古自治区和正蓝旗等地方政府则进一步提出了“转人、减畜、增绿、增收”具体实施路线。

1.2 研究数据

本研究主要使用了遥感影像数据、土壤类型数据和土地利用数据等3类数据。

遥感影像数据:本研究使用了2000年7月的P124R30和1999年8月的P124R31两景ETM+数据和2009年8月环境与灾害监测预报小卫星HJ-1A数据。环境与灾害监测预报小卫星星座是中国于2008年9月6日成功发射的陆地资源类型卫星,星座中的CCD数据的4个波段设计与ETM+的前4个波段完全兼容。有关的性能指标包括:B1蓝—绿(0.43~0.52 μm),B2绿(0.52~0.60 μm),B3红(0.63~0.69 μm),B4近红外(0.76~0.90 μm),空间分辨率为30 m,幅宽360 km,重访周期为31 d。

土壤类型数据:土壤类型不同,其颜色、质地、结构等众多物理化学性状也会发生相应变化,并可以被卫星遥感影像所反映。根据全国第二次土壤普查获得的全国1:100万土壤类型图,正蓝旗地区主要土壤类型包括风沙土、暗栗钙土、盐化栗钙土等(图1)。总体上看,草原风沙土和暗栗钙土分别是正蓝旗北部和南部地区的主体土壤类型;其它类型土壤所占面积不大,且分布零散。结合正蓝旗地形、地貌以及植被群落空间分布信息,正蓝旗南部为低山丘陵,属草甸草原;北部系浑善达克沙地,属荒漠草原类型。

图 1   研究区的位置和土壤类型

Fig. 1   Location of the case study region and the soil type

土地利用数据:中国科学院提供的中国20世纪土地利用/土地覆被时空数据是基于MSS/TM/ETM+/CBERS等国内外遥感卫星数据,参考区域地形图、植被图、气候区划图等数据,通过计算机辅助解译和人工目视判读等手段得到。在过去的20余a里,研究人员已经利用该数据集在内蒙古自治区乃至全国范围内开展了卓有成效的工作[11, 12]。在该数据集中,土地利用类型共分为6大类、21个二级类。本研究使用了2000年和2009年的土地利用数据对植被覆盖度数据进行精度检验。

1.3 研究方法

1.3.1 植被覆盖度计算

像元二分模型的基本原理是:假设每个像元都可分解为纯植被和纯土壤两个部分,所得的光谱信息(如NDVI,值为NNDVI)也即是两种纯组分的以面积比例加权的线性组合(公式1);其中,纯植被所占的面积百分比即为研究区的植被覆盖度(公式2)。具体可表示为:

NNDVI=NNDVIsoil·(1-fveg) +NNDVIveg· fveg (1)

fveg=(NNDVI-NNDVIsoil)/(NNDVI-NNDVIveg) (2)

式中,fveg表示植被覆盖度;NNDVINNDVIsoilNNDVIveg分别表示任意像元、纯土壤像元和纯植被像元的NDVI。

1.3.2 纯净像元的提取

像元二分模型的应用关键是如何确定NNDVIsoilNNDVIveg的值。对于纯裸地像元,NNDVIsoil理论上应该是一个接近0的值,且不随时间的变化而变化。但现实中由于大气条件、地表湿度以及太阳光照条件等是在不断变化,区域上的NNDVIsoil并不是一个定值。一般来说,它在-0.1~0.2之间变化[13, 14]。对于纯植被像元来说,不同季节植被有春夏秋冬的季相变化,不同地区植被有不同类型和构成,这种植被类型及其构成、植被生长的季相变化都会造成NNDVIveg的时空变异。以目视、依靠色调标志来判断纯净像元的方法会因为个体差异而导致较大判别误差,因此该方法在一般的工程性、业务性的监测中并不可行。为此,本研究先后采用最小噪音组分变换(MNF:Minimum Noise Fraction)、二维散点制图(2-D Scatter plots)方法和像元纯度指数(PPI:Pixel Purity Index)方法来确定纯净像元。具体流程如下:首先,鉴于正蓝旗南北部在土壤类型、植被覆盖类型方面存在明显的空间分异,同时在2000年和2009年研究区的生态状况由于各项生态工程措施的实施发生了重大变化,采取了分时段的、根据土壤类型分布、分区选择纯净像元的策略。这样一方面减小了PPI运行时的内存需求、便于二维散点图的显示,更重要的是提高了选择对区域NNDVIsoilNNDVIveg的时空针对性。其次,对影像数据首先进行MNF变换,而后利用MNF变换后的数据来进行二维散点制图。经过MNF转换后的数据由于去除了噪声,波段间相关性进一步降低;由此得到的散点图出现多个拐点,这些拐点就是我们要找的纯净端元。

而后,为进一步提高精度,继续使用PPI方法对上述像元进行提纯。一般来说,对于纯土壤和纯植被的像元纯净度要求很高,因此相关文献在计算PPI时,其迭代次数一般都较高。为此,在本研究中,先后采用10 000次、5 000次、1 000次和200次作为迭代参数,但是上述迭代次数所得到的最终结果并没有明显区别。分析原因,可能是锡林郭勒盟正蓝旗作为典型草原和典型沙地的镶嵌地区,自然地理分异明显,自然地理斑块较大,纯净像元容易得到的缘故。综合考虑计算机运算的时空成本(时间运算成本、计算机硬件消耗,尤其是内存和硬盘空间),我们使用了最大迭代次数为200次的输出结果。输出影像中DN值大于50的像元被最终确定为纯净像元,并基于此进一步计算得到上述纯净像元的NDVI均值。

根据上述流程,最后得到了不同时期正蓝旗南部和北部的NNDVIsoilNNDVIveg数据。即:2000年,南部的NNDVIvegNNDVIsoil分别为0.752 456和0.049 882,北部的NNDVIvegNNDVIsoil分别为0.781 483和0.120 284。在2009年度,南部的NNDVIvegNNDVIsoil分别为0.684 137和0.014 924;北部的NNDVIvegNNDVIsoil分别为0.703 845和0.098 910。

2 结果与分析

2.1 植被覆盖度的空间格局

基于上文所述经过参数本地化的像元二分模型,应用中国环境与灾害监测预报小卫星数据(HJ-1A CCD)及美国陆地卫星数据(Landsat ETM+),本文对正蓝旗2000年和2009年的植被覆盖度进行了测算、并形成相应的空间栅格数据。考虑到植被覆盖度的现实意义,参考朱震达等在中国土地荒漠化研究、《中国荒漠化防治国家报告》等成果要求[15, 16],同时也是为了与刘纪远等形成的中国20世纪土地利用时空数据平台相关数据开展对比和精度验证,将植被覆盖度小于13%的土地界定为低覆盖度,植被度为13%~27%之间的土地界定为中覆盖度,植被覆盖度大于27%的为高覆盖度,由此形成2000年和2009年正蓝旗植被覆盖度空间分布图,具体如图2所示。

图2   2000年(a)和2009年(b)正蓝旗植被覆盖度空间格局

Fig. 2   Vegetation coverage degree of Plain Blue Banner in 2000(a)and 2009(b)

考虑到中国科学院提供的中国20世纪土地覆被/土地利用数据是计算机辅助人工目视解译形成,且在解译前后均有野外调研确立解译标志或者进行数据验证,数据比例尺达到1∶10万。因此,以中国20世纪土地覆被/土地利用数据的相应数据集为基础,对本研究所得的土地覆被空间分类进行精度验证。验证结果表明: 2000年植被覆盖度空间分布数据的总体精度为64.3%,高覆盖度、中覆盖度和低覆盖度的分类准确度分别为62.2%、76.5%和59.7%;2009年植被覆盖度空间分布数据的总体精度为62.8%,高覆盖度、中覆盖度和低覆盖度的分类准确度分别为67.8%、63.7%和60.2%。

就上述精度进一步分析表明,本研究基于像元二分法得到的植被覆盖度数据与LUCC数据平台所得的植被覆盖度数据之间仍存在一定的差距。这种差距一方面是由于本研究所得数据是像元级别的,而1:10万LUCC数据库的精度通常是2~3个像元,分析粒度上的差别会对最终的结果产生影响;另一方面,本研究2000年的数据是基于1999年和2000年两景ETM+影像数据镶嵌后进一步处理得到的,这可能也会在一定程度上影响最后的结果。不过,考虑到本研究作为一项遥感影像自动化分类方法研究,60%以上的分类分级精度即可以认为符合要求。

2.2 植被覆盖度的演变态势

为分析研究区植被覆盖度的动态变化、评估2000年大规模生态工程开始实施以来的成效,对研究区的2000年和2009年的植被覆盖进行了对比分析(图3);对比分析中,将两期的动态变化过程划分为5种类型,即:植被覆盖未变化类型、植被恢复类型、植被退化类型、草地转耕地类型以及耕地转草地类型。其中,植被恢复类型包含了低植被覆盖草地转变为中、高覆盖草地或中覆盖草地转变为高植被覆盖草地等的过程;植被退化类型包括高植被覆盖度地转变为中、低植被覆盖草地或是中植被覆盖草地转变为低植被覆盖草地的过程。由图3易见,在2000~2009年期间,植被恢复过程主要发生在正蓝旗中部、中东部、以及东北部地区,而植被退化过程主要发生在南部丘陵山地地区。

图3   2000~2009年正蓝旗植被覆盖度的变化

Fig.3   Vegetation coverage change in Plain Blue Banner during 2000-2009

进一步,根据植被覆盖度转移矩阵(表1)可以发现,在2000~2009年期间,未变化类型占大部分,总面积为5 489.5 km2,占全区面积的54.8%左右;而植被退化面积和植被恢复的面积基本相当,面积大约为2 200 km2,占全区总面积的22%左右。胡云锋、刘纪远等已经指出,生态工程成效的评估不应当是简单的两期生态环境现状(current)的对比,而应该是区域气候和生态环境长期演变趋势(trend)的比较[17, 18]。考虑到1990~2000年期间,本地区生态系统变化的基本趋势,即植被覆盖持续降低、生态环境持续退化的事实[12],因此2000~2009年所表现出的植被退化面积和植被恢复的面积基本相当态势已经可以说明,本地区生态环境持续恶化态势得到遏制,本区开展的各项生态工程显示出明显成效,生态环境在未来有望得到全面逆转。

表 1   正蓝旗地区植被覆盖变化情况

Table 1   Statistics about the coverage degree change in Plain Blue Banner during 2000 to 2009

空间变化类型未变化植被退化植被恢复草地转耕地耕地转草地
面积(km2)5489.52232.52228.310.950.2
百分比(%)54.822.422.20.10.5

新窗口打开

3 主要结论和问题

1) 基于像元二分模型估算植被覆盖度的方法简洁、有效。利用土壤类型、植被类型等背景信息,充分考虑区域土壤、植被类型等背景因子对NDVI的影响,分时段、分地区分析、确定纯净像元,可以有效提高植被覆盖度计算的时空针对性;同时,综合使用MNF、2-D Scatter plots 以及PPI方法,可以大幅减少研究人员因个体差异而导致的结果不确定性,同时也有利于开展计算机自动化批处理。

2) 研究显示正蓝旗地区南部地区的高、中植被覆盖度草地比例较高,低植被覆盖度草地主要分布中部与北部的浑善达克沙地腹地。对研究区不同时期植被覆盖度的对比分析表明,在2000~2009年期间,植被恢复重建面积与植被退化面积大致相当,研究区中部、中东部以及东北部地区,植被恢复过程尤其显著。总体上看,本区长期以来的植被覆盖度持续、大面积降低趋势已经得到基本遏制,本区开展的各项生态工程显示出明显成效。

尽管本研究得到了一个方法简洁、且经过验证的植被覆盖度计算路线,同时也得到了区域植被覆盖度的空间格局和变化动态,但是本研究依然存在一些值得提高的地方。主要有:首先,基于像元二分法计算植被覆盖度的方法虽然简单、有效,但是该方法不能揭示植被覆盖度所体现的生态和物理过程,这是像元二分法自身的缺陷。未来可以结合有关遥感生态机理模型,开展对比分析和相互验证。其次,当前的研究依然是示范性的、半自动的处理过程。未来可以开发基于地学背景信息、自动化的植被覆盖度指数处理系统,这将有助于在更大的时空尺度上开展业务化、工程性的监测和评估。最后,本研究仅分析了2000年和2009年2个时间节点,研究时段内部的精细变化过程尚不清楚,此外也没有掌握研究区1990年代以来的变化态势。未来在数据供给许可的条件下,可以对研究区开展更长时段(如1975年以来)、更精细时间尺度(如逐年分析)的植被覆盖度格局及其动态变化展开深入分析,以便完整分析本地区生态系统演化趋势、评估研究区的生态工程成效。

The authors have declared that no competing interests exist.


参考文献

[1] 张春玲,余华,宫鹏,.

武汉市地表亮温与植被覆盖关系定量分析

[J].地理科学, 2009,29(5): 740~744.

[本文引用: 1]     

[2] 李晓松,高志海,李增元,.

基于高光谱混合像元分解的干旱地区稀疏植被覆盖度估测

[J].应用生态学报, 2010,21(1): 152~158.

[3] 张钛仁,柴秀梅,李自珍.

中国北方植被覆盖度特征及其与沙尘暴关系

[J].高原气象, 2010,29(1): 137~145.

[4] 赵善伦,张伟,尹民.

GIS支持下的山东省土壤侵蚀空间特征分析

[J].地理科学, 2002,22(6): 694~699.

[本文引用: 1]     

[5] 邢著荣,冯幼贵,杨贵军,.

基于遥感的植被覆盖度估算方法述评

[J].遥感技术与应用, 2009,24(6): 849~854.

[本文引用: 1]     

[6] 张云霞,李晓兵,陈云浩.

草地植被盖度的多尺度遥感与实地测量方法综述

[J].地球科学进展, 2003,18(1): 85~93.

[本文引用: 1]     

[7] Gutman G, Ignatov A.

The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models

[J].International Journal of Remote Sensing, 1998,19(8): 1533-1543.

[本文引用: 1]     

[8] 陈晋,陈云浩,何春阳,.

基于土地覆盖分类的植被覆盖率估算亚像元模型与应用

[J].遥感学报, 2001,5(6): 416~422.

[本文引用: 1]     

[9] Zribi M, Le Hegarat-Mascle S,Taconet O,et al.

Derivation of wild vegetation cover density in semi-arid regions: ERS2/SAR evaluation

[J].International Journal of Remote Sensing, 2003,24(6): 1335-1352.

[本文引用: 1]     

[10] 吕明东.

构筑北疆绿色屏障,再现“元都”昔日丰采

[J].内蒙古林业, 2007,(5): 6~7.

[本文引用: 1]     

[11] 刘纪远,张增祥,徐新良,.

21世纪初中国土地利用变化的空间格局与驱动力分析

[J].地理学报, 2009,64(12): 1411~1420.

[本文引用: 1]     

[12] 胡云锋,刘纪远,庄大方,.

土地利用动态与风力侵蚀动态对比研究——以内蒙古自治区为例

[J].地理科学进展, 2003,22(6): 541~550.

[本文引用: 2]     

[13] Rundquist B C.

The influence of canopy green vegetation fraction on spectral measurements over native tallgrass prairie

[J].Remote Sensing of Environment, 2002,81(1): 129-135.

[本文引用: 1]     

[14] Carlson T N, Ripley D A.

On the relation between NDVI, fractional vegetation cover, and leaf area index

[J].Remote Sensing of Environment, 1997,62(3): 241-252.

[本文引用: 1]     

[15] 朱震达,陈广庭.中国土地沙质荒漠化[M].北京: 科学出版社, 1994.

[本文引用: 1]     

[16] 朱震达. 中国的沙漠化及其治理[M].北京: 科学出版社, 1989.

[本文引用: 1]     

[17] 胡云锋,刘纪远,齐永青,.

内蒙古农牧交错带生态工程成效实证调查和分析

[J].地理研究, 2010,29(8): 1452-1460.

[本文引用: 1]     

[18] 刘纪远,邵全琴,樊江文.

三江源区草地生态系统综合评估指标体系

[J].地理研究, 2009,28(2): 273~283.

[本文引用: 1]     

/