第１Ｉ卷第３期 ２０１０年６月 北华大学学报（自然科学版） ＪＯＵＲＮＡＬ ＯＦ ＢＥＩＨＵＡ ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ） Ｖｏ１．１１ Ｎｏ．３ Ｊｕｎ．２０１０ 文章编号：１００９－４８２２（２０１０）０３－Ｏ２５１－０４ 基于Ｇ Ｉ￥和遥感技术的植被覆盖度反演模型 陈国荣 ，刘 健 ，施聪智 ，余坤勇 ，赖光辉 （１．福建农林大学林学院，福建福州３５０００２；２．三明学院，福建三明３６５０００） 摘要：从福建省第５次森林资源一类调查样地点中抽取落在漳浦县区域的３０个样地点，运用ＧＩＳ和遥感技术提 取研究区植被指数（ＮＤＶＩ，ＶＡ ）和地形因子作为自变量，利用三倍标准差法进行异常数据的筛选，并将定性因 子量化处理，通过逐步回归分析方法构建研究区的植被盖度反演模型，对漳浦县植被覆盖度进行反演．从模外抽 取２６个样地点对模型进行精度验证．结果表明：所构建的反演模型的平均精度达到８０．９６％，对于快速、精确地 实现区域植被盖度反演具有一定的指导意义． 关键词：ＧＩＳ；遥感技术；植被覆盖度；逐步线性回归 中图分类号：￥７７１．４ 文献标志码：Ａ Ｅｓｔｉｍａｔｉｎｇ Ｍｏｄｅｌ ｏｆ Ｖｅｇｅｔａｔｉｏｎ Ｆｒａｃｔｉｏｎ Ｂａｓｅｄ ｏｎ ＧＩＳ ａｎｄ ＲＳ Ｔｅｃｈｎｏｌｏｇｉｅｓ ＣＨＥＮ Ｇｕｏ—ｒｏｎｇ ，ＬＩＵ Ｊｉａｎ ＇ ，ＳＨＩ Ｃｏｎｇ—ｚｈｉ ，ＹＵ Ｋｕｎ—ｙｏｎｇ ，ＬＡＩ Ｇｕａｎｇ—ｈｕｉ （Ｊ．Ｆｏｒｅｓｔｒｙ Ｃｏｌｌｅｇｅ ｏｆＦｕｊｉａｎ Ａｇｒｉｃｕｌｔｕｒｅ ａｎｄ Ｆｏｒｅｓｔｙ ｒＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ ３５０００２，Ｃｈｉｎａ； ２．Ｓａｎｍｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓａｎｍｉｎｇ ３６５０００，Ｃｈｉａ）ｎ Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｒｅｓｅａｒｃｈ ｅｘｔｒａｃｔｅｄ ３０ ｓａｍｐｌｅｓ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎ ｉｎ Ｚｈａｎｇｐｕ Ｃｏｕｎｔｙ ｆｒｏｍ ５ ｔｈ ｆｏｒｅｓｔ ｒｅｓｏｕｒｃｅ ｃｏｎｔｉｎｕｏｕｓ ｉｎｖｅｓｔｉｇａｔｉｏｎ ｄａｔａ ｏｆ Ｆｕｊｉａｎ Ｐｒｏｖｉｎｃｅ．ｅｓｔａｂｌｉｓｈｅｄ ａｎ ｅｓｔｉｍａｔｉｎｇ ｍｏｄｅｌ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎ ｗｉｔｈ ｔｈｅ ｅｌｅｍｅｎｔｓ ｏｆ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ（ⅣＤＷ， 础 ）ａｎｄ ｔｅｒｒａｉｎ ｗｈｉｃｈ ｅｘｔｒａｃｔｅｄ ｄｉｒｅｃｔｌｙ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｈｅ ＧＩＳ ａｎｄ ＲＳ ｔｅｃｈｎｏｌｏｇｉｅｓ ａｎｄ ｆｌｉｔｔｅｒｅｄ ｂｙ ｔｈｅ ｔｈｒｉｃｅ ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｌｉｎｅｒ ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄ．Ｔｈｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ｔｈｅ ｍｏｄｅｌ ｗｅｒｅ ｔｅｓｔｅｄ ｗｉｔｈ ｄａｔａ ｔｈａｔ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ ａｎｏｔｈｅｒ ２６ ｓａｍｐｌｅｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｖｅｒａｇｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ｔｈｅ ｍｏｄｅｌ ｉＳ ８０．９６％．ｗｈｉｃｈ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｍｏｄｅｌ ｉＳ ｕｓｅｆｕｌ ｆ０ｒ ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎ ｅｓｔｉｍａｔｅ． Ｋｅｙ ｗｏｒｄｓ：ＧＩＳ；ＲＳ；ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎ；ｌｉｎｅｒ ｒｅｇｒｅｓｓｉｏｎ 植被覆盖度可定义为单位面积内植被的垂直投影面积，是衡量地表植被覆盖水平的一个最重要的指 标，在土地沙漠化评价、水土流失监测和分布式水文模型中，都将植被覆盖度作为重要的输人参数…．植 被覆盖度测量的传统方法是地面测量，最常用的方法有目估法、样方法、样带法、样点法等，以及借助于采 样仪器的测量方法，如空间定量计、移动光量计等 Ｊ．这些方法虽然提高了测量的精度，但野外操作不便， 成本较高，难以在大范围内快速提取植被覆盖度．随着遥感技术的发展，可以从多时相、多波段遥感信息中 提取地表植被覆盖状况，为大面积提取植被覆盖度提供了强有力的手段 Ｊ．同时，一些基于遥感技术的表 征植被因子的指标被先后提出．由于这些指标是对地表植被覆盖的综合体现，是间接获取的地表植被覆盖 度信息，因此不能直接用于植被状况监测中，还需对其进行实地校验，建立遥感指标和地表实际植被覆盖 收稿日期：２０１０－０１—１４ 基金项目：国家科技人员服务企业行动项目（２００９ＧＪＣ４００３２）；国家“十一・五”科技支撑计划项目（２００６ＢＡＤ２３Ｂ０５） 作者简介：陈国荣（１９８１一），男，博士研究生，主要从事３ｓ技术在资源和环境中的应用研究； 刘健（１９６３一），男，教授，博士生导师，主要从事森林经营管理与３ｓ技术应用研究． 垄 一ｊ 兰兰塑！旦签型兰丝２ 箜！！鲞 度信息的转换关系 ｊ．因此，本研究以漳浦县植被覆盖度反演为研究内容，运用ＧＩＳ和遥感技术手段，结合 类调查资料，利用三倍标准差法进行数据筛选，通过逐步回归确定植被覆盖度反演的因子变量，构建漳 浦县植被覆盖度反演模型． １ 研究区概况 漳浦县位于福建东南沿海南端，北纬２３。３２ ～２４。Ｏ６ 、东经１１７。３５ 一１１７。５８ 之间．全县境内地势由西 北向东南倾斜，西北部为低山丘陵，东南部面海．漳浦县属于南亚热带海洋性季风气候，全年平均气温 ２ｌ℃，年日照时间２ １１９ ｈ，年降雨量１ ５００～１ ８００ ｍｍ，亚热带植物种类繁多齐全，植物物种资源丰富．土地 总面积２ １５３．３ ｋｍ ，其中，耕地３．８５万ｈｍ ，山地１２．１万ｈｍ ，滩涂３．４１万ｈｍ ．全县设置１６个镇、４个 乡、１１个农林盐茶场．总人口８０．４万人，其中，农、林、渔业人口７２．１万人，农村劳动力３５．１万人． ２ 材料收集 收集２００３年漳浦县ＬＡＮＤＳＡＴ ＴＭ图像（轨道号为１１９－４３，１２０－４３）及１：５０ ０００ ＤＥＭ数据．其他辅助 材料包括漳浦县１：５０ ０００地形图和２００３年福建省第５次森林资源清查数据及其他相关材料． ３ 研究方法 ３．１ 遥感图像处理 在ＥＲＤＡＳ ８．７软件平台上对遥感影像进行图像处理，以漳浦县１：５００００的地形图为参考，对遥感影 像进行几何校正，校正后的影像总体误差为０．３３个像元．随后根据漳浦县的行政区域图建立ＡＯＩ，裁剪出 研究区域．为使遥感影像中的目标地物更容易识别，对裁剪后的影像图进行图像增强处理． ３．２ 植被覆盖度与植被指数之间的关系 利用遥感信息计算植被覆盖度是通过建立遥感数据与植被覆盖度之问的关系来实现的．这里所说的 遥感数据包括遥感数据的光谱信息（波段或者是波段的组合）或者是根据光谱信息计算出的植被指数 Ｊ． 在形式多样的植被指数中，归一化植被指数（ＮＤＶ！）因其可从遥感图像中直接获取且计算简单而被广为应 用，并且常作为参考，用来评价基于遥感和地面测量或模拟的新植被指数．对ＬＡＮＤＳＡＴ－５及以后的影像而 言，ＮＤＶＩ的计算公式为 ＮＤＶＩ＝（ＴＭ４一ＴＭ３）／（ＴＭ４＋ＴＭ３）， 式中，ＴＭ３及和ＴＭ４是指ＬＡＮＤＳＡＴ－５专题制图仪的第３（红）波段和第４（近红外）亮度值，ＮＤＶＩ∈［一１，１］． Ｇｉｔｅｌｓｏｎ等 分析了植被光谱差异，指出利用红光和近红外反射辐射值计算ＮＤＶＩ推算植被覆盖度不 准确，提出了可见光植被指数ＶＩ ＝（Ｒ 一 ）／（Ｒ 十 ）和抗大气可见光植被指数 彤 ＝（Ｒ 一Ｒ ）／（ ＋ 一Ｒ ），经过模拟实验，指出这两个植被指数与植被覆盖度具有很好的相关性，而抗大气可见光植被 指数推算植被覆盖度的效果更好． 通过ＥＲＤＡＳ ８．７遥感图像专业处理软件，运用建模功能，生成ＮＤＶＩ和ＶＡＲＩ￣影像，利用软件自带的 转换工具，按照一类清查数据中３０个样地点的ＧＰＳ地理坐标提取ＮＤＶＩ和ＶＡＲＩｇ影像上相应位置的数据 信息作为遥感数据的基本数据源． ３．３ 地形因子提取 考虑到植被特征受地形、气候的影响很大，而遥感信息之间的高度相关性使得单纯利用遥感信息解决 专题问题的结果具有不确定性或多解性，因此结合地形因子（如地貌类型、坡向、坡度等），借助ＧＩＳ软件， 使更多的信息直接参与建立回归方程，有助于提高反演的精度．本研究采用漳浦县１：５００００ ＤＥＭ数据，利 用ＥＲＤＡＳ遥感软件获取地貌类型、坡度、坡向等地形因子信息，并根据福建省森林资源连续清查操作细 则对各地形因子进行分等定级． ３．４ 植被覆盖度反演模型的建立 ３．４．１ 定性因子的量化处理 参与模型构建的变量因子既有定性因子又有定量因子，而定性因子并不能直接参与构建模型，因此对 海拔、坡度、坡向等定性因子采用数量化理论Ｉ进行量化处理 ．首先将定性变量划分类目、类型及编码， 见表１． 第３期 陈国荣，等：基于ＧＩＳ和遥感技术的植被覆盖度反演模型 三 ● 根据所提取的样地数据按表１所属赋予相应的分值（符合条件的赋值为１，其余为０），建立相应的反 应表，见表２． 表２ 样地各立地因子、项目、类目反应表 Ｔａｂ．２ Ｒｅｃｏｄｅｓ ｏｆ ｅａｃｈ ｌｅｖｅｌ ｏｆ ｄｉｆｆｅｒｅｎｔ ｓｉｔｅ ｆａｃｔｏｒｓ ｉｎ ｖａｒｉｏｕｓ ｐｌｏｔｓ ３．４．２ 数据筛选 三倍标准差法可以快速、准确地剔除样本的异常数据．将符合大于三倍标准偏差的样本数据予以剔 除，剩余的样本数据用于构建植被覆盖度反演模型． ４ 方程拟合 利用数学统计软件ＳＰＳＳ，以样地调查的植被覆盖度值为因变量，植被指数、海拔、坡度、坡向等为自变 量，采用逐步进入法，以Ｆ概率作为判断变量是否引人模型的依据，确定自变量对因变量的影响程度．线 性回归模型提取出的变量见表３，模型综述见表４． 表３ 线性回归模型提取出的变量 Ｔａｂ．３ Ｖａｒｉａｂｌｅｓ ｆｒｏｍ ｌｉｎｅｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ 从表４可知，随着自变量数量的增加，尺 值也在增大，但是修正系数 却不会随自变量数量的增加 而增大，估计标准误不会随自变量数量的增加而减少，反而会因为多余的自变量加大了模型的估计标准误 差 ］．由此可知，以 彤 、海拔为自变量拟合的回归模型２线性关系较好． ４．１ 方差分析 本实验采用Ｆ检验对回归方程的显著性进行检验，Ｆ检验假设的前提是总体回归系数为０或常数项 为０．通过表５可知，所构建回归方程的总体回归系数为０或常数项为０的概率均为０，说明本实验建立的 模型较好地拟合了原始数据． ２５４ 北华大学学报（自然科学版） 第ｌ１卷 非标准化偏回归系数 偏回 ９ ％ 共线性 模型 置信区间 偏回归偏回归系数 回归系数 ｔ检验 概率Ｐ 系数 的标准误 下限 上限 容差方差膨胀 ４．３模型的精度验证 表７ 回归模型精度检验结果 为了检验植被覆盖度反演模型的 Ｔａｂ．７ Ｔｅｓｔ ｒｅｓｕｌｔｓ ｏｆ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ａｃｃｕｒａｃｙ 可靠性，从模外抽取２６个样地点，提取 各样地点相应的植被指数及地形因子 信息，代人所构建的植被覆盖度反演模 型，对比分析估测值与实际值之间的差异，检验反演模型的估测精度（精度＝１一ｌ实测值一估测值Ｉ／实测值）． 由表７可知，所建模型的平均精度达到８０．９６％，其中估测精度达到７０％以上的样地点数量为２２个，占８４．６２％． ５ 结论与讨论 １）本研究利用植被指数ＮＤＶＩ，ＶＡＲＩｓ结合地形因子，将地学信息引入回归方程，构建了植被覆盖度反演模 型，该模型能有效地提高估测精度．检验结果表明，所建立的植被覆盖度反演模型的平均估测精度为８０．９６％． ２）应用三倍标准差法可以快速、准确地筛选和剔除异常数据；逐步回归分析方法是一种较好的处理 变量因子数量的方法，可以较好地保证模型估测精度． ３）本研究利用ＮＤＶＩ， 彤 及地形因子实现植被覆盖度反演，尽管已将水体掩膜，但是山体阴影造成 的像元灰度值异常仍对反演精度产生一定程度的影响，因此，如何减少山体阴影对于反演精度的影响，今 后将做进一步的探讨． 参考文献： ［１］李苗苗，吴炳方，颜长珍，等．密云水库上游植被覆盖度的遥感估算［Ｊ］．资源科学，２００４，２６（４）：１５３—１５９． ［２］丁艳梅，张继贤，王坚，等．基于ＴＭ数据的植被覆盖度反演［Ｊ］．测绘科学，２００６，３１（１）：４３－４５． ［３］陈晋，陈云浩，何春阳，等．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． ［４］刘健．基于３ｓ技术闽江流域生态公益林体系高效空间配置研究［Ｄ］．北京：北京林业大学，２００６． ［５］孙晓娟．基于“３ｓ”技术的区域林业生态工程空间配置的研究［Ｄ］．哈尔滨：东北林业大学，２００３． ［６］Ａｎａｔｏｌｙ Ａ Ｇｉｔｅｌｓｏｎ，Ｙｏｒａｍ Ｊ Ｋａｕｆｍａｎ，Ｒｏｂｅｒｔ Ｓｔａｒｋ，ｅｔ ａ１．Ｎｏｖｅｌ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｒｅｍｏｔｅ Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｖｅｇｅｔａｔｉｏｎ Ｆｒａｃｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２００２，８０（１）：７６－８７． ［７］高文韬，丁伟，李胜，等．长白山林区天然过伐林中蒙古栎适生立地研究［Ｊ］．北华大学学报：自然科学版，２Ｏ００，１（１）：７７．８１． ［８］余坤勇，林芳，刘健，等．基于ＲＳ的闽江流域马尾松林分蓄积量估测模型研究［Ｊ］．福建林业科技，２００６，３３（１）：１６－２０． 【责任编辑：郭伟】