基于多源遥感数据的溧阳市林地植被覆盖度时空差异研究

王艳芳,谭 露,郭红丽,吴 芳,齐 斐,蒙雯婷,徐雁南*

(1. 南京林业大学林草学院,南方现代林业协同创新中心,江苏 南京 210037;2. 江苏省水文水资源勘测局, 江苏 南京 210009;3. 江苏省水利科学研究院,江苏 南京 210017)

植被覆盖度(fractional vegetation cover,FVC)是指绿色植被地面垂直投影面积占统计区域总面积的比例,用于描述陆地生态系统和监测植被状况[1-2]。FVC及其变化已被广泛用于土壤侵蚀监测、荒漠化评价和气候变化等具体的应用研究中[3-6]。近年来,国内外众多学者提出了大量提取植被覆盖度的方法,主要分为实地测量和遥感影像提取。植被覆盖度实地测量需要消耗大量的人力、物力以及时间成本。目前,遥感技术已经成为植被监测工作的重要手段,遥感影像以其覆盖范围广、获取成本低、时效性强等优势成为区域FVC获取的重要数据源[7-9]。不同尺度分辨率的遥感影像,为FVC提取研究带来更多选择。基于精细空间分辨率影像提取的FVC对区域植被研究至关重要,而基于数百到数千米的粗空间分辨率影像提取的FVC在全球植被变化研究中占据主导地位。高分辨率影像提取FVC存在数据量大、计算成本高等问题,使用空间分辨率较低的Spot Vegetation(1 000 m)、MODIS(250、500 m)等遥感数据可以提高数据处理效率,但空间分辨率的限制将造成植被信息丢失,进而影响FVC提取的准确性[10]。因此,明确不同分辨率遥感影像提取FVC的精度差异,可为数据筛选提供科学依据,提高FVC提取精度和效率,对植被监测具有积极作用。

目前,已有研究分析了不同分辨率遥感影像提取FVC的差异。Qi等[11]利用Landsat TM和spot4 vegetation影像提取了圣地亚哥流域的植被覆盖率,揭示了基于Landsat TM和SPOT4 VEGETATION两种分辨率影像提取的FVC可以对植被动态进行合理估计;张婧等[12]通过SPOT、MODIS、TM、ALOS、IKONOS等5种遥感数据探究影像分辨率对植被覆盖度提取的影响,发现不同分辨率数据适用于不同的区域范围,如30 m分辨率影像适用于小流域范围;Mu等[13]通过使用实际盖度测量结果和高分辨率数据,直接验证了粗分辨率遥感数据(1 km)高估研究区作物FVC的问题。由于植被类型不同、植被与土壤混合、植被长势不均一等原因导致像元空间异质性的存在,而空间异质性是影响FVC提取精度的主要因素[14]。现有相关研究大多只分析了单一时相FVC的提取精度,而植被生长需要长时间监测,在此过程中季节更替会造成植被动态变化,植被占像元的比重随季节而发生的变化存在不确定性,因此,FVC的提取精度不仅受遥感影像空间分辨率的影响,不同季节FVC提取精度也会存在差异。基于此,本研究基于高分辨率(10 m)的Sentinel-2影像分析FVC在不同季节的空间变异特征,在此基础上对比分析Sentinel-2、Landsat-8、MOD13Q1、MOD13A1等4种不同空间分辨率遥感影像提取FVC的精度差异及其与季节的关系,以期为选择遥感影像提取植被覆盖因子提供理论支持和参考。

1 材料与方法

1.1 研究区概况与数据源

江苏溧阳市境内有低山、丘陵、平原圩区等多种地貌类型,地势西、北、南较高,南部为宜溧山区,西北部属溧北山区,是江苏省重点林区市县,位于太湖流域西部(119°08′～119°36′E, 31°01′～31°41′N),总面积1 535.29 km2,其中林地面积为248.59 km2,主要分布在北部、南部的丘陵地区以及中东部的平原地区(图1)。溧阳市处于中亚热带和北亚热带的过渡地带,气候温暖湿润,年平均气温约15.5 ℃,年平均降水量为1 005～1 136 mm,水资源条件优越,是江苏省植物种类较丰富、类型较复杂的地区。植物群落类型可划分为阔叶林、针叶林、针阔混交林和竹林4种,其中阔叶林和竹林为主要林型。阔叶林包含常绿阔叶林、落叶阔叶林和常绿落叶阔叶混交林。

本研究采用的遥感影像包括Sentinel-2、Landsat-8、MOD13Q1以及MOD13A1。其中,Sentinel-2影像下载自欧洲航天局(ESA)数据中心(https://scihub.copernicus.eu/dhus/),产品级别为L1C级。影像数据预处理包含在Sen2cor软件中进行辐射校正和大气校正,在SNAP软件中将影像空间分辨率统一到10 m。Landsat-8数据和MODIS数据均来自USGS (https://earthexplorer.usgs.gov/)。利用ENVI5.3软件对Landsat-8数据进行辐射定标、FLAASH大气校正、地形校正和拼接裁剪等预处理;利用MRT软件完成MODIS数据的格式转换和重投影。为确保数据质量,减小误差,选择云量小于10%且云不在研究区范围内的原始影像,并且各季节4种分辨率数据日期相近(表1)。

表1 季节遥感影像时间表

1.2 FVC提取与分级

根据像元二分模型的原理[15],一个像元的地表由有植被覆盖部分地表和无植被覆盖部分地表组成,FVC可以看作是像元中植被所占的权重[w(FVC)]。目前,大部分的像元二分模型都是基于归一化植被指数(normalized difference vegetation index, NDVI,式中记为INDVI)[16],则:

(1)

(2)

式中:ρr表示红光波段的反射率;ρnir表示近红外波段的反射率;INDVI,soil表示纯土壤覆盖的INDVI值;INDVI,veg表示纯植被覆盖时的INDVI值。

根据国家水利部SL 190—2007《土壤侵蚀分类分级标准》[17]以及溧阳市植被分布的实际情况,对研究区林地的FVC进行分级(表2)。

表2 FVC等级划分表

1.3 空间变异性分析

半变异函数也称半方差函数,通过测算两点空间属性的变异程度与两点间距的关系来描述要素的分布特征[18]。它可以衡量遥感影像的空间相关性(空间变异或空间依赖性),通过研究分析变异函数的结构可确定变量因子空间变异的尺度和程度[19-20]。变异函数的计算公式为:

(3)

式中:γ(h)是距离为h的所有样本点对平均变异值;N(h)是空间距离为h的样本点的数量;Z(x)为区域化随机变量(本文中指FVC值);h为2个样本点空间分隔距离;Z(xi)、Z(xi+h)[i=1,2,…,N(h)]分别为区域化变量在空间位置xi和xi+h值。

当空间分隔距离h超过某一个范围时变异函数γ(h)不再增大,而是在一个极限值附近摆动,此稳定值叫做基台值(c),表示该区域化变量的变异大小和距离;第1次达到基台值时的间隔距离称为变程(a),表示区域化变量空间自相关范围或变异尺度。h为0时的半方差称做块金值(c0),表示随机因素引起的空间异质性[21],距离超出h的样点对不再表现出空间相关性,而在h范围内的样本间表现出一定程度的空间相关性[22]。

裁剪4个季节的Sentinel-2 影像得到4个子影像(250像元×200像元,包含39 687个林地像元),采用半变异函数分析林地FVC在不同季节的空间变异性。

1.4 FVC精度分析

图2 各季节FVC半变异函数Fig. 2 FVC semi-variance diagram of each season

利用混淆矩阵[23-24]的数学原理,分析植被盖度等级提取精度。将覆盖度等级面积按矩阵形式列出,针对不同分辨率遥感影像提取的FVC,混淆矩阵可以反映两种分辨率影像提取覆盖等级面积的差异,分析盖度提取的精度[25]。本研究以Sentinel-2影像提取的FVC10m盖度等级作为参考基准值,矩阵公式为:

(4)

式中:Sii表示分析影像FVC与基准影像盖度等级相同的林地面积;Sij表示分析影像FVC与基准影像盖度等级不一致的林地面积;n为FVC等级数量。

总体精度(overall accuracy)表示分析影像覆盖度与参考影像覆盖度一致时的林地面积占比;用户精度(user’s accuracy)表示某一覆盖度等级被分为该等级像元数占参考覆盖度中该等级所有栅格像元的比率;生产者精度(producer’s accuracy)表示某一覆盖度等级被分为该等级像元数占参考覆盖度中该等级所有的栅格像元的比率。

AOA=(S11+…+Sij+…+Snn)/S;

(5)

(6)

(7)

式中:AOA表示总体精度,AUA表示用户精度,APA表示生产者精度,S表示林地总面积。

2 结果与分析

2.1 FVC空间变异特征的季节差异

根据像元之间的空间分隔距离h将各个季节的林地FVC半方差值绘制成半变异函数图(图2),并利用指数模型对离散的半变异函数值进行拟合,R2均大于0.9。4个季节半变异函数曲线整体上均呈现先递增后平缓的变化趋势,即随着像元间距的增加,FVC的空间相关性递减,而变异性逐渐增强。但是,半变异函数曲线的参数存在季节差异(表3),表现为空间变异程度冬季>春季>秋季>夏季。其中,夏季植被生长茂盛,变程a、基台值c、块金值c0均为最小,FVC空间变异范围最小,变程范围内地物较均一,空间变异程度较低,并且受随机因素影响的空间变异最小;冬季常绿、落叶植被差异大,a、c、c0均为最大,FVC空间变异范围较大,变异程度也较大;春秋两季落叶植被分别处于快速生长和枯萎期,FVC空间变异性较夏季强,较冬季弱,空间变异特征相似。

表3 各季节半变异函数模型拟合参数

图3 各季节林地FVC提取结果Fig. 3 Vegetation cover distribution maps of each season

FVC的空间变异特征反映了林地像元异质性的季节变化。FVC空间变异特征的季节变化必然造成遥感提取FVC精度的季节差异,故需对比不同分辨率影像提取FVC的季节差异并进行精度分析。

2.2 不同分辨率影像中提取FVC的季节差异

基于Sentinel-2、Landsat-8、MOD13Q1以及MOD13A1遥感影像,分别获得春夏秋冬分辨率为10、30、250、500 m的植被覆盖分布图(图3)。如图3所示,不同分辨率FVC的季节变化趋势一致,即春、夏季中高与高覆盖面积增加,低覆盖与中覆盖面积减少,而秋、冬季中高与高覆盖面积减少,中低覆盖与中覆盖面积增加,符合植被生长的物候规律。从植被覆盖等级的空间分布来看,各季节FVC30m与FVC10m基本一致,FVC250m和FVC500m基本一致但与FVC10m有明显区别。其中,差异主要分布于林地斑块边缘,尤其是水陆交界处,这是影像空间分辨率对FVC提取影响的直接体现。空间分辨率越高,植被纯像元的占比越大,FVC的提取精度越高;空间分辨率越低,植被与周边地物形成混合像元的可能性越大,更易造成植被覆盖信息提取的不确定性。尤其当林地周边有水体分布时,由于植被与水体的光谱特征差异较大,基于光谱指数提取植被FVC的不确定性更大。

为更好地体现不同分辨率下分级比例的差异,以Sentinel-2所提取的FVC分级占比作为基准值,将其余3种分辨率各个覆盖等级占比与其作差,得到各季节不同等级的FVC面积占比差异(图4)。从各季节总体差异看,夏季各分辨率FVC与FVC10m差异最小,春、秋季各分辨率FVC与FVC10m差异最大。不同等级面积占比差异的季节变化趋势不同,其中,各季节低、中低覆盖面积占比差异较小且差值基本一致,原因在于研究区的低、中低覆盖像元占比较小,各分辨率间差异也较小。随着盖度等级增加,面积占比差异增大,并且差异随季节发生变化。中覆盖面积占比在夏季基本一致,在冬季差异最大(约20%);中高覆盖面积占比在夏季差异最小(约10%),在春季差异最大(约50%);高覆盖面积占比在夏季差异最小(约10%),在春季差异最大(约60%)。不同分辨率提取FVC的季节差异与FVC空间变异性的季节差异存在必然联系,夏季植被茂盛,林地像元空间变异性程度较低,在低空间分辨率影像中形成的混合像元较少。春秋两季落叶植被分别处于快速生长和枯萎期,在低空间分辨率影像中形成的混合像元较多。因此,夏季不同分辨率提取FVC的差异最小,春、秋季节不同分辨率提取FVC的差异最大。

图4 各季节林地FVC面积占比差异Fig. 4 Differences in the proportion of woodland FVC area in each season

2.3 不同分辨率影像中提取FVC的精度分析

为进一步探究不同分辨率影像在各季节提取FVC的精度差异,以Sentinel-2影像提取的FVC10m盖度分级为基准构建混淆矩阵,进行精度评价。

从植被盖度分级的总体精度(图5)看,各季节Landsat-8影像提取的FVC30m精度最高,MOD13Q1影像提取的FVC250m总体精度略高于基于MOD13A1提取的FVC500m。对比不同季节,基于夏季影像提取的FVC精度最高,其中FVC30m为90.99%、FVC250m为76.28%、FVC500m为76.71%,基于冬季影像提取的FVC精度最低,其中FVC30m为62.07%、FVC250m为34.10%、FVC500m为31.14%,春、秋两季FVC提取精度接近。这表明夏季采用不同空间分辨率影像提取FVC的相对差异最小,采用低分辨率影像提取FVC的可替代性较高。

图5 FVC总体精度季节对比图Fig. 5 Seasonal comparison of overall accuracy of FVC

从各分辨率盖度分级的混淆矩阵(表4)看,FVC30m的主要误差表现在误分为相邻较高盖度等级,而FVC250m和FVC500m的误差主要表现在误分为高覆盖度等级。例如:盖度等级为中覆盖时,以FVC30m准确分类的面积为98.48 hm2,误分为中高覆盖和高覆盖的面积为94.87和78.92 hm2;FVC250m和FVC500m准确分类的面积仅为17.66和14.22 hm2,而误分为中高覆盖和高覆盖的面积分别是89.73、184.92 hm2和99.99、177.56 hm2。说明从3种分辨率影像中提取的FVC都存在高估的现象,但FVC250m和FVC500m的分类误差更加显著。

针对夏季不同分辨率影像提取的FVC,分析不同植被覆盖等级的生产者精度与使用者精度(表4)。随着盖度等级的增加,FVC30m、FVC250m、FVC500m生产者精度和使用者精度整体有所提高,且高覆盖度的提取精度显著高于其他盖度等级的提取精度。对比不同分辨率FVC的分级精度,FVC30m各盖度等级的生产者和使用者精度都高于FVC250m、FVC500m,其中,中低覆盖度的提取精度差异明显,高覆盖度的提取精度差异较小。这些都表明植被盖度等级会对FVC的提取精度产生影响,在植被高覆盖区域,各分辨率影像的混合像元数量减少,FVC的提取精度增加,这在低分辨率影像中表现尤为明显。夏季高覆盖度等级FVC面积占比最大,冬季高覆盖度等级FVC面积占比最小,所以夏季各分辨率影像提取FVC总精度最高,冬季各分辨率影像提取FVC总精度最低。因此低分辨率影像FVC的提取精度在植被生长茂盛的夏季显著提升。

表4 FVC30m、FVC250m、FVC500m等级面积统计及精度评价表

3 讨 论

1)FVC空间变异特征的季节变化是造成FVC提取精度季节差异的主要原因,半变异函数可以有效地描述FVC的空间变异特征。从遥感反演角度来说,像元异质性是引起不同空间分辨率影像反演植被参数差异的重要原因[26-27]。各个季节的半变异函数曲线表明,FVC空间变异程度的季节差异表现为冬季>春季>秋季>夏季。

2)各季节FVC30m与FVC10m基本一致,FVC250m和FVC500m基本一致但与FVC10m有明显差别,差异最显著的区域在水陆交界处及林地斑块边缘。结合野外调查发现,溧阳天目湖镇有沙河水库以及大溪水库两个大型水库,受此影响,水库周边的FVC等级存在被低估现象,这一结论与江淼等[28]对水陆交界处FVC的研究结果相似。

3)夏、冬季各分辨率FVC等级面积占比差异较小,春、秋季各分辨率FVC等级面积占比差异较大。各季节FVC30m的精度优于FVC250m和FVC500m,各分辨率FVC提取精度表现为夏季>秋季>春季>冬季,低分辨率影像FVC的提取精度在植被生长茂盛的夏季显著提升。因此,植被盖度等级对FVC提取精度有显著影响。高覆盖等级提取精度较高,低覆盖等级提取精度较低,夏季利用低分辨率影像提取FVC的可替代性最高。不同FVC等级地表对高分辨率影像的监测需求有较大的分异性。

综上所述,以江苏溧阳市林地为研究区,基于像元二分模型提取FVC,通过半变异函数分析FVC空间变异特征的季节差异,利用混淆矩阵分析不同空间分辨率影像各季节提取FVC的精度差异,为选择不同尺度遥感影像提取植被覆盖因子提供理论支持和参考,有利于提高植被动态监测的精度和效率。但需要注意的是,本研究仅对比了4种分辨率FVC的相对差异,虽然相对高空间分辨率的Sentinel-2影像FVC反演结果可以用于相对低空间分辨率的FVC验证[29],如要进行与FVC相关的其他定量反演,还需要进一步加强地面验证。